一种基于众包公共交通系统实现包裹快速递送的方法

摘要

本发明公开了一种基于众包公共交通系统实现包裹快速递送的方法，包括：获取公共交通运输工具的信息，包括路线站点信息、班次信息和座位信息；获取包裹信息，通过扫描包裹的面单，识别包裹的收货地址，并与路线站点信息进行匹配，获得包裹的目的站点；从路线站点信息中筛选出经过目的站点的路线，作为包裹的选定路线；通过分析选定路线中的任意两个相邻站点之间的乘客数量，与所述选定路线中的座位数量进行比较，评估所述选定路线的空闲运力，筛选出所述选定路线中具有空闲运力的班次；根据所述包裹的目的站点以及所述具有空闲运力的班次排列包裹的预设装载顺序，使所述包裹在到达所述目的站点后被卸载。

说明书

技术领域

本发明涉及包裹递送技术领域，特别是指一种基于众包公共交通系统实现包裹快速递送的方法。

背景技术

运输车辆的普遍使用使得包裹可以在全天范围内分发，这促进了物流业的可持续发展。具体来说，在线订购的产品在2013年已经产生了超过10亿件包裹，预计2018年包裹数量将持续增长，约28.8％。尽管物流业务显着增长，但物流公司在成功实现包裹分发问题上仍面临诸多挑战。其中一个主要挑战是以具有成本效益的方式提供方便的当日达服务。此外，由于需要运送大量包裹，包裹递送时所消耗的人力和其他资源也不断增加。数据显示，中国邮政企业已建成1000多个仓储配送中心，新开通了153条干线邮政航线；2017年新能源汽车数量已增至7,158台。然而，如此多的城市物流车辆对空气污染和交通拥堵将会产生严重影响，特别是在城市内的交通量巨大的情况下。

因此，亟需一种包裹递送方法，以使的旅客和包裹能同时高效且有效的在城市范围内运输。

发明内容

有鉴于此，本发明的目的在于提出一种基于众包公共交通系统实现包裹快速递送的方法，包括：

获取公共交通运输工具的信息，包括路线站点信息、班次信息和座位信息；

获取包裹信息，通过扫描包裹的面单，识别包裹的收货地址，并与所述路线站点信息进行匹配，获得包裹的目的站点；

从所述路线站点信息中筛选出经过所述目的站点的路线，作为包裹的选定路线；

通过分析所述选定路线中的任意两个相邻站点之间的乘客数量，与所述选定路线中的座位数量进行比较，评估所述选定路线的空闲运力，筛选出所述选定路线中具有空闲运力的班次；

根据所述包裹的目的站点以及所述具有空闲运力的班次排列包裹的预设装载顺序，使所述包裹在到达所述目的站点后被卸载。

在其中一个实施例中，所述选定路线的任意两个相邻站点之间的乘客数是通过构建乘客转移模型得到的。

在其中一个实施例中，所述乘客转移模型包括：

所述式(1)中，1≤i≤j≤N，为在i站等待路线的第r个行程的预期乘客数量，并且目的站点是j，S_iH_i,j为所述选定路线中从站点i出发到站点j的当日乘客数量，V_i,j(t)表示在时间t从车站i到车站j的乘客的出发时间分布的概率密度函数；

所述式(2)中，为在第r-1个行程离开之后，第r个行程到来之前，等待在站i的累计乘客的预期数量；

所述式(3)中，为在第r个行程中在j站下车的预期乘客数量；

所述式(4)中，为在第r个行程中在站点i和i+1之间的预期乘客数量。

在其中一个实施例中，所述S_i为所述选定路线中一天内从站点i出发的乘客数量，H为乘客数量分布矩阵，为式(5)所示，V为乘客出发时间分布矩阵，为式(6)所示，

所述H_i,j是从车站i行驶到车站j的乘客分数，0≤H_i,j≤1，

在其中一个实施例中，所述选定路线中，任意两个相邻站点间的每个行程的空闲运力值为矢量Q，Q＝{Q₁,Q₂,…,Q_N-1}，满足式(7)：

其中，1≤i≤N-1，C为每个行程中所有座位的运力，κ为每个行程中座位的总数量，β为每个座位的运力，为每个行程中的任意两个相邻站点内的乘客数量。

在其中一个实施例中，所述排列包裹的预设装载顺序，使所述包裹在到达所述目的站点后被卸载的步骤包括：

构建预设顺序装载模型，以使有空闲运力的行程按照时间顺序被使用，且目的站点较远的包裹被装载至较后的行程；

构建包裹卸载模型，使单个包裹只能在一次行程中被运送，相同目的站点的包裹在相邻行程中被卸载。

在其中一个实施例中，所述预设顺序装载模型包括：

所述包裹卸载模型包括：

其中，i/j为站台指标，k为包裹指标，r为行程指标，N为站台集合，R为可用于包裹分发的行程集合，K为根据目的站点排序的包裹集合，为行程从站点r‐1至r间的可用空闲运力，v_k为包裹的体积，当包裹k的目的站点为i时，a_ki值为1，当包裹k的目的站点不为i时，a_ki值为0，a_ki满足式(12)，x_kr用于限定包裹k在行程中被运送至目的站点，满足式(13)，y_r用于限定行程具有空闲运力，满足式(14)：

在其中一个实施例中，所述构建预设顺序装载模型还包括，建立最低限制装载模型，使所述式(10)满足下式(15)，将行程中所有相关站点的空闲运力的最小值作为实际用于包裹装载的最大值，以满足乘客的体验，

其中，Q_min表示行程的最小空闲运力。

在其中一个实施例中，所述构建预设顺序装载模型还包括，建立最低行程模型，如式(16)所示，使所述行程中每个站点的空闲运力值作为实际用于包裹装载的数值，以最大限度的利用空闲运力

在其中一个实施例中，所述从所述路线站点信息中筛选出经过所述目的站点的路线的步骤之后，所述筛选出所述选定路线中具有空闲运力的班次的步骤之前，还包括将目的站点相同的包裹标记为相同类别并聚集在所述选定路线的出发站处。

从上面所述可以看出，本发明提供的基于众包公共交通系统实现包裹快速递送的方法，采用具有空闲运力的班次的公共交通运输工具，来运送包裹，同时不影响乘客体验。通过获取公共交通运输工具的路线站点信息、班次信息和座位信息，并通过扫描包裹的面单识别收货地址后，与所述路线站点信息进行匹配，获得包裹的目的站点，筛选出经过所述目的站点的路线，作为包裹的选定路线。再通过分析所述选定路线中的任意两个相邻站点之间的乘客数量及座位数量，筛选出所述选定路线中具有空闲运力的班次，从而使包裹的运送不影响乘客体验，并使包裹以预设顺序装载，在到达目的站点时才被卸载。可以极大地利用公共交通运输工具的空闲运力，从而极大地降低城市内的物流车辆对空气污染和交通拥堵产生的严重影响，在不影响乘客体验的前提下，同时实现旅客和包裹的运输效率。

附图说明

图1为本发明实施例的乘客运力和空闲运力的表述示意图；

图2为本发明实施例的一个站点处行程到来的时间线示意图；

图3为本发明实施例的传统包裹分发模型图；

图4为本发明实施例的SPDCP包裹递送模型图；

图5为本发明实施例的可交付包裹的比例与路线数量示意图；

图6为本发明实施例的包裹的平均运输时间与路线时间的示意图；

图7为本发明实施例的已使用的行程数量与包裹数量和站点数量的示意图；图8为本发明实施例的行程次数比例与包裹数量和站点数量示意图；

图9为本发明实施例的影响率wrt与包裹数量和站点数量示意图；

图10为本发明实施例的行程中受影响乘客数量与包裹数量和站点数量示意图；

图11为本发明实施例的受影响站点比率与包裹数量和站点数量示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。

本发明实施例提供一种基于众包公共交通系统(SPDCP)实现包裹快速递送的方法，包括：

S100，获取公共交通运输工具的信息，包括路线站点信息、班次信息和座位信息；

S200，获取包裹信息，通过扫描包裹的面单，识别包裹的收货地址，并与所述路线站点信息进行匹配，获得包裹的目的站点；

S300，从所述路线站点信息中筛选出经过所述目的站点的路线，作为包裹的选定路线；

S400，通过分析所述选定路线中的任意两个相邻站点之间的乘客数量，与所述选定路线中的座位数量进行比较，评估所述选定路线的空闲运力，筛选出所述选定路线中具有空闲运力的班次；

S500，根据所述包裹的目的站点以及所述具有空闲运力的班次排列包裹的预设装载顺序，使所述包裹在到达所述目的站点后被卸载。

本发明提供的基于众包公共交通系统实现包裹快速递送的方法，采用具有空闲运力的班次的公共交通运输工具，来运送包裹，同时不影响乘客体验。通过获取公共交通运输工具的路线站点信息、班次信息和座位信息，并通过扫描包裹的面单识别收货地址后，与所述路线站点信息进行匹配，获得包裹的目的站点，筛选出经过所述目的站点的路线，作为包裹的选定路线。再通过分析所述选定路线中的任意两个相邻站点之间的乘客数量及座位数量，筛选出所述选定路线中具有空闲运力的班次，从而使包裹的运送不影响乘客体验，并使包裹以预设顺序装载，在到达目的站点时才被卸载。可以极大地利用公共交通运输工具的空闲运力，从而极大地降低城市内的物流车辆对空气污染和交通拥堵产生的严重影响，在不影响乘客体验的前提下，同时实现旅客和包裹的运输效率。

所述步骤S100中，公共交通运输工具的信息，可以通过公共交通系统的平台数据来获得。具体可以，通过读取该平台中已录入的路线站点信息、班次信息和座位信息，来获取公共交通运输工具，如地铁、公交、飞机、火车及渡轮等的信息。

所述步骤S200中，获取包裹信息这一过程是在包裹所在城市的物流集散中心(CDC)进行的。优选的，还包括将相同目的站点的包裹标记为相同类别，以提高对包裹的处理效率。

优选地，在所述步骤S300之后，所述步骤S400之前，还包括将相同类别的包裹聚集至选定路线的出发站处。

优选地，所述步骤S400中，所述选定路线的任意两个相邻站点之间的乘客数量是通过构建乘客转移模型得到的。通过乘客转移模型可以找出客流背后的规律，从而实现对每个行程中每个车站的乘客人数的估算，进而找出行程中任意两个相邻站点之间的预期乘客数量，进而更好地分析选定路线的空闲运力，从而进一步降低对乘客体验的影响。

优选的，所述乘客转移模型包括：

所述式(1)中，1≤i≤j≤N，为在i站等待路线的第r个行程的预期乘客数量，并且目的站点是j，S_iH_i,j为所述选定路线中从站点i出发到站点j的当日乘客数量，V_i,j(t)表示在时间t从车站i到车站j的乘客的出发时间分布的概率密度函数；

所述式(2)中，为在第r-1个行程离开之后，第r个行程到来之前，等待在站i的累计乘客的预期数量；

所述式(3)中，为在第r个行程中在j站下车的预期乘客数量；

所述式(4)中，为在第r个行程中在站点i和i+1之间的预期乘客数量。

S为乘客矢量，S＝{S₁,S₂,…,S_N}，所述S_i为所述选定路线的任意路线中一天内从站点i出发的乘客数量。

H为任一路线的乘客数量分布矩阵，为式(5)所示。具有N行和H列，H中的每个元素H_i,j是从车站i行驶到车站j的乘客分数，0≤H_i,j≤1，

根据矢量S和矩阵H，可以计算从站点i开始并且以站点j为目的站点的乘客的数量，即所述式(1)中的S_iH_i,j。需要说明的是，任意路线中，当i≥j时H_i,j＝0，因为乘客只选择与自己路线方向一致的行程。

V为乘客出发时间分布矩阵，为式(6)所示。它表示给定乘客分布矩阵H中，乘客出发时间分布的概率密度函数(PDF)，具有N行和V列。V_i,j(t)表示在时间t内，从车站i到车站j的乘客的出发时间分布的PDF。应当说明，在进行具体分析时，应将该分布转换为连续的PDF。

应当理解的是，上述的式S、H、V中的数值可以根据乘客调查或者公交/地铁数据进行估算。通过上述的公式(1)至公式(6)，可以得到选定行程中的任意两个相邻站点间的乘客数量。

可以根据上述计算得到的选定行程中的任意两个相邻站点间的乘客数量，并通过式(7)，来预估行程中的任意两个相邻站点间的空闲运力，从而根据空闲运力来分配包裹，更好地降低对乘客体验的影响。

Q为任意两个相邻站点间的每个行程的空闲运力值，为矢量，Q＝{Q₁,Q₂,…,Q_N-1}。其中，1≤i≤N-1，C为每个行程中所有座位的运力，κ为每个行程中座位的总数量，β为每个座位的运力，为每个行程中的任意两个相邻站点内的乘客数量。请参阅图1，可以直观的看出行程中用于递送包裹的空闲运力。

步骤S500优选的包括：

S510，构建预设顺序装载模型，以使有空闲运力的行程按照时间顺序被使用，且目的站点较远的包裹被装载至较后的行程；

S520，构建包裹卸载模型，使单个包裹只能在一次行程中被运送，相同目的站点的包裹在相邻行程中被卸载。

所述步骤S510中，预设顺序装载模型包括：

具体地，所述式(8)确保出发站上的所有包裹都按照在目的站点处才被卸载的顺序进行装载，具体而言，目的站点越远的包裹将由靠后的行程来进行分发。所述式(9)确保按时间先后的顺序使用有空闲运力的行程。所述式(10)确保任意两个相邻站点之间的装载的包裹的体积不超过相应的空闲运力。例如，如果选择行程r₂来运送包裹，则其前面的可用行程r₂必须已被用于分发包裹，以将任务完成的时间消耗降至最低，提高包裹的递送效率。

其中，i/j为站台指标，k为包裹指标，r为行程指标，R为可用于包裹分发的行程集合，K为根据目的站点排序的包裹集合，为行程从站点r‐1至r间的可用空闲运力，v_k为包裹的体积，y_r用于限定行程具有空闲运力，满足式(12)，当包裹k的目的站点为i时，a_ki值为1，当包裹k的目的站点不为i时，a_ki值为0，a_ki满足式(13)，x_kr用于限定包裹k在行程中被运送至目的站点，N为站台集合，满足式(14)。

优选地，按照所述预设顺序装载模型装载包裹的方法包括，最低限制递送方法(MLD)，通过建立最低限制装载模型，使所述式(10)满足式(15)，将行程中所有相关站点的空闲运力的最小值作为实际用于包裹装载的最大值。应用该模型，行程中会有相当大的空闲运力，以确保运送包裹的同时满足乘客的体验，

其中，Q_min表示行程的最小空闲运力。MLD方法可以最大限度的减少运输包裹时对乘客的影响，最大地提高乘客的体验满意度。

进一步地，按照所述预设顺序装载模型装载包裹的方法还可包括，自适应限制递送方法(ALD)，通过建立最低行程模型，如式(16)使所述行程中每个站点的空闲运力值作为实际用于包裹装载的数值，以最大限度的利用空闲运力，同时由于装载的包裹量未超过实际空闲运力，仍然可以实现不影响乘客体验。

ALD方法可以在每次行程中装载尽可能多的包裹，直到包裹的装载数量达到行程的可用空闲运力值。可以极大地提高行程的空闲运力的运用率，提高包裹的运输效率，有效地节省资源。

步骤S520中，所述包裹卸载模型包括：

所述式(11)确保所有包裹都运送到其目的站点，并且每个包裹只能在一次行程中被运送。所述的公式(12)-(14)定义了公式(8)-(11)中的各个变量的域。

应当说明的是，在实际运行中，可以根据具体的行程要求和包裹的要求，来合理选择具体的包裹装载方法，从而使得包裹的运送不影响乘客体验。在意外情况下，乘客的实际数量可能与上述的理论估值不同，乘客实际数量如式(17)所示：

其中，P_i表示行程从车站i行驶到i+1时的实际乘客数量，和分别表示在j站点停车时，乘客上下车的实际人数。在任何站点处，在车站j上有m位乘客上车的概率如式(18)所示：

其中，0≤m≤S_j,是的期望值。的概率如式(19)所示：

因此，当行程从车站i到车站i+1时，在公共汽车/地铁上恰好有m位乘客的概率可以由P_i+1，递归派生。具体地，P_i＝m(1≤i≤N)的概率如下式(20)和(21)所示：

MLD方法和ALD方法对乘客的影响率不是固定不变的，而是随实际情况进行变化的。和分别表示乘客体验在MLD和ALD中第r次行程中的影响率，可分别由式(22)和式(23)表示：

其中，和这两个二进制变量分别表示包裹k是否在装载方法MLD和ALD中被分配到第r次行程中，N表示该行程的站点数量，任何行程r中的总是大于因为ALD能更有效地利用空闲运力。因此，从整体角度来看，

如果所有包裹的目的站点均为所述选定路线的最后一站，

即行程的空间将遭受极端占用。此种情况为最坏的情况下，所述式(3)会被特殊化为式(24)：

其中，j可以是行程中的任何站点，包括包含最小空闲运力的站点。行程r中方法ALD的装载包裹的最大运力为与MLD方法中，在出发站行程r中装载的包裹的运力相同。因此，此种情况下，两种方法的影响率和是相同的，均如式(25)所示：

实施例1

请参阅图2，为本发明实施例的公共交通工具如公交车或地铁的时间表。具体数据来源于中国长沙市的道路网络数据和交通数据。对于给定的路线，站点i的一日时间表几乎是确定性的到达(和离开)过程：其中表示第r个行程到达i站的时间；R代表该路线行程的总次数。其中，t₀表示线路的开始时间，t₁表示第一辆公交车/地铁的到达时间，t_r表示与t_r+1之间的时间表示到达间隔时间，t_R表示最后一辆公交车/地铁的到达时间，t_e表示行程的结束时间。

请参阅图3和图4所示，分别为传统的物流配送模式及本实施例的递送模式(SPDCP)示意图。可以看出，本实施例的方法相对于传统的递送模式，主要利用CroudsourcePTS(CPTS)车辆的大量空闲运力，在不影响乘客体验的前提下，从物流集散中心(CDC)向包裹的最终目的地运送包裹。

随机生成一组包裹(K)及其选定路线的目的站点(i_k)来模拟包裹递送任务。为了模拟客流，随机划分在每对车站之间转移的乘客，从而使用均匀分布构造乘客分区矩阵H；设置任意两个站点之间出发时间分布的PDF(v_i,j(t))随时间不改变；随机设置每个车站每天乘坐的路线上的乘客人数(Si)，取值范围为200至800。在CPTS车辆中，假设座位数量为25，每位乘客占用一个座位。包裹的体积(v_k)服从均匀分布，其平均值为1/4个座位的运力。构建流量(S，H和)和乘客(V)矩阵，分别使用MLD和ALD来计划包裹装载方案。分别使用MLD和ALD来计划包裹装载方案，比较两种方案的利用的有效性和对乘客的影响率。

根据日常实践，设定一条路线上的车站点数量为N＝16，每个车站每天乘坐的路线数量为Si＝600。出发站处的包裹的数量被设置为范围从50到550的值。等待在出发站运送的包裹数量确定为总共250美元，并且每个站点上每天乘坐该线路的乘客数量为Si＝600。此外，路线的站点数量设定为8～20的范围内的值。

针对两种方案的有效性，有效性指标包括：1)可以使用SPDCP模式交付的包裹的比例(目的地距离任何SPDCP站点200米以外的包裹我们认定为无法用SPDCP模式投递的包裹)；2)在SPDCP中包裹递送的平均时间；3)交付任务中的资源数量(行程次数)。

请参阅图5，为SPDPT模式下可交付包裹的比例在涉及的路线数量上的变化。应当说明的是，长沙有数百条公交/地铁线路，但只有一部分可以参与我们的SPDPT包裹投递模式，这样可以使得资源投入较少，调度系统效率较高。该图绘制的是覆盖率最高的路线。随着加入SPDPT平台的路线数量增加，更多比例的包裹可以直接以我们的SPDPT模式被运送到其最终目的地。

请参阅图6，为一天中包裹的平均交付时间，设定SPDPT平台共包含6条路线。在实际应用中，包裹可以始终在一条路线上传输，也可以在几条路线之间传递，以便快速的实现包裹的交付。包裹的交付时间是指从包裹被运载到公交车/地铁，一直到最终在目的站点处卸载所需要的时间，该时间主要取决于交通状况。优选地，包裹可以在非高峰工作时间(10：00-16：00)的1小时内送达，这可以较好得满足当日送达服务。

请参阅图7，为从10点到16点间，MLD和ALD中使用的出行次数，包裹数量和车站点数量。可以看出，随着包裹数量的增加，两者利用行程的数量均呈线性增长。这是因为，当包裹运送任务包含更多包裹时，需要更大量的空闲运力，从而导致利用的行程更多。此外，在ALD中使用的出行次数总是大于在MLD中的次数。原因在于，MLD中的方案利用每次行程的空闲运力与ALD相比效率较低，因此需要更多的行程来完成运送任务。随着车站点数量的增加，利用行程的数量正在加速增加。这是因为，当路线容纳大量车站时，使用该路线的乘客总数将激增，导致一些车站的空闲运力大大减少。因此，任何行程中装载的包裹数量都会变少，从而导致用于包裹分发的次数激增。

定义两种方法之间所用行程次数的比例称为行程次数比率，缩写为tnr，

在图8中，为tnr与包裹数量和站点数量的关系，在四种情况下，乘客在路线上每个车站每天的人数分别设置为Si＝200，400，600，800。随着包裹数量的增加，这四种情况下的tnr保持稳定。这是因为，MLD和ALD中使用的行程次数随着包裹的数量呈线性增长，因此它们的比率不会随包裹的数量而改变。另外，所有情况下的tnr总是大于1，而较大的Si的情况下则会有更大的tnr。原因在于，ALD中使用的出行次数总是大于MLD中的出行次数，导致比率大于1。此外，随着Si的增加，未充分利用的运力变得更加稀缺。在这种情况下，MLD遭受无效空间利用的缺点变得更加严重，导致更大的tnr。当涉及到tnr与站点数量的关系时，这四个案例中的tnr都随着站点数量的增加而增长。更重要的是，Si较大的路线经历了更快的增长。原因是，更多乘客出行会降低行程的最小空闲运力，导致MLD的运力利用效率降低，从而导致更大的tnr。值得注意的是，一条路线上的车站点数量增加以及每个车站乘坐该路线的乘客数量会加倍得增加在行程中的乘客数量，导致tnr的加速增长。

针对两种方案的影响率，影响率度量指标也包含三个方面：1)在包裹交付任务中，影响率＝受影响的行程数量/总行程数量；2)定义行程中每个车站受影响的乘客数量，缩写为nip，nip＝一个行程中每个车站受影响乘客的平均数量；3)设定行程中受影响的站点数量与所有涉及站点数量之间的比率为ris，ris＝受影响的站点数量/总站点数量。行程中每个车站受影响的乘客数量可以作如下解释。

设定有α(α＜κ)座位用于容纳行程中两个相邻车站之间的包裹，而乘客的数量达到p(p≥0)。当p≤κ-α时，任何人都不会受到影响，因为当所有乘客和包裹合理放置时，仍然有空闲空间。但是，当p＞κ-α时，会发生影响。具体而言，如果κ≥p＞κ-α，α+p-κ个乘客受到影响。如果p≥κ，有α+p-κ个乘客没有座位，其中只有α乘客受到影响，而其他人仍会站立即使行程中没有包裹需要运送。图9中，为所有包裹的目的站点均为所述选定路线的最后一站的情况。理论影响率由公式(22)和(25)来计算。而实际影响率是从客运到达和离开的模拟中推导出来的。随着包裹数量的增加，三个影响率都会波动并以稳定的值结束。原因是，当运送任务包含更多的包裹时，使用的出行数量将相应增加。每次行程都是计算影响率的样本。因此，如果包装数量较多，结果往往会更稳定。影响率还随着路线中包含的车站数量而变化，我们可以观察到，随着站点数量的增加，理论影响率缓慢下降，这可以用公式(22)来解释。此外，理论影响率总是大于MLD的实验率。原因在于，理论影响率是根据所有包裹的目的站点为最后一个车站的最差情况计算出来的，而实验中包裹的目的站点是随机选择的，因此占用的空间较小，因此影响率较低。此外，当站点数量大于14时，ALD的实验影响率超过理论速率。这是因为在ALD方案中，实验情况下的包裹运输会充分得占用可使用的空余运力，而理论情况的方案最多只能占用Q_min量的空余运力。

请参阅图10，为nip相对于包裹数量和站点数量的图。随着要运送的包裹数量的增加，MLD和ALD的nip波动并趋于一个稳定的值。当递送任务包含更多包裹时，将提供更多用于计算平均nip的样本，因此结果往往是更稳定的值。当行程中涉及更多的车站时，每个车站的相应乘客数量将激增，然后车站中受影响的乘客数量将增长，正如上面的nip例子所描述的那样。方法ALD的nip总是大于MLD的nip。可见，ALD方案与MLD方案相比，在任何旅途中都利用更多的空闲运力，从而当包裹的数量超过实际的空闲运力时导致更大的风险，从而对乘客和车站造成更大的影响。

图11中的nip和ris的趋势与图10中的趋势类似。基本上，受影响的站出现在该站有乘客受到影响的地方。因此，如果任何一个车站受到更多乘客的影响，一个车站受影响的比例将相应增加。

可以看出，大约一半的包裹可以在包含10条路线的SPDPT模式下进行运输，且平均交付时间在非高峰时段始终小于1小时，这很好得满足了当天达服务。对于给定的在非高峰时段工作时间完成运输的包裹，ALD方案只需要利用MLD方案的三分之二的行程完成任务，但是该方案的影响风险更高。具体而言，在使用MLD方案中，将有平均每个站点0.48名乘客受到影响，每个行程14.7％的站点受到影响，而在ALD方案中，这两个数据分别变为1.03和20.4％。

综上，对给定的需要运输的包裹，ALD方法可以用较少的行程来完成任务，但与MLD相比，它可能会对乘客体验造成更大的影响。另外，MLD和ALD都有很强的包裹分发的能力，而且对用户体验的影响也是可以忍受的。具体来说，与ALD相比较，MLD只使用2/3行程就可以完成包裹的运输，它能令人满意地满足当日达服务。并且，在MLD方案中，每个站台平均只有最多0.48名乘客受到影响，每个行程平均只有最多14.7％的车站使用受到影响，这个数据在ALD方案分别变成1.03和20.4％。如果选择的路线更冷清(乘客数量更少)，那么结果会更优。

本发明实施例提供的基于众包公共交通系统实现包裹快速递送的方法，通过筛选具有空闲运力的班次的公共交通运输工具，来运送包裹，选定的班次的行程经过包裹的目的站点，并使包裹在到达目的站点时才被卸载，可以极大地利用公共交通运输工具的空闲运力，从而极大地降低城市内的物流车辆对空气污染和交通拥堵产生的严重影响，在不影响乘客体验的前提下，同时实现旅客和包裹的运输效率。还可根据具体的行程要求和包裹要求，灵活选择MLD和ALD两种包裹分配方法，均能实现包裹当日达的递送服务，几乎且不会对乘客造成影响，具有极大的应用前景。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。

在阐述了具体细节以描述本发明的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明。因此，这些描述应被认为是说明性的而不是限制性的。

尽管已经结合了本发明的具体实施例对本发明进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。