基于多場景算法融合的整車物流智能調度系統設計

關鍵詞：整車物流；業務場景；智能調度；Dijkstra 算法；路由規則

0 引言

整車物流過程當中，運輸占十分重要的地位，其成本占整車物流總成本的80％左右。汽車整車物流在整個汽車銷售中占據重要地位，它是將整車經由主機廠、配送中心和經銷商，最終傳送到客戶的一系列活動和過程。它作為連接主機廠和銷售前端的4S店的紐帶，承擔著整車運輸、倉儲、搬運、包裝、暫存、集散和零部件配送等一系列與汽車銷售息息相關的核心業務[1]。本文主要結合某汽車生產制造企業整車物流調度系統的項目實踐，整體上介紹了如何滿足業務多場景、多規則并融合系統大數據調度算法的系統解決方案。

某汽車制造公司位于柳州、青島和重慶的“三地四廠”，年產銷汽車200 萬臺，借助布局全國的近30 個中轉倉儲網點輻射全國。原整車運輸管理系統及倉儲管理系統應用多年，采用單機架構，已無法滿足業務移動化、數字化與智能化的發展需要。為適應和支持公司物流業務未來發展需求，支持大物流業務運作，2021 年2 月，該公司立項《智慧物流平臺建設項目——整車出廠物流系統重構》。

1 項目目標

該公司物流業務涉及四大基地，全國近30 個倉庫，3 000 家末端配送網點，年銷售發運整車規模達到200 萬臺。因實際業務涉及公鐵水多種運輸方式，細分場景多且復雜，影響調度決策因素眾多，如成本、時效、運力分布、緊急程度、供方份額和產品類型等。這種規模的物流發運，僅依靠人工分派無法滿足高效、準確的調度需求。網絡雜、運量大，對于銷售的每一單，如何快速準確選擇最優路徑和最佳承運方是物流調度的根本問題。

本項目旨在研究出一套能綜合分析多種實際業務場景條件，基于數據算法的擇優決策，快速、準確并自動化地給出銷售訂單分派結果的智能調度系統。為保障業務需求方案的準確實施，項目組在基于運籌學的“三環七步”智能化應用框架基礎上[2]，按需求分析、系統設計、算法設計和測試驗證和運維五個階段進行。

2 場景需求分析

在需求分析階段，結合對整車出廠物流業務的現場調研及總結，項目組總結分析出了除成本時效外的10 大主要場景需求。

場景1 ：基于不同維度和不同顆粒度緊急需求的場景。實際業務中，緊急訂單的需求既有來自于終端門店的需要，也有來自市場銷售部門的需要。同時，需要能兼顧基于商品車VSN 物料的不同層級，終端區域不同顆粒度的組合需求。

場景2 ：基于改裝車需求的場景。應公司改裝車業務場景需求，商品車的改裝訂單需先調度進入對應改裝庫完成改裝，然后進行二段及后續物流配送交付。

場景3 ：基于同時面向經銷商和終端客戶的混合調度場景。應終端客戶業務場景需求，系統需支持面向經銷商和終端客戶的混合調度。終端客戶訂單不同于經銷商的靜態收貨地址，需要系統支持任意收貨地址的調度。并且，在滿足一定場景條件下的終端客戶訂單需要先進行經銷商段調度運輸，至末段完成終端客戶的配送交付。經銷商訂單可同時與終端客戶訂單進行配車發運。

場景4 ：基于多承運方運力彈性的場景。考慮整車運輸具有公鐵水等不同運輸類型、“公鐵聯運”和“鐵水聯運”等多種運輸方案。同一訂單，往往也由多家單位參與承運，需要兼顧承運方線路運力彈性，即滿足不同承運方不同時間線路，其對應運力變化的適配性問題。

場景5 ：基于中轉網點彈性的場景。某汽車生產制造企業布局全國的近30 個中轉網點庫容能力不一，在應對汽車供應鏈風險沖擊、整車產銷業務波動等方面影響時，需要考慮網點彈性的場景，滿足臨時增加、減少或變更網點，支持快速調整物流訂單的需求。

場景6 ：基于臨時合同調度的場景。部分訂單基于臨時合同需求，滿足部分時間或線路范圍的場景，需要支持系統調度和結算。

場景7 ：基于非常規運輸調度的場景。由于承接了非常規商品車的運輸業務，如廣告車、測試車等，需要滿足任何出發庫至全國任意收貨地的運輸調度需求。

場景8 ：基于經銷商自提業務的場景。針對部分經銷商自提的訂單，系統需要設置對應規則，采用自提的路由和指定自提承運方完成運輸交付。

場景9 ：基于總成本和總時效約束下的場景。對于訂單的總成本和總時效控制條件下的需求，也需進行系統化調度支持。

場景10：基于全天候自動化審核的場景。系統取代人工調度，需要滿足7 天×24 h 全天候自動化審核的場景，確保分單的準確以及可靠、可記錄和可修正。

基于10 大場景需求分析，進一步按基礎影響因子和邏輯條件拆分歸類為：成本、時效、線路、承運方、車輛、司機和運輸點等系列基礎主數據，以及緊急時效、成本優先、改裝、自提、黑名單和承運方份額等系列底層規則（圖1）。

3 系統設計

基于常規的數據分析方法（圖2），按照知識驅動和數據驅動決策的整體設計導向，在調度系統架構設計上，按照底層數據規則、中層算法邏輯和上層決策方案的三大層次進行設計。底層包括各類基礎主數據如合同數據、商品車主數據和經銷商主數據等，以及不同的調度規則，如自提規則、改裝規則、緊急規則和靜態路由規則等。不同調度規則分別對應不同業務場景需求。對基礎主數據和調度規則的底層設計和部署，構建了多維度規則參數化設計，可較好地滿足實際業務場景對柔性化、動態化的發展需求。

中間層由算法和模型構成。在路由規劃算法選擇方面，主要基于Dijkstra 算法，快速有效地求解滿足一定約束條件下的最短路徑。在自動化分單審核模型方面，創造性設計了基于白名單知識庫的自動審核方案（圖3），形成基于知識驅動的自動化決策模型。借助歷史審核數據的知識，不斷豐富白名單知識庫。系統分單后通過對標白名單后自動審核執行，有效保障了分單結果100% 的準確控制。

上層由決策方案組成。基于底層數據規則，經過中間算法模型，獲取滿足決策需求的系統化方案，如成本最優決策、時效最優決策等。

4 運籌算法選擇與應用

在路由規劃與選擇的系統算法上，綜合考慮物流常用的如遺傳算法、退貨算法等的優劣[3]，結合本項目需求和架構設計，最終項目組采用了Dijkstra 算法。該算法是目前交通網絡圖在單源最短路徑問題上運用最普遍、完善的算法之一，也是目前公認在非負權重值，且所有的權重大于等于零時，尋求最短路問題最好的算法[4]。

Dijkstra 算法是一種解決單源最短路徑問題的貪心算法，其作用主要表現在解決有向圖中的最短路徑問題方面（圖4）。Dijkstra 算法采用廣度優先搜索思想，它的主要特點是選定起始點后，一個點一個點地求取最短距離，并通過鄰點逐步擴展，不斷更新，直至求出起始點到目標點的最短距離后才停止[5]。

商品車經生產制造后下線進入基地物流倉庫，在經銷商完成分車下單后，將由基地倉庫采用直發或多式聯運方式，將商品車發運至經銷商需求地址。項目組利用Dijkstra 算法，結合合同線路、里程成本、訂單時效，首先定制設計了一套成本時效綜合最優的路由規劃算法（圖5）。該算法簡要邏輯為：通過將基于訂單的所有可能路由組合的成本ΣCost 和時效ΣTime 進行測算對比，選擇并輸出最優結果。

在成本時效綜合最優的基礎算法上，進一步納入黑名單線路、分攤因子等規則，進行路線選擇和承運方預選。最后，通過自提規則、承運方份額規則等進行承運方修正，綜合選擇出了最佳物流線路和承運方。

5 測試與驗證

系統方案設計完成后，歷時近3 個月完成了開發上線。為驗證大批量訂單同時調度的系統穩定性和準確性，在完成壓力測試后，項目組利用歷史訂單數據進行了仿真調度測試。即一次性下發近10 萬條歷史銷售訂單，將系統調度結果與歷史實際結果進行了對比分析。驗證系統自動分單率超過99%，一次自動分單結果與歷史人工分單吻合率高達86%，證實了系統整體設計方案和算法的有效性（圖6）。

2021 年11 月，該物流系統正式上線，并于2022 年7 月完成智能調度的系統優化。系統上線后，隨著系統調度訂單量的積累，白名單知識庫也不斷完善。僅1 個月左右時間，自動分單審核率從30% 快速提升超過80%（圖7）。

6 結束語

整車物流領域，常見的研究方向多是單一場景的調度模型[6]。該公司首次構建了基于大數據的智能調度決策算法模型，綜合成本、時效、運力配置、產品屬性、訂單屬性等多維度、多場景規則，自動決策選擇綜合最優分單方案，實現了整車出廠物流的智能調度。當前基于多場景算法融合的整車物流智能調度已全面應用于某汽車生產制造企業各基地整車發運。

該系統通過智能調度決策模型，打破人工經驗主義及地理范疇的調度依賴，更符合合同成本維度的調度決策。經過實際運營驗證，該系統能夠降低物流運輸成本超過1 000 萬元/ 年；通過自動化調度審核，減少4 人崗的人工操作，降低人工成本超過60 萬元/ 年。同時，基于時效最優的路由組合，7 天×24 h 全天候的自動化分派，提高商品車整體發運效率8% 以上。該系統可作為汽車物流行業整車物流智能調度系統的參考范例，也作為物流數字化轉型實踐的代表，具有很強的指導意義。