一种基于大数据分析的智能物流调度方法与流程

本发明涉及智能物流调度，特别是一种基于大数据分析的智能物流调度方法。

背景技术：

1、随着电子商务、即时配送、城市共同配送、冷链运输及多仓协同业务的快速发展，物流配送订单呈现数量规模大、时空分布波动强、履约时效要求高及业务约束复杂等特征。现有智能物流调度技术通常依托订单管理系统、仓储管理系统、车辆定位系统及道路交通信息平台，采集订单位置、货物重量、车辆容量、仓库装卸状态、客户收货时间窗和道路通行速度等数据，并采用车辆路径规划、启发式搜索、滚动优化或数据预测等方式完成订单分配与配送路径生成。物流调度的优化目标也由传统的运输距离最短、车辆使用成本最低，逐步发展为兼顾订单时效、车辆利用率、仓库作业效率及客户服务质量的多目标协同优化。

2、然而，现有物流调度方法对历史履约数据中所包含的订单延误规律、异常等待特征及区域拥堵演化规律挖掘不足，通常难以根据当前订单与历史相似物流场景之间的关联，提前识别订单延误风险和高等待异常风险。同时，部分方法主要关注客户延误或单一主体等待成本，缺少对仓库等待、车辆等待及客户等待的统一量化评价，容易出现总体平均成本较低但个别订单长期滞留的问题。此外，传统调度模型通常采用固定负载参数和确定性的预计到达时间，难以反映订单集中到达、区域运力变化、未完成订单积压及道路状态波动造成的不确定性；一次性锁定完整配送路径会降低系统对新增订单的响应能力，而频繁重排全部任务又会影响司机执行稳定性，因而难以兼顾短期履约效率与区域长期运行稳定性。

技术实现思路

1、鉴于上述现有存在的问题，提出了本发明。

2、因此，本发明提供了一种基于大数据分析的智能物流调度方法解决现有物流调度中风险识别不足、路径执行不稳定及资源协同优化困难的问题。

3、为解决上述技术问题，本发明提供如下技术方案：

4、本发明提供了一种基于大数据分析的智能物流调度方法，其包括：

5、采集物流调度基础数据，划分配送区域并计算区域订单到达率，计算区域平均订单服务时间，并根据区域订单到达率和平均订单服务时间计算区域动态负载因子，构建历史物流事件基因库；

6、计算潜在等待时间，生成当前事件基因，并根据历史事件基因计算订单风险，对车辆进行容量判断，再根据订单风险和区域动态负载因子进行时间窗筛选，形成候选调度方案集合，计算候选方案的-范数三方等待成本；

7、计算候选方案的时间惩罚，获取当前区域未完成订单数量，并根据时间惩罚和三方等待成本计算稳定修正等待成本，计算候选方案的不确定性预算，根据稳定修正等待成本和不确定性预算构建综合调度目标函数，选择综合调度目标函数值最小的方案，最终输出结果并更新历史物流事件基因库。

8、作为本发明所述基于大数据分析的智能物流调度方法的一种优选方案，其中：所述采集物流调度基础数据，划分配送区域并计算区域订单到达率指按照固定调度周期采集物流数据；

9、在每个调度时刻，采集物流数据组成数据集合；

10、根据订单收货地址所属仓库服务区，将当前订单划入配送区域；

11、获取区域最近三十分钟新增订单数量，基于新增订单数量计算区域订单到达率。

12、作为本发明所述基于大数据分析的智能物流调度方法的一种优选方案，其中：所述计算区域平均订单服务时间，并根据区域订单到达率和平均订单服务时间计算区域动态负载因子，构建历史物流事件基因库指从历史履约数据中提取区域最近7天内已完成订单的行驶时间和节点服务时间，并对第个历史订单，定义其订单服务时间；

13、对区域最近7天内完成的个订单计算平均服务时间；

14、获取区域当前可用车辆数量；

15、根据区域订单到达率、订单平均服务时间以及当前可用车辆数量，计算区域动态负载因子；

16、定义基础履约基因、潜在等待基因、区域稳定基因、履约结果基因，组合成第个历史事件基因。

17、作为本发明所述基于大数据分析的智能物流调度方法的一种优选方案，其中：所述计算潜在等待时间，生成当前事件基因，并根据历史事件基因计算订单风险指对于当前待调度订单，获取订单创建时间和当前时刻，计算潜在等待时间；

18、根据当前订单生成当前事件基因；

19、计算当前事件基因与历史事件基因的综合距离；

20、基于综合距离计算当前事件基因与历史事件基因的相似度；

21、按照相似度从高到低选取前个历史事件，并组成集合；

22、基于订单相似度计算相似事件中的延误概率；

23、计算相似事件中的高等待异常概率；

24、加权延误概率和异常概率计算订单风险。

25、作为本发明所述基于大数据分析的智能物流调度方法的一种优选方案，其中：所述对车辆进行容量判断，再根据订单风险和区域动态负载因子进行时间窗筛选，形成候选调度方案集合指对每辆可用车辆进行容量判断和时间窗筛选建立每辆候选车辆对应的候选订单集合；

26、生成车辆的候选订单序列；

27、根据候选订单序列，形成车辆对应的候选路径；

28、由候选车辆、候选订单序列及其对应的候选路径组成第个候选调度方案；

29、形成车辆v的候选调度方案集合。

30、作为本发明所述基于大数据分析的智能物流调度方法的一种优选方案，其中：所述计算候选方案的-范数三方等待成本指计算车辆本轮锁定执行订单数量；

31、将第l个订单的路径节点行驶时间相加得到订单行驶时间，获取第个订单的节点服务时间，计算订单在候选方案下产生的三方执行等待成本；

32、将潜在等待时间、执行等待成本、行驶时间和服务时间合成为候选方案的-范数三方等待成本；

33、计算候选方案的归一化三方等待成本。

34、作为本发明所述基于大数据分析的智能物流调度方法的一种优选方案，其中：所述计算候选方案的时间惩罚指获取候选方案的实际路径长度；

35、计算区域历史路径增长系数和区域最大节点切换时间；

36、计算候选方案路径长度上界；

37、若实际路径长度未超过上界，时间惩罚取为0，否则将超出部分折算为时间惩罚。

38、作为本发明所述基于大数据分析的智能物流调度方法的一种优选方案，其中：所述获取当前区域未完成订单数量，并根据时间惩罚和三方等待成本计算稳定修正等待成本指获取当前区域未完成订单数量；

39、计算候选方案的锁定片段执行时间；

40、预测采用候选方案后下一调度周期区域未完成订单数量；

41、计算区域稳定系数；

42、将三方等待成本、区域稳定系数和时间惩罚合成为稳定修正等待成本。

43、作为本发明所述基于大数据分析的智能物流调度方法的一种优选方案，其中：所述计算候选方案的不确定性预算指计算候选方案的eta波动半径；

44、获取区域允许的最大未完成订单数量；

45、将eta波动半径和下一调度周期区域未完成订单数量分别归一化后加权计算不确定性预算。

46、作为本发明所述基于大数据分析的智能物流调度方法的一种优选方案，其中：所述根据稳定修正等待成本和不确定性预算构建综合调度目标函数，选择综合调度目标函数值最小的方案，最终输出结果并更新历史物流事件基因库指对候选方案计算运输成本归一化值；

47、计算延误归一化值；

48、基于运输成本归一化值、延误归一化值、稳定修正等待成本归一化值和不确定性预算构建综合调度目标函数；

49、选择综合调度目标函数值最小的方案；

50、输出目标调度方案；

51、订单履约完成后，获取实际送达时间、实际等待时间和是否延误，生成履约结果基因；

52、将当前订单的基础履约基因、潜在等待基因、区域稳定基因和履约结果基因合并，形成新的完整事件基因并写入历史物流事件基因库。

53、本发明有益效果为：本发明通过采集订单、车辆、仓库、客户、道路及历史履约数据，划分配送区域并计算订单到达率、平均服务时间和动态负载因子，构建历史物流事件基因库，实现物流履约场景的结构化表达；通过生成当前事件基因并与历史事件基因相似匹配，提前识别延误风险和高等待异常风险；通过容量判断、时间窗筛选及候选方案构建，将不可执行方案前置剔除；通过计算 p-范数三方等待成本、时间惩罚、稳定修正等待成本和不确定性预算，构建综合调度目标函数，实现成本、时效、等待压力和区域积压风险的协同优化；最终提升了物流调度精度、订单准时履约率、区域抗拥塞能力及平台整体运营效率。