基于多源数据融合的园区物流车辆智能调度方法及系统与流程

本发明属于物流管理，具体涉及基于多源数据融合的园区物流车辆智能调度方法及系统。

背景技术：

1、在工业物流园区中，车辆调度管理涉及采购原料进场、产成品出厂、厂内短驳转运等多个作业环节，贯穿门禁、计量、仓储、装卸等多个物理节点。目前，工业园区通常已部署运输管理系统、园区管理系统、门禁管理系统、计量系统、仓储管理系统等多个独立的信息系统，分别用于管理运输计划与执行、园区内车辆进出与停留、车辆过磅称重、库存与装卸作业等业务环节。

2、然而，上述各系统通常由不同厂商在不同时期建设，其数据格式、通信协议、数据更新频率各异，彼此之间缺乏统一的数据交互标准和融合机制，导致调度决策往往依赖单一数据源或人工现场观察进行判断，无法综合考量仓库实时装卸能力、地磅当前过磅负荷、园区道路实时饱和度以及车辆运输任务优先级等多维动态因素，造成车辆进厂后排队无序、各作业节点负荷不均衡、局部拥堵严重等问题。

3、更为关键的是，现有调度方法中普遍存在一个被忽视的技术问题：调度决策作出的时刻与车辆实际抵达作业节点的时刻之间存在不可忽视的时间滞后，通常为数分钟至数十分钟，而园区内各作业节点的排队长度、作业速率等状态参数在这一时间窗口内可能发生显著变化。由于现有方法均基于当前时刻采集的节点状态数据进行调度决策，而未考虑车辆抵达时该节点的状态变化趋势，因此调度指令中所指向的最优节点在车辆实际抵达时可能已经不再是真正的最优，即调度决策信息与物理世界实际状态之间存在不同步，导致调度方案的实时性和有效性严重下降。这种时间滞后导致的认知偏差在车辆行驶距离较长、路径拥堵或节点作业速率波动较大时尤为突出。

4、针对上述问题，本发明提出了基于多源数据融合的园区物流车辆智能调度方法及系统。

技术实现思路

1、为解决现有技术中存在的上述问题，本发明的目的在于提供基于多源数据融合的园区物流车辆智能调度方法及系统。

2、为实现上述发明目的，本发明采取的技术方案是：

3、基于多源数据融合的园区物流车辆智能调度方法，包括：

4、从园区各信息系统中采集多源实时数据并进行融合，形成融合数据集；

5、根据融合数据集计算各作业节点的当前综合压力系数，并采用时间序列预测模型对各作业节点在未来预设时间窗口内的排队车辆数和作业速率进行预测，根据预测值计算各作业节点在未来时刻的前瞻性综合压力系数；

6、根据融合数据集中的车辆到达率和出厂速率的变化趋势以及各作业节点压力系数的变化趋势，识别当前园区所处的运营场景，并根据识别结果调用与运营场景匹配的权重系数；

7、根据目标车辆的运输任务确定候选作业节点集合，针对每一候选作业节点，计算从车辆当前位置到该候选作业节点的预计行驶时间和推荐行驶路径，根据前瞻性综合压力系数、预计行驶时间、路径曲折度、道路饱和度系数及权重系数，计算该候选作业节点的综合调度代价，选取综合调度代价最低的候选作业节点作为目标作业节点，将目标作业节点及对应的推荐行驶路径封装为调度方案并下发。

8、优选地，采用时间序列预测模型对各作业节点在未来预设时间窗口内的排队车辆数和作业速率进行预测，包括：以各作业节点自身的历史排队车辆数序列、历史作业速率序列、上游车辆到达率、当前排队车辆的预计完成时间及园区入口信号灯相位剩余时间为输入特征，采用长短期记忆网络预测该作业节点在未来预设时间窗口内各时刻的排队车辆数和作业速率；根据目标车辆到该作业节点的预计行驶时间，从预测结果中选取对应时刻的预测值，代入综合压力系数计算公式，得到前瞻性综合压力系数。

9、优选地，识别当前园区所处的运营场景，包括：根据园区车辆到达率和出厂速率的变化方向，以及各作业节点压力系数的变化方向，判定当前园区处于高负载场景或低负载场景；以及根据道路饱和度系数判定是否处于异常拥堵场景，根据各作业节点压力系数判定是否处于设备故障场景。

10、优选地，识别当前园区所处的运营场景，还包括：当同时满足多个场景条件时，按照异常拥堵场景、设备故障场景、高负载场景、低负载场景的优先级顺序确定唯一场景。

11、优选地，计算从车辆当前位置到该候选作业节点的预计行驶时间和推荐行驶路径，包括：以车辆当前位置为起点、以该候选作业节点为终点，基于当前道路饱和度系数和实时路况，通过路径搜索算法计算推荐行驶路径及对应的预计行驶时间和路径长度；其中，路径搜索算法的启发式函数根据道路饱和度系数动态调整，道路饱和度越高则启发式函数值越大。

12、优选地，还包括对新投入使用的作业节点进行冷启动处理，包括：

13、检索已存在的成熟作业节点，提取各成熟作业节点的物理特征向量，以物理特征相似度为匹配条件选取与目标新节点相似的成熟节点，将该成熟节点的历史时序数据经尺度缩放后迁移为目标新节点的初始训练样本，用于训练该节点的预测模型；若未匹配到符合条件的成熟节点，则以园区所有成熟节点的平均历史数据经全局缩放后作为初始训练样本。

14、优选地，将调度方案下发后，还包括执行监控与异常处置：以预设时间间隔获取车辆实时位置并与推荐路径进行匹配，根据位置偏差度、方向偏差度和进度偏差度计算综合匹配度；当综合匹配度低于预设阈值或车辆偏离推荐路径超过预设时长时触发异常处置流程，根据偏差分布识别异常类型，根据异常类型执行相应的自主恢复操作，自主恢复操作包括重新规划路径或自动更新目标作业节点。

15、优选地，根据异常类型执行相应的自主恢复操作，包括：当异常类型为路径偏离型时，以车辆当前位置为起点、以原目标作业节点为终点重新计算推荐行驶路径并更新调度方案；当异常类型为节点变更型时，评估车辆当前驶向的节点是否适合执行该车辆的运输任务且前瞻性综合压力系数低于预设阈值，若满足条件则将该节点更新为目标作业节点并重新规划路径，若不满足则触发外部约束介入；当自主恢复失败或异常类型不满足自主恢复条件时，接收管理人员输入的目标作业节点作为强制约束，以该强制约束为终点重新计算推荐行驶路径并更新调度方案。

16、优选地，还包括闭环反馈：在车辆到达目标作业节点并完成作业后，记录实际作业耗时并反馈至数据中心，用于更新对应作业节点的作业速率参数；判断该车辆的运输任务中是否还存在后续作业节点，若存在则重新执行调度方案生成，若全部完成则放行出厂。

17、本发明还公开了基于多源数据融合的园区物流车辆智能调度系统，包括：

18、多源数据采集与融合模块，用于从园区各信息系统中采集多源实时数据并进行格式统一化和时序对齐，形成融合数据集；

19、节点状态计算与前瞻预测模块，用于根据融合数据集计算各作业节点的当前综合压力系数，并采用时间序列预测模型对各作业节点在未来预设时间窗口内的排队车辆数和作业速率进行预测，根据预测值计算各作业节点在未来时刻的前瞻性综合压力系数；

20、场景识别与权重自适应模块，用于根据融合数据集中的车辆到达率和出厂速率的变化趋势以及各作业节点压力系数的变化趋势识别当前园区所处的运营场景，并根据识别结果调用与运营场景匹配的权重系数；

21、冷启动迁移学习模块，用于针对新投入使用的作业节点，以物理特征相似度为匹配条件选取与目标新节点相似的成熟节点，将该成熟节点的历史时序数据经尺度缩放后迁移为目标新节点的初始训练样本，用于训练该节点的预测模型；

22、一体化调度决策与路径规划模块，用于根据目标车辆的运输任务确定候选作业节点集合，针对每一候选作业节点计算预计行驶时间和推荐行驶路径，根据前瞻性综合压力系数、预计行驶时间、路径曲折度、道路饱和度系数及权重系数计算综合调度代价，选取综合调度代价最低的候选作业节点作为目标作业节点，将目标作业节点及对应的推荐行驶路径封装为调度方案并下发；

23、方案下发与执行监控模块，用于将调度方案下发至各终端，并在调度方案下发后以预设时间间隔获取车辆实时位置并与推荐路径进行匹配，根据位置偏差度、方向偏差度和进度偏差度计算综合匹配度，当综合匹配度低于预设阈值或车辆偏离推荐路径超过预设时长时判定执行状态异常；

24、异常处置与闭环反馈模块，用于接收执行状态异常信息并根据偏差分布识别异常类型，根据异常类型执行相应的自主恢复操作；在车辆完成作业后将实际作业耗时反馈至节点状态计算与前瞻预测模块，并判断该车辆的运输任务中是否还存在后续作业节点，若存在则触发一体化调度决策与路径规划模块重新执行。

25、有益效果

26、1、本发明通过长短期记忆网络对各作业节点未来预设时间窗口内的排队车辆数和作业速率进行预测，并将预测值代入综合压力系数计算公式得到前瞻性综合压力系数；通过将所述前瞻性综合压力系数直接纳入具有时间与车辆数复合量纲的耦合代价函数，使车辆在调度决策时刻即被导向“车辆预计抵达时刻”排队压力最低的作业节点，从而达到了调度指令在全时间维度上保持有效性和实时性的目的，解决了因调度决策时刻与车辆实际抵达时刻之间存在时间滞后，导致决策信息与物理世界实际状态不同步的问题，避免车辆抵达时原定最优节点已因排队状态变化而失效的情形。

27、2、本发明通过计算园区入口车辆到达率的变化速率和出厂速率的变化速率，结合各作业节点压力系数的变化趋势，实时识别当前运营场景；同时通过系统内置经遗传算法离线优化获得的各场景专属权重系数组合，实时识别场景后自动切换调用，达到了同一决策逻辑在高负载、低负载、拥堵、设备故障等差异化场景下自动输出适配调度策略的目的，避免导致调度策略在不同运营场景下表现差异大、无法自适应调整的缺陷。

28、3、本发明针对每一候选节点同时执行路径计算和代价评估，通过构造具有物理量纲的耦合代价函数，使节点排队压力、预计行驶时间、路径曲折度和道路饱和度在同一决策框架内交叉耦合，并配合路径搜索算法中启发式函数根据实时道路拥堵状态的动态调整，使调度方案在节点适宜性和路径通行效率两个维度上同步最优。