基于数字孪生的车队物流指挥决策建模方法、装置及设备

技术领域

本申请涉及物流建模技术领域，尤其涉及一种基于数字孪生的车队物流指挥决策建模方法、装置及设备。

背景技术

车队物流是指由一组车辆组成的车队进行物流运输和配送服务的业务模式。车队物流通常由一个车队管理者或物流公司负责统筹和协调车辆调度、货物运输以及运输过程中的各项操作。车队物流在商业物流领域扮演着重要的角色，它能够提供高效、快速和可靠的货物配送服务。在车队物流中，指挥决策起着关键的作用，它涉及对车队运营和任务调度的整体规划和管理。指挥决策系统是综合运用以计算机为核心的技术装备，实现对信息的获取、传输、处理的自动化，保障各级指挥机构对所属车队实施科学高效指挥控制与管理，具有指挥控制、情报侦察、预警探测、通信以及有关信息保障功能的各类信息系统的总称，在物流运输过程中，广泛运用指挥决策系统，在车队物流运输过程中所有信息进行整合，生成决策指令，指挥前方物流配送单位。

目前的指挥决策系统生成决策指令过程体量大，决策结果影响深远，不当的物流配送决策结果可能产生不可逆的影响，造成无法挽回的损失。随着科技的发展，可利用智能算法对运输车辆态势进行分析，得到指挥决策结果，为指挥机构提供决策支撑。但现有的指挥决策流程繁杂，在指挥决策全过程中，因信息采集、决策生成、决策评估各阶段目的与需求不同，将产生信息孤岛，使得各阶段数据流通过程慢，决策效率低下，无法进行有效的决策生成与推演。

因此，亟须改进现有的指挥决策系统，将计算机仿真手段与相关决策算法结合，实现数字空间中的决策生成与评估，缓解决策生成慢，决策效果差等问题，实现实时智能决策和高效决策推演论证。

发明内容

本申请实施例提供了一种基于数字孪生的车队物流指挥决策建模方法、装置及设备，用于解决现有指挥决策系统存在信息孤岛，使得各阶段数据流通过程慢，决策效率低下，无法进行有效的决策生成与推演的技术问题。

为了实现上述目的，本申请实施例提供如下技术方案：

一方面，提供了一种基于数字孪生的车队物流指挥决策建模方法，包括以下步骤：

获取车队物流所需的物流数据，所述物流数据包括实时采集物流数据、客户数据和历史物流数据；

对所述物流数据进行数据处理与融合，得到一维向量数据；

根据所述实时采集物流数据和所述历史物流数据构建数字孪生车队物流指挥决策模型；

将所述一维向量数据输入所述数字孪生车队物流指挥决策模型中，输出配送目的地；根据所述配送目的地和所述实时采集物流数据的车辆目前所在位置共同输入所述数字孪生车队物流指挥决策模型中，输出车队物流指挥决策的配送路径规划。

优选地，获取车队物流所需的物流数据包括：

采用检测元件实时采集物流车辆的速度、加速度、负重重量、目前所在位置和所在环境温度作为实时采集物流数据；

从物流历史数据库中获取物流派送单元静态数据、物流配送环境静态数据和历史决策匹配数据作为历史物流数据，所述物流派送单元静态数据包括几何外观和物理行为，所述物流配送环境数据包括道路信息和周边建筑影响信息；

将客户的配送目的和配送态度作为客户数据，所述配送态度包括配送人员的积极态度、中立态度和消极态度。

优选地，对所述物流数据进行数据处理与融合，得到一维向量数据包括：

对所述实时采集物流数据、所述客户数据和所述历史物流数据进行清洗、插值处理，得到处理数据；

从所述处理数据中进行特征提取，得到特征数据；

对所有所述特征数据进行合并并形成一维向量数据，所述一维向量数据vec的表达式：

vec＝[v,a,t,loc

式中，v为物流车辆的速度，a为物流车辆的加速度，t为物流车辆的所在环境温度，loc

优选地，根据所述实时采集物流数据和所述历史物流数据构建数字孪生车队物流指挥决策模型包括：

根据所述历史物流数据采用三维建模软件构建模型，得到同一场景整合的孪生模型；

将所述实时采集物流数据输入所述孪生模型中，得到数字孪生模型；

根据所述一维向量数据输入所述数字孪生模型中，采用随机森林算法对决策匹配进行构建，得到输出配送目的地的数字孪生指挥决策模型；

将所述车辆目前所在位置作为起始点以及所述配送目的地作为途径点或终点，采用改进蜣螂优化算法对所述数字孪生指挥决策模型进行构建，得到输出配送路径规划的数字孪生车队物流指挥决策模型。

优选地，该基于数字孪生的车队物流指挥决策建模方法，包括：将所述配送路径规划输入所述数字孪生模型中进行孪生场景的运动仿真，输出的可视化车队物流指挥决策结果。

又一方面，提供了一种基于数字孪生的车队物流指挥决策建模装置，包括数据获取模块、数据处理模块、模型构建模块和决策输出模块；

所述数据获取模块，用于获取车队物流所需的物流数据，所述物流数据包括实时采集物流数据、客户数据和历史物流数据；

所述数据处理模块，用于对所述物流数据进行数据处理与融合，得到一维向量数据；

所述模型构建模块，用于根据所述实时采集物流数据和所述历史物流数据构建数字孪生车队物流指挥决策模型；

所述决策输出模块，用于将所述一维向量数据输入所述数字孪生车队物流指挥决策模型中，输出配送目的地；根据所述配送目的地和所述实时采集物流数据的车辆目前所在位置共同输入所述数字孪生车队物流指挥决策模型中，输出车队物流指挥决策的配送路径规划。

优选地，所述数据获取模块还用于采用检测元件实时采集物流车辆的速度、加速度、负重重量、目前所在位置和所在环境温度作为实时采集物流数据；将客户的配送目的地和配送态度作为客户数据，所述配送态度包括配送人员的积极态度、中立态度和消极态度；从物流历史数据库中获取物流派送单元静态数据、物流配送环境静态数据和历史决策匹配数据作为历史物流数据，所述物流派送单元静态数据包括几何外观和物理行为，所述物流配送环境数据包括道路信息和周边建筑影响信息。

优选地，所述数据处理模块包括处理子模块、特征提取子模块和合并子模块；

所述处理子模块，用于对所述实时采集物流数据、所述客户数据和所述历史物流数据进行清洗、插值处理，得到处理数据；

所述特征提取子模块，用于从所述处理数据中进行特征提取，得到特征数据；

所述合并子模块，用于对所有所述特征数据进行合并并形成一维向量数据，所述一维向量数据vec的表达式：

vec＝[v,a,t,loc

式中，v为物流车辆的速度，a为物流车辆的加速度，t为物流车辆的所在环境温度，loc

优选地，所述模型构建模块包括第一构建子模块、第二构建子模块、第三构建子模块和第四构建子模块；

所述第一构建子模块，用于根据所述历史物流数据采用三维建模软件构建模型，得到同一场景整合的孪生模型；

所述第二构建子模块，用于将所述实时采集物流数据输入所述孪生模型中，得到数字孪生模型；

所述第三构建子模块，用于根据所述一维向量数据输入所述数字孪生模型中，采用随机森林算法对决策匹配进行构建，得到输出配送目的地的数字孪生指挥决策模型；

所述第四构建子模块，用于将所述车辆目前所在位置作为起始点以及所述配送目的地作为途径点或终点，采用改进蜣螂优化算法对所述数字孪生指挥决策模型进行构建，得到输出配送路径规划的数字孪生车队物流指挥决策模型。

再一方面，提供了一种终端设备，包括处理器以及存储器；

所述存储器，用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器，用于根据所述程序代码中的指令执行上述所述的基于数字孪生的车队物流指挥决策建模装置。

该基于数字孪生的车队物流指挥决策建模方法、装置及设备，该方法包括获取车队物流所需的物流数据，物流数据包括实时采集物流数据、客户数据和历史物流数据；对物流数据进行数据处理与融合，得到一维向量数据；根据实时采集物流数据和历史物流数据构建数字孪生车队物流指挥决策模型；将一维向量数据输入数字孪生车队物流指挥决策模型中，输出配送目的地；根据配送目的地和实时采集物流数据的车辆目前所在位置共同输入数字孪生车队物流指挥决策模型中，输出车队物流指挥决策的配送路径规划。从以上技术方案可以看出，本申请实施例具有以下优点：该基于数字孪生的车队物流指挥决策建模方法通过采集的物流数据；基于物流数据的实时采集物流数据和历史物流数据构建动态仿真的数字孪生车队物流指挥决策模型，最后根据实时采集的车辆目前所在位置和配送目的地通过数字孪生车队物流指挥决策模型生成车队物流指挥决策的配送路径规划，该方法缓解信息孤岛效应，提高决策效率，实现可靠的决策推演论证，解决了现有指挥决策系统存在信息孤岛，使得各阶段数据流通过程慢，决策效率低下，无法进行有效的决策生成与推演的技术问题。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例所述的基于数字孪生的车队物流指挥决策建模方法的步骤流程图；

图2为本申请实施例所述的基于数字孪生的车队物流指挥决策建模方法中数字孪生车队物流指挥决策模型的组成示意图；

图3为本申请实施例所述的基于数字孪生的车队物流指挥决策建模装置的框架流程图。

具体实施方式

为使得本申请的发明目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本申请一部分实施例，而非全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

在本申请实施例的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请实施例的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本申请实施例中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请实施例中的具体含义。

为克服现存指挥决策中由于缺少动态仿真评估过程使得决策结果不精准，物流派送时指挥指令难以适应动态环境，出现偏差的问题，本申请实施例提供了一种基于数字孪生的车队物流指挥决策建模方法、装置及设备，为实现精准实现物流派送生成奠定基础。

通过该数字孪生模型进行物流派送指挥决策系统构建全过程的数字孪生车队物流指挥决策模型，实现实时物流派送指挥决策命令下发，因此，对于该基于数字孪生的车队物流指挥决策建模方法、装置及设备，需实现以下功能：一是数据收集与存储功能，数字孪生车队物流指挥决策模型需要正常工作，物流派送决策指令的正常下发，需要对多种数据进行采集并存储，以便分析。二是数据处理与融合功能，需要对采集的数据进行处理，保证数据完整性，转化成计算机可理解的信息，并将其融合为一维向量，以便后续决策。三是模型构建功能，需要在数字空间中构建孪生模型，模拟车队物流配送单元与物流配送环境的几何外观与物理行为，并实时数据链接，实现仿真驱动。四是决策匹配与规划功能，根据数字孪生车队物流指挥决策模型对已有的“态势-决策”数据进行学习，实现决策生成，决策完成后需对配送目的地进行路径规划。五是实时仿真与指令输出功能，构建能够实时仿真的数字孪生车队物流指挥决策模型，实时监控局势。

本申请实施例提供了一种基于数字孪生的车队物流指挥决策建模方法、装置及设备，解决了现有指挥决策系统存在信息孤岛，使得各阶段数据流通过程慢，决策效率低下，无法进行有效的决策生成与推演的技术问题。

实施例一：

图1为本申请实施例所述的基于数字孪生的车队物流指挥决策建模方法的步骤流程图。

如图1所示，本申请实施例提供了一种基于数字孪生的车队物流指挥决策建模方法，包括以下步骤：

S1.获取车队物流所需的物流数据，物流数据包括实时采集物流数据、客户数据和历史物流数据。

需要说明的是，在步骤S1中，该基于数字孪生的车队物流指挥决策建模方法获取车队物流所需的物流数据，该采集的物流数据一般为结构化数据，而在现在的指挥决策系统中存储的物流数据包含结构化、半结构化和非结构化的数据且其分别进行存储。

S2.对物流数据进行数据处理与融合，得到一维向量数据。

需要说明的是，在步骤S2中，对采集的物流数据进行数据分析，提取数据特征，分析客户数据提取决策态度，并进行数据整合形成一维向量数据，以便后续决策结果的生成。

S3.根据实时采集物流数据和历史物流数据构建数字孪生车队物流指挥决策模型。

需要说明的是，在步骤S3中，采用实时采集物流数据和历史物流数据构建数字孪生车队物流指挥决策模型，数字孪生车队物流指挥决策模型可以进行全生命周期仿真。

S4.将一维向量数据输入数字孪生车队物流指挥决策模型中，输出配送目的地；根据配送目的地和实时采集物流数据的车辆目前所在位置共同输入数字孪生车队物流指挥决策模型中，输出车队物流指挥决策的配送路径规划。

需要说明的是，在步骤S4中，根据步骤S3得到数字孪生车队物流指挥决策模型将一维向量数据作为输入，通过数字孪生车队物流指挥决策模型的随机森林决策算法输出配送目的地，之后根据配送目的地和实时采集物流数据作为数字孪生车队物流指挥决策模型的输入，通过数字孪生车队物流指挥决策模型的蜣螂优化算法输出车队物流指挥决策的配送路径规划；在数字孪生车队物流指挥决策模型的决策模型中根据决策匹配库，随机森林决策算法。其中已有决策规则以“向量+结果”形式呈现。

本申请提供的一种基于数字孪生的车队物流指挥决策建模方法，包括获取车队物流所需的物流数据，物流数据包括实时采集物流数据、客户数据和历史物流数据；对物流数据进行数据处理与融合，得到一维向量数据；根据实时采集物流数据和历史物流数据构建数字孪生车队物流指挥决策模型；将一维向量数据输入数字孪生车队物流指挥决策模型中，输出配送目的地；根据配送目的地和实时采集物流数据的车辆目前所在位置共同输入数字孪生车队物流指挥决策模型中，输出车队物流指挥决策的配送路径规划。该基于数字孪生的车队物流指挥决策建模方法通过采集的物流数据；基于物流数据的实时采集物流数据和历史物流数据构建动态仿真的数字孪生车队物流指挥决策模型，最后根据实时采集的车辆目前所在位置和配送目的地通过数字孪生车队物流指挥决策模型生成车队物流指挥决策的配送路径规划，该方法缓解信息孤岛效应，提高决策效率，实现可靠的决策推演论证，解决了现有指挥决策系统存在信息孤岛，使得各阶段数据流通过程慢，决策效率低下，无法进行有效的决策生成与推演的技术问题。

在本申请的一个实施例中，获取车队物流所需的物流数据包括：

采用检测元件实时采集物流车辆的速度、加速度、负重重量、目前所在位置和所在环境温度作为实时采集物流数据；

从物流历史数据库中获取物流派送单元静态数据、物流配送环境静态数据和历史决策匹配数据作为历史物流数据，物流派送单元静态数据包括几何外观和物理行为，物流配送环境数据包括道路信息和周边建筑影响信息；

将客户的配送目的和配送态度作为客户数据，配送态度包括配送人员的积极态度、中立态度和消极态度。

需要说明的是，实时采集物流数据是采用不同类型的传感器进行采集，实时采集物流数据主要包括：物流车辆的速度、物流车辆的加速度、物流车辆的车辆负重重量、物流车辆的地理位置信息(如目前所在位置)、环境温度等数据。客户数据可以为客户输入文字，客户数据包括配送目的以及配送态度。在现有决策指挥系统的历史数据库获取物流派送单元静态数据、物流配送环境静态数据以及历史决策匹配数据，物流派送单元静态数据包括几何外观和物理行为，物流配送环境数据主要包括道路信息、周边建筑影响信息等数据。在本实施例中，在构建数字孪生车队物流指挥决策模型过程中可以通过数据输入接口输入模型中。其中，该基于数字孪生的车队物流指挥决策建模方法对客户数据采用文字情感提取算法(如Bi-lstm、transformer等自然语言处理算法)进行特征提取，提取相应的态度。若客户输入文字信息为请照常送货/(无语言信息)，则配送态度为中立态度；若客户输入文字信息为请延迟派送，则配送态度为消极态度；若客户输入文字信息为这个东西很重要、加快进行，则配送态度为积极态度。

在本申请的一个实施例中，对物流数据进行数据处理与融合，得到一维向量数据包括：

对实时采集物流数据、客户数据和历史物流数据进行清洗、插值处理，得到处理数据；

从处理数据中进行特征提取，得到特征数据；

对所有特征数据进行合并并形成一维向量数据，一维向量数据vec的表达式：

vec＝[v,a,t,loc

式中，v为物流车辆的速度，a为物流车辆的加速度，t为物流车辆的所在环境温度，loc

需要说明的是，该基于数字孪生的车队物流指挥决策建模方法对实时采集物流数据进行数据清洗，清洗的内容包括采用数据检测算法删除重复的冗余信息以及采用数据聚类算法删除传感器异常数据信息，保持提供数据一致性。该基于数字孪生的车队物流指挥决策建模方法对实时采集物流数据进行数据插值，丰富离散数据信息，保持数据完整性。该基于数字孪生的车队物流指挥决策建模方法对历史物流数据进行整合，以向量+结果形式展示。

在本申请的一个实施例中，根据实时采集物流数据和历史物流数据构建数字孪生车队物流指挥决策模型包括：

根据历史物流数据采用三维建模软件构建模型，得到同一场景整合的孪生模型；

将实时采集物流数据输入孪生模型中，得到数字孪生模型；

根据一维向量数据输入数字孪生模型中，采用随机森林算法对决策匹配进行构建，得到输出配送目的地的数字孪生指挥决策模型；

将车辆目前所在位置作为起始点以及配送目的地作为途径点或终点，采用改进蜣螂优化算法对数字孪生指挥决策模型进行构建，得到输出配送路径规划的数字孪生车队物流指挥决策模型。

在本申请的实施例中，得到同一场景整合的孪生模型的内容包括：

根据物流派送单元静态数据的几何外观采用三维可视化软件构建物流派送几何模型；

在物流派送几何模型基础上增加物理行为，构建具有派送运行行为的物流派送模型；

根据物流配送环境数据的道路信息和周边建筑影响信息采用三维建模软件构建派送环境模型；

将物流派送模型与派送环境模型设置于同一场景进行整合，得到孪生模型。

需要说明的是，物流派送模型的运动行为包括车队物流配送单元的运动方向、运动速度、运动加速度等方面，该基于数字孪生的车队物流指挥决策建模方法可以通过物流派送模型验证运动方向是否与实际运动单元相符，运动单元的运动速度、运动加速度是否符合实际运动逻辑以及实际运动性能。在本实施例中，可选用unity、UE4等三维可视化软件根据物流派送单元静态数据的几何外观进行物流派送几何模型的构建，之后根据物流派送单元静态数据的物理行为采用carsim、ADAMS、cruise等运动学模型构建具有派送运行行为的物流派送模型。可选用unity、UE4等三维建模软件根据物流配送环境数据的道路信息和周边建筑影响信息建派送环境模型。该基于数字孪生的车队物流指挥决策建模方法构建的孪生模型实现对物理派送静态场景构建，可以验证物理派送运动性能。

在本申请实施例中，通过数据接口将实时采集物流数据输入孪生模型中，得到能够实时仿真的数字孪生模型，该数字孪生模型可以实现物流派送的动态场景模拟。也可以在数字孪生模型中实现实时物流情况的指挥决策。

需要说明的是，该基于数字孪生的车队物流指挥决策建模方法通过孪生模型实现物流的静态场景构建，基于孪生模型加入实时采集物流数据实现动静结合，得到能够动态仿真的数字孪生模型。

在本申请实施例中，在数字孪生指挥决策模型构建过程中，可以根据一维向量数据采用随机森林算法与历史决策匹配数据进行决策匹配构建得到。

需要说明的是，根据一维向量数据进行随机森林训练，得到输出配送目的地的数字孪生指挥决策模型。在本实施例中，随机森林算法由决策树算法组成，利用集成学习的思想，可以有效实现高维度特征分类。在物流历史数据库中获得历史决策匹配数据进行随机森林模型训练。在实际车队物流派送过程中，通过数字孪生模型接受物流派送的实时采集物流数据，每三十秒进行一次指令的更新，利用训练后的数字孪生指挥决策模型进行实时指挥决策指令生成得到配送目的地。其中，历史决策匹配数据的匹配准则形式由一维态势向量及配送目的地构成，目的地可为一个或多个。对于决策指令生成，采用训练后的随机森林模型用于实时指挥决策输出配送目的地。

在本申请实施例中，在构建数字孪生车队物流指挥决策模型中，对于全局物流派送路径规划，将车辆目前所在位置作为起始点，配送目的地作为途径点或终点，采用改进的蜣螂优化对全局物流派送的路径进行规划。其中，根据改进蜣螂优化算法与数字孪生指挥决策模型，对运动实体进行路径规划，得到行动路径，具体改进的地方在于加入初始混沌映射、加入蜣螂变异过程，避免陷入局部最优解。

需要说明的是，蜣螂优化算法是一种智能优化算法，其模仿了蜣螂在自然界中觅食的习性，在位置更新过程进行改进，运用在物流分配中可以较快地得到最优路径。然而，其存在着初始解分配不均匀，寻优阶段进行种群变异，避免陷入局部最优解。

在本申请实施例中，数字孪生车队物流指挥决策模型采用蜣螂优化算法输出配送路径规划的内容包括：

获取物流配送场景参数，根据物流配送场景参数设置适应度函数，物流配送场景参数包括配送距离、路线转角和负重程度；适应度函数为：J

设置迭代参数，迭代参数包括最大迭代次数、目标函数的自变量个数和种群最大个数，根据迭代参数通过改进混沌sane映射进行种群初始化，得到初始化结果；初始化表达式为：d

根据初始化结果，通过更新蜣螂位置进行迭代计算各个种群的适应度，筛选得到最优适应度；根据最优适应度得到粗略配送路径，采用Spine插值、自然邻点插值或拉格朗日插值对粗略配送路径进行处理得到精细的配送路径规划。适应度是一系列向量，表示位置坐标。

需要说明的是，初始化结果为随机分配的蜣螂位置，由起始位置、所需经过的配送目的地和其他生成的随机位置构成。最优适应度是从各个种群的适应度中筛选出数值最小的适应度。

在本申请实施例中，蜣螂的行为包括滚动、跳舞、繁殖和偷窃，在滚动过程中，蜣螂位置的更新方式表达式为：x

若滚动碰到障碍物时，蜣螂将进行跳舞以获得新的路线；为了模拟舞蹈行为，利用切线函数来获得新的滚动方向，其区间为[0,π]，蜣螂位置的更新公式为：x

在繁殖过程中，运用一种边界选择策略，以模拟雌虫产卵的区域，蜣螂位置定义为：Lb

当子代孵化成功后，定义子代觅食策略为：Lb

同时，模仿蜣螂的偷窃行为，对物流派送全局最佳位置进行迭代与更新，蜣螂位置的更新方式表达式为：x

在本申请实施例中，在通过更新蜣螂位置进行迭代计算种群的适应度过程中，通过模仿蜣螂的生活习性，不断的在当前最优解的周围产生新的可行解。但是随着迭代次数的增加，种群的多样性也会逐渐的降低，算法也容易陷入局部最优。为了解决这一问题，该基于数字孪生的车队物流指挥决策建模方法引入柯西-微分变异策略，对加入者的位置更新公式引入一个变异因子，分别在滚动、跳舞、繁殖以及偷窃阶段完成后，进行位置更新，避免种群陷入局部最优，通过更新蜣螂位置进行迭代计算种群的适应度的表达式为：U

在本申请实施例中，该基于数字孪生的车队物流指挥决策建模方法通过孪生模型、数字孪生模型、数字孪生指挥决策模型和数字孪生车队物流指挥决策模型逐一构建，使得该数字孪生车队物流指挥决策模型能够通过获取的运动单位、客户数据和实时采集物流数据为物理实体与虚拟实体建立实时联系，使得孪生实体能够实时映射物理实体行为，可以有效、全面及准确地实现指挥决策的数字化描述，增强后续物流仿真推演可信度。该基于数字孪生的车队物流指挥决策建模方法能够结合实时采集物流数据和物流历史库中历史决策匹配数据的相关物流配送决策规划算法，并实时更新决策库，优化决策模型，充分利用各类数据信息并根据配送路径规划得到动态实现指挥决策指令生成，实现智能配送决策结果生成；还能够建立从数据提取-态势感知-决策规划一体化的数字孪生体系，缓解信息孤岛效应，提高决策效率，实现可靠的决策推演论证。

图2为本申请实施例所述的基于数字孪生的车队物流指挥决策建模方法中数字孪生车队物流指挥决策模型的组成示意图。

在本申请实施例中，如图2所示，该基于数字孪生的车队物流指挥决策建模方法构建的数字孪生车队物流指挥决策模型包括物理层、数据层、功能层与服务层；

物理层，由客户数据、物流配送环境、物流派送单元组成的实际运行系统；

数据层，包括实时采集物流数据与历史物流数据；

功能层，包括数据功能与算法功能，其中，数据功能包括数据传输、数据融合、数据清洗、数据存储及数据插值等功能；算法功能包括语音情感分析、多参数优化、决策生成、路径规划等算法；

孪生层，由前方物流派送运动单元与物流配送环境组成，构建指挥决策静态的数字孪生模型，并利用实时数据驱动，进行可视化输出。

在本申请的一个实施例中，该基于数字孪生的车队物流指挥决策建模方法包括：将配送路径规划输入数字孪生模型中进行孪生场景的运动仿真，输出的可视化车队物流指挥决策结果。

实施例二：

图3为本申请实施例所述的基于数字孪生的车队物流指挥决策建模装置的框架流程图。

如图3所示，本申请实施例提供了一种基于数字孪生的车队物流指挥决策建模装置，包括数据获取模块10、数据处理模块20、模型构建模块30和决策输出模块40；

数据获取模块10，用于获取车队物流所需的物流数据，物流数据包括实时采集物流数据、客户数据和历史物流数据；

数据处理模块20，用于对物流数据进行数据处理与融合，得到一维向量数据；

模型构建模块30，用于根据实时采集物流数据和历史物流数据构建数字孪生车队物流指挥决策模型；

决策输出模块40，用于将一维向量数据输入数字孪生车队物流指挥决策模型中，输出配送目的地；根据配送目的地和实时采集物流数据的车辆目前所在位置共同输入数字孪生车队物流指挥决策模型中，输出车队物流指挥决策的配送路径规划。

在本申请实施例中，数据获取模块10还用于采用检测元件实时采集物流车辆的速度、加速度、负重重量、目前所在位置和所在环境温度作为实时采集物流数据；将客户的配送目的地和配送态度作为客户数据，配送态度包括配送人员的积极态度、中立态度和消极态度；从物流历史数据库中获取物流派送单元静态数据、物流配送环境静态数据和历史决策匹配数据作为历史物流数据，物流派送单元静态数据包括几何外观和物理行为，物流配送环境数据包括道路信息和周边建筑影响信息。

在本申请实施例中，数据处理模块20包括处理子模块、特征提取子模块和合并子模块；

处理子模块，用于对实时采集物流数据、客户数据和历史物流数据进行清洗、插值处理，得到处理数据；

特征提取子模块，用于从处理数据中进行特征提取，得到特征数据；

合并子模块，用于对所有特征数据进行合并并形成一维向量数据，一维向量数据vec的表达式：

vec＝[v,a,t,loc

式中，v为物流车辆的速度，a为物流车辆的加速度，t为物流车辆的所在环境温度，loc

在本申请实施例中，模型构建模块30包括第一构建子模块、第二构建子模块、第三构建子模块和第四构建子模块；

第一构建子模块，用于根据历史物流数据采用三维建模软件构建模型，得到同一场景整合的孪生模型；

第二构建子模块，用于将实时采集物流数据输入孪生模型中，得到数字孪生模型；

第三构建子模块，用于根据一维向量数据输入数字孪生模型中，采用随机森林算法对决策匹配进行构建，得到输出配送目的地的数字孪生指挥决策模型；

第四构建子模块，用于将车辆目前所在位置作为起始点以及配送目的地作为途径点或终点，采用改进蜣螂优化算法对数字孪生指挥决策模型进行构建，得到输出配送路径规划的数字孪生车队物流指挥决策模型。

需要说明的是，实施例二中装置的模块内容对应于实施例一中方法的步骤的内容，该基于数字孪生的车队物流指挥决策建模方法的步骤内容已在实施例一中阐述，此实施例中不再对该基于数字孪生的车队物流指挥决策建模装置中模块的内容进行详细阐述。

实施例三：

本申请实施例提供了一种终端设备，包括处理器以及存储器；

存储器，用于存储程序代码，并将程序代码传输给处理器；

处理器，用于根据程序代码中的指令执行上述的基于数字孪生的车队物流指挥决策建模装置。

需要说明的是，处理器用于根据所述程序代码中的指令执行上述的一种基于数字孪生的车队物流指挥决策建模方法实施例中的步骤。或者，处理器执行计算机程序时实现上述各系统/装置实施例中各模块/单元的功能。

示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器中，并由处理器执行，以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在终端设备中的执行过程。

终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器可以是中央处理单元(Centrdl Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digitdl Signdl Processor，DSP)、专用集成电路(dpplicdtion Specific Integrdted Circuit，dSIC)、现成可编程门阵列(Field-Progrdmmdble Gdte drrdy，FPGd)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器可以是终端设备的内部存储单元，例如终端设备的硬盘或内存。存储器也可以是终端设备的外部存储设备，例如终端设备上配备的插接式硬盘，智能存储卡(SmdrtMedid Cdrd，SMC)，安全数字(Secure Digitdl，SD)卡，闪存卡(Fldsh Cdrd)等。进一步地，存储器还可以既包括终端设备的内部存储单元也包括外部存储设备。存储器用于存储计算机程序以及终端设备所需的其他程序和数据。存储器还可以用于暂时的存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Redd-OnlyMemory)、随机存取存储器(RdM，Rdndom dccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。