一种即时物流场景下的路径规划实现方法

1.本发明属于物流领域，特别涉及一种即时物流路线规划技术。


背景技术：

2.即时物流是随着移动互联网和o2o本地生活的发展大潮下，催生对物流“极速”和“准时”的两大诉求，进而决定了物流服务模式的进化，即不经过仓储和中转，直接从门到门的送达服务，这种物流模式称之为“即时物流”。服务品类包括：外卖、生鲜、快递末端、商超等等。即时物流是物流配送的“最后三公里”、“最后一小时”，甚至说是“最后一公里”。即时物流的服务特点是“极速、准时”。在用户规模增长最快的外卖配送上，人们希望30分钟之内尽快收到温暖可口的午餐，配送时效性的要求极高。
3.即时物流场景中的订单一般有取货、送达两个配送节点，而且不同的订单有各自的送达时间要求，而骑手跟订单是一对多的关系，即骑手可同时承接多个订单，所以如何确定骑手配送订单路径及减少订单超时风险至关重要。在实际业务系统运行中，路径规划具备实时性与动态性，实时性一般要求一次的路径规划需要在毫秒级时间内给出答案，动态性则体现在骑手在配送途中会不断地接到新分配的订单，骑手手上的订单又会重新以一种新的最优顺序展现给骑手。


技术实现要素：

4.为解决上述技术问题，本发明提出了一种即时物流场景下路径规划的实现方法，通过用户新订单信息与骑手身上的订单取送任务列表计算出骑手配送该新订单的最佳配送路径，同时预测骑手抵达、离开每个节点的时间，辅助调度系统进行派单决策，同时对配送所有订单的路径规划进行展示。
5.本发明采用的技术方案为：一种即时物流场景下路径规划的实现方法，包括：
6.s1、每一个订单对应两个节点，其中一个节点为取订单节点，另一个节点为订单送达节点；
7.s2、根据新增订单对应的所有可能的配送人员到达取订单节点的取订单时间与到达订单送达节点的订单送达时间，得到新增订单可选的n
′
条备选路径；
8.s3、从n
′
条备选路径中选择配送距离最小的x条备选路径；
9.s4、从x条备选路径中选择配送代价最小的备选路径作为配送人员当前的配送路径。
10.步骤s4所述配送代价计算式为：
11.配送代价τ＝骑手新增路径距离 各节点的超时时间*节点超时惩罚代价。
12.本发明的有益效果：在即时物流骑手配送订单是一对多关系的场景下，系统通过两层路径选择方法，为骑手匹配出最小配送代价的路径作为其路径规划，同时能根据路径选择预测出该路径骑手到达各节点的时间及超时情况，辅助调度系统进行派单决策，同时为骑手展示最优路径规划，有效保证了骑手配送效率及服务质量。
附图说明
13.图1为本发明方法的流程图；
14.图2为本发明方法的应用示意图。
具体实施方式
15.为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。
16.本发明的方法，其目标有两点：1)以最小化配送代价为目标，为配送骑手规划一条行程路线；2)预测骑手抵达、离开每个节点的时间。主要包括以下四个大的流程模块，信息接收模块、路径规划模块、时间预测模块、输出模块。
17.如图1所示，本发明的流程图主要分为四层：
18.最高层是信息接收层，该层主要是接收来自上游系统的新订单信息、订单时效要求以及接收来自骑手app上传的骑手实时地理位置，同时接收服务端内部系统提供的每个骑手配送订单实时信息。
19.第二层是路径规划层，该层主要是通过两层路径选择方法，针对每一条路径选择调用第三层时间预测模块预测该条路径中各节点的动作执行时间，最后选择配送代价最小的一条路径选择作为该骑手配送新单的路径规划。为加快计算速度与节约计算资源，实现两次筛选的方法，第一层初选：采用启发式 动态插点的方法，得到n
′
条备选路径，通过计算新增配送路径距离完成x种路径初步筛选，其中x≤n
′
，第二层择优：考虑路径节点超时情况，在x种路径方案中选择配送代价最小的一条路径选择作为该骑手接新单的路径规划。
20.第三层是时间预测层，该层主要负责对骑手的每一条路径选择预测出这条路径上各节点的执行时间，获得骑手配送各订单的超时情况，为路径规划层中配送代价的计算提供订单超时数据支持。
21.第四层是输出层，该层主要负责对骑手的路径规划进行展示，应用在骑手app与后台系统中，该层基于第三方高德地图开放平台api，如amap.polyline、amap.markere及amap.riding，通过第三层得到的骑手路径规划，绘制出骑手配送多订单的各取送节点及路网骑行路径。
22.为方便阐述具体步骤，以外卖配送场景为例，相关定义如下：
23.每一个订单有两个配送节点：商家取餐节点a、送达节点b。首先定义，最佳路径规划＝新订单的配送节点跟骑手身上已有待配送订单的配送节点组合而成的所有路径集合中配送代价最小的路径。记新订单ro，骑手身上待配送订单r1r2…rn
，n表示当前已有待配送订单总数，有取餐节点a1a2…an
，有送达节点b1b2…bn
。记订单ri取餐节点的系统预测时间点tsai，平台要求最晚取餐到达时间点tdai，则订单ri预测取餐超时时长记为t
delay(ai)
＝max(tsa
i-tdai，0)，记订单ri送达节点的系统预测时间点tsbi，平台要求最晚送达时间点tdbi，则订单i预测送达超时时长记为t
delay(bi)
＝max(tsb
i-tdbi，0)。鉴于平台对于用户送达时间的承诺，定义商家取餐的超时惩罚代价μ，用户送达节点的超时惩罚代价λ，因为外卖配送对准点率要求较高，所以用户送达节点的超时惩罚一般比较大，从系统效率的角度，系统希望骑手的骑行距离尽量短，同时也希望订单的超时时长尽量短。
24.因此本发明定义配送代价如下：
[0025][0026]
一般场景中，可以定义μ＝100m/min，λ＝500m/min，这个值的设定一定程度上需要参考该城市的平均骑行速度，tdai、tdbi是平台要求的最晚时间，由各城市业务规则决定，这里设定，tdai＝订单i对应的骑手接单时间 15分钟，tdbi＝订单i对应的骑手接单时间 30分钟；
[0027]
本发明的路径规划计算以服务器为执行主体，具体步骤如下：
[0028]
步骤1：服务端接收新订单ro，获取新订单的请求时间、商家取餐地址、用户送达地址等信息。
[0029]
步骤2：服务端接收所有骑手实时上传的地理位置信息。
[0030]
步骤3：服务端接收内部系统给出的每个骑手实时配送订单信息，维护骑手所有待配送订单。
[0031]
步骤4：对新订单ro进入路径规划计算，假设ro对应的取餐节点a0，对应的送达节点b0，骑手身上待配送订单r1r2…rn
，有取餐节点a1a2…an
，有送达节点b1b2…bn
，路径规划为a1a2…an
b1b2…bn
，已知各节点预测执行时间为t
1(a1)
t
2(a2)
…
t
2n(bn)
，其中t1对应节点a1的执行时间，t
2n
对应节点bn的执行时间，应用两层路径选择方法择优选择出配送代价最小的备选路径作为该骑手的路径规划，具体步骤如下：
[0032]
步骤4.1：首先根据业务规则计算出ro的平台要求最晚取餐时间点tda0及平台要求最晚送达时间点tdb0。
[0033]
步骤4.2：进入路径选择第一层-初选，该步骤具体如下：
[0034]
步骤4.2.1：假设取餐节点a0在位置i插入，送达节点b0在位置j插入，由于时效要求，节点a0的前节点执行时间必须在tda0前，节点b0的前节点执行时间必须在tdb0之前，即必须满足t
i-1
≤tda0，t
j-1
≤tdb0，且i＜j等约束，假设ti′
＞tda0，tj′
＞tdb0，则a0可以在t1t2…
ti′‑1各节点间的共(i
′
)种情况进行选择插入，b0可以在t
i 1
t
i 2
…
tj′‑1各节点间的共(j
′‑
i)种情况进行选择插入，由此生成n
′
条备选路径，其中，n
′
＝(i
′
)*(j
′‑
i)/2。
[0035]
步骤4.2.2：遍历该n
′
条备选路径，计算备选路径的新增配送距离。新增配送距离只需要计算由于插入新节点后引起的前后节点之间的距离变化量，无需对节点列表的所有节点路径全部求和。为阐述方便，选择其中一条备选路径进行说明，记其节点时间顺序为t1t2…
t
i-1
tit
i 1
…
t
j-1
t
jtj 1
…
t
2n 2
，其中插入的节点a0、b0在时间顺序中对应节点ti、tj，则该备选路径的新增配送距离计算公式如下：
[0036][0037][0038]
本实施例中插入节点a0的距离变化量，通过计算ti前后相邻时间点t
i-1
、t
i 1
所对应的节点在a0插入后的路网距离变化得到，具体的：插入节点a0的距离变化量＝“t
i-1
对应的节点与ti对应的a0之间的路网距离” “ti对应的a0与t
i 1
对应的节点之间的路网距离
”‑“
t
i-1
对应的节点与t
i 1
对应的节点之间的路网距离”；
[0039]
同理本实施例中插入节点b0的距离变化量，通过计算tj前后相邻时间点t
j-1
、t
j 1
所对应的节点在b0插入后的路网距离变化得到，具体的：插入节点b0的距离变化量＝“t
j-1
对应的节点与tj对应的b0之间的路网距离” “tj对应的b0与t
j 1
对应的节点之间的路网距离
”‑“
t
j-1
对应的节点与t
j 1
对应的节点之间的路网距离”；
[0040]
其中，路网距离，即已知两点的经纬度，求两点间的真实路网的骑行距离，非两点间的直线距离。具体的：两节点之间的路径距离通过第三方高德地图开方平台api的路线规划服务amap.riding接口获取，通过传入两节点经纬度信息，解析返回的rideroute对象中的路网距离信息。
[0041]
步骤4.2.3：从n
′
条备选路径中选择出新增配送距离最小的x种路径选择，其中x可以是系统配置的，且x≤n
′
。
[0042]
步骤4.3：进入路径选择第二层-择优，该层主要计算x种备选路径的配送代价，然后选取配送代价最小的路径方案，其中配送代价不仅与新增配送距离有关还跟订单超时因素相关，该步骤具体如下：
[0043]
步骤4.3.1：遍历该x条备选路径，首先对每条备选路径的节点执行时间进行预测。以节点b的时间预测举例说明，设节点b的前一节点为a，对应订单i，骑手从节点a离开前往节点b，假设骑手在节点a的执行时间是ta，预测骑手在节点b执行时间tb的流程大致如下：
[0044]
1)假设节点b为商家取餐节点：
[0045]
1.计算骑行时间：t
cycle
＝(节点a、b两点距离)/骑行速度ρ，其中两节点距离通过上述高德开放平台api方法获取，ρ通过大数据预估特定城市骑手的平均骑行速度。
[0046]
2.骑手抵达节点b的时间＝ta t
cycle
。
[0047]
3.计算订单i的商家出餐时间tfoodi＝订单i对应的商家接单时间 订单i出餐时长，其中订单i对应的商家接单时间是由系统记录商家的接单动作时间，订单i出餐时长通过机器学习方法根据商家忙闲特征及菜品学习获取，这里不展开讨论。
[0048]
4.节点b的执行时间tb＝max(ta t
cycle
，tfoodi)，取骑手抵达节点b与商家出餐时
间两者时间的最大值。
[0049]
5.骑手在b点的超时时长t
delay
＝max(tb-tdai，0)＝max(max(ta t
cycle
，tfoodi)-tdai，0)，其中tdai是订单i的平台要求最晚商家取餐时间。
[0050]
2)假设节点b为用户送达节点：
[0051]
1.计算骑行时间：t
cycle
＝(节点a、b两点距离)/骑行速度ρ，其中两节点距离通过上述高德开放平台api方法获取，ρ通过大数据预估特定城市骑手的平均骑行速度。
[0052]
2.骑手抵达节点b的时间＝ta t
cycle
。
[0053]
3.计算订单i的上楼时长，通过机器学习方法根据地理位置poi分析学习获取，这里不展开讨论。
[0054]
4.节点b的执行时间tb＝ta t
cycle
订单i上楼时长。
[0055]
5.骑手在b点的超时时长t
delay
＝max(tb-tdbi，0)＝max(ta t
cycle
订单i上楼时长-tdbi，0)，其中tdbi是订单i的平台要求最晚用户送达时间。
[0056]
通过以上步骤，可以得到各备选路径的节点执行时间及超时时长。
[0057]
步骤4.3.2：遍历该x条备选路径，根据上述步骤获取的各备选路径的新增配送距离及各节点的超时时长，计算其配送代价
[0058][0059]
其中，i是订单编号，x是备选路径编号，μ是商家取餐的超时惩罚代价，λ是用户送达节点的超时惩罚代价。最后选取配送新单的路径规划采用如下公式：
[0060]
最小配送代价路径＝min(τ0，τ1，τ2…
τ
x
)
[0061]
步骤5：对骑手配送新单的路径规划做展示，应用在骑手app与后台系统中，使用第三方高德开放平台apiamap.riding，由于一次调用只能绘制两点间的骑行路网路线，可以通过多次调用就能绘制出多节点完整的路径规划。
[0062]
路径规划定义的合理性。考虑一种极端情形，即骑手空闲，则骑手可以立即配送新订单ro，定义当时骑手位置为p，商家位置为a，用户位置为b，定义新增路径距离distance
pa
distance
ab
，则
[0063][0064]
其中now()表示当前时间，tfood0是通过大数据对商家接收ro时出餐时间的预测，tda0＝骑手接单ro时间 15分钟，时间 15分钟，tdb0＝骑手接单ro时间 30分钟。
[0065]
本发明首次提出采用两层路径筛选得到最终的路径规划，相比于现有技术，能有效提高路径规划的效率，节约系统计算成本；并且本发明的方法同时兼顾配送效率与服务质量。
[0066]
如图2所示为平台派单的一个流程，本发明的方法在实际应用中指引着骑手在复杂的区域环境中按着最优顺序去执行订单的取送任务，同时路径规划给出的顺序结果展示在骑手app端作为指引，客观反映骑手的骑手路径、预计送达时间、订单超时情况等。
[0067]
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。