[发明专利]基于机器学习的物流运输路径规划方法、装置及系统

说明书

技术领域

本发明涉及物流路径的优化技术，尤其涉及一种基于机器学习的物流运输路径规划方法、装置及系统。

物流有“第三利润源泉”的称号，目前越来越受到人们的关注，正日益成为国民经济的基础产业。其中，车辆路径问题(VehicleRoutingProblem，VRP)是物流运输中的关键环节，车辆路径问题主要研究配送过程客户的分配和车辆的行驶路径优化。VRP问题是运筹学和组合优化领域的著名NP问题，在航班调度、列车编组等众多领域里都有应用。VRP问题提出至今已有50多年历史，一直都是理论研究的前沿和热点。虽然研究者建立了大量的模型，提出了许多的求解算法，但由于物流实际问题的复杂性以及新情况的出现，仍有大量问题有待解决。

目前的车辆路径问题的求解算法大多是基于两点间的距离为基础进行优化建模的静态方法，得出的运输路径规划结果往往并不理想，甚至是脱离实际而无法执行的。

发明内容

本发明解决的技术问题是提供一种基于机器学习的物流运输路径规划方法、装置及系统，通过在历史样本数据的基础上进行机器学习，能够高效地得到符合实际情况的路径规划结果。

为解决上述技术问题，本发明实施例提供一种基于机器学习的物流运输路径规划方法，包括：

接收运输订单数据；

分析所述运输订单数据，并根据分析结果和历史样本数据选择学习策略和学习算法；

按照选中的学习策略执行选中的学习算法，以得到运输路径规划结果；

获取在执行所述运输路径规划结果的过程中采集得到的实时物流运输数据，所述实时物流运输数据和运输路径规划结果被添加至所述历史样本数据中。

可选地，根据分析结果和历史样本数据选择学习策略和学习算法包括：

根据所述分析结果中包含的限制条件确定评价函数；

基于所述历史样本数据确定多种不同的学习策略和学习算法的评估结果；

采用所述评价函数对所述评估结果进行评价，以确定符合所述评价函数的学习策略和学习算法。

可选地，所述学习策略、学习算法和评价函数是可参数化配置的。

可选地，如果所述历史样本数据中包含的数据不足，导致所述学习策略和学习算法选择失败，则选择默认的学习策略和学习算法。

可选地，所述实时物流运输数据被添加至所述历史样本数据包括：

对所述实时物流运输数据进行处理，所述处理包括清洗、关联、归类和挖掘中的至少一种；

将处理的结果添加至所述历史样本数据，并作为样本数据供后续物流运输路径规划使用。

可选地，所述实时物流运输数据包括以下一种或多种：路况数据、行驶数据、车辆数据和驾驶员数据。

可选地，所述路况数据包括以下一种或多种：实时交通数据、道路限行数据、桥梁限重数据、桥梁限高数据、公路收费数据、超载罚款数据、道路宽度数据和交通事故数据；

所述行驶数据包括以下一种或多种：行驶轨迹数据、行驶速度数据、行驶时间数据及行驶距离数据；

所述车辆数据包括以下一种或多种：车辆型号、车辆尺寸、车辆自重、车辆载重、车辆容积、车辆年限及车况数据；

所述驾驶员数据包括以下一种或多种：驾驶年限数据、违章情况数据及健康状况数据。

可选地，所述学习策略包括以下一种或多种：时间优先策略、成本优先策略及可靠性优先策略。

可选地，所述学习算法包括以下一种或多种：最近最近邻学习算法、朴素贝叶斯学习算法、决策树学习算法、分类树学习算法、线性回归学习算法、模型树学习算法、神经网络学习算法、支持向量机学习算法、无监督学习算法、关联规则学习算法及K均值聚类学习算法。

可选地，所述运输订单数据包括以下一种或多种：起止点、运输对象、站点分布、运输数量、装箱尺寸、装箱重量、时间限制及成本限制。

本发明还提供了一种基于机器学习的物流运输路径规划装置，包括：

路径规划模块，配置为接收运输订单数据；

机器学习模块，配置为分析所述运输订单数据，并根据分析结果和历史样本数据选择学习策略和学习算法，所述机器学习模块还按照选中的学习策略执行选中的学习算法，以得到运输路径规划结果；

大数据处理模块，配置为获取在执行所述运输路径规划结果的过程中采集得到的实时物流运输数据，所述实时物流运输数据和运输路径规划结果被添加至所述历史样本数据中。

可选地，所述机器学习模块包括：

评价函数确定子模块，配置为根据所述分析结果中包含的限制条件确定评价函数；