基于物流云平台的多式联运派单模型及求解策略

赵春雷， 孟亚斌， 柳建波， 熊万红， 乔 朋

（1.中国铁路太原局集团有限公司，山西 太原 030013；2.中国铁路太原局集团有限公司 太原高铁工务段，山西 太原 030013）

在供给侧结构性改革的大背景下，传统物流运作和发展模式将逐步退出历史舞台，智慧物流将作为现代物流发展的重要驱动力量。凭借大数据和云平台的强大计算能力，实现物流云对资源的调度、整合，统筹规划运输流程，为物流服务的参与者提供物流信息系统和相应的算法服务是智慧物流最为核心的需求［1］。随着我国跃居世界第一大物流市场和“一带一路”建设的提出［2］，多式联运这种将多种不同的运输方式衔接在一起，为长、远距离货物运输提供服务的优势愈加明显。面对多式联运主体缺失和全程组织能力效率不高的缺陷［3］，“互联网＋多式联运”“大数据”等信息决策支持技术下的物流云平台，具有对车、货、仓等资源“精准计划、智能调度”的统筹优化作用［4］。而高效、便捷、安全的铁路货运和物流配送体系日益成为决定国家制造业竞争力的重要因素之一。铁路是我国国民经济的大动脉，也是现代物流主要通道。铁路路网覆盖各大中型城市及核心经济区，有效联通公路、水运等运输环节，在推进物流业降本增效方面具有突出优势，其骨干作用与地位明显。因此云平台多式联运派单模型的本质是以铁路运输为核心，系统性地将智能化的派单过程与上游的多式联运货物的集中进行整体考量，使在同一派件车辆路径下的货物在上游物流节点集货时进行统一调度，减少运输中在多个物流节点的集散过程，从而降低货物中转的时间成本和提升货物的整体组织效率。

国内外许多专家学者研究多式联运优化模型和求解策略。张建勇等［5］根据市场上提供的运输产品的特性，以成本最小化为原则，提出多式联运系统网络的最优分配模型，并以定量的角度分析了该模型下最优组织模式，且该模型有较强的应用性。Sitek等［6］将生产、运输、配送和环保的成本作为优化标准，将时间、数量、运能和运输方式作为考虑因素，提出了混合整数线性规划多层次的成本优化模型来解决多级供应商货物供应链的多式联运问题。Wang［7］等分析了各运输方式的特征，建立虚拟交通网络，推导各种运输方式的组合优化模型及算法来避免信息化水平较低对多式联运组织效率的负面影响。van Nes［8］在其著作中详细介绍了多式联运的网络设计过程的多层网络设计方法，侧重于运输网络在分层结构中的组织方式，并分析出导致运输网络分层的机制原理。王涛等［9］基于多式联运系统基本模型进一步建立了虚拟运输网络，得出了多种运输方式下的最优组合优化模型。魏航等［10］在多式联运系统网络中加入了对不同运输方式间转运过程的变量，指出多式联运转运环节存有时变网络，在该前提下给出了多式联运系统网络改变后的模型和求解时变条件下多式联运路径最短的算法。魏众等［11］将时间窗和成本考虑在内，依靠多式联运系统网络提出一种适用于多节点、长距离多式联运问题的最短时间模型。张运河等［12］在Reddy［13］提出的成本最小化的多式联运模型基础上，通过在多式联运网络图中增加虚拟发、到站，将问题转化为了最短路问题，提出了最佳运输线路的广义最短路径法。康凯等［14］集成多式联运中的运输方式和运输路径，给出了粒子群-蚁群双层优化算法求解方案，解决多节点、多方式、多路径的组合优化问题。也有学者结合多式联运的实际情景对物流环节进行了优化。Schönharting等［15］从地理环境角度出发，结合莱茵鲁尔区域铁路、公路、河运三种运输方式的联运来构建城市内部的最短转运线路。李孟良等［16］在多种情景的灾后物资多式联运调配中优化了多式联运系统网络的鲁棒性。雷凯等［17］就多式联运网络和风险传播网络进行分析，构建了多式联运风险传播动力学模型，描述了多式联运复杂网络风险的规律性。综上所述，目前的研究从多式联运实际运作视角进行分析的较为分散，本研究将派单制与多式联运并行考量。

1 云平台多式联运派单策略总体思路、流程及原则

1.1 总体思路

云平台多式联运派单主要解决“多对多”（多类货物形成多种运输方案）的货物集配运问题。首先通过分析海量客户订单，依据货物品类、运到时限、干线运力支撑等关键因素和一定规则并通过人工智能技术形成云平台订单，按承运不同阶段分配给各个承运商，在满足系统在线自动派单的同时，实现派单效果的“四化”。通过云平台派单将各承运方有效串联、协调，将不同运输方式的功能优势充分发挥，实现多式联运运输效益的“最优化”。通过结合不同运输方式的特点，对不同运输主体进行组织协调，实现不同运输方式管理的“一体化”。通过大数据技术实现对物流量、运能水平进行监控和预测，有效减轻运输资源供应链由于缺乏对需求的整体把控所带来的牛鞭效应，减少货物滞留和缺货。将积累数据汇总由数据库结构化处理后交由计算机作为有监督机器学习算法数据的基础来源进行人工智能分析，对可能发生的多式联运派单情景进行无监督下机器学习，学习、模拟所有派单情景，利用多式联运派单算法模型求解应对不同运单、环境变化下的决策应对方案，逐步取代人工派单，实现云平台派单功能“智能化”。随着多式联运派单模式下的数据量的不断扩充，人工智能对资源的调控和派单的决策所生成的方案将愈加合适和准确。通过大幅降低货物的运输成本，并将成果最终回馈于客户，最终实现客户利益的“最大化”。总体思路流程，见图1。

1.2 多式联运派单问题剖析

多式联运是一种以实现货物整体运输的最优化效益为目标的联运组织形式，多式联运的核心是派单的合理性，即派单结果决定了多式联运运输方式的经济性与有效性。本研究将对多式联运派单问题从理论与实践的角度展开深入剖析，主要从问题描述层、问题求解层、平台派单层和实际操作层这4个层面展开分析。

（1）问题描述层

本研究的多式联运问题描述如下：存在若干客户，每位客户的订单信息包括货物基本信息（包括货物类型、重量体积、包装等）和对运输时间的要求，以及对运输费用的要求；存在由路径信息和渠道运力构成的多式联运网络图；需要计算机利用云平台大数据从复杂的多式联运网络中搜索满足客户需求下的货物“多对多”的最优化运输方案，见图2。

图1 云平台派单总体思路流程图

图2 多式联运网络剖析图

（2）问题求解层

“多对多”多式联运优化问题可以分解为3个阶段的问题：集货问题、干线运输问题和终端货物配送问题，其中集货过程和终端货物配送过程可以归纳为有时间窗的多车辆多车型VRP问题，干线运输问题可以归纳为多式联运路径优化问题。这里采用逆向求解策略，首先求解终端货物配送问题，“多对多”多式联运优化问题的时间窗一般以天为单位，即以某天为货物最晚到达时间，分类出符合时间窗约束的客户订单，针对这一批客户订单生成终端货物配送路线；其次，以货物最晚到达终端配送起始点的时间作为多式联运路径最晚到达的时间，生成多式联运路径，从而推出多式联运路径起始点的时间；最后，以多式联运路径起始点的时间作为集货完成的最晚时间，生成集货方案，同时也就生成了分批订单。整个过程通过逆推的策略求解“多对多”多式联运优化问题，从而得到最优派单方案，见图3。

图3 问题求解逆推计算过程

（3）平台派单层

通过逆推法得到多式联运派单方案后，平台按照最优方案，先将客户订单通过云平台预处理生成平台订单，然后将平台订单分派给方案中各段的承运商即可，见图4。

（4）实际操作层

在实际操作中，首先将客户订单通过平台生成的货物集货方案运输到干线运输的起点；其次，各承运商根据平台生成的干线运输方案执行；最后，货物到达干线运输的终点后，公路承运商按照平台生成的货物配送方案完成终端配送，见图5。

图4 云平台多式联运派单流程图

图5 订单货物集散方案

综上，从问题描述层、问题求解层、平台派单层和实际操作层4个层面剖析多式联运派单问题，从现实问题描述，到理论分析，再到实际操作，4个层面环环相扣。其中，车辆排程属于问题描述层的子问题；路径优化属于问题求解层；货物派单属于平台派单层。即本研究目的是要解决云平台订单处理、车辆排程等实际问题，通过提炼核心问题并将问题模型化，即将问题归类到车辆路径优化问题，然后根据车辆路径优化的求解结果进行货物派单。

1.3 云平台多式联运派单原则

多式联运派单是在满足客户运到时限和保证货物品质的前提下，通过合理的运输工具匹配、路径规划、货物运输组织，将货物以最低成本运抵目的地，在具体实施的过程中，应遵守7个原则。

（1）干线运力有效支撑控制。干线运输的总成本和总时间是决定整个多式联运的总成本、时间的核心要素，也是多式联运派单生成的首要保证。

（2）派单制度统一制定。多式联运各环节不是各承运商业务上的松散配合，而是流程、信息等方面紧密联合，由于多式联运各承运主体隶属部门、规则不尽相同，要保证多式联运各环节高效顺畅，必须以多式联运经营人身份制定统一的规章、制度，并督促各方严格遵守。

（3）单体运力派出最少。为减少由于货物中转导致的费用、货损、时间增加等，在同样能满足运输时限和费用的条件下，优先采取较少的运力主体参与多式联运。

（4）派单方案快速调整。每种多式联运方案本身固定，但在具体的执行过程中应根据情况适时动态调整，比如某单货物的总体多式联运派单模式为“公路集货＋铁路干线＋公路配送”，但派单执行中由于铁路线路整修、事故等导致铁路承运无法实现时，及时调整为“公路集货＋公路干线＋公路配送”模式，确保货物能够按时送达。

（5）保持适当装车容量空余。每次运力配载过程中，考虑到不规则物体的实际装载程度，应在货车理论装载量的基础上维持一定空余（如80%），后期随着装载数据的增加，逐渐调整空余度的大小。

（6）智能派单与人工调度配合。在运用派单算法的具体执行过程中，尤其是程序开发初期，需结合人工调度共同进行派单。后期随着平台数据量的增加和对运营规律的逐渐明晰，逐步减少人工干预，通过大数据、人工智能手段实现多式联运的智能化派单。

（7）先送客户后装车、后送客户先装车。汽车配送过程实际是汽车集货的逆过程，根据不同客户派送的先后顺序，先送客户后装车，后送客户先装车，减少汽车资源消耗，合理分配运能。

2 云平台多式联运派单策略

按照上述多式联运派单总体思路、总体流程和原则，结合云平台自身功能，对云平台的多式联运派单策略按逆推求解思路进行分层设计。

2.1 货物分类处理

按照货物的特性，可分为特殊类货物的多式联运（危险品、生鲜、液体等）、普通大宗类货物的多式联运、普通零散类货物的多式联运，本文主要针对普通零散货物的多式联运开展研究。

2.2 终端配送方案的生成

终端配送是汽运配送的过程，汽运配送需要考虑的因素和维度（8方面32项指标），见表1。

终端配送问题可以归结成为考虑客户时间窗的多车辆多车型车辆路径优化问题。问题描述如下：设参与配送的车辆的类型总数量是M，类型m的车辆数目Km（m＝1，2，…，M），所有车辆数量总和为K，类型m的最大载重量为Qm（m＝1，2，…，M），类型m的最大容积为Vm（m＝1，2，…，M）。设配送中心编号为0，设客户数量为N，客户i的需求重量为qi（i＝1，2，…，N），且qi≤max（Q1，Q2，…，QM），客户i的需求的体积量为Vi（i＝1，2，…，N），且vi≤max（V1，V2，…，VM）。dij表示客户i与客户j之间的距离，单位距离运费为c。

表1 汽运配送各因素指标及维度

式中：0≤α≤1为根据经验得到的装车空间利用率。

问题的求解目标是在满足以下约束的情况下，找到最小总成本的车辆分配与行车路线，其数学模型为

式（1）为目标函数，即车辆运输成本；式（2）、式（3）为任一客户都只能被一辆车服务，有且只有一次；式（4）为回到配送中心的车辆和从配送中心出发的车辆数量相等，但并非所有的车辆都必须参与配送，参与配送的车辆总数小于或等于K；式（5）要求所有车辆配送过程中都不能超过额定载重；式（6）要求所有车辆配送过程中都不能超过车辆容积（考虑装车空间利用率）。

求解此0-1整数规划模型，一般采用启发式算法，如常见的禁忌搜索算法、遗传算法、神经网络算法、模拟退火算法、蚁群算法、粒子群算法等。每种算法都有其本身的使用范围和特点，具体可根据计算条件决定采用哪类方案。

终端配送路径生成后，用逆推法可以得到货物到达终端配送起点的最晚时间，即终端配送全部在满足客户时间窗要求的前提下完成任务时的开始时间。将此时间做为干线运输的最晚到达终点时间，计算干线运输方案。

2.3 干线运输方案的生成

干线运输即多式联运优化方案生成，需考虑的因素和维度见表2（5方面17项指标）。

表2 干线运输因素指标及维度

干线运输的多式联运问题描述如下：设P表示运输节点的集合，i代表运输网络中的某个节点，i∈P；J表示运输方式的集合，k，l代表若干种运输方式中的一种，k，l∈J表示从节点i到节点i＋1的运输方式为表示在节点i处运输方式由k转换成表示从节点i到节点i＋1通过k运输所需时间表示在节点i处由k转换成l的转换时间表示从节点i到节点i＋1通过k方式运输所需单位费用表示在节点i处运输方式由k转换成l的中转费用（包括中转货物的仓储、装卸、短驳等所有衔接环节成本）；di，i＋1表示节点i到节点i＋1的运输距离；T表示从始发地到目的地允许的时间期限表示从节点i到节点i＋1选择k方式时其运力阈值；q表示货物的运量总和。模型的目标函数以整个运输过程中的运输成本最小为优化目标，其中运输成本包括运输费用和中转费用，构建的模型目标函数为

其中：式（8）为一条路径只能选择可选运输方式中的某一种；式（9）为在节点进行运输方式转换时，只能从一种方式转换为另一种方式；式（10）为路径与节点的连接是连续的；式（11）为运输方案总时间不能超限；式（12）为在特定路径的特定运输方式下，货物运量不能超过其运输能力，主要考虑运输货物的重量、体积等能够与干线可供运力有效配载；式（13）说明两个决策变量的取值非0即1。

此模型也属于0-1整数规划模型，用上述启发式算法求解即可。干线运输方案生成后，采用逆推法可以得到干线运输最晚开始的时间，将此时间作为汽运集货过程最晚完成的时间。

2.4 汽运集货方案的生成

汽运集货方案属于有时间窗的多车辆多车型VRP问题，同终端配送过程的生成方案。根据汽运集货过程最晚完成时间，可以将客户订单进行分批处理，从而生成平台订单。综上，按照逆推法，先求解终端配送方案，然后是多式联运干线运输方案，最后是汽运集货方案，根据汽运货方案完成的时间节点，将客户订单预处理生成平台订单，针对平台订单生成最终的多式联运派单方案。

3 算例分析

本文以中鼎物流云平台的数据为算例，若干客户要求将各自的货物从太原市运往浙江省宁波市，客户信息包括货物的具体信息以及货物要求送达的最晚时间。根据第2节的云平台多式联运派单策略，第一步，根据货物要求送达的最晚时间将客户信息分批处理；第二步，将这批货物生成终端配送方案，以此确定这批货物最晚到达终端配送起始点的时间，这样，“多对多”多式联运优化问题转化成了“点到点”的多式联运优化问题；第三步，生成多式联运方案。这里详细阐述多式联运方案的生成，其中，多式联运网络图见图6，图中数字表示节点编号，其中公、铁、水分别表示公路、铁路、水路运输，各节点信息、节点之间的不同运输方式下的时间、距离和成本见表3。

图6 多式联运网络结构图

表3 运输网络信息

从图6可以看出，从起点到终点一共有8种可行的运输方案，这8种运输方案及各方案的成本见表4。

表4 可行方案列表

从表4可以看出，方案1的费用最小，即公铁水联运的方式可以在满足时间窗的约束下大大降低运输成本，长距离运输中采用公铁水联运的方式具有极大的价格优势，公铁水联运费用是全程公路运输的1／3，约是全程铁路运输的2／3。海运在长距离运输中价格方面可以作为铁路运输的有机补充。仅从单位运价上看，海运成本是铁路运输成本的1／4，是公路运输成本的1／8，采取带有海运的多式联运可以在内陆城市进行远距离运输时加以考虑。

以上完成了派单策略的第三步。第四步，根据第三步的结果，推算出多式联运起始点开始的时间，即完成集货过程的最晚时间，根据此时间生成集货方案即可。通过逆推策略生成整个派单方案，然后根据派单方案按照1.2节的平台派单层和实际操作层内容执行即可。

4 结束语

通过将“多对多”多式联运优化问题从货物集货、干线运输和货物终端配送的视角，分解成三个阶段的两大类车辆路径优化问题，多车辆多车型的车辆路径优化问题和多式联运路径优化问题，以最小化运输成本为优化目标，采用正向分析问题、逆向求解问题的策略生成相应的派单方案。以中鼎物流云平台的数据为例分析验证模型及求解策略的可行性，可以看出公铁水联运方式能够在很大程度上降低长距离运输的成本，能够充分体现多式联运将不同运输方式有效衔接、优势互补的特点。考虑铁路班期限制以及由于不同运输方式之间衔接引起的转运时间、转运损耗等问题是多式联运优化进一步研究的方向。

［1］何黎明.中国智慧物流发展趋势［J］.中国流通经济，2017，31（6）：3-7.

HE Liming.The Development Trend of China’s Smart Logistics［J］.China Business and Market，2017，31（6）：3-7.

［2］戴钰桀，保鲁昆，孙延浩.“一带一路”下国际多式联运SWOT分析［J］.铁道运输与经济，2017，39（4）：58-63.

DAI Yujie，BAO Lukun，SUN Yanhao.SWOT Analysis on International Inter-model Transportation under“The Belt and Road”［J］.Railway Transport and Economy，2017，39（4）：58-63.

［3］丁金学，樊一江.“十三五”我国多式联运发展的主要考虑［J］.交通企业管理，2017，32（4）：1-4.

DING Jinxue，FAN Yijiang.Consideration on the Development of Multimodal Transport in China During the“Thirteenth Five-year Plan Period”［J］.Transportation Enterprise Management，2017，32（4）：1-4.

［4］佚名.百度开放云和太原铁路局正式签约共建智慧物流云平台［J］.中国物流与采购，2016（14）：18.

［5］张建勇，郭耀煌.一种多式联运网络的最优分配模式研究［J］.铁道学报，2002，24（4）：114-116.

ZH ANG Jianyong，GUO Yaohuang，A Multimode Transportation Network Assignment Model［J］.Journal of the China Railway Society，2002，24（4）：114-116.

［6］SITEK P，WIKAREK J.Cost Optimization of Supply Chain with Multimodal Transport［C］／／2012 Federated Conference on Computer Science and Information Systems.Wroclaw Poland：IEEE，2012：1111-1118.

［7］WANG T，WANG G.A Combined Optimization Model for Transportation Modes of Multimodal Transport［J］.Engineering Science，2005，7（10）：46-50.

［8］VAN NES，ROB.Design of Multimodal Transport Networks：a Hierarchical Approach［D］.Delft：Delft University，2002.

［9］王涛，王刚.一种多式联运网络运输方式的组合优化模式［J］.中国工程科学，2005，7（10）：46-50.

WANG Tao，WANG Gang.A Combined Optimization Model for Transportation Modes of Multimodal Transport［J］.Engineering Science，2005，7（10）：46-50.

［10］魏航，李军，刘凝子.一种求解时变网络下多式联运最短路的算法［J］.中国管理科学，2006，14（4）：56-63.

WEI Hang，LI Jun，LIU Ningzi.An Algorithm for Shortest Path with Multi-Modal in Time-Varying Network［J］.Chinese Journal of Management Science，2006，14（4）：56-63.

［11］魏众，申金升，黄爱玲，等.多式联运的最短时间路径-运输费用模型研究［J］.中国工程科学，2006，8（8）：61-64.

WEI Zhong，SHEN Jinsheng，HUANG Ailing，et al.Research on Model of the Shortest Time Path and Transport Cost in Multimodal Transportation［J］.Engineering Science，2006，8（8）：61-64.

［12］张运河，林柏梁，梁栋，等.优化多式联运问题的一种广义最短路方法研究［J］.铁道学报，2006，28（4）：22-26.

ZHANG Yunhe，LIN Boliang，LIANG Dong，et al.Research on a Generalized Shortest Path Method of Optimizing Intermodal Transportation Problems［J］.Journal of the China Railway Society，2006，28（4）：22-26.

［13］REDDY V R，KASILINGAM R G.Intermodal Transportation Considering Transfer Costs［C］／／Proceedings of the 1995 Global Trends Conference of the Academy of Business Administration，Aruba：1995.

［14］康凯，牛海姣，朱越杰，等.多式联运中运输方式与运输路径集成优化模型研究［J］.计算机应用研究，2010，27（5）：1672-1675.

KANG Kai，NIU Haijiao，ZHU Yuejie，et al.Research of Improved Integrated Optimization Model for Mode and Route in Multimodal Transportation［J］.Application Research of Computers，2010，27（5）：1672-1675.

［15］SCHöNHARTING J，SCH MIDT A，FRANK A，et al.Towards the Multimodal Transport of People and Freight：Interconnective Networks in the Rhein Ruhr Metropolis［J］.Journal of Transport Geography，2003，11（3）：193-203.

［16］李孟良，王喜富，孙全欣，等.基于鲁棒优化的应急物资多式联运调配策略研究［J］.铁道学报，2017，39（7）：1-9.LI Mengliang，WANG Xifu，SUN Quanxin，et al.Research on Allocation Strategies of Multimodal Transportation for Emergency Resources Based on Robust Optimization［J］.Journal of the China Railway Society，2017，39（7）：1-9.

［17］雷凯，朱晓宁，侯键菲.多式联运网络风险传播建模与仿真［J］.交通运输系统工程与信息，2016，16（3）：21-27.

LEI Kai，ZHU Xiaoning，HOU Jianfei.Modeling and Simulation of Risk Communication in Multimodal Transportation Networks［J］.Journal of Transportation Systems Engineering and Information Technology，2016，16（3）：21-27.

［18］靳志宏，朴惠淑，杨华龙.集装箱多式联运系统装卸与运输一体化优化问题［J］.系统工程，2005，23（11）：1-6.

JIN Zhihong，PIAO Huishu，YANG Hualong.Optimization of Co-ordinated Container Loading and Transportation in the Multimodal Transportation System［J］.System Engineering，2005，23（11）：1-6.

［19］MARUFUZZAMAN M，EKSIOGLU S D.Designing a Reliable and Dynamic Multimodal Transportation Network for Biofuel Supply Chains［J］.Transportation Science，2017，51（2）：494-517.