首页 热门物流资讯 【2017年第1期】根据外卖物流配送大数据的调度体系

【2017年第1期】根据外卖物流配送大数据的调度体系

蒋凡, 徐 明泉 ,  崔代锐 百度外卖研制中心 中图分类号:TP399    文献标识码:A doi: 10.11959/j.issn.2096-0271.2017013 Sch…

蒋凡,








明泉



崔代锐








百度外卖研制中心



中图分类号:TP399    文献标识码:A

doi:
10.11959/j.issn.2096-0271.2017013




Scheduling system based on takeaway logistics big data

JIANG Fan, XU Mingquan, CUI Dairui 



论文引证格局:


蒋凡, 








明泉



崔代锐. 依据外卖物流配送大数据的调度体系[J]. 大数据, 2017, 3(1): 104-110.



JIANG F, XU M Q, CUI D R. Scheduling system based on takeaway logistics big data[J]. Big Data Research, 2017, 3(1): 104-110.



1 导言

餐饮O2O职业衔接线上线下的订餐需求,将传统的到店消费形式改形成愈加灵敏快捷的到家消费形式,极大下降了用户的消费本钱和商户的固定本钱。外卖渠道除了促进线上需求向线下转化,也包含达到订单的终究一公里使命——依据城市道路交通状况的物流配送[1]高效的物流配送才干是决议外卖渠道商业形式胜败的要害,也是O2O经济差异于传统经济的底子,即运用城市交通大数据相关的云核算、深度学习和可视化技能进步职业功率,发明并满意新的民生需求[2]

因而,智能调度体系是外卖物流的最中心环节,依托海量前史订奇数据、骑士(送餐员)定位数据、精准的商户特征数据,针对骑士实时情形(使命量、配送间隔、并单状况、评级),对订单进行智能匹配,完结主动化调度以及资源的大局最优装备,在确保体系功率的前提下,最大极限地进步用户体会。

但是在外卖物流调度的实在场景中,用户点了餐就期望能准时送到,骑士上了路就期望每趟道路能多配送几单,商家接了餐就期望骑士快来取餐,渠道则关怀怎么故最小的运力接受最大的配送压力,并且能扛住顶峰时段出人意料的订单量。愈加困难的是,这些方针有时便是互相矛盾的,满意了一方,势必会影响另一方,调度订单是十分杂乱的多方针动态规划的决议计划进程。

智能调度体系需求将以上一切要素都考虑在内,实时收集整个商圈里各方的动态数据,在1 ms内做出在时刻跨度和空间范围内的最优分配序列,让骑士轨道能无缝衔接起整个配送流程,让每个环节消耗的时刻降到最低,让分摊到有限运力上的配送本钱费用降到最低。

实践证明,在智能物流调度体系施行之前,物流订单需求由调度员手艺分配,每个骑士每天最多配送10单,每单配送时长超越1 h。施行之后,百度物流调度每天一切订单都由算法主动挑选最优化的计划分配,每个骑士的配送功率翻倍、收入翻数倍,每单配送时长节约50%以上,掩盖全国100多个城市。


2 物流调度的云端核算形式

这是一个极端杂乱的多方针动态优化问题[3],能够表明为:

min(f1(x),f2(x),…,fn(x)),s.t.g(x)≤0    (1)

其间,假定fn(x)代表单个方针的优化方针,举例如下。

f1(x):即时订单的配送时刻越少越好。

f2(x):预定订单的送达时刻间隔预定时刻点越短越好。

f3(x):每单的配送间隔越小越好。

f4(x):骑士全天的总配送单量越多越好。

f5(x):订单被并联配送的份额越多越好。

f6(x):骑士空驶间隔越少越好。

g(x)代表事务束缚的束缚条件:

不能超出估计配送时刻30 min;

单个骑士不能一起配送若干单以上;

同一商圈同一时段骑士之间未完结单量不能相差若干单以上;

新骑士有必要每天确保能被分配到若干单以上。

要满意这些优化方针和束缚条件的直接核算杂乱度太高,需求采纳逐层建模的办法来下降杂乱度,其根本逻辑详细如下。

(1)降维价值函数


将通用的参数变量,比方时刻、间隔,在底层作为根本束缚条件进行收集和转化,尽或许地对价值函数进行降维,拟组成线性多项式函数,削减核算杂乱度。

假定在时刻T有一笔订单O要分配给候选的骑士R1,R2,…,Rn,需求别离预估若由骑士Rx配送这笔订单的实践开支,比方:骑士的到店时刻、等餐时刻、送餐时刻、交给时刻、配送旅程,核算式能够表明为:

f(x)=k1×f1(x)+k2×f2(x)+…+kn×fn(x)   (2)

核算出单次分配的归纳价值打分,其间每项参数k依据经历给出初始设置值,后续在模仿体系中经过迭代优化调整。

(2)模仿实在束缚状况


将多变的场景变量(比方商圈、气候、全体运力)在高层作为调优参数进行优化,尽或许地模仿多维束缚条件下的实在束缚状况。

模仿体系会分商圈、分时刻地核算每个调度场景下的订单散布数据,解析成骑士在岗率、均匀压奇数、订单出单方位密度等参数的根底物理散布函数,并作为描写该调度场景的束缚条件组。模仿体系还能够进一步调整这些散布函数的参数,得到人工设定的束缚条件组,然后模仿出更杂乱丰厚的设定场景。

以与这些动态场景相关的参数组作为调度算法的输入束缚条件,调用模仿体系重复推演虚拟订单的分配进程,经过梯度下降优化算法,求解出多方针下的最优解。

(3)求解最优解


在实在场景中,依据单次分配价值函数,选用二分图最大匹配算法求解屡次分配下的最优解,尽或许地找出多个骑士和多笔订单间的最优组合,进步并单率或骑士人效,削减骑士空驶率


[4
]

假定可分配骑士为R1,R2,…,Rn,待分配订单为O1,O2,…,On,别离核算每一组分配Rx,Ox的价值得分,找出大局最优的骑士—订单分配组合,使得总价值最低。问题能够转化成传统的齐备匹配下的最大权匹配问题:在一个二分图内,左面的骑士节点为X,右边的订单节点为Y,关于每组左右衔接XiYj有权重Wij,即配送价值得分,求一种匹配使得一切Wij的和最大,即总配送价值得分最小。

(4)调控虚拟调度订单转为实在派单的节奏


将待分配订单存储在云端服务器,保护订单分配的虚拟行列,经过设定压单时刻窗口来调控虚拟调度订单转化为实在派单的节奏。

云分配算法一起保护实践分配订单行列(下发到骑士客户端,不行更改)、虚拟分配订单行列(对应虚拟分配的骑士,能够随时更改)和待分配订单行列(未封闭压单时刻窗口或未找到适宜分配机遇)。这样能够防止订单过早被分配给骑士后,因为状况发生改变,比方某个订单的延误导致后续配送价值函数预算失效,原先最优的分配不再树立。

终究,为了衡量调度体系优化作用,需求将体系配送功率和用户配送体会结合起来,核算在存在并单的状况下,体系为了完结订单配送实践消耗的时刻本钱,这样才干反映调度体系的全体作用。例如并单配送的2单,40 min送到,单均本钱则是40/2=20 min,比只送1单进步了1倍功率。但假如并单功率不高,过于别离的2单被并联在一起,第1单30 min送到,第2单50 min送到,尽管节约了部分配送旅程,但迟送到的那单会拖慢整个订单分组的单均本钱,单均本钱是50/2=25 min。

依照这个核算办法核算一下调度体系上线前后的作用,如图1所示,能够看到以有用时刻核算的单均本钱从40多分钟下降到20多分钟,单均本钱得到显着改善。





  
调度体系上线前后的单均本钱的改变

以上杂乱的调度规划、海量的数据建模和实时的渠道呼应,都需求有强壮的核算才干在背面支撑。为了得到最适宜的订单分配,指使机遇或许有多个,每个指使机遇上各种或许的组合也会跟着商圈订单规划的增大而呈指数级增加。为了尽或许地挑选最优指使机遇,体系还或许会做猜测,测验各种分支副本状况下的优化空间。如此一来,后台体系需求的核算才干就会十分高。总归,物理上核算才干的容量决议了体系的终究作用。

经测算,现在的核算结构完全能够支撑百度外卖未来每天千万级订单、秒级10亿次核算的动态调度、数据建模和实时渠道呼应的运算规划。


3  深度学习智能猜测算法

百度外卖每天百万级的订单量为大数据深度剖析技能供给了抱负的运用场景。详细来说,调度算法的终究作用除了云端的规划核算才干之外,十分依靠每一个根底变量预估值的精确性,尤其是在不同环节消耗的时刻。

比较配送环节而言,商户出餐环节的耗时更长,也更不行控。菜品类型、价格、数量,商户品牌、规划、堂客食比,下单日期、时段都会影响商户出餐时刻。假如预算禁绝,骑士到店时刻过早则会白白浪费运力,过晚又会延误本能够早点取餐的订单,还会损害一些菜品的品相和口感。

为了处理这个难题,选用深度学习办法,让体系主动学习运用并组合发生新特征的办法,凭借深层次神经网络模型,能够愈加智能地运用不同层次的特征,对样本数据中包含的规则进行愈加精确、有用的表达[5]

详细来说,在以下3个方面结合餐饮O2O范畴特色做出了开创性奉献。

从百度外卖渠道的前史订奇数据中抽取千万级训练样本,其间难点在于怎么确定这些订单的实践出餐时刻,需求凭借骑士轨道、停驻坐标等数据清洗出因为商户和骑士操作不标准导致的搅扰数据。

构建全面的商户和菜品标签体系,获取商户在竞品和本品的运营信息,作为体系的输入特征。比方经过商户的品牌、经营面积等信息能够预算该商户的产能,经过菜品在资料、价格、烹饪办法上的差异能够预算制造时刻。


体系对不同出餐时长区间的菜品的预估时刻要求差错是不同的,处于中段区间的菜品,对预估时刻的要求差错最严,为此规划了针对不一起长区间样本灵敏的深度学习评价结构。

终究在十万级测验订单样本上,深度学习模型对出餐时刻的预估精确率在不一起长区间上,比较原有模型别离能有3%~14%起伏的进步,在95%的订单上能将37 min的均匀送餐时刻再缩短约0.8 min。

依照这个核算办法核算一下调度体系上线前后的作用,如图2所示,能够看到等候配送时刻散布曲线显着地向等餐时刻更短的左方偏移,调度作用得到全面改善。







  

调度体系上线前后等候配送时刻散布曲线


4  可视化渠道

[6]物流调度逻辑十分笼统,但又会实在影响整个环节参与者的感触,因而需求可视化技能将杂乱的数据和逻辑转化为能够了解和交互的图形界面,协助骑士、用户和开发人员更好地了解和运用整个调度体系。好的可视化技能能够树立骑士和用户对调度体系的信任感,下降开发人员发现、定位并处理体系问题的本钱,进一步发挥出大数据在进步物流调度渠道功率、改善用户消费体会方面的作用。

详细来说,百度外卖物流调度渠道在可视化方面的作用详细如下。


实时回传服务器并向用户展示骑士的运转轨道,

其间难点在于骑士端收集骑士定位数据需求在精度和功能两者之间进行平衡,在用户端需求有安稳的长衔接技能确保轨道数据的有用性和及时性。


收集并存储每一次调度用到的一切参数数据,

便利今后能够回溯定位到恣意一笔订单的分配理由。体系能够回放出其时将订单A分配给骑士B的一切细节参数和判别理由,便利相关骑士和研制人员定位排查调
度算法逻辑过错或底层收集的数据问题。只需求调整或许有问题的特征值或权重,渠道就能从那个时刻点动身,依照新的模型从头演算一遍调度分配进程,验证作用。


调度体系在把握了商圈内每个商户一切订单的地理散布和配送作用之后,能够制作出商户配送范围内的配送功率散布图。

这些可视化技能下降了相关人物(例如用户、骑士、研制和事务人员)运用和了解调度渠道的难度,用更直观易懂的办法将背面杂乱海量的大数据规则出现出来,依据运用客户端和Web页面的人机交互技能则能够协助运用者进一步调控和剖析感兴趣的进程和维度。从某种意义上讲,扩大了云端调度核算和深度智能学习的才干和作用。


5    结束语


百度外卖物流智能调度体系选用云核算和人工智能深度学习技能,将杂乱的调度问题分层处理,并在日益增加的物流配送大数据的根底上,不断精细化调度模型依靠的状况预估数值,不断进步调度模型的多方针规划才干,一起经过很多运用渠道可视化技能,以实时、图表化和可交互化的办法将体系运转状况出现出来,终究在渠道运力功率和用户体会时刻上得到优化作用。






参考文献:

[1]
熊刚



董西松



朱凤华

 
,




城市交通大数据技能及智能运用体系
[J]. 大数据,2015042.



XIONG

 

G

 




DONG

 

X S

 




ZHU

 

F H

 
,

et al



[J]. 
Big Data Research, 2015042
.

[2]
潘柱廷



程学旗



袁晓如

 
,




CCF大专委2016年大数据发展趋势猜测——解读和举动主张
[J]. 大数据, 

2016



2

(

1

): 

105

-

113

.



PAN

 

Z T

 




CHENG

 

X Q

 




YUAN

 

X R

 
,

et al


Developing trend forecasting of big data in 2016 from CCF TFBD:interpretation and proposals
[J]. 
Big Data Research


2016



2

(

1

): 

105

-

113

.

[3]
刘淳安

 

动态多方针优化进化算法及其运用
[M].  北京 科学出版社

2014

.



LIU

 

C A

 


[M].  Beijing Science PressPress

2014

.

[4]
唐敏



关健



邓国强

 
,




一种求解二部图最大匹配问题新算法及其运用
[J]. 核算机体系运用, 

2012



21

(

3

本文来自网络,不代表快递资讯网立场。转载请注明出处: http://www.llaiot.com/popular-logistics-information/2502.html
上一篇
下一篇

为您推荐

返回顶部