当前位置:   article > 正文

【2017年第1期】基于外卖物流配送大数据的调度系统

崔代锐 技术总监

蒋凡,徐明泉, 崔代锐

百度外卖研发中心


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 


论文引用格式:蒋凡, 徐明泉, 崔代锐. 基于外卖物流配送大数据的调度系统[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 引言

餐饮O2O行业连接线上线下的订餐需求,将传统的到店消费模式改造成更加灵活便捷的到家消费模式,极大降低了用户的消费成本和商户的固定成本。外卖平台除了促进线上需求向线下转化,也包括达成订单的最后一公里任务——基于城市道路交通状况的物流配送[1]。高效的物流配送能力是决定外卖平台商业模式成败的关键,也是O2O经济区别于传统经济的根本,即运用城市交通大数据相关的云计算、深度学习和可视化技术提升行业效率,创造并满足新的民生需求[2]。

因此,智能调度系统是外卖物流的最核心环节,依托海量历史订单数据、骑士(送餐员)定位数据、精准的商户特征数据,针对骑士实时情景(任务量、配送距离、并单情况、评级),对订单进行智能匹配,实现自动化调度以及资源的全局最优配置,在保证系统效率的前提下,最大限度地提高用户体验。

然而在外卖物流调度的真实场景中,用户点了餐就希望能按时送到,骑士上了路就希望每趟路线能多配送几单,商家接了餐就希望骑士快来取餐,平台则关心如何以最小的运力承接最大的配送压力,而且能扛住高峰时段突如其来的订单量。更加困难的是,这些目标有时就是互相矛盾的,满足了一方,势必会影响另一方,调度订单是非常复杂的多目标动态规划的决策过程。

智能调度系统需要将以上所有因素都考虑在内,实时采集整个商圈里各方的动态数据,在1 ms内做出在时间跨度和空间范围内的最优分配序列,让骑士轨迹能无缝衔接起整个配送流程,让每个环节耗费的时间降到最低,让分摊到有限运力上的配送成本费用降到最低。

实践证明,在智能物流调度系统实施之前,物流订单需要由调度员手工分配,每个骑士每天最多配送10单,每单配送时长超过1 h。实施之后,百度物流调度每天所有订单都由算法自动选择最优化的方案调配,每个骑士的配送效率翻倍、收入翻数倍,每单配送时长节省50%以上,覆盖全国100多个城市。

2 物流调度的云端计算模式

影响订单分配的因素很多,从订单生成那一刻开始,调度系统就要考虑到订单的取餐地址、用户的配送地址、商圈内的骑士数量和状态、订单的预期送达时间。每一个订单并不是孤立存在的,要想得到全局最优的配送方案,还必须考虑到这一时段内其他订单的配送情况,尽可能做合并,提高整体的配送效率。如果再考虑到不同城市、商圈、天气、节假日、工作日和商圈骑士运力配置等情况,事情就变得更加复杂。

这是一个极其复杂的多目标动态优化问题[3],可以表示为&

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/繁依Fanyi0/article/detail/422514
推荐阅读
相关标签
  

闽ICP备14008679号