CN103955814A - 计算机中基于数据立方体的物流智能交易数据处理方法 - Google Patents
计算机中基于数据立方体的物流智能交易数据处理方法 Download PDFInfo
- Publication number
- CN103955814A CN103955814A CN201410189039.2A CN201410189039A CN103955814A CN 103955814 A CN103955814 A CN 103955814A CN 201410189039 A CN201410189039 A CN 201410189039A CN 103955814 A CN103955814 A CN 103955814A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- goods
- information
- goes
- record
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种计算机中基于数据立方体的物流智能交易数据处理方法,包括以下步骤:车辆适配数据立方体数据结构的初始构建:扫描分析已经存在数据库中的原始车辆运力需求数据;货物适配数据立方体数据结构的初始构建:扫描分析已经存在数据库中的原始货物运输需求数据;车辆适配信息新增需求时车辆匹配数据立方体;当一条车辆运力需求过期、空余运力得到满足或车主主动删除需求时,提交一个待运状态清除请求,车辆匹配立方体进行数据的变更;在货物运输需求出现新的增加时,货物匹配立方体进行新增货运需求变更;在货物运输需求出现新的减少时,货物匹配立方体进行货运需求清除变更;进行车辆匹配;进行货物匹配。
Description
技术领域
本发明涉及一种数据挖掘和物流信息化技术领域,特别是计算机中基于数据立方体的物流智能交易数据处理方法。
背景技术
随着物流提速作为国家战略发展明确方向之一物流信息化得到了政府的大力支持。但是物流信息化系统中车货适配部分智能化程度却没有得到显著的提高。目前货主找车或者车主找货比较常用的做法是在浏览器页面上通过手工输入或设置查询条件进行查询,服务网站会将符合查询条件的物流车辆信息或者待运货物信息以列表的方式显示出来,货主或者车主通过线下电话联系等方式进行交易,很多零担货物运输还通过物流QQ群发布信息的方式寻找临时的车源,但是很多时候都得不到及时的响应。从而导致货主急需运货却找不到及时且合适的货运资源,而有时运输车辆尚未满载却找又不到合适的货物填满车厢进行共同配送。
为解决车辆调度优化的问题,很多信息化系统使用OLAP数据挖掘对由历史数据组成的数据仓库进行数据分析,这种数据处理方式侧重对决策人员和高层管理人员的决策支持,可以根据分析人员的要求快速、灵活地进行大数据量的复杂查询处理,并且以一种直观而易懂的形式将查询结果提供给决策人员,以便他们准确掌握企业(公司)的经营状况,了解对象的需求,制定正确的方案。在物流领域,管理者通过数据挖掘分析过去的数据来预测市场需求变化,预先对运输资源做出调整以应对可能出现的运输需求的变化。
现有技术中存在以下缺陷:
数据实时性差:使用者通过定义数据挖掘的维度以及根据维度从数据仓库中提取数据从而形成数据立方体,由于数据仓库数据量相当大,直接查询和计算耗时太长,OLAP往往会对数据仓库中的数据进行一部分预处理即预先将原始数据从数据仓库中读出并进行泛化分层等计算操作,将原始数据加工成对业务决策有意义的业务数据并存储在内存或存储介质中,从而提高用户查询的效率。传统的OLAP数据挖掘过程如图3所示。OLAP数据挖掘虽然拥有强大的分析处理和查询功能,但是普遍存在数据更新代价太大,无法及时更新实时数据的问题。其原因主要有:
数据仓库数据更新周期较长:数据仓库作为企业生产活动的历史数据库保存了大量的历史信息,并定期从生产数据库提取自上次更新时间点以来新产生的数据并进行处理和存储,但是这个提取活动周期较长,满足不了实时存入的要求。
OLAP数据挖掘处理代价较大:OLAP数据挖掘所针对的原始数据达到100GB甚至达到TB级,从如此大量的数据中进行查询和计算需要耗费大量的时间以及计算资源。所以OLAP服务器在处理数据时会使用部分物化的方式:即根据数据挖掘所设定的维度将原始数据进行部分层次的计算,并将计算结果存入数据库或者存储介质,以达到加快访问速度的目的。每次底层数据的更新意味着数据的重新挖掘和重新计算。
无法应对突发的未知的潜在客户:原有的数据挖掘只是对过往数据的分析,并主动调整运输资源去应对已知客户的可能发生的需求变化,但是对于零担物流等细分市场很多物流公司无法应对预料之外的运输需求,从而经常手忙脚乱的到处寻找临时的运输车辆资源。
本发明中相关的技术术语和概念定义如下:
1.数据仓库:数据仓库是为企业所有级别的决策制定过程提供支持的所有类型数据的战略集合。它是单个数据存储,出于分析性报告和决策支持的目的而创建。简单的说就是将日常生产活动中所产生的历史数据按照用户感兴趣的侧重点(即主题)进行存储,以便于日后进行联机分析处理(OLAP)/数据挖掘。数据仓库中存储着大量的企业历史数据,并定期从生产活动数据库中导入新的数据。数据仓库中的历史数据即为OLAP数据挖掘的原始数据。
2.联机分析处理:联机分析处理(OLAP)系统是数据仓库系统最主要的应用,专门设计用于支持复杂的分析操作,侧重对决策人员和高层管理人员的决策支持,可以根据分析人员的要求快速、灵活地进行大数据量的复杂查询处理,并且以一种直观而易懂的形式将查询结果提供给决策人员,以便他们准确掌握企业(公司)的经营状况,了解对象的需求,制定正确的方案
3.数据挖掘:数据挖掘一般是指从大量的数据中通过算法搜索隐藏于其中信息的过程。数据挖掘通常与计算机科学有关,并通过统计、在线分析处理、情报检索、机器学习、专家系统(依靠过去的经验法则)和模式识别等诸多方法来实现上述目标。
4.维度:数据挖掘中的术语,数据挖掘过程中参照维度对数据进行处理。比如按照时间总结每季度某商品的销售情况,那时间就是数据挖掘的一个维度,如果根据城市或省份进行汇总,那就是根据地理纬度进行的汇总计算。
5.数据立方体:数据立方体是一类多维矩阵,让用户从多个角度探索和分析数据集,通常是一次同时考虑三个因素(维度)。但是数据立方体不局限于三个维度。大多数在线分析处理(OLAP)系统能用很多个维度构建数据立方体。数据立方体和维度的理解详见下图:如果要根据每天各地每个商场各种商品的销售情况归纳出每个季度各个城市每种商品销售总量。则可设计时间维度、地区维度和商品维度,于是可以使每种商品根据商品分类进行汇总;使每天各类商品的销售量根据地区进行汇总;每个地区每天各种商品的销售量根据季度进行汇总。从而得到所需的每季度某地区某类商品的销售量,如图1所示时间维度、地区维度、商品维度数据立方体。
6.维度的层级:维度,可以有不同的计算层次。比如时间维度,可以有天、月、季度、年等层次。
7.泛化:一个从相对低层概念到更高层概念且对数据库中与任务相关的大量数据进行抽象概述的一个分析过程,如将小于60分的所有分数设为差,60-70分算中等,70-80算良好,80-90算优秀,则通过泛化计算将学生的成绩泛化成优良中差的评级制度。
8.事实表、维表:数据立方体的数据可以以数据库表与表之间的链接关系进行组织。维表和事实表相互独立,通过关系数据库中的外键来联系,互相关联构成一个统一的架构。通过使用维表和事实表以及它们之间的关联关系,就可以恢复多维数据立方体。维表既是数据立方体中各维度的具体记录,而事实表则是通过外键将各维度表关联在一起,并添加附加的分析数值,一条事实表的记录称为一个元组。图1所示的数据立方体对应的维表可表示为图2所示的表关系,销售量表即为事实表,地区表、时间表、商品表即为维度表。
发明内容
发明目的:本发明所要解决的技术问题是针对现有技术的不足,提供计算机中基于数据立方体的物流智能交易数据处理方法。
为了解决上述技术问题,本发明公开了一种计算机中基于数据立方体的物流智能交易数据处理方法,包括以下步骤:
车辆适配数据立方体数据结构的初始构建:对已经存在数据库中的原始车辆运输需求数据进行一次扫描分析,构建成功后将结果写入计算机内存;
货物适配数据立方体数据结构的初始构建:对已经存在数据库中的原始货物运输需求数据进行一次扫描分析,构建成功后将结果写入计算机内存;
车辆适配信息新增需求时车辆匹配数据立方体;
当一条车辆运力需求过期、空余运力得到满足或车主主动删除需求时,提交一个待运状态清除请求,车辆匹配立方体进行数据的变更;
在货物运输需求出现新的增加时,货物匹配立方体进行新增货运需求变更;
在货物运输需求出现新的减少时,货物匹配立方体进行货运需求清除变更;
进行车辆匹配;
进行货物匹配。
本发明中,初始构建数据立方体包括如下步骤:
步骤101,计算机扫描并读取一条数据库中的车辆待运需求表记录,并加载进内存;
步骤102,判断本条记录的车辆是否已经满载,如果没有满载转步骤103,否则转步骤113;
步骤103,解析本条记录的各个字段;
步骤104,判断本条记录是否是实时运营记录,如果是则转步骤105,如果不是,则判定为计划运输记录并转步骤108;
步骤105,将步骤103中解析的字段进行维度信息的提取和存储:当前位置信息存入起始空间维度表,目的位置信息存入目的空间维度表,当前时间信息存入时间维度表,车辆类型存入车辆类型表,车辆空余运力存入空余运力区间表;
步骤106,针对步骤105中的信息进行泛化操作:将位置信息进行泛化由经纬度转变为车辆所在地区的区县、城市记录,将具体的车辆类型泛化为物流运输业车辆类型信息;车辆类型泛化为物流运输业车辆类型例如,普通运输车辆(又分为厢车:2.5吨、3.5吨、25吨、35吨、28吨;平板车:2.5吨、3.5吨、25吨、35吨、28吨、35吨、40吨等各种承载级别)、冷藏车、危险品运输等各种特殊车辆。
步骤107,判断车辆所处地区本类型车辆、在空余运力区间是否已有相同目的地的车辆,如果没有则转步骤111,如果有则读取该条记录并转步骤112;
步骤108,将步骤103中解析的字段进行维度信息的提取和存储:计划初始位置信息存入起始空间维度表,目的位置信息存入目的空间维度表,计划时间信息存入时间维度表,车辆类型存入车辆类型表,车辆空余运力进行计算存入空余运力区间表;
步骤109,针对步骤108中的信息进行泛化操作:将位置信息进行泛化由经纬度转变为车辆所在地区的区县、城市记录;按照需要计划时间泛化为天;将具体的车辆类型泛化为物流运输业车辆类型信息;
步骤110判断车辆所处地区、本类型车辆、在空闲运力区间、计划所在时间段内是否已有相同目的地车辆;如果没有则转步骤111,如果有则读取该条记录并转步骤112;
步骤111增加一条事实表元组并用当前各维度值赋值;
步骤112将原始车辆信息表中的车辆ID记录进本条事实表元组的原始车辆id列表中;
步骤113判断数据库中是否还有下一条原始车辆待运需求表记录,如果有,则转步骤101,如果没有则转步骤114;
步骤114结束。
本发明中,通过扫描原始数据中车主提交的货物信息进行构建货物适配数据立方体:
步骤201,计算机扫描并读取一条原始车辆待运需求表记录,并加载进内存;
步骤202,判断该货物是否已找到运输车俩并达成交易意向,如果没有则转步骤203,如果已达成交易意向则转步骤208;
步骤203,分析本条原始记录并将其记录进维度表中:计划目的位置信息存入目的空间维度表,计划初始位置信息存入发货空间维度表,计划时间信息存入时间维度表,货物类型存入货物类型表,货物重量进行计算并存入重量区间表;
步骤204,针对步骤203中的信息进行泛化操作:将位置信息进行泛化由经纬度转变为货物所在地区的区县、城市记录,按照需要计划时间泛化为天,确定货物类型是否危险品,重量区间不做泛化处理;
步骤205,判断货物所处地区、所在时间段、货物所属的类型在某空闲运力区间是否已有相同目的地记录;如果没有相同记录则转步骤206,如果有则读取该记录并转步骤207;
步骤206,增加一条事实表元组并用当前各维度值赋值;
步骤207,将原始货物信息表中的货物主键ID记录进本条事实表元组的原始货物id列表中;
步骤208,判断是否还有下一条货物待运需求信息,如果有转步骤202,如果没有则转步骤209;
步骤209,结束。
本发明中,车辆适配信息新增需求时车辆匹配数据立方体包括以下步骤:
步骤301,计算机读取新增的车辆待接货需求;
步骤302,判断本条记录的车辆是否已经满载,如果没有满载转步骤303,否则转步骤313;
步骤303,解析本条记录的各个字段;
步骤304,判断本条记录是否是实时运营记录,如果是则转步骤305,如果不是则判定为计划运输记录转步骤308;
步骤305,将步骤303中解析的字段进行维度信息的提取和存储:当前位置信息存入起始空间维度表,目的位置信息存入目的空间维度表,当前时间信息存入时间维度表,车辆类型存入车辆类型表,车辆空余运力进行计算存入空余运力区间表;
步骤306,针对步骤305中的信息进行泛化操作:将位置信息进行泛化由经纬度转变为当前车辆所在地区的区县、城市记录,将具体的车辆类型泛化为物流运输业车辆类型信息;
步骤307,判断车辆所处地区本类型车辆、在空闲运力区间是否已有相同目的地车辆,如果没有则转步骤311,如果有则读取该条记录并转步骤312;
步骤308,将步骤303中解析的字段进行维度信息的提取和存储:计划初始位置信息存入起始空间维度表,目的位置信息存入目的空间维度表,计划时间信息存入时间维度表,车辆类型存入车辆类型表,车辆空余运力存入空余运力区间表;
步骤309,针对步骤308中的信息进行泛化操作:将位置信息进行泛化由经纬度转变为车辆所在地区的区县、城市记录,按照需要计划时间泛化为天,将具体的车辆类型泛化为普通车或危险品车信息;
步骤310,判断车辆所处地区、本类型车辆、在空闲运力区间、计划所在时间段内是否已有相同目的地车辆,如果没有则转步骤311,如果有则读取该条记录并转步骤312;
步骤311,增加一条事实表元组并用当前各维度值赋值;
步骤312,将原始车辆信息表中的车辆ID记录进本条事实表元组的原始车辆id列表中;
步骤313,结束。
本发明中,提交一个待运状态清除请求,车辆匹配立方体进行数据的变更,包括以下步骤:
步骤401,计算机读取车辆需求清除请求并提取车辆ID值X;
步骤402,搜索事实表中的原始车辆ID列表并将搜出的含有X的列表存入数组M;
步骤403,从数组M中取出一个列表删除其中的车辆ID值X记录值;
步骤404,判断在删除车辆ID值X后原始车辆ID列表中是否已空如果是则转405,如果不是则转步骤406;
步骤405,删除该条事实表元组,即内存中只保存有车辆信息的元组,无车辆信息的元组立即删除;
步骤406,判断数组M中是否有还有列表,如果有则转步骤403,如果没有则转步骤407;
步骤407,结束。
本发明中,货物匹配立方体进行新增货运需求变更包括以下步骤:
步骤501,计算机读取新增的货物待运需求;
步骤502,判断该货物是否已找到运输车辆并达成交易意向,如果没有则转步骤503,如果已达成交易意向则转步骤508;
步骤503,分析本条原始记录并将其记录进维度表中:计划目的位置信息存入目的空间维度表,计划初始位置信息存入发货空间维度表,计划时间信息存入时间维度表,货物类型存入货物类型表,货物重量进行计算并存入重量区间表;
步骤504,针对步骤503中的信息进行泛化操作:将位置信息进行泛化由经纬度转变为货物所在地区的区县、城市记录,按照需要计划时间泛化为天,货物类型泛化为物流运输业车辆类型信息,重量区间不做泛化处理;
步骤505,判断货物所处地区、所在时间段、货物所属的类型在空闲运力区间是否已有相同目的地记录;如果没有相同记录则转步骤506,如果有则读取该记录并转步骤507;
步骤506,增加一条事实表元组并用当前各维度值赋值;
步骤507,将原始货物信息表中的货物主键ID记录进本条事实表元组的原始货物id列表中;
步骤508,结束。
本发明中,货物匹配立方体进行货运需求清除变更包括以下步骤:
步骤601,计算机读取货运需求清除请求并提取车辆ID值X;
步骤602,搜索事实表中的原始货物ID列表并将搜出的含有车辆ID值X的列表存入数组M;
步骤603,从数组M中取出一个列表删除其中的车辆ID值X记录值;
步骤604,判断在删除车辆ID值X值后原始货物ID列表中是否已空,如果是则转步骤605,如果不是则转步骤606;
步骤605,删除该条事实表元组,即内存中只保存有货物托运信息的元组,无货物托运信息的元组立即删除;
步骤606,判断数组M中是否有还有列表,如果有则转步骤603,如果没有则转步骤607;
步骤607,结束。
本发明中,车辆匹配处理流程包括以下步骤:
步骤701,计算机收到一条车辆匹配需求;
步骤702,判断在当前时间或计划运输时间,货物附近是否有待接货的货运车辆资源,如果有则转步骤703,如果没有则步骤转706;
步骤703,判断是否有符合车辆类型及吨位要求的车辆如果有则转步骤704,如果没有则转步骤706;
步骤704,判断是否有空余运力在货物重量以上车辆,如果有则转步骤705,如果不是则转步骤706;
步骤705,判断是否有途径货物目的地的车辆,如果有则转步骤707,如果不是则转步骤706;
步骤706,判断是否需要扩大搜索范围,如果是则由计算机设定扩大起始地空间维度或时间维度的搜索范围,转步骤702,如果不是则转步骤708;
步骤707,将符合条件的车辆信息列表返回给计算机;
步骤708,结束。
本发明中,货物匹配处理流程包括以下步骤:
步骤801,计算机收到一条货物匹配需求;
步骤802,判断当前时间或计划开始运输时间段内车辆附近有无待运货物,如果有则转步骤803,如果没有则转步骤806;
步骤803,判断是否有符合车辆运输条件的货物类型待运输,如果有则转步骤804,如果没有则转步骤806;
步骤804,判断是否有货物重量在本车空余运力范围内的货物待运输,如果有则转步骤805,如果不是则转步骤806;
步骤805,判断货物的目的地是否与车辆目的地一致或在车辆路线经过的地区,如果有则转步骤807,如果不是则转步骤806;
步骤806,根据计算机设定判断是否需要扩大起始地空间维度和发货时间维度搜索范围,如果是则转步骤802,如果不是则转步骤808;
步骤807,将符合条件的货物信息列表返回给计算机;
步骤808,结束。
本申请与现有技术相比具有如下优点:
1.通过构建货物匹配数据立方体和车辆匹配数据立方体实现车与货的快速匹配。
通过将底层的货运需求和车辆运输需求进行分析和泛化,将统计后的泛化数据存入内存以加快查询效率。
2.通过将数据的变更到达系统时直接对数据立方体进行增加和删除操作实现数据立方体内数据的实时更新。避免了传统的数据挖掘数据立方体数据更新不及时的缺点。
由于以上技术的创新,使得本发明的系统架构在计算机的计算负载低,计算响应和反应速度更快,精确度更高。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述和/或其他方面的优点将会变得更加清楚。
图1时间维度、地区维度、商品维度数据立方体图。
图2数据立方体对应的数据库表图。
图3传统OLAP数据挖掘过程示意图。
图4内存中的货物类型维度的泛化数据。
图5内存中车辆类型维度的泛化信息。
图6本申请所涉及服务应用场景示意图。
图7车辆匹配数据立方体构建方式示意图。
图8货物匹配数据立方体构建方式示意图。
图9地理位置泛化层次图。
图10货物类型维度和车辆类型维度泛化层级示意图。
图11车辆匹配数据立方体初始构建过程流程图。
图12货物匹配数据立方体初始构建过程流程图。
图13新增车辆待运需求时车辆匹配数据立方体处理流程图。
图14车辆待运需求清除情况下车辆匹配数据立方体变更流程图。
图15新增货物运输需求情况下货物匹配数据立方体处理流程图。
图16货运需求清除情况下货物匹配数据立方体处理流程图。
图17车辆匹配服务流程图。
图18货物匹配服务流程。
具体实施方式
本申请所设计的物流交易智能匹配服务主要面向货主找车难和物流公司/车主找货难的问题,通过对车、货信息进行实时的数据挖掘为上层应用提供物流潜在交易对象的智能匹配服务。
本申请所涉及的服务将底层大量的车辆信息和货物信息进行离散型泛化,获得高层级的基于有或无的泛化信息并存入计算机内存中(只记有无,不记录具体信息),向上层应用提供快速查找有无其所需的货物或车辆信息的服务,并在缩小的范围中快速查找具体的货物或车辆信息。立方体维度中的货物信息维度和车辆信息维度上的泛化层级如图4和图5所示。
通过将使用者提交的车辆或货物的实时变更信息直接送入计算机内存运算并更新数据立方体中各层级中对应的节点信息达到快速更新内存中的数据立方体的效果。如原本某地区没有2.5吨平板车,但是物流公司或车主新添加了一条该类型车辆信息,则在内存中的数据立方体的泛化信息中只更改2.5吨平板车的有无信息即可。其他类型车辆不做变动。
通过对原始数据按照各自的类型进行分表/分区处理,并将原始数据记录的主键ID号记录进数据立方体中的维表使得数据能够被快速的访问。
本申请的设计面向智慧物流领域,通过将货主的货物信息(货物类型、货物重量、货物始发地、货物目的地、托运时间等)与物流公司或个体车主的运力信息(车辆类型、车辆载重、运输路线、当前位置、运输时间)进行适配达到潜在交易对象自动匹配的功能。其结构示意图如图6所示:
本申请描述了两个五维数据立方体,其维度划分如下:
车辆匹配数据立方体:起始地点维度、目的地点维度、时间维度、车辆类型维度、车辆空闲运力区间维度。同时车辆原始详细信息主键ID列表作为度量值记录进立方体元组中。
货物匹配数据立方体:发货地点维度、目的地点维度、时间维度、货物类型维度、货物重量区间维度。同时货物原始详细信息主键ID列表作为度量值记录进立方体元组中。
在立方体中五个维度各取一个值即可确定一个唯一的节点(即事实表中的一个记录又称一个元组),该节点既是满足起始地点、目的地点等五个维度条件下的点,该点中是否存在即可判断是否有符合5个维度的车辆或货物需求存在,如果存在则从度量值属性中提取主键ID,根据主键ID从数据库中提取具体的车辆或货物详细信息。
在针对具体应用场景时可以选择对两个立方体的维度进行增减,比如车辆匹配立方体中可以加入车辆运输资质维度和驾驶员运输资质维度。
立方体数据结构定义:
车辆立方体的构建用数据挖掘维表表示如下图7所示,车辆信息表中的内容属于系统的基础信息部分,它的信息不随运输需求的改变而改变,物流公司或车主提交的每一条运输需求的信息都会由车辆运输需求表进行存储。车辆匹配数据立方体在运输需求到达系统时就对本条需求进行维度信息的提取,获得了其所需的信息所以数据立方体本身并不直接与原始数据的车辆运输需求表相关联,而是与车辆信息表相关联,以方便提取车主联系方式等信息。
图7中除了两张原始信息表(车辆信息表、车辆运输需求表)是真实的存在数据库中的表以外,其他的表(事实表、维度表)都是程序在内存中建立的数据结构,并非数据库表,其结构表示如下:
车货匹配表(事实表)数据结构如表1所示:
起始地空间维度表(维表)数据结构如表2所示:
表2起始地空间维度表
字段名称 | 类型 | 关联关系说明 |
地区ID | 字符型 | 地区编号,用于区别唯一地理位置 |
地区名称 | 字符型 | 区县名称、省市名称 |
目的地空间维度表(维表)数据结构如表3所示:
表3目的地空间维度表
字段名称 | 类型 | 关联关系说明 |
地区ID | 字符型 | 地区编号,用于区别唯一地理位置 |
地区名称 | 字符型 | 区县名称、省市名称 |
时间维度表(维表)数据结构如表4所示:
表4时间维度表
字段名称 | 类型 | 关联关系说明 |
时间ID | 字符型 | 时间编号,用于区别唯一时间段 |
年 | 整形 | 时间所属的年 |
月 | 整形 | 时间所属的月 |
日 | 整形 | 时间所属的日 |
季度 | 整形 | 时间所属的季度 |
车辆类型维度(维表)数据结构如表5.5所示,其中车辆类别数据可以是细分的小类或笼统的大类,其数据来源可以为基础数据表或配置文件,具体配置手段不在本申请中描述:
表5车辆类别维度表
车辆空余运力维度表(维表)数据结构如表6所示,其中空余运力区间的数值可以是通过基础数据库或配置文件配好的固定区间也可以是上层应用根据实际需要进行计算后赋予立方体的区间,具体取值方式不在本申请中详述:
表6车辆空余运力维度表
字段名称 | 类型 | 关联关系说明 |
空余运力区间ID | 字符型 | 车辆空余运力区间的编号 |
运力区间最小值 | 整形 | 此区间范围的最小值 |
运力区间最大值 | 整形 | 此区间范围的最大值 |
根据上层应用需求可以在各维度结构中添加其他属性信息。
车辆原始数据表为应用系统的基础数据表,其中包含了与车辆相关的信息,本申请作为示例,列出其最可能的字段如表7:
表7车辆基础数据表(数据库表)
车辆待运需求车辆需求为物流公司或个体车主提交的待运需求,它的信息被上层应用程序记录进数据库的车辆需求表中,其表结构可视上层应用进行详细设计,本申请给出示例见表8,应用程序可使用GIS相关服务获取经纬度相关信息:
表8车辆待运需求表示例
货物匹配数据立方体的构建用数据库表表示如图8所示:
在货物匹配数据立方体中发货地空间维度、目的地空间维度以及时间维度与车辆匹配数据立方体中的起始地空间维度、目的地空间维度及时间维度是一样的,所以在程序实现方式上两个数据立方体在这三个维度上使用的是同一套结构。
货车匹配表(事实表)数据结构如表9所示,:
表9车货匹配表数据结构
发货地空间维度表(维表)数据结构如表10所示:
表10起始地空间维度表
字段名称 | 类型 | 关联关系说明 |
地区ID | 字符型 | 地区编号,用于区别唯一地理位置 |
地区名称 | 字符型 | 区县名称、省市名称 |
目的地空间维度表(维表)数据结构如表11所示:
表11目的地空间维度表
字段名称 | 类型 | 关联关系说明 |
地区ID | 字符型 | 地区编号,用于区别唯一地理位置 |
地区名称 | 字符型 | 区县名称、省市名称 |
时间维度表(维表)数据结构如表12所示:
表12时间维度表
字段名称 | 类型 | 关联关系说明 |
时间ID | 字符型 | 时间编号,用于区别唯一时间段 |
年 | 整形 | 时间所属的年 |
月 | 整形 | 时间所属的月 |
日 | 整形 | 时间所属的日 |
季度 | 整形 | 时间所属的季度 |
货物类型维度(维表)数据结构如表13所示,其中货物类别数据可以是细分的小类或笼统的大类,其数据来源可以为基础数据表或配置文件,具体配置手段不在本申请中描述:
表13货物类别维度表
货物重量区间维度表(维表)数据结构如表14所示,其中重量区间的数值可以是通过基础数据库或配置文件配好的固定区间也可以是上层应用根据实际需要进行计算后赋予立方体的区间,具体取值方式不在本申请中详述:
表14车辆空余运力维度表
字段名称 | 类型 | 关联关系说明 |
货物重量区间ID | 字符型 | 货物重量区间的编号 |
重量区间最小值 | 整形 | 此区间范围的最小值 |
重量区间最大值 | 整形 | 此区间范围的最大值 |
货物运输需求提交至应用系统后将被保存进数据库的货物信息表,其每条需求的ID号将被货物匹配立方体的原始货物信息ID列表所记录并引用,本申请给出其可能的表格格式如表5.15所示,应用程序可使用GIS相关服务获取经纬度相关信息:
表15货物信息表(数据库表)
在数据加载过程中对原始信息进行了泛化处理,以空间维度为例,加载进内存的数据将不再是经度纬度数值,而是被处理成了区县、城市以及省份,如图9所示。
使用者可以根据需要进行层级的选择(上卷、下钻操作),比如长途跨省的车辆可能最先关注沿途经过的省份有没有可以携带的货物,如果有则再关心具体是哪个城市(由省这一层下钻到市的层级)。而中短途的车主更会直接关注经过的城市或区县有没有潜在的货物可以“顺便”带走(注:GIS地图软件可以实现经纬度至行政区域的计算以及诸如车辆运输路线经过哪些地区功能的计算)。其他维度的泛化计算与空间维度相同,比如时间维度,既可以精确到某一天需要运货,也可以笼统的表达某个月有一担货需要运输。具体泛化方式可以视具体应用需要进行定制。图10给出了货物类型维度和车辆类型维度的泛化层级的一种可能方式:
本发明系统处理流程:
在初始构建数据立方体时需要对已经存在数据库中的原始数据进行一次扫描分析,构建成功后可以将信息注入内存。
车辆信息分为实时运营信息和计划运输信息,实时运营信息根据车载终端上报等方式提交当前车辆位置信息,其他信息由车主维护。计划运输信息根据车主提交车辆计划即什么时候从什么地方出发,还空余多少运力进行计算。具体数据上报过程不在本申请中详述。车辆适配数据立方体的初始构建流程图如图11所示。
实时运营车辆信息由于时间就是当天所以不需要进行泛化处理,适合为需要当天急需找车送货的货主寻找“过路车”,计划运输车辆信息计划时间为未来某天,可以以天为单位进行泛化处理,适合为货主寻找与运货计划合适的车辆运输资源
如图11搜索时,车辆匹配数据立方体处理流程如下:
101服务程序扫描并读取一条原始车辆待接货需求表记录,并加载进内存。
102判断本条记录的车辆是否已经满载,如果没有满载转103,否则转113。
103解析本条记录的各个字段,以便后续进行维度信息的提取。
104判断本条记录是否是实时运营记录,如果是则转105,如果不是则说明此为计划运输记录转108。
105将103中解析的字段进行维度信息的提取和存储:当前位置信息存入起始空间维度表;目的位置信息存入目的空间维度表;当前时间信息存入时间维度表;车辆类型存入车辆类型表;车辆空余运力进行计算存入空余运力区间表。
106针对105中的信息进行泛化操作:将位置信息进行泛化由经纬度转变为区县、城市记录;将具体的车辆类型泛化为普通车、危险品车等更高级别信息;
107判断车辆所处地区本类型车辆、在某空闲运力区间是否已有相同目的地车辆,如果没有则转111,如果有则读取该条记录并转112。
108将103中解析的字段进行维度信息的提取和存储:计划初始位置信息存入起始空间维度表;目的位置信息存入目的空间维度表;计划时间信息存入时间维度表;车辆类型存入车辆类型表;车辆空余运力进行计算存入空余运力区间表。
109针对108中的信息进行泛化操作:将位置信息进行泛化由经纬度转变为区县、城市记录;按照需要计划时间可由时间泛化为某天;将具体的车辆类型泛化为普通车、危险品车等更高级别信息。
110判断车辆所处地区、本类型车辆、在某空闲运力区间、计划所在时间段内是否已有相同目的地车辆。如果没有则转111,如果有则读取该条记录并转112。
111增加一条事实表元组并用当前各维度值赋值。
112将原始车辆信息表中的车辆ID记录进本条事实表元组的原始车辆id列表中。
113判断数据库中是否还有下一条原始车辆待运需求表记录,如果有,则转101,如果没有则转114。
114结束。
货物适配数据立方体初始构建通过扫描原始数据中车主提交的货物信息进行构建即可,如图12所示:
货物匹配数据立方体初始化处理流程描述:
201服务程序扫描并读取一条原始车辆待运需求表记录,并加载进内存。
202判断该货物是否已找到车源并达成交易意向,如果没有则转203,如果已达成交易意向则转208。
203分析本条原始记录并将其记录进维度表中:计划目的位置信息存入目的空间维度表;计划初始位置信息存入发货空间维度表;计划时间信息存入时间维度表;货物类型存入货物类型表;货物重量进行计算并存入重量区间表;
204针对203中的信息进行泛化操作:将位置信息进行泛化由经纬度转变为区县、城市记录;将位置信息进行泛化由经纬度转变为区县、城市记录;按照需要计划时间可由时间泛化为某天;货物类型可根据需要进行泛化;重量区间不做泛化处理。
205判断货物所处地区、所在时间段、货物所属的类型在某空闲运力区间是否已有相同目的地记录。如果没有相同记录则转206,如果有则读取该记录并转207。
206增加一条事实表元组并用当前各维度值赋值。
207将原始货物信息表中的货物主键ID记录进本条事实表元组的原始货物id列表中。
208判断是否还有下一条货物待运需求信息,如果有转202,如果没有则转209。
209结束。
当数据立方体构建成功后需要对外部应用提供快速准确的查询匹配服务。这要求数据立方体对底层数据变化足够敏感。本申请没有采用数据库数据变化后再进行数据立方体更新的策略,而是在新数据提交至平台后立即计算新数据对立方体中的泛化数据的影响。从而达到数据立方体的实时更新。
车辆适配信息新增需求时车辆匹配数据立方体的处理如图13所示:
新增车辆待运需求处理流程描述:
301服务程序读取新增的车辆待接货需求。
302判断本条记录的车辆是否已经满载,如果没有满载转303,否则转313。
303解析本条记录的各个字段,以便后续进行维度信息的提取。
304判断本条记录是否是实时运营记录,如果是则转305,如果不是则说明此为计划运输记录转308。
305将303中解析的字段进行维度信息的提取和存储:当前位置信息存入起始空间维度表;目的位置信息存入目的空间维度表;当前时间信息存入时间维度表;车辆类型存入车辆类型表;车辆空余运力进行计算存入空余运力区间表。
306针对305中的信息进行泛化操作:将位置信息进行泛化由经纬度转变为区县、城市记录;将具体的车辆类型泛化为普通车、危险品车等更高级别信息;
307判断车辆所处地区本类型车辆、在某空闲运力区间是否已有相同目的地车辆,如果没有则转311,如果有则读取该条记录并转312。
308将303中解析的字段进行维度信息的提取和存储:计划初始位置信息存入起始空间维度表;目的位置信息存入目的空间维度表;计划时间信息存入时间维度表;车辆类型存入车辆类型表;车辆空余运力进行计算存入空余运力区间表。
309针对308中的信息进行泛化操作:将位置信息进行泛化由经纬度转变为区县、城市记录;按照需要计划时间可由时间泛化为某天;将具体的车辆类型泛化为普通车、危险品车等更高级别信息。
310判断车辆所处地区、本类型车辆、在某空闲运力区间、计划所在时间段内是否已有相同目的地车辆。如果没有则转311,如果有则读取该条记录并转312。
311增加一条事实表元组并用当前各维度值赋值。
312将原始车辆信息表中的车辆ID记录进本条事实表元组的原始车辆id列表中。
313结束。
当一条车辆运力需求过期、空余运力得到满足或车主主动删除需求时应用系统会向数据库提交一个待运状态清除请求。这时车辆匹配立方体需要及时进行数据的变更,变更流程如图14所示:
车辆待运需求清除处理流程描述:
401读取车辆需求清除请求并提取车辆ID值X。
402搜索事实表中的原始车辆ID列表并将搜出的含有X的列表存入数组M。
403从M中取出一个列表删除其中的X记录值。
404判断在删除X值后原始车辆ID列表中是否已空如果是则转405,如果不是则转406。
405删除该条事实表元组,即内存中只保存有车辆信息的元组,无车辆信息的元组立即删除表示没有满足此种条件的车辆信息。
406判断M中是否有还有列表,如果有则转403,如果没有则转407。
407结束。
在搜索事实表中含有被删除运力需求的车辆id的操作中可根据原需求信息中的位置信息、车辆类型信息等缩小搜索范围,从而加快搜索速度。
同理,在货物运输需求出现新的增减时货物匹配立方体需要进行相应变更,新增货运需求变更流程图如图15所示:
新增货运需求处理流程描述:
501服务程序读取新增的货物待运需求。
502判断该货物是否已找到车源并达成交易意向,如果没有则转503,如果已达成交易意向则转508。
503分析本条原始记录并将其记录进维度表中:计划目的位置信息存入目的空间维度表;计划初始位置信息存入发货空间维度表;计划时间信息存入时间维度表;货物类型存入货物类型表;货物重量进行计算并存入重量区间表;
504针对503中的信息进行泛化操作:将位置信息进行泛化由经纬度转变为区县、城市记录;将位置信息进行泛化由经纬度转变为区县、城市记录;按照需要计划时间可由时间泛化为某天;货物类型可根据需要进行泛化;重量区间不做泛化处理。
505判断货物所处地区、所在时间段、货物所属的类型在某空闲运力区间是否已有相同目的地记录。如果没有相同记录则转506,如果有则读取该记录并转507。
506增加一条事实表元组并用当前各维度值赋值。
507将原始货物信息表中的货物主键ID记录进本条事实表元组的原始货物id列表中。
508结束。
货运需求清除变更流程如图16所示:
货运需求清除处理流程描述:
提取车辆ID值X。
602搜索事实表中的原始货物ID列表并将搜出的含有X的列表存入数组M。
603从M中取出一个列表删除其中的X记录值。
604判断在删除X值后原始货物ID列表中是否已空如果是则转605,如果不是则转606。
605删除该条事实表元组,即内存中只保存有货物托运信息的元组,无货物托运信息的元组立即删除表示没有满足此种条件的货运需求。
606判断M中是否有还有列表,如果有则转603,如果没有则转607。
607结束。
在搜索事实表中含有被删货物id的操作中可根据原需求信息中的位置信息、货物类型信息等缩小搜索范围,从而加快搜索速度。
上述描述中只提到了增加和删除需求,在车辆运输过程中其所经过的地区会出现变更,货主提交的货运需求由于某种原因也会出现运输总量等信息的改变。鉴于在做变更时对数据立方体的修改会造成各维度以及每个维度各层级数据的级联变动,如减少南京市玄武区冷链车运力时需要查找玄武区所属市(南京市)和省(江苏省)的数据。多次小量的查询目标并修改立方体数据其性能不如一次性直接删除处理然后进行新增操作。故本申请在处理需求修改时对数据立方体进行需求删除流程再进行需求增加流程。
物流智能交易服务可通过服务接口向外提供货物和车辆的查询操作。货主提交货运需求后,物流智能交易服务可以立刻针对货物信息在车辆匹配数据立方体中进行查找。物流智能交易服务车辆匹配流程图如图17所示:
车辆匹配处理流程描述:
701服务收到一条车辆匹配需求。
702判断在当前时间或计划运输时间,货物附近是否有待接货的货运车辆资源,如果有则转703,如果没有则转706。
703判断是否有符合车辆类型及吨位要求的车辆如果有则转704,如果没有则转706。
704判断是否有空余运力在货物重量以上车辆,如果有则转705,如果不是则转706。
705判断是否有途径货物目的地的车辆,如果有则转707,如果不是则转706。
706判断是否需要扩大搜索范围,如果是则转702,如果不是则转708。
707将符合条件的车辆信息列表返回给上层应用。
708结束。
扩大目的地坐标的范围可根据物流智能交易服务的使用者进行设定,使用本方案服务的系统可以自行设定目的地范围扩大到一定程度后放弃查找,进而货物待运信息被存入货物匹配数据立方体,等待车辆运力需求前来匹配。
当车主提交运输计划或根据目前车辆位置寻找周围正在待运的货物信息时,物流智能交易服务可以立刻根据车辆运力需求信息在货物匹配立方体中进行查找。物流智能交易服务进行货物匹配的流程图如图18所示:
货物匹配处理流程描述:
801服务收到一条货物匹配需求。
802判断当前时间或计划开始运输时间段内车辆附近有无待运货物,如果有则转803,如果没有则转806。
803判断是否有符合车辆运输条件的货物类型待运输,如果有则转804,如果没有则转806。
804判断是否有货物重量在本车空余运力范围内的货物待运输,如果有则转805,如果不是则转806。
805判断货物的目的地是否与车辆目的地一致或在车辆路线经过的地区,如果有则转807,如果不是则转806。
806判断是否需要扩大搜索范围,如果是则转802,如果不是则转808。
807将符合条件的货物信息列表返回给上层应用。
808结束。
Claims (9)
1.计算机中基于数据立方体的物流智能交易数据处理方法,其特征在于,包括以下步骤:
车辆适配数据立方体数据结构的初始构建:对已经存在数据库中的原始车辆运输需求数据进行一次扫描分析,构建成功后将结果写入计算机内存;
货物适配数据立方体数据结构的初始构建:对已经存在数据库中的原始货物运输需求数据进行一次扫描分析,构建成功后将结果写入计算机内存;
车辆适配信息新增需求时车辆匹配数据立方体;
当一条车辆运力需求过期、空余运力得到满足或车主主动删除需求时,提交一个待运状态清除请求,车辆匹配立方体进行数据的变更;
在货物运输需求出现新的增加时,货物匹配立方体进行新增货运需求变更;
在货物运输需求出现新的减少时,货物匹配立方体进行货运需求清除变更;
进行车辆匹配;
进行货物匹配。
2.根据权利要求1所述的计算机中基于数据立方体的物流智能交易数据处理方法,其特征在于,
初始构建数据立方体包括如下步骤:
步骤101,计算机扫描并读取一条数据库中的车辆待运需求表记录,并加载进内存;
步骤102,判断本条记录的车辆是否已经满载,如果没有满载转步骤103,否则转步骤113;
步骤103,解析本条记录的各个字段;
步骤104,判断本条记录是否是实时运营记录,如果是则转步骤105,如果不是,则判定为计划运输记录并转步骤108;
步骤105,将步骤103中解析的字段进行维度信息的提取和存储:当前位置信息存入起始空间维度表,目的位置信息存入目的空间维度表,当前时间信息存入时间维度表,车辆类型存入车辆类型表,车辆空余运力存入空余运力区间表;
步骤106,针对步骤105中的信息进行泛化操作:将位置信息进行泛化由经纬度转变为车辆所在地区的区县、城市记录,将具体的车辆类型泛化为物流运输业车辆类型信息;
步骤107,判断车辆所处地区本类型车辆、在空余运力区间是否已有相同目的地的车辆,如果没有则转步骤111,如果有则读取该条记录并转步骤112;
步骤108,将步骤103中解析的字段进行维度信息的提取和存储:计划初始位置信息存入起始空间维度表,目的位置信息存入目的空间维度表,计划时间信息存入时间维度表,车辆类型存入车辆类型表,车辆空余运力进行计算存入空余运力区间表;
步骤109,针对步骤108中的信息进行泛化操作:将位置信息进行泛化由经纬度转变为车辆所在地区的区县、城市记录;按照需要计划时间泛化为天;将具体的车辆类型泛化为物流运输业车辆类型信息;
步骤110判断车辆所处地区、本类型车辆、在空闲运力区间、计划所在时间段内是否已有相同目的地车辆;如果没有则转步骤111,如果有则读取该条记录并转步骤112;
步骤111增加一条事实表元组并用当前各维度值赋值;
步骤112将原始车辆信息表中的车辆ID记录进本条事实表元组的原始车辆id列表中;
步骤113判断数据库中是否还有下一条原始车辆待运需求表记录,如果有,则转步骤101,如果没有则转步骤114;
步骤114结束。
3.根据权利要求2所述的计算机中基于数据立方体的物流智能交易数据处理方法,其特征在于,通过扫描原始数据中车主提交的货物信息进行构建货物适配数据立方体:
步骤201,计算机扫描并读取一条原始车辆待运需求表记录,并加载进内存;
步骤202,判断该货物是否已找到运输车俩并达成交易意向,如果没有则转步骤203,如果已达成交易意向则转步骤208;
步骤203,分析本条原始记录并将其记录进维度表中:计划目的位置信息存入目的空间维度表,计划初始位置信息存入发货空间维度表,计划时间信息存入时间维度表,货物类型存入货物类型表,货物重量进行计算并存入重量区间表;
步骤204,针对步骤203中的信息进行泛化操作:将位置信息进行泛化由经纬度转变为货物所在地区的区县、城市记录,按照需要计划时间泛化为天,确定货物类型是否危险品,重量区间不做泛化处理;
步骤205,判断货物所处地区、所在时间段、货物所属的类型在某空闲运力区间是否已有相同目的地记录;如果没有相同记录则转步骤206,如果有则读取该记录并转步骤207;
步骤206,增加一条事实表元组并用当前各维度值赋值;
步骤207,将原始货物信息表中的货物主键ID记录进本条事实表元组的原始货物id列表中;
步骤208,判断是否还有下一条货物待运需求信息,如果有转步骤202,如果没有则转步骤209;
步骤209,结束。
4.根据权利要求3所述的计算机中基于数据立方体的物流智能交易数据处理方法,其特征在于,车辆适配信息新增需求时车辆匹配数据立方体包括以下步骤:
步骤301,计算机读取新增的车辆待接货需求;
步骤302,判断本条记录的车辆是否已经满载,如果没有满载转步骤303,否则转步骤313;
步骤303,解析本条记录的各个字段;
步骤304,判断本条记录是否是实时运营记录,如果是则转步骤305,如果不是则判定为计划运输记录转步骤308;
步骤305,将步骤303中解析的字段进行维度信息的提取和存储:当前位置信息存入起始空间维度表,目的位置信息存入目的空间维度表,当前时间信息存入时间维度表,车辆类型存入车辆类型表,车辆空余运力进行计算存入空余运力区间表;
步骤306,针对步骤305中的信息进行泛化操作:将位置信息进行泛化由经纬度转变为当前车辆所在地区的区县、城市记录,将具体的车辆类型泛化为物流运输业车辆类型信息;
步骤307,判断车辆所处地区本类型车辆、在空闲运力区间是否已有相同目的地车辆,如果没有则转步骤311,如果有则读取该条记录并转步骤312;
步骤308,将步骤303中解析的字段进行维度信息的提取和存储:计划初始位置信息存入起始空间维度表,目的位置信息存入目的空间维度表,计划时间信息存入时间维度表,车辆类型存入车辆类型表,车辆空余运力存入空余运力区间表;
步骤309,针对步骤308中的信息进行泛化操作:将位置信息进行泛化由经纬度转变为车辆所在地区的区县、城市记录,按照需要计划时间泛化为天,将具体的车辆类型泛化为普通车 或危险品车信息;
步骤310,判断车辆所处地区、本类型车辆、在空闲运力区间、计划所在时间段内是否已有相同目的地车辆,如果没有则转步骤311,如果有则读取该条记录并转步骤312;
步骤311,增加一条事实表元组并用当前各维度值赋值;
步骤312,将原始车辆信息表中的车辆ID记录进本条事实表元组的原始车辆id列表中;
步骤313,结束。
5.根据权利要求4所述的计算机中基于数据立方体的物流智能交易数据处理方法,其特征在于,提交一个待运状态清除请求,车辆匹配立方体进行数据的变更,包括以下步骤:
步骤401,计算机读取车辆需求清除请求并提取车辆ID值X;
步骤402,搜索事实表中的原始车辆ID列表并将搜出的含有X的列表存入数组M;
步骤403,从数组M中取出一个列表删除其中的车辆ID值X记录值;
步骤404,判断在删除车辆ID值X后原始车辆ID列表中是否已空如果是则转405,如果不是则转步骤406;
步骤405,删除该条事实表元组,即内存中只保存有车辆信息的元组,无车辆信息的元组立即删除;
步骤406,判断数组M中是否有还有列表,如果有则转步骤403,如果没有则转步骤407;
步骤407,结束。
6.根据权利要求5所述的计算机中基于数据立方体的物流智能交易数据处理方法,其特征在于,货物匹配立方体进行新增货运需求变更包括以下步骤:
步骤501,计算机读取新增的货物待运需求;
步骤502,判断该货物是否已找到运输车辆并达成交易意向,如果没有则转步骤503,如果已达成交易意向则转步骤508;
步骤503,分析本条原始记录并将其记录进维度表中:计划目的位置信息存入目的空间维度表,计划初始位置信息存入发货空间维度表,计划时间信息存入时间维度表,货物类型存入货物类型表,货物重量进行计算并存入重量区间表;
步骤504,针对步骤503中的信息进行泛化操作:将位置信息进行泛化由经纬度转变为货物所在地区的区县、城市记录,按照需要计划时间泛化为天,货物类型泛化为物流运输业车辆类型信息,重量区间不做泛化处理;
步骤505,判断货物所处地区、所在时间段、货物所属的类型在空闲运力区间是否已有相同目的地记录;如果没有相同记录则转步骤506,如果有则读取该记录并转步骤507;
步骤506,增加一条事实表元组并用当前各维度值赋值;
步骤507,将原始货物信息表中的货物主键ID记录进本条事实表元组的原始货物id列表中;
步骤508,结束。
7.根据权利要求6所述的计算机中基于数据立方体的物流智能交易数据处理方法,其特征在于,货物匹配立方体进行货运需求清除变更包括以下步骤:
步骤601,计算机读取货运需求清除请求并提取车辆ID值X;
步骤602,搜索事实表中的原始货物ID列表并将搜出的含有车辆ID值X的列表存入数组M;
步骤603,从数组M中取出一个列表删除其中的车辆ID值X记录值;
步骤604,判断在删除车辆ID值X值后原始货物ID列表中是否已空,如果是则转步骤605,如果不是则转步骤606;
步骤605,删除该条事实表元组,即内存中只保存有货物托运信息的元组,无货物托运信息的元组立即删除;
步骤606,判断数组M中是否有还有列表,如果有则转步骤603,如果没有则转步骤607;
步骤607,结束。
8.根据权利要求6所述的计算机中基于数据立方体的物流智能交易数据处理方法,其特征在于,车辆匹配处理流程包括以下步骤:
步骤701,计算机收到一条车辆匹配需求;
步骤702,判断在当前时间或计划运输时间,货物附近是否有待接货的货运车辆资源,如果有则转步骤703,如果没有则步骤转706;
步骤703,判断是否有符合车辆类型及吨位要求的车辆如果有则转步骤704,如果没有则转步骤706;
步骤704,判断是否有空余运力在货物重量以上车辆,如果有则转步骤705,如果不是则转步骤706;
步骤705,判断是否有途径货物目的地的车辆,如果有则转步骤707,如果不是则转步骤706;
步骤706,判断是否需要扩大搜索范围,如果是则由计算机设定扩大起始地空间维度或时间维度的搜索范围,转步骤702,如果不是则转步骤708;
步骤707,将符合条件的车辆信息列表返回给计算机;
步骤708,结束。
9.根据权利要求8所述的计算机中基于数据立方体的物流智能交易数据处理方法,其特征在于,货物匹配处理流程包括以下步骤:
步骤801,计算机收到一条货物匹配需求;
步骤802,判断当前时间或计划开始运输时间段内车辆附近有无待运货物,如果有则转步骤803,如果没有则转步骤806;
步骤803,判断是否有符合车辆运输条件的货物类型待运输,如果有则转步骤804,如果没有则转步骤806;
步骤804,判断是否有货物重量在本车空余运力范围内的货物待运输,如果有则转步骤805,如果不是则转步骤806;
步骤805,判断货物的目的地是否与车辆目的地一致或在车辆路线经过的地区,如果有则转步骤807,如果不是则转步骤806;
步骤806,根据计算机设定判断是否需要扩大起始地空间维度和发货时间维度搜索范围,如果是则转步骤802,如果不是则转步骤808;
步骤807,将符合条件的货物信息列表返回给计算机;
步骤808,结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410189039.2A CN103955814B (zh) | 2014-05-06 | 2014-05-06 | 计算机中基于数据立方体的物流智能交易数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410189039.2A CN103955814B (zh) | 2014-05-06 | 2014-05-06 | 计算机中基于数据立方体的物流智能交易数据处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103955814A true CN103955814A (zh) | 2014-07-30 |
CN103955814B CN103955814B (zh) | 2016-10-05 |
Family
ID=51333087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410189039.2A Active CN103955814B (zh) | 2014-05-06 | 2014-05-06 | 计算机中基于数据立方体的物流智能交易数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103955814B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407300A (zh) * | 2016-08-30 | 2017-02-15 | 招商局重庆交通科研设计院有限公司 | 海量交通数据存储方法 |
CN107045532A (zh) * | 2017-01-20 | 2017-08-15 | 中国科学院电子学研究所 | 时空地理空间可视化的分析方法 |
CN107767242A (zh) * | 2016-08-15 | 2018-03-06 | 平安科技(深圳)有限公司 | 账务数据处理方法及账务数据处理装置 |
CN110447045A (zh) * | 2017-01-23 | 2019-11-12 | 优步技术公司 | 用于设定路线和控制货运车辆的系统 |
CN110490501A (zh) * | 2018-09-18 | 2019-11-22 | 北京京东尚科信息技术有限公司 | 一种运力状态管理方法和装置 |
CN111382160A (zh) * | 2020-03-09 | 2020-07-07 | 上海东普信息科技有限公司 | 分布式物流运输调度的方法、装置、设备和存储介质 |
CN112183860A (zh) * | 2020-09-28 | 2021-01-05 | 上海寻梦信息技术有限公司 | 留仓包裹动态路由方法、装置、电子设备以及存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI621079B (zh) * | 2016-11-18 | 2018-04-11 | 秦世誠 | 物流供需媒合系統及方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008100489A2 (en) * | 2007-02-12 | 2008-08-21 | Sean O'sullivan | Shared transport system and service network |
CN102393927B (zh) * | 2011-08-30 | 2015-05-13 | 张晓冬 | 公路运输力量优化配置系统 |
CN103679405A (zh) * | 2012-08-31 | 2014-03-26 | 成都海存艾匹科技有限公司 | 物流配送系统和方法 |
-
2014
- 2014-05-06 CN CN201410189039.2A patent/CN103955814B/zh active Active
Non-Patent Citations (1)
Title |
---|
汪传雷: "基于数据立方体的智慧物流信息系统研究", 《技术物流》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107767242A (zh) * | 2016-08-15 | 2018-03-06 | 平安科技(深圳)有限公司 | 账务数据处理方法及账务数据处理装置 |
CN106407300A (zh) * | 2016-08-30 | 2017-02-15 | 招商局重庆交通科研设计院有限公司 | 海量交通数据存储方法 |
CN106407300B (zh) * | 2016-08-30 | 2020-02-11 | 招商局重庆交通科研设计院有限公司 | 海量交通数据存储方法 |
CN107045532A (zh) * | 2017-01-20 | 2017-08-15 | 中国科学院电子学研究所 | 时空地理空间可视化的分析方法 |
CN110447045A (zh) * | 2017-01-23 | 2019-11-12 | 优步技术公司 | 用于设定路线和控制货运车辆的系统 |
CN110447045B (zh) * | 2017-01-23 | 2023-12-26 | 优步技术公司 | 用于设定路线和控制货运车辆的系统 |
CN110490501A (zh) * | 2018-09-18 | 2019-11-22 | 北京京东尚科信息技术有限公司 | 一种运力状态管理方法和装置 |
CN110490501B (zh) * | 2018-09-18 | 2022-04-26 | 北京京东振世信息技术有限公司 | 一种运力状态管理方法和装置 |
CN111382160A (zh) * | 2020-03-09 | 2020-07-07 | 上海东普信息科技有限公司 | 分布式物流运输调度的方法、装置、设备和存储介质 |
CN112183860A (zh) * | 2020-09-28 | 2021-01-05 | 上海寻梦信息技术有限公司 | 留仓包裹动态路由方法、装置、电子设备以及存储介质 |
CN112183860B (zh) * | 2020-09-28 | 2024-05-03 | 上海寻梦信息技术有限公司 | 留仓包裹动态路由方法、装置、电子设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103955814B (zh) | 2016-10-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103955814B (zh) | 计算机中基于数据立方体的物流智能交易数据处理方法 | |
Geoffrion et al. | Multicommodity distribution system design by Benders decomposition | |
Daganzo | The distance traveled to visit N points with a maximum of C stops per vehicle: An analytic model and an application | |
US9652467B2 (en) | Inline tree data structure for high-speed searching and filtering of large datasets | |
CN103548019A (zh) | 用于根据数据仓库提供统计信息的方法和系统 | |
Bugiotti et al. | Invisible glue: scalable self-tuning multi-stores | |
US9697250B1 (en) | Systems and methods for high-speed searching and filtering of large datasets | |
CN107851024A (zh) | 用于解空间分割的并行处理 | |
CN103455560A (zh) | 一种数据查询方法及系统 | |
CN108229728A (zh) | 一种货源信息的推荐方法及一种计算机设备 | |
CN111951064A (zh) | 基于大数据的电商交易方法 | |
CN112380302A (zh) | 基于轨迹数据的热力图生成方法、装置、电子设备以及存储介质 | |
US9684704B2 (en) | Data extraction and sparseness discovery from multidimensional databases | |
Prabawa et al. | Analysis and Design Data Warehouse For E-Travel Business Optimization | |
CN102629253A (zh) | 为商业智能系统数据仓库创建gps数据库的方法及系统 | |
CN107229996B (zh) | 一种一体化供应链管理平台 | |
Jakara et al. | VEHICLE ROUTING PROBLEM-CASE STUDY ON LOGISTICS COMPANY IN CROATIA. | |
CN112613701A (zh) | 一种成品卷烟物流调度方法 | |
Zhu et al. | TDCT: Transport destination calibration based on waybill trajectories of trucks | |
CN113159594B (zh) | 液化天然气运输车的调度方法及装置 | |
Bavar et al. | Green routing in a two-level network of cross docks given the shipping price (Case study: Pegah Co.) | |
Domnina et al. | Forecast of digital technologies development in transport logistics | |
Prato et al. | Characterization of Freight Transportation in Colombia Using the National Registry of Cargo Dispatches (RNDC) | |
Wu et al. | Research and implementation of data mining algorithms based on logistics information systems | |
CN101936741A (zh) | 基于逆向基图修正时空数据模型的车载导航路网增量数据更新系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |