基于多场景算法融合的整车物流智能调度系统设计

梁金胜 汪洲 邓贤发

关键词：整车物流；业务场景；智能调度；Dijkstra 算法；路由规则

0 引言

整车物流过程当中，运输占十分重要的地位，其成本占整车物流总成本的80％左右。汽车整车物流在整个汽车销售中占据重要地位，它是将整车经由主机厂、配送中心和经销商，最终传送到客户的一系列活动和过程。它作为连接主机厂和销售前端的4S店的纽带，承担着整车运输、仓储、搬运、包装、暂存、集散和零部件配送等一系列与汽车销售息息相关的核心业务[1]。本文主要结合某汽车生产制造企业整车物流调度系统的项目实践，整体上介绍了如何满足业务多场景、多规则并融合系统大数据调度算法的系统解决方案。

某汽车制造公司位于柳州、青岛和重庆的“三地四厂”，年产销汽车200 万台，借助布局全国的近30 个中转仓储网点辐射全国。原整车运输管理系统及仓储管理系统应用多年，采用单机架构，已无法满足业务移动化、数字化与智能化的发展需要。为适应和支持公司物流业务未来发展需求，支持大物流业务运作，2021 年2 月，该公司立项《智慧物流平台建设项目——整车出厂物流系统重构》。

1 项目目标

该公司物流业务涉及四大基地，全国近30 个仓库，3 000 家末端配送网点，年销售发运整车规模达到200 万台。因实际业务涉及公铁水多种运输方式，细分场景多且复杂，影响调度决策因素众多，如成本、时效、运力分布、紧急程度、供方份额和产品类型等。这种规模的物流发运，仅依靠人工分派无法满足高效、准确的调度需求。网络杂、运量大，对于销售的每一单，如何快速准确选择最优路径和最佳承运方是物流调度的根本问题。

本项目旨在研究出一套能综合分析多种实际业务场景条件，基于数据算法的择优决策，快速、准确并自动化地给出销售订单分派结果的智能调度系统。为保障业务需求方案的准确实施，项目组在基于运筹学的“三环七步”智能化应用框架基础上[2]，按需求分析、系统设计、算法设计和测试验证和运维五个阶段进行。

2 场景需求分析

在需求分析阶段，结合对整车出厂物流业务的现场调研及总结，项目组总结分析出了除成本时效外的10 大主要场景需求。

场景1 ：基于不同维度和不同颗粒度紧急需求的场景。实际业务中，紧急订单的需求既有来自于终端门店的需要，也有来自市场销售部门的需要。同时，需要能兼顾基于商品车VSN 物料的不同层级，终端区域不同颗粒度的组合需求。

场景2 ：基于改装车需求的场景。应公司改装车业务场景需求，商品车的改装订单需先调度进入对应改装库完成改装，然后进行二段及后续物流配送交付。

场景3 ：基于同时面向经销商和终端客户的混合调度场景。应终端客户业务场景需求，系统需支持面向经销商和终端客户的混合调度。终端客户订单不同于经销商的静态收货地址，需要系统支持任意收货地址的调度。并且，在满足一定场景条件下的终端客户订单需要先进行经销商段调度运输，至末段完成终端客户的配送交付。经销商订单可同时与终端客户订单进行配车发运。

场景4 ：基于多承运方运力弹性的场景。考虑整车运输具有公铁水等不同运输类型、“公铁联运”和“铁水联运”等多种运输方案。同一订单，往往也由多家单位参与承运，需要兼顾承运方线路运力弹性，即满足不同承运方不同时间线路，其对应运力变化的适配性问题。

场景5 ：基于中转网点弹性的场景。某汽车生产制造企业布局全国的近30 个中转网点库容能力不一，在应对汽车供应链风险冲击、整车产销业务波动等方面影响时，需要考虑网点弹性的场景，满足临时增加、减少或变更网点，支持快速调整物流订单的需求。

场景6 ：基于临时合同调度的场景。部分订单基于临时合同需求，满足部分时间或线路范围的场景，需要支持系统调度和结算。

场景7 ：基于非常规运输调度的场景。由于承接了非常规商品车的运输业务，如广告车、测试车等，需要满足任何出发库至全国任意收货地的运输调度需求。

场景8 ：基于经销商自提业务的场景。针对部分经销商自提的订单，系统需要设置对应规则，采用自提的路由和指定自提承运方完成运输交付。

场景9 ：基于总成本和总时效约束下的场景。对于订单的总成本和总时效控制条件下的需求，也需进行系统化调度支持。

场景10：基于全天候自动化审核的场景。系统取代人工调度，需要满足7 天×24 h 全天候自动化审核的场景，确保分单的准确以及可靠、可记录和可修正。

基于10 大场景需求分析，进一步按基础影响因子和逻辑条件拆分归类为：成本、时效、线路、承运方、车辆、司机和运输点等系列基础主数据，以及紧急时效、成本优先、改装、自提、黑名单和承运方份额等系列底层规则（图1）。

3 系统设计

基于常规的数据分析方法（图2），按照知识驱动和数据驱动决策的整体设计导向，在调度系统架构设计上，按照底层数据规则、中层算法逻辑和上层决策方案的三大层次进行设计。底层包括各类基础主数据如合同数据、商品车主数据和經销商主数据等，以及不同的调度规则，如自提规则、改装规则、紧急规则和静态路由规则等。不同调度规则分别对应不同业务场景需求。对基础主数据和调度规则的底层设计和部署，构建了多维度规则参数化设计，可较好地满足实际业务场景对柔性化、动态化的发展需求。

中间层由算法和模型构成。在路由规划算法选择方面，主要基于Dijkstra 算法，快速有效地求解满足一定约束条件下的最短路径。在自动化分单审核模型方面，创造性设计了基于白名单知识库的自动审核方案（图3），形成基于知识驱动的自动化决策模型。借助历史审核数据的知识，不断丰富白名单知识库。系统分单后通过对标白名单后自动审核执行，有效保障了分单结果100% 的准确控制。

上层由决策方案组成。基于底层数据规则，经过中间算法模型，获取满足决策需求的系统化方案，如成本最优决策、时效最优决策等。

4 运筹算法选择与应用

在路由規划与选择的系统算法上，综合考虑物流常用的如遗传算法、退货算法等的优劣[3]，结合本项目需求和架构设计，最终项目组采用了Dijkstra 算法。该算法是目前交通网络图在单源最短路径问题上运用最普遍、完善的算法之一，也是目前公认在非负权重值，且所有的权重大于等于零时，寻求最短路问题最好的算法[4]。

Dijkstra 算法是一种解决单源最短路径问题的贪心算法，其作用主要表现在解决有向图中的最短路径问题方面（图4）。Dijkstra 算法采用广度优先搜索思想，它的主要特点是选定起始点后，一个点一个点地求取最短距离，并通过邻点逐步扩展，不断更新，直至求出起始点到目标点的最短距离后才停止[5]。

商品车经生产制造后下线进入基地物流仓库，在经销商完成分车下单后，将由基地仓库采用直发或多式联运方式，将商品车发运至经销商需求地址。项目组利用Dijkstra 算法，结合合同线路、里程成本、订单时效，首先定制设计了一套成本时效综合最优的路由规划算法（图5）。该算法简要逻辑为：通过将基于订单的所有可能路由组合的成本ΣCost 和时效ΣTime 进行测算对比，选择并输出最优结果。

在成本时效综合最优的基础算法上，进一步纳入黑名单线路、分摊因子等规则，进行路线选择和承运方预选。最后，通过自提规则、承运方份额规则等进行承运方修正，综合选择出了最佳物流线路和承运方。

5 测试与验证

系统方案设计完成后，历时近3 个月完成了开发上线。为验证大批量订单同时调度的系统稳定性和准确性，在完成压力测试后，项目组利用历史订单数据进行了仿真调度测试。即一次性下发近10 万条历史销售订单，将系统调度结果与历史实际结果进行了对比分析。验证系统自动分单率超过99%，一次自动分单结果与历史人工分单吻合率高达86%，证实了系统整体设计方案和算法的有效性（图6）。

2021 年11 月，该物流系统正式上线，并于2022 年7 月完成智能调度的系统优化。系统上线后，随着系统调度订单量的积累，白名单知识库也不断完善。仅1 个月左右时间，自动分单审核率从30% 快速提升超过80%（图7）。

6 结束语

整车物流领域，常见的研究方向多是单一场景的调度模型[6]。该公司首次构建了基于大数据的智能调度决策算法模型，综合成本、时效、运力配置、产品属性、订单属性等多维度、多场景规则，自动决策选择综合最优分单方案，实现了整车出厂物流的智能调度。当前基于多场景算法融合的整车物流智能调度已全面应用于某汽车生产制造企业各基地整车发运。

该系统通过智能调度决策模型，打破人工经验主义及地理范畴的调度依赖，更符合合同成本维度的调度决策。经过实际运营验证，该系统能够降低物流运输成本超过1 000 万元/ 年；通过自动化调度审核，减少4 人岗的人工操作，降低人工成本超过60 万元/ 年。同时，基于时效最优的路由组合，7 天×24 h 全天候的自动化分派，提高商品车整体发运效率8% 以上。该系统可作为汽车物流行业整车物流智能调度系统的参考范例，也作为物流数字化转型实践的代表，具有很强的指导意义。