一种货运智能调度方法、装置、设备及存储介质与流程

本发明涉及物流运输领域，尤其涉及一种货运智能调度方法、装置、设备及存储介质。

背景技术：

1、随着生活水平的不断提高，城镇化的高速推进，我国城市的转运货物越来越多，因此，在许多行业上货物运输的需求越来越大，如冷冻食品、快递、水泥、渣土等。近些年来，物流车辆的需求显著上升，需要更多地减少人流量，而加大车辆对货物的运输；其次，对于房屋的建设、社会基础设置的建设与升级、冷冻食品的运输效率，在这些过程中，物流运输车辆的效率、跑车路线也会对其产生一定的影响。

2、目前，现有方案针对同城物流配送用户较多的问题，把配送区域根据客户位置的经纬度、货物需求量等信息进行聚类分析，分成若干个配送子区域，再对各个子区域人工建立相应的车辆调度模型，从而对该问题模型进行求解，当前多用启发式算法（遗传算法、粒子群算法等）求解人工建立车辆调度模型，都是针对特定车型、车辆调度问题，建立相对应的调度模型，从而设计了一种求解模型。人工建立特定问题模型和求解模型存在泛化能力低的问题且原问题有小的变动就需要重新设计。而现有方案中尚未考虑回程空驶造成资源浪费的问题，进而导致现有方案存在如下缺点：1、无法实现订单与车辆全面的匹配。针对冷门地区和热门地区，订单的热度完全是不一样的，绝大多数的货运车辆都会更倾向于接受热门地区的订单，从而造成冷门地区的订单无车辆进行货运调度的情况。2、未考虑到车辆的回程空驶。仅使用规则的方法从结果上进行车辆的分配，而未深入地基于其内在联系进行分配，从而造成调度资源的浪费。

技术实现思路

1、本发明提供了一种货运智能调度方法、装置、设备及存储介质，用于提高调度效率和调度的全面性并且降低了车辆的回程空驶里程。

2、本发明第一方面提供了一种货运智能调度方法，所述货运智能调度方法包括：

3、采集终端生成的第一货运订单数据以及第一货运车辆数据；

4、对所述第一货运订单数据以及所述第一货运车辆数据进行聚类分析，得到目标聚类数据；

5、对所述目标聚类数据进行有向回环图仿真环境构建，得到有向图仿真模型；

6、根据所述有向图仿真模型生成货运订单数据集和货运车辆数据集，并根据所述货运订单数据集和所述货运车辆数据集生成第一货运数据特征；

7、将所述第一货运数据特征输入预置的ddqn模型进行模型训练，得到货运订单匹配模型；

8、获取待处理的第二货运订单数据以及第二货运车辆数据，并将所述第二货运订单数据以及所述第二货运车辆数据输入所述货运订单匹配模型进行车辆和订单全局匹配，得到目标匹配结果。

9、结合第一方面，在本发明第一方面的第一实施方式中，所述对所述第一货运订单数据以及所述第一货运车辆数据进行聚类分析，得到目标聚类数据，包括：

10、对所述第一货运订单数据以及所述第一货运车辆数据进行数据分类，得到订单上货数据以及订单卸货数据；

11、构建所述订单上货数据的散点分布图，并基于预设的上货点半径距离，对所述散点分布图进行gps数据筛选，得到上货点gps数据；

12、对所述上货点gps数据进行点集合转换，得到目标点集合，并对所述目标点集合进行均值计算，得到目标均值点；

13、基于所述目标均值点生成所述上货点gps数据对应的目标聚类数据。

14、结合第一方面，在本发明第一方面的第二实施方式中，所述对所述目标聚类数据进行有向回环图仿真环境构建，得到有向图仿真模型，包括：

15、基于所述目标聚类数据，获取上货点经纬关联信息以及卸货点经纬关联信息；

16、创建有向图的上货节点和卸货节点，并在所述上货节点上添加所述上货点经纬关联信息，以及在所述卸货节点上添加所述卸货点经纬关联信息；

17、创建有向图的边，其中，所述有向图的边包括：上货节点指向卸货节点的第一有向图边、卸货节点指向上货节点的第二有向图边；

18、在所述第一有向图边上添加车牌号、相连节点间的距离、运输时间、重量和货运价格，并在所述第二有向图边上添加车牌号和距离；

19、通过所述上货节点、所述卸货节点、所述第一有向图边以及所述第二有向图边进行有向回环图仿真环境构建，得到有向图仿真模型。

20、结合第一方面，在本发明第一方面的第三实施方式中，在所述对所述目标聚类数据进行有向回环图仿真环境构建，得到有向图仿真模型之后，所述方法还包括：

21、获取所述有向图仿真模型的关联车辆信息、上货节点信息以及下货节点信息；

22、通过强化学习进行车辆与订单的匹配，并更新当前订单和车辆数据；

23、当车辆完成订单后，对车辆与订单信息进行更新，并通过所述有向图仿真模型返回当前车辆与订单的信息。

24、结合第一方面，在本发明第一方面的第四实施方式中，所述根据所述有向图仿真模型生成货运订单数据集和货运车辆数据集，并根据所述货运订单数据集和所述货运车辆数据集生成第一货运数据特征，包括：

25、获取所述有向图仿真模型的节点信息以及边信息，并基于所述节点信息以及所述边信息生成货运订单数据集和货运车辆数据集；

26、根据所述货运订单数据集生成货物订单特征，以及根据所述货运车辆数据集生成货运车辆特征；

27、对所述货物订单特征以及所述货运车辆特征进行特征整合，得到第一货运数据特征。

28、结合第一方面，在本发明第一方面的第五实施方式中，所述将所述第一货运数据特征输入预置的ddqn模型进行模型训练，得到货运订单匹配模型，包括：

29、将所述第一货运数据特征输入预置的ddqn模型，其中，所述ddqn模型包括一个网络和一个目标网络；

30、将所述第一货运数据特征输入所述网络的第一线性层进行处理，得到第一隐藏向量；

31、将所述第一隐藏向量输入所述网络的自注意力层和第二线性层进行线性变换，得到第一值；

32、将所述第一值输入所述目标网络进行奖励值计算，得到奖励值，并通过预置的损失函数计算所述奖励值的损失值；

33、根据所述损失值，并调用预置的adam优化器对所述ddqn模型进行网络参数优化，同时，对所有的车辆和货运订单信息进行值计算，得到多个第一值，并根据所述多个第一值构建第一二维矩阵；

34、通过预置的匈牙利算法对所述第一二维矩阵进行配对，得到当前时刻每辆车与订单的配对结果，并基于所述货运订单数据集和所述货运车辆数据集对所述ddqn模型进行循环迭代训练，判断所述奖励值是否收敛，若收敛，则输出货运订单匹配模型。

35、结合第一方面，在本发明第一方面的第六实施方式中，所述获取待处理的第二货运订单数据以及第二货运车辆数据，并将所述第二货运订单数据以及所述第二货运车辆数据输入所述货运订单匹配模型进行车辆和订单全局匹配，得到目标匹配结果，包括：

36、获取待处理的第二货运订单数据以及第二货运车辆数据，并构建所述第二货运订单数据以及所述第二货运车辆数据的第二货运数据特征；

37、将所述第二货运数据特征输入所述货运订单匹配模型进行车辆和订单值计算，得到每个车辆与每个订单的第二值；

38、根据每个车辆与每个订单的第二值构建第二二维矩阵，并通过匈牙利算法对所述第二二维矩阵进行车辆和订单划分匹配，得到目标匹配结果。

39、本发明第二方面提供了一种货运智能调度装置，所述货运智能调度装置包括：

40、采集模块，用于采集终端生成的第一货运订单数据以及第一货运车辆数据；

41、分析模块，用于对所述第一货运订单数据以及所述第一货运车辆数据进行聚类分析，得到目标聚类数据；

42、构建模块，用于对所述目标聚类数据进行有向回环图仿真环境构建，得到有向图仿真模型；

43、处理模块，用于根据所述有向图仿真模型生成货运订单数据集和货运车辆数据集，并根据所述货运订单数据集和所述货运车辆数据集生成第一货运数据特征；

44、训练模块，用于将所述第一货运数据特征输入预置的ddqn模型进行模型训练，得到货运订单匹配模型；

45、匹配模块，用于获取待处理的第二货运订单数据以及第二货运车辆数据，并将所述第二货运订单数据以及所述第二货运车辆数据输入所述货运订单匹配模型进行车辆和订单全局匹配，得到目标匹配结果。

46、本发明第三方面提供了一种货运智能调度设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述货运智能调度设备执行上述的货运智能调度方法。

47、本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的货运智能调度方法。

48、本发明提供的技术方案中，对第一货运订单数据以及第一货运车辆数据进行聚类分析，得到目标聚类数据；对目标聚类数据进行有向回环图仿真环境构建，得到有向图仿真模型；根据有向图仿真模型生成货运订单数据集和货运车辆数据集，并根据货运订单数据集和货运车辆数据集生成第一货运数据特征；将第一货运数据特征输入ddqn模型进行模型训练，得到货运订单匹配模型；将第二货运订单数据以及第二货运车辆数据输入货运订单匹配模型进行车辆和订单全局匹配，得到目标匹配结果，本发明采用强化学习模型，通过采集终端生成的货运订单数据、货运车辆数据，构建货运订单数据集、货运车辆数据集，基于货运订单数据特征和货运车辆数据特征，构建订单模型和车辆模型，从而学习到多个车辆与多个订单的调度策略，提高了调度效率、调度的全面性和降低了车辆的回程空驶里程，从而实现了订单与车辆的全面匹配，并且降低了冷门地区的订单无车辆进行货运调度的情况的发生率，降低车辆的回程空驶里程，同时利用强化学习能够较深入地学习基于其内在联系进行分配，从而减少资源的浪费。