?杉數(shù)科技（北京）有限公司（以下簡(jiǎn)稱(chēng)“杉數(shù)科技”）成立于2016年7月，由羅小渠、葛冬冬、王子卓、王曦四位畢業(yè)于斯坦福大學(xué)的博士聯(lián)合創(chuàng)立，團(tuán)隊(duì)包括多位十余年經(jīng)驗(yàn)的業(yè)務(wù)專(zhuān)家和幾十位海內(nèi)外名校博士，并配備超過(guò)20位海內(nèi)外一流大學(xué)教授組成的科學(xué)家顧問(wèn)團(tuán)隊(duì)。該團(tuán)隊(duì)不僅在學(xué)術(shù)界具有深厚影響力，還曾為谷歌、IBM、波音、美國(guó)能源部、中國(guó)電網(wǎng)等機(jī)構(gòu)及企業(yè)解決運(yùn)營(yíng)決策、優(yōu)化問(wèn)題。
作為國(guó)家高新技術(shù)企業(yè)，杉數(shù)科技一直致力于產(chǎn)學(xué)研結(jié)合，成立僅三年，獲得及在申知識(shí)產(chǎn)權(quán)達(dá)數(shù)十項(xiàng)，并有望在五年內(nèi)超過(guò)百項(xiàng)。杉數(shù)科技的目標(biāo)是以世界一流的人工智能決策技術(shù)，讓中國(guó)每一個(gè)企業(yè)擁有定制最優(yōu)化決策的能力。
杉數(shù)科技成立三年多以來(lái)，通過(guò)以“杉數(shù)優(yōu)化求解器（COPT）”為核心的優(yōu)化技術(shù)與產(chǎn)品平臺(tái)已經(jīng)服務(wù)了包括順豐、京東、德邦、中外運(yùn)、滴滴、中國(guó)商飛、百威、寶潔等在內(nèi)的諸多標(biāo)桿企業(yè)，基于高效的數(shù)學(xué)建模及求解運(yùn)算能力幫助他們提升在供應(yīng)鏈管理、物流管理、生產(chǎn)調(diào)度、銷(xiāo)售管理等核心運(yùn)營(yíng)環(huán)節(jié)中的決策效果。
?
在日常休閑娛樂(lè)過(guò)程中，很多人都會(huì)選擇啤酒作為消遣的飲品，百威英博是全球領(lǐng)先的啤酒釀造商，一直占據(jù)國(guó)內(nèi)高端啤酒市場(chǎng)龍頭地位。啤酒銷(xiāo)量不斷增加的同時(shí)，百威英博運(yùn)輸業(yè)務(wù)規(guī)模也在不斷擴(kuò)大，運(yùn)輸優(yōu)化問(wèn)題就成了百威啤酒制約業(yè)務(wù)發(fā)展的重要環(huán)節(jié)。尤其是上海地區(qū)，考慮到避免多次過(guò)河/過(guò)橋、遵循車(chē)輛的單行/限行政策、嚴(yán)格滿(mǎn)足客戶(hù)收貨時(shí)間窗等實(shí)際限制條件，如何合理分配車(chē)輛資源，安排配送順序，降低運(yùn)輸成本，成為了百威啤酒提高運(yùn)輸效率，節(jié)省經(jīng)營(yíng)成本的關(guān)鍵瓶頸。
選擇一個(gè)好的運(yùn)輸優(yōu)化平臺(tái)十分重要，經(jīng)過(guò)多方對(duì)比，百威英博最終選擇與具有豐富運(yùn)輸優(yōu)化經(jīng)驗(yàn)的杉數(shù)科技合作，攜手解決百威英博運(yùn)輸調(diào)度優(yōu)化的實(shí)際問(wèn)題。
?
杉數(shù)科技是一家怎樣的平臺(tái)呢？
杉數(shù)科技是一家真正意義上的人工智能決策公司，依托于世界領(lǐng)先的深層次數(shù)據(jù)優(yōu)化算法和復(fù)雜決策模型的求解能力，杉數(shù)科技致力于為企業(yè)在海量數(shù)據(jù)環(huán)境下的復(fù)雜問(wèn)題提供解決方案，利用數(shù)據(jù)為企業(yè)帶來(lái)收益及成本端的顯著變化，真正讓每一個(gè)企業(yè)擁有定制最優(yōu)化決策的能力。
?
杉數(shù)科技自主研發(fā)的杉數(shù)智慧鏈?優(yōu)化解決方案平臺(tái)，利用運(yùn)籌學(xué)和機(jī)器學(xué)習(xí)等前沿技術(shù)將企業(yè)的實(shí)際問(wèn)題轉(zhuǎn)化為數(shù)學(xué)模型求解，在杉數(shù)求解器（COPT）的驅(qū)動(dòng)下，解決生產(chǎn)、倉(cāng)儲(chǔ)、配送、銷(xiāo)售等一系列場(chǎng)景中的優(yōu)化問(wèn)題，實(shí)現(xiàn)數(shù)據(jù)驅(qū)動(dòng)的人工智能決策。
杉數(shù)科技PonyPlus（小馬駕駕）運(yùn)輸優(yōu)化系統(tǒng)，專(zhuān)門(mén)針對(duì)物流優(yōu)化問(wèn)題，能夠?yàn)橥沁\(yùn)輸、支干線運(yùn)輸?shù)葓?chǎng)景提供配送任務(wù)分配、路線規(guī)劃建議，通過(guò)杉數(shù)算法提取車(chē)輛、訂單、地點(diǎn)等信息，賦予企業(yè)車(chē)輛路徑優(yōu)化、智能訂單匹配、智能物流配送等能力，節(jié)省運(yùn)輸車(chē)輛、降低運(yùn)輸里程數(shù)、節(jié)省調(diào)度時(shí)間。
?
?
?
一、物流運(yùn)輸優(yōu)化面臨的問(wèn)題：
物流領(lǐng)域，運(yùn)輸成本與排班調(diào)度是一個(gè)亟待解決的問(wèn)題，過(guò)往沿用的人工排班方式在大規(guī)模業(yè)務(wù)需求下日趨困難。首先，多目標(biāo)優(yōu)化難以實(shí)現(xiàn)，人工排班難以同時(shí)實(shí)現(xiàn)減少用車(chē)數(shù)量及減少車(chē)輛行駛距離的多目標(biāo)優(yōu)化；對(duì)企業(yè)來(lái)講要考慮裝載、路線等問(wèn)題，但無(wú)法去通盤(pán)考慮整個(gè)流程，車(chē)輛的利用率不高。其次，配送場(chǎng)景復(fù)雜，人工排班難以綜合考慮復(fù)雜多變的城市配送場(chǎng)景，比如盡量避免多次過(guò)河/過(guò)橋、遵循車(chē)輛的單行/限行政策、滿(mǎn)足不同客戶(hù)的收貨時(shí)間窗要求等限制約束；需要充分的了解城市分區(qū)分車(chē)型分時(shí)段的限行、禁行約束情況，了解到哪里有限重、限高、限寬、限速，哪里需要調(diào)頭、左拐、過(guò)河/跨橋，哪里的站點(diǎn)接近司機(jī)住址等等。第三，排班時(shí)間長(zhǎng)，人工調(diào)度排班用時(shí)長(zhǎng)達(dá)一小時(shí)，人工排班耗時(shí)較長(zhǎng)，會(huì)導(dǎo)致整體的裝車(chē)、排車(chē)作業(yè)時(shí)間很長(zhǎng)，響應(yīng)速度不夠快，業(yè)界也比較頭疼沒(méi)有辦法得到一個(gè)比較精確的時(shí)長(zhǎng)。第四，排程誤差大，車(chē)輛在每個(gè)站點(diǎn)的停留時(shí)長(zhǎng)人工預(yù)測(cè)精度低，路線排程誤差大，人工排班無(wú)法考慮到客戶(hù)訂單、網(wǎng)點(diǎn)信息與時(shí)間窗、路線模版、車(chē)輛信息、運(yùn)輸費(fèi)率、裝卸效率等信息。
?
?
?
?
二、小馬駕駕系統(tǒng)介紹
?
小馬駕駕流程簡(jiǎn)單來(lái)講，就是會(huì)把訂單發(fā)到計(jì)算平臺(tái)上，算完之后會(huì)把結(jié)果推送到司機(jī)的APP里，司機(jī)會(huì)用APP去做執(zhí)行，執(zhí)行過(guò)程中，會(huì)記錄實(shí)際到站和實(shí)際里程，通過(guò)執(zhí)行端的數(shù)據(jù)收集回來(lái)之后，做一些反補(bǔ)，通過(guò)機(jī)器學(xué)習(xí)深度學(xué)習(xí)做一些參數(shù)，整體上是閉環(huán)流程。比如平時(shí)開(kāi)1個(gè)小時(shí)的時(shí)間，為什么司機(jī)開(kāi)了一個(gè)半小時(shí)，然后分析是不是路程有點(diǎn)堵，通過(guò)機(jī)器學(xué)習(xí)去學(xué)習(xí)一些事情，比如擁堵系數(shù)、裝卸時(shí)長(zhǎng)，將這樣的參數(shù)學(xué)進(jìn)行學(xué)習(xí)。
（1）滿(mǎn)足常規(guī)限制條件，引入優(yōu)化策略
首先，通過(guò)獨(dú)立設(shè)計(jì)的智能優(yōu)化算法，杉數(shù)科技能夠?qū)⒘闶劭蛻?hù)的收貨時(shí)間窗要求、車(chē)輛的裝載上限、最大行駛里程、分區(qū)限行規(guī)則、車(chē)輛跟商品的對(duì)應(yīng)關(guān)系、運(yùn)輸?shù)攸c(diǎn)和車(chē)型的對(duì)應(yīng)關(guān)系等作為限制條件引入優(yōu)化計(jì)算過(guò)程中，確保這些常規(guī)限制條件的滿(mǎn)足，引入優(yōu)化策略，根據(jù)不同的業(yè)務(wù)場(chǎng)景，配置不同的優(yōu)化策略，滿(mǎn)足業(yè)務(wù)需求，快速響應(yīng)業(yè)務(wù)變化，小馬駕駕多達(dá)20多個(gè)自定義參數(shù)，和近15個(gè)優(yōu)化策略形成一套組合拳，向運(yùn)輸優(yōu)化的各個(gè)場(chǎng)景，提供有力支持并實(shí)現(xiàn)短時(shí)間內(nèi)處理大量的運(yùn)輸任務(wù)的需求，將調(diào)度決策過(guò)程智能化、系統(tǒng)化。
不同于傳統(tǒng)的算法以車(chē)次最少或里程最短為目標(biāo)，小馬駕駕引入了相關(guān)費(fèi)率的計(jì)算，使得優(yōu)化以總成本最低為目標(biāo)，切實(shí)為企業(yè)降低運(yùn)輸費(fèi)用。
（2）將實(shí)際交通情況納入優(yōu)化限制約束中
通過(guò)實(shí)時(shí)調(diào)取高德地圖的汽車(chē)導(dǎo)航數(shù)據(jù)，杉數(shù)科技可以將城市的實(shí)際交通狀況及相關(guān)規(guī)定（例如限行、單行、禁止左轉(zhuǎn)、禁止掉頭等）充分納入到優(yōu)化的限制約束中進(jìn)行考慮。
通過(guò)設(shè)計(jì)定制化的算法內(nèi)部懲罰機(jī)制，小馬駕駕能夠使優(yōu)化出的結(jié)果線路盡可能避免出現(xiàn)過(guò)河/過(guò)橋等實(shí)際落地中需要規(guī)避的道路情況。
三、小馬駕駕功能模塊
?
?
?
（1、訂單管理：訂單一鍵上傳，訂單手工調(diào)整）
?
?
（2、運(yùn)力管理：多種車(chē)型維護(hù)、承運(yùn)商資源維護(hù)，）
?
（3、調(diào)度管理：派車(chē)優(yōu)化、路徑優(yōu)化、參數(shù)配置）
?
?
（4、路線管理：路線可視化、固定路線、路線調(diào)整）
??
四、小馬駕駕優(yōu)化層面及案例
小馬駕駕智能運(yùn)輸平臺(tái)可以從四個(gè)層面進(jìn)行優(yōu)化，從對(duì)運(yùn)費(fèi)節(jié)省由低到高來(lái)排，依次是執(zhí)行跟蹤層、運(yùn)作層優(yōu)化、戰(zhàn)術(shù)層優(yōu)化、戰(zhàn)略層優(yōu)化。
?
路徑優(yōu)化問(wèn)題即尋求由起點(diǎn)出發(fā)通過(guò)所有給定的需求點(diǎn)之后，最后再回到原點(diǎn)的最短路徑，又可分為旅行商問(wèn)題和車(chē)輛調(diào)度問(wèn)題。根據(jù)上面兩類(lèi)問(wèn)題，衍生出多類(lèi)變種問(wèn)題。比如在很多場(chǎng)景下，用戶(hù)的需求會(huì)實(shí)時(shí)的產(chǎn)生（包括取貨和送貨需求），因此需要適應(yīng)性的解決方案；某些貨物需要在某一時(shí)間段送到或某些取貨要在某個(gè)時(shí)間窗口??；同時(shí)出現(xiàn)多個(gè)取貨和送貨的需求，如何安排多個(gè)送貨員（車(chē)輛）和出發(fā)點(diǎn)。這些問(wèn)題復(fù)雜而多變，需要深入的建模和求解能力。
有多少優(yōu)化的問(wèn)題，就會(huì)有多少優(yōu)化的角度。如，可以通過(guò)考慮多種模式，單點(diǎn)提多點(diǎn)送，多點(diǎn)提單點(diǎn)送，多點(diǎn)提多點(diǎn)送等模式，提升配送效率；可以通過(guò)城市分區(qū)分車(chē)型分時(shí)段的限行、禁行約束情況，了解到哪里有限重、限高、限寬、限速，哪里需要調(diào)頭、左拐、過(guò)河/跨橋，哪里的站點(diǎn)接近司機(jī)住址等等，從而提升業(yè)務(wù)的響應(yīng)速度和達(dá)到時(shí)間窗的嚴(yán)格約束。
?
在城市配送中會(huì)遇到很多業(yè)務(wù)挑戰(zhàn)，如車(chē)輛人員資源匹配不合理、時(shí)間窗約束嚴(yán)格、城市分區(qū)分車(chē)型分時(shí)段限行、業(yè)務(wù)模式復(fù)雜多變、手工調(diào)度造成效率低下等。這些問(wèn)題可能會(huì)出現(xiàn)在整個(gè)城市配送鏈條的各個(gè)環(huán)節(jié)上，而運(yùn)輸優(yōu)化的目標(biāo)是優(yōu)化整個(gè)鏈條，減少運(yùn)輸成本，提升資源利用率和業(yè)務(wù)響應(yīng)速度。那么，如何達(dá)到優(yōu)化目標(biāo)呢？將客戶(hù)訂單、網(wǎng)點(diǎn)信息與時(shí)間窗、路線模版、車(chē)輛信息、運(yùn)輸費(fèi)率、裝卸效率等信息輸入運(yùn)輸優(yōu)化引擎，通過(guò)杉數(shù)特有的優(yōu)化算法，在考慮以上多種業(yè)務(wù)約束的同時(shí)，全局統(tǒng)籌規(guī)劃所有資源，為企業(yè)提供各層面業(yè)務(wù)的智能優(yōu)化解決方案。
比如杉數(shù)為某快遞物流企業(yè)制定的快遞配送優(yōu)化方案，是智能運(yùn)輸?shù)囊粋€(gè)應(yīng)用場(chǎng)景。即一個(gè)區(qū)域內(nèi)的快遞送件/取件訂單，在較大的合理時(shí)間范圍內(nèi)，在定人、定區(qū)快遞員及周邊小范圍快遞員內(nèi)中選擇出合適的快遞員，經(jīng)過(guò)合理的路徑規(guī)劃，完成消費(fèi)者/商家處的訂單服務(wù)。該場(chǎng)景的難點(diǎn)在于不同的訂單優(yōu)先級(jí)，催收、催派動(dòng)態(tài)影響到時(shí)間窗；在途時(shí)間受到天氣、交通狀況、車(chē)輛類(lèi)型的影響；裝、卸貨效率需根據(jù)重量、體積、收貨方式、有無(wú)電梯、樓層等決定。另外，快遞員每時(shí)每刻會(huì)通過(guò)手持設(shè)備發(fā)起實(shí)時(shí)優(yōu)化，如何解決高并發(fā)也是落地難點(diǎn)之一。
通過(guò)對(duì)某次快遞配送路徑的優(yōu)化，得到了兩種路徑結(jié)果輸出：圖一為純路徑最短，僅考慮開(kāi)行時(shí)間最短及影響開(kāi)行時(shí)間的因素（天氣、路況、客戶(hù)服務(wù)時(shí)長(zhǎng)），忽略客戶(hù)時(shí)間窗、忽略客戶(hù)/訂單等級(jí)、投訴、催收催派因素；圖二為滿(mǎn)足客戶(hù)服務(wù)的路徑最短，考慮開(kāi)行時(shí)間最短及影響開(kāi)行時(shí)間的因素（天氣、路況、客戶(hù)服務(wù)時(shí)長(zhǎng)）、客戶(hù)時(shí)間窗、客戶(hù)/訂單等級(jí)、催收催派、投訴等因素。
?
另外一個(gè)經(jīng)典的案例是杉數(shù)為某大型家具公司制定的城市配送優(yōu)化方案，場(chǎng)景難點(diǎn)很多，如北京市復(fù)雜的道路限行約束、訂單分布較散、客戶(hù)嚴(yán)格并且有大時(shí)間段的收貨時(shí)間窗、家具安裝時(shí)間波動(dòng)從10分鐘到10小時(shí)、近百種車(chē)組服務(wù)/運(yùn)輸能力差異較大等。那么，如何在滿(mǎn)足客戶(hù)時(shí)間窗的要求下，將任務(wù)合理地分配到合適的車(chē)組，并保證路線少跨區(qū)、里程數(shù)穩(wěn)定呢？最終杉數(shù)通過(guò)優(yōu)化引擎，在滿(mǎn)足各類(lèi)約束條件下，將調(diào)度時(shí)間從3小時(shí)壓縮至15分鐘，使企業(yè)用車(chē)成本下降近25%。
同時(shí)，在企業(yè)的一些難點(diǎn)需求上也提出了對(duì)應(yīng)的優(yōu)化策略，達(dá)到了很好的效果。如，遠(yuǎn)郊區(qū)縣房山，為了按業(yè)務(wù)要求派一輛車(chē)，且避免從市中心穿過(guò)的情況，杉數(shù)采用了先五環(huán)內(nèi)再五環(huán)外的訂單優(yōu)化方式，縮小了遠(yuǎn)郊跨區(qū)距離，使去往遠(yuǎn)郊區(qū)縣的車(chē)盡量在市區(qū)外圍沿路接單。
?
?
同樣的城市配送案例，還有杉數(shù)為某跨國(guó)快消品牌在上海定制的城市配送系統(tǒng)，上線3個(gè)月時(shí)間，系統(tǒng)在支持該公司的每日排單調(diào)度任務(wù)上，將計(jì)劃時(shí)間從2小時(shí)壓縮至30分鐘；在用車(chē)數(shù)量保持不變的情況下，將車(chē)輛平均行駛里程縮短了12.53%；在門(mén)店配送上，每車(chē)次配送門(mén)店數(shù)最高增加了53.3%，每車(chē)次配送箱數(shù)最高增加了54.2%。該案例里面有一些定制化的需求，如交通狀況變差或遇到突發(fā)情況，通過(guò)手持設(shè)備可以一鍵進(jìn)行途中路線實(shí)時(shí)再優(yōu)化操作，計(jì)算出當(dāng)下最優(yōu)路徑及每個(gè)站點(diǎn)預(yù)計(jì)到達(dá)的時(shí)間。
?
合理的分配每個(gè)司機(jī)的行駛時(shí)間和距離，使任務(wù)盡量均衡。同時(shí)，杉數(shù)將機(jī)器學(xué)習(xí)成功的應(yīng)用在傳統(tǒng)的VRP問(wèn)題上并進(jìn)行落地，由于前期對(duì)每個(gè)站點(diǎn)停留時(shí)間預(yù)估不準(zhǔn)確，積累一段時(shí)間數(shù)據(jù)后，通過(guò)對(duì)司機(jī)畫(huà)像、站點(diǎn)屬性、站點(diǎn)卸貨條件、卸貨商品大類(lèi)及數(shù)量進(jìn)行學(xué)習(xí)，杉數(shù)得到了不同的店、不同司機(jī)、不同配送貨物情況下卸貨時(shí)間的預(yù)測(cè)模型，到貨準(zhǔn)時(shí)率提升了近30%，使得客戶(hù)滿(mǎn)意度大大提升。
熱門(mén)標(biāo)簽
快速評(píng)論
收藏
粵公網(wǎng)安備 44010402002339號(hào)
