Page 146 - 《软件学报》2026年第5期

廖家俊 等: TB-Match: 融合条件扩散模型与近端策略优化的弹性时间约束运单分配方法 2025

probabilistic distributions through progressive noise diffusion and reverse denoising processes, thus accurately modeling the acceptance
probability of decision agents in boundary regions; (2) a hierarchical decision framework integrating dynamic objective trade-off and
proximal policy optimization, where the high-level network adaptively adjusts objective weights according to feedback signals, and the low-
level network maximizes long-term cumulative rewards under trust region constraints. Experimental results on two large-scale real-world
logistics datasets demonstrate that TB-Match achieves a 17.66% relative improvement in matching rate compared with state-of-the-art
methods. It also exhibits significant advantages in metrics such as satisfaction, verifying the effectiveness and applicability of the proposed
method under complex constraint environments.
Key words: transport order assignment; driver preference modeling; elastic time constraint; diffusion model; proximal policy optimization

网络货运平台作为连接货主与车主的数字化物流中枢, 在现代物流体系中扮演着至关重要的角色, 其不仅是
物流行业的关键基础设施, 更是推动产业升级的重要力量. 近年来, 伴随着电子商务的蓬勃发展和智能物流技术的
快速进步, 网络货运平台在整合分散的运力资源、提升整体物流运作效率等方面展现出独特价值, 发挥着不可替
代的作用. 国家层面出台的《“十四五”数字经济发展规划》等政策文件明确强调了网络货运平台的重要性, 要求
通过此类平台构建智慧物流智能系统, 实现城市物流资源的全面互联互通与高效共享, 持续优化城市物流运行体
系, 完善智慧物流网络建设, 这些政策导向充分彰显了网络货运平台在推动数字物流创新发展进程中的核心地位.
为积极响应国家政策号召, 切实增强平台核心竞争力, 网络货运平台亟需实现运营效率的持续优化与资源利用率
的最大化, 这一目标已成为推动平台高质量发展的关键所在. 在此过程中, 提升运单分配的效能不仅被视为实现上
述目标的核心突破口, 也是提升整体运作水平和市场竞争力的关键着力点.
运单分配作为网络货运平台最核心的业务流程, 本质上是一个通过智能算法将货主提交的运输需求 (即运
单) 与最合适的货车司机进行精准匹配的自动化决策过程, 其优化程度在很大程度上决定了平台的运营效率、用
户满意度以及市场竞争力. 大量实践表明, 高效的运单分配机制不仅能够显著提升平台对运力资源的利用效率、
有效降低车辆空驶率, 还能同步增强平台在服务层面对于货主与司机双方的吸引力和用户黏性. 然而, 通过对现有
研究的系统梳理可以发现, 尽管学界已在运单分配算法方面开展了大量深入探讨, 但相关研究仍存在较为明显的
局限性: 在优化目标设定方面, 多数研究集中于成本相关的性能指标, 通常以最大化单车装载重量或最小化空驶距
离等单一维度作为模型构建的核心导向 [1,2] ; 在运输可行性评估方面, 现有方法普遍采用基于平均运输时间的启发
式判断策略, 即通过估算订单的平均运输时间是否满足最晚送达要求来筛选具备执行能力的运力资源参与匹配.
虽然此类方法在计算效率上具有一定优势, 但却忽略了实际运营中影响货车司机接单决策的一系列关键时间约束
因素, 例如装卸货过程中的等待时间成本、按时交付的保障概率以及返程任务的时间限制等. 这些未被充分考虑
的因素构成了司机评估运单可行性的核心依据, 直接影响其对运单完成时间的预期判断, 进而导致平台所生成的
运单分配结果与其实际接受意愿之间可能出现较大偏差, 影响了司机对分配结果的接受概率.
近年来学术界针对当前研究中存在的局限性, 开始探索将更多影响货车司机接单决策的关键因素纳入运单分
配模型的构建过程. 在运输领域, 已有学者通过分析司机的历史行为数据, 建立其对运输提货点与目的地、偏好运
输路线等静态属性的偏好模型, 并基于此类偏好进行运单匹配的优化决策 [1] . 然而, 这类方法在理论层面仍存在明
显不足, 主要表现为对静态偏好指标的过度依赖, 未能充分考虑运输任务中具有重要影响的动态因素. 此外, 现有
研究普遍采用固定时间预期或平均运输时间来评估任务的可行性, 这种简化处理忽略了实际运输场景中的复杂性
和个体差异. 具体而言, 不同经验水平的司机在面对相同运输任务时可能表现出显著的行为差异, 例如经验丰富的
司机往往能够通过路线优化、灵活调整作业时间等方式有效缩短实际运输时间, 而这些行为特征并未被现有模型
准确捕捉, 从而导致对司机接单意愿的刻画与实际情况存在偏差. 值得注意的是, 在众包任务分配等相关研究领
域, 已有成果表明工作者的接单偏好具有显著的时间动态特性, 相关研究通过引入时间敏感性等动态因素, 提高了
接单率预测的准确性 [3] . 尽管如此, 将此类研究方法直接迁移至网络货运平台的运单分配场景仍面临诸多挑战. 运
输任务的复杂性对适应性建模提出了更高要求, 需要解决动态约束条件下的决策优化问题. 具体而言, 现有研究在
运单分配算法设计方面存在两个关键性不足, 这些不足严重制约了整体匹配成功率和司机满意度的提升.
挑战 1: 运输时间约束降低了司机的接单概率. 严格的运输时间约束作为导致司机拒单的主要因素, 包含装卸