智能调度方案介绍

智能调度方案介绍
智能调度不仅仅是供应链中重要组成部分，在很多行业涉及到分配调度的场景，航空、铁路、货运、水利、人防等都有很好的应用。

外卖的智能调度系统，包括智能调度的一些共性的处理过程和方法，其中调度最优化算法体系体现了传统优化算法在行业中的应用过程，关于行业算法其实就是‘’行业经验+机器学习+启发式思想‘’相结合的过程，行业算法本身跨行业复制很难，但复制性差的算法基本针对性就强。

接下来结合部分专家研究和自己以前从事物流运输相关工作的经验对外卖智能调度进行说明。

1.问题分析
订单的调度目前有两种形式：抢单和派单。

抢单，所有订单会进入一个抢单池，骑手会根据自身情况选择性的配送。

因此就会存在一个问题，这个订单没人愿意送，因此，各配送商也会有很多措施去避免，比如强制指派、增加配送费用等。

派单，也就是订单人工调度，相对于抢单来说，人工派单的人力成本会比较高，优点是配送的效率要比抢单高，而且处理起特殊情况来更加灵活。

但是，一个调度员，每天差不多能处理700单。

订单越多，需要的人也就越多，而且对调度员的要求也比较高。

因此，各个配送商都在研究智能调度，智能调度不仅仅是为了节省成本，更重要的是对订单处理的优化，提升行业竞争力。

通过各种大数据、数学建模等技术手段来代替人工调度。

2.订单调度系统的演变过程
人工派单模式：调度人员根据订单地址和骑士位置来进行订单分配，这个过程不同调度员可能会出现不一样的结果，调度经验占有很大因素。

系统派单模式：系统综合考虑配送距离、骑手运力、期望送达时间等因素来自动派单，其中会订单相识度参考。

云端分组派单模式：系统综合考虑各因素进行订单分组，整体优化分组。

机器学习智能模式：时间估计更准确，等待时间更短，节省运力，提升用户的体验。

3.订单调度系统考虑因素
订单相关：商户、用户位置，用户期望时间，预计出货时间
骑士相关：骑士现状，现有订单路径，新增订单路径调度情况，历史取送速度，完成订单预计时间，熟悉的区域，配送工具，装载的情况。

环境相关：当前配送情况，路径健康程度，天气因素，时间段因素。

以上只是外卖调度系统中三方基本信息，为了使配送更高效和具有针对性，还需要添加相关的数据源来丰富因素，这部分需要考虑共性的同时找出差异性。

4.智能调度核心问题
智能调度的核心包括四个部分，路径规划->时间预估->决策分配->供给平衡。

4.1 路径规划
目标：动态规划最优配送线路，合理并单，以最低的配送成本最大化满足用户配送体验。

常用的算法是A*算法和Dijkstra算法，这两种算法也是大家非常熟悉的寻找最优路径的方法，导航系统中经常用到的算法，但是这两种算法应用到外卖调度系统中会有局限性，因为外卖有多个终止点，所以问题就成为开路的TSP问题，由于外卖动态变化的特征，TSP问题基本采用以下几个步骤完成，第一步：单点配送，就是一个骑手只配送一个商品到一家客户。

第二步：合并满足条件的所有单点配送成多点出发和多点配送，合并条件根据合并矩阵来确定。

第三步：通过TSP算法求解多点配送的最优路径，其中常用算法为分支限界算法和最近插入法、最小代价插入法。

4.2 时间预估
目标：到店时间最快，等待时间最少，交付时间最快，到达客户时间最短。

作为智能调度结果最好的体现就是时间的长短，时间的预估涉及到整个配送环节，会根据外部条件和历史数据，通过时间序列算法给出初始预估值，再通计算出的配送路径和特征调整值来模拟调整预估值，计算出最终送达时间。

其中特征处理是决定预估时间准确的一个重要因素，下面是特征处理的基本方法，不同问题特征是不一样的，特征也会随时间变化进行调整，一切以整体配送效果决定。

特征= 基础特征+ 组合特征+ 统计特征+ 稀疏特征
基础特征：订单信息，如商户id、菜品名称、下单时间、未出餐订单、前序订单误差等
组合特征：核心基础特征的组合
统计特征：订单信息的数据统计特征，如均值、方差
稀疏特征：采用one-hot编码，各个菜品、商户、周几等作为特征维，构造稀疏特征
降维：减少内存消耗并一定程度上避免过拟合
4.3 决策分配
目标：建立配送成本（路径规划）和用户体验的评估模型（时间评估），并基于多场景多维度权衡骑士的匹配程度，合理分配订单。

从两个方面考虑订单和骑士的匹配，距离节省、订单组与骑士相关分值，首先建立一个骑手和订单之间的评分机制,是通过路径规划和时间预估得到的结果进行制定，也就是骑手和订单之间的权值。

决策分配中常用KM算法，KM算法基本步骤如下：步骤一，初始化可行标杆，步骤二，用匈牙利算法寻找完备匹配，步骤三，若未找到完备匹配则修改可行标杆，重复二、三直到找到相等子图的完备匹配。

4.4 供给平衡
目标：配送时长预估，在满足客户体验的前提下，最大化的承载适合的单量。

单量调控模型，基于GBRT算法对进入单量进行短期预测，通过greedy算法求解系统最大承载单量，在单量失衡之前实时有效的调控手段。

配送时长的预估模型，基于现有的状况，订单的增速，历史时刻的数据变化规律，结合当前天气，路段等多维特征，使用XGBoost算法预测短时间进单的平均配送时长，在这里需要分商圈和分地段进行分模型处理，通过短期预测分析判断是否有可能出现供给失衡可对有可能出现供给失衡的部分实时调控手段。