網絡貨運場景下訂單整合問題研究

摘 要：針對網絡貨運訂單整合問題，文章將整合過程分為2個階段。首先，在訂單預處理階段，按需求和目的地將訂單進行歸類。然后，根據單車最優和全體車輛最優原則，建立包含綜合滿載率、收益率、綜合匹配率的整合模型。采用遺傳算法求解，利用某網絡貨運公司實際數據進行驗證。研究結果顯示：以單車最優為目標時，單車各項指標顯著提高，單車利用率明顯提升；而以全體車輛最優為目標時，各車參數均衡性高，實現了車輛配置的優化與平衡。

關鍵詞：網絡貨運；訂單整合；遺傳算法；單車最優；全體車輛最優

中圖分類號：U492.3+32 文獻標志碼：A

作者簡介：周宇航（1998-），男，碩士研究生，研究方向：網絡貨運、車輛配載及優化。

△通信作者：閆軍（1971-），男，教授高工，研究方向：載運工具運用工程、現代物流、供應鏈管理。

0 引言

近年來，各地都在積極推進物流降本增效，社會物流成本有所下降，但物流經濟成本高和效率低下的問題依然存在[1]，網絡貨運平臺的應用普及是推動物流效率提升的重要舉措[2]。截至 2023 年 12月底，全國網絡貨運企業數量顯著增長，運力接入量龐大，運單數量同比增長顯著。在這種模式下，訂單多批次、貨物種類多樣的特性尤為突出。因此，如何快速、準確、高效地完成訂單整合成為研究的重點方向。

國內外多位學者圍繞訂單整合與車輛運輸優化問題，提出了不同的模型和算法。李兆進等[3]研究了考慮訂單合并和貨物轉運的零擔多式聯運路徑優化問題，構建了混合整數規劃模型和列生成算法，支持多式聯運企業決策。王本丞和任建偉[4]立足于訂單整合思想，依據模糊C均值聚類算法對區域訂單進行空間聚類，構建基于服務時間最小化的路徑優化模型。王楨和黃磊[5]對客戶訂單發貨區域，建立了兩階段的物流配送算法。Archetti 等[6]、Belfiore[7]等分別研究了拆分訂單配送問題和混合VRP 問題。Moccia 等[8]、Demir 等[9]、Ayar 和 Yaman[10]和Chang[11]針對多訂單運輸問題提出了優化模型和算法。Carlsson 和Song[12]研究了以卡車和無人機所組成的多式聯運網絡中多個訂單的路徑優化問題。

上述文獻圍繞網絡貨運的訂單整合與車輛運輸優化，提出多種解決方案和模型。伴隨著物流行業和信息技術的發展，網絡貨運面臨新挑戰。如何靈活應對變化、實現精準高效決策支持，成為深入研究的重要方向。

1 訂單整合模型的建立

1.1 問題描述

網絡貨運中，降低運輸成本是企業和消費者的共同期望。訂單整合通過組合處理訂單，實現車輛滿載，降低總運輸成本。在訂單整合過程中，由于某些特殊貨物的季節性需求變化，常遇“車少貨多”與“車多貨少”這2種情況。前者需強調單車利用率最大化，以單車最優為原則；后者則追求全體車輛最優，確保車次之間的均衡。

1.2 模型假設及參數變量

模型假設：

（1）信息準確性：車主填寫的必要信息準確無誤，包括裝貨地、卸貨地、貨物類型、所需車長及車型等。

（2）貨物限制：不涉及運輸危險品、違禁品等的限運貨物。

（3）運輸匹配要求：車主可選擇多個與之相匹配的貨物訂單進行運輸。

（4）最大化利用空間：在車箱內部，通過合理擺放貨物，要充分利用空間縫隙，使貨物整齊排列，以填充空間并確保最佳利用。

（5）匹配時間要求：平臺將裝貨時間納入考慮，確保司機到達時間早于或等于指定時間。

設定參數變量如下：

b：訂單個數；

c：車輛個數；

i：訂單信息編碼，上傳到平臺的第i個訂單；

j：車輛信息編碼，平臺登記的第j輛車；

pi：第i條貨物的重量，單位為kg；

qi：第i條貨物的體積，單位為m3

；

kij：第j輛車裝載第i件貨物為1，不裝載為0；

xij：裝入j輛車的第i個訂單；

wj：第j輛車載貨重量限制，單位為kg；

lj：第j輛車載貨體積限制，單位為m3

；

Lj：單個車輛重量滿載率；

Vj：單個車輛體積滿載率；

Cjj’：單個車輛綜合滿載率；

L’：全體車輛的重量滿載率；

V’：全體車輛的體積滿載率；

A’：單個車輛綜合的滿載率；

C’：全體車輛的綜合滿載率。

β1 β2 ：計算綜合滿載率時賦予重量參數與體積參數的權重值；

ma：單個車輛運輸完成后的收入；

me：完成此次運輸所需成本；

M：運輸完成后車輛的收益率；

γ1γ2 ：計算綜合匹配率時賦予綜合滿載率和收益率的權重值；

Z：綜合匹配率。

1.3 目標函數

（1）綜合滿載率

綜合滿載率為優化目標之一。對于車輛而言，綜合滿載率需同時兼顧載重和體積2個方面。在進行計算時，分別以單車和全體車輛2個角度計算。

單車裝載情況時，載重為：

體積為：

全體車輛裝載情況時：

全體車輛的載重為：

全體車輛的體積為：

對于重量滿載率，計算方式為車輛裝載貨物的總重量與車輛允許載重的比值；對于體積滿載率，計算方式為裝載貨物的總體積與車輛容積的比值。在此基礎上，賦予體積和重量滿載率相應的權重，加權得出綜合滿載率。權重值根據熵權法計算確定。

考慮單個車輛時，綜合滿載率為：

考慮全體車輛的綜合滿載率為：

（2）收益率

收益率即車主完成此次運輸后所獲得的凈利潤與此次運輸收入的比值。收益率計算公式如下：

（3）綜合匹配率

平臺完成雙端匹配后車主司機的綜合匹配率最高。

鑒于綜合滿載率和收益率具有同等重要性，因此實驗分別設置綜合滿載率及收益率權重分別為0.5、0.5。

1.4 約束條件

衡量是否匹配成功，利用 kij 如下：

匹配唯一性約束：

重量約束：

體積約束：

在此模型中，貨物按其類型劃分至不同匹配池中，無須額外設置車型、起止地點等指標的匹配限制。

2 訂單整合模型的求解

由于貨運平臺信息量巨大，為提高匹配效率，首先提取平臺中車輛和貨物的數據，利用熵權法確定綜合滿載率中重量滿載率與體積滿載率的權重，通過歐氏距離算法篩選相似貨物，縮小匹配范圍。運用遺傳算法求解多目標優化模型，基于單車最優和全體車輛最優原則計算滿載率、收益率和匹配率，實現高效匹配。

2.1 車輛與訂單數據分類及提取

模型的計算首先需要確定各自的選取指標字段及數據類型。將貨主上傳的必填信息類型作為匹配參數，包括“用車類型”“車載貨長”“貨物重量”“貨物體積”“裝貨地”“卸貨地”6種參數。

運輸車輛主要考慮跨省長途運輸，根據目前市場需求，較為常見的長途運輸車型有3種，并對車輛進行編號，見表1。

2.2 熵權法確定參數權重

熵權法是一種賦權方法，通過計算各指標觀測值的信息熵來確定權重。信息熵值反映了系統結構的平衡度與數據變化幅度，進而體現各指標的重要性。文章須確定重量滿載率與體積滿載率在綜合配載率中的權重大小，其計算方式如下：

（1）指標無量綱化

（2）計算第i個樣本第j項指標值的比重Gij。

（3）計算指標信息熵

（4）計算信息熵冗余度

當 dj = 0 ，第j評價指標可剔除，其權重為零。

（5）計算各評價指標權重

2.3 歐式距離求解相似度

歐氏距離（Euclid Distance）也稱歐幾里得度量，歐氏距離相似度通過測量2個坐標點的直線距離來度量它們之間的相似性，兩點之間的距離越小，兩者的相似度越高。因此，核心步驟包括：

（1）依次計算下單車主和下單貨主的相似程度；

（2）根據相似度排序，構建初步匹配池。

分別將車主和貨主的各個匹配參數設為選定的特征向量，利用歐式距離相似度公式求解如下：

式中：ui為貨物的特征向量；di為車輛的特征向量。

2.4 遺傳算法求解多目標優化模型

訂單整合的解可以用向量 X = （x1，x2，…，xn） T表示。含義為第i輛車運輸第 xi 單貨物。求解車貨雙邊匹配模型的算法步驟如下：

Step1：計算車貨雙邊相似度矩陣；

Step2：設置參數，種群數為100，最大迭代次數為：100，代溝為 0.9，交叉概率為 0.9，變異概率為0.05；

Step3：按相似度排序生成初始種群；

Step4：計算適應度值；

Step5：使用輪盤賭方式選擇個體；

Step6：采用雙親雙點片段交叉，產生子代；

Step7：對子代的染色體進行變異；

Step8：對父代種群和子代種群重新組合成新的種群，轉至 Step4 循環，直至滿足終止條件（迭代次數達到最大迭代次數）。

其計算流程如圖1所示。

3 實際案例求解

3.1 數據來源

文章研究實例從網絡平臺提取車主、貨主信息，主要涉及從蘭州市出發至甘肅省內外的貨源。每條專線起點、終點及途經城市見表2。

以專線4為例，專線起點為蘭州、終點為煙臺，之后根據訂單所需車型對貨物進一步分類，以序號3的運輸車輛為例。篩選在某網絡貨運平臺收集的貨物數據，求解3號貨車與貨源的相似度，輸出結果由小到大進行排名，數值越小說明車貨的相關性越高，反之亦然。

得出相似度排序的訂單后，接下來，根據訂單中貨物的體積和重量確定重量滿載率與體積滿載率參數的權重，計算結果見表3，使用while循環遍歷排序后的訂單，選擇滿足車輛載重和容積條件的訂單組合，并計算此訂單組合的重量滿載率和體積滿載率。

3.2 單車最優訂單整合求解結果

（1）單車綜合滿載率最高求解結果

將 84 個訂單全部裝載完畢，需要 6 輛車，每輛車裝載的訂單編號見表4。單車綜合滿載率最大的匹配結果見表5，前5車平均重量滿載率65.65%、體積滿載率90.86%、綜合滿載率77.24%。第6輛車滿載率過低，建議與下時段貨合并裝載，避免浪費。

（2）單車收益率最高求解結果

在長途運輸中，貨物運輸的價格通常受貨物重量、體積、距離、種類及市場供需影響。表6為2023年9月份由中國物流與采購聯合會和林安物流集團聯合調查的中國公路物流運輸市場價格。如何選擇按重量計算運費或按體積計算運費，沒有一個普遍適用的標準或公式，在公路運輸配載行業，一般將每噸小于3 m3的貨物稱為重貨，每噸大于3 m3的貨物稱為輕貨[13]。因此計算標準為：

如果重量與體積比小于等于333.33 kg/m3，則按體積計算運費。如果重量與體積比大于333.33 kg/m3，則按重量計算運費。

由此得出了單車收益率最大為目標的訂單組合結果，將84個訂單全部裝載完畢需要6輛車，每輛車裝載的訂單編號見表7。單車收益率最大的匹配結果見表8，前5車平均重量滿載率63.80%、體積滿載率 92.09%、綜合滿載率 76.81%、收益率 80.63%。未達到發車要求第6車與下個時段的貨物合并裝載即可。

（3）單車綜合匹配率最高

綜合匹配率為同時考慮綜合滿載率與收益率2個指標，將 84 個訂單全部裝載完畢需要 6 輛車，每輛車裝載的訂單編號見表9。單車綜合匹配率最大的匹配結果見表10。前5車平均重量滿載率64.94%、體積滿載率 90.93%、綜合滿載率 76.89%、收益率79.27%、綜合匹配率78.08%。未達到發車要求第 6車同樣與下個時段的貨物合并裝載。

3.3 全體車輛最優訂單整合求解結果

（1）全體車輛綜合滿載率最高求解結果

將 84 個訂單全部裝載完畢，需要 6 輛車，每輛車裝載的訂單編號見表 11。全體車輛綜合滿載率最大的匹配結果見表12，全體車輛平均重量滿載率56.35%、平均體積滿載率81.31%、平均綜合滿載率達到67.83%。

（2）全體車輛收益率最高求解結果

收益的計算標準依然采用表6中的數據，將84個訂單全部裝載完畢，需要6輛車，每輛車裝載的訂單編號見表 13。全體車輛綜合滿載率最大的匹配結果見表14，全體車輛平均重量滿載率56.35%、平均體積滿載率81.31%，平均綜合滿載率67.83%，平均收益率71.62%。

（3）全體車輛綜合匹配率最高求解結果

綜合匹配率為同時考慮綜合滿載率與收益率2個指標，將84個訂單全部裝載完畢，需要6輛車，每輛車裝載的訂單編號見表 15。全體車輛綜合匹配率最大的匹配結果見表16，全體車輛平均重量滿載率56.35%、平均體積滿載率81.31%、平均綜合滿載率 67.84%、平均收益率 71.07%、平均綜合匹配率69.46%。

3.4 訂單整合結果分析

（1）單車訂單整合結果分析

為應對某些特殊場景下出現的“車少貨多”的情況，確保單車利用率最大是物流優化關鍵。經過對單車綜合匹配率結果與全體車輛綜合匹配率結果對比分析發現，見表17，單車的平均重量滿載率、體積滿載率、綜合滿載率、收益率、綜合匹配率分別提高了8.47%、9.65%、9.14%、8.19%、8.62%，說明相較于全體車輛最優目標下的車輛使用情況，單車的利用率得到了顯著提高。

（2）全體車輛訂單整合結果分析

為應對更為普遍的“車多貨少”的情況，確保裝載公平性是物流優化關鍵。經過對全體車輛的綜合匹配率結果分析發現，如圖2所示，各車重量、體積、綜合滿載率、收益率及綜合匹配率等參數均呈現出較高的均衡性。車輛的重量滿載率、體積滿載率、綜合滿載率、收益率、綜合匹配率與均值之間的最大偏差分別為2.75%、3.22%、0.99%、2%、1.07%，消除了各車潛在的不公平現象。

4 結語

為提高車輛利用率，構建了多目標優化模型，采用 2 階段法篩選網絡貨運平臺訂單。第 1 階段，通過分類車源、貨源及訂單時間，實現專線-車型初步匹配；第2階段，針對“車少貨多”和“車多貨少”的場景，分別采取單車最優和全體車輛最優策略，運用遺傳算法對多目標優化模型進行求解，完成不同目標下的訂單整合，最終的優化策略在提升車輛利用率的同時，也兼顧了經濟效益的平衡。

參考文獻：

[1] 吳力.“國家隊”打造現代物流體系[N]. 國際商報，2021-12-14（2）.

[2] 楊揚，李成杰. 基于三方演化博弈的網絡貨運動態發展機制及仿真研究[J]. 公路交通科技，2022，39（10）：180-190.

[3] 李兆進，劉雅，楊臻. 考慮訂單合并和貨物轉運的多式聯運路徑優化研究[J]. 運籌與管理，2022，31（4）：28-34.

[4] 王本丞，任建偉. 基于訂單整合的即時物流配送“打包”算法研究[J]. 信息與電腦（理論版），2020，32（6）：69-72.

[5] 王楨，黃磊. 考慮訂單發貨區域的物流配送調度問題研究[J]. 計算機應用研究，2016，33（1）：82-86.

[6] Archetti C，Savelsbergh M W P，Speranza M G. To split or not to split：That is the question[J]. Transportation Research Part E：Logistics and Transportation Review，周宇航等：網絡貨運場景下訂單整合問題研究 67第 53 卷 甘 肅 科 技 縱 橫2008，44（1）：114-123.

[7] Belfiore P，Yoshizaki H T Y. Heuristic methods for the fleet size and mix vehicle routing problem with time windows and split deliveries[J]. Computers and Indus?trial Engineering，2013，64（2）：589-601.

[8] Moccia L，Cordeau J F，Laporte G，et al. Modeling and solving a multimodal transportation problem with flexi?ble- time and scheduled services[J]. Networks，2011，57（1）：53-68.

[9] Demir E，Burgholzer W，Hru?ovsk M，et al. A green in?termodal service network design problem with travel time uncertainty[J]. Transportation Research Part B：Methodological，2016，93：789-807.

[10] Ayar B，Yaman H. An intermodal multicommodity rout?ing problem with scheduled services[J]. Computational optimization and applications，2012，53（1）：131-153.

[11] Chang T S. Best routes selection in international inter?modal networks[J]. Computers amp; operations re?search，2008，35（9）：2877-2891.

[12] Carlsson J G，Song S. Coordinated logistics with a truck and a drone[J]. Management Science，2018，64（9）：3971-4470.

[13] 袁杰. 基于EXCEL解決配載業務的最優經濟組合[J].物流工程與管理，2022，44（9）：84-87+90.

A Study of Order Consolidation Issues in Network Freight Scenarios

ZHOU Yuhang，YAN Jun，KUANG Guanglian，LIU Dan

（Mechatronics Tamp;R Institute，Lanzhou Jiaotong University，Lanzhou Gansu 730000，China）

Abstract： To solve the problem of network freight order integration， the integration process is divided into two stages. First， the order preprocessing stage categorises orders by demand and destination. Subsequently， according to the principles of single-vehicle optimisation and all-vehicle optimisation， an integration model containing the in?tegrated full load rate， yield rate， and integrated matching rate is established. It is solved by genetic algorithm and validated using actual data of a network freight company. The results show that when the single-vehicle optimisa?tion is the goal， the indicators of the single-vehicle are significantly improved， and the utilisation rate of the single vehicle is obviously increased. And when taking the optimal of all vehicles as the goal， the parameters of each vehi?cle are highly balanced， and the optimisation and balance of vehicle allocation is achieved.

Key words： network freight; order consolidation; genetic algorithms; single vehicle optimisation; whole vehicle optimisation