智能调度让物流更高效：聊聊调度系统设计

谢宇 2023-08-09 17:39:55

调度即为运输业务中，货物与运力的匹配环节。调度系统是业务系统基础属性，链接上游OMS系统，下游司机/车队系统；或调度模块内嵌到TMS系统中，做单独的操作模块。

随着数据的积累，派车规则的总结完善，越来越多的调度系统力求实现智能调度即自动派车的功能，依托算法或规则配置，优化运力分配。

调度系统的核心，一是派车的准确度高，系统匹配出的为派车的最优解；二是操作的便捷高效性，调度目前还有大量人工操作的场景，系统的使用便捷交互流畅是非常重要的；三是数据的积累及可视化展现，历史数据的宏观微观展示，均可以在多个环节对调度策略进行优化指导。

一、抢单和派单

调度模式简而言之分为两种，抢单和派单。

1. 抢单

抢单的逻辑较为简单，将符合条件的活放到资源池中，司机自行筛选以及预定订单。这种模式基础的要求是司机端有完善的产品而且司机愿意配合使用；司机抢到的单，理论讲一定可以运，延伸对司机的管控，比如主动撤单率高的司机和履约情况良好的司机区别收入或评分，适用于有固定运力，司机管控较为完善的运输公司；针对信息匹配平台，及时记录抢单及放单行为，完善推荐匹配策略。

抢单的弊端，就是订单及运力分配的不均匀，平台公司无法强管控如利润、客户服务等。

例如好客户的好订单，被“坏司机”抢到，可能影响平台口碑；再例如“坏客户”的坏订单，被好司机抢到，可能影响司机的运输体验或收入，会加大司机对平台的抱怨程度；抢单模式不灵活，给平台角色的自由度较大，因而很难精细化管理。很多运输公司选择用固定路线或固定运力池作为抢单模式的场景，用抢单代替固定的排班，通过减少场景来加强管控。

2. 派单

派单的逻辑可以很深入，也可以很简单。

简单的派单，就是调度人员找到订单，选派合适的司机，调度过程即结束。这其中需要考虑司机是否有时间接单，不会和上一单或下一单有重叠即可，这也是大部分TMS系统所实现的程度。再进一步，司机端多考虑一步，是否让已分派的司机撤单或设置司机需点击接单的模式，上下游互选后履约成立，这也是网络货运平台要求的履约模式。这一步往往会设置反馈，不接或撤单的原因，便于日后数据分析。

数据及规则积累到可量化的程度，即可尝试自动调度。基础的自动调度，即把调度人员的派车规则转换成为系统语言，自动推荐运力；到策略层，即会考虑路径规划，多因素相互影响的算法。

调度考虑的因素列举起来有如下：司机作息、运输是否可成立、定向匹配、司机偏好、司机收入、平台利润、平台报价、第三方服务等等。要精确的量化以上条件，必须对三部分数据进行建模分析，即司机画像、车辆基础信息维护、地址画像。

司机画像标记司机的收入要求、运输偏好远途近途、运输习惯休息时间等；
车辆基础信息，如核定载质量、轴数、燃油类型、国五国六等，以此来判断运输能否成立；
地址画像，能否走国道、是否有山路、是否有高台等属性，依次直接可作为运力筛选条件使用。

1）调度顺序模型

初步探索自动调度，首选建立一个匹配的顺序模型，即把上述条件顺次排列依次匹配，触发到即停止匹配。下面简单举一个顺序模型的例子：司机作息>定向匹配>收入>…

第一优先级：司机作息；即保证司机有能力接这单活，如果司机还在途或需要休息，调度无法成立。

简单举例，如司机在途一个往返150公里的订单，默认可以当天返程，后一天的单理论可以继续派此司机；另一个简单的维度是时间，同样往返150公里的订单，默认司机可接20小时后的订单，也是理论成立；精细一些的分析方向，依靠货车导航精确判断司机返程情况，或根据历史订单及历史路径选择，精确估算到达时间。

第二优先级：定向匹配；即合约司机或固定路线司机优先匹配。

例如一些专线司机，只跑某一条路线，即可在其作息允许的基础上，直接匹配分派。这个模式必须留一个兼容性，固定司机可用数量为0时，系统触发正常匹配逻辑，否则会导致无车可派的情况。如若多个固定司机对应一个路线，进入下一条条件的判断。

第三优先级：收入，司机收入和公司平台收入。大部分运输公司和司机的合作模式，都会有保证最低收入的限制，所以系统需将这个权重影响到自动调度中。广义区分，近途订单收入少，远途订单收入多，所以针对最低收入较低的司机，派近途订单的权重高于远途订单的权重，反之亦然。针对社会车辆或临时合作的车辆，平台收入的优先级高于司机收入的优先级。

物流平台调度环节的收入，即为既定派车价-司机运费，司机运费越低，平台收入越高（此处暂不展开其他维度仅举例说明），保证平台总体利润最大化，是高优条件，但是收淡旺季、油价波动等因素的印象，会导致平台利润最大化的条件“不是最优解”，年度利润最大不等于每天或每月的利润最大，多因素的波动也会影响利润的计算取舍。

第四优先级 … 不同企业可自行选择。

以上为较为简化的顺序模型，企业可以根据自身的情况，设置个性化的权重。如果是TMS或调度的SAAS平台，可将优先级做为可配置项，按需设置。

2）算法示例

自动调度的另一个方向，是用算法来进行路径规划选择，一般会细分到某一行业或领域，如城市配送、干线配送或医疗行业、服装行业等，都是在场景下寻找路径的最优解，综合路径、路况、路桥费等因素，计算最优选择。常用的如路径规划算法、遗传算法、蚁群算法等。下面简述两个算法的应用逻辑。

遗传算法是一种模拟自然选择和遗传机制的优化算法，具体来说，遗传算法可以通过以下步骤进行物流派车调度：

个体编码：将物流车辆的行驶路线和配送计划转化为染色体编码，例如使用二进制编码或者排列编码。
初始化种群：随机生成一组初始染色体，作为种群的初始状态。
适应度函数：定义适应度函数，即评价染色体的好坏程度。在物流派车调度中，适应度函数可以根据物流车辆的行驶距离、时间、成本等综合因素进行评价。
选择操作：根据适应度函数对种群进行选择，从中选择适应度较高的染色体进行进化。
交叉操作：将选出的染色体进行交叉操作，生成新一代染色体。
变异操作：对新一代染色体进行变异操作，以增加种群的多样性。
替换操作：将新一代染色体替换原始种群中适应度较低的染色体，以保证种群的进化方向。
迭代操作：重复进行选择、交叉、变异和替换操作，直到达到预定的停止条件，例如达到最大迭代次数或者适应度达到一定的阈值。

蚁群算法是一种基于模拟蚂蚁觅食行为的优化算法，蚁群算法可以通过以下步骤进行物流派车调度：

蚂蚁模拟：将物流车辆视为蚂蚁，通过模拟蚂蚁的觅食行为来寻找最佳的配送路径和配送计划。
路径选择：蚂蚁在搜索过程中，通过释放信息素和选择路径的方式，寻找最佳的路径。释放信息素的方式是将信息素分布在路径上，选择路径的方式是根据路径上的信息素浓度进行选择。在物流派车调度中，信息素可以表示为物流车辆的行驶距离、时间、成本等综合因素。
更新信息素：当蚂蚁完成路径选择后，需要将路径上的信息素进行更新，以影响其他蚂蚁的选择。在物流派车调度中，可以根据物流车辆的行驶距离、时间、成本等综合因素，更新路径上的信息素浓度。
重复迭代：重复进行路径选择和更新信息素操作，直到达到预定的停止条件，例如达到最大迭代次数或者信息素浓度达到一定的阈值。
通过以上的逻辑，自动调度模型已经跑通，进一步可以加强运营管理和数据监控。特别说明一点，自动调度的基础建设是一个较为复杂且研发量较大的模块，如果企业想自建的话，首先考虑企业的订单量是否可以支持模型跑通，例如一个小三方每月一两万单的数量，就没有必要做自动调度模块，其次考虑投入产出比，投入较大进而ROI较低，可以横向比较是否要做，做到什么程度。

关于监测数据，检测自动调度系统运行情况的指标，基础的就是自动调度成功率=衡量系统是否能匹配到运力，自动调度接受率=衡量系统是否匹配的准，可以建立漏斗模型进一步分析再哪个环节需要改进，粗略的说，自动调度接受率超过10%可以说方向就是对的，超过30%已经及格，超过60%是相当不错的程度，初期的预测可以大致依此作为预测目标基数或阶段。

二、调度支撑模块

调度的背后有几个支撑模块，报价模型、司机评分和客户分级。报价模型衡量调度的可行性，在上述例子中涉及利润的环节均需要报价模型的支撑。司机评分考核司机的服务情况，类似滴滴专车快车的概念，可以区分定价影响分派。客户分级主要区分客户，可以精细化运营“保大客户”等运营策略。

1. 报价模型

物流公司的报价模式，常用成本定价法。从成本的基础上加上利润部分，作为对外报价，差值即为最终利润。

首先确定公司的成本结构，包括运输成本、人工成本、燃料成本等，做加法后即为运输成本价。在确定成本结构后，需要设定利润要求，以保证公司的盈利能力，使用一次函数模型即可，例如y=kx+b，x为成本，k为利润系数，b为附加利润值，得出的y即为客户报价。其中k、b均为可延展参数，均可由多个参数叠加。

建立市场变化参数，监测市场变化，包括油价波动、淡旺季等因素，及时更新成本结构和利润要求。通过实时监测和分析市场变化，可以及时调整市场变化参数，定价实时跟随市场波动。淡旺季同比大概稳定，初期可固定参数降权考虑；油价波动可直接与国际油价表保持一致。

制定价格策略，根据基准价格、成本结构和利润要求，制定相应的价格策略。价格策略可以根据货物类型、运输距离、发货时间等因素进行分类，以满足不同的客户需求。定价策略和业务类型紧密相关，例如快递快运按重泡比的计费方式、大宗商品按重量考虑亏吨涨吨的场景、首重+续重的计费方式、阶梯定价等等。

根据以上模型，实时更新价格策略，根据市场变化及时调整价格参数，计算实时准确报价。

2. 司机评分

司机评分按网络货运的官方要求，货主可直接评价司机，但实际运营中，多建立司机、货主、平台三方互评的评级机制，各方加权平均的结论为最终评分。

评分项围绕运输环节展开，例如准点情况、驾驶安全、货物安全、服务态度、专业技能等等，评分项公司可以自行细分。

评分后的结果，需要做归一化的处理，保证分值的规范性。另外，分值的有效性需要考虑，例如前三个月或前半年的分数，是否可以代表目前司机的服务情况，依此思路设计评分的更新机制。司机红线、退出机制需要提前设置。例如司机私自吞货或司机殴打客户等等红线条例，触发扣分甚至退出机制。

3. 客户分级

客户分级参数直接影响报价、调度。例如大客户或重要客户的报价，略低于市场价，并且该客户的货，需要调度保证可以匹配运力，甚至需要预留120%的运力给大客户。不同的分级的客户，制定不同的运营策略，用分级参数影响报价及自动调度的计算。

客户如何分级是个顶层的议题，财务可以说利润率高的是好客户，业务可以说货量大的是好客户，老板可以说他的朋友公司是好客户，各角色对好客户的定义不尽相同。如果用历史数据来测算结论，未必可以涵盖全部诉求场景。初期的分级可以直接设置为高权限操作手动选择，线下约定更新频次及机制，以此来简化系统及场景。

三、调度系统交互

调度系统的交互设计，可以尝试脱离常规的列表表单的设计，因为其有大量图形结合的场景，可在一张地图上完成操作，即运输可视化。主要包含以下几方面内容：运力监控、地图打点标记、路径规划/历史路径查看、延伸场景。

运力监控；物流企业对运力的在途行驶、车辆状态等的监控，标记在地图一目了然。常用的实现方式有两种，一是车上放置硬件获取实时定位，二是对接北斗获取定位。
地图打点标记；调度对部分地址会进行标记，辅助操作。例如某天同市的出口订单标记红色的点，聚合显示数量，以便于预留运力。系统可保留筛选项，灵活打点标记，做好聚合放大缩小的信息展示。
路径规划/历史路径查看；针对某地址的路径查看，可辅助调度选择行驶路径估算到达时间等。可对路线进行进行标签建模，快速展示核心信息。
延伸场景较为综合例如集装箱运输常用的匹配运输、分段运输等，通过上述地点标记、运力监控功能的结合，辅助调度实现两个小箱拼车或长途分段的操作。