一种最大化承运能力的车货匹配智能决策方法及系统技术方案

本发明专利技术提供了一种最大化承运能力的车货匹配智能决策方法，首先根据货车厂内到达顺序构建动态时间窗口，在各个时间窗内以滞留尾单数最小化为目标用动态规划技术和枚举剪枝策略生成装车清单集合，而后基于车辆与待运输货物的装车清单集合构建车货二部图，再以货物发运重量最大化为目标使用Kuhn

【技术实现步骤摘要】
一种最大化承运能力的车货匹配智能决策方法及系统


[0001]本专利技术属于数据挖掘
，具体涉及一种最大化承运能力的车货匹配智能决策方法 和系统。

技术介绍

[0002]钢铁物流行业隶属于大宗商品物流行业，区别于其他物流行业，钢铁物流行业运力资源 有限，大宗钢铁物流企业普遍存在货物积压问题，货物数量远超过可用的运输能力是常态， 在有限运力的情况下最大化货物发运重量一直是亟需解决的问题。
[0003]大宗钢铁物流传统分货策略是即来即分配，然而这样的分配策略忽略了各个流向运力资 源和货物所需运力的平衡，缺乏考虑当前车辆分货结果对未来车货匹配结果的影响，导致各 流向运力供需不平衡，使得后续到厂车辆不能及时分配到待运输的货物。此外，传统的车货 匹配方法未考虑滞留尾单数最小化这一优化目标，尾货是大宗物流场景一个特有的概念，它 指的是合同运单中剩下的待发运货物不满足货车载重下限而滞留的货物，尾单是尾货对应的 运单，尾货只能与其他运单货物拼单运输，长时间不能发运导致尾货积压，平台只能通过调 度其他运力来完成订单运输，增加了运输成本。为了提高钢铁物流平台的利润，亟需一个智 能的车货匹配决策方法解决匹配过程中面临的流向供需不平衡问题与尾单积压问题。
[0004]现有的关于物流领域任务资源分配的研究成果，大多使用运筹优化等传统方法，这类方 法通常是多阶段执行，首先使用预测技术完成各代理供需的预测，再使用组合优化技术完成 供需匹配的优化，但是由于这类方法预测阶段与优化阶段存在相互依赖性，所以离线的预测 结果容易受到在线的组合优化结果影响而失效。鉴于此，出现了一批协作式多智能体强化学 习解决方法，但其强调不同代理之间资源的调度，与大宗钢铁物流的车货匹配工作不符；现 有的关于物流领域车货匹配的研究成果，普遍采用启发式算法，这类方法应对发运重量目标 优化时能取得不错的结果，但无法实现发运重量目标全局最大化。此外，有部分解决方案使 用组合优化的传统方法来解决，但是需要获悉全部待匹配的车货信息，才能保证方案的有效 性，这不能满足车货匹配的实时性需求，同时，它们都未关注尾货最少这一优化目标。

技术实现思路

[0005]本专利技术所要解决的技术问题是针对上述现有的技术不足，提供一种最大化承运能力的车 货匹配智能决策方法。
[0006]本专利技术第一阶段为离线车货匹配决策学习，对于顺序到达的车辆，根据其运输终点，以 滞留尾货数最小化为目标生成装载计划，同时，引入滑动窗口模型技术，在各个时间窗口内 完成车货匹配决策，而对于自适应的每一个时间窗口大小，利用Q
‑
Learning技术学习不同 车货状态(货车车辆数，待运输货物的装载计划数)下的窗口大小，在学习过程中得到Q表 为在线策略提供窗口大小的切割决策支持。
[0007]本专利技术的第二阶段为在线车货匹配决策，根据第一阶段得到的Q表，为各个包含顺序到 厂的车辆和装载计划对应的时间窗口进行实时决策，得到待车货匹配二部图，利用KM算法 获得其最大权匹配，最后生成车货匹配结果，从全局出发逼近离线车货匹配最优解，在有限 运力下，最大化车辆承运能力。
[0008]为了实现上述技术目的，本专利技术采取以下技术方案：
[0009]提供一种最大化承运能力的车货匹配智能决策，包含以下步骤：
[0010]步骤S1：对历史数据进行分析，提取货车历史运输流向数据，包括装车清单数据以及 出库清单数据，获得货车运输终点的偏好；
[0011]步骤S2：根据顺序到厂的车辆构建自适应时间窗口，在货车到厂时，基于步骤S1分析 出的运输终点的偏好，使用动态规划和枚举剪枝策略为每辆货车生成对应的装载计划，保证 滞留尾单数最小化，并将货车与运输货物的装载计划加入到当前时间窗口对应的车辆集合与 装车清单集合；
[0012]步骤S3：结合Q
‑
Learning算法学习到的历史数据中收益最大的窗口匹配决策，获得 切割后待车货匹配的时间窗口大小；
[0013]步骤S4：根据步骤S3得到的时间窗口大小，将所有到厂车辆和装载计划作为节点，根 据到厂车辆运输终点与装载计划建立连接，构成以发运重量为边权的带权二部图，然后使用 KM算法计算该二部图的最大权匹配，保证平台全局发运重量的最大化；
[0014]为优化上述技术方案，采取的具体措施还包括：
[0015]上述步骤S1包括：
[0016]对来自物流科技公司的多个真实数据集进行分析，所述真实数据集中包含历史的装车清 单数据集，出库清单数据集以及货物库存数据集。通过分析发现装载计划的分配容易受货车 司机的运输偏好因素限制，货车司机是否接受一个装载计划决策与货物流向具有强关联，因 为货车司机隶属于地方车队，他们更易于在偏好城市拿到回程货以赚取更多利益，所以本发 明提取货车司机的历史运输流向，以此作为后续二部图匹配的限制与参考。
[0017]上述步骤S2包括：
[0018]步骤S2.1、定义：车辆节点集合T＝{T
j
|j∈N
+
，1≤j≤M}，T
j
为实时到厂车辆列表中的 第j辆货车，货车标载上限和下限表示为T
wu
，T
wl
；所有货物表示为C＝{C
i
|i∈N
+
，1≤i≤N}， 所有合同运单Wb＝{Wb
i
|i∈N
+
，1≤i≤Z}，每件货物都隶属于某一合同运单，表述为{C
i
∈ Wb
j
，i∈N
+
，1≤i≤N，1≤j≤Z}；LPS为当前库存货物构成的装载计划集合，表示为LPS＝ {LP
j
|j∈N
+
，1≤j≤K}，其中M是实时到厂车辆数，N为厂内实时货物数，K是运单集合Wb 打包后的装载计划数，其中装载计划由LP
j
＝[d
1j
，d
2j
，...，d
Nj
]构成，其中]构成，其中转载计划决策表示为一件货物最多只 能属于一个装载计划，所以有约束条件TOS是当前库存中的尾单集合，表述 为{To
i
∈TOS，i∈N
+
，1≤i≤ψ}，其中ψ为仓库中为尾单数，尾单源自于运单集合，都包含 一系列货物，但尾单重量小于单车标载，无法独自分配给一辆卡车。
[0019]自适应时间窗口为：DTW＝(ll，l
r
，l，BG)，其中ll为该时间窗内到厂的车辆数，lr为实时 库存可发装载计划数量，l表示为自适应时间窗口的大小，BG是自适应时间窗口内车辆集合 和可发装载计划集合对应的二部图，表示为BG＝(T，LPS，E)，其中表示两类节 点的边的集合，车辆T
j
与装载计划LP
i
边权值定义为边权值定义为是LP
i
的装载重 量；
[0020]本专利技术的优化目标是在最大化货物发运重量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种最大化承运能力的车货匹配智能决策方法，其特征在于，包括以下步骤：步骤S1：对历史数据进行分析，提取货车历史流向数据，包括装车清单数据以出库清单数据，获得货车运输终点的偏好；步骤S2：根据顺序到厂的车辆构建自适应时间窗口，在货车到厂时，基于步骤S1分析出的运输终点的偏好，使用动态规划和枚举剪枝策略为每辆货车生成对应的装载计划，确保滞留尾单数最小化，并将货车与运输货物的装载计划加入到当前时间窗口对应的车辆集合与装车清单集合；步骤S3：结合Q
‑
Learning算法学习到的历史数据中收益最大的窗口匹配决策，确定切割后待车货匹配的时间窗口大小；步骤S4：根据步骤S3得到的时间窗口大小，将所有到厂运输的车辆和装载计划作为节点，根据到厂车辆运输终点与装载计划建立连接，构成以发运重量为边权的带权二部图，然后使用KM算法计算该二部图的最大权匹配，保证平台全局发运重量的最大化。2.根据权利要求1所述的最大化承运能力的车货匹配智能决策方法，其特征在于，所述步骤S1具体包括：对来自物流科技公司的真实数据集进行分析，所述真实数据集中包含历史的装载计划和货物出库记录；提取货车司机的历史流向数据中的历史运输流向，以此作为后续二部图匹配的限制与参考。3.根据权利要求1所述的最大化承运能力的车货匹配智能决策方法，其特征在于，所述步骤S2具体包括：步骤S2.1，定义：车辆节点集合T＝{T
j
|j∈N
+
，1≤j≤M}，T
j
为实时到厂车辆列表中的第j辆货车，货车标载上限和下限表示为T
wu
，T
wl
；所有货物表示为C＝{C
i
|i∈N
+
，1≤i≤N}，所有合同运单Wb＝{Wb
i
|i∈N
+
，1≤i≤Z}，每件货物都隶属于某一合同运单，表述为{C
i
∈Wb
j
，i∈N
+
，1≤i≤N，1≤j≤Z}；LPS为当前库存货物构成的装载计划集合，表示为LPS＝{LP
j
|j∈N
+
，1≤j≤K}，其中M是实时到厂车辆数，N为厂内实时货物数，K是运单集合Wb打包后的装载计划数，其中装载计划由LP
j
＝[d
1j
，d
2j
，...，d
Nj
]构成，其中装载计划决策表示为一件货物最多只能属于一个装载计划，所以有约束条件TOS是当前库存中的尾单集合，表述为{To
i
∈TOS，i∈N
+
，1≤i≤ψ}，其中ψ为仓库...

【专利技术属性】
技术研发人员：毛嘉莉，冯冲，刘伽椰，周傲英，金澈清，郭烨，钱卫宁，
申请(专利权)人：京创智汇上海物流科技有限公司，
类型：发明
国别省市：