本文介绍了基于外卖物流配送大数据的智能调度系统，该系统通过云计算、深度学习和可视化技术提高物流效率，优化用户体验。调度系统考虑多种因素，包括订单分配、骑士路径、配送时间等，实现自动化调度和资源最优配置。深度学习模型用于预测商户出餐时间，提高预估准确性。此外，可视化技术帮助理解调度平台并降低问题定位成本，从而提升整个物流调度平台的效率和用户满意度。
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&
最低0.47元/天 解锁文章
扫一扫
404
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
