一种基于预测与决策一体化的快递系统智能订单分配方法技术方案

本发明专利技术公开了一种基于预测与决策一体化的快递系统智能订单分配方法。该方法包括：构建预测模型，该预测模型基于历史订单量获得后续时间段的预测订单数量；构建聚类优化模型，该聚类优化模型使用所述预测订单数量和感兴趣区域的地理位置信息，在设定的优化目标和约束条件下将感兴趣区域聚类为多个类别；基于所述预测模型和所述聚类优化模型构建端到端的订单预测深度学习模型；训练所述订单预测深度学习模型，其中在前向传播中，将聚类结果转换为离散解，以获得最终聚类结果，反向传播的目标是通过所述聚类优化模型和所述预测模型将损失函数反向传播。本发明专利技术提高了订单分配的效率和准确性。率和准确性。率和准确性。

【技术实现步骤摘要】
一种基于预测与决策一体化的快递系统智能订单分配方法


[0001]本专利技术涉及信息处理
，更具体地，涉及一种基于预测与决策一体化的快递系统智能订单分配方法。

技术介绍

[0002]在快递系统内，整个城市区域被划分为不同的感兴趣区域(areas of interest，AOI)，快递员在快递公司指定的特定时间、特定AOI内揽收包裹。例如，在一些热点地区如大学、社区或市中心等存在大量的寄件需求。客户通常会在物流APP中使用个人信息(如姓名、电话号码、地址等)下寄件订单，快递员可以实时收到寄件请求并在一定的时间要求内前往客户所在地址取货，帮助客户寄出包裹。由于寄件需求量庞大，每天存在大量包裹等待寄出。在此过程中，为了便于管理，快递公司通常将城市区域划分为小的感兴趣区域(AOI)，并使用历史订单信息将AOI分配给快递员，快递员负责特定的AOI区域内的所有寄件请求。然而快递公司目前的运营模式是静态和固定的，此过程存在以下几个关键问题。
[0003]1)管理员根据路网结构将城市区域划分为若干不规则区域，称为感兴趣区域(AOI)。该过程通常手工完成，其中部分AOI的面积非常大，而部分AOI则非常小。
[0004]2)一个AOI至多分配给一个快递员，快递员将负责该AOI的所有寄件请求，快递员之间没有交叉。
[0005]3)一个快递员可以服务多个AOI。由于AOI是根据路网结构划分的，因此AOI的数量明显大于快递员的数量。此外，部分AOI的订单数量非常大，如大学和市中心，而部分AOI的则非常小，如公园和郊区。
[0006]4)快递公司通常使用历史订单信息和地理位置将AOI分配给快递员，分配结果通常也是固定的，不随时间变化。由于分配过程相对复杂，并且为了节省更多的资源和成本，一旦分配完成，结果通常会在很长一段时间内保持不变。
[0007]快递员与AOI的分配关系如图1所示，其中共有7个AOI。根据管理员的经验，考虑到AOI的位置和AOI上的订单数量，7个AOI被分配给3名快递员，其中快递员1负责AOI 2、4和6，快递员2负责AOI 5、7，快递员3负责AOI 1、3。由图1可知，一个AOI最多分配给一个快递员，一个快递员可以为多个AOI服务。然而在AOI分配过程中，需要统一考虑以下几个问题和挑战。
[0008]1)将城市区域划分为不同AOI的子区域划分结果是静态的和固定的。在快递系统中，管理员通常根据道路网络将城市区域划分为AOI，分区过程是手动的，并且需要消耗大量的人力成本和时间。一旦给定了分区，分区结果通常保持不变。手动动态划分AOI也是不现实的，因为手动动态划分AOI非常耗时且花费巨大。因此，静态的AOI区域划分状态目前难以得以改变。
[0009]2)将AOI分配给快递员的分配结果是静态的和固定的，通常以经验为导向。在快递系统中，管理员通常根据AOI的位置和AOI的历史订单量将AOI分配给快递员。该过程通常以经验为导向，旨在确保不同快递员各自负责的总订单数量大致相等，所有的快递员都能获
得大致相等的收入。然而，由于AOI的订单数量在未来会发生显著变化，因此根据历史订单数量的静态分配是不合理的。不同于AOI子区域划分，动态执行AOI分配是现实的，因为该分配过程比AOI分区相对容易。
[0010]3)AOI的订单数量随时间变化很大，导致快递员有时工作过度，有时空闲。受众多因素的影响，如节日、促销活动、工作日和周末、天气条件等，每个AOI的订单数量通常会随着时间发生很大变化，如图2所示。然而每个快递员负责的AOI是固定的，这将导致每个快递员所负责的总订单也将发生很大变化。例如，一些快递员在节日期间可能会超负荷工作，而在工作日可能会非常清闲。因此，由于每个AOI的未来订单数量波动很大，静态的和以及经验导向的AOI分配表现出明显的不合理性。并且由于每个AOI的历史订单数量波动很大，现有模型很难捕捉AOI的时空特征进行精准预测。
[0011]针对上述问题，既有可行的解决方案是两阶段解决方案，即首先预测每个AOI的订单量，然后根据每个AOI的未来订单量动态地对AOI进行聚类，聚类结果可被视为AOI分配结果。因此，在聚类过程中必须保证每个类别的总订单数量的约束，以确保所有快递员负责大致相等的订单，获取大约相等的收入，同时每个快递员负责的AOI彼此相邻。这种两阶段解决方案存在一定的局限性。首先，训练预测模型的评价标准与评估聚类模型的最终标准不同。例如，预测模型的损失函数通常是均方误差(MSE)，而评估聚类结果的标准通常是模块度，最终目标是在某些约束下获取最佳聚类结果(最大化模块度)，而非获取最佳预测结果(最小化MSE)。其次，最优预测结果可能无法保证最优聚类结果，即如果预测模型是最优的，聚类结果可能是次优的，换言之，最小的MSE不能保证最高的模块度。该观点似乎违背直觉，一般认为最好的预测结果会保证最佳的优化结果。然而应当注意的是即使使用最优预测模型，预测模型也存在误差。因此有必要在最佳聚类结果和最优预测结果之间进行权衡。此外，从实际应用的角度来看，两阶段的解决方案过于繁琐。
[0012]综上，需要提供一种动态的、智能的端到端方法，在满足上述约束条件的前提下，将历史订单序列作为输入，将未来的AOI分配结果作为输出，从而获得适应性更强的订单分配结果。

技术实现思路

[0013]本专利技术的目的是克服上述现有技术的缺陷，提供一种基于预测与决策一体化的快递系统智能订单分配方法。该方法包括以下步骤：
[0014]构建预测模型，该预测模型基于历史订单量获得后续时间段的预测订单数量；
[0015]构建聚类优化模型，该聚类优化模型使用所述预测订单数量和感兴趣区域的地理位置信息，在设定的优化目标和约束条件下将感兴趣区域聚类为多个类别；
[0016]基于所述预测模型和所述聚类优化模型构建端到端的订单预测深度学习模型；
[0017]训练所述订单预测深度学习模型，其中在前向传播中，将聚类结果转换为离散解，以获得最终聚类结果，反向传播的目标是通过所述聚类优化模型和所述预测模型将损失函数反向传播；
[0018]与现有技术相比，本专利技术的优点在于，首先提出了一个基于深度学习的预测模型来预测AOI上的订单数。然后，基于预测结果引入可微分的带约束的K
‑
means聚类方法对AOI进行聚类。最后，提出了一种端到端的“预测+决策”一体化订单预测框架，以合理、动态、智
能地将AOI分配给快递员。这种一阶段“预测+决策”一体化方法有利于提高优化结果即聚类结果的性能，从而为快递系统中的智能分配问题提供有效解决方案。
[0019]通过以下参照附图对本专利技术的示例性实施例的详细描述，本专利技术的其它特征及其优点将会变得清楚。
附图说明
[0020]被结合在说明书中并构成说明书的一部分的附图示出了本专利技术的实施例，并且连同其说明一起用于解释本专利技术的原理。
[0021]图1是快递员与感兴趣区域的分配关系示意图；
[0022]图2是订单本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于预测与决策一体化的快递系统智能订单分配方法，包括以下步骤：构建预测模型，该预测模型基于历史订单量获得后续时间段的预测订单数量；构建聚类优化模型，该聚类优化模型使用所述预测订单数量和感兴趣区域的地理位置信息，在设定的优化目标和约束条件下将感兴趣区域聚类为多个类别；基于所述预测模型和所述聚类优化模型构建端到端的订单预测深度学习模型；训练所述订单预测深度学习模型，其中在前向传播中，将聚类结果转换为离散解，以获得最终聚类结果，反向传播的目标是通过所述聚类优化模型和所述预测模型将损失函数反向传播；其中，所述订单预测深度学习模型表示为：Z＝F(f1，f2)＝F(X
t
，X
t
‑1，X
t
‑2，...，X
t
‑
m+1
；A；θ)＝F(X；A；θ)其中，Z表示聚类结果，A表示感兴趣区域的邻接矩阵，θ表示预测模型的所有参数，f1表示预测模型，f2表示聚类优化模型，X∈R
n
×
k
＝(X
t
,X
t
‑1,X
t
‑2,
…
,X
t
‑
k+1
)表示感兴趣区域的特征矩阵，n是感兴趣区域的数量，k是历史时间步长，X
t
∈R
n
×1表示特定时间间隔中的订单序列的列向量。2.根据权利要求1所述的方法，其特征在于，所述预测模型依次包含图卷积网络，二维卷积神经网络层和多个全连接层，所述图卷积网络表示为：其中，I是单位矩阵，D是A的对角节点度矩阵，W是权重矩阵，b是偏置。3.根据权利要求1所述的方法，其特征在于，所述优化目标和约束条件被设置为：3.根据权利要求1所述的方法，其特征在于，所述优化目标和约束条件被设置为：3.根据权利要求1所述的方法，其特征在于，所述优化目标和约束条件被设置为：3.根据权利要求1所述的方法，其特征在于，所述优化目标和约束条件被设置为：z
i，p
∈{0，1}i＝1，2，
…
，n p＝1，2，
…
，m其中，i为感兴趣区域的索引，p为聚类类别索引，m是聚类类别数量，z
i，p
为决策变量，表示第i个感兴趣区域是否属于类别p，α
i
＝(λ
i
，ψ
i
)表示第i个感兴趣区域的中心经度和纬度，表示类别p的聚类中心，y
i
...

【专利技术属性】
技术研发人员：张金雷，杨立兴，单尔刚，吴黎霞，高自友，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：