一种鲜炖燕窝周期配送路径的实时调整方法及系统与流程

本发明涉及冷链周期配送路径优化，具体涉及一种鲜炖燕窝周期配送路径的实时调整方法及系统。

背景技术：

1、鲜炖燕窝等短保鲜食品在周期订阅配送过程中，通常需要同时满足客户收货时间窗、车辆行驶路径、温控箱温度和产品鲜度要求。现有配送路径调整通常以订单位置、预计行驶时间和交通状态作为主要依据，在新单插入、地址变更或临时交通变化发生时，对配送顺序进行重新规划。

2、但是，在鲜炖燕窝冷链配送场景中，产品鲜度并不只与配送时长相关，还会受到产品批次参数、温控箱实时温度、开关门造成的温度扰动、包裹所在温控环境以及收货后残留温度状态的影响。若路径调整仅依据距离或时间窗进行计算，难以反映逐包裹鲜度衰减对配送顺序的约束，也难以识别哪些订单节点在路径扰动下更容易引起送达鲜度下降。

3、另外，当配送途中出现新单插入、地址变更或温度异常时，若直接对全局路径重新求解，容易引入与当前扰动无关的节点变化；若只在局部位置进行插入调整，又可能忽略邻近订单的鲜度脆弱性。现有方式还通常将温度采样、司机路况确认和路径重排作为相互独立的处理动作，缺少基于鲜度不确定性变化来决定是否追加采样或确认的联动机制。

4、因此，本技术提供一种鲜炖燕窝周期配送路径的实时调整方法以解决上述技术问题。

技术实现思路

1、本发明的目的在于提供一种鲜炖燕窝周期配送路径的实时调整方法及系统，用以解决现有技术中现有周期配送路径调整中配送路径、逐包裹鲜度衰减、温度异常、订单扰动和回收温度反馈之间耦合不足的技术问题。

2、为了解决上述技术问题，本发明提供了一种鲜炖燕窝周期配送路径的实时调整方法，包括：

3、采集周期订阅订单、产品批次、客户坐标和收货时间窗、车辆位置、温控箱温度序列、开关门记录以及回收温控箱残留温度序列；

4、将产品批次的初始鲜度指数、指前因子、活化能、实时温度和采样间隔输入阿伦尼乌斯递推关系，逐包裹形成当前鲜度指数、剩余保鲜寿命和保鲜硬约束边界；

5、沿当前路径时间线计算未完成订单的预测送达鲜度指数，将预测送达鲜度指数与最低可接受鲜度阈值转换为保鲜势能；

6、对订单节点状态偏移执行反事实推理，按状态偏移引起的送达鲜度变化统计量形成保鲜脆弱性热力图；

7、在新单插入、地址变更或温控箱温度偏离预设温度区间时，以扰动位置和保鲜脆弱性热力图切割扰动子图，对扰动子图中的脆弱节点触发温度采样或路况确认动作；

8、将扰动子图、保鲜势能、时间窗、行驶时间、交通状态和温升系数输入带物理调制的图注意力策略网络，按服务顺序引起的保鲜势能差调制节点间注意力权重，并以动作前后保鲜势能变化的非负部分加入策略损失，输出调整后的配送路径和信息采集指令。

9、在其中一些具体实施例中，逐包裹形成当前鲜度指数、剩余保鲜寿命和保鲜硬约束边界，进一步包括：

10、按温控箱温度序列读取采样间隔内的包裹温度；

11、将包裹温度、指前因子和活化能输入温度衰减项，将前一时刻鲜度指数经温度衰减项作用后的留存结果作为下一时刻鲜度指数；

12、沿未完成配送路径累计下一时刻鲜度指数形成剩余保鲜寿命；

13、在剩余保鲜寿命低于预设警戒条件时生成临界包裹标记，在剩余保鲜寿命不低于预设警戒条件时保留普通包裹标记。

14、在其中一些具体实施例中，对订单节点状态偏移执行反事实推理，进一步包括：

15、将插入位置、插入订单参数、邻近订单服务顺序、邻近订单时间窗、邻近包裹温箱叠加热影响和路段交通状态写入结构因果模型变量节点；

16、以历史配送样本估计变量节点之间的因果边；

17、对未完成订单节点施加状态参数偏移干预，比较干预前后的邻近订单送达鲜度指数，并将送达鲜度指数差值的最大值或均值写入保鲜脆弱性热力图。

18、在其中一些具体实施例中，以扰动位置和保鲜脆弱性热力图切割扰动子图，进一步包括：

19、将新单插入位置、地址变更位置或温度异常包裹位置作为扰动种子；

20、从保鲜脆弱性热力图读取受扰动种子影响的订单节点；

21、按照历史路径段、预估行驶时间和收货时间窗约束扩展受影响订单节点的邻域；

22、对不满足收货时间窗约束或保鲜硬约束的邻域边执行剔除，对保留的订单节点和路径边生成扰动子图。

23、在其中一些具体实施例中，对扰动子图中的脆弱节点触发温度采样或路况确认动作，进一步包括：

24、对脆弱节点分别模拟温度采样间隔缩短动作、司机路况确认动作和采集频率保持动作；

25、用结构因果模型估计每类动作执行前后的保鲜势能不确定性变化；

26、将不确定性降低量与传感器功耗、通信流量和司机确认时延进行差值计算；

27、将差值最大的动作写入扰动子图节点特征，并将采集返回数据输入带物理调制的图注意力策略网络。

28、在其中一些具体实施例中，按服务顺序引起的保鲜势能差调制节点间注意力权重，进一步包括：

29、计算第一订单节点先于第二订单节点服务时第二订单节点的保鲜势能，作为第一保鲜势能；

30、计算第二订单节点先于第一订单节点服务时第二订单节点的保鲜势能，作为第二保鲜势能；

31、将第一保鲜势能与第二保鲜势能的差值输入指数调制项；

32、由指数调制项对标准图注意力系数进行调制，并经归一化生成保鲜因果注意力权重；

33、将保鲜因果注意力权重输入服务顺序动作选择。

34、在其中一些具体实施例中，输出调整后的配送路径和信息采集指令之后，进一步包括：

35、将正向配送温度序列代入保鲜势能计算得到预测送达保鲜势能，将回收温控箱残留温度序列代入阿伦尼乌斯递推关系得到实际保鲜势能；

36、计算预测送达保鲜势能与实际保鲜势能之间的对偶一致性损失；

37、在对偶一致性损失超过预设触发阈值时，以在线贝叶斯更新修正目标批次活化能校正因子并输入下一轮鲜度指数计算；

38、在对偶一致性损失未超过预设触发阈值时保留目标批次活化能校正因子；

39、在跨场景部署时，将物理守恒正则项加入元学习内层梯度更新，形成策略网络初始参数，并以本地周期配送数据对策略网络初始参数进行更新。

40、在其中一些具体实施例中，将差值最大的动作写入扰动子图节点特征，进一步包括：

41、建立采集动作候选队列；

42、将脆弱节点的保鲜势能不确定区间、温控箱剩余电量、通信延迟和司机确认时延分别写入候选动作属性；

43、对不满足电量条件或时延条件的候选动作执行剔除；

44、按照不确定性降低量与采集成本差值对保留候选动作排序，并将排序首位动作生成信息采集指令。

45、在其中一些具体实施例中，以在线贝叶斯更新修正目标批次活化能校正因子，进一步包括：

46、从回收温控箱残留温度序列提取收货后温度积分量和签收时间戳；

47、将收货后温度积分量输入阿伦尼乌斯递推关系反推实际鲜度指数；

48、以预测送达鲜度指数和实际鲜度指数的差值更新目标批次活化能校正因子的后验分布；

49、在后验分布方差满足预设收敛条件时，将后验均值输入下一轮包裹鲜度递推，在后验分布方差不满足预设收敛条件时保留上一轮目标批次活化能校正因子并继续累积回收温度序列。

50、基于同一构思，本发明还提供一种鲜炖燕窝周期配送路径的实时调整系统，包括：

51、数据汇聚模块，配置为采集周期订阅订单、产品批次、客户坐标和收货时间窗、车辆位置、温控箱温度序列、开关门记录以及回收温控箱残留温度序列；

52、鲜度递推模块，配置为将产品批次的初始鲜度指数、指前因子、活化能、实时温度和采样间隔输入阿伦尼乌斯递推关系，逐包裹形成当前鲜度指数、剩余保鲜寿命和保鲜硬约束边界；

53、保鲜势能模块，配置为沿当前路径时间线计算未完成订单的预测送达鲜度指数，将预测送达鲜度指数与最低可接受鲜度阈值转换为保鲜势能；

54、因果推理模块，配置为对订单节点状态偏移执行反事实推理，按状态偏移引起的送达鲜度变化统计量形成保鲜脆弱性热力图；

55、扰动响应模块，配置为在新单插入、地址变更或温控箱温度偏离预设温度区间时，以扰动位置和保鲜脆弱性热力图切割扰动子图，对扰动子图中的脆弱节点触发温度采样或路况确认动作；

56、路径求解模块，配置为将扰动子图、保鲜势能、时间窗、行驶时间、交通状态和温升系数输入带物理调制的图注意力策略网络，按服务顺序引起的保鲜势能差调制节点间注意力权重，并以动作前后保鲜势能变化的非负部分加入策略损失，输出调整后的配送路径和信息采集指令。

57、与现有技术相比，其有益效果在于：

58、本发明公开了一种鲜炖燕窝周期配送路径的实时调整方法及系统，将产品批次参数、初始鲜度指数、实时温度和采样间隔输入阿伦尼乌斯递推关系，并逐包裹形成当前鲜度指数、剩余保鲜寿命和保鲜硬约束边界，路径调整不再仅依据距离和时间窗进行判断，能够把不同包裹在不同温度经历下形成的鲜度差异纳入配送顺序调整。

59、将预测送达鲜度指数转换为保鲜势能，并通过反事实推理形成保鲜脆弱性热力图，在新单插入、地址变更或温控箱温度偏离预设温度区间时，能够围绕受扰动种子识别更容易受影响的订单节点，并以扰动子图承载后续路径调整，减少无关节点变化对当前配送路径的影响。

60、对扰动子图中的脆弱节点模拟温度采样间隔缩短、司机路况确认和采集频率保持等动作，并以保鲜势能不确定性降低量与采集成本的差值选择信息采集动作，温度采样和路况确认能够服务于鲜度风险降低。

61、在图注意力策略网络中按服务顺序引起的保鲜势能差调制节点间注意力权重，并将动作前后保鲜势能变化的非负部分加入策略损失，路径求解过程能够同时考虑时间窗、行驶时间、交通状态和鲜度衰减约束，使输出路径更贴合鲜炖燕窝冷链配送中的保鲜约束。

62、将正向配送温度序列得到的预测送达保鲜势能与回收温控箱残留温度序列得到的实际保鲜势能进行对偶一致性计算，并在满足触发条件时修正目标批次活化能校正因子，后续周期配送中的鲜度递推能够吸收回收温度反馈，降低预测鲜度与实际温度经历之间的偏差积累。