留仓包裹转送方法、模型训练方法及相关设备

摘要

本发明涉及物流技术领域，提供一种留仓包裹转送方法、模型训练方法及相关设备。所述留仓包裹转送方法包括：根据实时产生的留仓包裹及其物流信息，生成具有相同的物流节点的包裹集，并确定每个所述包裹集的转送时效；获得一具有承载余量的运输车，及其已分配的物流节点；以所述运输车的实时位置为起点，根据各所述已分配的物流节点生成必经的路径节点，根据各所述包裹集的物流节点生成选经的路径节点；基于至少以所述转送时效为约束条件的动态路径规划模型，控制所述运输车沿最优路径转送所述包裹集，所述最优路径至少最大化转送的包裹集数量。本发明实现基于实时统计和时效约束对留仓包裹进行高效处理，提升用户体验。

说明书

技术领域

本发明涉及物流技术领域，具体地说，涉及一种留仓包裹转送方法、模型训练方法及相关设备。

背景技术

快递包裹的及时送达，是电商平台、快递公司和终端用户关注的重点内容，直接关乎运营质量和用户体验。目前的物流方式下，很容易出现分拨中心有一部分包裹，因赶不上当前班次发车时间、超过剩余装载量限制等原因，暂留存在分拨中心。留存在分拨中心的包裹，往往都是依赖人工操作和主观决策进行处理。

人工操作主要是进行留仓扫描，以跟踪包裹轨迹和后续处理。这种方式不仅消耗人工，而且占用场内操作时间，增加成本的同时降低工作效率。

主观决策主要包括决定是否等待下一个班次再发出，或者新增加班车发出。但是，前者严重拖延包裹的时效，后者在当前留仓包裹数量不足的时候造成浪费。

可见，目前对于留仓包裹的处理方式，成本高、效率低，也无法满足包裹的时效等要求，影响用户体验。

需要说明的是，上述背景技术部分公开的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

有鉴于此，本发明提供一种留仓包裹转送方法、模型训练方法及相关设备，以至少部分地解决现有技术的问题。

本发明的一个方面提供一种留仓包裹转送方法，包括：根据实时产生的留仓包裹及其物流信息，生成具有相同的物流节点的包裹集，并确定每个所述包裹集的转送时效；获得一具有承载余量的运输车，及其已分配的物流节点；以所述运输车的实时位置为起点，根据各所述已分配的物流节点生成必经的路径节点，根据各所述包裹集的物流节点生成选经的路径节点；基于至少以所述转送时效为约束条件的动态路径规划模型，控制所述运输车沿最优路径转送所述包裹集，所述最优路径至少最大化转送的包裹集数量。

在一些实施例中，所述获得一具有承载余量的运输车时，还获得所述运输车的单位运输成本；所述最优路径还最小化所述运输车的总运输成本。

在一些实施例中，所述控制所述运输车沿最优路径转送所述包裹集，包括：获得所述运输车的最优路径，及到达各途径路径节点的时间；控制所述运输车沿所述最优路径转送所述包裹集，并至少于所述运输车到达一途径路径节点前，将到达所述途径路径节点的时间发送至所述途径路径节点对应的物流节点。

在一些实施例中，所述生成具有相同的物流节点的包裹集，包括：自所述留仓包裹的物流信息中，获得每个所述留仓包裹的当前物流节点和目的地信息；根据每个所述留仓包裹的当前物流节点和目的地信息，获得每个所述留仓包裹的下站物流节点；整合具有相同的当前物流节点和相同的下站物流节点的留仓包裹，生成具有相同的物流节点的包裹集。

在一些实施例中，所述确定每个所述包裹集的转送时效，包括：获得一所述包裹集中各所述留仓包裹的时效限制；根据每个所述留仓包裹的时效限制，确定每个所述留仓包裹到达其下站物流节点的截止时间；自各所述留仓包裹的截止时间中获得一最早截止时间；根据所述最早截止时间确定所述包裹集的转送时效，使所述包裹集转送至其下站物流节点的时间早于所述最早截止时间。

在一些实施例中，所述生成具有相同的物流节点的包裹集之后，还自所述留仓包裹的物流信息中，获得每个所述留仓包裹的物理参数，并根据各所述留仓包裹的物理参数获得每个所述包裹集的所需承载量；所述动态路径规划模型还以转送的包裹集的所需承载量小于所述运输车的实时承载余量为约束条件。

在一些实施例中，所述根据实时产生的留仓包裹及其物流信息之前，还包括：根据各物流节点的班次信息，实时获得各所述物流节点的当前班次收入和发出的包裹，确定各所述物流节点的当前班次滞留的包裹；自所述当前班次滞留的包裹和各所述物流节点的前次班次滞留的包裹的总和中，筛除状态异常的包裹，获得实时产生的留仓包裹；其中，每个所述留仓包裹携带至少包括当前物流节点、目的地信息、时效限制和物理参数的物流信息。

在一些实施例中，所述根据各所述包裹集的物流节点生成选经的路径节点之后，还包括：基于地图服务，获得所述运输车自所述起点到达各所述路径节点的第一时间矩阵、及两两所述路径节点之间的第二时间矩阵。

本发明的又一个方面提供一种模型训练方法，包括：获得样本数据，包括：根据样本留仓包裹及其物流信息，生成具有相同的物流节点的样本包裹集，并确定每个所述样本包裹集的转送时效；获得一具有承载余量的运输车，及其已分配的物流节点；根据各所述已分配的物流节点生成必经的路径节点，根据各所述样本包裹集的物流节点生成选经的路径节点；训练网络模型，包括：以所述样本数据为输入，至少以所述转送时效为约束条件，至少以最大化转送的样本包裹集数量为目标函数，以指导所述运输车转送所述样本包裹集的最优路径为输出，训练一动态路径规划模型，直至模型收敛。

在一些实施例中，所述获得样本数据，还包括：获得所述运输车的单位运输成本；所述训练网络模型，还包括：以最小化所述运输车的总运输成本为目标函数。

在一些实施例中，所述获得样本数据，还包括：获得每个所述样本包裹集的所需承载量；所述训练网络模型，还包括：以转送的样本包裹集的所需承载量小于所述运输车的承载余量为约束条件。

本发明的又一个方面提供一种留仓包裹转送装置，包括：包裹集获取模块，配置为根据实时产生的留仓包裹及其物流信息，生成具有相同的物流节点的包裹集，并确定每个所述包裹集的转送时效；运输车获取模块，配置为获得一具有承载余量的运输车，及其已分配的物流节点；路径节点确定模块，配置为以所述运输车的实时位置为起点，根据各所述已分配的物流节点生成必经的路径节点，根据各所述包裹集的物流节点生成选经的路径节点；转送路径规划模块，配置为基于至少以所述转送时效为约束条件的动态路径规划模型，控制所述运输车沿最优路径转送所述包裹集，所述最优路径至少最大化转送的包裹集数量。

本发明的又一个方面提供一种留仓包裹转送系统，包括：多个物流节点；上述的留仓包裹转送装置，与各所述物流节点通信。

本发明的又一个方面提供一种模型训练装置，包括：样本数据获取模块，配置为：根据样本留仓包裹及其物流信息，生成具有相同的物流节点的样本包裹集，并确定每个所述样本包裹集的转送时效；获得一具有承载余量的运输车，及其已分配的物流节点；根据各所述已分配的物流节点生成必经的路径节点，根据各所述样本包裹集的物流节点生成选经的路径节点；网络模型训练模块，配置为：以所述样本数据为输入，至少以所述转送时效为约束条件，至少以最大化转送的样本包裹集数量为目标函数，以指导所述运输车转送所述样本包裹集的最优路径为输出，训练一动态路径规划模型，直至模型收敛。

本发明的又一个方面提供一种计算机设备，包括：一处理器；一存储器，存储有可执行指令；其中，所述可执行指令被所述处理器执行时，实现上述任意实施例所述的留仓包裹转送方法和/或模型训练方法。

本发明的又一个方面提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被执行时实现上述任意实施例所述的留仓包裹转送方法和/或模型训练方法。

本发明与现有技术相比的有益效果至少包括：

通过整合生成包裹集，实现对具有相同物流节点的留仓包裹的统一处理；根据包裹集的相关信息和运输车的相关信息，通过动态路径规划，基于实时统计和时效约束获得运输车最大化转送包裹集的最优路径，实现对留仓包裹的高效处理，提升用户体验；

进一步地，规划运输车转送包裹集的最优路径时，还最小化运输成本，从而在实现留仓包裹的高效处理的同时，节约处理成本。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。显而易见地，下面描述的附图仅仅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示出本发明实施例中留仓包裹转送方法的步骤示意图；

图2示出本发明实施例中包裹信息自动化提取的步骤示意图；

图3示出本发明实施例中获取包裹集信息和运输车信息，进行动态路径规划的步骤示意图；

图4示出本发明实施例中留仓包裹转送装置的模块示意图；

图5示出本发明实施例中留仓包裹转送系统的架构示意图；

图6示出本发明实施例中模型训练方法的步骤示意图；

图7示出本发明实施例中模型训练装置的模块示意图；

图8示出本发明实施例中计算机设备的结构示意图；

图9示出本发明实施例中计算机可读存储介质的结构示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式。相反，提供这些实施方式使本发明全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。

此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

下面实施例中的步骤序号仅用于表示不同的执行内容，并不限定步骤之间的执行顺序。具体描述时使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。需要说明的是，在不冲突的情况下，本发明的实施例及不同实施例中的特征可以相互组合。

图1示出实施例中留仓包裹转送方法的主要步骤，参照图1所示，本实施例中留仓包裹转送方法包括：在步骤S110中，根据实时产生的留仓包裹及其物流信息，生成具有相同的物流节点的包裹集，并确定每个包裹集的转送时效；在步骤S120中，获得一具有承载余量的运输车，及其已分配的物流节点；在步骤S130中，以运输车的实时位置为起点，根据各已分配的物流节点生成必经的路径节点，根据各包裹集的物流节点生成选经的路径节点；在步骤S140中，基于至少以转送时效为约束条件的动态路径规划模型，控制运输车沿最优路径转送包裹集，最优路径至少最大化转送的包裹集数量。

上述的留仓包裹转送方法可由一目标区域的控制中心执行，控制中心可监控各物流节点的包裹信息，对各物流节点的留仓包裹进行转送处理；或者，可由控制中心结合各物流节点的控制单元执行，由各物流节点的控制单元反馈包裹信息，再通过控制中心调配各物流节点的留仓包裹的转送处理。视物流规模，目标区域可覆盖若干邻近城市、或一城市中的若干区域等。

物流节点具体指分拨中心、分拣中心等具有集散功能的物流据点。每个物流节点设有对包裹进行集散处理的操作班次，留仓包裹具体指每个操作班次结束后，暂留在物流节点没有转运出去的包裹。对于一物流节点来说，运输车是在其两个操作班次之间的一额外补充班次的货运车辆，而该运输车可能是其他物流节点的正常操作班次的货运车辆，只要其具备承载余量，能够实现包裹转送即可，以最大化目标区域的包裹处理效率。

上述实施例的留仓包裹转送方法，通过整合生成包裹集，实现对具有相同物流节点的留仓包裹的统一处理；根据包裹集的相关信息和运输车的相关信息，通过动态路径规划，基于实时统计和时效约束获得运输车最大化转送包裹集的最优路径，实现对留仓包裹的高效处理，提升用户体验。

进一步地，在一个实施例中，在获得具有承载余量的运输车时，还获得运输车的单位运输成本；以及，动态路径规划模型规划的最优路径还最小化运输车的总运输成本。从而，在实现留仓包裹的高效处理的同时，节约处理成本。

下面结合具体的示例，对留仓包裹转送方法的各步骤进行具体说明。

步骤S110中，根据实时产生的留仓包裹及其物流信息之前，还包括获得留仓包裹及其物流信息的步骤，具体包括：根据各物流节点的班次信息，实时获得各物流节点的当前班次收入和发出的包裹，确定各物流节点的当前班次滞留的包裹；自当前班次滞留的包裹和各物流节点的前次班次滞留的包裹的总和中，筛除状态异常的包裹，获得实时产生的留仓包裹；其中，每个留仓包裹携带至少包括当前物流节点、目的地信息、时效限制和物理参数的物流信息。

当前物流节点是留仓包裹当前所在的物流节点，目的地信息是留仓包裹指定送达的目的地地址，时效限制是留仓包裹的时效要求，例如某个留仓包裹需在预设日期前送达；物理参数包括留仓包裹的重量、体积等参数。在一个具体示例中，可通过包裹信息自动化提取，获得每个物流节点因运力不足或未及时赶上操作班次的留仓包裹及其物流信息。

图2示出实施例中包裹信息自动化提取的主要步骤，参照图2所示，对包裹信息进行自动化提取，获得留仓包裹及其物流信息的过程包括：S210，获取每个物流节点的操作班次信息；S220，获取每个班次时间内进行过收入扫描操作的包裹单号信息，确定收入的包裹；S230，获取每个班次时间内进行过发出扫描操作的包裹单号信息，确定发出的包裹；S240，计算当前留仓的包裹，当前留仓的包裹＝收入的包裹-发出的包裹+前次留仓的包裹；S250，自当前留仓的包裹中去除异常状态的包裹，形成每个物流节点的留仓包裹，其中异常状态包括被通缉、需退回、破损严重等状态；S260，通过包裹单号，关联获得每个物流节点的留仓包裹的重量、体积、时效要求、目的地信息等物流信息。

获得留仓包裹及其物流信息之后，生成具有相同的物流节点的包裹集的步骤具体包括：自留仓包裹的物流信息中，获得每个留仓包裹的当前物流节点和目的地信息；根据每个留仓包裹的当前物流节点和目的地信息，获得每个留仓包裹的下站物流节点；整合具有相同的当前物流节点和相同的下站物流节点的留仓包裹，生成具有相同的物流节点的包裹集。

在一个具体示例中，可调用路由服务，基于留仓包裹的当前物流节点和目的地信息，自动获得留仓包裹的下站物流节点，从而基于路由服务的计算结果，将同在一个当前物流节点，并且将要去往同一个下站物流节点的留仓包裹整合为包裹集。

举例来说，可根据当前物流节点至目的地信息之间的常用路径获得下站物流节点时，路由服务也可采用已有的技术，此处不再具体展开。整合为包裹集后，当前物流节点即作为包裹集的起点，下站物流节点即作为包裹集的终点。

生成包裹集之后，还包括：自留仓包裹的物流信息中，获得每个留仓包裹的物理参数，并根据各留仓包裹的物理参数获得每个包裹集的所需承载量；以及，动态路径规划模型还以转送的包裹集的所需承载量小于运输车的实时承载余量为约束条件。从而，在动态规划运输车转送包裹集的最优路径时，确保运输车能够承载将被转送的包裹集。

进一步地，整合生成包裹集之后，确定每个包裹集的转送时效的步骤具体包括：获得一包裹集中各留仓包裹的时效限制；根据每个留仓包裹的时效限制，确定每个留仓包裹到达其下站物流节点的截止时间；自各留仓包裹的截止时间中获得一最早截止时间；根据最早截止时间确定包裹集的转送时效，使包裹集转送至其下站物流节点的时间早于最早截止时间。

在一个具体示例中，可调用时效预测服务，基于包裹集的当前物流节点、下站物流节点及每个留仓包裹的时效限制，获取包裹集到达下站物流节点的最晚时间。例如，根据留仓包裹的时效限制获得剩余配送时间，再根据当前物流节点至下站物流节点的配送路程在当前物流节点至目的地信息的配送路程中的占比，获得留仓包裹到达下站物流节点的截止时间，进而根据每个留仓包裹的截止时间确定包裹集的转送时效。时效预测服务也可采用已有的技术，此处不再具体展开。

上述各实施例中，依据实时产生的留仓包裹生成包裹集后，可按照定量、定时或紧急处理等方式，发出携带包裹集及相关信息的转送请求，进而执行获得运输车的步骤。具体来说，定量是指在包裹集数量超过预定量时执行获得运输车的步骤；定时是指每隔预设时间执行获得运输车的步骤；紧急处理是指当有包裹集的转送时效临近，例如小于设定时间时执行获得运输车的步骤。从而，实现基于包裹留仓情况灵活调度运输车，满足时效约束的同时降低包裹转送成本。当然，也可在生成包裹集后实时发出转送请求，以最大化包裹集的处理效率。

进一步地，转送请求可由每个物流节点依据各自的包裹留仓情况发出，也可由控制中心统一安排调度。

步骤S120中，运输车已分配的物流节点是指其已装运包裹的目标送达点。其已装运包裹可能是前几站物流节点留仓的包裹集，也可能是正常运输班次的包裹。

步骤S130中，确定路径规划的起点、必经路径节点和选经路劲节点后，还包括：基于地图服务，获得运输车自起点到达各路径节点的第一时间矩阵、及两两路径节点之间的第二时间矩阵。

具体来说，基于地图服务，可获得运输车当前位置的经纬度，作为起点；并获得各个物流节点的经纬度，分别生成必经路径节点和选经路劲节点。进而，实时获取运输车自其当前位置到达各路径节点的行驶时间，生成第一时间矩阵；并实时获得两两路径节点之间的行驶时间，生成第二时间矩阵，供动态路径规划模型进行路径规划。其中，实时获取的行驶时间考虑了路况等因素，可以基于已有的地图服务实现，此处不再展开说明。另外，考虑到各路径节点需预留装卸货时间，所计算的行驶时间可以加上一定余量，以供装卸货。

图3示出实施例中获取包裹集信息和运输车信息，进行动态路径规划的主要步骤。基于上述各实施例的描述，在一个具体示例中，获取包裹集的相关信息及运输车的相关信息，输入动态路径规划模型获得最优路径，具体包括：S310，获取包裹信息自动化提取中留仓包裹的重量/体积(package_volume)、目的地、时效限制等物流信息；S320，调用路由服务，基于留仓包裹的当前物流节点(hub_code)与目的地，获取留仓包裹的下站物流节点(next_hub_code)；S330，整合留仓包裹，将同一当前物流节点出发，到达同一下站物流节点的留仓包裹整合为包裹集(package_id)；S340，由物流节点或控制中心发出包裹集转送请求；S350，调用时效预测服务，基于包裹集的当前物流节点、下站物流节点与留仓包裹的时效限制，获取包裹集到达下站物流节点的最晚时间(package_arrival_time)；S360，获取当前可用的运输车(truck_id)，及其剩余承载量(truck_capacity)、每公里/小时成本(truck_cost)、当前位置的经纬度、当前已被安排的转送任务(truck_current_route)；S370，调用地图服务，基于目标区域内两两物流节点的经纬度，获取行驶时间矩阵(o-d_matrix)，并基于运输车当前位置的经纬度与各个物流节点的经纬度，实时获取运输车到达各物流节点的行驶时间(truck_travel_time)；S380，调用动态路径规划模型，基于获取的包裹集相关信息与运输车相关信息，获得转送包裹集的最优路径及到达各途径物流节点的时间；以及S390，控制运输车沿最优路径转送包裹集，并使对应的物流节点准备好包裹集等待运输车转送。

基于上述流程，获取的输入至动态路径规划模型的包裹集的相关信息及运输车的相关信息包括：

hub_code：当前物流节点的编码，string(字符串)类型，用于唯一标记包裹集的当前物流节点，作为包裹集转送的起点；

package_id：包裹集的标识，string类型，用于唯一标记包裹集，作为转送的对象；

package_volume：重量或体积，double(双精度浮点)类型，用于标记包裹集的重量或体积；

package_arrival_time：转送时间，time(时间)类型，用于标记包裹集转送至下站物流节点的最晚时间；

next_hub_code：下站物流节点的编码，string类型，用于唯一标记包裹集的下站物流节点，作为包裹集转送的终点；

o-d_matrix：两两路径节点之间的行驶距离/时间矩阵，数组类型；

truck_id：运输车的标识，string类型，用于唯一标记运输车；

truck_capacity：运输车的剩余承载量，double类型，用于标记运输车的剩余最大吨位；

truck_cost:运输车的运输成本，double类型，用于标记运输车的每公里/小时的运输成本；

truck_travel_time：运输车的当前位置到达各路径节点的行驶时间，set(集合)类型；

truck_current_route：运输车的已有任务安排，string类型，包括已分配的物流节点的标识。

本实施例中，动态路径规划模型以新增包裹集的重量小于运输车的实时剩余承载量、且包裹集到达下一物流节点的最晚时间早于时效要求为约束条件，以最大化可转送的包裹集数量且最小化运输车的运输成本为目标函数，经路径规划获得的输出包括：

truck_optimized_route：优化后运输车的任务安排，string类型，包括到达各途经物流节点的编码和时间；

transferred_package_id_set：最大能转送的包裹集的标识集合，set类型；

optimized_cost：最小化的运输车成本，double类型。

本实施例中，上述列举的输入、输出、约束条件和目标函数也是模型训练阶段，对动态路径规划模型进行训练的基础数据。当然，上述所列不应当视为对本发明的限制。在其他实施例中，可以对动态路径规划模型进行调整，只要其能实现本发明的基础方案，即基于实时统计和时效约束，规划获得控制运输车最大化转送包裹集的最优路径即可。

进一步地，获得最优路径及到达各途径路径节点的时间后，控制运输车沿最优路径转送包裹集时，至少于运输车到达一途径路径节点前，将到达该途径路径节点的时间发送至该途径路径节点对应的物流节点，供该物流节点准备好包裹集，等待运输车前来转送。

在其他实施例中，也可在获得最优路径后，即将到达各途径路径节点的时间发送至各途径路径节点对应的物流节点。考虑到运输车的最优路径随实时产生的留仓包裹可能随时发生变化，因此在到达一途径路径节点前将到达该途径路径节点的时间发送至对应的物流节点，可以确保运输车与每个途径路径节点对应的物流节点的准确对接。

综上，上述各实施例描述的留仓包裹转送方法，通过整合生成包裹集，实现对具有相同物流节点的留仓包裹的统一处理；根据包裹集的相关信息和运输车的相关信息确定时效约束和承载约束，利用动态路径规划实时获得运输车最大化转送包裹集且最小化运输成本的最优路径，实现对留仓包裹的高效处理，提升用户体验，并节约处理成本。

本发明实施例还提供一种留仓包裹转送装置，图4示出留仓包裹转送装置的主要模块，参照图4所示，本实施例中留仓包裹转送装置400包括：包裹集获取模块410，配置为根据实时产生的留仓包裹及其物流信息，生成具有相同的物流节点的包裹集，并确定每个包裹集的转送时效；运输车获取模块420，配置为获得一具有承载余量的运输车，及其已分配的物流节点；路径节点确定模块430，配置为以运输车的实时位置为起点，根据各已分配的物流节点生成必经的路径节点，根据各包裹集的物流节点生成选经的路径节点；转送路径规划模块440，配置为基于至少以转送时效为约束条件的动态路径规划模型，控制运输车沿最优路径转送包裹集，最优路径至少最大化转送的包裹集数量。

进一步地，留仓包裹转送装置400还可包括执行上述各留仓包裹转送方法的其他流程步骤的模块，各个模块的具体原理可参照上述各留仓包裹转送方法实施例，此处不再重复说明。

本实施例的留仓包裹转送装置400，通过整合生成包裹集，实现对具有相同物流节点的留仓包裹的统一处理；根据包裹集的相关信息和运输车的相关信息，通过动态路径规划，基于实时统计和时效约束获得运输车最大化转送包裹集的最优路径，实现对留仓包裹的高效处理，提升用户体验；并且，还能进一步节约处理成本。

本发明实施例还提供一种留仓包裹转送系统，图5示出留仓包裹转送系统的主要架构，参照图5所示，本实施例中留仓包裹转送系统包括：如上述实施例所描述的留仓包裹转送装置400，其具体包括一动态路径规划算法引擎，及供动态路径规划算法引擎调用的地图服务、路由服务、时效服务等接口服务。动态路径规划算法引擎可通过调用MySQL关系型数据库510，实现进行路径规划的基础数据的调取。物流节点520和运输车530，可分别通过Redis缓存数据库540与留仓包裹转送装置400，具体指动态路径规划算法引擎通信。各个物流节点520可发出转送请求，动态路径规划算法引擎可规划调派运输车530，实现留仓包裹的高效和低成本转送。其中，具体的规划流程可参照上述各留仓包裹转送方法实施例，此处不再重复说明。

本发明实施例还提供一种模型训练方法，用于训练上述任意留仓包裹转送方法实施例的动态路径规划模型。图6示出模型训练方法的主要步骤，参照图6所示，本实施例中模型训练方法包括：在步骤S610中，获得样本数据，具体包括：S610-2，根据样本留仓包裹及其物流信息，生成具有相同的物流节点的样本包裹集，并确定每个样本包裹集的转送时效；S610-4，获得一具有承载余量的运输车，及其已分配的物流节点；S610-6，根据各已分配的物流节点生成必经的路径节点，根据各样本包裹集的物流节点生成选经的路径节点；在步骤S620中，训练网络模型，具体包括：S620-2，以样本数据为输入，至少以转送时效为约束条件，至少以最大化转送的样本包裹集数量为目标函数，以指导运输车转送样本包裹集的最优路径为输出，训练一动态路径规划模型，直至模型收敛。

从而，训练获得的动态路径规划模型，能够根据样本包裹集的相关信息和运输车的相关信息，基于时效约束动态规划指导运输车最大化转送样本包裹集的最优路径。

进一步地，在获得样本数据时，还获得运输车的单位运输成本，在训练网络模型时，还以最小化运输车的总运输成本为目标函数。从而，训练获得的动态路径规划模型能够输出最大化转送的样本包裹集数量且最小化运输成本的最优路径。

进一步地，获得样本数据时，还获得每个样本包裹集的所需承载量，训练网络模型时，还以转送的样本包裹集的所需承载量小于运输车的承载余量为约束条件，以确保运输车能够承载将被转送的样本包裹集。

动态路径规划模型具体可采用基于模拟退火法等启发式算法。动态路径规划模型在训练阶段的具体输入、输出、约束条件和目标函数可参照上述各留仓包裹转送方法实施例，此处不再重复说明。

本发明实施例还提供一种模型训练装置，用于训练如上述实施例所描述的动态路径规划模型。图7示出模型训练装置的主要模块，参照图7所示，本实施例中模型训练装置700包括：样本数据获取模块710，配置为：根据样本留仓包裹及其物流信息，生成具有相同的物流节点的样本包裹集，并确定每个样本包裹集的转送时效；获得一具有承载余量的运输车，及其已分配的物流节点；根据各已分配的物流节点生成必经的路径节点，根据各样本包裹集的物流节点生成选经的路径节点；网络模型训练模块720，配置为：以样本数据为输入，至少以转送时效为约束条件，至少以最大化转送的样本包裹集数量为目标函数，以指导运输车转送样本包裹集的最优路径为输出，训练一动态路径规划模型，直至模型收敛。

本实施例的模型训练装置700，能够训练获得基于样本包裹集的相关信息和运输车的相关信息，动态规划指导运输车最大化转送样本包裹集的最优路径；并且，还能进一步最小化运输车的运输成本，使训练获得的动态路径规划模型应用于留仓包裹的转送处理时，实现对留仓包裹的高效和低成本转送。

本发明实施例还提供一种计算机设备，包括处理器和存储器，存储器中存储有可执行指令，可执行指令被处理器执行时实现上述任意实施例描述的留仓包裹转送方法/模型训练方法。

如上所述，本发明的计算机设备能够通过整合生成包裹集，实现对具有相同物流节点的留仓包裹的统一处理；根据包裹集的相关信息和运输车的相关信息，通过动态路径规划，基于实时统计和时效约束获得运输车最大化转送包裹集的最优路径，实现对留仓包裹的高效处理，提升用户体验；进一步地，规划运输车转送包裹集的最优路径时，还最小化运输成本，从而在实现留仓包裹的高效处理的同时，节约处理成本。

图8示出实施例中计算机设备的主要结构，应当理解的是，图8仅仅是示意性地示出各个模块，这些模块可以是虚拟的软件模块或实际的硬件模块，这些模块的合并、拆分及其余模块的增加都在本发明的保护范围之内。

如图8所示，计算机设备800以通用计算设备的形式表现。计算机设备800的组件可以包括但不限于：至少一个处理单元810、至少一个存储单元820、连接不同平台组件(包括存储单元820和处理单元810)的总线830、显示单元840等。

其中，存储单元存储有程序代码，程序代码可以被处理单元810执行，使处理单元810执行上述任意实施例描述的留仓包裹转送方法/模型训练方法。例如，处理单元810可以执行如图1至图3、及图6所示的步骤。

存储单元820可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)8201和/或高速缓存存储单元8202，还可以进一步包括只读存储单元(ROM)8203。

存储单元820还可以包括具有一个或多个程序模块8205的程序/实用工具8204，这样的程序模块8205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线830可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

计算机设备800也可以与一个或多个外部设备8000通信，外部设备8000可以是键盘、指向设备、蓝牙设备等设备中的一种或多种。这些外部设备8000使得用户能与该计算机设备800进行交互通信。计算机设备800也能与一个或多个其它计算设备进行通信，所示计算机设备包括路由器、调制解调器。这种通信可以通过输入/输出(I/O)接口850进行。并且，计算机设备800还可以通过网络适配器860与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器860可以通过总线830与计算机设备800的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备800使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储平台等。

本发明实施例还提供一种计算机可读存储介质，用于存储程序，程序被执行时实现上述任意实施例描述的留仓包裹转送方法/模型训练方法。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行上述任意实施例描述的留仓包裹转送方法/模型训练方法。

如上所述，本发明的计算机可读存储介质能够通过整合生成包裹集，实现对具有相同物流节点的留仓包裹的统一处理；根据包裹集的相关信息和运输车的相关信息，通过动态路径规划，基于实时统计和时效约束获得运输车最大化转送包裹集的最优路径，实现对留仓包裹的高效处理，提升用户体验；进一步地，规划运输车转送包裹集的最优路径时，还最小化运输成本，从而在实现留仓包裹的高效处理的同时，节约处理成本。

图9是本发明的计算机可读存储介质的结构示意图。参考图9所示，程序产品900可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子包括但不限于：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备，例如利用因特网服务提供商来通过因特网连接。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。