[發明專利]基于機器學習的物流運輸路徑規劃方法、裝置及系統

在審

• 申請號: 201510943400.0
• 申請日: 2015-12-15
• 公開（公告）號: CN105389639A
• 公開（公告）日: 2016-03-09
• 發明（設計）人: 金忠孝
• 申請（專利權）人: 上海汽車集團股份有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06F15/18
• 代理公司: 北京信遠達知識產權代理事務所(普通合伙) 11304
• 代理人: 魏曉波

1.一種基于機器學習的物流運輸路徑規劃方法，其特征在于，包括：

接收運輸訂單數據；

分析所述運輸訂單數據，并根據分析結果和歷史樣本數據選擇學習策略和學習算法；

按照選中的學習策略執行選中的學習算法，以得到運輸路徑規劃結果；

獲取在執行所述運輸路徑規劃結果的過程中采集得到的實時物流運輸數據，所述實時物流運輸數據和運輸路徑規劃結果被添加至所述歷史樣本數據中。

2.根據權利要求1所述的物流運輸路徑規劃方法，其特征在于，根據分析結果和歷史樣本數據選擇學習策略和學習算法包括：

根據所述分析結果中包含的限制條件確定評價函數；

基于所述歷史樣本數據確定多種不同的學習策略和學習算法的評估結果；

采用所述評價函數對所述評估結果進行評價，以確定符合所述評價函數的學習策略和學習算法。

3.根據權利要求2所述的物流運輸路徑規劃方法，其特征在于，所述學習策略、學習算法和評價函數是可參數化配置的。

4.根據權利要求1所述的物流運輸路徑規劃方法，其特征在于，如果所述歷史樣本數據中包含的數據不足，導致所述學習策略和學習算法選擇失敗，則選擇默認的學習策略和學習算法。

5.根據權利要求1所述的物流運輸路徑規劃方法，其特征在于，所述實時物流運輸數據被添加至所述歷史樣本數據包括：

對所述實時物流運輸數據進行處理，所述處理包括清洗、關聯、歸類和挖掘中的至少一種；

將處理的結果添加至所述歷史樣本數據，并作為樣本數據供后續物流運輸路徑規劃使用。

6.根據權利要求1所述的物流運輸路徑規劃方法，其特征在于，所述實時物流運輸數據包括以下一種或多種：路況數據、行駛數據、車輛數據和駕駛員數據。

7.根據權利要求6所述的物流運輸路徑規劃方法，其特征在于，所述路況數據包括以下一種或多種：實時交通數據、道路限行數據、橋梁限重數據、橋梁限高數據、公路收費數據、超載罰款數據、道路寬度數據和交通事故數據；

所述行駛數據包括以下一種或多種：行駛軌跡數據、行駛速度數據、行駛時間數據及行駛距離數據；

所述車輛數據包括以下一種或多種：車輛型號、車輛尺寸、車輛自重、車輛載重、車輛容積、車輛年限及車況數據；

所述駕駛員數據包括以下一種或多種：駕駛年限數據、違章情況數據及健康狀況數據。

8.根據權利要求1所述的物流運輸路徑規劃方法，其特征在于，所述學習策略包括以下一種或多種：時間優先策略、成本優先策略及可靠性優先策略。

9.根據權利要求1所述的物流運輸路徑規劃方法，其特征在于，所述學習算法包括以下一種或多種：最近最近鄰學習算法、樸素貝葉斯學習算法、決策樹學習算法、分類樹學習算法、線性回歸學習算法、模型樹學習算法、神經網絡學習算法、支持向量機學習算法、無監督學習算法、關聯規則學習算法及K均值聚類學習算法。

10.根據權利要求1所述的物流運輸路徑規劃方法，其特征在于，所述運輸訂單數據包括以下一種或多種：起止點、運輸對象、站點分布、運輸數量、裝箱尺寸、裝箱重量、時間限制及成本限制。

11.一種基于機器學習的物流運輸路徑規劃裝置，其特征在于，包括：

路徑規劃模塊，配置為接收運輸訂單數據；

機器學習模塊，配置為分析所述運輸訂單數據，并根據分析結果和歷史樣本數據選擇學習策略和學習算法，所述機器學習模塊還按照選中的學習策略執行選中的學習算法，以得到運輸路徑規劃結果；

大數據處理模塊，配置為獲取在執行所述運輸路徑規劃結果的過程中采集得到的實時物流運輸數據，所述實時物流運輸數據和運輸路徑規劃結果被添加至所述歷史樣本數據中。

12.根據權利要求11所述的物流運輸路徑規劃裝置，其特征在于，所述機器學習模塊包括：

評價函數確定子模塊，配置為根據所述分析結果中包含的限制條件確定評價函數；

評估結果確定子模塊，配置為基于所述歷史樣本數據確定多種不同的學習策略和學習算法的評估結果；

選擇子模塊，配置為采用所述評價函數對所述評估結果進行評價，以確定符合所述評價函數的學習策略和學習算法。