一种物流运输网络的优化方法、装置、计算机设备和存储介质

摘要

本申请涉及一种物流运输网络的优化方法、装置、计算机设备和存储介质。方法包括：建立预测模型，输出货运量预测结果；依据货运量预测结果调整仓的级别以及各级别仓的数量；构建基础网络，基础网络由部分仓组成；对其余仓配置集散和转运中心；输出物流运输网络。本发明充分考虑了现有网络的结构，基于各中心级别及中心间的OD需求信息，采用多种网络模式构建整体运输网络，逐级构建并整体优化调整，实现基于现有网络调整的优化策略。

说明书

技术领域

本申请涉及物流运输领域，特别是涉及一种物流运输网络的优化方法、装置、计算机设备和存储介质。

背景技术

大部分企业运输网络构建已经比较成熟，基础设施建设相对完善，目前常规优化方案是在现有运输网络基础上探索满足约束条件下的成本更优网络规划，同时考虑网络的相对稳定性，需要保证优化后的网络与现有网络的差异限制在规定范围内，以控制对现有网络冲击程度。同时运用多种网络模式剔除或修正网络中不合理的线路。

运输网络的规划具备静态路由规划及动态路由规划的属性，静态路由的规划主要依据仓的一些属性，去规划仓的级别以及仓与仓之间的关系。动态路由的规划主要依据货量对网络中车辆的运输详情做一些调整。现有方法对静态路由基本不做调整和优化而是根据运输网络历史数据对动态路由进行优化调整，采用的方式为根据任意两个网点之间的配送需求，确定出所有符合时效要求的时空曲线，再从符合时效要求的时空曲线中，确定成本最小的时空曲线为路径规划曲线。由于通过时空曲线进行筛选，选择出成本最小的时空曲线为路径规划曲线，充分考虑到了时间和空间的成本，实现了在保证时效的同时减小成本。

但是，目前现有的方法存在缺陷和不足：

1、当网络规模较大时，现有方法的做法需要搜索所有符合时效要求的时空曲线数据量巨大，导致求解难度困难耗费资源多。

2、基于对历史数据的动态路由调整在实际应用中适用性比较低，历史的数据只能代表过去一段时间内的网络货运情况，不能体现未来一段时间的货运需求。所以在实施过程中往往存在很大程度的偏差。

3、现有做法使用精确式求解直接计算获得最优解，无法确定最优的新网络和现有网络之间的差异，如果网络差异过大，在当前网络已经存在的情况下，调整难度较大，会导致难以应用。

4、现有算法在无法限制优化后网络中需要调整的线路数量和比例。

5、现有算法未考虑不同网络模式的应用场景。

6、现有方法在优化中未考虑网络调整成本及实施的可行性，当网络已基本成熟，网点的层级定位基本确定，现场操作习惯受现有网络中层级定位的影响极大，而如果最优解的结果与现有网络的层级定位有冲突，则需要调整现有网络的层级定位，而通常网络层级的调整会涉及场地和硬件设施等调整，周期较长且投入成本高，会使最优解难以应用。

发明内容

为解决上述问题，本发明提出以下方案：

一种物流运输网络的优化方法，方法包括：

建立预测模型，输出货运量预测结果；

依据货运量预测结果调整仓的级别以及各级别仓的数量；

构建基础网络，基础网络由部分仓组成；

对其余仓配置集散和转运中心；

输出物流运输网络。

进一步地，预测模型的预测步骤包括：

选取目标特征，目标特征至少包括需求货运量、仓间关系、各仓的功能及级别和现有运输网络结构；

选取数据量，数据量为目标特征的数量总和；

设定预测目标，预测目标是作业量；

确定模型，选取多个模型，融合多个模型的预测值。

进一步地，选取xgboost、随机森林和lightgbm三个模型，融合该三个模型的预测值为最终输出值。

进一步地，通过网络比例限制和货运量限制约束基础网络，基础网络实现最大网络覆盖范围。

进一步地，判断每个其余仓集散和转运的成本，配置成本最低的集散和转运中心。

一种物流运输网络的优化装置，装置包括：

预测模块，用于建立预测模型，输出货运量预测结果；

调整模块，用于依据货运量预测结果调整仓的级别以及各级别仓的数量；

构建模块，用于构建基础网络，基础网络由部分仓组成；

配置模块，用于对其余仓配置集散和转运中心；

输出模块，用于输出物流运输网络。

进一步地，预测模块还包括：

特征选取单元，用于选取目标特征，目标特征至少包括需求货运量、仓间关系、各仓的功能及级别和现有运输网络结构；

数量选取单元，用于选取数据量，数据量为目标特征的数量总和；

目标设定单元，用于设定预测目标，预测目标是作业量；

融合单元，用于确定模型，选取多个模型，融合多个模型的预测值。

进一步地，融合单元选取xgboost、随机森林和lightgbm三个模型，融合该三个模型的预测值为最终输出值。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

本发明物流运输网络的优化方法、装置、计算机设备和存储介质，可以针对未来一段时间内的货量做预测，使规划更精准；针对未来货量对静态路由和动态路由做适当调整，使整体运输成本最低；针对未来货量对各仓级别的动态调整，使仓在运输网络结构中的作用更合理；针对未来货量结合优化模型所构建的基础网络，使基础网络的效用最大化；基于基础网络构建的转运模型，使网络的运输结构与成本结构更合理，提高网络调整之后的适用性。

附图说明

图1为一个实施例中一种物流运输网络的优化方法的流程示意图；

图2为一个实施例中一种物流运输网络的优化装置的结构框图；

图3为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在运输网络中，任意两个网点之间的都有运输的起讫点(OD)需求，以及对应的运输时效要求，需要在当前网络的基础上做适当地改变以获取不慢于当前时效情况下，成本更低但对网络变动控制在一定范围内的运输线路规划方案。

本发明运输网络的调整和优化是为了适用于未来一段时间内网络的运输需求。对未来货量预测的精准程度决定了优化网络的适用性。

为此，本申请提供的一种物流运输网络的优化方法，适用于未来一段时间内网络的运输需求，在一个实施例中，如图1所示，包括以下步骤：

S100，建立预测模型，输出货运量预测结果。

在这一实施例中，首先建立机器学习预测模型，利用现有运输网络的历史数据，输入至预测模型中，对未来一段时间内的货运量进行预测，输出货运量预测结果。

具体地，S100中预测模型的预测步骤包括：

选取目标特征，目标特征至少包括需求货运量、仓间关系、各仓的功能及级别和现有运输网络结构。优选地，目标特征具体包括：一段历史时间内任意OD对的需求货运量、仓与仓之间的关系、各仓的功能及级别、现有运输网络的结构、所承接电商的促销活动(如是否有双十一、618或818 等促销节点)、节假日信息(如是否有国家法定、传统节假日或其他节日扥)、历史作业量的趋势和周期性规律(如前一周货运量、前两周货运量或近一周货运量趋势等)、历史已产生各种类型的订单量和各个地区的时效表和/或配送地区的天气(如未来一周有几天雨天、几天晴天等)等。

选取数据量，数据量为目标特征的数量总和。优选地，拉取一段时间的特征数据量，可以是近半年的特征数据。

设定预测目标，预测目标是作业量。优选地，可以根据需求预测具体时间段，如，预测未来一月的作业量。

确定模型，选取多个模型，融合多个模型的预测值。优选地，有xgboost、随机森林、lightgbm、LR等模型可以选择。由于LR拟合比较差，而其他三个模型表现差不多，因此优先选取xgboost、随机森林和lightgbm三个模型，并融合该三个模型的预测值为最终输出值。

S200，依据货运量预测结果调整仓的级别以及各级别仓的数量。

在一个实施例中，根据步骤S100输出的预测结果，考虑每个仓的吞吐量、与其他仓的关联度及仓的地理位置等数据维度，动态规划各仓的级别及各级别的仓的数量。

S300，构建基础网络，基础网络由部分仓组成。

在一个实施例中，按照步骤S200调整完各仓的级别及各级别的仓的数量后，就要按照一定比例选取级别高的仓构建基础网络。优选地，基础网络的构建目标是网络覆盖范围尽量大。

具体地，通过如下公式构建基础网络，目标函数为最大化基础网络的货运量：

MAX∑

其中，x

∑

x

上述为两个约束条件，其中约束条件①表示基础网络满足网络比例限制，约束条件②表示线路ij加入基础网络的货运量限制。

S400，对其余仓配置集散和转运中心。

在一个实施例中，除了在步骤S300中选择构建基础网络的仓以外，为其余剩余的仓配置集散和转运中心。优选地，集散和转运中心的配置策略是集散和转运的成本最低。

具体地，通过如下公式配置集散和转运中心，目标函数为最小化集散和转运中心的成本：

其中，a代表第a对od需求，b代表所选集散或转运仓b。

x

∑

∑

∑

∑

上述为五个约束条件，其中约束条件①表示od需求a经过仓b转入和转出的货量平衡；约束条件②和约束条件③表示经过仓b转运的货量小于等于仓b的剩余装载量；约束条件④和约束条件⑤表示od需求a经过各仓 b转运的货量od需求a需要转运的总货量。

S500，输出物流运输网络。

在一个实施例中，通过上述步骤后，输出优化后的物流运输网络。

上述物流运输网络的优化方法，通过历史订单路由数据、历史发车数据、线路规划数据等数据预测未来一段时间内网络运输状态，根据预测数据调整各仓级别并根据优化模型构建基础网络，配置网络调整幅度限制及各约束条件参数，最后计算后输出优化后网络。

在一个实施例中，如图2所示，提供了应用上述方法的物流运输网络的优化装置，包括：预测模块100、调整模块200、构建模块300、配置模块400和输出模块500。其中：

预测模块100，用于建立预测模型，输出货运量预测结果。

在一个实施例中，预测模块100还包括：

特征选取单元，用于选取目标特征，目标特征至少包括需求货运量、仓间关系、各仓的功能及级别和现有运输网络结构。

数量选取单元，用于选取数据量，数据量为目标特征的数量总和。

目标设定单元，用于设定预测目标，预测目标是作业量。

融合单元，用于确定模型，选取多个模型，融合多个模型的预测值。

具体地，融合单元选取xgboost、随机森林和lightgbm三个模型，融合该三个模型的预测值为最终输出值。

调整模块200，用于依据货运量预测结果调整仓的级别以及各级别仓的数量。

构建模块300，用于构建基础网络，基础网络由部分仓组成。

配置模块400，用于对其余仓配置集散和转运中心。

输出模块500，用于输出物流运输网络。

关于物流运输网络的优化装置的具体限定可以参见上文中对于物流运输网络的优化方法的限定，在此不再赘述。上述装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是数据管理服务器，其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的数据源终端通过网络连接通信，以接收数据源终端上传的数据。该计算机程序被处理器执行时以实现物流运输网络的优化方法。

本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述物流运输网络的优化方法。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM) 或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

本发明的物流运输网络的优化方法、装置、计算机设备和存储介质，与现有方法的目的对动态路由调整为直接寻找最优解不同，解决的主要问题为基于现有网络进行静态路由和动态路由分别做适当的优化调整。本发明先根据历史数据利用预测模型对未来一段时间内的货运量进行预测，结合各仓属性适当调整各仓级别及仓与仓之间的关联关系，也就是对网络的静态路由做适当调整。然后在依据预测的货量对网络的动态路由进行调整优化，在保证od需求当前时效情况下降低网络整体运输成本，但因限于现有运输网络硬件环境，对于各中心运输详情数据难以获取，所以模拟和抽象当前的网络结构，在模拟的网络结构与现实比较接近的情况下，考虑优化效果对于当前网络的调整幅度以及调整成本及实施的可行性。在这方面现有方法的应用场景为直接计算最优解，即不考虑当前网络已经存在的运力，也不考虑最优解和当前网络的差异，这样对于整体网络的变动比较大，考虑网络基础设计建设及修改成本，方案的实施有一定难度。但在本发明中，充分考虑了现有网络的结构，基于各中心级别及中心间的OD需求信息，采用多种网络模式构建整体运输网络，逐级构建并整体优化调整，实现基于现有网络调整的优化策略。本发明可以针对未来一段时间内的货量做预测，使规划更精准；针对未来货量对静态路由和动态路由做适当调整，使整体运输成本最低；针对未来货量对各仓级别的动态调整，使仓在运输网络结构中的作用更合理；针对未来货量结合优化模型所构建的基础网络，使基础网络的效用最大化；基于基础网络构建的转运模型，使网络的运输结构与成本结构更合理，提高网络调整之后的适用性。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。