物流零担货运方法、装置、设备及存储介质

技术领域

本发明涉及物流技术领域，尤其涉及一种物流零担货运方法、装置、设备及存储介质。

背景技术

在货运领域，存在零担专线服务，即专线公司在某几个城市开设网点，运营这些网点之间的固定线路(专线)运输服务，在货物不足以装满一辆整车时，货主可以将货物以零担的方式托运给专线公司，零担专线服务即可视作货运领域在固定一条或者几条线路上的拼车服务。零担专线货运的特点有：运费与货物的重量、体积等因素相关，且采用货运双方协商定价模式，而非按照公里数、起步费计价；货物通过零担专线运输到达专线公司的网点后，需要收货人前往网点自提或者再由专线公司派车配送，货物在运输过程中无法自行更改目的地并下车。物流零担业务主要分用户下单、送至物流网点、专线运输、送往目的地和签收完成几个过程。

综上所述，现有技术的缺点为：针对零担专线多为零散订单，在货运时，未装载满荷，运输成本高，大量依靠人工规划，效率低下，准确度不高，容易造成资源浪费。

发明内容

本发明的目的是提供一种物流零担货运方法、装置、设备及存储介质，提高零担货运的货运效率。

本发明所提供的一种物流零担货运方法，包括：

响应于零担货运请求，根据所述零担货运请求新建初始运单信息，基于所述初始运单信息生成目标物流对象的货运订单；

识别所述货运订单的运输类型，根据所述运输类型获取所述货运订单的配送指令操作并确定所述目标物流对象的总货量；

基于所述目标物流对象的总货量对所述货运订单进行优化管理，确保目标车辆对所述目标物流对象的配载量，在配载完成后将所述初始运单信息更新成配载后的运单信息；

基于配载后的运单信息中货运数据对所述目标车辆的线路进行选择及规划，采用蚂蚁算法输出最优路径并进行初始化，并将初始化数据赋给BP神经网络，输出优化后的BP神经网络以预测路径结果，完成零担物流运输任务。

作为优选地，所述采用蚂蚁算法输出最优路径并进行初始化，并将初始化数据赋给BP神经网络，输出优化后的BP神经网络以预测路径结果，完成零担物流运输任务包括：

初始化BP神经网络的结构与ACO算法的参数，所述参数至少包括蚂蚁数量、信息素、最大迭代次数；

构建解空间，将各个蚂蚁置于不同的出发地，对每个蚂蚁按照转移概率公式计算下一个待访问的城市，直到所有蚂蚁访问完所有的城市；

计算各个蚂蚁经过的路径长度,记录当前迭代次数中的最优解,迭代更新直至输出最优解；

读取优化后的最佳蚂蚁位置坐标，赋给BP神经网络，得到最优的初始权值矩阵和阈值向量；

获取样本集进行训练和测试，将优化前的BP神经网络预测进行误差对比，更新并输出优化后的BP神经网络预测结果。

作为优选地，所述将初始化数据赋给BP神经网络，输出优化后的BP神经网络以预测路径结果，完成零担物流运输任务进一步包括：

根据预设的优先顺序确定一个或多个车辆首个任务，将当前节点加入到路径集合，并更新车辆剩余运力，判断所述目标车辆剩余运力与任务量的大小关系；

若所述目标车辆剩余运力小于任务量，则标签化所述任务后删除对应的目标车辆，完成所述任务相应的装卸操作，更新车辆剩余运力和路径集合，判断未标记任务是否已经完成；

若所述目标车辆剩余运力大于任务量，则标签化所述任务，完成所述任务相应的装卸操作，更新车辆剩余运力和路径集合。

作为优选地，所述响应于零担货运请求，根据所述零担货运请求新建初始运单信息，基于所述初始运单信息生成目标物流对象的货运订单包括：

接收客户端发出的所述零担货运请求，

根据所述零担货运请求执行零担专线货运指令；

基于与客户端/专线端的确认交互，对初始运单项进行输入、修改、确认操作，

其中，所述初始运单项至少包括客户信息、收货信息、货物信息、总货量、运输要求。

作为优选地，所述识别所述货运订单的运输类型，根据所述运输类型获取所述货运订单的配送指令操作并确定所述目标物流对象的总货量包括：

判断所述货运订单中对应的所述物流对象的类型，将所述货运订单对应的总货量根据所述物流对象的类型分配至一个或多个目标车辆；和/或，

获取目标车辆的初始装载量，将所述货运订单对应的总货量分配至一个或多个目标车辆；

所述总货量至少包括件数、重量、体积，所述物流对象的类型至少包括不同温度要求的货物。

作为优选地，所述基于所述目标物流对象的总货量对所述货运订单进行优化管理，确保目标车辆对所述目标物流对象的配载量，在配载完成后将所述初始运单信息更新成配载后的运单信息包括：

获取待装载车辆的装载信息以及待装载物流对象的货物信息；

判断所述待装载物流对象的货物与所述待装载车辆是否达到匹配关系，所述匹配关系至少包括所述待装载物流对象的货物重量小于所述待装载车辆的装载重量，和/或，所述待装载物流对象的货物体积小于所述待装载车辆的装载体积，和/或，所述待装载物流对象的货物类型与所述待装载车辆的装载类型相同；

基于所述待装载物流对象的货物与所述待装载车辆的匹配关系，并根据所述货运订单的配送信息，确定所述目标车辆对应的装载货物以及所述装载货物的数量，对一个或多个所述货物订单进行管理以进行合单或分单配置，得到最终货运运单；

其中，所述配送信息至少包括配送物流对象的信息和收货信息。

作为优选地，所述基于配载后的运单信息中货运数据对所述目标车辆的线路进行选择及规划进一步包括：

若有预设的优先级顺序，则按照优先级顺序对所述目标车辆的线路进行规划，按照预设的最优路线执行货运指令；和/或，

采用插入法确定最优的路线拆分位置，将距离物流中心最远的配送点作为起始点，以最临近的网点作为下一个插入点的配送点，得到节省值并根据所述节省值最大者决定插入的位置进行插入，重复进行选取与插入的步骤，直到达到所述目标车辆的装载限制；和/或，

采用节约里程法确定运输车辆数目，依次将运输过程中往返形成的回路合并为一个回路，每次使合并后的总运输距离节约里程最大，直到达到所述目标车辆的装载限制时，再进行下一辆车的优化。

本发明提供了一种物流零担货运装置，包括：

订单生成模块，用于响应于零担货运请求，根据所述零担货运请求新建初始运单信息，基于所述初始运单信息生成目标物流对象的货运订单；

订单识别模块，用于识别所述货运订单的运输类型，根据所述运输类型获取所述货运订单的配送指令操作并确定所述目标物流对象的总货量；

订单管理模块，用于基于所述目标物流对象的总货量对所述货运订单进行优化管理，确保目标车辆对所述目标物流对象的配载量，在配载完成后将所述初始运单信息更新成配载后的运单信息；

最优路径输出模块，用于基于配载后的运单信息中货运数据对所述目标车辆的线路进行选择及规划，采用蚂蚁算法输出最优路径并进行初始化，并将初始化数据赋给BP神经网络，输出优化后的BP神经网络以预测路径结果，完成零担物流运输任务。

本发明所提供的一种物流零担货运设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行计算机可读指令时，实现如本发明实施例中所述的物流零担货运方法。

本发明所提供的一种计算机可读介质，存储计算机程序，所述计算机程序被一个或多个处理器执行时，实现如本发明实施例中所述的物流零担货运方法。

针对现有技术，本发明具有如下的有益效果：

本发明所提供的物流零担货运方法，服务器响应客户请求，识别货物订单的运输类型，对货物订单进行配载，生成货运运单，并对承担货运运单的物流车辆进行路径规划，将多个零散订单，合并到还有空仓的车辆运输订单中，一起运输，增大运输车辆的满载率，减少运输成本，提高零担货运的货运效率；

本发明采用蚂蚁算法优化BP神经网络，输出路径最优解，提高预测结果精度，使得运输路线最短或运输成本最低，优化运输路线，降低企业物流成本。

附图说明

图1为本发明实施例一中所述物流零担货运方法的步骤示意图；

图2为本发明实施例一中所述物流零担货运方法在服务器界面的流程示意图；

图3为本发明实施例二中所述物流零担货运装置原理图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。

实施例一

如图1所示，本发明所提供的一种物流零担货运方法，包括：

步骤S1，响应于零担货运请求，根据所述零担货运请求新建初始运单信息，基于所述初始运单信息生成目标物流对象的货运订单；

步骤S2，识别所述货运订单的运输类型，根据所述运输类型获取所述货运订单的配送指令操作并确定所述目标物流对象的总货量；

步骤S3，基于所述目标物流对象的总货量对所述货运订单进行优化管理，确保目标车辆对所述目标物流对象的配载量，在配载完成后将所述初始运单信息更新成配载后的运单信息；

步骤S4，基于配载后的运单信息中货运数据对所述目标车辆的线路进行选择及规划，采用蚂蚁算法输出最优路径并进行初始化，并将初始化数据赋给BP神经网络，输出优化后的BP神经网络以预测路径结果，完成零担物流运输任务。

本发明所提供的物流零担货运方法，服务器响应客户请求，识别货物订单的运输类型，对货物订单进行配载，生成货运运单，并对承担货运运单的物流车辆进行路径规划，将多个零散订单，合并到还有空仓的车辆运输订单中，一起运输，增大运输车辆的满载率，减少运输成本，提高零担货运的货运效率；

本发明采用蚂蚁算法优化BP神经网络，输出路径最优解，提高预测结果精度，使得运输路线最短或运输成本最低，优化运输路线，降低企业物流成本。

具体地，如图2所示，所述步骤S1中响应于零担货运请求，根据所述零担货运请求新建初始运单信息，基于所述初始运单信息生成目标物流对象的货运订单包括：

接收客户端发出的所述零担货运请求，

根据所述零担货运请求执行零担专线货运指令；

基于与客户端/专线端的确认交互，对初始运单项进行输入、修改、确认操作，

其中，所述初始运单项至少包括客户信息、收货信息、货物信息、总货量、运输要求。

本领域技术人员可以理解，初始运单信息包括客户信息、提货信息、收货信息、温控信息、货物信息、总货量、运费项、付款方式、代收货款项、运输要求等；其中运输要求包起运时间、送达时间、订单类型、附加要求等；订单类型包括要货、退货、仓间调拨。本实施例中所述的物流对象即每个货物，每个货物订单对应一个订单编号，订单编号是物流服务系统识别订单的唯一标识，可以是一段数字、条形码、二维码等形式。运费项包括运费、送货费、提货费、装卸费、保价费、包装费、总运费；例如，配送货物总体积为：10立方米，总重量为2000公斤，发货仓地址到收货地址距离100m，配送费用如下表所示：根据上述方法按重量测算运费：2(2000公斤＝2吨)*20*100＝4000；运费＝4000元。在页面上增加附加项填写用户及服务端所需的信息。

具体地，所述步骤S2中识别所述货运订单的运输类型，根据所述运输类型获取所述货运订单的配送指令操作并确定所述目标物流对象的总货量包括：

判断所述货运订单中对应的所述物流对象的类型，将所述货运订单对应的总货量根据所述物流对象的类型分配至一个或多个目标车辆；和/或，

获取目标车辆的初始装载量，将所述货运订单对应的总货量分配至一个或多个目标车辆；

所述总货量至少包括件数、重量、体积，所述物流对象的类型至少包括不同温度要求的货物。

本领域技术人员可以理解，运输类型包括客户自提、快递员派件、外转承运商。货物信息包括货物名称、货物数量、货物类型、重量(kg)、长(cm)等，其中货物类型包括普货、温控货物、恒温、冷冻、冷藏、危险品等，每个货物信息确定后，确定该货物订单中的总货量，总货量包括件数、重量(kg)、体积(m3)，收货信息包括联系人姓名、手机号、省市区和详细地址。

具体地，所述步骤S3中基于所述目标物流对象的总货量对所述货运订单进行优化管理，确保目标车辆对所述目标物流对象的配载量，在配载完成后将所述初始运单信息更新成配载后的运单信息包括：

获取待装载车辆的装载信息以及待装载物流对象的货物信息；

判断所述待装载物流对象的货物与所述待装载车辆是否达到匹配关系，所述匹配关系至少包括所述待装载物流对象的货物重量小于所述待装载车辆的装载重量，和/或，所述待装载物流对象的货物体积小于所述待装载车辆的装载体积，和/或，所述待装载物流对象的货物类型与所述待装载车辆的装载类型相同；

基于所述待装载物流对象的货物与所述待装载车辆的匹配关系，并根据所述货运订单的配送信息，确定所述目标车辆对应的装载货物以及所述装载货物的数量，对一个或多个所述货物订单进行管理以进行合单或分单配置，得到最终货运运单；

其中，所述配送信息至少包括配送物流对象的信息和收货信息。

本领域技术人员可以理解，配载后的运单信息即货运运单，包括车牌号、司机姓名、司机电话、提货地址、卸货地址、计划提货时间、重量、件数、体积等；待装载车辆的装载信息是保证货物能否正常装载的重要信息，如果待装载货物的货物重量大于待装载车辆的可装载重量或者待装载货物的货物体积大于待装载车辆的可装载体积，或者待装载货物的货物类型与待装载车辆的可装载类型不同，都必须对待装载货物进行调整，以使待装载货物可以配合待装载车辆。因此，需要获取待装载车辆的装载信息以及待装载货物的货物信息，因此根据订单配送货物信息、收货信息，确定可装载货物以及所述可装载货物的数量，对系统中的货物订单进行管理以进行配载，即合单生成货运运单。

具体地，所述步骤S4中采用蚂蚁算法输出最优路径并进行初始化，并将初始化数据赋给BP神经网络，输出优化后的BP神经网络以预测路径结果，完成零担物流运输任务包括：

初始化BP神经网络的结构与ACO算法的参数，所述参数至少包括蚂蚁数量、信息素、最大迭代次数；

构建解空间，将各个蚂蚁置于不同的出发地，对每个蚂蚁按照转移概率公式计算下一个待访问的城市，直到所有蚂蚁访问完所有的城市；

计算各个蚂蚁经过的路径长度,记录当前迭代次数中的最优解,迭代更新直至输出最优解；

读取优化后的最佳蚂蚁位置坐标，赋给BP神经网络，得到最优的初始权值矩阵和阈值向量；

获取样本集进行训练和测试，将优化前的BP神经网络预测进行误差对比，更新并输出优化后的BP神经网络预测结果。

本领域技术人员可以理解，蚁群算法(Ant C l ony Opt imi zat i on，ACO)是一种仿生智能优化算法，常用于求解旅行商TSP，路径规划等问题。蚁群算法的灵感来源于蚂蚁觅食的过程，蚂蚁在寻找食物源的路径上会留下信息素，而群体内的蚂蚁可以感知信息素，并沿着信息素浓度高的地方移动，形成正反馈机制。经过一段时间之后，蚂蚁就可以确定一条到达食物源的最优路径。本实施例中采用的是蚁群算法优化BP神经网络回归预测模型，用蚁群算法ACO优化BP神经网络的基本思路是：首先取出权值矩阵和阈值向量的元素，构成蚂蚁种群的路径坐标。因为蚂蚁到达食物源的路径越短，则路径上的信息素含量越高，所以将均方误差作为蚂蚁的适应度值。最终蚂蚁种群确定的最短路径作为最优的初始权值和阈值参数，再赋给BP神经网络，进行训练和测试，并与优化前的BP神经网络预测进行误差对比。

蚁群算法优化BP神经网络预测的步骤：步骤一：读取数据，初始化BP神经网络的结构与ACO算法的参数；步骤二：计算解空间的维度，初始化蚂蚁位置与最高信息素；步骤三：根据蚂蚁的位置，计算信息素含量；步骤四：计算最高信息素，更新最优的个体位置；步骤五：按概率转移和更新蚂蚁位置；步骤六：执行步骤三——五的循环体，达到终止代数。步骤七：取出优化后的最佳蚂蚁位置坐标，赋给BP神经网络，得到最优的初始权值矩阵和阈值向量。步骤八：优化后的BP神经网络进行训练与测试，比较优化前后的BP神经网络预测精度。

上述过程通过MATLAB程序实现，读取数据，设置训练数据和预测数据，如节点个数、输入层节点数量、隐含层节点数量、输出层节点数量，训练样本数据归一化，构建BP神经网络，建立模型，传递函数使用pure l i n，采用梯度下降法训练，网络参数配置(训练次数，学习速率，训练目标最小误差等)，BP神经网络训练，输入样本开始训练，用训练好的模型进行仿真，预测结果反归一化与误差计算，把仿真得到的数据还原为原始的数量级，将真实值与预测值误差比较，进一步优化模型。

本实施例中采用的BP神经网络预测前首先要训练网络，通过训练使网络具有联想记忆和预测能力。BP神经网络的训练过程包括以下几个步骤：

步骤1：网络初始化。根据系统输入输出序列(X,Y)确定网络输入层节点数n，隐含层节点数l，输出层节点数m，初始化输人层、隐含层和输出层神经元之间的连接权值w

步骤2：隐含层输出计算。根据输人向量X，输入层和隐含层间连接权值w

式中，l为隐含层节点数；f为隐含层激励函数。该函数有多种表达形式，本次所选函数为：

步骤3：输出层输出计算。根据隐含层输出H，连接权值w

步骤4：误差计算。根据网络预测输出O和期望输出Y，计算网络预测误差e。

步骤5：权值更新。根据网络预测误差e更新网络连接权值w

BP神经网络具体参数确定：输入层、输出层节点数，设置对应数量的节点数。在程序中，输入和输出信号一般使用向量形式进行编辑。BP神经网络的隐含层节点数对BP神经网络预测精度有较大的影响：节点数太少，网络不能很好地学习，需要增加训练次数，训练的精度也受影响；节点数太多，训练时间增加，网络容易过拟含。最佳隐含层节点数选择可以参考如下公式：

式中，n为输入层节点数，l为隐含层节点数，m为输出层节点数，a为0-10之间的常数。在实际问题中，一般首先用参考公式来确定节点数的大概范围，然后用试凑法确定最佳的节点数。

增加层数主要可以更进一步的降低误差，提高精度，但同时也使网络复杂化，从而增加了网络权值的训练时间。而误差精度的提高实际上也可以通过增加隐含层中的神经元数目来获得，其训练效果也比增加层数更容易观察和调整。所以一般情况下，优先考虑增加隐含层中的神经元数。本实施例中隐藏层设有一层或两层。本实施例采用的数据归一化方法是神经网络预测前对数据常做的一种处理方法。数据归一化处理把所有数据都转化为[0，1]之间的数，是为了取消各维数据间数量级差别，避免因为输入输出数据数量级差别较大而造成神经网络预测误差较大。

在本申请的多种实施例中，蚁群算法解决TSP问题的基本步骤如下：

1.初始化参数：在计算之初，需要对相关的参数进行初始化，如蚁群规模(蚂蚁数量)m、信息素重要程度因子α、启发函数重要程度因子β、信息素挥发因子ρ、信息素释放总量Q、最大迭代次数iter

2.构建解空间

将各个蚂蚁随机地置于不同的出发地，对每个蚂蚁k(k＝1,2,…,m),按照转移概率公式计算其下一个待访问的城市，直到所有蚂蚁访问完所有的城市。

3.更新信息素

计算各个蚂蚁经过的路径长度L

4.判断是否终止

若iter

具体地，所述步骤S4中基于配载后的运单信息中货运数据对所述目标车辆的线路进行选择及规划进一步包括：

若有预设的优先级顺序，则按照优先级顺序对所述目标车辆的线路进行规划，按照预设的最优路线执行货运指令；和/或，

采用插入法确定最优的路线拆分位置，将距离物流中心最远的配送点作为起始点，以最临近的网点作为下一个插入点的配送点，得到节省值并根据所述节省值最大者决定插入的位置进行插入，重复进行选取与插入的步骤，直到达到所述目标车辆的装载限制；和/或，

采用节约里程法确定运输车辆数目，依次将运输过程中往返形成的回路合并为一个回路，每次使合并后的总运输距离节约里程最大，直到达到所述目标车辆的装载限制时，再进行下一辆车的优化。节约里程法又称节约算法，用来解决运输车辆数目不确定的车辆路径问题，本实施例采用节约里程法有利于使物流配送的时间最少、距离最短、费用最低，而将运输问题中的两个回路合并为一个回路。

本实施例中所采用的插入法包含二个步骤：

步骤1：选取距离配送中心最远的收件点为起点，从其它剩余的收件点中，根据最邻近法决定下一个被插入的收件点。

步骤2：以节省法决定该收件点应被插入的位置，在车辆容量限制下，重复进行选取与插入的步骤，当无法再扩大充路径时，则再建立另一路线，直至所有收件点都被排入路径中。这里的收件点可以是网点或客户的收件地址。可以理解为，将节省法中的节省值观念应用于循序路线构建上，以距离物流中心最远的配送点作为起始点，再以最临近的一点作为下一个插入点的配送点，求其节省值，根据取值最大者决定插入的位置并进行插入，重复选取和插入步骤，直至所有配送点均被服务到为止。使得运输路线最短或运输成本最低，通过车辆路径问题，合理使用运输工具，优化运输路线，降低企业物流成本。

具体地，所述步骤S4中将初始化数据赋给BP神经网络，输出优化后的BP神经网络以预测路径结果，完成零担物流运输任务进一步包括：

根据预设的优先顺序确定一个或多个车辆首个任务，将当前节点加入到路径集合，并更新车辆剩余运力，判断所述目标车辆剩余运力与任务量的大小关系；

若所述目标车辆剩余运力小于任务量，则标签化所述任务后删除对应的目标车辆，完成所述任务相应的装卸操作，更新车辆剩余运力和路径集合，判断未标记任务是否已经完成；

若所述目标车辆剩余运力大于任务量，则标签化所述任务，完成所述任务相应的装卸操作，更新车辆剩余运力和路径集合。

本领域技术人员可以理解，采用BP神经网络对模型进行训练并求解，BP神经网络具有自我学习能力、自适应能力、强大的非线性映射能力以及高容错性，适合求解具有多因素的综合评价权重确定问题。首先建立一个3层的BP神经网络，确定隐含层，采用试凑法确定其个数，计算收益，计算的结果进行归一化处理，并将结果作为输出层神经元，利用BP神经网络进行训练，从而得到各因子的权重。根据操作优先顺序，确定车辆首个任务，将当前节点加入到路径集合，并更新车辆剩余运力，判断车辆剩余运力与任务量的大小关系。若剩余运力小于任务量，则将该任务标记后抛弃，完成任务相应的装卸操作，更新车辆剩余运力和路径集合，判断未标记任务是否已经完成。若还存在未完成的任务。若不存在则根据原有优先顺序，完成标记任务的路径规划；采用插入法确定最优的路线拆分位置，满足车辆行驶里程约束；求解路线载重、车辆载重率，计算运输成本，记录最优值。

实施例二

如图3所示，本发明提供了一种物流零担货运装置，包括：

订单生成模块，用于响应于零担货运请求，根据所述零担货运请求新建初始运单信息，基于所述初始运单信息生成目标物流对象的货运订单；

订单识别模块，用于识别所述货运订单的运输类型，根据所述运输类型获取所述货运订单的配送指令操作并确定所述目标物流对象的总货量；

订单管理模块，用于基于所述目标物流对象的总货量对所述货运订单进行优化管理，确保目标车辆对所述目标物流对象的配载量，在配载完成后将所述初始运单信息更新成配载后的运单信息；

最优路径输出模块，用于基于配载后的运单信息中货运数据对所述目标车辆的线路进行选择及规划，采用蚂蚁算法输出最优路径并进行初始化，并将初始化数据赋给BP神经网络，输出优化后的BP神经网络以预测路径结果，完成零担物流运输任务。

本发明所提供的物流零担货运方法，服务器响应客户请求，识别货物订单的运输类型，对货物订单进行配载，生成货运运单，并对承担货运运单的物流车辆进行路径规划，将多个零散订单，合并到还有空仓的车辆运输订单中，一起运输，增大运输车辆的满载率，减少运输成本，提高零担货运的货运效率；

本发明采用蚂蚁算法优化BP神经网络，输出路径最优解，提高预测结果精度，使得运输路线最短或运输成本最低，优化运输路线，降低企业物流成本。

上述订单生成模块、订单识别模块、订单管理模块、最优路径输出模块的具体内容及实现方法，均如实施例一中所述，在此不再赘述。

实施例三

本发明还提供了一种物流零担货运设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行计算机可读指令时，实现如本发明实施例一中的物流零担货运方法。

该物流零担货运设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centra l process i ng un i ts，CPU)和存储器，一个或一个以上存储应用程序或数据的存储介质(例如一个或一个以上海量存储设备)。其中，存储器和存储介质可以是短暂存储或持久存储。存储在存储介质的程序可以包括一个或一个以上模块，每个模块可以包括对物流零担货运设备中的一系列指令操作。

进一步地，处理器可以设置为与存储介质通信，在物流零担货运的设备上执行存储介质中的一系列指令操作。

物流零担货运设备还可以包括一个或一个以上电源，一个或一个以上有线或无线网络接口，一个或一个以上输入输出接口，和/或，一个或一个以上操作系统，例如Wi ndowsServe、Vi sta等等。

本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被一个或多个处理器执行时，实现如本发明实施例一中的物流零担货运方法。实施例二中的模块如果以软件功能模块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，本发明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的形式体现出来，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质。该计算机可读存储介质中存储有指令，当该指令在计算机上运行时，使得计算机执行实施例一中物流零担货运的步骤。

本领域技术人员可以理解，本发明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的形式体现出来，该计算机软件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)执行本发明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、随机存取存储器RAM、磁碟或者光盘等各种可以存储程序代码的介质。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，上述描述的设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。