随着移动互联网的快速发展,各种各样的配送服务迅速发展,如快递配送服务、外卖送餐服务、打车服务等。为了节省配送员的时间,在尽量短的时间内完成多个快递的配送,选择一条合理的路径显得尤为重要。目前配送服务一般由配送员根据用户订单信息基于个人历史经验人为规划路径进行配送,当快递数量较多时路径就不一定最优,而路径的优劣会直接影响配送的效率和配送服务的质量,好的路径规划算法会大大提高配送效率,降低企业成本,同时也会给用户带来更好的服务体验。目前大多数的路径规划场景都是已知全局信息,所采用的算法往往都是从司机的角度考虑,以求为每个司机规划尽量短的路径经过所有需要经过的点。本文设计并实现了一个快递业务路径规划系统,考虑在规划及配送过程中有新订单加入、不知道全局信息的场景,创新性的从订单（即路径中的点）的角度考虑,为每个新加入的订单选择合适的司机并插入到合适的位置,从而形成司机的新路径。本文首先总结归纳了现有主流的路径规划算法,并介绍了联邦学习的相关技术理论。由于本文场景的特殊性,大多数现有的路径规划算法不适用于该场景。本文首先采用穷举法求解,此方法可以求得最优解,但在大型实例下不能快速求解,因此需要优化算法来降低计算复杂度。考虑到配送业务中往往每个司机都是在一定的区域范围内运动,提出了聚类法,新订单会分配给司机路径节点聚类中心离订单中心最近的司机,该方法可以明显降低计算的时间复杂度,但准确性较低。为了充分利用历史规划数据且保护用户数据的隐私性,将联邦学习运用到了路径规划场景中,利用分布式数据联合建模来预测接单的司机,从而提升模型的预测效果,降低计算复杂度的同时保证准确性。最后基于真实订单数据对系统的功能和性能进行了测试。结果显示随着订单量的增加,穷举法规划性能急剧下降;聚类法能在一定程度上提高系统性能,但是准确性不高;基于联邦学习的路径规划方法使系统性能提升很大且准确率较高,综合性能优于穷举法和聚类法。