一种网络货运平台背景下的电商物流中转优化方法及系统

本发明涉及电商物流库存与运输管理技术领域，尤其涉及一种网络货运平台背景下的电商物流中转优化方法及系统。

背景技术：

随着电子商务的发展，电商物流行业营收规模也突破性增长，消费者对电商物流配送服务质量和响应速度也提出了更高的要求。但是我国电商物流起步较晚，发展速度与需求的矛盾日趋显著。

随着物流行业的发展以及互联网的普及，网络货运平台这一新兴物流模式出现在运输市场中，指经营者依托互联网平台整合配置运输资源，以承运人身份与托运人签订运输合同，委托实际承运人完成道路货物运输，承担承运人责任的道路货物运输经营活动。网络货运平台可凭借先进的互联网技术和大数据统一管理、统一调配，高效整合各地区线下运力资源。

网络货运平台背景下，电商物流配送流程为：上游供应商在电商平台设置品牌零售店进行产品销售，消费者在电商平台下单。电商平台将订单发送给与其合作的第三方物流供应商，其通过网络货运平台集中各地区运力进行订单配送。具体产品中转过程为上游供应商各地生产车间生产的产品提前进入第三方物流供应商的各地仓库存储，然后第三方物流供应商再根据订单匹配仓库或者从其他仓库进行调拨产品以满足消费者订单需求。

在传统电商物流库存中转过程存在以下痛点问题：

一、上游供应商补货量参差不齐，库存计划不尽科学。

由于上游各品牌供应商排产计划不一致，每个供应商每月补货量不固定。第三方物流供应商库存计划安排多根据仓库容量等情况进行简单安排，库存效率低，影响后续需求的响应速度。

二、下游消费者需求不确定，各品类产品在仓库存放比例不科学。

负责存储的第三方物流供应商承接多个品牌供应商的多种类产品，并且各品类产品的消费者需求具有较高的不确定性，而这些产品在库存中存放比例较为随意，多为补货量即为存放量，产品存放比例的不科学也会影响后续需求的响应速度。

三、调拨计划不合理，运输计划不科学，配送延误时有发生。

为满足消费者订单，第三方物流供应商进行仓库间产品调拨现象较为常见。但是不合理的调拨时有发生，然而由于各地区差异大，第三方物流供应商运力不够且调配不当，运输成本大，运输效率低，出现延误情况会导致服务质量下降，并且使得配送成本突增。

四、供应链协同效率低，库存中转效率低。

处于供应商与消费者之间的中转站，第三方物流供应商在进行库存管理时未充分地综合考虑上下游的实际情况，如上游补货不稳定、下游需求不确定等，进而导致库存中转效率低，供应商和消费者忠诚度下降。

技术实现要素：

本发明的目的是提供一种网络货运平台背景下的电商物流中转优化方法及系统，提升了库存中转效率，降低了配送延误率，并提升了用户的体验。

本发明的目的是通过以下技术方案实现的：

一种网络货运平台背景下的电商物流中转优化方法，包括：

从上游供应商获取各品类产品下期补货量，以及查询下游消费者各产品出库订单明细数据后对各品类产品下期需求量进行预测；

联合各品类产品下期补货量以及预测的下期需求量对各品类产品进行评分，将评分进行归一化确定各品类产品在各仓库的存放比例；

结合存放比例设定相关约束条件，以仓库存储总成本、平台运输总成本与固定费用最小化为目标，在满足设定约束条件下，建立一个库存中转优化模型，并求解出中转优化方案。

一种网络货运平台背景下的电商物流中转优化系统，用于实现前述的方法，该系统包括：

需求预测模块，用于从上游供应商获取各品类产品下期补货量，以及查询下游消费者各产品出库订单明细数据后对各品类产品下期需求量进行预测；

存放比例优化模块，用于联合各品类产品下期补货量以及预测的下期需求量对各品类产品进行评分，将评分进行归一化确定各品类产品在各仓库的存放比例；

库存中转优化模块，用于结合存放比例设定相关约束条件，以仓库存储总成本、平台运输总成本与固定费用最小化为目标，在满足设定约束条件下，建立一个库存中转优化模型，并求解出中转优化方案。

由上述本发明提供的技术方案可以看出，考虑以负责存储并利用网络货运平台集中运力进行运输的第三方物流提供商为核心，结合其上下游输入与输出来协同供应链库存中转以优化电商物流，该方法整体降低了仓库运营总成本以及库存周转时间，提升了库存中转效率，而且降低了配送延误率，使得配送服务质量明显改善，消费者满意度提升。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，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附图。

图1为本发明实施例提供的一种网络货运平台背景下的电商物流中转优化方法的流程图；

图2为本发明实施例提供的一种网络货运平台背景下的电商物流中转优化系统的示意图；

图3为本发明实施例提供的库存中转优化模块的示意图。

具体实施方式

下面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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，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，都属于本发明的保护范围。

本发明实施例提供一种网络货运平台背景下的电商物流中转优化方法，如图1所示，其主要包括：

步骤s1、从上游供应商获取各品类产品下期补货量，以及查询下游消费者各产品出库订单明细数据后对各品类产品下期需求量进行预测。

本发明实施例中，在一定提前期从上游供应商(企业)获取各品类产品下期期初补货量。提前期(例如下期期初补货前5天)为上游供应商与第三方物流供应商协商确定，加快货物中转是双方共赢的目标；获取并统计各品类产品补货量数据后导入存储至第三方物流供应商数据库。

本发明实施例中，期初补货量数据主要包括：产品所属品牌供应商、产品物料号(便于识别)、产品品类(如空调、电视、洗衣机等)、产品体积、产品补货总数量、产品生产车间(如某品牌位于某地的生产车间)。

本发明实施例中，查询下游消费者各产品出库订单明细数据主要包括：消费者订单编号(为保护消费者隐私，不统计姓名、手机号等个人信息)、订单提交时间、订单产品品类、订单产品需求数量、订单始发仓库、订单所属仓库、订单产品出库时间、订单完成时间等。

每期需求量可以按产品品类为属性(如某品牌的某类空调、某品牌的某类冰箱等)统计各仓库n期的每期需求数量(如2020年1月至6月，第三方物流供应商的合肥仓库中某品牌a空调需求订单出库为一月：1500台、2月：1280台；3月：890台；4月：788台；5月：689台；6月：2459台)

建立二次指数平滑时间序列预测模型，具体步骤为：

设置平滑系数α(0≤α≤1)；

第t期的一次指数平滑值为

第t期的二次指数平滑值为

第t+t期的预测模型为ft+t＝at+btt，其中，其中，yt是第t期的实际值；st1是第t周期的一次指数平滑值；st2是第t周期的二次指数平滑值，at与bt是建立的第t+t期的预测模型的常数项和系数项。

将统计的各仓库n期的每期需求数量代入时间序列预测模型可得下期各品类产品需求量预测值。

步骤s2、联合各品类产品下期补货量以及预测的下期需求量对各品类产品进行评分，将评分进行归一化确定各品类产品在各仓库的存放比例。

本发明实施例中，综合考虑各产品在各仓库的补货量与预测需求量设计产品存储评分机制，具体为一个线性评分机制，表示为：

sei＝wb*下期补货量+wx*预测的下期需求量

其中，sei为仓库i中产品e的评分；wb+wx＝1，wb、wx各自表示下期补货量、预测的下期需求量的权重。

之后，对评分进行归一化确定各品类产品在各仓库的存放比例，表示为：

其中，sei为仓库i中产品e的评分，r表示仓库中产品种类数目，lei表示产品e在仓库的i的存放比例。

再根据各品类产品在各仓库的存放比例，获得各品类产品在各仓库的当期可支配容量＝:lei*仓库i总可支配容量。

步骤s3、结合存放比例设定约束条件，以仓库存储总成本、平台运输总成本与固定费用最小化为目标，在满足设定约束条件下，建立一个库存中转优化模型，并求解出中转优化方案。

在介绍本步骤的优选实施方式之前，首先定义各项参数，主要如下：

m，上游供应商生产车间数量；

n，第三方物流供应商仓库数量；

r，上游供应商销售的产品种类总数；

从仓库i调至仓库j的产品e数量(i＝1,2,…,n；j＝1,2,…,n；i≠j；；e＝1,2,…,r；i,j,e∈n下同)；

从上游供应商生产车间k运至仓库j的产品e数量(k＝1,2,…,n，k∈n下同)；

t,单位周期长度(30天)；

产品e在仓库i当期预测需求总量；

产品e在仓库i当期平均消耗速率；

产品e在仓库i当期需求的标准差；

zi，仓库i服务水平对应的z值；

产品e在仓库i的当期存放比例；

产品e在仓库i的当期库存量；

产品e在仓库i当期平均库存水平；

vi，仓库i的总有效库存容量；

产品e在仓库i当期可支配容量；

上游供应商生产车间k的产品e的补货量预测值；

上游供应商各生产车间产品e的补货提前期；

仓库i中产品e上期剩余库存量；

产品e在仓库i一个周期的固定费用；

产品e在仓库i一个周期的单位存储费用；

αi，仓库i存储成本占所有仓库的权重；

产品e从仓库i至仓库j的单位运输费用，即网络货运平台委托实际承运人所付出的成本；

产品e从上游企业生产车间k至仓库i的单位运输费用，同上；

ctr，第三方物流供应商的库存中转时间上限。

下面介绍约束条件、以及结合约束条件与优化目标所建立的库存中转优化模型。

1、约束条件

本发明实施例中，约束条件主要包括：仓库存储容量限制约束、库存周转时间约束、上游补货量全部进仓约束、调出量约束以及非负且为整数约束。

1)由于仓库本身容量有限，并且通过存储比例优化后，各品类产品在各仓库可支配容量确定，因此，仓库存储容量限制约束可表示为：其中，为产品e在仓库i的当期库存量，为产品e在仓库i的当期可支配容量，利用产品e在仓库的i的存放比例计算得到。

2)由于库存周转时间在物流企业是衡量企业绩效的一个重要指标，且物流企业的竞争模式逐渐由成本优先逐渐转向为时间优先，则根据库存周转时间＝平均库存水平/日均需求量，由此可以得到，第三方物流供应商仓库j的库存周转时间为由于第三方物流供应商在库存周转时间上有一定的限制，因此，库存周转时间约束可表示为：其中，n为仓库数目，为产品e在仓库i的当期平均库存水平，为产品e在仓库i的当期平均消耗速率，ctr为第三方物流供应商的库存中转时间上限。

3)上游供应商各生产车间补货量需全部进仓，因此，上游补货量全部进仓约束可表示为：其中，为从上游供应商生产车间k运至仓库i的产品e数量，为上游游供应商生产车间k的产品e的补货量预测值。

4)由于仓库产品剩余库存量有限，调拨至其它仓库的产品总量不多于上期剩余库存量，因此，调出量约束表示为：其中，为从仓库i调至仓库j的产品e数量，为仓库i中产品e上期剩余库存量。

5)由于各决策变量是以产品数量为单位，因此，非负且为整数约束可表示为：k＝1,…,m；i,j＝1,…n；i≠j；其中，m为上游供应商生产车间数量。

2、优化目标及库存中转优化模型

本发明实施例中，优化目标为总成本最小，总成本主要包括：仓库存储总成本、平台运输总成本与固定费用。

1)仓库存储总成本表示为：其中，n为仓库数目，αi为仓库i的权重，为产品e在仓库i的当期平均库存水平。

产品e在仓库i的当期平均库存水平的计算方式为：

首先，根据带有安全库存的随机eoq模型进行拓展运用于电商物流背景下供应链库存中转过程，据此可推出仓库i期初产品e库存量是由上期剩余库存量加上上游供应商各生产车间补货量再减去调至其他仓库的产品数量得到，其中为上期产品剩余量、是从上游供应商各生产车间补货总量、是其他仓库调至仓库i的货物量、为仓库i调出至其他各仓库的货物量。

然后，得到产品e在仓库i当期平均库存量是由仓库i期初产品e库存量的二分之一和安全库存量组成，安全库存量ss是为应对随机因素可能引起的缺货风险而设置的一定数量的安全库存。

2)固定费用表示为：其中，为产品e在仓库i一个周期的固定费用。

3)平台运输总成本表示为：其中，为从上游供应商各生产车间补货运输至仓库的运输费用，m为上游供应商生产车间数量，为从上游供应商生产车间k运至仓库i的产品e数量，为产品e从上游供应商生产车间k至仓库i的单位运输费用；为各仓库之间调拨运输产生的费用，为从仓库i调至仓库j的产品e数量，为产品e从仓库i至仓库j的单位运输费用。

本发明实施例中，决策变量为：从上游供应商生产车间k运至仓库j的产品e数量从仓库i调至仓库j的产品e数量

基于上述信息，最终建立库存中转优化模型表示为：

之后，通过求解上述中转优化模型可以得到中转优化方案，也即最优的与具体来说，包括：库存计划(各仓库期初从上游供应商生产车间入库的产品数量以及后期调拨出入库的产品数量)与运输计划(上游供应商生产车间至各仓库以及各仓库之间的运输任务，即各端点间所需运输产品量)；其中，库存计划为仓库管理产品出入库提供指导，运输计划为网络货运平台合理安排运力进行运输提供指导。

考虑到由于库存中转优化模型是一个多参数的复杂np难问题，因此可通过启发式算法进行求解；具体的求解方法可通过常规技术来实现，下面提供一种基于自适应变异的粒子群算法的求解方法。

粒子群优化算法(particleswarmoptimization，pso)是一种全局优化进化算法，源于对鸟类捕食行为的模拟。基本思想是通过群体中个体之间的协作和信息共享来寻找最优解，现已成功应用于函数优化、神经网络训练、模糊系统控制等领域。但其在解决复杂的多峰搜索问题中，与其他全局最优化算法类似，存在早熟收敛现象。

本发明实施例中，运用一种自适应变异的粒子群优化算法(adaptivemutationparticleswarmoptimization，ampso)进行求解。

该算法在运行过程中通过借鉴遗传算法中的变异思想，在pso算法中引入变异操作，在迭代过程中不断缩小种群搜索空间，有效增强粒子群算法跳出局部最优解的能力。

求解带约束的整数规划问题的自适应变异的粒子群算法其具体流程如下：

步骤1：对粒子群的随机位置和速度进行初始设定，同时设定迭代次数。

步骤2：计算每个粒子的适应度(适应度函数fq＝crh+cro+crt)。

步骤3：对每个粒子，将其适应度值与所经历的最好位置pbestq的适应度值进行比较,若较好，则将其作为当前的个体最优位置。

步骤4：对每个粒子，将其适应度值与全局所经历的最好位置gbestq的适应度值进行比较，若较好，则将其作为当前的全局最优位置。

步骤5：根据下式更新粒子的速度：其中vq是粒子速度，是粒子当前位置，rand是[0,1]之间的随机数，c1和c2分别为自身认知系数和社会认知系数，示例性的，可设定c1＝c2＝2。w是加权系数，为改善算法的收敛性能，可采用线性递减权值(linearlydecreasingweight，ldw)策略，即w随算法迭代进行而线性减小，即w＝wmax-run*[(wmax-wmin)/runmax]；其中，wmax、wmin各自表示设定的加权系数的最大值、最小值(例如，可设置wmax＝0.9、wmin＝0.4)；run表示当前已经迭代的次数；runmax为设置的最大迭代次数。

步骤6：根据下式更新粒子的位置：

其中，c～u(0,1)，c～u(0,1)表示c服从于(0,1)上的均匀分布，即c取(0,1)的任一个值概率是相同的。

步骤7：对第q个粒子产生随机数rq∈[0,1]与给定常数变异概率pm，若r<pm,将粒子重新在解空间初始化，但该粒子迄今找到的最优位置仍然被记忆，然后再进入新一轮搜索。对所有粒子都实施上述变异操作，则种群变异完成。

步骤8：若达到设定的迭代次数，执行步骤9，否则转向步骤2；

步骤9：输出gbest，算法运行结束。此处输出的gbest即为最优的与

本发明上述实施例提供的方案，从技术上降低了仓库运营总成本以及库存周转时间，提升了库存中转效率，而且降低了配送延误率，使得配送服务质量明显改善，消费者满意度提升。

本发明另一实施例还提供一种网络货运平台背景下的电商物流中转优化系统，该系统用于实现前述实施例提供的方法，如图2所示，该系统主要包括：

需求预测模块，用于从上游供应商获取各品类产品下期补货量，以及查询下游消费者各产品出库订单明细数据后对各品类产品下期需求量进行预测；

存放比例优化模块，用于联合各品类产品下期补货量以及预测的下期需求量对各品类产品进行评分，将评分进行归一化确定各品类产品在各仓库的存放比例；

库存中转优化模块，用于结合存放比例设定相关约束条件，以仓库存储总成本、平台运输总成本、固定费用最小化为目标，在满足设定约束条件下，建立一个库存中转优化模型，并求解出中转优化方案。

如图3所示，所述库存中转优化模块包括：数据输入单元、库存中转单元及计划输出单元

1)所述数据输入单元，用于输入建立库存中转优化模型以及求解中转优化方案所需的数据，并分类存储；如图3所示，相关数据主要包括：入库产品基本数据、仓库基本数据、车辆基本数据、需求预测数据、补货量数据、各类费用基本数据等。

2)所述库存中转单元，用于建立库存中转优化模型，并求解出中转优化方案。

3)所述计划输出单元包括：库存计划单元与运输计划单元，用于对应的输出库存计划与运输计划。

值得注意的是，上述系统所涉及主要技术细节在之前的方法实施例中已经做了详细的说明，故不再赘述。

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上述实施例可以通过软件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，上述实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)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的方法。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将系统的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。