物流人工智能技術技能培訓項目三人工智能算法在配送環節應用任務三路線規劃之基于深度學習的物流配送路徑優化算法目錄CONTENTS物流路徑優化問題PART1物流路徑優化建模PART2實驗結果與分析PART3【教學目標】過程與方法：知識與技能：1.了解基于深度學習的物流配送路徑優化算法中的物流路徑優化問題；2.了解基于深度學習的物流配送路徑優化算法中的物流路徑優化建模。在學習動畫視頻的過程中，理解其基本工作原理，了解其實際應用價值。情感、態度與價值觀：1.提升對人工智能的認識，發展辯證思維，客觀認識人工智能技術對社會的影響，培養正確的科學技術應用觀。2.堅定擁護中國共產黨領導和我國社會主義制度。一、物流路徑優化問題深度學習常用的模型有：限制玻爾茲曼機模型自動編碼器模型1.1深度學習路徑的選擇1.2物流配送難點121.3路徑優化模型解決前面課中物流配送問題，關鍵在于準確預測當前時間段，物流配送經過路段的道路交通情況，依據預測的道路狀況選擇合理的物流配送路徑。物流配送路徑優化模型如下圖5-2所示交通數據預測帶路段權重的交通網絡深度學習

旅行商問題配送路線道路交通網絡配送信息（配送時間、地點）圖5-2物流配送路徑優化模型交通數據按時段分為多個樣本組，其中白天5-22點交通數據具有研究價值，因此把樣本按時刻劃分為17組，道路交通網絡主要考慮其拓撲結構。配送信息需要出發時間、配送地點。道路的拓撲結構附加上預測的各時刻路段通行代價權重，就構成了分時帶權交通網絡模型。這時的物流配送路徑優化問題就轉化成了旅行商問題，根據網絡模型的復雜程度，選擇合適的算法，最后求解最優配送路徑。一、物流路徑優化問題新版氣象災害預警信號從五個等級改成了四個等級，分別用藍色、黃色、橙色和紅色來表示，表示一般、較重、嚴重和特別嚴重，同時以中英文標識，與國家的所有應急處置等級和顏色保持一致。因此我們把天氣影響值Ti依照預警等級分為四個值，設定工作日正常天氣交通代價值為標準值To、預警天氣代價值為Tq，天氣影響值為預警天氣時路段代價值與正常天氣時代價值之比。公式如下：國家交通有關法規規定：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，為了方便自編碼網絡模型的訓練和道路狀況的區分，按最高速40公里每小時，最低速為0，平均劃分十等分，設定道路狀態值為RbR，具體數據通過對關注區域的路段固定周期測得。因為數據的訓練是按小時劃分的，在周末和節假日，道路狀態值受影響情況明顯。節假日影響值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、物流路徑優化問題二、物流路徑優化建模2.1深度學習與物流配送的結合采用了基于自編碼網絡的深度學習模型。模型只計算隱藏層的權重參數，不進行分類操作，用合適的函數來分類，這樣很大程度上提高了分類的精度，我們對數據按時段分組，使得預測更為精準，對天氣因素處理先按天氣分組，對比訓練后計算出天氣影響值，同理求解出周末和節日影響值。訓練流程如圖2所示。節日組數據標準組數據天氣組數據節日代價值標準代價值天氣代價值節日影響值天氣影響值圖2

訓練流程...

...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自編碼模型模型權重參數求解采用常見的梯度下降法，通過迭代逼近求取隱層權重ω，輸入特征向量V與輸出節點一一對應，因此采用Sigmoid函數為隱藏層的變換核函數，輸入特征向量v與權重ω計算后加上偏置數b得到輸出特征值，求解過程歸結如下：在分類問題上，采用基于Softmax的預測模型，設定類標簽y（i）∈{1，2，…，10}，分類標簽代表預測模型要輸出的10個路段代價值，估算概率值p=（y=j|x），于是假設函數hθ（x）如下：其中：θ1，θ2，…，θk為要求取的模型參數，同理，代價函數則為：求取最小j（θ）時參數值θj的值，通過迭代的方法算出模型參數θk。求解出最終的路段預測器。（3）（5）二、物流路徑優化建模2.2交通網絡權重物流配送最優路線應該是：路途最近，即經過路段長度最短；時間最短，最短時間內把物品送到目的地；路線可行，即選擇的路線沒有路段封閉或者嚴重擁堵。由此定義路段權重式子如下：S為路段長度，σ為固定系數，經學習可以獲得。路段權重為標準路段代價值、影響值和路段長度系數的積。2.3算法選擇城市內的交通網絡規模相對較小，運算量較少，采用禁忌算法最為合適。如果在多個城市之間物流中轉時，可以采用混合算法求解。（6）二、物流路徑優化建模2.4優化算法描述基于帶權重交通網絡的物流配送路徑優化算法如下：輸入：配送貨物要到達的地點，所在地的最近時期道路交通信息和路段長度，配送出發時間。輸出：當前時段最合適的物流配送路線。Step1首先對數據樣本進行有效數據篩選和按時段分組，按正常天氣工作日（標準）、預警天氣工作日、正常天氣節假日進行分類。Step2用標準組數據對自編碼網絡模型進行訓練，由公式（3）確定輸出特征，完成模型的預訓練。依據公式（4）（5）預測得到標準路段代價值T0。Step3然后按照圖2的方式再進行分類數據的訓練，求解各個預測代價值，分別代入公式（1）（2）中求出天氣影響值Ti和節假日影響值Zi、Ji。Step4按照標準分時數據，對自編碼模型監督學習，求解出各時段路段代價值T0，和系數σ的值。Step5依據配送信息，選擇對應的時刻路段代價值T0（Step4）和影響值（Step3），代入公式（6）中求得路段權重W，結合交通網絡的拓撲結構，構建帶權重交通網絡。Step6在帶權重交通網絡中，采用禁忌搜索算法求解最優路線。Step7輸出配送路線交通信息樣本的分組，依據節假日，上下班高峰期，天氣信息分組訓練，使得預測的代價函數值更為準確、可靠。依據獲得的最新的交通數據樣本，更新自編碼網絡的參數值，使得對當前路段交通狀況預測更加準確、可靠，為物流配送路徑的選擇提供依據。二、物流路徑優化建模三、實驗結果與分析實驗環境是：Win7操作系統個人版，CPU為Inteli74790，內存為金士頓16G×2的計算機，編程工具用MATLAB。網絡模型為三層結構，如圖4所示樣本數據分類篩選Z預測值測試值ZT預測值測試值TJ預測值測試值J是否封閉圖5-5

網絡模型3.1模型訓練和測試模型的訓練與測試基于南寧市30條主干道路的某局部區域監控數據。交通數據采樣主要依據該區域的道路監控數據，氣象數據和城市道路拓撲結構來自網絡收集。數據首先進行分類和篩選，篩選是選出錯誤數據和異常數據，異常數據比如車輛信息無，該路段1天內無車輛通行，即可判斷該道路封閉。分類如3.1節所示，分為兩個對比組，一個標準組。每組數據均為10000個樣本進行訓練。得出特征信息，然后預測權值，再計算出天氣、周末和節日影響因子。最后進行測試，檢驗預測權值與實際權值的差距。流程如下：預測準確率如圖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，準確率較低，預警天氣下準確率最高，分析其原因，正常情況下，道路的交通狀況隨機性較強，當出現預警天氣時，道路交通受影響明顯，預測變得簡單。三、實驗結果與分析3.2配送仿真與驗證為了驗證本文算法在實際物流配送中的效果，在南寧市隨機設置6組配送任務樣本，在各個時段執行配送任務，分別用本文算法和禁忌搜索算法求解配送路徑，最后與測試結果相對比、驗證。任務樣本選取如表1所示，任務樣本分為兩組，一組為城區內配送，一組為不同城區間配送，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：南寧城區配送地點數量1配送地點數量2配送地點數量3相同城市5912不同城市5912表1任務樣本選取三、實驗結果與分析3.3實驗分析通過圖4看以發現自編碼網絡模型對擁堵和突發狀況比較敏感，表1中可以發現在上下班高峰時段，傳統的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，此次訓練的數據量還是較為偏少，但在訓練結果上，該算法顯示了在擁堵、天氣、意外狀況下路況預測上的巨大優勢。隨著未來的經濟發展，道路狀況在很長的一段時間內都處于高壓狀態，通過深度學習的方法，對大量的交通信息進行分析，預測道路交通狀況，為物流配送選擇合適的行程路線，因此對深度學習在交通運輸的應用研究