基于外卖物流配送大数据的调度系统.pdfVIP

TREND 动态 105 的时间降到最低， 让分摊到有限运力上的 配送成本费用降到最低。 1 引言 实践证明， 在智能物流调度系统实施 之前， 物流订单需要由调度员手工分配， 每 餐 饮 O2 O 行业 连 接 线 上 线下的 订餐 个骑士每天最多配送 10单， 每单配送时长 需求， 将传统的到店消费模式改造成更加 超过 1 h。实施之后， 百度物流调度每天所 灵活便捷的到家消费模式， 极大降低了用 有订单都由算法自动选择最优化的方案调 户的消费成本 和商户的固定成本。 外卖平 配，每 个骑士的配 送 效率翻倍、 收入翻数 台除了促 进线上需求向线下转化， 也包括 倍，每单配送时长节省 50%以上， 覆盖全国 达 成订单 的 最 后 一公里任 务 ——基 于 城 100多个城市。 市道路交通状况的物流配送 [1] 。高效的物 流配 送能 力是 决 定 外卖平台商业 模 式 成 败的关键， 也是 O2O经济区别于传统经济 2 物流调度的云端计算模式 的根本， 即运用城市交通大数据相关的云 计算、 深度学习和可视化技术提升行业效 影响订单分配的因素 很多， 从订单生 [2] 成那一刻开始， 调度系统就要考虑到订单 率，创造并满足新的民生需求 。 的取餐地 址、用户的配 送 地 址、商圈内的 因此， 智能调度系统是外卖物流的最 核心环 节，依 托 海量历史订单数 据、 骑士 骑士数量和状态、 订单的预期送达时间。 （送餐员） 定位数 据、 精准的商户特征数 每一个订单并不是孤立存在的， 要想得到 据，针对骑士实时 情 景（任 务量、 配 送 距 全局最优的配送方案， 还必须考虑到这一 时段内其他订单的配送情况， 尽可能做合 离、并单情况、 评级） ，对订单进行智能匹 配，实现自动化调度以及资源的全局最优 并，提高整体的配 送效率。 如果再考虑到 配 置，在保证 系统效率的前提下， 最大限 不同城市、 商圈、 天气、 节假日、 工作日和 度地提高用户体验。 商圈骑士运力配置等情况， 事情就变得更 然而在外卖物流调度的真实场景中， 加复杂。 用户点了餐就希望能按时送 到，骑士上了 这是一个极其复杂的多目标动态优化 路就希望每趟路线能多配送几单， 商家接 问题 [3] ，可以表示为： min( f (x), f (x), …,f (x )),s.t. g(x) ≤0 1（） 了餐就希望骑士快 来取餐， 平台则关心如 1 2 n 何以最小的运力承接最大的配送压力， 而 其中，假设 f n (x ) 代表单个指标的优化目 且能扛住高峰时段突如其来的订单量。 更 标，举例如下。 f (x ) ：即时订单的配送时间越少越好。 加困难的是， 这些目标有时就是互相矛盾 1 的，满足了一方， 势必会 影响另一方， 调度 f 2 (x ) ：预约订单的送 达时间距离预约