CN114897359A - 多维数据下整车运力调度方法 - Google Patents

Abstract

本发明公开了一种多维数据下整车运力调度方法，包括：建立车辆配载与路径联合优化模型步骤，包括分别建立装车配载成本模型和路径规划成本模型；订单预测步骤，预测出在未来一段时间内的订单量；将订单预测步骤的预测结果及已知参数代入至所述车辆配载与路径联合优化模型进行求解，获得每辆车所经的配送网点，以及所经的路径。本发明的多维数据下整车运力调度方法，通过建立一个多维数据下整车运力数智化调度平台，利用订单预测模型和车辆配载与路径联合优化模型实现车辆预配载功能、提高配送时效，减少不合理的运输活动，提升物流运输效率，节约物流运输成本。

Description

多维数据下整车运力调度方法

技术领域

本发明属于智能物流调度技术领域，具体地说，涉及一种多维数据下整车运力调度方法。

背景技术

随着信息技术的发展，如今物流产业进入智能化、数智化、智慧化发展阶段，行业发展朝向连接升级、数据升级、模式升级、体验升级、智慧升级、供应链升级和经营模式不断创新的方向发展。

随着客户个性化需求的不断增加、运输硬时间窗等因素的涌现使得物流行业竞争的日益激烈。这对公司的业务资源整合、流程合理化、物流的网络化、信息化以及国际化等多方面都提出了更高的要求。

目前车辆调度***主要存在问题的有：

(1)预估订单无法高效装配。如在每日14点左右，采取人工进行预估单量，车辆根据人工经验估计得出，而截止至19点，还可能会有订单加入，这时就会容易对车辆、车量产生误判，导致整体车辆调度过程效率较低、时间成本过高，并且预估承运量与实际承运量存在较大差异，无法较为精准地实现装车配车。

(2)装箱时效低，装载率不高。过度依赖人员经验，装载率不高且人力资源消耗大。装箱时耗变动幅度大，作业流程监管力度低，导致管理优化不及时。要尽量能够做到管理可视化，而目前大多数根据人工判断的装车作业无法实现这一点，有过多的不确定性。

(3)路径选择依靠人工经验判断，易造成不合理运输。除了增加时间成本和工时，不合理运输还影响顾客满意度以及服务评价指标评分，对于突发状况的应对措施不完善，易造成货物滞留和延迟送达。

(4)车辆管理无法全程可视化。在车辆行驶中调度员无法监控车内货物实况、行驶路线以及司机非规范化操作等，对其进行实时矫正，同时车辆配送过程中预计到达时间无法估计，信息的不匹配或无法及时更新导致车辆调度步骤繁锁且缓慢，调度员不能灵活调度车辆。

发明内容

本发明针对现有技术中目前物流领域车辆调度***存在预估订单无法高效装配、路径选择易造成不合理运输的技术问题，提出了一种多维数据下整车运力调度方法，可以解决上述问题。

为实现上述发明目的，本发明采用下述技术方案予以实现：

一种多维数据下整车运力调度方法，包括：

建立车辆配载与路径联合优化模型步骤，包括分别建立装车配载成本模型和路径规划成本模型，所述装车配载成本模型与车辆载重利用率和车辆容积利用率成负相关，所述车辆载重利用率指配送车辆所装货物的总重量占车辆载重量的比率，所述车辆容积利用率指配送车辆所装货物的总体积占车辆容积的比率；

所述路径规划成本模型与车辆固定成本、运输点位成本以及燃油消耗成本成正相关，所述运输点位成本指车辆维护和保养所需成本，所述燃油消耗成本指货车运输途中所消耗的燃油成本；

订单预测步骤，预测出在未来一段时间内的订单量，所述订单量至少包括货物的体积、货物的重量、提货时间以及收货地址，并根据所述收货地址确定各配送网点；

将所述订单预测步骤的预测结果及已知参数代入至所述车辆配载与路径联合优化模型进行求解，获得每辆车所经的配送网点，以及所经的路径。

本发明的一些实施例中，所述车辆容积利用率记为A₁，A₁的表达式为：

所述车辆容积利用率记为A₂，A₂的表达式为：

车辆固定成本记为B₁，B₁的表达式为：

运输点位成本记为B₂，B₂的表达式为：

燃油消耗成本记为B₃，B₃的表达式为：

其中，k为车辆编号，k＝1,2,…,K，K为能够利用的车辆总数，N为配送网点总数，a^k _ih为：若配送网点i的h单号的货物由车辆k装载，则a^k _ih＝1，否则a^k _ih＝0，y_ik为：若配送网点i的h单号的货物由车辆k完成，则y_ik＝1，否则y_ik＝0，g_ih表示配送网点i的h单号的货物的重量，

为：若车辆k从配送网点i直接到达配送网点j，则

否则

为：若车辆k从配送中心直接到达配送网点j，则

否则

G_k表示车辆k的载重量，v_ih表示配送网点i的h单号的货物的体积，V_k表示车辆k的有效容积，

表示车辆k的起步价，

表示车辆k的点位费，ω表示燃油的单位成本，

表示车辆k空载时单位燃油消耗量，

表示车辆k满载时单位燃油消耗量，

表示车辆k从点i到点j之间的实载率，d_ij表示配送网点i与配送网点j之间的距离，d_0j表示配送网点j与物流中心之间的距离。

本发明的一些实施例中，所述装车配载成本模型中，还包括将车辆载重利用率和车辆容积利用率转换为成本函数，包括：

W_s＝Z_s×G_k

V_s＝Q_s×V_k

W_S表示车辆满载时按载重计算的成本，V_s表示车辆满载时按体积计算的成本，Z_s表示重货的单位运价，Q_s表示泡货的单位运价；

车辆配载与路径联合优化模型为：

minZ₁＝α·W_s·(1-A₁)+β·V_s·(1-A₂)+B₁+B₂+B₃

本发明的一些实施例中，所述车辆配载与路径联合优化模型的约束函数为：

a_j≤t_j≤b_j j＝1,...,N

或1i,j＝0,1,...,N；

y_ik＝0或1i＝1,...,N；

其中，

表示车辆k离开物流中心前往配送网点i的时间，t_ij表示车辆从配送网点i到配送网点j的行驶时间，

表示车辆的平均行驶速度，a₀表示物流中心对车辆提供的最早服务时间，b₀表示物流中心对车辆提供的最迟服务时间，a_j表示配送网点j的最早服务时间，b_j表示配送网点j的最晚服务时间，t_j表示配送网点j开始接受车辆服务的时间，s_i表示配送网点i完成服务的时间，η₁表示配送网点的卸货效率。

本发明的一些实施例中，采用遗传算法求解所述车辆配载与路径联合优化模型，包括：

染色体构造及种群初始化步骤，以需求点为基因，采用整数编码，用一个编码长度为n的字符串表示染色体，格式为：

T＝{t₁,t₂……t_N}；

其中，T∈M{1,2……K}；

适应度函数为：

F_i表示染色体i对应的适应度值，Z_i表示染色体i对应的目标函数；

遗传算子设计步骤，采用轮盘赌选择法，包括：

计算出群体中所有个体的适应度值F_i；

计算适应度值总和∑F_i；

计算染色体i被选中遗传到下一群体的概率

采用随机规则选择进入下一代的染色体个体。

本发明的一些实施例中，还包括AR智能装箱步骤，包括：

提取车辆和所有货物的包装模型，作为AR视觉页面的显示元素，形成一个元素库；

获取所预测的订单中货物的三维模型，并将三维模型与元素库里的产品模型进行匹配，匹配成功即用元素库里带有基本信息的产品模型代替三维模型进行显示输出；

根据产品模型找到对应的货物进行装箱。

本发明的一些实施例中，订单预测步骤中采用BP神经网络预测模型进行预测。

本发明的一些实施例中，订单预测步骤中灰色预测理论的GM(1,N)模型预测。

与现有技术相比，本发明的优点和积极效果是：

本发明的多维数据下整车运力调度方法，通过建立一个多维数据下整车运力数智化调度平台，利用订单预测模型和车辆配载与路径联合优化模型实现车辆预配载功能、提高配送时效，减少不合理的运输活动，提升物流运输效率，节约物流运输成本。从实际问题入手，统筹对运输车辆进行安排调度，减少人工干预，降低成本，打造无人化、数智化车辆智能调度***，为企业解决与实际配送点之间的相互协调性问题。

结合附图阅读本发明的具体实施方式后，本发明的其他特点和优点将变得更加清楚。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提出的多维数据下整车运力调度方法的一种实施例的原理图；

图2是本发明提出的多维数据下整车运力调度方法的一种实施例中进行交叉操作的示意图；

图3是本发明提出的多维数据下整车运力调度方法的一种实施例中进行变异的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在本发明的描述中，术语“上”、“下”、“左”、“右”、“竖”、“横”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

物联网技术的发展与进步，促进了物流管理的智能化，物联网技术与物流管理的有效结合，大大提升了智慧物流管理服务的质量。针对上述问题，我们将结合现有的物联网技术来获取车辆的位置、车速、停车状态等动态数据，为合理调度提供真实及时的数据支撑，从而避免错误指挥和低效调度的发生。

无线传感器网络节点要进行数据的相互交流就要用相应的无线网络协议，无线网络传输技术有多种，如无线局域网技术、蓝牙技术、超宽带技术、移动通信技术、有线承载网络技术等，这些传输方式很难适应无线传感器的低花销、低消耗、高容错等的要求，而Zigbee协议适应无线传感器的以上要求。

采集物流跟踪中的信息主要需要采集运送车辆的信息，目前最常用的采集运送车辆信息的方式就是GPS，利用GPS可以实现信息与网络相结合调控物流跟踪。接收到的GPS数据在进行处理时，主要通过物流和配送车辆的GPS识别代码，来识别车辆的基本信息。GIS地图往往反映了物流跟踪中使用车辆的配送信息，如配送地点配送时间，下一节点等。GIS可以将往返的车辆信息细化成点的方式反馈到互联网中。利用GPS定位了配送车辆目前的状态，离目标地点的距离，甚至预测具体收到物资的时间等。在GIS互联网地图，还显示了物流的站点和物流的营业网点。这种方式它向每一个使用者都显示了正确的物流信息。在采集信息时，需要对车辆轨迹查询管理模块进行处理，该模块可用于提供车辆信息在地图的轨迹和路线。

实施例一

本实施例提出了一种多维数据下整车运力调度方法，包括：

建立车辆配载与路径联合优化模型步骤，包括分别建立装车配载成本模型和路径规划成本模型，装车配载成本模型与车辆载重利用率和车辆容积利用率成负相关，车辆载重利用率指配送车辆所装货物的总重量占车辆载重量的比率，车辆容积利用率指配送车辆所装货物的总体积占车辆容积的比率；

路径规划成本模型与车辆固定成本、运输点位成本以及燃油消耗成本成正相关，运输点位成本指车辆维护和保养所需成本，燃油消耗成本指货车运输途中所消耗的燃油成本；

订单预测步骤，预测出在未来一段时间内的订单量，订单量至少包括货物的体积、货物的重量、提货时间以及收货地址，并根据收货地址确定各配送网点；订单量还包括网点需求量、配送时长、提货效率以及提货时间。

将订单预测步骤的预测结果及已知参数代入至车辆配载与路径联合优化模型进行求解，获得每辆车所经的配送网点，以及所经的路径。

本实施例的多维数据下整车运力调度方法，通过建立一个多维数据下整车运力数智化调度平台，利用订单预测模型和车辆配载与路径联合优化模型实现车辆预配载功能、提高配送时效，减少不合理的运输活动，提升物流运输效率，节约物流运输成本。从实际问题入手，统筹对运输车辆进行安排调度，减少人工干预，降低成本，打造无人化、数智化车辆智能调度***，为企业解决与实际配送点之间的相互协调性问题。

车辆配载与路径联合优化模型在一个配送中心用多辆不同车型的车向多个网点送货，每个网点的位置和需求量一定且服务时间窗已知，车辆的类型不同，且每辆车辆额定载重量和额定容积已知，要求确定合理的货物装载，选择合适的配送线路，在满足约束条件的情况下，车辆的利用率最大，且车辆的行驶距离最短，最终达到成本最低的目的。

本发明的一些实施例中，车辆容积利用率记为A₁，A₁的表达式为：

车辆容积利用率记为A₂，A₂的表达式为：

一般而言，车辆的固定成本是已知常数，仅与驾驶员工资、车辆折旧费用等有关。车辆固定成本记为B₁，B₁的表达式为：

运输点位成本一般指车辆维护和保养所需成本等，运输点位成本记为B₂，B₂的表达式为：

燃油消耗成本指货车运输途中所消耗的燃油成本，燃油成本除了与车辆行驶路径有关，还与车辆实时载重有关，此时要将车辆实载率考虑进去。燃油消耗成本记为B₃，B₃的表达式为：

其中，k为车辆编号，k＝1,2,…,K，K为能够利用的车辆总数，N为配送网点总数，a^k _ih为：若配送网点i的h单号的货物由车辆k装载，则a^k _ih＝1，否则a^k _ih＝0，y_ik为：若配送网点i的h单号的货物由车辆k完成，则y_ik＝1，否则y_ik＝0，g_ih表示配送网点i的h单号的货物的重量，

为：若车辆k从配送网点i直接到达配送网点j，则

否则

为：若车辆k从配送中心直接到达配送网点j，则

否则

G_k表示车辆k的载重量，v_ih表示配送网点i的h单号的货物的体积，V_k表示车辆k的有效容积，

表示车辆k的起步价，

表示车辆k的点位费，ω表示燃油的单位成本，

表示车辆k空载时单位燃油消耗量，

表示车辆k满载时单位燃油消耗量，

表示车辆k从点i到点j之间的实载率，d_ij表示配送网点i与配送网点j之间的距离，d_0j表示配送网点j与物流中心之间的距离。

上述模型中，A₁，A₂表示的是车辆载重和容积利用率，求最大值。B₁、B₂、B₃表示的是车辆运输过程中产生的成本，求最小值。且两者之间的量纲也不一样，为更直观的反应装车配载和车辆路径配送方案的优劣，考虑从成本的角度，将车辆载重和容积利用率最大转换为车辆未被利用的载重和容积机会成本最小，将之转换为成本函数，再将各个目标相加，从而将多目标求解问题转换成了以总成本最小的单目标模型求解问题。

r_h是配送网点i的h单号的货物的体积与质量的比，r是所有待装货物的总体积与总重量的比，即

R_k为车型k的体积与质量的比，R为所有车辆总体积与所有车辆总质量的比，即

若r＞R，则相对于车辆来说，待装货物的质量小，体积大，货物属性为泡货，以体积计价；反之为重货，以重量计价。

配送中心为网点配送货物时，装载量越多，配送中心所安排车辆需要的成本越低，换种说法，对于配送中心而言，车辆未被使用的空间越少，车辆占有的机会成本就越少。机会成本的计算按照车辆装载一吨或一立方米货物收取的运费来计算。

本发明的一些实施例中，装车配载成本模型中，还包括将车辆载重利用率和车辆容积利用率转换为成本函数，包括：

W_s＝Z_s×G_k

V_s＝Q_s×V_k

W_S表示车辆满载时按载重计算的成本，V_s表示车辆满载时按体积计算的成本，Z_s表示重货的单位运价，Q_s表示泡货的单位运价；

车辆配载与路径联合优化模型为：

minZ₁＝α·W_s·(1-A₁)+β·V_s·(1-A₂)+B₁+B₂+B₃。

W_S和V_s表示车辆未被使用空间占用机会成本最小，在进行目标合并时，目标(4-24)与(4-25)为对同一批货物的不同计价方式，而在最终计算配送成本时根据货物属性的不同只选择其中一种方式进行计价，因而定义参数α、β,其中α+β＝1，对α和β定义如下：

本发明的一些实施例中，车辆配载与路径联合优化模型的约束函数为：

表示每个网点的所有货物可以装在不同辆车上。

上述两个约束分别表示两变量之间的约束关系。

上述两个约束分别表示每辆车所负责的配送点的送货量不超过该车的最大载重量和最大容积。

表示每辆车从配送中心出发，完成配送后又回到配送中心。

表示配送中心和网点的时间窗约束。

表示车辆到达配送点j的时间。

a_j≤t_j≤b_j j＝1,...,N，表示配送中心和网点的时间窗约束。

表示车辆在配送点的卸货时间。

表示车辆从i行驶到j的时间。

或1i,j＝0,1,...,N；

y_ik＝0或1i＝1,...,N；

上述两个式子表示相应的0-1变量约束。

其中，

表示车辆k离开物流中心前往配送网点i的时间，t_ij表示车辆从配送网点i到配送网点j的行驶时间，

表示车辆的平均行驶速度，a₀表示物流中心对车辆提供的最早服务时间，b₀表示物流中心对车辆提供的最迟服务时间，a_j表示配送网点j的最早服务时间，b_j表示配送网点j的最晚服务时间，t_j表示配送网点j开始接受车辆服务的时间，s_i表示配送网点i完成服务的时间，η₁表示配送网点的卸货效率。

本发明的一些实施例中，采用遗传算法求解所述车辆配载与路径联合优化模型，包括：

染色体构造及种群初始化步骤，以需求点为基因，采用整数编码，用一个编码长度为n的字符串表示染色体，格式为：

T＝{t₁,t₂……t_N}；

其中，T∈M{1,2……K}。

假如总共有20个配送点，有5种不同型号的车，那么比如T＝{0123045067890}表示3辆配送车的配送路径分别为:0→1→2→3，0→4→5，0→6→7→8→9。

本案例模型求解的是配送总成本最小的问题，而适应度函数非负，且越大越好，因此在确定适应度函数时，需要对目标函数进行转换。我们现对适应度函数做如下转换：

F_i表示染色体i对应的适应度值，Z_i表示染色体i对应的目标函数。

遗传算子设计步骤，采用轮盘赌选择法，包括：

计算出群体中所有个体的适应度值F_i；

计算适应度值总和∑F_i；

计算染色体i被选中遗传到下一群体的概率

采用随机规则选择进入下一代的染色体个体。

首先计算出群体中所有个体的适应度值F_i，然后计算适应度值总和∑F_i，并计算染色体i被选中遗传到下一群体的概率

最后根据一定的随机规则，选择进入下一代的染色体个体。

采用两点交叉的方式进行交叉操作，如图2所示，交叉策略采用动态交叉。

解码时考虑到充电的影响，所以在变异时，考虑改变客户配送顺序的方式，从而提高群体的多样性。故而，如图3所示，本方案采用的是两点互易的变异方式。同时变异策略采用动态变异，设p_m1＝0.1和p_m2＝0.05,。

约束条件处理，算法中的约束条件处理，对燃油车配载路径优化模型进行求解，根据载重约束和时间窗约束对一个编码R进行划分，具体方法如下：

(1)i＝1；

(2)开始第i条路线L_i＝[0]，0为配送中心；

(3)尝试将编码R中的第一个点加入L_i，如果加入L_i后车辆载重和时间窗都满足，那么转(4)，否则i＝i+1，转(2)；

(4)删除R的第1位编码，如果R为空，那么转(5)，否则转(3)；

(5)输出各个子路径。

增强现实技术是一种实时地计算摄影机影像的位置及角度并加上相应图像、视频、3D模型的技术，将虚拟的信息应用到真实世界，从而达到超越现实的感官体验。AR技术的原理是摄像头捕捉到现实中的景象，并获取实时的位置信息,然后***后台根据实时获得的位置信息生成虚拟模型，最终把两者合成后的图形，呈现到显示器上给用户观看。

本发明的一些实施例中，还包括AR智能装箱步骤，包括：

提取车辆和所有货物的包装模型，作为AR视觉页面的显示元素，形成一个元素库；

获取所预测的订单中货物的三维模型，并将三维模型与元素库里的产品模型进行匹配，匹配成功即用元素库里带有基本信息的产品模型代替三维模型进行显示输出；

根据产品模型找到对应的货物进行装箱。

采用AR眼镜投射画面，三维装箱模拟图部署至AR眼镜，车厢作为投射平面。当摄像头扫描车厢时，将车厢左后点(基点)与三维装箱模拟画像(0,0,0)进行校对，随后投射画面。投射根据实际车型大小校正画面，投射可根据设定使得三维装箱模拟效果分块投射，便于工人根据投射画像提示迅速完成装车工作，提高实际装货效果与模拟效果的一致性。

在AR技术的辅助下，实现临场感贴合实际，大大增强了三维装箱模拟效果可视化，让模拟效果不再局限在二维平面上，提高其利用率，进而提高员工装箱效率。

通过引入AR技术，将三维装箱效果更加立体、真实的向工人展示，根据投射画像提示进行装箱作业，大大提高三维装箱利用率，缩短装箱时间。

本发明的一些实施例中，订单预测步骤中采用BP神经网络预测模型进行预测。

通过分析历史运营数据，可以准确预测未来短期内的订单需求，并依据预测结果对仓储、配送、车辆调度等企业经营活动进行规划，能够减少仓库库存压力，实现车辆资源、人力资源等的有效组织和统筹利用，同时结合三维装箱、路径优化，提高配送速度，降低时间成本及物流成本，降本增效。

BP神经网络的构建过程：

(1)网络初始化

首先给每层神经网络间的连接一个随机的权值，并使该权值处于(-1，1)内，然后为此次训练结果预设一个误差δ、精度值σ和最大学习次数M。

(2)随机选取输入输出样本

输入样本

和期望输出样本

提供给网络。

(3)利用隐含层的输入b_j，经中间的函数，计算出隐含层的各单元输出c_j。

c_j＝f(b_j),j＝1,2,…,p (3-2)

输入层与隐含层的连接权值记为w_ij，隐含层各单元的输出阈值记为θ_j。

(4)计算输出层各单元的输入g_i和输出h_i

h_t＝f(g_t),t＝1,2,…,q(3-4)

隐含层与中间层的连接权值记为v_jt，输出层各单元的输出阈值记为y_t。

(5)误差函数为

计算输出层误差函数神经元的偏导数。

(6)输出的误差反向传入输入层，每层根据各自获得的误差信号来更正权值，各层误差值调整循环进行，直至误差达到神经网络训练前设置的精度或学习次数大于设定的最大次数，训练才会结束，否则将会继续重复上面工作。

本发明的一些实施例中，订单预测步骤中灰色预测理论的GM(1,N)模型预测。

灰色预测理论(Grey Model,GM)主要是针对存在不完全信息的情况下，对问题进行关联分析、模型或算法的建构、预测及决策的分析***。GM(1,N)模型的主要原理是通过建立微分方程，对原始数据进行微分拟合，重要的是经累加的方法处理过后，将获取的数据合并到预测模型中，然后预测结果再进行还原处理。

本方案还包括车辆可视化预警步骤，实现对配送环节的实时监控与货车故障状态下的预警管理，通过无线传感器监控车辆的速度，将车辆的状态实时显示在大屏上，若检测到车辆无法及时到达网点，***将显示相关车辆的信息并用鲜艳的颜色警示管理人员。调度人员可以清楚了解到司机的出发时间，预计到达时间，如若司机在路上遇到紧急情况无法按时到达网点，后台将及时反馈信息至网点与司机，以便双方根据信息做出调整。

以上实施例仅用以说明本发明的技术方案，而非对其进行限制；尽管参照前述实施例对本发明进行了详细的说明，对于本领域的普通技术人员来说，依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。

Claims (8)

1.一种多维数据下整车运力调度方法，其特征在于，包括：

建立车辆配载与路径联合优化模型步骤，包括分别建立装车配载成本模型和路径规划成本模型，所述装车配载成本模型与车辆载重利用率和车辆容积利用率成负相关，所述车辆载重利用率指配送车辆所装货物的总重量占车辆载重量的比率，所述车辆容积利用率指配送车辆所装货物的总体积占车辆容积的比率；

所述路径规划成本模型与车辆固定成本、运输点位成本以及燃油消耗成本成正相关，所述运输点位成本指车辆维护和保养所需成本，所述燃油消耗成本指货车运输途中所消耗的燃油成本；

订单预测步骤，预测出在未来一段时间内的订单量，所述订单量至少包括货物的体积、货物的重量、提货时间以及收货地址，并根据所述收货地址确定各配送网点；

将所述订单预测步骤的预测结果及已知参数代入至所述车辆配载与路径联合优化模型进行求解，获得每辆车所经的配送网点，以及所经的路径。

2.根据权利要求1所述的多维数据下整车运力调度方法，其特征在于，

所述车辆容积利用率记为A₁，A₁的表达式为：

所述车辆容积利用率记为A₂，A₂的表达式为：

车辆固定成本记为B₁，B₁的表达式为：

运输点位成本记为B₂，B₂的表达式为：

燃油消耗成本记为B₃，B₃的表达式为：

其中，k为车辆编号，k＝1，2，...，K，K为能够利用的车辆总数，N为配送网点总数，a^k _ih为：若配送网点i的h单号的货物由车辆k装载，则a^k _ih＝1，否则a^k _ih＝0，y_ik为：若配送网点i的h单号的货物由车辆k完成，则y_ik＝1，否则y_ik＝0，g_ih表示配送网点i的h单号的货物的重量，

为：若车辆k从配送网点i直接到达配送网点j，则

否则

为：若车辆k从配送中心直接到达配送网点j，则

否则

G_k表示车辆k的载重量，v_ih表示配送网点i的h单号的货物的体积，V_k表示车辆k的有效容积，

表示车辆k的起步价，

表示车辆k的点位费，ω表示燃油的单位成本，

表示车辆k空载时单位燃油消耗量，

表示车辆k满载时单位燃油消耗量，

表示车辆k从点i到点j之间的实载率，d_ij表示配送网点i与配送网点j之间的距离，d_0j表示配送网点j与物流中心之间的距离。

3.根据权利要求2所述的多维数据下整车运力调度方法，其特征在于，所述装车配载成本模型中，还包括将车辆载重利用率和车辆容积利用率转换为成本函数，包括：

W_s＝Z_s×G_k

V_s＝Q_s×V_k

W_S表示车辆满载时按载重计算的成本，V_s表示车辆满载时按体积计算的成本，Z_s表示重货的单位运价，Q_s表示泡货的单位运价；

车辆配载与路径联合优化模型为：

minZ₁＝α·W_s·(1-A₁)+β·V_s·(1-A₂)+B₁+B₂+B₃

4.根据权利要求3所述的多维数据下整车运力调度方法，其特征在于，所述车辆配载与路径联合优化模型的约束函数为：

a_j≤t_j≤b_j j＝1,...,N

或1

y_ik＝0或1

其中，

表示车辆k离开物流中心前往配送网点i的时间，t_ij表示车辆从配送网点i到配送网点j的行驶时间，

表示车辆的平均行驶速度，a₀表示物流中心对车辆提供的最早服务时间，b₀表示物流中心对车辆提供的最迟服务时间，a_j表示配送网点j的最早服务时间，b_j表示配送网点j的最晚服务时间，t_j表示配送网点j开始接受车辆服务的时间，s_i表示配送网点i完成服务的时间，η₁表示配送网点的卸货效率。

5.根据权利要求3或4所述的多维数据下整车运力调度方法，其特征在于，采用遗传算法求解所述车辆配载与路径联合优化模型，包括：

染色体构造及种群初始化步骤，以需求点为基因，采用整数编码，用一个编码长度为n的字符串表示染色体，格式为：

T＝{t₁,t₂……t_N}；

其中，T∈M{1,2……K}；

适应度函数为：

F_i表示染色体i对应的适应度值，Z_i表示染色体i对应的目标函数；

遗传算子设计步骤，采用轮盘赌选择法，包括：

计算出群体中所有个体的适应度值F_i；

计算适应度值总和∑F_i；

计算染色体i被选中遗传到下一群体的概率

采用随机规则选择进入下一代的染色体个体。

6.根据权利要求1-5任一项所述的多维数据下整车运力调度方法，其特征在于，还包括AR智能装箱步骤，包括：

提取车辆和所有货物的包装模型，作为AR视觉页面的显示元素，形成一个元素库；

获取所预测的订单中货物的三维模型，并将三维模型与元素库里的产品模型进行匹配，匹配成功即用元素库里带有基本信息的产品模型代替三维模型进行显示输出；

根据产品模型找到对应的货物进行装箱。

7.根据权利要求1-5任一项所述的多维数据下整车运力调度方法，其特征在于，

订单预测步骤中采用BP神经网络预测模型进行预测。

8.根据权利要求1-5任一项所述的多维数据下整车运力调度方法，其特征在于，

订单预测步骤中灰色预测理论的GM(1,N)模型预测。

Images