路线规划之基于深度学习的物流配送路径优化算法.pptx

物流人工智能技术技能培训;任务三 路线规划之基于深度学习的物流配送路径优化算法;;【教学目标】;一、物流路径优化问题;1.3路径优化模型 解决前面课中物流配送问题，关键在于准确预测当前时间段，物流配送经过路段的道路交通情况，依据预测的道路状况选择合理的物流配送路径。物流配送路径优化模型如下图5-2所示;新版气象灾害预警信号从五个等级改成了四个等级，分别用蓝色、黄色、橙色和红色来表示，表示一般、较重、严重和特别严重，同时以中英文标识，与国家的所有应急处置等级和颜色保持一致。因此我们把天气影响值Ti依照预警等级分为四个值，设定工作日正常天气交通代价值为标准值To 、预警天气代价值为Tq ，天气影响值为预警天气时路段代价值与正常天气时代价值之比。公式如下： 国家交通有关法规规定：城市无中心线道路限速30公里每小时，公路为40 公里每小时，为了方便自编码网络模型的训练和道路状况的区分，按最高速40 公里每小时，最低速为0，平均划分十等分，设定道路状态值为RbR，具体数据通过对关注区域的路段固定周期测得。 因为数据的训练是按小时划分的，在周末和节假日，道路状态值受影响情况明显。节假日影响值Ji，影响值即与正常天气路段代价值之比，故公式如下：;二、物流路径优化建模;模型权重参数求解采用常见的梯度下降法， 通过迭代逼近求取 隐层权重 ω，输入特征向量 V 与输出节点一一对应，因此采用 Sigmoid 函数为隐藏层的变换核函数，输入特征向量 v 与权重 ω 计算后加上偏置数b得到输出特征值，求解过程归结如下： 在分类问题上， 采用基于 Softmax 的预测模型，设定类标签 y（i）∈{1，2，…，10}，分类标签代表预测模型要输出的 10 个路段代价值， 估算概率值 p=（y=j|x），于是假设函数 hθ（x）如下： 其中：θ1，θ2，…，θk 为要求取的模型参数，同理，代价函数则为： 求取最小 j（θ）时参数值 θj 的值，通过迭代的方法算出模型参数 θk。 求解出最终的路段预测器。;2.2交通网络权重 物流配送最优路线应该是：路途最近，即经过路段长度最短；时间最短，最短时间内把物品送到目的地；路线???行，即选择的路线没有路段封闭或者严重拥堵。由此定义路段权重式子如下： S 为路段长度，σ 为固定系数，经学习可以获得。路段权重为标准路段代价值、 影响值和路段长度系数的积。 2.3算法选择 城市内的交通网络规模相对较小，运算量较少，采用禁忌算法最为合适。 如果在多个城市之间物流中转时，可以采用混合算法求解。;2.4优化算法描述 基于带权重交通网络的物流配送路径优化算法如下： 输入：配送货物要到达的地点，所在地的最近时期道路交通信息和路段长度，配送出发时间。 输出：当前时段最合适的物流配送路线。 Step1 首先对数据样本进行有效数据筛选和按时段分组，按正常天气工作日（标准）、预警天气工作日、正常天气节假日进行分类。 Step2 用标准组数据对自编码网络模型进行训练，由公式（3）确定输出特征，完成模型的预训练。 依据公式（4）（5）预测得到标准路段代价值 T0。 Step3 然后按照图 2 的方式再进行分类数据的训练，求解各个预测代价值，分别代入公式（1）（2）中求出天气影响值 Ti 和节假日影响值 Zi、Ji。 Step4 按照标准分时数据， 对自编码模型监督学习，求解出各时段路段代价值 T0，和系数 σ 的值。 Step5 依据配送信息，选择对应的时刻路段代价值T0（Step4）和影响值（Step3），代入公式（6）中求得路段权重 W， 结合交通网络的拓扑结构， 构建带权重交通网络。 Step6 在带权重交通网络中，采用禁忌搜索算法求解最优路线。 Step7 输出配送路线交通信息样本的分组，依据节假日，上下班高峰期，天气信息分组训练，使得预测的代价函数值更为准确、可靠。依据获得的最新的交通数据样本，更新自编码网络的参数值， 使得对当前路段交通状况预测更加准确、可靠，为物流配送路径的选择提供依据。;三、实验结果与分析;3.1模型训练和测试 模型的训练与测试基于南宁市 30 条主干道路的某局部区域监控数据。 交通数据采样主要依据该区域的道路监控数据， 气象数据和城市道路拓扑结构来自网络收集。 数据首先进行分类和筛选，筛选是选出错误数据和异常数据，异常数据比如车辆信息无，该路段 1天内无车辆通行，即可判断该道路封闭。 分类如 3.1 节所示， 分为两个对比组， 一个标准组。 每组数据均为10000 个样本进行训练。得出特征信息，然后预测权值，再计算出天气、周末和节日影响因子。 最后进行测试，检验预测权值与实际权值的差距。 流程如下： 预测准确率如图 5 所示。;3.2配送仿真与验证 为了验证本文算法在实际物流配送中的效果，在南宁市随机设置 6