項(xiàng)目一人工智能算法在配送環(huán)節(jié)應(yīng)用《物流人工智能技術(shù)》任務(wù)三物流配送路徑優(yōu)化算法2目錄/CONTENTS01物流路徑優(yōu)化問題02物流路徑優(yōu)化建模03實(shí)驗(yàn)結(jié)果與分析34【知識目標(biāo)】1.掌握物流路徑優(yōu)化建模的算法?！厩楦心繕?biāo)】1.具有工匠精神、服務(wù)意識、環(huán)保意識、質(zhì)量意識、安全意識；2.培養(yǎng)獨(dú)立獲取信息和自學(xué)能力；3.堅定擁護(hù)中國共產(chǎn)黨領(lǐng)導(dǎo)和我國社會主義制度?！窘虒W(xué)目標(biāo)】深度學(xué)習(xí)常用的模型有：限制玻爾茲曼機(jī)模型、自動編碼器模型1.深度學(xué)習(xí)路徑的選擇2.物流配送難點(diǎn)12一、物流路徑優(yōu)化問題1.3路徑優(yōu)化模型解決2.2節(jié)中物流配送問題，關(guān)鍵在于準(zhǔn)確預(yù)測當(dāng)前時間段，物流配送經(jīng)過路段的道路交通情況，依據(jù)預(yù)測的道路狀況選擇合理的物流配送路徑。物流配送路徑優(yōu)化模型如下圖5-2所示交通數(shù)據(jù)預(yù)測帶路段權(quán)重的交通網(wǎng)絡(luò)深度學(xué)習(xí)

旅行商問題配送路線道路交通網(wǎng)絡(luò)配送信息（配送時間、地點(diǎn)）圖5-2物流配送路徑優(yōu)化模型交通數(shù)據(jù)按時段分為多個樣本組，其中白天5-22點(diǎn)交通數(shù)據(jù)具有研究價值，因此把樣本按時刻劃分為17組，道路交通網(wǎng)絡(luò)主要考慮其拓?fù)浣Y(jié)構(gòu)。配送信息需要出發(fā)時間、配送地點(diǎn)。道路的拓?fù)浣Y(jié)構(gòu)附加上預(yù)測的各時刻路段通行代價權(quán)重，就構(gòu)成了分時帶權(quán)交通網(wǎng)絡(luò)模型。這時的物流配送路徑優(yōu)化問題就轉(zhuǎn)化成了旅行商問題，根據(jù)網(wǎng)絡(luò)模型的復(fù)雜程度，選擇合適的算法，最后求解最優(yōu)配送路徑。一、物流路徑優(yōu)化問題新版氣象災(zāi)害預(yù)警信號從五個等級改成了四個等級，分別用藍(lán)色、黃色、橙色和紅色來表示，表示一般、較重、嚴(yán)重和特別嚴(yán)重，同時以中英文標(biāo)識，與國家的所有應(yīng)急處置等級和顏色保持一致。因此我們把天氣影響值Ti依照預(yù)警等級分為四個值，設(shè)定工作日正常天氣交通代價值為標(biāo)準(zhǔn)值To、預(yù)警天氣代價值為Tq，天氣影響值為預(yù)警天氣時路段代價值與正常天氣時代價值之比。公式如下：國家交通有關(guān)法規(guī)規(guī)定：城市無中心線道路限速30公里每小時，公路為40公里每小時，為了方便自編碼網(wǎng)絡(luò)模型的訓(xùn)練和道路狀況的區(qū)分，按最高速40公里每小時，最低速為0，平均劃分十等分，設(shè)定道路狀態(tài)值為RbR，具體數(shù)據(jù)通過對關(guān)注區(qū)域的路段固定周期測得。因?yàn)閿?shù)據(jù)的訓(xùn)練是按小時劃分的，在周末和節(jié)假日，道路狀態(tài)值受影響情況明顯。節(jié)假日影響值Ji，影響值即與正常天氣路段代價值之比，故公式如下：（1）（2）一、物流路徑優(yōu)化問題采用了基于自編碼網(wǎng)絡(luò)的深度學(xué)習(xí)模型。模型只計算隱藏層的權(quán)重參數(shù)，不進(jìn)行分類操作，用合適的函數(shù)來分類，這樣很大程度上提高了分類的精度，我們對數(shù)據(jù)按時段分組，使得預(yù)測更為精準(zhǔn)，對天氣因素處理先按天氣分組，對比訓(xùn)練后計算出天氣影響值，同理求解出周末和節(jié)日影響值。訓(xùn)練流程如圖2所示。節(jié)日組數(shù)據(jù)標(biāo)準(zhǔn)組數(shù)據(jù)天氣組數(shù)據(jù)節(jié)日代價值標(biāo)準(zhǔn)代價值天氣代價值節(jié)日影響值天氣影響值圖2

訓(xùn)練流程...

...輸入層L1VCbRRbRTqTHEBv(1)Bv(n)+1CbR＇RbR＇Tq＇T＇H＇E＇Bv(1)＇Bv(n)＇’’...

+1

hv,k(v)輸出層L3隱藏層L2圖3自編碼模型1.深度學(xué)習(xí)與物流配送的結(jié)合二、物流路徑優(yōu)化建模模型權(quán)重參數(shù)求解采用常見的梯度下降法，通過迭代逼近求取隱層權(quán)重ω，輸入特征向量V與輸出節(jié)點(diǎn)一一對應(yīng)，因此采用Sigmoid函數(shù)為隱藏層的變換核函數(shù)，輸入特征向量v與權(quán)重ω計算后加上偏置數(shù)b得到輸出特征值，求解過程歸結(jié)如下：在分類問題上，采用基于Softmax的預(yù)測模型，設(shè)定類標(biāo)簽y（i）∈{1，2，…，10}，分類標(biāo)簽代表預(yù)測模型要輸出的10個路段代價值，估算概率值p=（y=j|x），于是假設(shè)函數(shù)hθ（x）如下：其中：θ1，θ2，…，θk為要求取的模型參數(shù)，同理，代價函數(shù)則為：求取最小j（θ）時參數(shù)值θj的值，通過迭代的方法算出模型參數(shù)θk。求解出最終的路段預(yù)測器。（3）（5）二、物流路徑優(yōu)化建模物流配送最優(yōu)路線應(yīng)該是：路途最近，即經(jīng)過路段長度最短；時間最短，最短時間內(nèi)把物品送到目的地；路線可行，即選擇的路線沒有路段封閉或者嚴(yán)重?fù)矶?。由此定義路段權(quán)重式子如下：S為路段長度，σ為固定系數(shù)，經(jīng)學(xué)習(xí)可以獲得。路段權(quán)重為標(biāo)準(zhǔn)路段代價值、影響值和路段長度系數(shù)的積。（6）2.交通網(wǎng)絡(luò)權(quán)重3.算法選擇城市內(nèi)的交通網(wǎng)絡(luò)規(guī)模相對較小，運(yùn)算量較少，采用禁忌算法最為合適。如果在多個城市之間物流中轉(zhuǎn)時，可以采用混合算法求解。二、物流路徑優(yōu)化建?；趲?quán)重交通網(wǎng)絡(luò)的物流配送路徑優(yōu)化算法如下：輸入：配送貨物要到達(dá)的地點(diǎn)，所在地的最近時期道路交通信息和路段長度，配送出發(fā)時間。輸出：當(dāng)前時段最合適的物流配送路線。Step1首先對數(shù)據(jù)樣本進(jìn)行有效數(shù)據(jù)篩選和按時段分組，按正常天氣工作日（標(biāo)準(zhǔn)）、預(yù)警天氣工作日、正常天氣節(jié)假日進(jìn)行分類。Step2用標(biāo)準(zhǔn)組數(shù)據(jù)對自編碼網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，由公式（3）確定輸出特征，完成模型的預(yù)訓(xùn)練。依據(jù)公式（4）（5）預(yù)測得到標(biāo)準(zhǔn)路段代價值T0。Step3然后按照圖2的方式再進(jìn)行分類數(shù)據(jù)的訓(xùn)練，求解各個預(yù)測代價值，分別代入公式（1）（2）中求出天氣影響值Ti和節(jié)假日影響值Zi、Ji。Step4按照標(biāo)準(zhǔn)分時數(shù)據(jù)，對自編碼模型監(jiān)督學(xué)習(xí)，求解出各時段路段代價值T0，和系數(shù)σ的值。Step5依據(jù)配送信息，選擇對應(yīng)的時刻路段代價值T0（Step4）和影響值（Step3），代入公式（6）中求得路段權(quán)重W，結(jié)合交通網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，構(gòu)建帶權(quán)重交通網(wǎng)絡(luò)。Step6在帶權(quán)重交通網(wǎng)絡(luò)中，采用禁忌搜索算法求解最優(yōu)路線。Step7輸出配送路線交通信息樣本的分組，依據(jù)節(jié)假日，上下班高峰期，天氣信息分組訓(xùn)練，使得預(yù)測的代價函數(shù)值更為準(zhǔn)確、可靠。依據(jù)獲得的最新的交通數(shù)據(jù)樣本，更新自編碼網(wǎng)絡(luò)的參數(shù)值，使得對當(dāng)前路段交通狀況預(yù)測更加準(zhǔn)確、可靠，為物流配送路徑的選擇提供依據(jù)。4.優(yōu)化算法描述二、物流路徑優(yōu)化建模實(shí)驗(yàn)環(huán)境是：Win7操作系統(tǒng)個人版，CPU為Inteli74790，內(nèi)存為金士頓16G×2的計算機(jī)，編程工具用MATLAB。網(wǎng)絡(luò)模型為三層結(jié)構(gòu)，如圖4所示樣本數(shù)據(jù)分類篩選Z預(yù)測值測試值ZT預(yù)測值

測試值TJ預(yù)測值

測試值J是否封閉圖5-5

網(wǎng)絡(luò)模型三、實(shí)驗(yàn)結(jié)果與分析模型的訓(xùn)練與測試基于南寧市30條主干道路的某局部區(qū)域監(jiān)控數(shù)據(jù)。交通數(shù)據(jù)采樣主要依據(jù)該區(qū)域的道路監(jiān)控數(shù)據(jù)，氣象數(shù)據(jù)和城市道路拓?fù)浣Y(jié)構(gòu)來自網(wǎng)絡(luò)收集。數(shù)據(jù)首先進(jìn)行分類和篩選，篩選是選出錯誤數(shù)據(jù)和異常數(shù)據(jù)，異常數(shù)據(jù)比如車輛信息無，該路段1天內(nèi)無車輛通行，即可判斷該道路封閉。分類如3.1節(jié)所示，分為兩個對比組，一個標(biāo)準(zhǔn)組。每組數(shù)據(jù)均為10000個樣本進(jìn)行訓(xùn)練。得出特征信息，然后預(yù)測權(quán)值，再計算出天氣、周末和節(jié)日影響因子。最后進(jìn)行測試，檢驗(yàn)預(yù)測權(quán)值與實(shí)際權(quán)值的差距。流程如下：預(yù)測準(zhǔn)確率如圖5所示。T0是工作日正常天氣下的道路代價值，Ti為預(yù)警天氣下的道路代價值，Zi為周末道路代價值。從圖5可以觀察到正常天氣情況下，準(zhǔn)確率較低，預(yù)警天氣下準(zhǔn)確率最高，分析其原因，正常情況下，道路的交通狀況隨機(jī)性較強(qiáng)，當(dāng)出現(xiàn)預(yù)警天氣時，道路交通受影響明顯，預(yù)測變得簡單。1.模型訓(xùn)練和測試三、實(shí)驗(yàn)結(jié)果與分析為了驗(yàn)證本文算法在實(shí)際物流配送中的效果，在南寧市隨機(jī)設(shè)置6組配送任務(wù)樣本，在各個時段執(zhí)行配送任務(wù)，分別用本文算法和禁忌搜索算法求解配送路徑，最后與測試結(jié)果相對比、驗(yàn)證。任務(wù)樣本選取如表1所示，任務(wù)樣本分為兩組，一組為城區(qū)內(nèi)配送，一組為不同城區(qū)間配送，周一為小雨，周三晴天，周末部分道路施工。在仿真測試中，不考慮貨物的裝卸時間。時間單位為分鐘，兩種算法物流所用平均時間如右圖：南寧城區(qū)配送地點(diǎn)數(shù)量1配送地點(diǎn)數(shù)量2配送地點(diǎn)數(shù)量3相同城市5912不同城市5912表1任務(wù)樣本選取2.配送仿真與驗(yàn)證三、實(shí)驗(yàn)結(jié)果與分析通過圖4看以發(fā)現(xiàn)自編碼網(wǎng)絡(luò)模型對擁堵和突發(fā)狀況比較敏感，表1中可以發(fā)現(xiàn)在上下班高峰時段，傳統(tǒng)的TS算法所選擇的路徑時間大大地增加了，原因有高峰期擁堵和一些主干道的施工影響。周一和周三的物流配送時間相似度較高，明顯可以觀察到天氣對道路交通影響，在周日，物流配送時間規(guī)律與工作日浮動明顯。施工影響道路交通，物流配送時間增長明顯。對于整個交通道路狀況來說，此次訓(xùn)練的數(shù)據(jù)量還是較為偏少，但在訓(xùn)練結(jié)果上，該算法顯示了在擁堵、天氣、意外狀況下路況預(yù)測上的巨大優(yōu)勢。隨著未來的經(jīng)濟(jì)發(fā)展，道路狀況在很長的一段時間內(nèi)都處于高壓狀態(tài)，通過深度學(xué)習(xí)的方法，對大量的交通信息進(jìn)行分析，預(yù)測道路交通狀況，為物流配送選擇合適的行程路線，因此對深度學(xué)習(xí)在交通運(yùn)輸?shù)膽?yīng)用研究是很有必要和有意義的。3.實(shí)驗(yàn)分析三、實(shí)驗(yàn)結(jié)果與分析【課后小結(jié)】1