整车物流网络的优化方法、装置及存储介质与流程

1.本发明涉及汽车物流领域，尤其涉及一种整车物流网络的优化方法、装置及存储介质。


背景技术：

2.汽车物流是以汽车和其零部件为物品的物流，覆盖了从零部件供应入厂到商品车交互销售商的全过程，是汽车产业供应链的重要组成部分和关键支持环节。汽车物流又可分为入厂、厂内和出厂三个物流环节，目前第三方汽车物流服务商主要提供入厂物流和出厂物流服务。其中属于出厂环节的整车物流是汽车物流最重要的一个组成部分，也是汽车物流中较早推行第三方物流模式且发展较为成熟的业务。
3.近年来，随着市场竞争的日趋加剧和成本的不断增加，国内整车物流企业普遍面临着降低成本和提升服务的矛盾，通过优化来达到物流成本和服务水平的最佳平衡，成为摆在所有整车物流企业面前重要且紧迫的一项课题。已有整车物流网络的网络结构如图1所示，主机厂1的新车出厂存入其对应的中心库中，之后，由中心库将整车配送至各个配送库（即一级配送网络），各个配送库通过分库调拨的方式将整车直接或者通过中间站配送至各个专营店（即二级配送网络），最终实现整车由中心库到各个专营店的运输。由于物流的网络结构直接关系到整车物流的成本和服务水平，因此其优化属于最重要且有效的整车物流优化。
4.然而，整车物流网络的复杂性和多变性决定了其优化工作的难度和风险，目前国内针对整车物流网络优化的研究还相对薄弱，各整车物流企业尚未形成先进、实用、可推广的优化技术和方法。


技术实现要素：

5.有鉴于此，有必要提供一种整车物流网络的优化方法、装置及存储介质，以解决现有技术中尚无有效可靠的方法对整车物流网络进行优化，来降低成本、提升物流服务的技术问题。
6.为实现上述目的，本发明一实施例提供了一种整车物流网络的优化方法，包括以下步骤：获取已有整车物流网络的网络位置信息，所述网络位置信息包括所述已有整车物流网络的中心库、配送库以及全部专卖店的位置坐标，所述配送库的数量记为n；从n个所述配送库中选取满足预设物流需求的配送库组合，得到多个配送库组合；对于每一配送库组合，根据全部专卖店的位置坐标以及该配送库组合中配送库的数量m，通过预设聚类算法对全部专卖店进行聚类得到m个聚类，依次获取该配送库组合中与每一聚类的聚类中心点位置最接近的配送库，并作为该聚类所包含的专卖店对应的配送库，将该配送库组合下各个配送库与专卖店的对应关系作为该配送库组合对应的配送方案；
根据预设运输成本模型和物流周期模型计算每一配送方案对应的成本和纳期，并从中筛选成本和纳期整体最优的配送方案作为所述已有整车物流网络的优化配送方案。
7.可选的，所述预设聚类算法为pam算法，通过预设聚类算法对全部专卖店进行聚类得到m个聚类的步骤包括：s1，从全部专卖店中任意选取m个点作为聚类中心点，每一专卖店对应一个点；s2，按照与聚类中心点最近的原则，将剩余的非中心点分配到当前的m个聚类中心点代表的m个类中，所述非中心点与聚类中心点之间的距离与两者之间的货运里程和货运量相关；s3，计算当前的全局损失值，所述全局损失值为所有点到聚类中心点的距离之和；s4，交换非中心点与聚类中心点，计算交换后的全局损失值；s5，判断交换后的全局损失值与交换前的全局损失值的大小，若全局损失值增大，则放弃此次交换，返回步骤s4，若全局损失值减小，则接受本次交换，返回步骤s2重复执行步骤s2至s5直至聚类中心点不再发生变化时，产出最终确定的m个聚类。
8.可选的，所述非中心点与聚类中心点之间的距离表示为：l=货运里程*货运量*费率，其中货运里程表示所述非中心点与聚类中心点之间的货运距离，所述货运量表示所述非中心点所代表的专卖店的预示量，所述费率表示运费单价。
9.可选的，获取该配送库组合中与每一聚类的聚类中心点位置最接近的配送库，并作为该聚类所包含的专卖店对应的配送库的步骤包括：对每一聚类，获取该聚类所包含的专卖店的重心；将该聚类的聚类中心点和所述重心的中心位置作为推荐配送位置；获取该配送库组合中与所述推荐配送位置最接近的配送库作为该聚类所包含的专卖店对应的配送库。
10.可选的，所述获取该聚类所包含的专卖店的重心的步骤包括：对每一聚类，获取该聚类所包含的每一专卖店的位置坐标和每一专卖店在预设时间段内的货运量；该聚类所包含的专卖店的重心的坐标为：重心坐标=sum(专卖店位置坐标*专卖店货运量)/sum(专卖店货运量），其中sum为求和运算。
11.可选的，所述预设运输成本模型包括：运输总成本=干线成本 末端成本，所述干线成本用于表示整车由中心库运输至配送库的成本，所述末端成本用于表示整车由配送库运输至专卖店的成本；所述预设物流周期模型包括：运输总纳期=干线纳期 末端纳期，所述干线纳期用于表示整车由中心库运输至配送库的纳期，所述末端纳期用于表示整车由配送库运输至专卖店的纳期。
12.可选的，筛选成本和/或纳期最优的配送方案作为已有整车物流网络的优化配送方案的步骤包括：根据满足预设物流需求的配送库数量，将配送库数量相同的配送库组合划分为一个配送库组合集；对于每一配送库组合集，从该配送库组合集包含的全部配送库组合对应的配送方
案中，根据预设运输成本模型和物流周期模型筛选成本和纳期整体最优的配送方案作为初级优化配送方案；从全部配送库组合集对应的初级优化配送方案中二次筛选成本和纳期整体最优的初级优化配送方案，作为最终的所述整车物流网络的优化配送方案。
13.本发明的另一实施例提供了一种整车物流网络的优化装置，包括：数据获取模块，用于获取已有整车物流网络的网络位置信息，所述网络位置信息包括所述已有整车物流网络的中心库、配送库以及全部专卖店的位置坐标，所述配送库的数量记为n；配送库组合模块，用于从n个所述配送库中选取满足预设物流需求的配送库组合，得到多个配送库组合；聚类模块，用于对每一配送库组合，根据全部专卖店的位置坐标以及该配送库组合中配送库的数量m，通过预设聚类算法对全部专卖店进行聚类得到m个聚类，依次获取该配送库组合中与每一聚类的聚类中心点位置最接近的配送库，并作为该聚类所包含的专卖店对应的配送库，将该配送库组合下各个配送库与全部专卖店的对应关系作为该配送库组合对应的配送方案；配送方案评价模块，用于根据预设运输成本模型和物流周期模型计算每一配送方案对应的成本和纳期，并从中筛选成本和纳期整体最优的配送方案作为所述已有整车物流网络的优化配送方案。
14.本发明的另一实施例提供了一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的整车物流网络的优化方法的步骤。
15.本发明的另一实施例提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如上所述的整车物流网络的优化方法的步骤。
16.与现有技术相比，本发明实施例提出的整车物流网络的优化方法，首先通过大数据分析技术对全部可能的配送库组合进行全局的计算，之后通过聚类算法获取每一配送库组合下，各个配送库与各个专卖店之间的对应关系，从而针对每一配送库组合形成一个可靠的配送方案，之后通过成本和纳期对各个配送方案进行筛选并将成本和纳期整体最优的配送方案作为优化配送方案，因此通过本发明优化方法得到的优化配送方案能够有效降低整车物流网络的成本，提高整车物流网络的服务水平，实现了对整车物流网络可靠有效的优化。
附图说明
17.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：图1为已有整车物流网络的结构示意图；图2为本发明整车物流网络的优化方法一实施例的流程图；图3为通过预设聚类算法对全部专卖店进行聚类得到m个聚类的流程图；图4为根据每一聚类的聚类中心点匹配对应的配送库的流程图；
图5为从n个配送库中选取m个配送库组合的原理示意图；图6为某一配送库组合与其对应的配送方案一实施例的示意图；图7为以国内某物流企业的整车物流网络一年的数据为基础，采用本发明实施例的优化方法进行优化时得到的配送库数量与总成本、干线成本、末端成本之间的关系图；图8为与图7对应的配送库数量与总纳期、干线纳期、末端纳期之间的关系图；图9为本发明整车物流网络的优化装置一实施例的结构框图。
18.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
19.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
20.下面结合说明书附图对本发明实施例作进一步详细描述。应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明。
21.本发明各实施例提供的整车物流网络的优化方法、装置及存储介质，主要基于现有的整车物流网络的拓扑结构、运作模式、成本、纳期等信息，通过定量计算，建立一套完整的整车物流网络优化方案，主要体现在对整车物流网络中配送库的选取、配送库与专卖店之间对应关系的确定、以及通过成本和纳期对配送方案的评价，从而得到一个成本和纳期整体最优的优化配送方案，实现对整车物流网络的优化，降低整车物流网络的成本，提高整车物流网络的服务水平。
22.实施例1请参考图2，图2为本发明整车物流网络的优化方法一实施例的流程图，如图2所示，其包括以下步骤：步骤s101，获取已有整车物流网络的网络位置信息，其中网络位置信息包括已有整车物流网络的中心库、配送库以及全部专卖店的位置坐标，配送库的数量记为n。需要说明的是，本发明各实施例中的专卖店包括但不限于4s店、专营店等类型的专卖店。
23.本发明实施例的优化方法，基于汽车主机厂已有的整车物流网络，通过大数据分析技术确定整车物流网络的评价指标最优时的优化配送方案，从而实现已有整车物流网络的优化。其中，整车物流网络的优劣可以通过成本、纳期等指标进行评价，因此整车物流网络的评价指标可以包括成本、纳期中的一个或多个。
24.为了利用已有的整车物流网络，首先需要获取已有整车物流网络的网络位置信息。具体的，网络位置信息可以包括中心库、配送库以及全部专卖店的位置坐标，该位置坐标可以为经纬度坐标，当然也可以采用其他坐标系中的坐标表示。
25.当位置坐标为经纬度坐标时，在具体实现时，可以通过高德地图api获取中心库、配送库以及全部专卖店的位置坐标。通过高德地图api获取网络位置信息时的输入和输出数据如下所示：（1）输入参数：高德key、专卖店地址名称，高德地图api返回专卖店的经纬度坐标；（2）输入参数：高德key、中心库名称，高德地图api返回中心库的经纬度坐标；
（3）输入参数：高德key、配送库名称，高德地图api返回配送库的经纬度坐标。
26.需要说明的是，本发明实施例中，专卖店的经纬度坐标通常是指专卖店所在城市的经纬度坐标，且本实施例中获取整车物流网络中某一节点（如中心库、配送库、专卖店）的经纬度坐标时，利用的是高德地图api已有的功能，其输入参数是通过脚本传递的，此处对高德地图api提供某一位置的经纬度坐标的功能不进行详细描述。
27.此外，在其他实施例中，已有整车物流网络的中心库、配送库以及全部专卖店的位置坐标还可以通过其他方法获取，只要能够获得其位置坐标即可，本发明不对其具体实现方案进行限制。当通过不同方法获得中心库、配送库以及专卖店的位置坐标以后，为了数据统一，还需要将各个节点的位置坐标统一转换为经纬度坐标，如将度分秒格式转换为度格式。
28.进一步的，网络位置信息还可以包括：已有整车物流网络中各个物流节点之间的距离，该距离包括中心库与配送库之间的距离s1以及配送库与专卖店之间的距离s2。具体的，可以进一步通过高德地图api获取该距离信息。如：（1）当输入参数为：高德key、起点经纬度、终点经纬度，且起点经纬度和终点经纬度分别对应中心库和配送库的经纬度坐标时，此时高德地图api可以返回中心库与配送库之间的距离s1，该距离为利用高德地图api的驾车路径规划功能实现的。
29.（2）当输入参数为：高德key、起点经纬度、终点经纬度、货车大小，且起点经纬度和终点经纬度分别对应配送库和专卖店的经纬度坐标时，此时高德地图api可以返回配送库与专卖店之间的距离s2，该距离为利用高德地图api的货车路径规划功能实现的。
30.需要说明的是，上述距离信息的获取也是利用高德地图api已有的功能实现的的，其输入参数是通过脚本传递的，具体可参考：路径规划 2.0-api文档-开发指南-web服务 api|高德地图api (amap.com)，此处对其具体实现原理不进行详细介绍。
31.同时，除了网络位置信息，为了实现对整车物流网络的成本和服务等指标的评价，还需要进一步获取已有整车物流网络的物流基础信息，物流基础信息包括已有整车物流网络的与成本和纳期相关的信息，其可以包括预示量数据、费率数据、纳期数据以及配送库站点数据等。具体的，预示量数据，包括中心库至全部专卖店一年的货运量、全国各个专卖店一年的货运量；费率数据，包括中心库至所有配送库的运费单价、配送库至专卖店的运费单价；纳期数据，包括铁路和公路的纳期规则数据；配送库站点数据，是指铁路站点信息数据，包括具体地址、经纬度坐标、库容、面积等。通过物流基础信息结合网络位置信息，可以计算得到某一整车物流网络的总成本和总纳期等数据。
32.步骤s102，从n个配送库中选取满足预设物流需求的配送库组合，得到多个配送库组合。
33.本实施例中，将已有整车物流网络的配送库数量记为n，对已有整车物流网络进行优化时，首先依据现有的配送库信息，基于预设物流需求穷尽所有可能数量的配送库组合方案。其中，预设物流需求是根据物流实际情况而设定的基础规则，如目前分布在全国的物流大区有7个，此时，预物流需求可以是：保证每一个大区至少有一个配送库。然后基于该预设物流需求，选取所有的配送库组合方案。
34.具体的，以预设物流需求为：保证全国7个物流大区中每一个大区至少有一个配送库，此时从n个配送库中选取满足预设物流需求的配送库组合的步骤包括：
采用回溯法从n个配送库中随机选取m个配送库，得到满足预设物流需求的全部的配送库组合。
35.其中，从n个配送库中随机选取m个配送库，得到的配送库组合数量为c(n，m)=n!/m!（n-m）!，通过回溯法筛选满足条件的配送库组合时，首先遍历m=7时的全部配送库组合，并从中排除未完全覆盖7个物流大区的配送库组合；之后，依次遍历m=8，...n时的配送库组合，最终可以得到全部可能的配送库组合。
36.其中，从n个配送库中选取m个配送库组合的具体示例以n=3，m=2为例进行描述，如图5所示，假设已有整车物流网络包括3个配送库，分别记为a、b、c，从3个配送库中随机选取2个配送库得到的配送库组合数量为：c（3,2）=3，得到的3个配送库组合分别为：a b、a c、b c。需要说明的是，该实施例中n=3，m=2的取值仅用于方便描述配送库组合的随机选取过程，而不代表本发明中m和n的取值范围。且通常情况下，由于整车物流网络需要涵盖全国范围，因此会在全国范围内设置多个配送库，且这些配送库至少会涵盖全国范围内7个物流大区，如在全国范围内设置32个配送库。
37.由于穷举所有可能的配送方案，其数据计算量大，尤其当n的取值越大时，有时可能存在上亿的组合，因此，本发明实施例中，采用大数据技术框架spark。spark是用于大规模数据处理的统一分析引擎、计算速度快、可实现大规模并发计算，用于满足本发明的大数据计算需求。
38.步骤s103，对于每一配送库组合，根据全部专卖店的位置坐标以及该配送库组合中配送库的数量m，通过预设聚类算法对全部专卖店进行聚类得到m个聚类，依次获取该配送库组合中与每一聚类的聚类中心点位置最接近的配送库，并作为该聚类所包含的专卖店对应的配送库，将该配送库组合下各个配送库与全部专卖店的对应关系作为该配送库组合对应的配送方案。
39.具体的，整车物流网络包括一级配送网络和二级配送网络，一级配送网络即中心库与配送库之间的配送网络，二级配送网络即配送库与专卖店之间的配送网络。为了实现对已有整车物流网络的优化，需要得到完整的一级配送网络信息和二级配送网络信息。当通过步骤s102得到全部的配送库组合后，即初步确定了可能的一级配送网络信息。进一步的，需要确定二级配送网络信息，即确定配送库与专卖店的对应关系。具体的，当通过步骤s102穷举得到满足预设物流需求的全部配送库组合后，需要依次针对每一配送库组合，确定该配送库组合下各个配送库与专卖店的对应关系，进而得到整车物流网络中的二级配送网络信息。
40.在一实施例中，通过预设聚类算法实现全部专卖店的聚类，然后为每一聚类匹配对应的配送库，进而确定配送库与专卖店的对应关系。如：针对某一配送库组合，若该配送库组合中配送库的数量为m，则通过预设聚类算法将全部专卖店进行聚类得到m个聚类，然后针对每一聚类，计算与该聚类的聚类中心点位置最接近的配送库，并作为该聚类所包含的专卖店对应的配送库，最终得到全部专卖店与配送库的对应关系，并将该配送库组合下各个配送库与专卖店的对应关系作为该配送库组合对应的配送方案。如图6所示，假设某一配送库组合包括2个配送库1和2，全国范围内的专卖店包括8个，分别记为x1、x2、x3、x4、x5、x6、x7、x8，通过预设算法对8个专卖店进行聚类后得到2个聚类，聚类1包括x1、x2和x3，聚类2包括x4、x5、x6、x7和x8，之后计算聚类1的聚类中心点与配送库1位置最接近，聚类2的聚类
中心点与配送库2位置最接近，则此时该配送库组合对应的配送方案为：中心库向配送库1和配送库2配送，配送库1向专卖店x1、x2、x3配送，配送库2向专卖店x4、x5、x6、x7和x8配送，即该配送方案为包括了一级配送网络和二级配送网络的完整的配送方案。
41.需要说明的是，现有技术中，聚类算法成熟，且种类较多，如划分类聚类算法包括k-means聚类算法、k-medoids聚类算法、k-modes、k-medians、kernel k-means等实现方式，本实施例中不限定具体的聚类算法。
42.步骤s104，根据预设运输成本模型和物流周期模型计算每一配送方案对应的成本和纳期，并从中筛选成本和纳期整体最优的配送方案作为已有整车物流网络的优化配送方案。
43.具体的，由于整车物流网络最重要的评价指标为成本和纳期，因此，在通过步骤s102和步骤s103得到多个配送方案后，需要通过成本、纳期等指标对各个配送方案进行评价，从中筛选中评价指标最优的配送方案作为最终的优化肉配送方案。在一些实施例中，可以只通过成本对得到的配送方案进行评价，从而筛选出成本最优的优化配送方案；也可以只通过纳期对配送方案进行评价，从而筛选中纳期最优的优化配送方案；还可以通过成本和纳期对配送方案进行2个维度的评价，从而筛选出成本和纳期整体最优的优化配送方案。本实施例中筛选最优的配送方案时，所用到的成本是指配送方案的总成本，所用到的纳期是指配送方案的总纳期。
44.本实施例中以通过成本和纳期2个指标对配送方案进行综合评价为例进行描述。在具体实现时，可以通过预设运输成本模型计算配送方案的成本，通过预设物流周期模型计算配送方案的纳期，进而得到各个配送方案的成本和纳期数据。具体的，根据预设运输成本模型和物流周期模型计算每一配送方案对应的成本和纳期，并从中筛选成本和纳期整体最优的配送方案作为已有整车物流网络的优化配送方案，其中，成本和纳期整体最优的配送方案可以为：纳期满足纳期需求的情况下成本最优的配送方案，其中纳期需求可以为例如2天内配送、5天内配送，7天内配送等。
45.具体的，预设运输成本模型包括：运输总成本=干线成本 末端成本，其中干线成本用于表示整车由中心库运输至配送库的成本，干线成本=干线费率*干线货运里程*预示量；末端成本用于表示整车由配送库运输至专卖店的成本，末端成本=末端费率*末端货运里程*预示量；其中预示量用于表示货运量，如干线成本中的预示量表示由中心库到配送库的货运量，末端成本中的预示量表示由配送库到专卖店的货运量，干线费率表示由中心库至配送库的运费单价（即每千米的运费价格）；末端费率表示由配送库至专卖店的运费单价；干线货运里程表示中心库至配送库的距离，末端货运里程表示配送库至专卖店的距离，这两个距离信息可以通过步骤s101中预先处理的网络位置信息得到，且物流基础信息中包括预示量数据、费率数据，因此对于某一配送方案，可以利用已有的物流基础信息和网络位置信息计算其运输总成本。
46.继续以图6所示整车物流网络包括1个中心库、2个配送库以及8个专卖店，具体的某一配送方案为：中心库向配送库1和配送库2配送，配送库1向专卖店x1、x2、x3配送，配送库2向专卖店x4、x5、x6、x7和x8配送，作为示例进行描述。假设中心库至配送库1的干线费率、干线货运里程、预示量分别表示为a1、b1和c1，中心库至配送库2的干线费率、干线货运里程、预示量分别表示为a2、b2、c2，则干线成本=a1*b1*c1 a2*b2*c2，同理可计算得到末端
成本，即配送库1与专卖店x1、x2、x3、以及配送库2与专卖店x4、x5、x6、x7和x8之间的成本之和。进而根据干线成本和末端成本可以计算得到该配送方案对应的运输总成本。
47.具体的，预设物流周期模型包括：运输总纳期=干线纳期 末端纳期，其中干线纳期用于表示整车由中心库运输至配送库的纳期，干线纳期根据干线纳期规则和预示量计算；末端纳期用于表示整车由配送库运输至专卖店的纳期，末端纳期根据末端纳期规则和预示量计算；其中，预示量用于表示货运量，如干线纳期中的预示量表示由中心库到配送库的货运量，末端纳期中的预示量表示由配送库到专卖店的货运量。
48.计算干线纳期时，预示量用于选择不同的铁运类型，如专列、大列、散列，不同的铁运类型，其干线纳期规则是不同的，干线纳期=干线日均货量对应的配板时间 固定出库时间 在途时间，如：对于专列，其干线纳期规则为：干线日均货量对应的配板时间为1天，固定出库时间为1天，在途时间为干线货运里程/（600km/天），当根据预示量选择专列运输时，可以根据该专列的干线纳期规则计算对应的干线纳期；对于大列，其干线纳期规则为：干线日均货量对应的配板时间为3天，固定出库时间为1天，在途时间为干线货运里程/（450km/天），当根据预示量选择大列运输时，可以根据该大列的干线纳期规则计算对应的干线纳期；依此类推，当根据预示量选择散列运输时，可以根据散列的干线纳期规则计算对应的干线纳期。同理，对于末端纳期，预示量用于选择不同的运输类型，如整板、待补位、零散，然后针对不同的运输类型，选择其对应的末端纳期规则，末端纳期=城市日均配板量对应的配板时间 固定出库时间 在途时间。如：对于整板，其末端纳期规则为：城市日均配板量对应的配板时间为1天，固定出库时间为0.5天，在途时间为干线货运里程/（200km/天），依此类推，可根据不同专卖店的预示量，计算得到整体的末端纳期。进而，可以根据干线纳期和末端纳期可以得到某一配送方案对应的运输总纳期。此外，对于一个配送方案，通过计算其干线纳期、末端纳期、总纳期，还可以得出该配送方案中由配送库-专卖店的72小时到店率、48小时到店率等信息。
49.以上描述了针对一个配送方案，计算该配送方案的总成本、总纳期的实现方案。依次计算每一个配送方案对应的总成本、总纳期，即可以得到全部配送方案的总成本、总纳期，然后根据总成本和总纳期选择成本和纳期整体最优的配送方案作为优化配送方案。
50.在一些实施例中，针对全部的配送库组合对应的全部配送方案，从中筛选优化配送方案时既可以直接将全部的配送方案进行直接比对，并采用可视化的方法进行显示，然后从中筛选成本和纳期整体最优的配送方案作为优化配送方案，也可以对全部的配送方案，分组进行多次筛选，最终得到成本和纳期整体最优的配送方案。具体的，当分组筛选最优的配送方案时，其实现方法可以为：（1）根据满足预设物流需求的配送库数量，将配送库数量相同的配送库组合划分为一个配送库组合集；以n=10为例，如满足预设物流需求的配送库数量包括m=7，m=8，m=9以及m=10四种情形，此时，配送库数量为7时的各个配送库组合构成一个配送库组合集，配送库数量为8时的各个配送库组合集构成一个配送库组合集，同理，配送库数量为10时的各个配送库组合构成一个配送库组合集，则筛选优化配送方案时，可以以配合库组合集为分组进行第一次的筛选。
51.（2）对于每一配送库组合集，从该配送库组合集包含的全部配送库组合对应的配
送方案中，根据预设运输成本模型和物流周期模型筛选成本和纳期最优的配送方案作为初级优化配送方案；如对于m=7时的配送库组合集，将m=7时的各个配送库组合对应的配送方案进行成本和纳期的评价，从中筛选成本和纳期整体最优的配送方案作为初步筛选得到的初级优化配送方案。同理，依次筛选m=8，m=9以及m=10时的初级优化配送方案。
52.（3）从全部配送库组合集对应的初级优化配送方案中二次筛选成本和纳期整体最优的初级优化配送方案，作为最终的所述整车物流网络的优化配送方案。
53.即从m=7，m=8，m=9以及m=10对应的4个初级优化配送方案中二次筛选成本和纳期整体最优的配送方案作为最终的优化配送方案。
54.通过上述步骤，实现了整个筛选过程中各个配送方案的纵向对比和横向对比。纵向对比，即当从n个配送库中选择m个配送库时选取此时的最优配送方案作为初级优化配送方案；横向对比，即对n选7、n选8、n选9，......，n选n对应的初级优化配送方案进行对比，从中选取最优配送方案作为最终的优化配送方案。
55.请参考图7和图8，图7为以国内某物流企业的整车物流网络一年的数据为基础，采用本发明的优化方法进行优化时，得到的配送库数量与总成本、干线成本、末端成本之间的关系图，图8为配送库数量与总纳期、干线纳期、末端纳期之间的关系图。如图7可以看出，当配送库数量增加时，由于干线里程增加，因此干线成本随配送库数量增加而增加，而当配送库数量增加时，末端里程会降低，因此末端成本会随配送库数量增加而降低，而总成本最低值出现的配送库数量范围为22-27，也即当配送库数量在22-27之间时总成本较低。如图8可以看出，当配送库数量增加时，干线凑铁路专列难度增加，因此，干线纳期增加；同时，末端固定配板时间占比较大，在途时间的影响不明显，因此末端成本随配送库数量增加只略微降低，变化趋势不明显。同时，总纳期随配送库数量增加而增加，但整体变化不大，都在可接受的变化范围内。由于配送库数量变化时，总纳期相对比较稳定，因此，在根据纳期和成本筛选最优的配送方案时，重点考虑配送库数量对成本的影响，实现在纳期达标的前提下降低物流成本。如对于图7和图8所示实施例，选取配送库数量为22至27之间的配送库组合对应的初级优化配送方案作为最终的优化方案。本发明通过对各个配送方案的成本和纳期等指标进行可视化展示，可以进行快速分析和筛选，得到成本和纳期整体最优的配送方案。需要说明的是，图7和图8中总成本与干线成本 末端成本之间的误差，以及总纳期与干线纳期 末端纳期之间的误差，是由于数据保留小数点导致的，其实质上是符合总成本与总纳期的计算公式的。
56.与现有技术相比，本发明实施例提供的整车物流网络的优化方法，首先通过大数据分析技术对全部可能的配送库组合进行全局的计算，之后通过聚类算法获取每一配送库组合下，各个配送库与各个专卖店之间的对应关系，从而针对每一配送库组合形成一个可靠的配送方案，之后通过成本和纳期对各个配送方案进行筛选并将成本和纳期整体最优的配送方案作为优化配送方案，因此通过本发明优化方法得到的优化配送方案能够有效降低整车物流网络的成本，提高整车物流网络的服务水平，实现了对整车物流网络可靠有效的优化。
57.实施例2本实施例与实施例1相比，对实施例1中的预设聚类算法进行进一步的改进设计。
现有的聚类算法种类繁多，而围绕中心点划分（partitioning around medoids，pam）算法是聚类的一种流行的实现，其修正聚类中心时是计算聚类中除开聚类中心的每点到其他所有点的聚类的最小值来优化新的聚类中心，因此其聚类结果对噪声和孤立点不敏感，聚类结果更精准，因此，本发明实施例中预设聚类算法选用pam算法。同时，为了使得已有pam算法能够应用于整车物流网络中专卖店的聚类，使其聚类结果能够更接近物流网络现状，本发明实施例进一步对已有pam算法进行了改进设计。
58.具体的，本实施例中，预设聚类算法为pam算法，针对某一配送库聚合，假设该配配送库组合包括m个配送库，此时通过预设聚类算法对全部专卖店进行聚类得到m个聚类的步骤如图3所示，其包括：s1，从全部专卖店中任意选取m个点作为聚类中心点，每一专卖店对应一个点；s2，按照与聚类中心点最近的原则，将剩余的非中心点分配到当前的m个聚类中心点代表的m个类中。
59.本实施例中，非中心点与聚类中心点之间的距离与两者之间的货运里程和货运量相关。具体的，非中心点与聚类中心点之间的距离可以表示为l=货运里程*货运量。其中，货运里程表示该非中心点与聚类中心点之间的货运距离，其可以通过实施例1中记载的高德地图api预先获取；货运量表示非中心点所代表的专卖店的预示量，该预示量可以用该专卖店在预设周期内的销售量表示，如某一专卖店的预示量为该专卖店在去年一年内的销售量q，即此时该专卖店所对应的非中心点的货运量为q。
60.在其他实施例中，非中心点与聚类中心点之间的距离还可以进一步的综合费率进行计算，此时非中心点与聚类中心点之间的距离可以表示为l=货运里程*货运量*费率，其中，费率代表的是单价(元/公里)，费率由业务提供。
61.对于本实施例中的改进pam算法，其输入数据除了包括各个专卖店的位置坐标、以及所对应的配送库组合中的配送库数量m以外，其输入数据还包括：各个配送库的位置坐标、任意两个专卖店之间的货运里程、每个专卖店的货运量、以及费率等信息；在本实施例所公开的pam算法中，将整车物流网络中的货运里程、货运量、费率等参数引入，用以计算非中心点与聚类中心点之间的距离，其实现了对已有pam算法中距离的优化，使聚类结果更接近整车物流网络的现状。
62.s3，计算当前的全局损失值，全局损失值为所有点到聚类中心点的距离之和。
63.s4，交换非中心点与聚类中心点，计算交换后的全局损失值；s5，判断交换后的全局损失值与交换前的全局损失值的大小，若全局损失值增大，则放弃此次交换，返回步骤s4执行下一次交换，若全局损失值减小，则接受本次交换，返回步骤s2重复执行步骤s2至s5。
64.s6，当聚类中心点不再发生变化时，产出最终确定的m个聚类。其中，聚类中心点不再发生变化，表示已经遍历了所有可能，此时确定的m个聚类中心点以及m个聚类为全局损失值最小的聚类。
65.之后，本发明可以进一步根据输出的m个聚类以及m个聚类中心点，依次获取其对应的配送库组合中与每一聚类的聚类中心点位置最接近的配送库，并作为该聚类所包含的专卖店对应的配送库，最终得到每个聚类所对应的配送库，并将该配送库组合下各个配送库与全部专卖店的对应关系作为该配送库组合对应的配送方案。
66.与现有技术相比，本实施例中预设聚类算法采用已有的pam聚类算法，且结合整车物流网络的网络特性对已有的pam距离算法进行改进设计，将整车物流网络中的货运里程、货运量、费率等参数引入，用以计算非中心点与聚类中心点之间的距离，其实现了对已有pam算法中距离的优化，使聚类结果更接近整车物流网络的现状。
67.实施例3本实施例为进一步提高配送方案的准确性，实现全局最优，避免出现局部最优的情况，当通过实施例2中改进的pam算法获取到m个聚类以及m个聚类中心点以后，需要再次利用重心法对聚类结果进行优化。
68.具体的，步骤s102中获取该配送库组合中与每一聚类的聚类中心点位置最接近的配送库，并作为该聚类所包含的专卖店对应的配送库的方法如图4所示，包括以下步骤：步骤s301，对每一聚类，获取该聚类所包含的专卖店的重心。
69.具体的，获取该聚类所包含的专卖店的重心的步骤包括：（1）对每一聚类，获取该聚类所包含的每一专卖店的位置坐标和每一专卖店在预设时间段内的货运量，如该预设时间段为1年；（2）该聚类所包含的专卖店的重心的坐标表示为：重心坐标=sum(专卖店位置坐标*专卖店货运量)/sum(专卖店货运量），其中sum为求和运算。
70.假设某一聚类共包含n个专卖店，专卖店对应的位置坐标由r表示，专卖店对应的货运量由s表示，则该聚类的重心坐标公式具体可以表示为：，其中i表示第i个专卖店，i为大于等于1且小于等于n的自然数，ri表示第i个专卖店对应的位置坐标，si表示第i个专卖店在预设时间段内的货运量。
71.步骤s302，将该聚类的聚类中心点和重心的中心位置作为推荐配送位置。即计算聚类中心点和重心坐标的均值，将该均值代表的位置作为推荐配送位置。
72.步骤s303，获取该配送库组合中与该推荐配送位置最接近的配送库作为该聚类所包含的专卖店对应的配送库。
73.与现有技术相比，本发明实施例通过改进的pam聚类算法计算得到聚类中心点以后，并非直接将该聚类中心点作为推荐配送位置，而是进一步结合重心法对该聚类的推荐配送位置进行改进，将该聚类的聚类中心点以及重心的中间位置作为推荐配送位置，然后再匹配与该推荐配送位置最接近的配送库，并将与该推荐配送位置最接近的配送库作为该聚类下所有专卖店的配送库，如此设置，进一步提高了配送库覆盖专卖店的准确性，从而达到一个全局最优，而不是局部最优。
74.实施例4本实施例公开了一种整车物流网络的优化装置100，如图9 所示，其包括数据获取模块10、配送库组合模块20、聚类模块30以及配送方案评价模块40。具体的：数据获取模块10，用于获取已有整车物流网络的网络位置信息，所述网络位置信息包括所述已有整车物流网络的中心库、配送库以及全部专卖店的位置坐标，所述配送库的数量记为n。
75.配送库组合模块20，用于从n个所述配送库中选取满足预设物流需求的配送库组合，得到多个配送库组合。
76.聚类模块30，用于对每一配送库组合，根据全部专卖店的位置坐标以及该配送库组合中配送库的数量m，通过预设聚类算法对全部专卖店进行聚类得到m个聚类，依次获取该配送库组合中与每一聚类的聚类中心点位置最接近的配送库，并作为该聚类所包含的专卖店对应的配送库，将该配送库组合下各个配送库与全部专卖店的对应关系作为该配送库组合对应的配送方案；配送方案评价模块40，用于根据预设运输成本模型和物流周期模型计算每一配送方案对应的成本和纳期，并从中筛选成本和纳期整体最优的配送方案作为所述已有整车物流网络的优化配送方案。
77.与现有技术相比，本发明实施例提供的整车物流网络的优化装置，首先通过大数据分析技术对全部可能的配送库组合进行全局的计算，之后通过聚类算法获取每一配送库组合下，各个配送库与各个专卖店之间的对应关系，从而针对每一配送库组合形成一个可靠的配送方案，之后通过成本和纳期对各个配送方案进行筛选并将成本和纳期整体最优的配送方案作为优化配送方案，因此通过本发明优化装置得到的优化配送方案能够有效降低整车物流网络的成本，提高整车物流网络的服务水平，实现了对整车物流网络可靠有效的优化。
78.需要说明的是，本发明整车物流网络的优化装置100，可以通过数据获取模块10、配送库组合模块20、聚类模块30以及配送方案评价模块40实现上述实施例1至3所描述的整车物流网络的优化方法，本发明不再对各个模块的具体实现过程进行详细描述。
79.实施例5本发明实施例提供了一种终端，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器实现如实施例1或2或3所记载的整车物流网络的优化方法的步骤。
80.实施例6本发明实施例提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如实施例1或2或3所记载的整车物流网络的优化方法的步骤。
81.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
82.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
83.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
84.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
85.尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
86.显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。