一种周转箱数量确定方法、系统、设备以及可读存储介质与流程

本发明涉及物流管理，特别是一种周转箱数量确定方法、系统、设备以及可读存储介质。

背景技术：

1、在现代物流管理中，周转箱的数量确定是一个关键问题，直接影响到运输成本、配送效率和资源利用率，传统的周转箱数量确定方法主要依赖于经验判断和简单的统计分析，这种方法在面对复杂多变的物流环境时显得力不从心，近年来，随着大数据和人工智能技术的发展，越来越多的研究和应用开始尝试利用先进的算法和技术来优化周转箱数量的确定，例如，基于历史数据的统计模型、线性规划方法和启发式算法，这些方法在一定程度上提高了周转箱数量确定的精度和效率，然而，这些方法仍然存在一些局限性，尤其是在处理大规模、高动态的物流场景时，难以实时准确地预测和优化周转箱的需求；

2、现有的周转箱数量确定方法主要面临以下几个问题：首先，传统方法缺乏对实时数据的充分利用，无法及时反映订单状态和配送状态的变化，导致预测结果的滞后性和不准确性，其次，现有的方法通常只考虑单一目标，如最小化运输成本或最大化周转箱利用率，而忽略了多目标优化的重要性，这在实际应用中可能导致资源浪费或配送效率低下，此外，传统的优化方法往往依赖于静态数据和固定参数，无法适应动态变化的物流环境，导致模型的鲁棒性和泛化能力较差，这些问题限制了现有方法在实际物流管理中的应用效果，迫切需要一种更智能、更灵活的方法来解决周转箱数量确定的问题。

技术实现思路

1、鉴于上述现有存在的问题，提出了本发明。

2、因此，本发明提供了一种周转箱数量确定方法、系统、设备以及可读存储介质解决传统方法缺乏对实时数据的充分利用，无法及时反映订单状态和配送状态的变化，导致预测结果的滞后性和不准确性的问题。

3、为解决上述技术问题，本发明提供如下技术方案：

4、第一方面，本发明实施例提供了一种周转箱数量确定方法，其包括，

5、收集周转箱相关信息，并对收集的数据进行预处理；

6、基于预处理后的数据，定义订单状态和配送状态，根据订单状态和配送状态进行特征提取，得到订单状态向量和配送状态向量；

7、基于深度强化学习算法构建周转箱预测模型，将订单状态向量和配送状态向量输入周转箱预测模型，输出初始周转箱调整方案；

8、根据初始周转箱调整方案使用多目标遗传算法随机生成多种周转箱分配方案，结合运输成本、配送时间和周转箱利用率，筛选出最优周转箱调整方案。

9、作为本发明所述周转箱数量确定方法的一种优选方案，其中：所述收集周转箱相关信息包括：

10、通过订单平台收集客户的订单信息；

11、通过api接口获取实时交通数据信息和天气数据信息；

12、从配送中心获取周转箱的类型信息和当前可用的周转箱数量信息；

13、将收集到的信息存储在nosql数据库中。

14、作为本发明所述周转箱数量确定方法的一种优选方案，其中：所述基于预处理后的数据，定义订单状态和配送状态，具体步骤为，

15、使用sql查询语句从订单数据库中提取每个订单的物品数量、物品种类、创建时间、预计配送时间和配送地址，得到订单特征；

16、将所有订单特征组合成订单状态向量；

17、获取当前道路的拥堵情况、交通流量、预计行驶时间、温度、湿度和降雨概率，得到配送特征；

18、将所有配送特征组合成配送状态向量。

19、作为本发明所述周转箱数量确定方法的一种优选方案，其中：所述基于深度强化学习算法构建周转箱预测模型，具体为，

20、设定周转箱类型为n种，每种类型的周转箱数量为m个，根据周转箱的类型和每种类型的数量集成动作空间 a；

21、选择深度q网络dqn作为周转箱预测模型架构，周转箱预测模型架构包含输入层、隐藏层和输出层；

22、输入层接收订单状态向量和配送状态向量；

23、隐藏层使用多层全连接神经网络，使用relu作为激活函数；

24、输出层输出每个动作的价值函数。

25、作为本发明所述周转箱数量确定方法的一种优选方案，其中：所述将订单状态向量和配送状态向量输入周转箱预测模型，输出初始周转箱调整方案，具体步骤为，

26、将订单状态向量 s o和配送状态向量 s d作为周转箱预测模型的输入，输出动作价值函数 q（ s o ，s d ，a)，表达式为：

27、

28、其中， s o表示订单状态向量， s d表示配送状态向量， d o表示订单状态特征的数量， a表示动作空间， q、u和 l表示索引变量， φ q（ s o）表示订单状态向量 s o的第 q个特征，exp表示指数函数， α表示衰减因子， h q表示第 q个时间特征的值， d d表示配送状态特征的数量， ψ u（ s d）表示配送状态 s d的第 u个特征，log表示自然对数函数， γ表示配送状态特征的权重， p u表示配送状态的第 u个子特征， r表示动作空间特征的数量， g l（ a）表示动作 a的第 l个特征；

29、当订单状态向量 s o和配送状态向量 s d输入到周转箱预测模型后，周转箱预测模型会根据当前的状态输出多个动作 a，每个动作代表一种周转箱调整方案。

30、作为本发明所述周转箱数量确定方法的一种优选方案，其中：所述根据初始周转箱调整方案使用多目标遗传算法随机生成多种周转箱分配方案，具体步骤为，

31、将初始周转箱调整方案 a *作为初始种群的一部分；

32、使用多目标遗传算法随机生成多个的周转箱分配方案，每个方案表示为一个向量a；

33、从配送中心获取每种类型周转箱的单位运输成本，根据每个周转箱分配方案a，计算每种类型周转箱的数量乘以对应的单位运输成本，然后求和，得到总运输成本；

34、从实时交通数据和历史数据中获取每种类型周转箱的平均配送时间，对于每个周转箱分配方案，计算每种类型周转箱的数量乘以对应的平均配送时间，然后求和，得到总配送时间；

35、从历史数据中获取每种类型周转箱的利用率，对于每个周转箱分配方案a，计算每种类型周转箱的数量乘以对应的利用率，然后求和，再除以总的周转箱数量，得到整体的周转箱利用率。

36、作为本发明所述周转箱数量确定方法的一种优选方案，其中：所述结合运输成本、配送时间和周转箱利用率，筛选出最优周转箱调整方案，具体步骤为，

37、将运输成本、配送时间和周转箱利用率进行标准化处理；

38、根据实际需求，设置运输成本、配送时间和周转箱利用率的权重，将运输成本、配送时间和周转箱利用率按权重相加，得到每个方案的综合适应度值；

39、根据综合适应度值选择轮盘赌选择方法选择部分个体，计算每个个体的适应度值，将所有个体的适应度值归一化，得到每个个体被选中的概率，根据概率随机选择部分个体进入下一代；

40、对选中的个体进行交叉操作，生成新的个体；

41、对新生成的个体进行变异操作；

42、设定一个最大迭代次数；

43、计算最终种群中每个个体的适应度值，选择适应度值最高的个体作为最优周转箱调整方案。

44、第二方面，本发明提供了一种周转箱数量确定系统，包括，收集模块、特征提取模块、预测模块、优化模块和应用模块，

45、收集模块，负责收集和预处理周转箱相关的所有数据；

46、特征提取模块，负责基于预处理后的数据，定义订单状态和配送状态，并提取相关特征；

47、预测模块，负责基于深度强化学习算法构建周转箱预测模型，输出初始周转箱调整方案；

48、优化模块，负责使用多目标遗传算法生成多种周转箱分配方案，并结合运输成本、配送时间和周转箱利用率，筛选出最优周转箱调整方案；

49、应用模块，负责输出最优周转箱调整方案，并将其应用于实际物流操作中。

50、第三方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的周转箱数量确定方法的任一步骤。

51、第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的周转箱数量确定方法的任一步骤。

52、本发明有益效果为：本发明通过收集和预处理周转箱相关信息，定义订单状态和配送状态，然后利用深度强化学习算法构建周转箱预测模型，输出初始周转箱调整方案，在此基础上，使用多目标遗传算法生成多种周转箱分配方案，并结合运输成本、配送时间和周转箱利用率，筛选出最优周转箱调整方案，本发明不仅能够实时准确地预测和优化周转箱的需求，还能在多目标优化中找到最佳平衡点，显著提高了物流管理的效率和资源利用率，本发明属于物流管理和优化技术领域，特别适用于大规模、高动态的物流场景。