同城貨運(yùn)眾包平臺(tái)的車貨匹配模式對(duì)比研究

余海燕, 逯 楠, 李小甫

(重慶交通大學(xué) 經(jīng)濟(jì)與管理學(xué)院,重慶 400074; 2.重慶口岸物流管理與航運(yùn)經(jīng)濟(jì)研究中心,重慶 400074; 3.智能物流網(wǎng)絡(luò)重慶市重點(diǎn)實(shí)驗(yàn)室,重慶 400074; 4.智深圳依時(shí)貨拉拉科技有限公司重慶分公司,重慶 400000)

0 引言

進(jìn)入互聯(lián)網(wǎng)時(shí)代以來(lái)，同城貨運(yùn)市場(chǎng)也迎來(lái)了發(fā)展黃金期。2009～2018年，中國(guó)同城貨運(yùn)行業(yè)市場(chǎng)規(guī)模從3728億元增長(zhǎng)至8050億元，年均復(fù)合增速為8%。但長(zhǎng)期以來(lái)貨運(yùn)需求與貨運(yùn)司機(jī)的精準(zhǔn)匹配一直是同城貨運(yùn)行業(yè)的痛點(diǎn)問題，因此同城貨運(yùn)車貨匹配平臺(tái)應(yīng)運(yùn)而生。

在貨拉拉等同城貨運(yùn)車貨匹配平臺(tái)上，客戶根據(jù)需求實(shí)時(shí)下單，下單時(shí)發(fā)布取送貨地點(diǎn)、所需車型和出發(fā)時(shí)間等信息，平臺(tái)上有大量眾包貨運(yùn)車，每輛車有車容量限制，且其工作時(shí)間與開始工作的地點(diǎn)是不確定的，結(jié)束工作后司機(jī)也可不停留在送貨點(diǎn)處。目前的同城貨運(yùn)車貨匹配平臺(tái)均通過(guò)讓司機(jī)搶單的方式將配送訂單分發(fā)給相應(yīng)的司機(jī)。需求訂單實(shí)時(shí)產(chǎn)生，每個(gè)訂單都需要盡快接受服務(wù)，避免客戶因等待時(shí)間過(guò)長(zhǎng)而取消訂單。在目前搶單模式下，存在一些弊端：(1)司機(jī)自主搶單，訂單匹配率下降。由于就近搶單會(huì)使得部分司機(jī)搶不到單或部分訂單無(wú)人搶的情形，導(dǎo)致配送效率有待提升。(2)司機(jī)為了搶單會(huì)在駕駛過(guò)程中頻繁關(guān)注手機(jī)導(dǎo)致注意力不集中，因此容易出現(xiàn)交通事故或產(chǎn)生不必要的交通違章等不利于提高司機(jī)和平臺(tái)粘性的行為。為了避免搶單模式的以上弊端，本文提出基于滾動(dòng)時(shí)域完美匹配算法的平臺(tái)派單模式，并研究該派單模式與搶單模式在客戶平均等待時(shí)長(zhǎng)方面的差異，從而得到不同模式的適用性。

與本文相關(guān)的研究包括眾包配送服務(wù)問題、取送貨問題和匹配問題。

眾包配送是將眾包理念引入物流領(lǐng)域的新型配送模式，將原本由企業(yè)內(nèi)部員工承擔(dān)的配送任務(wù)分配給社會(huì)大眾。很多學(xué)者對(duì)眾包配送的優(yōu)勢(shì)進(jìn)行研究，指出眾包配送模式在應(yīng)用過(guò)程中具有成本低、效率高以及改善交通環(huán)境等優(yōu)勢(shì)[1～3]。Castillo[4]發(fā)現(xiàn)眾包物流更能提高物流配送效率。目前對(duì)眾包配送研究多集中于對(duì)眾包定義、優(yōu)勢(shì)以及眾包工人的特點(diǎn)進(jìn)行研究。取送貨問題是車輛路徑問題的一個(gè)分支，一般情況下車輛從同一車場(chǎng)出發(fā)，完成配送后要回到車場(chǎng)且配送過(guò)程中考慮車輛的配送能力，每個(gè)任務(wù)點(diǎn)只能訪問一次[5]。Kuo[6]等提出不同目標(biāo)函數(shù)進(jìn)行優(yōu)化研究。Gerardo[7]研究了不同的求解算法。除了對(duì)求解算法進(jìn)行不斷優(yōu)化，楊東林等[8]對(duì)不同的配送模型進(jìn)行了仿真研究。Douglas等[9]采用延遲插入的方法解決動(dòng)態(tài)撥號(hào)叫車問題。目前的取送貨問題研究集中于多配送中心、取送配對(duì)有序、取送貨與時(shí)間窗等領(lǐng)域上的研究。針對(duì)車貨匹配問題，目前主要的匹配方法是貪婪算法，而朱江洪[10]、牟向偉[11]等諸多學(xué)者對(duì)不同匹配算法進(jìn)行了深入研究。

綜上所述，在現(xiàn)有的文獻(xiàn)中，對(duì)于眾包配送的研究，較多的學(xué)者關(guān)注于眾包配送的可行性、優(yōu)勢(shì)以及路徑優(yōu)化等問題，將眾包物流與同城貨運(yùn)相結(jié)合的相關(guān)文獻(xiàn)較少；其次，對(duì)于取送貨問題，學(xué)者一般研究車輛從同一車場(chǎng)出發(fā)完成所有的任務(wù)后再回到車場(chǎng)的過(guò)程，本文研究的同城貨運(yùn)眾包平臺(tái)的車貨匹配問題研究車輛從任意位置出發(fā)且完成任務(wù)后無(wú)需返回初始位置；最后，在現(xiàn)有的匹配問題文獻(xiàn)方面，較多的學(xué)者關(guān)注于匹配算法的優(yōu)化及改進(jìn)，而對(duì)于動(dòng)態(tài)需求下的不同匹配模式對(duì)比的研究還很欠缺。

因此，本文研究基于眾包平臺(tái)的同城貨運(yùn)車貨匹配派單模式與搶單模式的差異，通過(guò)數(shù)值仿真實(shí)驗(yàn)驗(yàn)證模型和算法的有效性，得到不同模式的適用性。主要?jiǎng)?chuàng)新性體現(xiàn)在以下方面：

(1)提出將派單模式應(yīng)用于同城貨運(yùn)的新思路，對(duì)比研究了搶單模式與派單模式的差異。

(2)引入時(shí)間維度刻畫訂單的動(dòng)態(tài)性，構(gòu)建了一個(gè)全新的動(dòng)態(tài)車貨匹配模型。

(3)通過(guò)仿真研究證明了派單模式滾動(dòng)時(shí)域完美匹配算法的優(yōu)越性，并分析了兩種不同模式算法的有效性和適用性。

下文將從問題描述與建模、匹配算法設(shè)計(jì)、仿真結(jié)果分析及結(jié)論幾個(gè)方面來(lái)論述。

1 問題描述與建模

本文重點(diǎn)研究了基于眾包平臺(tái)的同城貨運(yùn)車貨匹配模式，將現(xiàn)有的搶單模式和本文提出的派單模式進(jìn)行對(duì)比研究，探索在不同環(huán)境中減少客戶平均等待時(shí)長(zhǎng)的匹配模式。下面是同城貨運(yùn)車貨匹配問題的一般描述：

給定一個(gè)網(wǎng)絡(luò)圖G=(V,E)，其中頂點(diǎn)集合V={v1,v2,…,vn1}，邊集合E={e1,e2,…,en2}。l(vi,vj)表示網(wǎng)絡(luò)圖中vi與vj之間的距離。所有取貨點(diǎn)與送貨點(diǎn)、車輛均在網(wǎng)絡(luò)圖G上產(chǎn)生，網(wǎng)絡(luò)圖中每個(gè)點(diǎn)既可以是取貨點(diǎn)又可以是送貨點(diǎn)，但同一個(gè)點(diǎn)不能既是一個(gè)訂單的取貨點(diǎn)又是送貨點(diǎn)。在某一時(shí)間段內(nèi)同城貨運(yùn)平臺(tái)接收到n個(gè)訂單。訂單序列表示為σ={O1,O2,…,On}，訂單Oi表示為(ri,ui,di,qi)，其中ri表示需求訂單i的釋放時(shí)間即訂單出現(xiàn)的時(shí)刻，ui∈V表示訂單i的取貨點(diǎn)位置，di∈V表示訂單i的收貨點(diǎn)位置，qi表示第i個(gè)訂單的載貨量,i∈I={1,2,…,n}。所有訂單是實(shí)時(shí)產(chǎn)生的，只有時(shí)刻ri時(shí)，該訂單的所有信息才被獲知。同城貨運(yùn)平臺(tái)共有m輛車可進(jìn)行匹配，車輛Ck為最大裝載容量，k∈K={1,2,…,m}。車輛均以速度v行進(jìn)，并且在完成訂單后無(wú)需返回原起始位置，一輛車一次只為一個(gè)訂單服務(wù)。假設(shè)所有訂單不會(huì)被取消，配送車輛需要先到取貨點(diǎn)取貨然后送至送貨點(diǎn)以完成該訂單，不考慮車輛在該服務(wù)點(diǎn)的等待時(shí)間。研究的問題是同城貨運(yùn)車貨匹配平臺(tái)如何將實(shí)時(shí)出現(xiàn)的訂單與貨車進(jìn)行匹配，使得客戶平均等待時(shí)長(zhǎng)最短。

模型中用到的參數(shù)或變量:

已知參數(shù)：

n：某一時(shí)段內(nèi)同城貨運(yùn)平臺(tái)合計(jì)訂單數(shù)量;i∈I：i表示訂單，I為所有訂單的集合;σ={O1,O2,…,On}：訂單序列Oi=(ri,ui,di,qi)，其中ri表示訂單i的釋放時(shí)間，ui表示訂單i的取貨點(diǎn)位置，di表示訂單i的收貨點(diǎn)位置，qi表示訂單i的載貨量。

決策變量：

根據(jù)問題描述，服務(wù)完所有訂單的平均客戶總等待時(shí)長(zhǎng)最短的模型和目標(biāo)函數(shù)如下：

(1)

以上建立的基于眾包平臺(tái)的同城貨運(yùn)車貨匹配模型中，由于訂單的釋放時(shí)間ri是無(wú)法提前獲知的，故該問題是一個(gè)動(dòng)態(tài)實(shí)時(shí)性的問題，無(wú)法直接進(jìn)行最優(yōu)化求解,故通過(guò)設(shè)計(jì)動(dòng)態(tài)策略并用模擬仿真的方法進(jìn)行研究。對(duì)于該動(dòng)態(tài)問題，現(xiàn)實(shí)中的同城貨運(yùn)車貨匹配平臺(tái)絕大多數(shù)都使用搶單模式進(jìn)行車貨匹配，針對(duì)該模式的不足，本文提出派單模式并在后文中對(duì)比分析兩種不同模式的適用性。

2 搶單與派單模式下的算法分析

下面將對(duì)目前車貨匹配平臺(tái)搶單模式使用的就近隨機(jī)配對(duì)算法進(jìn)行描述，然后提出派單模式，并設(shè)計(jì)滾動(dòng)時(shí)域完美匹配算法進(jìn)行車貨匹配。

2.1 搶單模式及其就近隨機(jī)配對(duì)算法

現(xiàn)實(shí)中的搶單模式為客戶在平臺(tái)下單，平臺(tái)根據(jù)距離近、車容量大小等因素篩選符合條件的車輛，然后將訂單推送給司機(jī)，司機(jī)進(jìn)行搶單。該模式的匹配算法可以抽象為就近隨機(jī)配對(duì)算法。

該算法的核心思想是將新產(chǎn)生的訂單即時(shí)推送給距離近且符合車容量限制的多輛車，然后從選取的多輛車中根據(jù)隨機(jī)概率達(dá)成匹配。其具體步驟如下：

第1步當(dāng)沒有新訂單出現(xiàn)時(shí)，等待。當(dāng)出現(xiàn)新訂單時(shí)，立即轉(zhuǎn)至第2步。

第2步查詢當(dāng)前待服務(wù)訂單數(shù)和待服務(wù)車輛數(shù)，轉(zhuǎn)至第3步。

第3步判斷待服務(wù)訂單數(shù)是否小于等于待服務(wù)車輛數(shù)，若是則執(zhí)行第4步，否則大于車輛數(shù)部分的訂單等待下次分配，其余訂單參與此次分配，轉(zhuǎn)至第4步。

第4步選取所有需服務(wù)的訂單，排除車輛載重量小于訂單容量的車輛。選擇min{c,h}輛車參與搶單。其中c為各車輛前往單個(gè)訂單的距離升序集合中所有車輛，h為該集合中前h輛車，轉(zhuǎn)至第5步。

第5步根據(jù)隨機(jī)概率完成車輛和訂單匹配，達(dá)成最終匹配結(jié)果，記錄各車輛到達(dá)取貨點(diǎn)的時(shí)間，轉(zhuǎn)至第6步。

第6步運(yùn)用式(1)計(jì)算服務(wù)完所有訂單的平均客戶總等待時(shí)長(zhǎng)。

為驗(yàn)證就近隨機(jī)配對(duì)算法的有效性，構(gòu)建了就近隨機(jī)算法仿真流程圖，如圖1:

根據(jù)上述仿真框架圖，設(shè)計(jì)仿真實(shí)驗(yàn)。仿真關(guān)鍵點(diǎn)為如何處理實(shí)時(shí)出現(xiàn)的訂單，在該仿真流程中將各個(gè)訂單的釋放時(shí)間作為關(guān)鍵時(shí)間節(jié)點(diǎn)，每個(gè)關(guān)鍵節(jié)點(diǎn)調(diào)用就近隨機(jī)配對(duì)算法并進(jìn)行更新。

2.2 派單模式及其滾動(dòng)時(shí)域完美匹配算法

為了解決當(dāng)前搶單模式造成的客戶平均等待時(shí)間較長(zhǎng)和交通隱患問題，提出了由車貨匹配平臺(tái)匯總一定時(shí)間段內(nèi)的車輛與訂單信息，然后進(jìn)行統(tǒng)一匹配的派單模式。在該模式中，關(guān)鍵點(diǎn)在于動(dòng)態(tài)信息的處理和匹配算法的設(shè)計(jì)。本文利用滾動(dòng)時(shí)域?qū)?dòng)態(tài)化信息進(jìn)行靜態(tài)化處理，運(yùn)用匈牙利算法進(jìn)行匹配，提出滾動(dòng)時(shí)域完美匹配算法。

該算法的核心思想：將時(shí)間按照滾動(dòng)時(shí)域時(shí)長(zhǎng)劃分為多個(gè)時(shí)間段，每個(gè)時(shí)間段即滾動(dòng)時(shí)域t1，每個(gè)時(shí)域結(jié)束時(shí)進(jìn)行訂單匹配。匹配時(shí)收集該時(shí)域的訂單和車輛信息，再根據(jù)最優(yōu)匹配算法批量匹配給各車輛到達(dá)取貨點(diǎn)平均距離最短且符合車容量限制的車輛。

第1步當(dāng)沒有新訂單出現(xiàn)時(shí)，繼續(xù)等待。當(dāng)出現(xiàn)新訂單時(shí)，等待t1時(shí)長(zhǎng)后轉(zhuǎn)至第2步。

第2步查詢當(dāng)前待服務(wù)訂單數(shù)和待服務(wù)車輛數(shù)，轉(zhuǎn)至第3步。

第3步判斷待服務(wù)訂單數(shù)是否小于等于待服務(wù)車輛數(shù)，若是則執(zhí)行第四步，否則大于車輛數(shù)部分的訂單等待下次分配，其余訂單參與此次分配，轉(zhuǎn)至第4步。

第4步選取所有需服務(wù)的訂單，排除車輛載重量小于訂單容量的車輛。根據(jù)各車輛前往多個(gè)訂單的平均距離最短篩選車輛，選擇與訂單數(shù)相同的車輛數(shù)進(jìn)行匹配，轉(zhuǎn)至第5步。

第6步調(diào)用匈牙利算法達(dá)成車輛和訂單的精確匹配結(jié)果，轉(zhuǎn)至第6步。

第6步運(yùn)用式(1)計(jì)算服務(wù)完所有訂單的平均客戶總等待時(shí)長(zhǎng)。

在該仿真流程中，對(duì)于時(shí)間的離散化處理是將其劃分為多個(gè)滾動(dòng)時(shí)域，在每個(gè)時(shí)域結(jié)束時(shí)調(diào)用滾動(dòng)時(shí)域完美匹配算法并進(jìn)行更新。

3 仿真分析

為了驗(yàn)證模型與設(shè)計(jì)算法的正確性和真實(shí)有效性，使用數(shù)值仿真軟件編程，實(shí)驗(yàn)運(yùn)行環(huán)境為i7- 4770HQ處理器，16G 內(nèi)存，Windows10 64 位操作系統(tǒng)。

本文在調(diào)查重慶市貨拉拉有限公司實(shí)際情況基礎(chǔ)上，構(gòu)建以下仿真環(huán)境：生成長(zhǎng)度為10km范圍的方形網(wǎng)絡(luò)圖，1000個(gè)客戶點(diǎn)，以車輛服務(wù)完所有訂單的平均客戶總等待時(shí)長(zhǎng)為目標(biāo)函數(shù)，分別設(shè)計(jì)了搶單模式就近隨機(jī)配對(duì)算法和派單模式滾動(dòng)時(shí)域完美匹配算法進(jìn)行求解分析，通過(guò)分析不同參數(shù)對(duì)目標(biāo)函數(shù)的影響，解釋兩種模式目標(biāo)函數(shù)變化的原因，分析不同模式在不同參數(shù)影響下的適用性，最終得出結(jié)論。

3.1 有效性分析

通過(guò)專業(yè)的數(shù)學(xué)仿真軟件對(duì)派單模式滾動(dòng)時(shí)域完美匹配算法和搶單模式就近隨機(jī)配對(duì)算法進(jìn)行編程，仿真時(shí)間均為120分鐘，仿真次數(shù)為50次，其中車輛數(shù)量m為400輛，訂單數(shù)量n為500個(gè)，單個(gè)訂單的最多搶單車輛h為10輛，滾動(dòng)時(shí)域時(shí)長(zhǎng)t1為2分鐘，車速v為50km/小時(shí)，網(wǎng)絡(luò)圖中任意兩點(diǎn)距離大于5km。從表2可以看出，搶單模式平均客戶總等待時(shí)長(zhǎng)為4.7分鐘，派單模式為4.5分鐘，考慮交通道路擁堵時(shí)間，現(xiàn)實(shí)中的車輛到達(dá)客戶取貨點(diǎn)時(shí)間大約為15～18分鐘，差值為合理范圍，故本文設(shè)計(jì)的搶單模式和派單模式均有效。

3.2 適用性分析

分析搶單模式就近隨機(jī)配對(duì)算法和派單模式滾動(dòng)時(shí)域完美匹配算法的適用性，觀察訂單滾動(dòng)時(shí)域時(shí)長(zhǎng)、訂單數(shù)量、車輛數(shù)量、網(wǎng)絡(luò)圖任意兩點(diǎn)距離對(duì)客戶平均等待時(shí)長(zhǎng)的影響。由于訂單數(shù)量與車輛數(shù)量的相對(duì)大小變化會(huì)對(duì)客戶平均等待時(shí)長(zhǎng)造成影響，同時(shí)為突出對(duì)比在不同參數(shù)變化下兩種模式客戶平均等待時(shí)長(zhǎng)的差異，故作如下定義。

定義1(訂單飽和度) 訂單飽和度為訂單數(shù)量與車輛數(shù)量的比值，即訂單飽和度=訂單數(shù)量/車輛數(shù)量。

定義2(差異比) 差異比為搶單與派單模式客戶平均等待時(shí)長(zhǎng)差值所占搶單模式比重，即差異比=(搶單客戶平均等待時(shí)長(zhǎng)-派單客戶平均等待時(shí)長(zhǎng))/搶單客戶平均等待時(shí)長(zhǎng)×100%。

仿真次數(shù)均為50次，記錄平均值。車輛分為小車型載重800kg，大車型載重1500kg的限制條件，分別采用滾動(dòng)時(shí)域完美匹配算法和就近隨機(jī)配對(duì)算法去服務(wù)所有訂單。下面將調(diào)整各參數(shù)變量，記錄目標(biāo)值，并加以分析：

表1 適用性分析表

注：搶單模式無(wú)訂單滾動(dòng)時(shí)域時(shí)長(zhǎng)，故取多次仿真平均值

結(jié)論1派單模式客戶平均等待時(shí)長(zhǎng)與訂單滾動(dòng)時(shí)域時(shí)長(zhǎng)呈正相關(guān)關(guān)系。

研究訂單的滾動(dòng)時(shí)域時(shí)長(zhǎng)對(duì)目標(biāo)值的影響，調(diào)整訂單的滾動(dòng)時(shí)域時(shí)長(zhǎng)，發(fā)現(xiàn)派單模式的客戶平均等待時(shí)長(zhǎng)起初均小于搶單模式平均值，派單模式客戶平均等待時(shí)長(zhǎng)小于搶單模式最高可達(dá)10.71%，但隨著訂單滾動(dòng)時(shí)域時(shí)長(zhǎng)的增加，派單模式的客戶平均等待時(shí)長(zhǎng)呈上升趨勢(shì)。由于訂單滾動(dòng)時(shí)域時(shí)長(zhǎng)增加故匹配時(shí)間也相應(yīng)推遲導(dǎo)致平均等待時(shí)長(zhǎng)增加的現(xiàn)象。

結(jié)論2訂單飽和度增大，搶單模式與派單模式客戶平均等待時(shí)長(zhǎng)差值由負(fù)轉(zhuǎn)正。

研究訂單飽和度變化對(duì)目標(biāo)值的影響，通過(guò)調(diào)整訂單和車輛的總數(shù)量，改變訂單的飽和度，發(fā)現(xiàn)搶單模式起初客戶平均等待時(shí)長(zhǎng)小于派單模式，后隨著訂單飽和度的增加，派單模式等待時(shí)長(zhǎng)小于搶單模式，且優(yōu)勢(shì)持續(xù)擴(kuò)大。從圖2中可看出：①當(dāng)訂單飽和度為1.25時(shí)，搶單與派單模式客戶平均等待時(shí)長(zhǎng)相等。②當(dāng)訂單飽和度大于1.25且不斷增大時(shí)，派單模式客戶平均等待時(shí)長(zhǎng)小于搶單模式，派單模式較于搶單模式可節(jié)省26.11%的時(shí)間。雖然派單模式和搶單模式的客戶平均等待時(shí)長(zhǎng)均增長(zhǎng)，但搶單模式呈直線增長(zhǎng)，增速較快。這是因?yàn)殡S著訂單飽和度的增大，訂單數(shù)量增加，車輛數(shù)遠(yuǎn)小于訂單數(shù)量，平均某一訂單一定距離范圍內(nèi)的車輛數(shù)有限甚至沒有車輛，導(dǎo)致客戶平均等待時(shí)長(zhǎng)增加；而在派單模式下，通過(guò)某一時(shí)段內(nèi)全局最優(yōu)的匹配方式，將非最近距離的空閑車輛進(jìn)行調(diào)度達(dá)成車輛與客戶的匹配，從而減少了客戶平均等待時(shí)長(zhǎng)。③當(dāng)訂單飽和度小于1.25時(shí)，搶單模式客戶平均等待時(shí)長(zhǎng)小于派單模式，最多可節(jié)省22.5%的時(shí)間。由于該情形下，訂單數(shù)量小于車輛數(shù)，在搶單模式中平均某一訂單距離范圍內(nèi)的車輛數(shù)也較多，于是從距離排序中選取的參與搶單的前h輛車前往取貨點(diǎn)距離也較短，即客戶等待時(shí)長(zhǎng)較短。在派單模式下，采用的選取匹配車輛規(guī)則為計(jì)算車輛到各取貨點(diǎn)的平均距離，然后根據(jù)平均距離排序進(jìn)行選擇，而搶單模式根據(jù)每個(gè)訂單與車輛距離直接排序。

結(jié)論3派單模式與搶單模式客戶平均等待時(shí)長(zhǎng)均與任意兩點(diǎn)距離最小值呈正相關(guān)關(guān)系。

結(jié)論4任意兩點(diǎn)距離最小值增大，搶單模式與派單模式客戶平均等待時(shí)長(zhǎng)差值由正轉(zhuǎn)負(fù)。

研究任意兩點(diǎn)距離變化對(duì)目標(biāo)值的影響，發(fā)現(xiàn)派單模式和搶單模式下的客戶平均等待時(shí)長(zhǎng)均增長(zhǎng)，派單模式起初客戶平均等待時(shí)長(zhǎng)小于搶單模式，且最多可節(jié)省6.38%的時(shí)間，后隨著任意兩點(diǎn)距離最小值的增加，搶單模式客戶平均等待時(shí)長(zhǎng)小于派單模式，但兩種模式差異不大。由于車輛速度是一定的，故距離的增長(zhǎng)必然影響時(shí)間的增長(zhǎng)，其次搶單模式在距離增加后優(yōu)于派單模式是因?yàn)閮煞N模式的不同車輛選取規(guī)則造成的。

實(shí)驗(yàn)表明，在相同條件下，當(dāng)訂單滾動(dòng)時(shí)域時(shí)長(zhǎng)增加、訂單飽和度較大、任意兩點(diǎn)距離最小值較小時(shí)，選用派單模式客戶平均等待時(shí)長(zhǎng)小于搶單模式。由于搶單模式的匹配核心思想是通過(guò)隨機(jī)概率達(dá)成車輛與客戶的匹配，且在該模式下容易造成局部最優(yōu)的情況，即車輛只知曉自身當(dāng)前位置與訂單的距離，因此會(huì)考慮訂單距離較遠(yuǎn)選擇不接單，而實(shí)際上其距離相對(duì)于其他車輛較近，最終客戶訂單很長(zhǎng)時(shí)間才有車輛接單，導(dǎo)致客戶平均等待時(shí)間較長(zhǎng)，而隨著訂單滾動(dòng)時(shí)域時(shí)長(zhǎng)和訂單數(shù)量增加后，派單模式可以實(shí)現(xiàn)在一定時(shí)間段內(nèi)的全局最優(yōu)；當(dāng)訂單飽和度較小和任意兩點(diǎn)距離最小值較大時(shí)，搶單模式客戶平均等待時(shí)長(zhǎng)小于派單模式，是由于派單模式的匹配思想是根據(jù)多個(gè)訂單多輛車平均距離最短進(jìn)行最優(yōu)化匹配而搶單模式是根據(jù)單個(gè)訂單多輛車距離排序。

4 結(jié)論

針對(duì)車貨匹配動(dòng)態(tài)實(shí)時(shí)性的特點(diǎn)，對(duì)同城貨運(yùn)眾包平臺(tái)的車貨匹配的搶單與派單模式進(jìn)行了仿真對(duì)比研究，考慮動(dòng)態(tài)的訂單飽和度、訂單的滾動(dòng)時(shí)域時(shí)長(zhǎng)、任意兩點(diǎn)距離最小值等因素，以客戶平均等待時(shí)長(zhǎng)最短為目標(biāo)函數(shù)，設(shè)計(jì)了搶單模式的就近隨機(jī)配對(duì)算法和派單模式的滾動(dòng)時(shí)域完美匹配算法，對(duì)比了搶單與派單模式平均客戶等待時(shí)長(zhǎng)的差異。

通過(guò)數(shù)值仿真實(shí)驗(yàn)驗(yàn)證了算法的有效性，并且發(fā)現(xiàn)當(dāng)訂單滾動(dòng)時(shí)域時(shí)長(zhǎng)增加、訂單飽和度較大、任意兩點(diǎn)距離最小值較小時(shí)，車貨匹配平臺(tái)適合采用派單模式；當(dāng)訂單飽和度較小和任意兩點(diǎn)距離最小值較大時(shí)，車貨匹配平臺(tái)適合采用搶單模式。在實(shí)際應(yīng)用中，可將搶單與派單模式相結(jié)合進(jìn)行車貨匹配，當(dāng)訂單飽和度隨時(shí)間段的變化由小變大時(shí)，可由搶單模式轉(zhuǎn)變?yōu)榕蓡文Ｊ?，以提高匹配效率。在目前的搶單模式下，車貨匹配平臺(tái)可通過(guò)調(diào)整總車輛數(shù)量、訂單數(shù)量、分區(qū)域搶單，減少客戶平均等待時(shí)長(zhǎng)。研究結(jié)果可為眾包車貨匹配平臺(tái)訂單分配策略提供決策支持，有利于提高客戶滿意度，增強(qiáng)客戶和眾包人員對(duì)平臺(tái)的使用粘性，提高平臺(tái)收益。同城貨運(yùn)眾包平臺(tái)的車貨匹配問題進(jìn)一步還可以研究派單模式下的不同動(dòng)態(tài)匹配算法、不同模式對(duì)環(huán)境的影響等。