随着我国汽车产销量连年增长,国民对家用轿车的需求不断攀升,这对汽车整车物流的运营和服务水平提出了更高的要求。汽车整车物流中的核心问题是整车出厂装载调度问题。为了应对日益增长的运输需求并保证服务满意度,近年来,已有汽车物流企业加快了信息化智能化建设,通过基于数学模型与精确算法的智能调度模式替代传统的人工调度模式,提高调度效率,降低运输成本。智能调度仍处于起步阶段,目前仅解决了静态离线调度问题,易于陷入局部优化的困境。为了克服上述缺陷,并为智能调度下一阶段的发展方向提供参考,本文研究了基于机器学习的汽车出厂物流在线调度问题,以数据驱动为前提,通过机器学习技术预测未来有用信息,并设计数学模型与算法,能够从全局优化的层面,进一步优化整车出厂装载方案,缩短行驶里程,减少多客户拼车情况,降低运输成本。首先,本文深入分析了汽车整车出厂物流系统的运作流程、基础信息、约束条件、优化目标等。在了解系统及明确问题的基础之上,将问题划分为预测问题及在线调度问题两部分。预测问题中,提出基于数种机器学习算法构建高效的组合预测模型,对次日商品车订单进行预测,预测结果作为后续调度问题的输入;在线调度问题中,根据实际业务规则提炼相关约束条件与优化目标,并进一步总结归纳了基于预测结果的预调度约束与目标,建立了混合整数线性规划模型,将实际问题通过量化与假设的手段转化成可设计算法求解的组合优化数学问题。其次,对两部分子问题分别设计了高效可靠的算法进行求解。预测问题中,选择了深度神经网络、支持向量回归、随机森林三种机器学习算法,分别建立单一预测模型,然后基于组合预测的思想,采用方差倒数法建立组合预测模型,求解次日商品车订单的预测值,随后经过自助法计算置信区间的转化,最终输出次日商品车的预测结果;在线调度问题中,设计了快速求解问题的启发式算法以及精确求解问题的分支定界算法。针对启发式算法,讨论了算法运行步骤并梳理了相关流程;针对分支定界算法,根据问题本身的特征,详细探讨了算法中的分支策略、支配规则、搜索模式、上下界设置等方面,以高效地求解问题。最后,通过数值实验与案例分析的方法,验证模型与算法的有效性及可靠性。预测问题中,设计了交叉验证实验,比较单一预测模型与组合预测模型的性能,并选择最优模型。然后通过计算精确度,评估预测结果的有效性;在线调度问题中,通过大规模实验,分析算法的求解精度与求解速度指标,并与专业的CPLEX优化软件进行对比。案例分析中,通过基于实际数据的案例,验证本文所研究模型与算法的在实际场景中的可用性。实验与案例均证明本文所研究数学模型与算法具有有效性及可靠性。