?杉數(shù)科技（北京）有限公司（以下簡稱“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)于斯坦福大學的博士聯(lián)合創(chuàng)立，團隊包括多位十余年經(jīng)驗的業(yè)務專家和幾十位海內(nèi)外名校博士，并配備超過20位海內(nèi)外一流大學教授組成的科學家顧問團隊。該團隊不僅在學術(shù)界具有深厚影響力，還曾為谷歌、IBM、波音、美國能源部、中國電網(wǎng)等機構(gòu)及企業(yè)解決運營決策、優(yōu)化問題。
作為國家高新技術(shù)企業(yè)，杉數(shù)科技一直致力于產(chǎn)學研結(jié)合，成立僅三年，獲得及在申知識產(chǎn)權(quán)達數(shù)十項，并有望在五年內(nèi)超過百項。杉數(shù)科技的目標是以世界一流的人工智能決策技術(shù)，讓中國每一個企業(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，通過以“杉數(shù)優(yōu)化求解器（COPT）”為核心的優(yōu)化技術(shù)與產(chǎn)品平臺已經(jīng)服務了包括順豐、京東、德邦、中外運、滴滴、中國商飛、百威、寶潔等在內(nèi)的諸多標桿企業(yè)，基于高效的數(shù)學建模及求解運算能力幫助他們提升在供應鏈管理、物流管理、生產(chǎn)調(diào)度、銷售管理等核心運營環(huán)節(jié)中的決策效果。
?
在日常休閑娛樂過程中，很多人都會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)國內(nèi)高端啤酒市場龍頭地位。啤酒銷量不斷增加的同時，百威英博運輸業(yè)務規(guī)模也在不斷擴大，運輸優(yōu)化問題就成了百威啤酒制約業(yè)務發(fā)展的重要環(huán)節(jié)。尤其是上海地區(qū)，考慮到避免多次過河/過橋、遵循車輛的單行/限行政策、嚴格滿足客戶收貨時間窗等實際限制條件，如何合理分配車輛資源，安排配送順序，降低運輸成本，成為了百威啤酒提高運輸效率，節(jié)省經(jīng)營成本的關(guān)鍵瓶頸。
選擇一個好的運輸優(yōu)化平臺十分重要，經(jīng)過多方對比，百威英博最終選擇與具有豐富運輸優(yōu)化經(jīng)驗的杉數(shù)科技合作，攜手解決百威英博運輸調(diào)度優(yōu)化的實際問題。
?
杉數(shù)科技是一家怎樣的平臺呢？
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)境下的復雜問題提供解決方案，利用數(shù)據(jù)為企業(yè)帶來收益及成本端的顯著變化，真正讓每一個企業(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，利用運籌學和機器學習等前沿技術(shù)將企業(yè)的實際問題轉(zhuǎn)化為數(shù)學模型求解，在杉數(shù)求解器（COPT）的驅(qū)動下，解決生產(chǎn)、倉儲、配送、銷售等一系列場景中的優(yōu)化問題，實現(xiàn)數(shù)據(jù)驅(qū)動的人工智能決策。
杉數(shù)科技PonyPlus（小馬駕駕）運輸優(yōu)化系統(tǒng)，專門針對物流優(yōu)化問題，能夠為同城運輸、支干線運輸?shù)葓鼍疤峁┡渌腿蝿辗峙洹⒙肪€規(guī)劃建議，通過杉數(shù)算法提取車輛、訂單、地點等信息，賦予企業(yè)車輛路徑優(yōu)化、智能訂單匹配、智能物流配送等能力，節(jié)省運輸車輛、降低運輸里程數(shù)、節(jié)省調(diào)度時間。
?
?
?
一、物流運輸優(yōu)化面臨的問題：
物流領(lǐng)域，運輸成本與排班調(diào)度是一個亟待解決的問題，過往沿用的人工排班方式在大規(guī)模業(yè)務需求下日趨困難。首先，多目標優(yōu)化難以實現(xiàn)，人工排班難以同時實現(xiàn)減少用車數(shù)量及減少車輛行駛距離的多目標優(yōu)化；對企業(yè)來講要考慮裝載、路線等問題，但無法去通盤考慮整個流程，車輛的利用率不高。其次，配送場景復雜，人工排班難以綜合考慮復雜多變的城市配送場景，比如盡量避免多次過河/過橋、遵循車輛的單行/限行政策、滿足不同客戶的收貨時間窗要求等限制約束；需要充分的了解城市分區(qū)分車型分時段的限行、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、過河/跨橋，哪里的站點接近司機住址等等。第三，排班時間長，人工調(diào)度排班用時長達一小時，人工排班耗時較長，會導致整體的裝車、排車作業(yè)時間很長，響應速度不夠快，業(yè)界也比較頭疼沒有辦法得到一個比較精確的時長。第四，排程誤差大，車輛在每個站點的停留時長人工預測精度低，路線排程誤差大，人工排班無法考慮到客戶訂單、網(wǎng)點信息與時間窗、路線模版、車輛信息、運輸費率、裝卸效率等信息。
?
?
?
?
二、小馬駕駕系統(tǒng)介紹
?
小馬駕駕流程簡單來講，就是會把訂單發(fā)到計算平臺上，算完之后會把結(jié)果推送到司機的APP里，司機會用APP去做執(zhí)行，執(zhí)行過程中，會記錄實際到站和實際里程，通過執(zhí)行端的數(shù)據(jù)收集回來之后，做一些反補，通過機器學習深度學習做一些參數(shù)，整體上是閉環(huán)流程。比如平時開1個小時的時間，為什么司機開了一個半小時，然后分析是不是路程有點堵，通過機器學習去學習一些事情，比如擁堵系數(shù)、裝卸時長，將這樣的參數(shù)學進行學習。
（1）滿足常規(guī)限制條件，引入優(yōu)化策略
首先，通過獨立設(shè)計的智能優(yōu)化算法，杉數(shù)科技能夠?qū)⒘闶劭蛻舻氖肇洉r間窗要求、車輛的裝載上限、最大行駛里程、分區(qū)限行規(guī)則、車輛跟商品的對應關(guān)系、運輸?shù)攸c和車型的對應關(guān)系等作為限制條件引入優(yōu)化計算過程中，確保這些常規(guī)限制條件的滿足，引入優(yōu)化策略，根據(jù)不同的業(yè)務場景，配置不同的優(yōu)化策略，滿足業(yè)務需求，快速響應業(yè)務變化，小馬駕駕多達20多個自定義參數(shù)，和近15個優(yōu)化策略形成一套組合拳，向運輸優(yōu)化的各個場景，提供有力支持并實現(xiàn)短時間內(nèi)處理大量的運輸任務的需求，將調(diào)度決策過程智能化、系統(tǒng)化。
不同于傳統(tǒng)的算法以車次最少或里程最短為目標，小馬駕駕引入了相關(guān)費率的計算，使得優(yōu)化以總成本最低為目標，切實為企業(yè)降低運輸費用。
（2）將實際交通情況納入優(yōu)化限制約束中
通過實時調(diào)取高德地圖的汽車導航數(shù)據(jù)，杉數(shù)科技可以將城市的實際交通狀況及相關(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)化的限制約束中進行考慮。
通過設(shè)計定制化的算法內(nèi)部懲罰機制，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)過河/過橋等實際落地中需要規(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、運力管理：多種車型維護、承運商資源維護，）
?
（3、調(diào)度管理：派車優(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
小馬駕駕智能運輸平臺可以從四個層面進行優(yōu)化，從對運費節(jié)省由低到高來排，依次是執(zhí)行跟蹤層、運作層優(yōu)化、戰(zhàn)術(shù)層優(yōu)化、戰(zhàn)略層優(yōu)化。
?
路徑優(yōu)化問題即尋求由起點出發(fā)通過所有給定的需求點之后，最后再回到原點的最短路徑，又可分為旅行商問題和車輛調(diào)度問題。根據(jù)上面兩類問題，衍生出多類變種問題。比如在很多場景下，用戶的需求會實時的產(chǎn)生（包括取貨和送貨需求），因此需要適應性的解決方案；某些貨物需要在某一時間段送到或某些取貨要在某個時間窗口取；同時出現(xiàn)多個取貨和送貨的需求，如何安排多個送貨員（車輛）和出發(fā)點。這些問題復雜而多變，需要深入的建模和求解能力。
有多少優(yōu)化的問題，就會有多少優(yōu)化的角度。如，可以通過考慮多種模式，單點提多點送，多點提單點送，多點提多點送等模式，提升配送效率；可以通過城市分區(qū)分車型分時段的限行、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、過河/跨橋，哪里的站點接近司機住址等等，從而提升業(yè)務的響應速度和達到時間窗的嚴格約束。
?
在城市配送中會遇到很多業(yè)務挑戰(zhàn)，如車輛人員資源匹配不合理、時間窗約束嚴格、城市分區(qū)分車型分時段限行、業(yè)務模式復雜多變、手工調(diào)度造成效率低下等。這些問題可能會出現(xiàn)在整個城市配送鏈條的各個環(huán)節(jié)上，而運輸優(yōu)化的目標是優(yōu)化整個鏈條，減少運輸成本，提升資源利用率和業(yè)務響應速度。那么，如何達到優(yōu)化目標呢？將客戶訂單、網(wǎng)點信息與時間窗、路線模版、車輛信息、運輸費率、裝卸效率等信息輸入運輸優(yōu)化引擎，通過杉數(shù)特有的優(yōu)化算法，在考慮以上多種業(yè)務約束的同時，全局統(tǒng)籌規(guī)劃所有資源，為企業(yè)提供各層面業(yè)務的智能優(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，是智能運輸?shù)囊粋€應用場景。即一個區(qū)域內(nèi)的快遞送件/取件訂單，在較大的合理時間范圍內(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)過合理的路徑規(guī)劃，完成消費者/商家處的訂單服務。該場景的難點在于不同的訂單優(yōu)先級，催收、催派動態(tài)影響到時間窗；在途時間受到天氣、交通狀況、車輛類型的影響；裝、卸貨效率需根據(jù)重量、體積、收貨方式、有無電梯、樓層等決定。另外，快遞員每時每刻會通過手持設(shè)備發(fā)起實時優(yōu)化，如何解決高并發(fā)也是落地難點之一。
通過對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，僅考慮開行時間最短及影響開行時間的因素（天氣、路況、客戶服務時長），忽略客戶時間窗、忽略客戶/訂單等級、投訴、催收催派因素；圖二為滿足客戶服務的路徑最短，考慮開行時間最短及影響開行時間的因素（天氣、路況、客戶服務時長）、客戶時間窗、客戶/訂單等級、催收催派、投訴等因素。
?
另外一個經(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，場景難點很多，如北京市復雜的道路限行約束、訂單分布較散、客戶嚴格并且有大時間段的收貨時間窗、家具安裝時間波動從10分鐘到10小時、近百種車組服務/運輸能力差異較大等。那么，如何在滿足客戶時間窗的要求下，將任務合理地分配到合適的車組，并保證路線少跨區(qū)、里程數(shù)穩(wěn)定呢？最終杉數(shù)通過優(yōu)化引擎，在滿足各類約束條件下，將調(diào)度時間從3小時壓縮至15分鐘，使企業(yè)用車成本下降近25%。
同時，在企業(yè)的一些難點需求上也提出了對應的優(yōu)化策略，達到了很好的效果。如，遠郊區(qū)縣房山，為了按業(yè)務要求派一輛車，且避免從市中心穿過的情況，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，縮小了遠郊跨區(qū)距離，使去往遠郊區(qū)縣的車盡量在市區(qū)外圍沿路接單。
?
?
同樣的城市配送案例，還有杉數(shù)為某跨國快消品牌在上海定制的城市配送系統(tǒng)，上線3個月時間，系統(tǒng)在支持該公司的每日排單調(diào)度任務上，將計劃時間從2小時壓縮至30分鐘；在用車數(shù)量保持不變的情況下，將車輛平均行駛里程縮短了12.53%；在門店配送上，每車次配送門店數(shù)最高增加了53.3%，每車次配送箱數(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，通過手持設(shè)備可以一鍵進行途中路線實時再優(yōu)化操作，計算出當下最優(yōu)路徑及每個站點預計到達的時間。
?
合理的分配每個司機的行駛時間和距離，使任務盡量均衡。同時，杉數(shù)將機器學習成功的應用在傳統(tǒng)的VRP問題上并進行落地，由于前期對每個站點停留時間預估不準確，積累一段時間數(shù)據(jù)后，通過對司機畫像、站點屬性、站點卸貨條件、卸貨商品大類及數(shù)量進行學習，杉數(shù)得到了不同的店、不同司機、不同配送貨物情況下卸貨時間的預測模型，到貨準時率提升了近30%，使得客戶滿意度大大提升。
熱門標簽
快速評論
收藏
粵公網(wǎng)安備 44010402002339號
