CN115860401A - 一种数字孪生驱动的智能物流配送系统与方法 - Google Patents

Abstract

本发明公开了一种数字孪生驱动的智能物流配送系统与方法，所述系统包括位于物理空间中的数据的感知和采集模块、位于虚拟空间中的物流配送数据中心模块、配送道路地图的构建与AI算法模块和配送路径规划仿真模块；数据的感知和采集模块将感知和采集到的信息输入物流配送数据中心模块；物流配送数据中心模块用于获取所述数据的感知和采集的孪生数据；配送道路地图的构建与AI算法模块用于接收所述虚实融合数据；配送路径规划仿真模块用于将接收的所述规划物流配送仿真方案转化为决策指令。本发明将实时的配送车辆速度信息融合到长周期预测模块中，采用扰动事件的演化方法，实时更新预测道路车速信息，得出智能的配送规划结果。

Description

一种数字孪生驱动的智能物流配送系统与方法

技术领域

本发明涉及城市物流配送技术领域，具体涉及一种数字孪生驱动的智能物流配送系统与方法。

技术背景

随着互联网、大数据、云计算、区块链、人工智能等新技术在物流业的应用，推动了机器智能快速发展。机器智能的感知系统在很多方面远远超越了人类的感知，通过机器智能的感知系统可以实时高效地获取数据，对数据进行处理分析。

在实际城市物流配送过程中，交通情况是复杂多变的，其中车辆的行驶速度严重受交通情况的影响，而通常的物流配送问题假设车辆都是速度恒定的，这样产生的优化方案在实际配送执行时会存在较大差异，甚至使得优化方案不可行。

在实际城市物流配送过程中，会突发一些扰动事件影响物流配送，从而使客户的服务质量大大降低，例如车辆故障、交通事故、顾客需求变更、道路施工等因素。

目前针对相关技术中，将数字孪生技术应用在城市物流配送方面，尚未提出有效的解决方案。

申请号为2021114711210的中国专利提出一种基于自适应大规模领域搜索算法的车辆路径问题方法及系统，基于自适应大规模领域搜索算法的车辆路径问题方法及系统能够对车辆路径问题进行求解，并未考虑到实时的道路车速信息，不能反映道路的实时状况，这样的规划方案会与实际的配送规划方案存在很大差异，使得客户的服务质量大大降低。

申请号为2019109735006的中国专利提出一种实时路况下的车辆路径规划问题模型创建方法，采用路网坐标数据结合数据结构创建交通网模型，利用BP神经网络模型对该交通网历史路况数据进行建模，搭建完整的包含实时路况信息的道路网络拓扑结构，用于实时状况下的物流配送。但是并未考虑到配送过程的扰动事件的影响，无法针对发生的扰动事件进行演化路径规划，定时响应。

目前针对相关技术中，将数字孪生技术应用在实际城市物流配送方面，尚未提出有效的解决方案。

发明内容

本发明提供了一种数字孪生驱动的智能物流配送系统与方法，它通过将实时的配送车辆速度信息融合到长周期预测模块中实时更新预测道路车速信息，利用预测的道路车速信息来驱动强化学习的训练模块对配送进行规划，将采集的配送扰动事件加入到虚拟空间中，采用扰动事件的演化方法，定时响应，并实时更新配送路径规划仿真模块的数据、模块、算法，得出智能的配送规划结果。

本发明提供了一种数字孪生驱动的智能物流配送系统与方法，所述智能物流配送系统，包括：

位于物理空间中的数据的感知和采集模块、位于虚拟空间中的物流配送数据中心模块、配送道路地图的构建与AI算法模块和配送路径规划仿真模块；

所述数据的感知和采集模块用于对物理空间中物理实体的信息进行感知和采集，并将所述感知和采集到的信息输入所述物流配送数据中心模块，所述物理实体的信息包括获取配送道路信息、配送车辆的实时速度信息、历史的道路车速信息以及配送扰动事件信息；

所述物流配送数据中心模块用于获取所述数据的感知和采集模块输入的物理实体信息和配送路径规划仿真模块的孪生数据，并将所述由所述物理实体信息和孪生数据组成的虚实融合数据作为智能物流配送系统的输入参数，驱动所述配送路径规划仿真模块运行，并将所述虚实融合数据输入到配送道路地图的构建与AI算法模块；

所述配送道路地图的构建与AI算法模块用于接收所述虚实融合数据，并构建配送道路地图子模块、道路车速预测子模块、配送路径规划子模块和扰动事件演化子模块，根据所述子模块生成规划物流配送仿真方案，并将所述规划物流配送仿真方案输送至配送路径规划仿真模块；

所述配送路径规划仿真模块用于将接收的所述规划物流配送仿真方案转化为决策指令，实时、准确地传输给配送车辆，将所述配送路径规划仿真模块的结构参数，运行数据及仿真结果等数据存储到物流配送数据中心，实现虚实数据的融合。

进一步地，所述配送道路地图的构建与AI算法模块用于构建物流配送的道路地图和规划物流配送结果，采用高精度地图显示配送道路静态环境信息，将实时感知的动态环境信息和扰动事件信息加入到所述高精度地图中，实时更新显示，并将所述配送路径规划仿真模型得出的规划结果在高精度地图中动态显示；将实时的配送车辆速度信息融合到所述长周期预测模型中实时更新预测道路车速信息，利用预测的道路车速信息来驱动强化学习的训练模型对配送路径进行规划，针对发生的扰动事件进行演化处理。

进一步地，所述配送扰动事件信息包括车辆故障信息、交通事故信息、顾客需求变更信息和道路施工信息：

车辆故障信息：当配送车辆发生故障时，通过司机上传车辆故障信息，获得配送车辆发生故障的地点、时间和该配送车辆的配送计划信息，将信息传入所述扰动事件演化子模块；

交通事故信息：当发生交通事故时，通过交警上传交通事故信息或者从道路摄像头获取的视频信息中获取交通事故信息，将交通事故的地点和时间信息传入所述扰动事件演化子模块；

顾客需求变更信息：当在配送的过程中，顾客的需求发生变化时，获得顾客点的经纬度坐标和需求量信息，将信息传入所述扰动事件演化子模块；

道路施工信息：通过交通部门的相关通知信息获取道路施工信息，将道路施工的施工路段和施工时间段信息传入所述扰动事件演化子模块。

进一步地，所述构建配送道路地图子模块用于将所述实时采集的车辆速度、车辆故障信息、交通事故信息、顾客变更需求信息、道路施工信息在高精度地图中实时显示，以达到模拟真实道路配送的场景；

所述道路车速预测子模块用于对未来的道路车速信息进行预测，并生成长周期预测模型，将采集的历史的交通道路车速信息利用数据驱动的预测方法对未来的道路车速进行预测，将感知的实时道路车速信息传输到所述长周期预测模型中，实时更新预测的道路车速信息；

所述配送路径规划子模块用于产生高效的配送路径规划结果，根据配送点的个数分别训练不同的强化学习模型，利用预测的道路车速信息来驱动强化学习的训练模型对配送进行规划；

所述扰动事件演化子模块用于在物流配送过程中，针对发生的扰动事件，进行演化更新，定时响应。

本发明还提供一种数字孪生驱动的智能物流配送方法，包括以下步骤：

S1、通过收集某一地区的每一条道路速度的历史信息，采用长周期预测模型对道路的车速信息进行预测；

S2、构建混合整数规划模型，以最小化总成本为优化目标，以车辆的容量，服务的时间为约束条件，并对其采用深度强化学习的方法进行求解，得出配送方案；

S3、判断各种扰动事故信息的发生地点是否在配送路径中，如果不是发生在配送路径中，则按照原来的配送结果进行配送；如果是发生在配送路径中，则对配送方案进行演化更新，得出高效的配送方案。

进一步地，所述S1包括以下步骤：

S11、采集某地段的每条道路的道路名称以及道路通行的方向；

S12、通过采集至少8周以上时间内每天每个周期时间内的各条道路的历史车速信息，每个周期时间内的各条道路的历史车速信息是指在每个周期时间内各条道路的同行车辆的平均速度；

S13、对各条道路历史车速信息进行数据预处理，数据预处理采用数据清洗的方法对周期内所有道路的历史车速数据进行缺失值的补充，将缺失值的前后周期的平均速度取平均值替代缺失值，把每个周一、周二、周三、周四、周五、周六、周日的历史数据进行分组，将所有周一的车速数据按照时间顺序采用阿拉伯数字[0，1，2，…]进行标注，每一个数字代表某个周期的时间段，将其处理成每一个数字对应其相应速度的格式，同理，将周二、周三、周四、周五、周六、周日的所有历史数据按照周一的处理方式进行处理；

S14、利用历史各条道路所有周一的车速数据预测下一个周一的车速信息，将各条道路的带有数字序列的历史车速信息输入到长周期预测模型中训练，得到各条道路的预测模型，预测模型的输入为数字序列，模型的输出是该数字序列对应时刻的速度，同理，将周二、周三、周四、周五、周六、周日的所有历史数据按照周一的预测处理方式进行处理；

S15、将实时的车辆速度融合到长周期预测模型中，当实时的车辆速度与预测该时刻的车辆速度的误差百分比小于0.1，则按照原来的预测模型进行预测，否则，将实时的车辆速度替代预测该时刻的道路速度进行模型的训练，更新预测的道路车速，其中，实时车辆速度和预测车辆速度的误差百分比的定义为：

其中，V_T表示实时的车辆速度，V_P表示预测该时刻的车辆速度。

进一步地，所述S2包括以下步骤：

S21、构建物流配送混合整数规划数学模型，优化目标函数如下：

目标函数是使得总成本最小，总成本包括路径成本，车辆成本和时间窗惩罚成本；其中，d_ij表示在配送车辆从节点i到节点j路段所需要的路程,；x_ij ^k为决策变量，其取值为0或者1，表示第k辆车是否从节点i到节点j,如果是，则取值为1，如果不是，则取值为0；x_0j ^k表示第k辆车从起始点0点出发是否到达节点j,如果是则为1，不是则为0；e_i表示第i个顾客的开始服务时刻；t_i表示车辆到达第i个顾客的时刻；c₁表示单位行驶路程成本，c₂表示单位车辆成本，c₃表示单位时间窗惩罚成本；

S22、优化目标函数的约束条件如下：

上式中(1)表示每个顾客节点只能接受一辆车的服务；

(2)表示配送车辆从配送中心出发并最终返回配送中心；

(3)表示所有配送车辆的总载重量可以满足所有顾客节点的需求；

(4)表示车辆一进一出，到达某个节点后必须离开；

(5)表示的是从某个节点的离开时刻不得晚于该节点的时间窗上限；

(6)表示车辆k的出发时间以及返回时间均满足配送中心的工作时间段；

(7)表示消除子回路约束；

(8)表示车辆的使用次数限制，即每辆车只能被使用一次；

(9)表示对决策变量x_ij ^k进行整数约束，规定只能取0或1；

其中，Q_k表示第k辆配送车辆的载重量；[e_i,l_i]表示顾客节点接受服务的时间段，e_i表示服务的最早时刻，l_i表示服务的最晚时刻；q_i表示第i个顾客的需求量；s_i表示第i个顾客的服务时间；t_start ^k表示第k辆车从配送中心出发的时刻；[T_1e,T_Rl]表示配送中心的工作时间段，T_1e表示配送中心的开始时刻，T_Rl表示配送中心的结束时刻；T_ij ^k表示第k辆车从站点i到站点j的行驶的时间；K表示用于配送的车辆数量；集合C表示的是i＝{1,2,3,…,n}的顾客节点的集合；

S23、采用深度强化学习求解混合整数规划模型的步骤：

S231、根据历史的配送订单信息，从中选出不同配送规模N∈{2,3,4,…1000}的VRPTW实例数据集；

S232、对不同配送规模的VRPTW实例数据集进行训练，通过将初始化策略网络设置为Actor－Critic策略网络，得到一个批次的实例解决方案和奖励值；

S233、通过奖励值和Critic值估计来估计目标函数对可训练变量的参数梯度，其中目标函数为物流配送中最小化的总成本，在模型中将其设定为随机策略π^θ采样的轨迹Y的负期望总回报为：

其中，Y表示采样的轨迹；R(Y)表示采样轨迹的回报，π^θ表示采用的随机策略；

S234、用Adam优化器来更新Actor策略网络模型参数和Critic参数；

S235、根据需要服务顾客的数量N，调用深度强化学习训练N个顾客的模型进行求解。

进一步地，所述S3包括以下步骤：

首先判断各种扰动事件信息的发生地点是否在配送路径中，如果不是发生在配送路径中，则按照原来的配送结果进行配送；如果是发生在配送路径中，则采用的演化配送规划的策略如下：

车辆故障信息演化配送：获得故障车辆的地点和配送方案，重新派一辆车根据原有的配送方案继续配送剩余的顾客；

交通事故信息演化配送：获取交通事故信息的发生时间，统计出的交通事故的需要处理时间，得出交通事故的处理的时间段，判断配送车辆到达事故地点时是否在该时间段内，如果不在该时间段内，则采用配送规划路线，如果在该时间段内前半段，则采取先服务离该车辆最近的另一个顾客，然后服务该顾客，剩下的顾客按照原来的配送规划进行；如果在该时间段内后半段，则采用等待处理完交通事故后，按照原来的规划进行配送；

顾客需求变更信息演化配送：获取顾客的需求信息，如果顾客取消订单，配送车辆将按照原有的配送方案进行配送，中间直接忽略配送该顾客；如果顾客减少需求量，则按照原有的路线进行配送，减少该顾客的配送量；如果顾客增加需求量，则先按照原有的路线进行配送，然后将该顾客增加的需求量放置到下一次的配送规划中；如果在配送过程有新的顾客需求，则将其放入下一次的配送规划中；

道路施工信息演化配送：获取发生道路施工信息的施工时间区间，在这段施工时间区间内将该路段设置为不能通行，获取剩下的配送点的信息，将该路段设置为不可通行，根据配送点的个数选择对应的强化学习训练模型进行规划，得出配送规划结果。

相比与现有技术，本发明的有益效果为：

1、本发明通过将实时的配送车辆速度信息融合到长周期预测模块中实时更新预测道路车速信息，利用预测的道路车速信息来驱动强化学习的训练模块对配送进行规划，将采集的配送扰动事件加入到虚拟空间中，采用扰动事件的演化方法，定时响应，并实时更新配送路径规划仿真模块的数据、模块、算法，得出智能的配送规划结果；

2、本发明能够充分利用感知数据，对执行的计划进行分析与优化，通过数据通信等手段将配送车辆的运行状态实时传递给虚拟空间，由虚拟空间根据传递来的数据，通过算法进行实时仿真优化，将决策结果传递给配送车辆；物理空间车辆的运行状态改变影响虚拟空间的仿真结果，相对的，虚拟空间仿真结果也将改变物理空间的车辆运行的状态；物理设备将运行过程、运行结果等信息不断反馈给虚拟空间，进而更新虚拟空间的数据、模型、方法等要素，从而影响了仿真结果，通过虚实融合，迭代演进，能更贴近实际的解决城市物流配送的问题。

附图说明

图1为本发明的整体结构图；

图2为本发明的流程图；

图3为本发明的方法步骤图。

具体实施方式

以下结合附图1～3和具体实施例对本发明作进一步的详细说明。

如图1所示，本实施例提出了一种数字孪生驱动的智能物流配送系统与方法，所述智能物流配送系统，包括：

位于物理空间中的数据的感知和采集模块、位于虚拟空间中的物流配送数据中心模块、配送道路地图的构建与AI算法模块和配送路径规划仿真模块；

所述数据的感知和采集模块用于对物理空间中物理实体的信息进行感知和采集，并将所述感知和采集到的信息输入所述物流配送数据中心模块，所述物理实体的信息包括获取配送道路信息、配送车辆的实时速度信息、历史的道路车速信息以及配送扰动事件信息；

所述物流配送数据中心模块用于获取所述数据的感知和采集模块输入的物理实体信息和配送路径规划仿真模块的孪生数据，并将所述由所述物理实体信息和孪生数据组成的虚实融合数据作为智能物流配送系统的输入参数，驱动所述配送路径规划仿真模块运行，并将所述虚实融合数据输入到配送道路地图的构建与AI算法模块；

所述配送道路地图的构建与AI算法模块用于接收所述虚实融合数据，并构建配送道路地图子模块、道路车速预测子模块、配送路径规划子模块和扰动事件演化子模块，根据所述子模块生成规划物流配送仿真方案，并将所述规划物流配送仿真方案输送至配送路径规划仿真模块；

所述配送路径规划仿真模块用于将接收的所述规划物流配送仿真方案转化为决策指令，实时、准确地传输给配送车辆，将所述配送路径规划仿真模块的结构参数，运行数据及仿真结果等数据存储到物流配送数据中心，实现虚实数据的融合。

本发明通过将实时的配送车辆速度信息融合到长周期预测模块中实时更新预测道路车速信息，利用预测的道路车速信息来驱动强化学习的训练模块对配送进行规划，将采集的配送扰动事件加入到虚拟空间中，采用扰动事件的演化方法，定时响应，并实时更新配送路径规划仿真模块的数据、模块、算法，得出智能的配送规划结果。

本实施例中，所述配送道路地图的构建与AI算法模块用于构建物流配送的道路地图和规划物流配送结果，采用高精度地图显示配送道路静态环境信息，将实时感知的动态环境信息和扰动事件信息加入到所述高精度地图中，实时更新显示，并将所述配送路径规划仿真模型得出的规划结果在高精度地图中动态显示；将实时的配送车辆速度信息融合到所述长周期预测模型中实时更新预测道路车速信息，利用预测的道路车速信息来驱动强化学习的训练模型对配送路径进行规划，针对发生的扰动事件进行演化处理。

本实施例中，所述配送扰动事件信息包括车辆故障信息、交通事故信息、顾客需求变更信息和道路施工信息：

车辆故障信息：当配送车辆发生故障时，通过司机上传车辆故障信息，获得配送车辆发生故障的地点、时间和该配送车辆的配送计划信息，将信息传入所述扰动事件演化子模块；

交通事故信息：当发生交通事故时，通过交警上传交通事故信息或者从道路摄像头获取的视频信息中获取交通事故信息，将交通事故的地点和时间信息传入所述扰动事件演化子模块；

顾客需求变更信息：当在配送的过程中，顾客的需求发生变化时，获得顾客点的经纬度坐标和需求量信息，将信息传入所述扰动事件演化子模块；

道路施工信息：通过交通部门的相关通知信息获取道路施工信息，将道路施工的施工路段和施工时间段信息传入所述扰动事件演化子模块。

本实施例中，所述构建配送道路地图子模块用于将所述实时采集的车辆速度、车辆故障信息、交通事故信息、顾客变更需求信息、道路施工信息在高精度地图中实时显示，以达到模拟真实道路配送的场景；

所述道路车速预测子模块用于对未来的道路车速信息进行预测，并生成长周期预测模型，将采集的历史的交通道路车速信息利用数据驱动的预测方法对未来的道路车速进行预测，将感知的实时道路车速信息传输到所述长周期预测模型中，实时更新预测的道路车速信息；

所述配送路径规划子模块用于产生高效的配送路径规划结果，根据配送点的个数分别训练不同的强化学习模型，利用预测的道路车速信息来驱动强化学习的训练模型对配送进行规划；

所述扰动事件演化子模块用于在物流配送过程中，针对发生的扰动事件，进行演化更新，定时响应。

本发明还提供一种数字孪生驱动的智能物流配送方法，包括以下步骤：

S1、通过收集某一地区的每一条道路速度的历史信息，采用长周期预测模型对道路的车速信息进行预测；

S2、构建混合整数规划模型，以最小化总成本为优化目标，以车辆的容量，服务的时间为约束条件，并对其采用深度强化学习的方法进行求解，得出配送方案；

S3、判断各种扰动事故信息的发生地点是否在配送路径中，如果不是发生在配送路径中，则按照原来的配送结果进行配送；如果是发生在配送路径中，则对配送方案进行演化更新，得出高效的配送方案。

本实施例中，所述S1包括以下步骤：

S11、采集某地段的每条道路的道路名称以及道路通行的方向；

S12、通过采集至少8周以上时间内每天每个周期时间内的各条道路的历史车速信息，每个周期时间内的各条道路的历史车速信息是指在每个周期时间内各条道路的同行车辆的平均速度；

S13、对各条道路历史车速信息进行数据预处理，数据预处理采用数据清洗的方法对周期内所有道路的历史车速数据进行缺失值的补充，将缺失值的前后周期的平均速度取平均值替代缺失值，把每个周一、周二、周三、周四、周五、周六、周日的历史数据进行分组，将所有周一的车速数据按照时间顺序采用阿拉伯数字[0，1，2，…]进行标注，每一个数字代表某个周期的时间段，将其处理成每一个数字对应其相应速度的格式，同理，将周二、周三、周四、周五、周六、周日的所有历史数据按照周一的处理方式进行处理；

S14、利用历史各条道路所有周一的车速数据预测下一个周一的车速信息，将各条道路的带有数字序列的历史车速信息输入到长周期预测模型中训练，得到各条道路的预测模型，预测模型的输入为数字序列，模型的输出是该数字序列对应时刻的速度，同理，将周二、周三、周四、周五、周六、周日的所有历史数据按照周一的预测处理方式进行处理；

S15、将实时的车辆速度融合到长周期预测模型中，当实时的车辆速度与预测该时刻的车辆速度的误差百分比小于0.1，则按照原来的预测模型进行预测，否则，将实时的车辆速度替代预测该时刻的道路速度进行模型的训练，更新预测的道路车速，其中，实时车辆速度和预测车辆速度的误差百分比的定义为：

其中，V_T表示实时的车辆速度，V_P表示预测该时刻的车辆速度。

本实施例中，所述S2包括以下步骤：

S21、构建物流配送混合整数规划数学模型，优化目标函数如下：

目标函数是使得总成本最小，总成本包括路径成本，车辆成本和时间窗惩罚成本；其中，d_ij表示在配送车辆从节点i到节点j路段所需要的路程,；x_ij ^k为决策变量，其取值为0或者1，表示第k辆车是否从节点i到节点j,如果是，则取值为1，如果不是，则取值为0；x_0j ^k表示第k辆车从起始点0点出发是否到达节点j,如果是则为1，不是则为0；e_i表示第i个顾客的开始服务时刻；t_i表示车辆到达第i个顾客的时刻；c₁表示单位行驶路程成本，c₂表示单位车辆成本，c₃表示单位时间窗惩罚成本；

S22、优化目标函数的约束条件如下：

上式中(1)表示每个顾客节点只能接受一辆车的服务；

(2)表示配送车辆从配送中心出发并最终返回配送中心；

(3)表示所有配送车辆的总载重量可以满足所有顾客节点的需求；

(4)表示车辆一进一出，到达某个节点后必须离开；

(5)表示的是从某个节点的离开时刻不得晚于该节点的时间窗上限；

(6)表示车辆k的出发时间以及返回时间均满足配送中心的工作时间段；

(7)表示消除子回路约束；

(8)表示车辆的使用次数限制，即每辆车只能被使用一次；

(9)表示对决策变量x_ij ^k进行整数约束，规定只能取0或1；

其中，Q_k表示第k辆配送车辆的载重量；[e_i,l_i]表示顾客节点接受服务的时间段，e_i表示服务的最早时刻，l_i表示服务的最晚时刻；q_i表示第i个顾客的需求量；s_i表示第i个顾客的服务时间；t_start ^k表示第k辆车从配送中心出发的时刻；[T_1e,T_Rl]表示配送中心的工作时间段，T_1e表示配送中心的开始时刻，T_Rl表示配送中心的结束时刻；T_ij ^k表示第k辆车从站点i到站点j的行驶的时间；K表示用于配送的车辆数量；集合C表示的是i＝{1,2,3,…,n}的顾客节点的集合；

S23、采用深度强化学习求解混合整数规划模型的步骤：

S231、根据历史的配送订单信息，从中选出不同配送规模N∈{2,3,4,…1000}的VRPTW(有时间窗车辆路径问题)实例数据集；

S232、对不同配送规模的VRPTW实例数据集进行训练，通过将初始化策略网络设置为Actor－Critic(包括actor和critic，能在有限维的输入和有限维的输出中起到比较好的效果)策略网络，得到一个批次的实例解决方案和奖励值；

S233、通过奖励值和Critic值估计来估计目标函数对可训练变量的参数梯度，其中目标函数为物流配送中最小化的总成本，在模型中将其设定为随机策略π^θ采样的轨迹Y的负期望总回报为：

其中，Y表示采样的轨迹；R(Y)表示采样轨迹的回报，π^θ表示采用的随机策略；

S234、用Adam优化器来更新Actor策略网络模型参数和Critic参数；

S235、根据需要服务顾客的数量N，调用深度强化学习训练N个顾客的模型进行求解。

本实施例中，所述S3包括以下步骤：

首先判断各种扰动事件信息的发生地点是否在配送路径中，如果不是发生在配送路径中，则按照原来的配送结果进行配送；如果是发生在配送路径中，则采用的演化配送规划的策略如下：

车辆故障信息演化配送：获得故障车辆的地点和配送方案，重新派一辆车根据原有的配送方案继续配送剩余的顾客；

交通事故信息演化配送：获取交通事故信息的发生时间，统计出的交通事故的需要处理时间，得出交通事故的处理的时间段，判断配送车辆到达事故地点时是否在该时间段内，如果不在该时间段内，则采用配送规划路线，如果在该时间段内前半段，则采取先服务离该车辆最近的另一个顾客，然后服务该顾客，剩下的顾客按照原来的配送规划进行；如果在该时间段内后半段，则采用等待处理完交通事故后，按照原来的规划进行配送；

顾客需求变更信息演化配送：获取顾客的需求信息，如果顾客取消订单，配送车辆将按照原有的配送方案进行配送，中间直接忽略配送该顾客；如果顾客减少需求量，则按照原有的路线进行配送，减少该顾客的配送量；如果顾客增加需求量，则先按照原有的路线进行配送，然后将该顾客增加的需求量放置到下一次的配送规划中；如果在配送过程有新的顾客需求，则将其放入下一次的配送规划中；

道路施工信息演化配送：获取发生道路施工信息的施工时间区间，在这段施工时间区间内将该路段设置为不能通行，获取剩下的配送点的信息，将该路段设置为不可通行，根据配送点的个数选择对应的强化学习训练模型进行规划，得出配送规划结果。

本发明能够充分利用感知数据，对执行的计划进行分析与优化，通过数据通信等手段将配送车辆的运行状态实时传递给虚拟空间，由虚拟空间根据传递来的数据，通过算法进行实时仿真优化，将决策结果传递给配送车辆；物理空间车辆的运行状态改变影响虚拟空间的仿真结果，相对的，虚拟空间仿真结果也将改变物理空间的车辆运行的状态；物理设备将运行过程、运行结果等信息不断反馈给虚拟空间，进而更新虚拟空间的数据、模型、方法等要素，从而影响了仿真结果，通过虚实融合，迭代演进，能更贴近实际的解决城市物流配送的问题。

以上所述发明仅表达了本发明实施例的实施方式，并不能因此理解为对发明专利范围的限制，也并非对本发明实施例的结构作任何形式上的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明实施例构思的前提下，还可以做出若干变化和改进，这些都属于本发明实施例的保护范围。

Claims (9)

1.一种数字孪生驱动的智能物流配送系统，其特征在于：

包括位于物理空间中的数据的感知和采集模块、位于虚拟空间中的物流配送数据中心模块、配送道路地图的构建与AI算法模块和配送路径规划仿真模块；

所述数据的感知和采集模块用于对物理空间中物理实体的信息进行感知和采集，并将所述感知和采集到的信息输入所述物流配送数据中心模块，所述物理实体的信息包括获取配送道路信息、配送车辆的实时速度信息、历史的道路车速信息以及配送扰动事件信息；

所述物流配送数据中心模块用于获取所述数据的感知和采集模块输入的物理实体信息和配送路径规划仿真模块的孪生数据，并将所述由所述物理实体信息和孪生数据组成的虚实融合数据作为智能物流配送系统的输入参数，驱动所述配送路径规划仿真模块运行，并将所述虚实融合数据输入到配送道路地图的构建与AI算法模块；

所述配送道路地图的构建与AI算法模块用于接收所述虚实融合数据，并构建配送道路地图子模块、道路车速预测子模块、配送路径规划子模块和扰动事件演化子模块，根据所述子模块生成规划物流配送仿真方案，并将所述规划物流配送仿真方案输送至配送路径规划仿真模块；

所述配送路径规划仿真模块用于将接收的所述规划物流配送仿真方案转化为决策指令，实时、准确地传输给配送车辆，将所述配送路径规划仿真模块的结构参数，运行数据及仿真结果等数据存储到物流配送数据中心，实现虚实数据的融合。

2.按照权利要求1所述的一种数字孪生驱动的智能物流配送系统，其特征在于：所述配送道路地图的构建与AI算法模块用于构建物流配送的道路地图和规划物流配送结果，采用高精度地图显示配送道路静态环境信息，将实时感知的动态环境信息和扰动事件信息加入到所述高精度地图中，实时更新显示，并将所述配送路径规划仿真模型得出的规划结果在高精度地图中动态显示；将实时的配送车辆速度信息融合到所述长周期预测模型中实时更新预测道路车速信息，利用预测的道路车速信息来驱动强化学习的训练模型对配送路径进行规划，针对发生的扰动事件进行演化处理。

3.按照权利要求2所述的一种数字孪生驱动的智能物流配送系统，其特征在于，所述配送扰动事件信息包括车辆故障信息、交通事故信息、顾客需求变更信息和道路施工信息：

车辆故障信息：当配送车辆发生故障时，通过司机上传车辆故障信息，获得配送车辆发生故障的地点、时间和该配送车辆的配送计划信息，将信息传入所述扰动事件演化子模块；

交通事故信息：当发生交通事故时，通过交警上传交通事故信息或者从道路摄像头获取的视频信息中获取交通事故信息，将交通事故的地点和时间信息传入所述扰动事件演化子模块；

顾客需求变更信息：当在配送的过程中，顾客的需求发生变化时，获得顾客点的经纬度坐标和需求量信息，将信息传入所述扰动事件演化子模块；

道路施工信息：通过交通部门的相关通知信息获取道路施工信息，将道路施工的施工路段和施工时间段信息传入所述扰动事件演化子模块。

4.按照权利要求3所述的一种数字孪生驱动的智能物流配送系统，其特征在于：

所述构建配送道路地图子模块用于将所述实时采集的车辆速度、车辆故障信息、交通事故信息、顾客变更需求信息、道路施工信息在高精度地图中实时显示，以达到模拟真实道路配送的场景；

所述道路车速预测子模块用于对未来的道路车速信息进行预测，并生成长周期预测模型，将采集的历史的交通道路车速信息利用数据驱动的预测方法对未来的道路车速进行预测，将感知的实时道路车速信息传输到所述长周期预测模型中，实时更新预测的道路车速信息；

所述配送路径规划子模块用于产生高效的配送路径规划结果，根据配送点的个数分别训练不同的强化学习模型，利用预测的道路车速信息来驱动强化学习的训练模型对配送进行规划；

所述扰动事件演化子模块用于在物流配送过程中，针对发生的扰动事件，进行演化更新，定时响应。

5.一种数字孪生驱动的智能物流配送方法，其特征在于，包括以下步骤：

S1、通过收集某一地区的每一条道路速度的历史信息，采用长周期预测模型对道路的车速信息进行预测；

S2、构建混合整数规划模型，以最小化总成本为优化目标，以车辆的容量，服务的时间为约束条件，并对其采用深度强化学习的方法进行求解，得出配送方案；

S3、判断各种扰动事故信息的发生地点是否在配送路径中，如果不是发生在配送路径中，则按照原来的配送结果进行配送；如果是发生在配送路径中，则对配送方案进行演化更新，得出高效的配送方案。

6.按照权利要求5所述的一种数字孪生驱动的智能物流配送方法，其特征在于，所述S1包括以下步骤：

S11、采集某地段的每条道路的道路名称以及道路通行的方向；

S12、通过采集至少8周以上时间内每天每个周期时间内的各条道路的历史车速信息，每个周期时间内的各条道路的历史车速信息是指在每个周期时间内各条道路的同行车辆的平均速度；

S13、对各条道路历史车速信息进行数据预处理，数据预处理采用数据清洗的方法对周期内所有道路的历史车速数据进行缺失值的补充，将缺失值的前后周期的平均速度取平均值替代缺失值，把每个周一、周二、周三、周四、周五、周六、周日的历史数据进行分组，将所有周一的车速数据按照时间顺序采用阿拉伯数字[0，1，2，…]进行标注，每一个数字代表某个周期的时间段，将其处理成每一个数字对应其相应速度的格式，同理，将周二、周三、周四、周五、周六、周日的所有历史数据按照周一的处理方式进行处理；

S14、利用历史各条道路所有周一的车速数据预测下一个周一的车速信息，将各条道路的带有数字序列的历史车速信息输入到长周期预测模型中训练，得到各条道路的预测模型，预测模型的输入为数字序列，模型的输出是该数字序列对应时刻的速度，同理，将周二、周三、周四、周五、周六、周日的所有历史数据按照周一的预测处理方式进行处理；

S15、将实时的车辆速度融合到长周期预测模型中，当实时的车辆速度与预测该时刻的车辆速度的误差百分比小于0.1，则按照原来的预测模型进行预测，否则，将实时的车辆速度替代预测该时刻的道路速度进行模型的训练，更新预测的道路车速，其中，实时车辆速度和预测车辆速度的误差百分比的定义为：

其中，V_T表示实时的车辆速度，V_P表示预测该时刻的车辆速度。

7.按照权利要求5所述的一种数字孪生驱动的智能物流配送方法，其特征在于，所述S2包括以下步骤：

S21、构建物流配送混合整数规划数学模型，优化目标函数如下：

目标函数是使得总成本最小，总成本包括路径成本，车辆成本和时间窗惩罚成本；其中，d_ij表示在配送车辆从节点i到节点j路段所需要的路程,；x_ij ^k为决策变量，其取值为0或者1，表示第k辆车是否从节点i到节点j,如果是，则取值为1，如果不是，则取值为0；x_0j ^k表示第k辆车从起始点0点出发是否到达节点j,如果是则为1，不是则为0；e_i表示第i个顾客的开始服务时刻；t_i表示车辆到达第i个顾客的时刻；c₁表示单位行驶路程成本，c₂表示单位车辆成本，c₃表示单位时间窗惩罚成本；

S22、优化目标函数的约束条件如下：

上式中(1)表示每个顾客节点只能接受一辆车的服务；

(2)表示配送车辆从配送中心出发并最终返回配送中心；

(3)表示所有配送车辆的总载重量可以满足所有顾客节点的需求；

(4)表示车辆一进一出，到达某个节点后必须离开；

(5)表示的是从某个节点的离开时刻不得晚于该节点的时间窗上限；

(6)表示车辆k的出发时间以及返回时间均满足配送中心的工作时间段；

(7)表示消除子回路约束；

(8)表示车辆的使用次数限制，即每辆车只能被使用一次；

(9)表示对决策变量x_ij ^k进行整数约束，规定只能取0或1；

其中，Q_k表示第k辆配送车辆的载重量；[e_i,l_i]表示顾客节点接受服务的时间段，e_i表示服务的最早时刻，l_i表示服务的最晚时刻；q_i表示第i个顾客的需求量；s_i表示第i个顾客的服务时间；t_start ^k表示第k辆车从配送中心出发的时刻；[T_1e,T_Rl]表示配送中心的工作时间段，T_1e表示配送中心的开始时刻，T_Rl表示配送中心的结束时刻；T_ij ^k表示第k辆车从站点i到站点j的行驶的时间；K表示用于配送的车辆数量；集合C表示的是i＝{1,2,3,…,n}的顾客节点的集合；

S23、采用深度强化学习求解混合整数规划模型。

8.按照权利要求7所述的一种数字孪生驱动的智能物流配送方法，其特征在于，所述采用深度强化学习求解混合整数规划模型包括以下步骤：

S231、根据历史的配送订单信息，从中选出不同配送规模N∈{2,3,4,…1000}的VRPTW实例数据集；

S232、对不同配送规模的VRPTW实例数据集进行训练，通过将初始化策略网络设置为Actor－Critic策略网络，得到一个批次的实例解决方案和奖励值；

S233、通过奖励值和Critic值估计来估计目标函数对可训练变量的参数梯度，其中目标函数为物流配送中最小化的总成本，在模型中将其设定为随机策略π^θ采样的轨迹Y的负期望总回报为：

其中，Y表示采样的轨迹；R(Y)表示采样轨迹的回报，π^θ表示采用的随机策略；

S234、用Adam优化器来更新Actor策略网络模型参数和Critic参数；

S235、根据需要服务顾客的数量N，调用深度强化学习训练N个顾客的模型进行求解。

9.按照权利要求5所述的一种数字孪生驱动的智能物流配送方法，其特征在于，所述S3包括以下步骤：

首先判断各种扰动事件信息的发生地点是否在配送路径中，如果不是发生在配送路径中，则按照原来的配送结果进行配送；如果是发生在配送路径中，则采用的演化配送规划的策略如下：

车辆故障信息演化配送：获得故障车辆的地点和配送方案，重新派一辆车根据原有的配送方案继续配送剩余的顾客；

交通事故信息演化配送：获取交通事故信息的发生时间，统计出的交通事故的需要处理时间，得出交通事故的处理的时间段，判断配送车辆到达事故地点时是否在该时间段内，如果不在该时间段内，则采用配送规划路线，如果在该时间段内前半段，则采取先服务离该车辆最近的另一个顾客，然后服务该顾客，剩下的顾客按照原来的配送规划进行；如果在该时间段内后半段，则采用等待处理完交通事故后，按照原来的规划进行配送；

顾客需求变更信息演化配送：获取顾客的需求信息，如果顾客取消订单，配送车辆将按照原有的配送方案进行配送，中间直接忽略配送该顾客；如果顾客减少需求量，则按照原有的路线进行配送，减少该顾客的配送量；如果顾客增加需求量，则先按照原有的路线进行配送，然后将该顾客增加的需求量放置到下一次的配送规划中；如果在配送过程有新的顾客需求，则将其放入下一次的配送规划中；

道路施工信息演化配送：获取发生道路施工信息的施工时间区间，在这段施工时间区间内将该路段设置为不能通行，获取剩下的配送点的信息，将该路段设置为不可通行，根据配送点的个数选择对应的强化学习训练模型进行规划，得出配送规划结果。

Images