(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210930276.4 (22)申请日 2022.08.03 (71)申请人 重庆长安民生物流股份有限公司 地址 401120 重庆市渝北区金开大道18 81 号 (72)发明人 赵恒　 (74)专利代理 机构 重庆智慧之源知识产权代理 事务所(普通 合伙) 50234 专利代理师 余洪 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/08(2012.01) G06Q 30/02(2012.01) G06F 17/11(2006.01) G06N 3/04(2006.01) (54)发明名称 一种基于深度学习的循环取货线路编排方 法及装置 (57)摘要 本发明提供一种基于深度学习的循环取货 线路编排方法及装置， 通过RNN算法构建对上游 主机厂的需求预测模型， 预测出主机厂零部件生 产需求， 基于RNN预测模型得到的零部件需求作 为输入， 采用元启发式算法对循环取货问题的计 划构建线路编排模型， 该模型是汽 车零部件需求 循环取货(Milk ‑Run)场景下的线路排单优化模 型， 采用粒子群优化算法对算法场景进行求解得 到编排线路和每条线路的车辆安排与装成计划； 解决了人工排单对排版人员经验依赖大， 计算时 间长、 不能全局考虑存在试错成本高等问题； 克 服了主机厂零件需求不准确、 变动频繁导致零件 需求不固定， 无法有效排班的现状， 能快熟响应 上游主机厂业务需求变动带来的零件取货安排 快速正确响应的需求。 权利要求书3页 说明书9页 附图3页 CN 115293425 A 2022.11.04 CN 115293425 A 1.一种基于深度学习的循环取货线路编排方法， 其特 征在于， 包括： 获取待编排主机厂生产计划数据， 输入预先训练完成的双层堆叠循环神经网络模型， 输出所述待编排主机厂预设未来时段生产所需零部件的预测结果； 其中生产计划数据包括 所计划生产的产品型号和对应生产数量； 预测结果包括所需零部件型号及对应数量； 将所述待编 排主机厂预设未来 时段生产所需零部件的预测结果作为输入， 采用元启发 式算法构建以最小化总费用为目标函数的循环取货线路编排模型， 基于运输限制设置约束 条件， 并利用粒子群优化算法求解得到线路编排方案， 包括编排线路和每条线路的车辆安 排与装成计划。 2.如权利要求1所述的基于深度 学习的循环取货线路编 排方法， 其特征在于， 所述双层 堆叠循环神经网络模型通过如下 方式构建输入特 征数据： 获取所述待编排主机厂当日的计划数据和实际生产 所用零部件数据； 并按照车辆能源 使用类型、 设定时间周期以及数据衍生处理算法， 对所述待编排主机厂当日的计划数据和 实际生产所用零部件数据进行数据扩展， 并将扩展后的数据作为用于训练双层堆叠循环神 经网络模型的输入特 征数据。 3.如权利要求2所述的基于深度 学习的循环取货线路编 排方法， 其特征在于， 所述车辆 能源使用类型包括纯电车 型、 传统燃油车 型和油电混动车 型。 4.如权利要求2所述的基于深度 学习的循环取货线路编 排方法， 其特征在于， 所述设定 时间周期分为当日、 过去一周、 过去一月、 过去一季度、 过去一 年。 5.如权利要求2所述的基于深度 学习的循环取货线路编 排方法， 其特征在于， 在构建输 入特征数据过程中， 还 包括将对每日进行工作日与非工作日进行 标记。 6.如权利要求2所述的基于深度 学习的循环取货线路编 排方法， 其特征在于， 所述数据 衍生处理算法包括移动平均处 理算法、 指数平 滑处理算法、 上年同期变化 率中的至少一种。 7.如权利要求1 ‑6任一项所述的基于深度 学习的循环取货线路编排方法， 其特征在于， 所述目标函数为： 其中， Tjk为货车类型k对应的最远城市基础价格， Ajk为增点费用， 即车辆每增加一个途 径供应商数量所需增加的运输费用； j为第 j辆车， 取值范围1～m； k为货车类型， 取值范围为 1～l。 8.如权利要求7所述的基于深度 学习的循环取货线路编 排方法， 其特征在于， 所述基于 运输限制设置约束条件 包括： 约束1： 一个供应商只有一辆车 经过： 其中， Xijk为车辆途径的供应商数量， i 为供应商个数， 取值范围1～n； 约束2： 装载量 不超过车辆规定最大容 量：权　利　要　求　书 1/3 页 2 CN 115293425 A 2其中， Ci为第i个供应商 使用的托盘数量， Bk为第k种货车类型的规定最大容 量； 约束3： 车辆途径供应商数量 不超过阈值C： 约束4‑5： 增点费用计算约束： Ajk≥0 其中， S为增点费系数； 约束6： 最远城市基础价格 计算约束： Tjk≥Xijk*Vik 其中， Vik为车辆经 过供应商的里程单价； 约束7‑8： 某货车类型当日可用数量约束： 其中， M为总车辆数， Yjk表示第j个供应商是否使用第k类车辆， 如是， Yjk＝1， 如否， Yjk＝ 0； 约束9： 城市访问兼容 性约束： 其中， Lip为第i个供应商和第p个供应商是否允许安排在同一线路； 如是， Lip＝0； 如否， Lip＝1； 约束10‑11： Xijk∈{0， 1} Yjk∈{0， 1}。 9.一种基于深度学习的循环取货线路编排装置， 其特 征在于， 包括： 需要预测模块， 用于获取待编排主机厂生产计划数据， 输入预先训练完成的双层堆叠 循环神经网络模型， 输出所述待编排主机厂预设未来时段生产所需零部件的预测结果； 其 中生产计划数据包括所计划生产的产品型号和对应生产数量； 预测结果包括所需零部件型权　利　要　求　书 2/3 页 3 CN 115293425 A 3