基于时空轨迹数据的群智物流研究最新进展

Wu Jie 2,556

随着GPS、无线通讯、互联网等技术的发展和普及，城市居民的生活发生了深刻的变革，网上购物、在线打车、外卖、同城跑腿等应用方兴未艾，为居民提供了便利快捷的服务。但与此同时，随之带来的物流成本、交通拥堵、污染排放等问题也为城市的绿色发展带来了挑战。

基于此，课题组创新性地提出群智物流的概念，在不增加路面运送资源的前提下，通过人和货物共享运载资源（即车辆）的方式最大程度地缓解供需的不匹配，以期实现灵活、流畅、友好、公平的城市物流新模式。具体来说，群智物流利用出租车、私家车等众包（Crowdsourcing）资源的多余运力，让其在完成原有乘客运输任务的同时参与城市物流包裹的运输，最大化出租车等车辆的利用效率，减少城市物流专用配送车辆的使用，从而减少城市中车辆的污染排放、缓解交通压力，达到绿色、可持续的城市发展目标。

图 1 群智物流系统框架图

自2016年以来，课题组的系列成果发表在T-ITS’17，IJPR’15/16、TBD’20等国际期刊上，代表性论文的谷歌学术总引用次数超500次，SCI他引次数超200次。相关研究成果于2016年和2020年先后两度被IEEE SPECTRUM杂志报道，于2016年被官媒长沙晚报报道和称赞。同时，研究成果得到了计算机科学、物流运输等领域世界著名学者的高度评价和跟进拓展，在群智物流研究子领域上起到了重要的引领作用，多位知名学者在高水平会议（IWQoS’18、KDD’19、CIKM’20等）、期刊（IEEE Network’19、T-ITS’20等）论文中引用并高度评价了课题组所提出的群智物流模式的有效性和先进性。

在群智物流领域取得的具体科研成果如下：

    1. 基于出租车的城市物流包裹派送算法

      2. 为了解决出租车派送城市物流包裹的分配问题，采用“离线知识挖掘+在线动态优化”的解决思路，利用和挖掘历史出租车载客轨迹数据，获取并存储离线状态下的包裹派送最优路径。在实时场景中，对于每一包裹运送请求，在已存储的“离线知识”指导下，通过该“知识”与搭载当前载客出租车时生成的成功率或完成时间期望进行在线比较和抉择，动态实现在线资源调度与优化，为包裹分配相应的出租车。

      图 2 长沙晚报报道基于出租车的群智物流概念

    2. 基于出租车的网购退货物流算法

      3. 随着网购的快速发展，相应的退货订单数量也会随之增加。为此，课题组提出了适用于退货场景的群智物流算法。同样采用“离线知识挖掘+在线动态优化”的解决思路，选取便利店、超市等作为包裹收取点和中转站，出租车以“接力”的方式将包裹从一个站点运送到下一个站点，逐步从顾客手中运送到物流公司。

    3. 基于出租车的外卖配送算法

      4. 与一般物流包裹不同，外卖订单对时间敏感度非常高，要求配送的时间及时且精准，对应的优化问题也更为复杂。课题组参与的研究提出了基于模拟退火的自适应构造算法和自适应大邻域搜索算法（ALNS）的外卖配送算法，在真实的数据集上进行的实验结果表明，所提出的算法比基线算法更有效和高效，能够利用较少的出租车来实现送餐服务。

图 3 出租车配送外卖的示例

参考文献：
[1] Chen, C., Zhang, D., Ma, X., Guo, B., Wang, L., Wang, Y., & Sha, E. (2016). Crowddeliver: Planning city-wide package delivery paths leveraging the crowd of taxis. IEEE Transactions on Intelligent Transportation Systems, 18(6), 1478-1496.
[2] Cheng S., Chen C., Pan S., Huang H., Zhang W., & Feng Y. (2021). Citywide package deliveries via crowdshipping: minimizing the efforts from crowdsourcers. Frontiers of Computer Science.
[3] Chen, C., Yang, S., Wang, Y., Guo, B., & Zhang, D. (2020). CrowdExpress: a probabilistic framework for on-time crowdsourced package deliveries. IEEE transactions on big data.
[4] Chen, C., Pan, S., Wang, Z., & Zhong, R. Y. (2017). Using taxis to collect citywide E-commerce reverse flows: a crowdsourcing solution. International Journal of Production Research, 55(7), 1833-1844.
[5] Liu, Y., Guo, B., Chen, C., Du, H., Yu, Z., Zhang, D., & Ma, H. (2018). FooDNet: Toward an optimized food delivery network based on spatial crowdsourcing. IEEE Transactions on Mobile Computing, 18(6), 1288-1301.
[6] Du, J., Guo, B., Liu, Y., Wang, L., Han, Q., Chen, C., & Yu, Z. (2019). CrowDNet: Enabling a crowdsourced object delivery network based on modern portfolio theory. IEEE Internet of Things Journal, 6(5), 9030-9041.
[7] Chen, C., Zhang, D., Wang, L., Ma, X., Han, X., & Sha, E. (2014). Taxi exp: a novel framework for city-wide package express shipping via taxi crowd sourcing. In 2014 IEEE 11th Intl Conf on Ubiquitous Intelligence and Computing and Its Associated Workshops (pp. 244-251). IEEE.
[8] Chen, C., & Pan, S. (2016). Using the Crowd of Taxis to Last Mile Delivery in E-Commerce: a methodological research. In Service orientation in holonic and multi-agent manufacturing (pp. 61-70). Springer, Cham.
[9] Pan, S., Zhou, W., Piramuthu, S., Giannikas, V., & Chen, C. (2021). Smart city for sustainable urban freight logistics. International Journal of Production Research 59(7), 2079-2089
[10] Chen, C., Wang, Z., & Zhang, D. (2020). Sending more with less: Crowdsourcing integrated transportation as a new form of citywide passenger–package delivery system. IT Professional, 22(1), 56-62.