CN106156966A - 物流监测方法及设备 - Google Patents
物流监测方法及设备 Download PDFInfo
- Publication number
- CN106156966A CN106156966A CN201510158388.2A CN201510158388A CN106156966A CN 106156966 A CN106156966 A CN 106156966A CN 201510158388 A CN201510158388 A CN 201510158388A CN 106156966 A CN106156966 A CN 106156966A
- Authority
- CN
- China
- Prior art keywords
- speed
- section
- vehicle
- time
- meteorological data
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0838—Historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/015—Detecting movement of traffic to be counted or controlled with provision for distinguishing between two or more types of vehicles, e.g. between motor-cars and cycles
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
Abstract
本申请提供一种物流监测方法及设备,本申请根据路段的气象和车速数据得到车辆在该路段的预估车速,然后根据所述预估车速获取物流监测数据,能够将气象信息结构化至物流监控可使用的形式,将气象因素和路段信息结合,获取精确的物流监测和预测数据。由于长途物流的时间和空间跨度大,气象因素对长途物流的影响较大,本申请结合尤其适用于城市间的长途物流的监控。
Description
技术领域
本申请涉及通信及计算机领域,尤其涉及一种物流监测方法及设备。
背景技术
随着我国电子商务的高速发展,物流服务体验成为竞争焦点。对物流网络的精细管理(监控,预测,优化)对于优化物流业务,提升电商服务水平,显得非常重要。如图1所示,物流网络是由物流节点11(网点,中转站)以及连结它们之间的物流线路12(公路,铁路,海运线路,航空线路)所构成的货物运输网络。如图2所示,对主要涉及公路的物流网络,为了简化起见物流网络可以用拓扑图表示,图2中,物流线路12可以按一定规则划分为若干路段13。
气象信息在物流网络监控中所发挥的作用日趋重要,误判气象信息的代价也随之升高,往往一个路线的延时影响或许波及范围将是几个省的物流通道。然而,在现有的物流网络的监控方案中,各物流公司通过现有的运单监测系统,主要是根据各节点传回的信息来监测运单流转情况,气象信息在数据结构上与物流行业的数据并无太大耦合关系,通常一个路段会穿越多个气象区域,如何将这些气象区域进行结构化当前尚无很好的解决方案。现有方案中对于在途运单的监测是一个薄弱环节,现有方案要么通过司机打电话了解情况,要么只能通过GPS信息得到各物流车辆所在位置,不能综合考虑车流量,天气,车辆速度等因素对各线路进行分段监控,而且只能参考自己一家公司的信息,不能参考其他物流公司的信息,从而导致信息不全面不准确,难以提供可行的决策支持。
公开号为102256377A、发明名称为一种农资物流监控系统的中国专利申请中针对农产品,公开号为103458236A、发明名称为危化品物流智能监控系统的中国专利申请中针对危化品,农产品和危化品的这些特殊商品对温度,湿度,速度,压力等非常敏感,因此使用传感器进行了实时监控,但这该两项专利申请只能实时监控温度,湿度,速度,压力,位置等变量,从而避免商品变质、损坏,或者偏离运输路线。并不能结合天气实况和天气预报对物流商品未来的运行时间进行预估,从而及时调整物流计划。
另外,公开号为103794053A、发明名称为一种城市短途物流单目标配送时间模糊预测方法及系统的中国专利申请中,通过GPS采集配送车辆在各路段的通过时间,然后在采集的历史数据的基础上,预测配送时间,但该专利申请不考虑气象因素,只适用于城市内的短途物流。
综上,面对运转情况非常复杂的物流网络,如何综合考虑运单量、路况、天气等各方面因素影响,对运单的状态进行有效监控是目前亟待解决的问题。
发明内容
本申请的目的是提供一种物流监测方法及设备,能够对物流车辆和运单实施更精准的监测和预测。
有鉴于此,本申请提供一种物流监测方法,包括:
根据路段的气象和车速数据得到车辆在该路段的预估车速;
根据所述预估车速获取物流监测数据。
进一步的,所述路段的气象和车速数据包括:路段的实时气象数据、车辆的实时车速和该路段的历史气象数据与车速的关系。
进一步的,所述路段的历史气象数据与车速的关系包括按路段、时段的历史气象数据下各车型的平均标准车速。
进一步的,根据路段的气象和车速数据得到车辆在该路段的预估车速,包括:
根据车辆在当前路段的气象数据和按路段、时段的历史气象数据下各车型的平均标准车速,得到当前路段、时段的历史气象数据下与车辆的车型对应的平均标准车速;
根据所述预估车速获取物流监测数据包括:
根据车辆在当前路段的车流量、实时车速与对应的平均标准车速判断当前路段是否拥堵。
进一步的,得到当前路段、时段的历史气象数据下与车辆的车型对应的平均标准车速之后,还包括:
判断以车辆在当前路段已经行驶部分的实时车速的平均车速行驶当前路段的剩余部分的时间是否小于预设阈值,
若是,将该路段已经行驶部分实时车速的平均车速作为车辆在该路段的剩余部分的预估车速;
若否,从历史气象数据与车速的关系中匹配与该路段最相近的平均标准车速,根据匹配到的与该路段最相近的平均标准车速得到车辆在该路段的剩余部分的预估车速。
进一步的,从历史气象数据与车速的关系中匹配与该路段最相近的平均标准车速,包括如下其中一项:
从历史气象数据与车速的关系中查找相同天气同一路段同一时段的车速作为匹配到的该路段最相近的平均标准车速;
从历史气象数据与车速的关系中查找相同天气同一路段相似时段的车速作为匹配到的该路段最相近的平均标准车速;
从历史气象数据与车速的关系中查找相似路段的车速作为匹配到的该路段最相近的平均标准车速。
进一步的,从历史气象数据与车速的关系中匹配与该路段最相近的平均标准车速,包括:
从历史气象数据与车速的关系中查找相同天气同一路段同一时段的车速,若有,将该车速作为匹配到的该路段最相近的平均标准车速;
若无,从历史气象数据与车速的关系中查找相同天气同一路段相似时段的车速,若有,将该车速作为匹配到的该路段最相近的平均标准车速;
若无,从历史气象数据与车速的关系中查找相似路段的车速作为匹配到的该路段最相近的平均标准车速。
进一步的,判断当前路段是否拥堵之后,还包括:
根据当车辆的当前路段的车辆流量、剩余部分的预估车速获取该路段的拥堵持续时间。
进一步的,获取该路段的拥堵持续时间之后还包括:
当拥堵持续时间大于预设阈值时,对经过该路段的车辆的行经路线进行调整。
进一步的,将该路段已经行驶部分实时车速的平均车速作为车辆在该路段的剩余部分的预估车速之后,或根据匹配到的与该路段最相近的平均标准车速得到车辆在该路段的剩余部分的预估车速之后,还包括:
根据车辆在该路段的剩余部分的预估车速获取车辆的行经路线的后续各路段的预估车速;
根据所述预估车速获取物流监测数据,包括:
根据车辆在该路段的剩余部分和后续各路段的预估车速预测车辆在各路段的行驶时间;
根据一节点之前的各路段的行驶时间预测车辆到达该节点的时间。
进一步的,根据一节点之前的各路段的行驶时间预测车辆到达该节点的时间之前,还包括:
建立车辆与运单的对应关系。
进一步的,所述运单包括已经产生的运单和根据销量预测结果得到预测运单。
进一步的,根据一节点之前的各路段的行驶时间预测车辆到达该节点的时间,包括:
根据前一节点的运单处理速度和当前节点之前的各路段的行驶时间预测车辆到达当前节点的时间。
进一步的,根据前一节点的运单处理速度和当前节点之前的各路段的行驶时间预测车辆到达当前节点的时间之后,还包括:
根据车辆到达节点的时间预测该节点未来各时间段需要处理的运单数量。
根据本申请的另一方面还提供一种用于物流监测的设备,包括:
第一装置,用于根据路段的气象和车速数据得到车辆在该路段的预估车速;
第二装置,用于根据所述预估车速获取物流监测数据。
进一步的,所述路段的气象和车速数据包括:路段的实时气象数据、车辆的实时车速和该路段的历史气象数据与车速的关系。
进一步的,所述路段的历史气象数据与车速的关系包括按路段、时段的历史气象数据下各车型的平均标准车速。
进一步的,所述第一装置,包括:
第一一模块,用于根据车辆在当前路段的气象数据和按路段、时段的历史气象数据下各车型的平均标准车速,得到当前路段、时段的历史气象数据下与车辆的车型对应的平均标准车速;
所述第二装置,包括:
第二一模块,用于根据车辆在当前路段的车流量、实时车速与对应的平均标准车速判断当前路段是否拥堵。
进一步的,所述第一装置还包括第一二模块,用于判断以车辆在当前路段已经行驶部分的实时车速的平均车速行驶当前路段的剩余部分的时间是否小于预设阈值,若是,将该路段已经行驶部分实时车速的平均车速作为车辆在该路段的剩余部分的预估车速;若否,从历史气象数据与车速的关系中匹配与该路段最相近的平均标准车速,根据匹配到的与该路段最相近的平均标准车速得到车辆在该路段的剩余部分的预估车速。
进一步的,从历史气象数据与车速的关系中匹配与该路段最相近的平均标准车速,包括如下其中一项:
从历史气象数据与车速的关系中查找相同天气同一路段同一时段的车速作为匹配到的该路段最相近的平均标准车速;
从历史气象数据与车速的关系中查找相同天气同一路段相似时段的车速作为匹配到的该路段最相近的平均标准车速;
从历史气象数据与车速的关系中查找相似路段的车速作为匹配到的该路段最相近的平均标准车速。
进一步的,从历史气象数据与车速的关系中匹配与该路段最相近的平均标准车速,包括:
从历史气象数据与车速的关系中查找相同天气同一路段同一时段的车速,若有,将该车速作为匹配到的该路段最相近的平均标准车速;
若无,从历史气象数据与车速的关系中查找相同天气同一路段相似时段的车速,若有,将该车速作为匹配到的该路段最相近的平均标准车速;
若无,从历史气象数据与车速的关系中查找相似路段的车速作为匹配到的该路段最相近的平均标准车速。
进一步的,所述第二装置,还包括:
第二二模块,用于根据当车辆的当前路段的车辆流量、剩余部分的预估车速获取该路段的拥堵持续时间。
进一步的,所述第二装置,还包括:
第二三模块,用于当拥堵持续时间大于预设阈值时,对经过该路段的车辆的行经路线进行调整。
进一步的,所述第一装置还包括:
第一三模块,用于根据车辆在该路段的剩余部分的预估车速获取车辆的行经路线的后续各路段的预估车速;
所述第二装置还包括:
第二四模块,用于根据车辆在该路段的剩余部分和后续各路段的预估车速预测车辆在各路段的行驶时间;
第二五模块,用于根据一节点之前的各路段的行驶时间预测车辆到达该节点的时间。
进一步的,所述第二装置还包括:
第二六模块,用于建立车辆与运单的对应关系。
进一步的,所述运单包括已经产生的运单和根据销量预测结果得到预测运单。
进一步的,所述第二五模块,用于根据前一节点的运单处理速度和当前节点之前的各路段的行驶时间预测车辆到达当前节点的时间。
进一步的,所述第二装置还包括:
第二七模块,用于根据车辆到达节点的时间预测该节点未来各时间段需要处理的运单数量。
与现有技术相比,本申请根据路段的气象和车速数据得到车辆在该路段的预估车速,然后根据所述预估车速获取物流监测数据,能够将气象信息结构化至物流监控可使用的形式,将气象因素和路段信息结合,获取精确的物流监测和预测数据。由于长途物流的时间和空间跨度大,气象因素对长途物流的影响较大,本申请结合尤其适用于城市间的长途物流的监控。
进一步的,本申请中所述路段的气象和车速数据包括:路段的实时气象数据、车辆的实时车速和该路段的历史气象数据与车速的关系,其中,所述路段的历史气象数据与车速的关系包括按路段、时段的历史气象数据下各车型的平均标准车速,可以实现后续得到精确的物流监测数据。
进一步的,本申请根据车辆在当前路段的车流量、实时车速与对应的平均标准车速判断当前路段是否拥堵,一方面可以精确监测当前路段的拥堵情况,另一方面可为后续进一步的物流监测提供分析基础。
进一步的,本申请将路段已经行驶部分实时车速的平均车速作为车辆在该路段的剩余部分的预估车速,或者从历史气象数据与车速的关系中匹配与该路段最相近的平均标准车速,根据匹配到的与该路段最相近的平均标准车速得到车辆在该路段的剩余部分的预估车速,可以分不同情况得到精确的车辆所在路段的剩余部分的预估车速,从而为后续精确地获取物流监测数据提供数据基础。
进一步的,本申请中当判断为当前路段为拥堵时,根据当车辆的当前路段的车辆流量、剩余部分的预估车速获取该路段的拥堵持续时间,从而获取到更精确物流状况信息;另外,当拥堵持续时间大于预设阈值时,对经过该路段的车辆的行经路线进行调整,以提高物流运输效率。
进一步的,本申请根据车辆在该路段的剩余部分和后续各路段的预估车速预测车辆在各路段的行驶时间,并根据一节点之前的各路段的行驶时间预测车辆到达该节点的时间,从而获取更为精准的车辆轨迹预估。
进一步的,本申请通过建立车辆与运单的对应关系,可以监控运单的流转情况,另外,根据前一节点的运单处理速度和当前节点之前的各路段的行驶时间预测车辆到达当前节点的时间,从而预测得到更精确的车辆到达当前节点的时间,此外,根据车辆到达节点的时间预测该节点未来各时间段需要处理的运单数量,以便及时根据运单数量增加人手,避免爆仓。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1示出现有的物流网络的示意图;
图2示出现有的物流网络拓扑图;
图3示出根据本申请一个方面的一种物流监测方法的流程图;
图4示出本申请一实施例的路段气象信息的示意图;
图5示出本申请的一优选的实施例的物流监测方法的流程图;
图6示出本申请的另一优选的实施例的物流监测方法的流程图;
图7示出本申请的一实施例的车辆在节点1和节点2之间的路段行驶示意图;
图8示出本申请的又一优选的实施例的物流监测方法的流程图;
图9示出本申请一实施例的各时段平均车速示意图;
图10示出本申请一实施例的各时段归一化后平均车速示意图;
图11示出本申请的再一优选的实施例的物流监测方法的流程图;
图12示出本申请的又一优选的实施例的物流监测方法的流程图;
图13示出本申请的另一优选的实施例的物流监测方法的流程图;
图14示出本申请的再一优选的实施例的物流监测方法的流程图;
图15示出本申请的一具体应用实施例的原理图;
图16示出本申请的另一个方面的一种用于物流监测的设备示意图;
图17示出本申请的一优选的实施例的用于物流监测的设备示意图;
图18示出本申请的另一优选的实施例的用于物流监测的设备示意图;
图19示出本申请的又一优选的实施例的用于物流监测的设备示意图;
图20示出本申请的再一优选的实施例的用于物流监测的设备示意图;
图21示出本申请的另一优选的实施例的用于物流监测的设备示意图;
图22示出本申请的又一优选的实施例的用于物流监测的设备示意图;
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
在本申请一个典型的配置中,终端、服务网络的设备和可信方均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flashRAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
如图3所示,本申请提供一种物流监测方法,包括:
步骤S1,根据路段的气象和车速数据得到车辆在该路段的预估车速;在此,所述气象数据可包括实时气象数据和历史气象数据,其中,所述实时气象数据包括各路段的当前天气实况数据和当前天气预报数据,所述气象数据可以通过各种气象渠道获取,如通过国家气象局或其它气象平台等获取,例如,如图4所示,可将全国的高速公路和国道细分到县域级别的各路段,提供每个路段的实时气象数据和历史气象数据;
步骤S2,根据所述预估车速获取物流监测数据。本实施例将气象信息结构化至物流监控可使用的形式,将气象因素和路段信息结合,获取精确的物流监测和预测数据。由于长途物流的时间和空间跨度大,气象因素对长途物流的影响较大,本申请结合尤其适用于城市间的长途物流的监控。
本申请的物流监测方法的一优选的实施例中,所述路段的气象和车速数据包括:路段的实时气象数据、车辆的实时车速和该路段的历史气象数据与车速的关系,从而实现后续得到精确的物流监测数据。在此,车辆的实时车速可根据车辆的GPS信息计算得到,GPS信息能够确定车辆所在的路段,GPS即全球卫星定位系统,该系统通过测量出已知位置的卫星到用户接收机之间的距离,然后综合多颗卫星的数据计算出接收机即车辆的具体位置,目前我国各大物流公司的大部分运输车辆安装了GPS接收机,用来导航和监控车辆、货物所在位置。
本申请的物流监测方法的一优选的实施例中,所述路段的历史气象数据与车速的关系包括按路段、时段的历史气象数据下各车型的平均标准车速,从而实现后续得到精确的物流监测数据。在此,历史气象数据可分为9个基本类型:正常(阴天,晴天),小到中雨,大到暴雨,雷暴,冻雨,大雾,小到中雪,大到暴雪,沙尘;车型可以依据汽车分类国家标准(GB9417-89)中载货汽车的分类,具体如表1所示:
车型 | 厂定最大总质量(GA) |
微型 | GA≤1.8吨 |
轻型 | 1.8吨<GA≤6吨 |
中型 | 6吨<GA≤14吨 |
重型 | GA>14吨 |
表1
按路段、时段的历史气象数据下各车型的平均标准车速可以具体如表2所示:
表2
具体的,例如,某时段某路段某车型的历史气象数据下平均标准车速的计算方式可以如下:
某时段某路段某车型的历史气象数据下平均标准车速=(该历史气象数据下该时段该车型车辆在该路段行驶距离之和)/(该历史气象数据下该时段该车型车辆在该路段行驶时间之和)。
例如,统计12:00-13:00某路段的平均车速,其中:
小型车辆一在正常天气下,于12:23-13:00在该路段行驶,行驶时间是0.52小时,行驶距离40km;
小型车辆二在正常天气下,于12:02-12:50在该路段行驶,行驶时间0.6小时,行驶距离60km(走完整个路段);
…
那么,该某时段某路段某车型的历史气象数据下平均标准车速=(40+60+…)/(0.52+0.6+…)。本领域技术人员应能理解上述路段的历史气象数据与车速的关系的描述仅为举例,其他现有的或今后可能出现的路段的历史气象数据与车速的关系的描述如可适用于本申请,也应包含在本申请保护范围以内,并在此以引用方式包含于此。
如图5所示,本申请的物流监测方法的一优选的实施例中,步骤S1,根据路段的气象和车速数据得到车辆在该路段的预估车速,包括:
步骤S11,根据车辆在当前路段的气象数据和按路段、时段的历史气象数据下各车型的平均标准车速,得到当前路段、时段的历史气象数据下与车辆的车型对应的平均标准车速,即得到该路段的第一个预估车速;
相应的,步骤S2,根据所述预估车速获取物流监测数据包括:
步骤S21,根据车辆在当前路段的车流量、实时车速与对应的平均标准车速判断当前路段是否拥堵,从而一方面可以精确监测当前路段的拥堵情况,另一方面为后续进一步的物流监测提供分析基础,在此,可综合考虑当前路段的车流量的因素,比较实时车速比对应的平均标准车速小至少某一预设阈值时,则判断当前路段为拥堵。本领域技术人员应能理解上述判断当前路段是否拥堵的描述仅为举例,其他现有的或今后可能出现的判断当前路段是否拥堵的描述如可适用于本申请,也应包含在本申请保护范围以内,并在此以引用方式包含于此。
如图6所示,本申请的物流监测方法的一优选的实施例中,步骤S11,根据车辆在当前路段的气象数据和按路段、时段的历史气象数据下各车型的平均标准车速,得到当前路段、时段的历史气象数据下与车辆的车型对应的平均标准车速之后,还包括:
步骤S12,判断以车辆在当前路段已经行驶部分的实时车速的平均车速行驶当前路段的剩余部分的时间是否小于预设阈值,若是,转到步骤S13,若否,转到步骤S14,
步骤S13,将该路段已经行驶部分实时车速的平均车速作为车辆在该路段的剩余部分的预估车速,即得到该路段的第二个预估车速;
步骤S14,从历史气象数据与车速的关系中匹配与该路段最相近的平均标准车速,根据匹配到的与该路段最相近的平均标准车速得到车辆在该路段的剩余部分的预估车速,即得到该路段的第二个预估车速。在此,所述预设阈值可以设置为1小时等较短的时间,以车辆在当前路段已经行驶部分的实时车速的平均车速行驶当前路段的剩余部分的时间如果小于预设阈值,那么在该预设阈值的短时间内,通常天气变化的可能性不大,车辆可以该路段已经行驶部分实时车速的平均车速行驶剩余部分的预估车速,相反,如果大于等于预设阈值,那么在大于该预设阈值的较长时间内,通常天气变化的可能性会比较大,那么可从历史气象数据与车速的关系中匹配与该路段最相近的平均标准车速,根据匹配到的与该路段最相近的平均标准车速得到车辆在该路段的剩余部分的预估车速,车辆以此预估车速行驶当前路段中的剩余部分,这里通过上述两种情况得到精确的车辆所在路段的剩余部分的预估车速,可以为后续精确地获取物流监测数据提供数据基础。详细的,如图7,某一车辆(假设是中型车)在节点1和节点2之间的i个路段行驶,设车辆当前位置为F,则:
T0=车辆当前位置的当前时刻(如是一整点时刻);
L=车辆在当前路段已行驶部分的长度;
L0=当前路段的剩余部分的长度;
Li=接下来第i个路段的长度,i=1,2,3,…;
到达节点2所需时间
t=t0+t1+t2+…
这里ti是在路段Li行驶时间,i=0,1,2,3,…。
为了计算t0,假设
v0=该车辆在已行驶部分L的实时车速的平均速度。
分两种情况:
如果L0/v0<=1小时,那么t0=L0/v0。
否则,1小时后,设14:00-15:00L1路段的天气预报如表3:
表3
那么可从历史气象数据与车速的关系中匹配与该路段最相近的平均标准车速,根据匹配到的与该路段最相近的平均标准车速得到车辆在该路段的剩余部分的预估车速v0’。本领域技术人员应能理解上述得到车辆在该路段的剩余部分的预估车速的描述仅为举例,其他现有的或今后可能出现的得到车辆在该路段的剩余部分的预估车速的描述如可适用于本申请,也应包含在本申请保护范围以内,并在此以引用方式包含于此。
本申请的物流监测方法的一更优选的实施例中,步骤S14中,从历史气象数据与车速的关系中匹配与该路段最相近的平均标准车速,包括如下步骤S141、步骤S142和步骤S143中的其中一项:
步骤S141,从历史气象数据与车速的关系中查找相同天气同一路段同一时段的车速作为匹配到的该路段最相近的平均标准车速;
步骤S142,从历史气象数据与车速的关系中查找相同天气同一路段相似时段的车速作为匹配到的该路段最相近的平均标准车速;
步骤S143,从历史气象数据与车速的关系中查找的车速作为匹配到的该路段最相近的平均标准车速。通过步骤S141、步骤S142和步骤S143中的其中任一步骤可以得到较精确的该路段最相近的平均标准车速。本领域技术人员应能理解上述匹配与路段最相近的平均标准车速的描述仅为举例,其他现有的或今后可能出现的匹配与路段最相近的平均标准车速的描述如可适用于本申请,也应包含在本申请保护范围以内,并在此以引用方式包含于此。
如图8所示,本申请的物流监测方法的一更优选的实施例中,步骤S14中,从历史气象数据与车速的关系中匹配与该路段最相近的平均标准车速,包括:
步骤S141,从历史气象数据与车速的关系中查找相同天气同一路段同一时段的车速,若有,转到步骤S144,将相同天气同一路段同一时段的车速作为匹配到的该路段最相近的平均标准车速,若无,转到步骤S142;
步骤S142,从历史气象数据与车速的关系中查找相同天气同一路段相似时段的车速,若有,转到步骤S145,将相同天气同一路段相似时段的车速作为匹配到的该路段最相近的平均标准车速,若无,转到步骤S143;
步骤S143,从历史气象数据与车速的关系中查找相似路段的车速作为匹配到的该路段最相近的平均标准车速。在此,步骤S141、步骤S142和步骤S143得到该路段最相近的平均标准车速的精确性依次降低,所以在适用于前一步骤的前提下,会优先适用前一步骤,而不会适用后一步骤,从而得到较精确的该路段最相近的平均标准车速。本领域技术人员应能理解上述匹配与路段最相近的平均标准车速的描述仅为举例,其他现有的或今后可能出现的匹配与路段最相近的平均标准车速的描述如可适用于本申请,也应包含在本申请保护范围以内,并在此以引用方式包含于此。
例如,估算该路段的剩余部分的预估车速v0’具体可通过如下过程实现:
步骤一:从历史气象数据与车速的关系中查找相同天气同一路段同一时段的车速作为匹配到的该路段最相近的平均标准车速,例如,从历史气象数据与车速的关系中查找到即同一路段在同一时段(14:00-15:00)最近一次出现相同天气状况时,同类型车辆的平均行驶速度为v’即匹配到的该路段最相近的平均标准车速,计算车辆的速度系数r,r=该车辆在路段的已经行驶部分L的实时车速的平均车速/同类型车辆在路段的已行驶部分L的平均速度,其中,该车辆在路段的已经行驶部分L的实时车速的平均车速可以根据GPS数据得到,同类型车辆在路段已行驶路段L的平均速度可从历史气象数据与车速的关系中匹配得到,在此加上速度系数r的计算,可使后续得到的车辆在该路段的剩余部分的预估车速更加精确,则根据匹配到的与该路段最相近的平均标准车速可以得到车辆在该路段的剩余部分的预估车速v0’=rv’;另外,如果同一时段未出现过相同天气状况,执行步骤二;
步骤二:从历史气象数据与车速的关系中查找相同天气同一路段相似时段的车速作为匹配到的该路段最相近的平均标准车速,即同一路段在相似时段最近一次出现相同天气状况时,同类型车辆的平均行驶速度为v’即匹配到的该路段最相近的平均标准车速,则根据匹配到的与该路段最相近的平均标准车速得到车辆在该路段的剩余部分的预估车速v0’=rρv’,这里ρ=同一时段同一路段的正常天气的平均车速/相似时段同一路段的正常天气的平均车速,在此,相似时段的定义可以是:取最近一段时间如一周的数据,比较正常天气下两个时段的平均车速(归一化处理后)的差值,差值<0.1的是相似时段。
例如,设置有24个时段(时段1(0:00-1:00),时段2(1:00-2:00),…,时段24(23:00-24:00))在正常天气下最近一周的平均车速如图9所示,对车速进行归一化处理,即:归一化后车速=(车速-最小车速)/(最大车速-最小车速),得到如图10所示的归一化后车速,图10中,时段15(14:00-15:00)的相似时段有时段8,9,10,12,16,如果这些时段均未出现过相同天气状况,那么,就执行步骤三。如果其中一个时段,例如时段8最近出现过相同天气状况。那么车辆在该路段的剩余部分的预估车速v0’=r*时段8出现相同天气状况时的车速*(时段15正常天气的平均车速/时段8正常天气的平均车速)。
步骤三:从历史气象数据与车速的关系中查找相似路段的车速作为匹配到的该路段最相近的平均标准车速。路段相似性的计算方法可以是,取最近一段时间如一周相同时段及相似时段的同一车型数据,比较当前路段和其它每个路段在各种天气下的平均速度,定义两个路段的相似系数=两路段速度差的绝对值/两路段速度之和,再按不同天气取均值,例如,如表4:
天气 | 路段01 | 路段02 |
正常 | 75 | 65 |
小到中雨 | 64 | 57 |
… |
表4
那么这两个路段的相似系数=(|75-65|/(75+65)+|64-57|/(64+57)…)/天气种类数量,最后取两个路段的相似系数最小的对应路段即为匹配到的相似路段,后续即可根据匹配到的相似路段得到车辆在该路段的剩余部分的预估车速。
如图11所示,本申请的物流监测方法的一优选的实施例中,步骤S21,判断当前路段是否拥堵之后,还包括:
步骤S22,当判断为当前路段为拥堵时,根据当车辆的当前路段的车辆流量、剩余部分的预估车速获取该路段的拥堵持续时间,从而获取到更精确物流状况信息。在此,在获取该路段的拥堵时间时,除了将当前路段的车辆流量、剩余部分的预估车速作为考虑因素外,还可以考虑当前路段的前后相邻路段的车辆流量和预估车速,从而得到更精确的当前路段的拥堵持续时间。本领域技术人员应能理解上述获取该路段的拥堵持续时间的描述仅为举例,其他现有的或今后可能出现的获取该路段的拥堵持续时间的描述如可适用于本申请,也应包含在本申请保护范围以内,并在此以引用方式包含于此。
如图12所示,本申请的物流监测方法的一优选的实施例中,步骤S22获取该路段的拥堵持续时间之后还包括:
步骤S23,当拥堵持续时间大于预设阈值时,对经过该路段的车辆的行经路线进行调整,在此,当某路段可能出现长期延误时,可以对该路段的车辆的行经路线进行重新规划调整,以提高物流运输效率。
如图13所示,本申请的物流监测方法的一优选的实施例中,步骤S13中,将该路段已经行驶部分实时车速的平均车速作为车辆在该路段的剩余部分的预估车速之后,或步骤S14中,根据匹配到的与该路段最相近的平均标准车速得到车辆在该路段的剩余部分的预估车速之后,还包括:
步骤S15,根据车辆在该路段的剩余部分的预估车速获取车辆的行经路线的后续各路段的预估车速;
对应的,步骤S2,根据所述预估车速获取物流监测数据,包括:
步骤S24,根据车辆在该路段的剩余部分和后续各路段的预估车速预测车辆在各路段的行驶时间;
步骤S25,根据一节点之前的各路段的行驶时间预测车辆到达该节点的时间,从而获取更为精准的车辆轨迹预估。在此,所述节点可以车辆行驶的终点之前的任一节点,也可以是所述终点。本领域技术人员应能理解上述预测车辆到达该节点的时间的描述仅为举例,其他现有的或今后可能出现的预测车辆到达该节点的时间的描述如可适用于本申请,也应包含在本申请保护范围以内,并在此以引用方式包含于此。
本申请的物流监测方法的一优选的实施例中,步骤S25,根据一节点之前的各路段的行驶时间预测车辆到达该节点的时间之前,还包括:建立车辆与运单的对应关系。在此,运单是物流公司开具的货物托运单据。一个运单ID对应物流公司承运的一个或一组货物(包裹)。物流公司根据各网点或中转站回流的信息,监控运单的流转情况。运单监控的主要作用是:可以让消费者根据运单ID查询运单跟踪记录和预计送达时间。例如,表5所示的某物流公司的运单查询结果。物流公司可以根据运单监测和预测结果,调整物流计划,例如改变车辆行驶路线,给物流网点增加人手,等等。根据车辆GPS信息能够确定运单所在的路段。
运单ID:*******,发货地:北京市海淀区****路***号,收货地:广州市番禺区***路***号
表5
可选的,所述运单包括已经产生的运单和根据销量预测结果得到预测运单,从而可以通过与运单对应的车辆的运行状态监测已经存在运单和预测到的运单的处理状况。
如图14所示,本申请的物流监测方法的一优选的实施例中,步骤S25,根据一节点之前的各路段的行驶时间预测车辆到达该节点的时间,包括:
步骤S251,根据前一节点的运单处理速度和当前节点之前的各路段的行驶时间预测车辆到达当前节点的时间,从而预测得到更精确的车辆到达当前节点的时间。在此,各个节点的运单处理速度包括发货节奏和处理速度,具体可根据运单流转信息整理出。有的物流节点处理量不大,按时段发货(物流班车);有的物流节点处理量大,只要凑够一整车就随时发货,这时候运单在中转站的处理时间就与运单量和处理速度密切相关。相应的,根据车辆到达节点的时间可以精确得到对应的运单到达该节点的时间。本领域技术人员应能理解上述预测车辆到达当前节点的时间的描述仅为举例,其他现有的或今后可能出现的预测车辆到达当前节点的时间如可适用于本申请,也应包含在本申请保护范围以内,并在此以引用方式包含于此。
如图14所示,本申请的物流监测方法的一优选的实施例中,步骤S251,根据前一节点的运单处理速度和当前节点之前的各路段的行驶时间预测车辆到达当前节点的时间之后,还包括:
步骤S252,根据车辆到达节点的时间预测该节点未来各时间段需要处理的运单数量。在此,可综合各线路情况,预测各物流节点未来将处理的单量,以便及时根据运单数量增加人手,避免爆仓。本领域技术人员应能理解上述未来各时间段需要处理的运单数量的描述仅为举例,其他现有的或今后可能出现的未来各时间段需要处理的运单数量的描述如可适用于本申请,也应包含在本申请保护范围以内,并在此以引用方式包含于此。
如图15,本申请一具体应用实施例中,可从历史数据151如运单流转信息1511、在途车辆信息1512和路段气象信息1513等,根据运单流转信息1511可以整理得到中间数据152中的节点的发货节奏和处理速度1521,根据在途车辆信息1512和路段气象信息1513可以整理得到各路段天气和车速的关系1522,然后将节点的发货节奏和处理速度1521、以及各路段天气和车速的关系1522与实时数据153结合,分析得到运单监控154中的运单实况1541和运单预测信息1542,其中,运单实况1541如:输入的运单号后,根据车辆GPS信息可以查询该运单所在路段或节点(网点,中转站),运单预测信息1542如:根据车辆到达节点的时间可以精确得到对应的运单到达该节点的时间,或根据车辆到达节点的时间预测该节点未来各时间段需要处理的运单数量等。所述实时数据153可以包括:销量预测结果1531、在途车辆信息1532、车辆和运单绑定信息1533和路段气象预报1534,具体的,历史数据151中的运单流转信息1511可以是运单进出各物流节点的纪录,格式可以如表6:
运单ID | 节点ID | 时间 | 出/入 |
50001 | 1 | 2014-5-713:25 | 入 |
50001 | 1 | 2014-5-716:12 | 出 |
47203 | 2 | 2014-5-713:27 | 入 |
… | … | … | … |
表6
历史数据151和实时数据153中的在途车辆信息1512、1532由GPS每分钟回传一次,格式可以如表7:
表7
具体的,历史数据151和实时数据153中的路段气象信息,可从国家气象局获取,显示各路段在各个时间(精确到小时)的天气状况。实时数据153中的销量预测结果1531可以是预测未来某时段将会产生多少运单,这些运单的发货城市,收件城市以及途经中转站。车辆和运单绑定信息1533可以显示当前运行的车辆上装载了哪些运单。
如图16所示,根据本申请的另一面还提供一种用于物流监测的设备100,其中,包括:
第一装置101,用于根据路段的气象和车速数据得到车辆在该路段的预估车速;在此,所述气象数据可包括实时气象数据和历史气象数据,其中,所述实时气象数据包括各路段的当前天气实况数据和当前天气预报数据,所述气象数据可以通过各种气象渠道获取,如通过国家气象局或其它气象平台等获取,例如,如图4所示,可将全国的高速公路和国道细分到县域级别的各路段,提供每个路段的实时气象数据和历史气象数据;
第二装置102,用于根据所述预估车速获取物流监测数据。本实施例将气象信息结构化至物流监控可使用的形式,将气象因素和路段信息结合,获取精确的物流监测和预测数据。由于长途物流的时间和空间跨度大,气象因素对长途物流的影响较大,本申请结合尤其适用于城市间的长途物流的监控。
本申请的用于物流监测的设备的一优选的实施例中,所述路段的气象和车速数据包括:路段的实时气象数据、车辆的实时车速和该路段的历史气象数据与车速的关系从而实现后续得到精确的物流监测数据。在此,车辆的实时车速可根据车辆的GPS信息计算得到,GPS信息能够确定车辆所在的路段,GPS即全球卫星定位系统,该系统通过测量出已知位置的卫星到用户接收机之间的距离,然后综合多颗卫星的数据计算出接收机即车辆的具体位置,目前我国各大物流公司的大部分运输车辆安装了GPS接收机,用来导航和监控车辆、货物所在位置。
本申请的用于物流监测的设备的一优选的实施例中,所述路段的历史气象数据与车速的关系包括按路段、时段的历史气象数据下各车型的平均标准车速。从而实现后续得到精确的物流监测数据。在此,历史气象数据可分为9个基本类型:正常(阴天,晴天),小到中雨,大到暴雨,雷暴,冻雨,大雾,小到中雪,大到暴雪,沙尘;车型可以依据汽车分类国家标准(GB9417-89)中载货汽车的分类,具体如表1所示:
车型 | 厂定最大总质量(GA) |
微型 | GA≤1.8吨 |
轻型 | 1.8吨<GA≤6吨 |
中型 | 6吨<GA≤14吨 |
重型 | GA>14吨 |
表1
按路段、时段的历史气象数据下各车型的平均标准车速可以具体如表2所示:
表2
具体的,例如,某时段某路段某车型的历史气象数据下平均标准车速的计算方式可以如下:
某时段某路段某车型的历史气象数据下平均标准车速=(该历史气象数据下该时段该车型车辆在该路段行驶距离之和)/(该历史气象数据下该时段该车型车辆在该路段行驶时间之和)。
例如,统计12:00-13:00某路段的平均车速,其中:
小型车辆一在正常天气下,于12:23-13:00在该路段行驶,行驶时间是0.52小时,行驶距离40km;
小型车辆二在正常天气下,于12:02-12:50在该路段行驶,行驶时间0.6小时,行驶距离60km(走完整个路段);
…
那么,该某时段某路段某车型的历史气象数据下平均标准车速=(40+60+…)/(0.52+0.6+…)。本领域技术人员应能理解上述路段的历史气象数据与车速的关系的描述仅为举例,其他现有的或今后可能出现的路段的历史气象数据与车速的关系的描述如可适用于本申请,也应包含在本申请保护范围以内,并在此以引用方式包含于此。
如图17所示,本申请的用于物流监测的设备的一优选的实施例中,所述第一装置101,包括:
第一一模块1011,用于根据车辆在当前路段的气象数据和按路段、时段的历史气象数据下各车型的平均标准车速,得到当前路段、时段的历史气象数据下与车辆的车型对应的平均标准车速,即得到该路段的第一个预估车速;
所述第二装置102,包括:
第二一模块1021,用于根据车辆在当前路段的车流量、实时车速与对应的平均标准车速判断当前路段是否拥堵,从而一方面可以精确监测当前路段的拥堵情况,另一方面为后续进一步的物流监测提供分析基础,在此,可综合考虑当前路段的车流量的因素,比较实时车速比对应的平均标准车速小至少某一预设阈值时,则判断当前路段为拥堵。本领域技术人员应能理解上述判断当前路段是否拥堵的描述仅为举例,其他现有的或今后可能出现的判断当前路段是否拥堵的描述如可适用于本申请,也应包含在本申请保护范围以内,并在此以引用方式包含于此。
本申请的用于物流监测的设备的一优选的实施例中,所述第一装置还包括第一二模块1012,用于判断以车辆在当前路段已经行驶部分的实时车速的平均车速行驶当前路段的剩余部分的时间是否小于预设阈值,若是,将该路段已经行驶部分实时车速的平均车速作为车辆在该路段的剩余部分的预估车速,即得到该路段的第二个预估车速;若否,从历史气象数据与车速的关系中匹配与该路段最相近的平均标准车速,根据匹配到的与该路段最相近的平均标准车速得到车辆在该路段的剩余部分的预估车速。,即得到该路段的第二个预估车速。在此,所述预设阈值可以设置为1小时等较短的时间,以车辆在当前路段已经行驶部分的实时车速的平均车速行驶当前路段的剩余部分的时间如果小于预设阈值,那么在该预设阈值的短时间内,通常天气变化的可能性不大,车辆可以该路段已经行驶部分实时车速的平均车速行驶剩余部分的预估车速,相反,如果大于等于预设阈值,那么在大于该预设阈值的较长时间内,通常天气变化的可能性会比较大,那么可从历史气象数据与车速的关系中匹配与该路段最相近的平均标准车速,根据匹配到的与该路段最相近的平均标准车速得到车辆在该路段的剩余部分的预估车速,车辆以此预估车速行驶当前路段中的剩余部分,这里通过上述两种情况得到精确的车辆所在路段的剩余部分的预估车速,可以为后续精确地获取物流监测数据提供数据基础。详细的,如图7,某一车辆(假设是中型车)在节点1和节点2之间的i个路段行驶,设车辆当前位置为F,则:
T0=车辆当前位置的当前时刻(如是一整点时刻);
L=车辆在当前路段已行驶部分的长度;
L0=当前路段的剩余部分的长度;
Li=接下来第i个路段的长度,i=1,2,3,…;
到达节点2所需时间
t=t0+t1+t2+…
这里ti是在路段Li行驶时间,i=0,1,2,3,…。
为了计算t0,假设
v0=该车辆在已行驶部分L的实时车速的平均速度。
分两种情况:
如果L0/v0<=1小时,那么t0=L0/v0。
否则,1小时后,设14:00-15:00L1路段的天气预报如表3:
表3
那么可从历史气象数据与车速的关系中匹配与该路段最相近的平均标准车速,根据匹配到的与该路段最相近的平均标准车速得到车辆在该路段的剩余部分的预估车速v0’。本领域技术人员应能理解上述得到车辆在该路段的剩余部分的预估车速的描述仅为举例,其他现有的或今后可能出现的得到车辆在该路段的剩余部分的预估车速的描述如可适用于本申请,也应包含在本申请保护范围以内,并在此以引用方式包含于此。
本申请的用于物流监测的设备的一优选的实施例中,从历史气象数据与车速的关系中匹配与该路段最相近的平均标准车速,包括如下其中一项:
从历史气象数据与车速的关系中查找相同天气同一路段同一时段的车速作为匹配到的该路段最相近的平均标准车速;
从历史气象数据与车速的关系中查找相同天气同一路段相似时段的车速作为匹配到的该路段最相近的平均标准车速;
从历史气象数据与车速的关系中查找相似路段的车速作为匹配到的该路段最相近的平均标准车速。通过三项中的其中任一项可以得到较精确的该路段最相近的平均标准车速。本领域技术人员应能理解上述匹配与路段最相近的平均标准车速的描述仅为举例,其他现有的或今后可能出现的匹配与路段最相近的平均标准车速的描述如可适用于本申请,也应包含在本申请保护范围以内,并在此以引用方式包含于此。
本申请的用于物流监测的设备的一优选的实施例中,从历史气象数据与车速的关系中匹配与该路段最相近的平均标准车速,包括:
从历史气象数据与车速的关系中查找相同天气同一路段同一时段的车速,若有,将该车速作为匹配到的该路段最相近的平均标准车速;
若无,从历史气象数据与车速的关系中查找相同天气同一路段相似时段的车速,若有,将该车速作为匹配到的该路段最相近的平均标准车速;
若无,从历史气象数据与车速的关系中查找相似路段的车速作为匹配到的该路段最相近的平均标准车速。在此,上述三项得到该路段最相近的平均标准车速的精确性依次降低,所以在适用于前一项的前提下,会优先适用前一项,而不会适用后一项,从而得到较精确的该路段最相近的平均标准车速。本领域技术人员应能理解上述匹配与路段最相近的平均标准车速的描述仅为举例,其他现有的或今后可能出现的匹配与路段最相近的平均标准车速的描述如可适用于本申请,也应包含在本申请保护范围以内,并在此以引用方式包含于此。
例如,估算该路段的剩余部分的预估车速v0’具体可通过如下过程实现:
步骤一:从历史气象数据与车速的关系中查找相同天气同一路段同一时段的车速作为匹配到的该路段最相近的平均标准车速,例如,从历史气象数据与车速的关系中查找到即同一路段在同一时段(14:00-15:00)最近一次出现相同天气状况时,同类型车辆的平均行驶速度为v’即匹配到的该路段最相近的平均标准车速,计算车辆的速度系数r,r=该车辆在路段的已经行驶部分L的实时车速的平均车速/同类型车辆在路段的已行驶部分L的平均速度,其中,该车辆在路段的已经行驶部分L的实时车速的平均车速可以根据GPS数据得到,同类型车辆在路段已行驶路段L的平均速度可从历史气象数据与车速的关系中匹配得到,在此加上速度系数r的计算,可使后续得到的车辆在该路段的剩余部分的预估车速更加精确,则根据匹配到的与该路段最相近的平均标准车速可以得到车辆在该路段的剩余部分的预估车速v0’=rv’;另外,如果同一时段未出现过相同天气状况,执行步骤二;
步骤二:从历史气象数据与车速的关系中查找相同天气同一路段相似时段的车速作为匹配到的该路段最相近的平均标准车速,即同一路段在相似时段最近一次出现相同天气状况时,同类型车辆的平均行驶速度为v’即匹配到的该路段最相近的平均标准车速,则根据匹配到的与该路段最相近的平均标准车速得到车辆在该路段的剩余部分的预估车速v0’=rρv’,这里ρ=同一时段同一路段的正常天气的平均车速/相似时段同一路段的正常天气的平均车速,在此,相似时段的定义可以是:取最近一段时间如一周的数据,比较正常天气下两个时段的平均车速(归一化处理后)的差值,差值<0.1的是相似时段。
例如,设置有24个时段(时段1(0:00-1:00),时段2(1:00-2:00),…,时段24(23:00-24:00))在正常天气下最近一周的平均车速如图9所示,对车速进行归一化处理,即:归一化后车速=(车速-最小车速)/(最大车速-最小车速),得到如图10所示的归一化后车速,图10中,时段15(14:00-15:00)的相似时段有时段8,9,10,12,16,如果这些时段均未出现过相同天气状况,那么,就执行步骤三。如果其中一个时段,例如时段8最近出现过相同天气状况。那么车辆在该路段的剩余部分的预估车速v0’=r*时段8出现相同天气状况时的车速*(时段15正常天气的平均车速/时段8正常天气的平均车速)。
步骤三:从历史气象数据与车速的关系中查找相似路段的车速作为匹配到的该路段最相近的平均标准车速。路段相似性的计算方法可以是,取最近一段时间如一周相同时段及相似时段的同一车型数据,比较当前路段和其它每个路段在各种天气下的平均速度,定义两个路段的相似系数=两路段速度差的绝对值/两路段速度之和,再按不同天气取均值,例如,如表4:
天气 | 路段01 | 路段02 |
正常 | 75 | 65 |
小到中雨 | 64 | 57 |
… |
表4
那么这两个路段的相似系数=(|75-65|/(75+65)+|64-57|/(64+57)…)/天气种类数量,最后取两个路段的相似系数最小的对应路段即为匹配到的相似路段,后续即可根据匹配到的相似路段得到车辆在该路段的剩余部分的预估车速。
如图18所示,本申请的用于物流监测的设备的一优选的实施例中,所述第二装置102,还包括:
第二二模块1022,用于根据当车辆的当前路段的车辆流量、剩余部分的预估车速获取该路段的拥堵持续时间,从而获取到更精确物流状况信息。在此,在获取该路段的拥堵时间时,除了将当前路段的车辆流量、剩余部分的预估车速作为考虑因素外,还可以考虑当前路段的前后相邻路段的车辆流量和预估车速,从而得到更精确的当前路段的拥堵持续时间。本领域技术人员应能理解上述获取该路段的拥堵持续时间的描述仅为举例,其他现有的或今后可能出现的获取该路段的拥堵持续时间的描述如可适用于本申请,也应包含在本申请保护范围以内,并在此以引用方式包含于此。
如图19所示,本申请的用于物流监测的设备的一优选的实施例中,所述第二装置102,还包括:
第二三模块1023,用于当拥堵持续时间大于预设阈值时,对经过该路段的车辆的行经路线进行调整,在此,当某路段可能出现长期延误时,可以对该路段的车辆的行经路线进行重新规划调整,以提高物流运输效率。
如图20所示,本申请的用于物流监测的设备的一优选的实施例中,所述第一装置101还包括:
第一三模块1013,用于根据车辆在该路段的剩余部分的预估车速获取车辆的行经路线的后续各路段的预估车速;
所述第二装置102还包括:
第二四模块1024,用于根据车辆在该路段的剩余部分和后续各路段的预估车速预测车辆在各路段的行驶时间;
第二五模块1025,用于根据一节点之前的各路段的行驶时间预测车辆到达该节点的时间,从而获取更为精准的车辆轨迹预估。在此,所述节点可以车辆行驶的终点之前的任一节点,也可以是所述终点。本领域技术人员应能理解上述预测车辆到达该节点的时间的描述仅为举例,其他现有的或今后可能出现的预测车辆到达该节点的时间的描述如可适用于本申请,也应包含在本申请保护范围以内,并在此以引用方式包含于此。
如图21所示,本申请的用于物流监测的设备的一优选的实施例中,所述第二装置102还包括:
第二六模块1026,用于建立车辆与运单的对应关系。在此,运单是物流公司开具的货物托运单据。一个运单ID对应物流公司承运的一个或一组货物(包裹)。物流公司根据各网点或中转站回流的信息,监控运单的流转情况。运单监控的主要作用是:可以让消费者根据运单ID查询运单跟踪记录和预计送达时间。例如,表5所示的某物流公司的运单查询结果。物流公司可以根据运单监测和预测结果,调整物流计划,例如改变车辆行驶路线,给物流网点增加人手,等等。根据车辆GPS信息能够确定运单所在的路段。
运单ID:*******,发货地:北京市海淀区****路***号,收货地:广州市番禺区***路***号
表5
本申请的用于物流监测的设备的一优选的实施例中,所述运单包括已经产生的运单和根据销量预测结果得到预测运单,从而可以通过与运单对应的车辆的运行状态监测已经存在运单和预测到的运单的处理状况。
本申请的用于物流监测的设备的一优选的实施例中,所述第二五模块1025,用于根据前一节点的运单处理速度和当前节点之前的各路段的行驶时间预测车辆到达当前节点的时间。在此,各个节点的运单处理速度包括发货节奏和处理速度,具体可根据运单流转信息整理出。有的物流节点处理量不大,按时段发货(物流班车);有的物流节点处理量大,只要凑够一整车就随时发货,这时候运单在中转站的处理时间就与运单量和处理速度密切相关。相应的,根据车辆到达节点的时间可以精确得到对应的运单到达该节点的时间。本领域技术人员应能理解上述预测车辆到达当前节点的时间的描述仅为举例,其他现有的或今后可能出现的预测车辆到达当前节点的时间如可适用于本申请,也应包含在本申请保护范围以内,并在此以引用方式包含于此。
如图22所示,本申请的用于物流监测的设备的一优选的实施例中,所述第二装置102还包括:
第二七模块1027,用于根据车辆到达节点的时间预测该节点未来各时间段需要处理的运单数量。在此,可综合各线路情况,预测各物流节点未来将处理的单量,以便及时根据运单数量增加人手,避免爆仓。本领域技术人员应能理解上述未来各时间段需要处理的运单数量的描述仅为举例,其他现有的或今后可能出现的未来各时间段需要处理的运单数量的描述如可适用于本申请,也应包含在本申请保护范围以内,并在此以引用方式包含于此。
综上所述,本申请根据路段的气象和车速数据得到车辆在该路段的预估车速,然后根据所述预估车速获取物流监测数据,能够将气象信息结构化至物流监控可使用的形式,将气象因素和路段信息结合,获取精确的物流监测和预测数据。由于长途物流的时间和空间跨度大,气象因素对长途物流的影响较大,本申请结合尤其适用于城市间的长途物流的监控。
进一步的,本申请中所述路段的气象和车速数据包括:路段的实时气象数据、车辆的实时车速和该路段的历史气象数据与车速的关系,其中,所述路段的历史气象数据与车速的关系包括按路段、时段的历史气象数据下各车型的平均标准车速,可以实现后续得到精确的物流监测数据。
进一步的,本申请根据车辆在当前路段的车流量、实时车速与对应的平均标准车速判断当前路段是否拥堵,一方面可以精确监测当前路段的拥堵情况,另一方面可为后续进一步的物流监测提供分析基础。
进一步的,本申请将路段已经行驶部分实时车速的平均车速作为车辆在该路段的剩余部分的预估车速,或者从历史气象数据与车速的关系中匹配与该路段最相近的平均标准车速,根据匹配到的与该路段最相近的平均标准车速得到车辆在该路段的剩余部分的预估车速,可以分不同情况得到精确的车辆所在路段的剩余部分的预估车速,从而为后续精确地获取物流监测数据提供数据基础。
进一步的,本申请中当判断为当前路段为拥堵时,根据当车辆的当前路段的车辆流量、剩余部分的预估车速获取该路段的拥堵持续时间,从而获取到更精确物流状况信息;另外,当拥堵持续时间大于预设阈值时,对经过该路段的车辆的行经路线进行调整,以提高物流运输效率。
进一步的,本申请根据车辆在该路段的剩余部分和后续各路段的预估车速预测车辆在各路段的行驶时间,并根据一节点之前的各路段的行驶时间预测车辆到达该节点的时间,从而获取更为精准的车辆轨迹预估。
进一步的,本申请通过建立车辆与运单的对应关系,可以监控运单的流转情况,另外,根据前一节点的运单处理速度和当前节点之前的各路段的行驶时间预测车辆到达当前节点的时间,从而预测得到更精确的车辆到达当前节点的时间,此外,根据车辆到达节点的时间预测该节点未来各时间段需要处理的运单数量,以便及时根据运单数量增加人手,避免爆仓。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
需要注意的是,本申请可在软件和/或软件与硬件的组合体中被实施,例如,可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中,本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地,本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中,例如,RAM存储器,磁或光驱动器或软磁盘及类似设备。另外,本申请的一些步骤或功能可采用硬件来实现,例如,作为与处理器配合从而执行各个步骤或功能的电路。
另外,本申请的一部分可被应用为计算机程序产品,例如计算机程序指令,当其被计算机执行时,通过该计算机的操作,可以调用或提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令,可能被存储在固定的或可移动的记录介质中,和/或通过广播或其他信号承载媒体中的数据流而被传输,和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此,根据本申请的一个实施例包括一个装置,该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发该装置运行基于前述根据本申请的多个实施例的方法和/或技术方案。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其他的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
Claims (28)
1.一种物流监测方法,其中,包括:
根据路段的气象和车速数据得到车辆在该路段的预估车速;
根据所述预估车速获取物流监测数据。
2.如权利要求1所述的方法,其中,所述路段的气象和车速数据包括:路段的实时气象数据、车辆的实时车速和该路段的历史气象数据与车速的关系。
3.如权利要求2所述的方法,其中,所述路段的历史气象数据与车速的关系包括按路段、时段的历史气象数据下各车型的平均标准车速。
4.如权利要求3所述的方法,其中,根据路段的气象和车速数据得到车辆在该路段的预估车速,包括:
根据车辆在当前路段的气象数据和按路段、时段的历史气象数据下各车型的平均标准车速,得到当前路段、时段的历史气象数据下与车辆的车型对应的平均标准车速;
根据所述预估车速获取物流监测数据包括:
根据车辆在当前路段的车流量、实时车速与对应的平均标准车速判断当前路段是否拥堵。
5.如权利要求4所述的方法,其中,得到当前路段、时段的历史气象数据下与车辆的车型对应的平均标准车速之后,还包括:
判断以车辆在当前路段已经行驶部分的实时车速的平均车速行驶当前路段的剩余部分的时间是否小于预设阈值,
若是,将该路段已经行驶部分实时车速的平均车速作为车辆在该路段的剩余部分的预估车速;
若否,从历史气象数据与车速的关系中匹配与该路段最相近的平均标准车速,根据匹配到的与该路段最相近的平均标准车速得到车辆在该路段的剩余部分的预估车速。
6.如权利要求5所述的方法,其中,从历史气象数据与车速的关系中匹配与该路段最相近的平均标准车速,包括如下其中一项:
从历史气象数据与车速的关系中查找相同天气同一路段同一时段的车速作为匹配到的该路段最相近的平均标准车速;
从历史气象数据与车速的关系中查找相同天气同一路段相似时段的车速作为匹配到的该路段最相近的平均标准车速;
从历史气象数据与车速的关系中查找相似路段的车速作为匹配到的该路段最相近的平均标准车速。
7.如权利要求5所述的方法,其中,从历史气象数据与车速的关系中匹配与该路段最相近的平均标准车速,包括:
从历史气象数据与车速的关系中查找相同天气同一路段同一时段的车速,若有,将该车速作为匹配到的该路段最相近的平均标准车速;
若无,从历史气象数据与车速的关系中查找相同天气同一路段相似时段的车速,若有,将该车速作为匹配到的该路段最相近的平均标准车速;
若无,从历史气象数据与车速的关系中查找相似路段的车速作为匹配到的该路段最相近的平均标准车速。
8.如权利要求5至7任一项所述的方法,其中,判断当前路段是否拥堵之后,还包括:
根据当车辆的当前路段的车辆流量、剩余部分的预估车速获取该路段的拥堵持续时间。
9.如权利要求8所述的方法,其中,获取该路段的拥堵持续时间之后还包括:
当拥堵持续时间大于预设阈值时,对经过该路段的车辆的行经路线进行调整。
10.如权利要求5至9任一项所述的方法,其中,将该路段已经行驶部分实时车速的平均车速作为车辆在该路段的剩余部分的预估车速之后,或根据匹配到的与该路段最相近的平均标准车速得到车辆在该路段的剩余部分的预估车速之后,还包括:
根据车辆在该路段的剩余部分的预估车速获取车辆的行经路线的后续各路段的预估车速;
根据所述预估车速获取物流监测数据,包括:
根据车辆在该路段的剩余部分和后续各路段的预估车速预测车辆在各路段的行驶时间;
根据一节点之前的各路段的行驶时间预测车辆到达该节点的时间。
11.如权利要求10所述的方法,其中,根据一节点之前的各路段的行驶时间预测车辆到达该节点的时间之前,还包括:
建立车辆与运单的对应关系。
12.如权利要求11所述的方法,其中,所述运单包括已经产生的运单和根据销量预测结果得到预测运单。
13.如权利要求11或12所述的方法,其中,根据一节点之前的各路段的行驶时间预测车辆到达该节点的时间,包括:
根据前一节点的运单处理速度和当前节点之前的各路段的行驶时间预测车辆到达当前节点的时间。
14.如权利要求13所述的方法,其中,根据前一节点的运单处理速度和当前节点之前的各路段的行驶时间预测车辆到达当前节点的时间之后,还包括:
根据车辆到达节点的时间预测该节点未来各时间段需要处理的运单数量。
15.一种用于物流监测的设备,其中,包括:
第一装置,用于根据路段的气象和车速数据得到车辆在该路段的预估车速;
第二装置,用于根据所述预估车速获取物流监测数据。
16.如权利要求15所述的设备,其中,所述路段的气象和车速数据包括:路段的实时气象数据、车辆的实时车速和该路段的历史气象数据与车速的关系。
17.如权利要求16所述的设备,其中,所述路段的历史气象数据与车速的关系包括按路段、时段的历史气象数据下各车型的平均标准车速。
18.如权利要求17所述的设备,其中,所述第一装置,包括:
第一一模块,用于根据车辆在当前路段的气象数据和按路段、时段的历史气象数据下各车型的平均标准车速,得到当前路段、时段的历史气象数据下与车辆的车型对应的平均标准车速;
所述第二装置,包括:
第二一模块,用于根据车辆在当前路段的车流量、实时车速与对应的平均标准车速判断当前路段是否拥堵。
19.如权利要求18所述的设备,其中,所述第一装置还包括第一二模块,用于判断以车辆在当前路段已经行驶部分的实时车速的平均车速行驶当前路段的剩余部分的时间是否小于预设阈值,若是,将该路段已经行驶部分实时车速的平均车速作为车辆在该路段的剩余部分的预估车速;若否,从历史气象数据与车速的关系中匹配与该路段最相近的平均标准车速,根据匹配到的与该路段最相近的平均标准车速得到车辆在该路段的剩余部分的预估车速。
20.如权利要求19所述的设备,其中,从历史气象数据与车速的关系中匹配与该路段最相近的平均标准车速,包括如下其中一项:
从历史气象数据与车速的关系中查找相同天气同一路段同一时段的车速作为匹配到的该路段最相近的平均标准车速;
从历史气象数据与车速的关系中查找相同天气同一路段相似时段的车速作为匹配到的该路段最相近的平均标准车速;
从历史气象数据与车速的关系中查找相似路段的车速作为匹配到的该路段最相近的平均标准车速。
21.如权利要求19所述的设备,其中,从历史气象数据与车速的关系中匹配与该路段最相近的平均标准车速,包括:
从历史气象数据与车速的关系中查找相同天气同一路段同一时段的车速,若有,将该车速作为匹配到的该路段最相近的平均标准车速;
若无,从历史气象数据与车速的关系中查找相同天气同一路段相似时段的车速,若有,将该车速作为匹配到的该路段最相近的平均标准车速;
若无,从历史气象数据与车速的关系中查找相似路段的车速作为匹配到的该路段最相近的平均标准车速。
22.如权利要求19至21任一项所述的设备,其中,所述第二装置,还包括:
第二二模块,用于根据当车辆的当前路段的车辆流量、剩余部分的预估车速获取该路段的拥堵持续时间。
23.如权利要求22所述的设备,其中,所述第二装置,还包括:
第二三模块,用于当拥堵持续时间大于预设阈值时,对经过该路段的车辆的行经路线进行调整。
24.如权利要求19至23任一项所述的设备,其中,所述第一装置还包括:
第一三模块,用于根据车辆在该路段的剩余部分的预估车速获取车辆的行经路线的后续各路段的预估车速;
所述第二装置还包括:
第二四模块,用于根据车辆在该路段的剩余部分和后续各路段的预估车速预测车辆在各路段的行驶时间;
第二五模块,用于根据一节点之前的各路段的行驶时间预测车辆到达该节点的时间。
25.如权利要求24所述的设备,其中,所述第二装置还包括:
第二六模块,用于建立车辆与运单的对应关系。
26.如权利要求25所述的设备,其中,所述运单包括已经产生的运单和根据销量预测结果得到预测运单。
27.如权利要求25或26所述的设备,其中,所述第二五模块,用于根据前一节点的运单处理速度和当前节点之前的各路段的行驶时间预测车辆到达当前节点的时间。
28.如权利要求27所述的设备,其中,所述第二装置还包括:
第二七模块,用于根据车辆到达节点的时间预测该节点未来各时间段需要处理的运单数量。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510158388.2A CN106156966A (zh) | 2015-04-03 | 2015-04-03 | 物流监测方法及设备 |
PCT/CN2016/076697 WO2016155517A1 (zh) | 2015-04-03 | 2016-03-18 | 物流监测方法及设备 |
US15/718,733 US10446023B2 (en) | 2015-04-03 | 2017-09-28 | Logistics monitoring method and device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510158388.2A CN106156966A (zh) | 2015-04-03 | 2015-04-03 | 物流监测方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106156966A true CN106156966A (zh) | 2016-11-23 |
Family
ID=57006557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510158388.2A Pending CN106156966A (zh) | 2015-04-03 | 2015-04-03 | 物流监测方法及设备 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10446023B2 (zh) |
CN (1) | CN106156966A (zh) |
WO (1) | WO2016155517A1 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108388963A (zh) * | 2018-02-13 | 2018-08-10 | 百度在线网络技术(北京)有限公司 | 行李到达时间预测方法、装置、计算机设备及可读介质 |
CN108537485A (zh) * | 2018-04-11 | 2018-09-14 | 圆通速递有限公司 | 一种快件延误的处理方法与系统 |
CN109376908A (zh) * | 2018-09-26 | 2019-02-22 | 费翔 | 物流网点健康状况的预测方法、系统、存储介质、及设备 |
CN109784576A (zh) * | 2019-01-24 | 2019-05-21 | 好生活农产品集团有限公司 | 物流运输时效监控方法及平台 |
CN110009282A (zh) * | 2019-04-02 | 2019-07-12 | 山西河东商旅航空服务有限公司 | 一种基于大数据的物流到货时长实时预估系统 |
CN110415377A (zh) * | 2019-06-24 | 2019-11-05 | 天津五八到家科技有限公司 | 行驶状态确定方法、装置及电子设备 |
CN111325371A (zh) * | 2018-12-13 | 2020-06-23 | 顺丰科技有限公司 | 一种运输线路规划方法及系统 |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107688921A (zh) * | 2017-11-17 | 2018-02-13 | 沈阳铁路局科学技术研究所 | 一种铁路物流基地运输组织系统 |
US20190228352A1 (en) | 2018-01-19 | 2019-07-25 | Walmart Apollo, Llc | Systems and methods for combinatorial resource optimization |
US11615368B2 (en) * | 2018-11-01 | 2023-03-28 | Walmart Apollo, Llc | Systems and methods for determining delivery time and route assignments |
CN111210175B (zh) * | 2018-11-21 | 2024-04-12 | 顺丰科技有限公司 | 物流信息获取方法与物流信息获取装置 |
CN109934233B (zh) * | 2019-03-11 | 2021-04-16 | 北京经纬恒润科技股份有限公司 | 一种运输业务识别方法和系统 |
CN109993367A (zh) * | 2019-04-04 | 2019-07-09 | 拉扎斯网络科技(上海)有限公司 | 配送时长的估计方法、估计装置、存储介质和电子设备 |
KR20210006143A (ko) * | 2019-07-08 | 2021-01-18 | 현대자동차주식회사 | 교통 정보 제공 시스템 및 방법 |
CN110443429B (zh) * | 2019-08-13 | 2020-10-20 | 拉扎斯网络科技(上海)有限公司 | 降雨区域的确定方法、装置、电子设备及存储介质 |
CN113139765B (zh) * | 2020-01-20 | 2023-12-12 | 中国移动通信集团辽宁有限公司 | 基于时态网络的物流推荐方法、装置及计算设备 |
CN113449242B (zh) * | 2020-03-27 | 2023-09-26 | 北京京东振世信息技术有限公司 | 物流运单量数据的处理方法、装置、设备及存储介质 |
CN112036695A (zh) * | 2020-07-28 | 2020-12-04 | 拉扎斯网络科技(上海)有限公司 | 天气信息的预测方法、装置、可读存储介质和电子设备 |
CN113189300B (zh) * | 2021-03-16 | 2023-07-07 | 漳州职业技术学院 | 一种软基路段状态检测的方法与终端 |
CN114822061B (zh) * | 2022-03-30 | 2023-11-28 | 阿里巴巴(中国)有限公司 | 到达时间预估方法、装置、电子设备及计算机程序产品 |
CN114694401B (zh) * | 2022-03-30 | 2023-06-27 | 阿波罗智联(北京)科技有限公司 | 在高精地图中提供参考车速的方法、装置和电子设备 |
CN115796422B (zh) * | 2023-02-06 | 2023-04-28 | 临沂贺信科技发展有限公司 | 一种智能干线运输的物流调度优化方法及系统 |
CN116579619B (zh) * | 2023-07-13 | 2023-09-22 | 万联易达物流科技有限公司 | 一种货运运单的风控方法和系统 |
CN116758723B (zh) * | 2023-08-10 | 2023-11-03 | 深圳市明心数智科技有限公司 | 一种车辆运输监测方法、系统及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1434946A (zh) * | 2000-07-21 | 2003-08-06 | 交通预测.Com公司 | 一种提供旅行时间预测的方法 |
EP2278573A1 (en) * | 2006-03-03 | 2011-01-26 | Inrix, Inc. | Assessing road traffic conditions using data from multiple sources |
WO2012138974A1 (en) * | 2011-04-08 | 2012-10-11 | Navteq B.V. | Trend based predictive traffic |
CN103065469A (zh) * | 2012-12-14 | 2013-04-24 | 中国航天系统工程有限公司 | 行程时间的确定方法和装置 |
CN103794053A (zh) * | 2014-03-05 | 2014-05-14 | 中商商业发展规划院有限公司 | 一种城市短途物流单目标配送时间模糊预测方法及系统 |
CN104463520A (zh) * | 2013-09-20 | 2015-03-25 | 株式会社大福 | 物流系统 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19755875A1 (de) | 1996-12-09 | 1998-06-10 | Mannesmann Ag | Verfahren zur Übertragung von Ortsdaten und Meßdaten von einem Endgerät, insbesondere Telematikendgerät an eine Verkehrszentrale |
ATE383635T1 (de) | 2000-06-26 | 2008-01-15 | Stratech Systems Ltd | Verfahren und system zur bereitstellung von verkehrs- und verkehrsbezogenen informationen |
US6587781B2 (en) | 2000-08-28 | 2003-07-01 | Estimotion, Inc. | Method and system for modeling and processing vehicular traffic data and information and applying thereof |
JP2002123894A (ja) | 2000-10-16 | 2002-04-26 | Hitachi Ltd | プローブカー制御方法及び装置並びにプローブカーを用いた交通制御システム |
US7155376B2 (en) | 2001-06-22 | 2006-12-26 | Caliper Corporation | Traffic data management and simulation system |
JP2003050136A (ja) | 2001-08-07 | 2003-02-21 | Denso Corp | 交通障害報知システム及び交通障害通知プログラム |
JP3974111B2 (ja) | 2001-08-10 | 2007-09-12 | アイシン・エィ・ダブリュ株式会社 | 交通情報出力装置 |
US20030100990A1 (en) | 2001-11-28 | 2003-05-29 | Clapper Edward O. | Using cellular network to estimate traffic flow |
US7698055B2 (en) | 2004-11-16 | 2010-04-13 | Microsoft Corporation | Traffic forecasting employing modeling and analysis of probabilistic interdependencies and contextual data |
KR20060119743A (ko) | 2005-05-18 | 2006-11-24 | 엘지전자 주식회사 | 구간 속도에 대한 예측정보를 제공하고 이를 이용하는 방법및 장치 |
US20070239346A1 (en) * | 2006-04-05 | 2007-10-11 | Pegasus Transtech Corporation | System and Method of Receiving Data from a Plurality of Trucking Companies and Disseminating Data to a Plurality of Parties |
US9076332B2 (en) | 2006-10-19 | 2015-07-07 | Makor Issues And Rights Ltd. | Multi-objective optimization for real time traffic light control and navigation systems for urban saturated networks |
US8755991B2 (en) | 2007-01-24 | 2014-06-17 | Tomtom Global Assets B.V. | Method and structure for vehicular traffic prediction with link interactions and missing real-time data |
US9286793B2 (en) | 2012-10-23 | 2016-03-15 | University Of Southern California | Traffic prediction using real-world transportation data |
US9659492B2 (en) * | 2013-01-11 | 2017-05-23 | Here Global B.V. | Real-time vehicle spacing control |
US9988056B2 (en) * | 2015-12-15 | 2018-06-05 | Octo Telematics Spa | Systems and methods for controlling sensor-based data acquisition and signal processing in vehicles |
-
2015
- 2015-04-03 CN CN201510158388.2A patent/CN106156966A/zh active Pending
-
2016
- 2016-03-18 WO PCT/CN2016/076697 patent/WO2016155517A1/zh active Application Filing
-
2017
- 2017-09-28 US US15/718,733 patent/US10446023B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1434946A (zh) * | 2000-07-21 | 2003-08-06 | 交通预测.Com公司 | 一种提供旅行时间预测的方法 |
EP2278573A1 (en) * | 2006-03-03 | 2011-01-26 | Inrix, Inc. | Assessing road traffic conditions using data from multiple sources |
WO2012138974A1 (en) * | 2011-04-08 | 2012-10-11 | Navteq B.V. | Trend based predictive traffic |
CN103065469A (zh) * | 2012-12-14 | 2013-04-24 | 中国航天系统工程有限公司 | 行程时间的确定方法和装置 |
CN104463520A (zh) * | 2013-09-20 | 2015-03-25 | 株式会社大福 | 物流系统 |
CN103794053A (zh) * | 2014-03-05 | 2014-05-14 | 中商商业发展规划院有限公司 | 一种城市短途物流单目标配送时间模糊预测方法及系统 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108388963A (zh) * | 2018-02-13 | 2018-08-10 | 百度在线网络技术(北京)有限公司 | 行李到达时间预测方法、装置、计算机设备及可读介质 |
CN108537485A (zh) * | 2018-04-11 | 2018-09-14 | 圆通速递有限公司 | 一种快件延误的处理方法与系统 |
CN108537485B (zh) * | 2018-04-11 | 2022-03-22 | 圆通速递有限公司 | 一种快件延误的处理方法与系统 |
CN109376908A (zh) * | 2018-09-26 | 2019-02-22 | 费翔 | 物流网点健康状况的预测方法、系统、存储介质、及设备 |
CN111325371A (zh) * | 2018-12-13 | 2020-06-23 | 顺丰科技有限公司 | 一种运输线路规划方法及系统 |
CN111325371B (zh) * | 2018-12-13 | 2023-04-18 | 顺丰科技有限公司 | 一种运输线路规划方法及系统 |
CN109784576A (zh) * | 2019-01-24 | 2019-05-21 | 好生活农产品集团有限公司 | 物流运输时效监控方法及平台 |
CN110009282A (zh) * | 2019-04-02 | 2019-07-12 | 山西河东商旅航空服务有限公司 | 一种基于大数据的物流到货时长实时预估系统 |
CN110415377A (zh) * | 2019-06-24 | 2019-11-05 | 天津五八到家科技有限公司 | 行驶状态确定方法、装置及电子设备 |
CN110415377B (zh) * | 2019-06-24 | 2022-02-15 | 天津五八到家科技有限公司 | 行驶状态确定方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2016155517A1 (zh) | 2016-10-06 |
US10446023B2 (en) | 2019-10-15 |
US20180018868A1 (en) | 2018-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106156966A (zh) | 物流监测方法及设备 | |
Kumar et al. | Bus travel time prediction using a time-space discretization approach | |
Goh et al. | Online map-matching based on hidden markov model for real-time traffic sensing applications | |
Greaves et al. | Collecting commercial vehicle tour data with passive global positioning system technology: Issues and potential applications | |
Zeng et al. | Exploring trip fuel consumption by machine learning from GPS and CAN bus data | |
Maiti et al. | Historical data based real time prediction of vehicle arrival time | |
Figliozzi et al. | Algorithms for studying the impact of travel time reliability along multisegment trucking freight corridors | |
Mahmoudi et al. | A cumulative service state representation for the pickup and delivery problem with transfers | |
CN109493449B (zh) | 一种基于货车gps轨迹数据和高速交易数据的货车载货状态估计方法 | |
Choudhary et al. | Real time prediction of bus arrival time: A review | |
Bousonville et al. | Estimating truck fuel consumption with machine learning using telematics, topology and weather data | |
Wheeler et al. | Multicriteria freeway performance measures for trucking in congested corridors | |
Anttila et al. | Effect of vehicle properties and driving environment on fuel consumption and CO2 emissions of timber trucking based on data from fleet management system | |
Wheeler et al. | Multi-criteria trucking freeway performance measures in congested corridors | |
Zhao et al. | Truck travel time reliability and prediction in a port drayage network | |
Alrukaibi et al. | Real-time travel time estimation in partial network coverage: A case study in Kuwait City | |
Sandim et al. | Using GPS-based AVL data to calculate and predict traffic network performance metrics: A systematic review | |
Oklander et al. | Minimization of transportation risks in logistics by choosing a cargo delivery route with the minimal projected number of road accidents | |
Hoffman et al. | Empirical model for truck route fuel economy | |
Kutlimuratov et al. | Impact of stops for bus delays on routes | |
Tin et al. | Measuring similarity between vehicle speed records using dynamic time warping | |
CN114742507A (zh) | 车辆货物配载方法、装置、计算机设备及存储介质 | |
Kim et al. | Modeling courier vehicles’ travel behavior: Case of Seoul, South Korea | |
Straub et al. | Learning from the fleet: Map attributes for energetic representation of driving profiles | |
Huang et al. | Analysing taxi customer-search behaviour using Copula-based joint model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161123 |