基于大数据处理的多式联运组织模式动态优化方法与流程 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明涉及多式联运数据优化技术领域，尤其涉及一种基于大数据处理的多式联运组织模式动态优化方法。背景技术：2.随着经济全球化的发展与生活水平的提高，货运需求不断增长，长距离运输的比重也不断攀升，在长距离运输中由于货物的不同以及目的地之间运力条件的不同，通常采用多式联运的运输方法解决此类问题。3.目前，一方面由于现有的各个物流企业之间合作关系并不紧密，导致采用多式联运的运输方式时不能根据各地的运力条件合理规划物流运输组织模式动态，另一方面由于多式联运运输网络涵盖的公铁水三路运输网的数据十分庞大，组织模式动态选择并不合理，从而导致物流运输效率低以及运输成本高等问题。4.因此，针对上述物流资源无法合理分配，组织模式无法有效支撑运输降成本等问题，需要提出新的多式联运组织模式优化方法。技术实现要素：5.本发明提供一种基于大数据处理的多式联运组织模式动态优化方法，用以解决现有技术中针对多式联运物流资源分配不均衡、无法有效降低运输成本的缺陷。6.第一方面，本发明提供一种基于大数据处理的多式联运组织模式动态优化方法，包括：获取目标区域的运输网络节点，基于所述运输网络节点构建多式联运运输网格模型；确定所述多式联运运输网格模型的目标函数，根据所述目标函数将所述多式联运运输网格模型转换为多式联运路径优化模型；确定所述多式联运路径优化模型的约束条件函数，建立带有约束条件的多式联运路径优化模型；采用预设优化算法求取所述带有约束条件的多式联运路径优化模型，得到多式联运组织模式的最低运输成本优化结果。7.第二方面，本发明还提供一种基于大数据处理的多式联运组织模式动态优化系统，包括：构建模块，获取目标区域的运输网络节点，基于所述运输网络节点构建多式联运运输网格模型；确定模块，用于确定所述多式联运运输网格模型的目标函数，根据所述目标函数将所述多式联运运输网格模型转换为多式联运路径优化模型；约束模块，用于确定所述多式联运路径优化模型的约束条件函数，建立带有约束条件的多式联运路径优化模型；优化模块，用于采用预设优化算法求取所述带有约束条件的多式联运路径优化模型，得到多式联运组织模式的最低运输成本优化结果。8.第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于大数据处理的多式联运组织模式动态优化方法。9.本发明提供的基于大数据处理的多式联运组织模式动态优化方法，通过建立组织模式动态优化模型在物流运输的动态过程中根据物流运输路径的不同动态选择物流运输方式，解决了采用多式联运的运输方式时不能根据各地的运力条件合理规划物流运输组织模式动态，达到了提高了物流运输效率的效果；并通过以总成本最小为目标函数，建立物流路径优化模型，解决了物流运输成本高的技术问题，达到了节约物流成本的技术效果。附图说明10.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。11.图1是本发明提供的基于大数据处理的多式联运组织模式动态优化方法的流程示意图；图2是本发明提供的基于大数据处理的多式联运组织模式动态优化系统的结构示意图；图3是本发明提供的电子设备的结构示意图。具体实施方式12.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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做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。13.图1是本发明实施例提供的基于大数据处理的多式联运组织模式动态优化方法的流程示意图，如图1所示，包括：步骤100：获取目标区域的运输网络节点，基于所述运输网络节点构建多式联运运输网格模型；步骤200：确定所述多式联运运输网格模型的目标函数，根据所述目标函数将所述多式联运运输网格模型转换为多式联运路径优化模型；步骤300：确定所述多式联运路径优化模型的约束条件函数，建立带有约束条件的多式联运路径优化模型；步骤400：采用预设优化算法求取所述带有约束条件的多式联运路径优化模型，得到多式联运组织模式的最低运输成本优化结果。14.具体地，根据目标区域，通常是将全国范围内各区域的城市节点作为运输网络节点，以各运输网络节点为基础，构建多式联运运输网格模型，采用一定的模型条件假设，本发明实施例以冷链运输为背景，构建多式联运运输网格模型的目标函数，进而得到多式联运路径优化模型，进一步在多式联运路径优化模型基础上增加相应的约束条件，建立基于成本分析及相关约束条件的路径优化模型，最后采用优化算法，例如免疫优化算法对增加了约束条件的路径优化模型进行优化求解，得到最低运输成本下的多式联运组织模式优化结果。15.本发明通过建立组织模式动态优化模型在物流运输的动态过程中根据物流运输路径的不同动态选择物流运输方式，解决了采用多式联运的运输方式时不能根据各地的运力条件合理规划物流运输组织模式动态，达到了提高了物流运输效率的效果；并通过以总成本最小为目标函数，建立物流路径优化模型，解决了物流运输成本高的技术问题，达到了节约物流成本的技术效果。16.基于上述实施例，所述获取目标区域的运输网络节点，基于所述运输网络节点构建多式联运运输网格模型，包括：采集所述运输网络节点的运力规模数据，根据预设运力规模数据确定所述运输网络节点的多式联运组织模式类型；根据所述多式联运组织模式类型，获取货物运输实际运输路径；基于所述货物运输实际运输路径获取运输网络信息数据，利用所述运输网络信息数据构建所述多式联运运输网格模型。17.其中，所述多式联运组织模式类型包括铁路水路联运、公路水路联运和公路水路铁路联运。18.具体地，本发明实施例根据目标区域范围内各区域的运力条件确定其合适的多式联运组织模式的类别，选取大部分大中城市作为网络节点，并结合节点间不同的运输方式，模拟现实条件下货物的运输路径及多式联运组织模式，获取多式联运路径规划网络运输信息数据。19.需要说明的是，本发明实施例中的多式联运组织模式的类别选取了主流的联运模式，主要包括铁水联运，公水联运，公铁水联运。20.基于上述实施例，所述确定所述多式联运运输网格模型的目标函数，根据所述目标函数将所述多式联运运输网格模型转换为多式联运路径优化模型，包括：确定以冷链运输总成本最小为所述目标函数，所述目标函数通过基础运输成本、中转成本、损耗成本、时间窗惩罚成本和制冷成本求和得到；任一路段采用任一运输方式与任一路段运输距离以及任一路段单位运费的乘积在所有运输网络节点和所有运输方式中的求和全集，与集装箱数量的乘积，得到所述基础运输成本；任一运输网络节点由任一运输方式转变为任一其它运输方式与任一节点单位转运费的乘积在所有运输网络节点和所有运输方式中的求和全集，与所述集装箱数量的乘积，得到所述中转成本；由威布尔三参数确定的损失函数与所述集装箱数量、单位集装箱货物量和运输货物单价的乘积，得到所述损耗成本；通过获取货物运输时间确定时间窗惩罚成本；任一路段中车厢内外表面温差与所述任一路段采用任一运输方式以及任一路段上采用任一运输方式运输时间的乘积在所有运输网络节点和所有运输方式中的求和全集，与所述集装箱数量、热导率、冷藏车厢体表面积和单位制冷成本的乘积，得到所述制冷成本。21.所述通过获取货物运输时间确定时间窗惩罚成本，包括：确定货物预设最早到达时间、货物预设最晚到达时间、货物运输允许最早到达时间和惩罚费用；若确定所述货物运输时间小于所述货物预设最早到达时间或大于货物预设最晚到达时间，则所述时间窗惩罚成本为所述惩罚费用；若确定所述货物运输时间大于等于货物运输允许最早到达时间且小于所述货物预设最早到达时间，则所述时间窗惩罚成本为所述物预设最早到达时间与所述货物运输时间求差后，再与所述集装箱数量、所述单位集装箱货物量和单位库存成本相乘；若确定所述货物运输时间大于等于所述货物预设最早到达时间且小于所述货物预设最晚到达时间，则所述时间窗惩罚成本为0。22.具体地，首先确定基于模型的条件假设，本发明实施例假设货物在运输中始终处在集装箱中，作为一个整体不被分开运输。运输工具与中转能力充足，能够满足这次运输。货物在节点能够及时开始转运工作。23.以总成本最小为目标函数，建立以冷链运输为背景的路径优化模型；总成本包括基础运输成本、中转成本、损耗成本、时间窗惩罚成本、制冷成本；其中基础运输成本为在使用运输工具在路径上运输时，基础运输费用与所选路径的运输距离呈正相关线性关系：其中，表示最小总成本，损耗成本采用威布尔weibull三参数分布函数来描述货物运输途中的变质损耗情况。24.对于中转成本，当城市节点中转变量为 1 时，产生中转成本。25.威布尔weibull三参数分布函数描述的损耗成本：其中，是函数的尺度因子，；是函数的形状因子，；为函数的位置因子，为时间。由该分布函数得到货物的损耗率，以计算损耗成本。26.对于时间窗惩罚成本，约束时间内不收取惩罚费用，货物提前送达而没有超出允许最早时间时，收取相应的仓储费用，其他时间段惩罚成本无限大：其中，为货物送达时间，表示允许货物运输提前到达的最早时间，为货物到达的最早规定时间，为货物到达的最晚规定时间，为惩罚费用。27.对于制冷成本，通过计算冷藏车产生的热负荷换算成制冷所产生的燃油消耗，热负荷来源于车厢内外温度差，计算公式为：其中，为热负荷，为热导率，单位为1000，为车厢外的环境温度，为车箱内的温度，为厢体受到太阳辐射的面积，通常通过车厢内表面积和外表面求出，即。28.因此，最小总成本具体为：其中，决策变量：表示在路段上采用第种运输方式进行运输；表示在运输网络节点上发生由第种运输方式转变到第种运输方式的中转运输，决策变量皆为变量。其他符号：为城市节点集合；为运输方式集合；表示在路段上使用第种方式的运输时间，为此时的单位运费，为此时的运输距离；表示在节点运输方式由转为的转运时间，为此时的单位转运费用；表示单位集装箱的货物量；表示使用的集装箱数量；表示运输货物的单价；表示规定的时间窗，表示允许运输提前到达的最早时间；表示单位库存成本；表示集装箱厢内外温度差；表示单位制冷成本；表示运输方式总数，表示运输网络节点总数。29.基于上述实施例，所述确定所述多式联运路径优化模型的约束条件函数，建立带有约束条件的多式联运路径优化模型，包括：以任一路段采用任一运输方式与任一路段上采用任一运输方式运输时间的乘积，加上任一运输网络节点由任一运输方式转变为任一其它运输方式与任一运输网络节点由任一运输方式转变为任一其它运输方式转运时间的乘积之和在所有运输网络节点和所有运输方式中的求和全集，确定运输总时间限制条件函数；以所述任一路段采用任一运输方式在所有运输方式中的求和全集小于等于1，确定运输方式限制条件函数；以任一运输网络节点由任一运输方式转变为任一其它运输方式在所述所有运输方式中的求和全集小于等于1，确定运输次数限制条件函数；以所述任一运输网络节点由任一运输方式转变为任一其它运输方式在所述所有运输方式中的求和全集，分别与所述任一路段采用任一运输方式在所述所有运输网络节点的求和全集，以及任一其它路段采用任一运输方式在所述所有运输网络节点的求和全集相等，确定前后选择平衡约束限制条件函数。30.具体地，针对多式联运路径优化模型，确定如下多个约束条件：总运输时间：运输方式限制：运输次数限制：前后选择平衡约束：前后选择平衡约束：基于上述实施例，所述采用预设优化算法求取所述带有约束条件的多式联运路径优化模型，得到多式联运组织模式的最低运输成本优化结果，包括：采用免疫优化算法确定所述带有约束条件的多式联运路径优化模型的抗体编码，所述抗体编码中的运输网络节点包括第一状态编码和第二状态编码，所述抗体编码中的运输方式包括第一方式编码、第二方式编码和第三方式编码；对所述抗体编码进行若干次初始化输出初始抗体群；基于所述初始抗体群进行抗体多样性评价，获得所述最低运输成本优化结果。31.其中，所述基于所述初始抗体群进行抗体多样性评价，获得所述最低运输成本优化结果，包括：通过确定抗体适应度函数为目标函数的倒数，以及初始化抗体个体最优库确定抗体适应度；通过确定任意两个抗体编码中相同编码的位数大于预设阈值，获取所述任意两个抗体的抗体相似度确定抗体相似度；通过获取与各抗体具有抗体相似度的个体与所述初始抗体群的比例确定抗体相似度；基于多样性评价参数、所述抗体适应度、所述初始抗体群和所述抗体浓度，得到每个抗体的期望繁殖概率；确定将所述初始抗体群中具有最高所述期望繁殖概率的若干抗体存入记忆库中作为记忆细胞，将其余抗体作为父代群体；计算经过预设遗传操作形成的子代群体和所述记忆细胞的适应度值，更新所述抗体个体最优库，提取更新后抗体个体最优库中具有最大适应度的最优抗体，重复执行更新过程，直至满足更新终止条件，输出群体最优抗体适应度值；采用预设工具对所述群体最优抗体适应度值进行求解，输出所述最低运输成本优化结果。32.具体地，本发明实施例采用免疫优化算法进行模型求解，首先构建免疫优化算法的抗体编码，运输网络节点选用0和1编码，即经过该节点为1，否则为0；运输方式用1，2，3进行编码，分别代表公路、铁路、水路，进行f次编码初始化f个抗体形成初始抗体群。33.然后进行抗体多样性评价，包括如下实现步骤：1）确定抗体适应度，将适应度函数设置为目标函数的倒数，并初始化抗体个体最优库；2）确定抗体相似度，当两个抗体编码中相同编码的位数大于设定的阈值 ps，则表示这两种抗体相似；3）确定抗体浓度，由抗体与抗体之间的相似度来计算，每个抗体的浓度为群体中与该抗体相似个体占群体总数的比例；4）由抗体的适应度值和浓度计算每个抗体的期望繁殖概率；其中，f表示进行f次编码初始化得到f个抗体所形成的初始抗体群，为抗体v的适应度值，θ为多样性评价参数，为抗体浓度；5）将抗体中期望繁殖概率最高的 r个抗体存入记忆库中作为记忆细胞，期望繁殖概率最高的（f-r）个抗体构成父代群体；6）对抗体群进行更新，计算经过遗传操作（如选择、交叉和变异）形成的子代群体和记忆细胞的适应度值，更新抗体的个体最优库，并从个体最优中找出适应度最大的群体最优抗体并记录；将子代细胞的个体最优与记忆细胞结合生成新的抗体群，返回“抗体多样性评价”步骤进行下一次迭代，直到满足终止条件，输出记录的群体最优抗体适应度值；7）采用数学工具，如matlab对具体算例进行求解，确定具体运输场景下模型内的各参数及相关成本后，设定抗体种群规模个数，记忆库容量个数，交叉概率，变异概率，相似度阈值，多样性评价参数，迭代次数后，求解得到某场景下的最低运输成本的组织模式优化模型，输出最低运输成本优化结果。34.下面对本发明提供的基于大数据处理的多式联运组织模式动态优化系统进行描述，下文描述的基于大数据处理的多式联运组织模式动态优化系统与上文描述的基于大数据处理的多式联运组织模式动态优化方法可相互对应参照。35.图2是本发明实施例提供的基于大数据处理的多式联运组织模式动态优化系统的结构示意图，如图2所示，包括：构建模块21、确定模块22、约束模块23和优化模块24，其中：构建模块21获取目标区域的运输网络节点，基于所述运输网络节点构建多式联运运输网格模型；确定模块22用于确定所述多式联运运输网格模型的目标函数，根据所述目标函数将所述多式联运运输网格模型转换为多式联运路径优化模型；约束模块23用于确定所述多式联运路径优化模型的约束条件函数，建立带有约束条件的多式联运路径优化模型；优化模块24用于采用预设优化算法求取所述带有约束条件的多式联运路径优化模型，得到多式联运组织模式的最低运输成本优化结果。36.图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(communications interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行基于大数据处理的多式联运组织模式动态优化方法，该方法包括：获取目标区域的运输网络节点，基于所述运输网络节点构建多式联运运输网格模型；确定所述多式联运运输网格模型的目标函数，根据所述目标函数将所述多式联运运输网格模型转换为多式联运路径优化模型；确定所述多式联运路径优化模型的约束条件函数，建立带有约束条件的多式联运路径优化模型；采用预设优化算法求取所述带有约束条件的多式联运路径优化模型，得到多式联运组织模式的最低运输成本优化结果。37.此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（rom，read-only memory）、随机存取存储器（ram，random access memory）、磁碟或者光盘等各种可以存储程序代码的介质。38.另一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于大数据处理的多式联运组织模式动态优化方法，该方法包括：获取目标区域的运输网络节点，基于所述运输网络节点构建多式联运运输网格模型；确定所述多式联运运输网格模型的目标函数，根据所述目标函数将所述多式联运运输网格模型转换为多式联运路径优化模型；确定所述多式联运路径优化模型的约束条件函数，建立带有约束条件的多式联运路径优化模型；采用预设优化算法求取所述带有约束条件的多式联运路径优化模型，得到多式联运组织模式的最低运输成本优化结果。39.以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。40.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。41.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!