CN107924423A - 模型确定设备和模型确定方法 - Google Patents

模型确定设备和模型确定方法 Download PDF

Info

Publication number
CN107924423A
CN107924423A CN201580082790.5A CN201580082790A CN107924423A CN 107924423 A CN107924423 A CN 107924423A CN 201580082790 A CN201580082790 A CN 201580082790A CN 107924423 A CN107924423 A CN 107924423A
Authority
CN
China
Prior art keywords
model
data
product
road
transport
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
Application number
CN201580082790.5A
Other languages
English (en)
Other versions
CN107924423B (zh
Inventor
古埃塔·洛内尔·巴奥伊
陶塔登·赞
佐藤晓子
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hitachi Ltd filed Critical Hitachi Ltd
Publication of CN107924423A publication Critical patent/CN107924423A/zh
Application granted granted Critical
Publication of CN107924423B publication Critical patent/CN107924423B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)
  • Traffic Control Systems (AREA)

Abstract

根据各个实施例，可以提供一种模型确定设备。该模型确定设备可以包括：接收电路，其用于接收与产品有关的制造数据和与运输该产品有关的载体数据；以及确定电路，其用于基于制造数据并且基于载体数据来确定产品运输的影响的模型。

Description

模型确定设备和模型确定方法
技术领域
各个实施例总体上涉及模型确定设备和模型确定方法。
背景技术
由于地理限制和经济原因，诸如交通基础设施和较低的运营成本，道路运输仍然是运送产品的主要运输模式。例如在内陆的州或者国家，高价值的产品在相同或者不同国家的加工厂之间运输。它将花费漫长的行驶时间，在变化的环境条件下(诸如，地势和温度水平)穿过不同道路类型(诸如，混凝土修筑，未铺设)的若干条城市或乡村道路。
标题为“Pavement condition analysis from modelling impact of trafficcharacteristics,weather data and road conditions on segments of atransportation network infrastructure(根据将交通特征、天气数据和路况对于交通网络基础设施的区段的影响进行建模的路面状况分析)”的US 8744822B2提出了一种通过处理至少交通和天气数据来将路况进行建模的分析系统和方法。路况模型考虑到道路、大气与路面组分中的路面基板之间的热交换和湿度交换，应用交通特性、天气数据以及与路况相关的其他输入数据，来生成路面状况状态的准确且可靠的模拟和预测，用于公路司机、与车辆进行通信、由工业或公共实体的使用、以及诸如媒体传播的其他终端用途。US8744822B2集中于主要受到诸如结霜的天气和像交通拥堵的交通状态的影响的路况建模。它没有考虑到路况影响产品的风险，诸如由于道路表面状态对于产品损伤的程度。
题为“Monitoring road surface conditions(监视道路表面状态)”US8451140B2仅涉及使用碰撞传感器来检测路面状态有关的信息从而监视路况。路面状态是基于碰撞强度、碰撞宽度、碰撞长度和深度的。在该专利中，碰撞传感器可以与该已提出的专利的振动信号相似。
类似地，题为“Road surface condition estimating device and method(路面状况评估设备和方法)”的US 2012/0078572Al仅涉及通过评估车辆轨迹的车辙上的起伏来监视路况。
然而，如US 8451140B2和2012/0078572 Al所示，仅仅路况监视只是解决路面状态影响的一部分。需要来自制造的其他数据和物流数据，诸如产品信息、事故报告、以及能够确定路况对于产品风险影响所需要的其他数据。
关于创建模型生成和模型选择，如题为“Predictive model generation(预测式模型生成)”的US 7933762 B2所示，模型生成通常通过以下方式来进行：首先具有预测器变量集合并且创建这些变量的几个子集或组合来生成模型。在这种情况下，产生的模型彼此相似。因此，通过利用共用的功能来评价和比较模型，类似模型的选择变得直接。通过这种方式，模型选择可以自动或者在系统内部执行。另一方面，模型选择可以是手动或交互式的，其中用户可以通过其他工作中所示的接口来手动地选择模型。在该专利中，模型的生成通过生成不相似的模型来进行，诸如基于统计的模型和基于物理的模型。此外，该专利提出模型选择可以基于至少两个准则来进行，一个是基于数据源特征的内部准则，另一个准则基于外部的用户偏好。
发明内容
根据各个实施例，可以提供一种模型确定设备。该模型确定设备可以包括：接收电路，其用于接收与产品有关的制造数据和与运输该产品有关的载体数据；以及确定电路，其用于基于制造数据并且基于载体数据来确定产品运输的影响的模型。
根据各个实施例，可以提供一种模型确定方法。该模型确定方法可以包括：接收与产品有关的制造数据和与运输该产品有关的载体数据；以及基于制造数据并且基于载体数据来确定产品运输的影响的模型。
附图说明
在附图中，贯穿不同视图，相同的附图标记通常指的是相同的部件。附图不一定按比例绘制，而是将重点集中在说明本发明的原理。在下面的描述中，参考附图来描述各种实施例，其中：
图1示出根据各个实施例的系统的各个模块；
图2示出该系统的详细组件的实施例；
图3示出说明根据各个实施例的提供道路影响模型选择功能的示例的流程图；
图4示出根据各个实施例的数据库中的制造和物流网络的表示；
图5示出根据各个实施例的提供影响评估功能的示意图；
图6示出根据各个实施例的用于监视的用户界面的示意图；
图7示出第一选择对话发生变化时的过渡示意图；
图8示出根据各个实施例的道路影响图的模拟部分的实现的示意图；
图9示出根据各个实施例的针对道路影响图用于监视和模拟功能能够提供的附加功能列表；
图10示出根据各个实施例的各个模块的系统配置的实现的示意图；以及
图11示出根据各个实施例的图10的系统配置的详细实现。
具体实施方式
下面在设备的背景中所描述的实施例对于各个方法类似有效，反之亦然。此外，将理解的是下面所述的实施例可以进行组合，例如一个实施例的一部分可以与另一实施例的一部分进行组合。
在该背景下，本说明书中所述的模型确定设备可以包括存储器，该存储器例如用于模型确定设备中实现的处理中。实施例中使用的存储器可以是易失性存储器，例如DRAM(动态随机存取存储器)，或者非易失性存储器，例如PROM(可编程只读存储器)、EPROM(可擦除PROM)、EEPROM(电可擦除PROM)，或者闪速存储器，例如浮动栅极存储器、电荷俘获存储器、MRAM(磁阻随机存取存储器)或PCRAM(相变随机存取存储器)。
在实施例中，“电路”可以被理解为任意种类的逻辑实现实体，其可以是特殊用途线路或者执行存储在存储器、固件或其任何组合中的软件的处理器。因此，在实施例中，“电路”可以是硬接线逻辑电路或者诸如可编程处理器的可编程逻辑电路，例如微处理器(例如，复杂指令集计算机(CISC)处理器或者精简指令集计算机(RISC)处理器)。“电路”也可以是执行软件(例如任何种类的计算机程序(例如使用诸如Java的虚拟机器代码的计算机程序))的处理器。下面将更详细描述的各个功能的任何其他种类的实现也可以被理解为根据替换实施例的“电路”。
根据各种实施例，可以在分布式加工网络中确定路况的影响。
由于地理限制和经济原因，诸如交通基础设施和较低的运营成本，道路运输仍然是运送产品的主要运输模式。例如在内陆的州或者国家，高价值的产品在相同或者不同国家的加工厂之间运输。它将花费漫长的行驶时间，在变化的环境条件下(诸如，地势和温度水平)穿过不同道路类型的(诸如，混凝土修筑的，未铺设的)若干条城市或乡村道路。
交易商品的示例是易于发生物理损伤(诸如,凹痕和缺角)的用于汽车和机器的电子和机械部件、脆弱且易变质的农产品以及可能泄露并且可能有危险的工业产品，诸如润滑油和油。因此，可以假设产品损坏由道路的表面状态引起。
虽然通常推断崎岖的道路可以影响产品而平坦道路免受损伤是凭直觉的，但是量化地评估路况的影响不是简单的过程。为了能够评估该影响，可以从制造和物流服务供应商获取来自多个源的信息。产品说明书可以说明产品阈值，例如有关压力和应变限制；然后，这些限制可以是显现的或者不取决于路况以及产品与载体、车辆和其他因素之间的交互。这样的载体在途(in-transit)数据或者载体运输时的感测数据对于确定路况的影响是关键的。
一种整体的解决方案或者开发一种适用于可能的输入数据的路况影响的模型是不可能的。这是因为来自制造的数据、物流数据和载体在途的数据的较大并且类型不同，诸如时间序列的、分立的、空间的以及其他类型。同时，由于产品、产品损伤以及像汽车类型的其他因素之间的数据关系不好理解，所以识别是什么因素引起哪个影响变得具有挑战性。
不考虑路面状态的影响，无法评估其对于分布式制造网络的影响。来自制造网络的一部分的影响可以对网络的其他部分具有实质上的波动效应(rippling effect)。
现有专利集中于路况监视和建模。评估路面状态的方法和系统已经被提出，然而还没有提供用于量化测量路面状况对于产品的影响的系统和方法。关于多模型生成，定义预测器变量的集合，这些变量的几个子集或者组合是生成类似的模型的处理。
根据各种实施例，可以提供如下的设备(例如，系统)和方法：该设备(例如，系统)和方法用于分析路况对于在分布式制造网络中进行运输的产品的影响。路况影响可以是但不限于产品损伤、交货时间延迟、制造性能损失。这些影响在制造公司、货运公司以及物流服务供应商的运营中非常重要。
根据各种实施例，可以提供将来自至少制造数据和载体在途数据的数据源进行合成的设备和方法。可能需要诸如来自物流数据的运营信息的其他数据来评价分布式网络的整体关键性能指标。诸如温度、压力和天气数据的环境数据也可以被并入来建立路面状态影响的模型。
根据各个实施例，可以提供根据从制造商、物流服务供应商和运输载体收集的收集数据的类型来生成不相似的道路影响模型的设备和方法。不相似模型的示例包括生成统计的、基于物理的和基于信号的模型。基于数据源特征和该系统的终端用户的输入偏好，从这些模型中选择最适合的模型。
根据各个实施例，通过使用所选择的模型能够评价考虑到路况的影响的分布式制造的整体关键性能指标(KPI)。整体KPI可以是制造产量或者交货时间。创建由制造工厂和道路要素组成的网络来表示网络模型。链接权重可以基于KPI，该KPI基于路况的影响进行调整。根据各个实施例，可以提供用于监视和模拟的应用模块，例如道路影响映射应用模块。对于制造商和物流服务供应商，这提供了路况影响的可视性，从而在运输产品之前或期间来减轻路况的影响。
根据各个实施例，由于从非相关因素中过滤出对于道路影响模型的重要因素，所以可以提供仅由路况引起的事故的准确识别。同时，由于制造和物流数据集成在一个系统中，所以可以缩短路况相关的事故发生时的反应时间。
下面，将描述根据各个实施例的系统模块和外部数据源。
图1示出根据各个实施例的系统100(例如可以被称为模型确定设备)的模块。数据源模块110(例如其可以被称为接收电路)收集来自多个源的数据。数据源110可以包括但是不限于来自制造数据111、载体在途数据112(其也可以被称为载体数据)、物流服务数据113以及环境数据114。制造数据111可以包括产品信息，诸如物理尺寸、质量、产品对于频率共振的灵敏度、应力应变曲线和限制以及相关的制造操作参数，诸如产品体积和运输日期。载体在途数据112可以包括感测数据，诸如带时间戳的振动信号、定向数据、位置数据以及其他感测数据。物流数据113可以包括与产品对应的货运码、载体或车辆类型(诸如，拖挂式卡车)、相关货运信息(诸如包装、路线起点和目的地)。环境数据114可以包括温度和天气数据。
作为物流数据113的部分的事故数据提供了已报告的事故(诸如，类似泄露和物理凹痕的产品损伤)、派送中的实质延误以及其他数据的日志。这些事故主要与道路有关或者与运输有关，并且可以包括在制造厂、仓库以及其他位置所报告的事故。在该系统中，可以通过比较事故的报告时间与物流数据113中的时间戳或者制造数据111中的估计运输日期来过滤这些种类的事故。事故数据对于路况影响的分析是至关重要的，因为这可能与制造数据111有关，例如在比较特定产品类型的特定事故的频率时。在另一示例中，事故数据可能与载体在途数据112中的感测信号有关，从而确定与特定事故高度相关的信号特性。事故数据还可以用于验证制造数据111与载体在途数据112之间的数据相关性。根据各个实施例的示例是制造数据111中所示的产品的共振频率灵敏度。在载体在途数据112中，可以利用像快速傅里叶变换的方法来分析振动信号从而检测共振频率的存在。这可以通过参考与共振频率有关的事故的事故报告来进行验证。而且，事故报告在量化路况对于制造和物流的影响中是重要的。通过比较产品损坏的体积和总运输体积能够计算出由于运输造成的制造产量损失。
为了创建生成或者更新至少一个路况影响模型(其可以是运输产品的影响模型，并且可以是基于制造数据和基于载体数据来确定的模型)，来自制造数据111、载体在途数据112以及物流数据113的至少两个数据源在影响模型生成模块120(其可以称为确定电路)中被处理。数据源的类型是多样的，并且涉及时间序列数据、分立数据、以及CAD(计算机辅助设计)模型。数据源类型的多样性可以用来创建路况的不相似影响模型的集合。这些不相似模型的集合可以是基于统计的模型，基于信号的模型，基于物理的模型及其组合。根据所收集的数据来创建或更新特定的模型或者模型的集合。
根据数据源更新的频率和来自用户的特殊用途的需要，数据源模块110的收集和更新可以是实时的或者通过批处理。更新可以取决于制造和物流的操作。如制造数据111的一些数据可以从存在于制造厂中的制造执行系统(MES)来获取。载体在途数据112的数据收集可以通过如下方式来进行：将特定设备安装到能够收集数据的车辆并且连接到通信链路，从而将数据发送到存储数据源模块110的服务器。根据各个实施例，收集载体在途数据的机会可能不那么频繁，因为存在着通信网络不可用而无法进行数据更新的地区。因此，无论何时变得能够进行数据更新，所收集的数据可以仅通过批处理来发送。对于物流数据113，交易点通常处于路线的原点和路线目的地。因此，数据更新可以只在这些位置能够进行。因此，来自制造数据111、载体在途数据112、逻辑数据113、以及环境数据114的数据更新可以以各种时间间隔不同步。
影响模型生成模块120的生成和更新可以离线进行，因为这可能需要密集的计算资源。另一方面，道路影响有关的应用140和道路影响分析模块130的执行可以取决于用户偏好。因此，处理道路影响有关的应用140和道路影响分析模块130的时间执行要求的一种方式是选择与用户偏好匹配的路况影响模块。
在道路影响分析模块130中，从这些模型的集合中选择路况模型。选择道路影响模块的决定是基于来自数据源模块110和来自用户输入功能141、经由道路影响有关的应用140摄取的外部输入的数据源的特性的。根据道路影响有关的应用140中的特定应用，尤其是所选择的关键性能指标，如制造产量和交货时间，来评价路况的影响。该评价在制造和物流网络数据库131中所限定的分布式制造网络上进行。
图2示出系统的详细组件的实施例。由于数据源模块110中的数据可以被不同地称为来自数据源，诸如制造数据111、载体在途数据112、物流数据113和环境数据114，输入合成功能210整合这些数据并且进行合成。可以创建将一个资源的一个参数与另一资源的另一参数关联但是涉及相同的参数的合成表。例如，制造数据中的特定的产品代码可以指的是通过物流数据中的特定货运代码来指代的同一产品。经合成的数据然后存储在数据库211中；该数据库可以在每次新数据从数据源110到达时进行更新。由于数据从诸如制造数据111、载体在途数据112、物流数据113以及环境数据114的数据源的到达可以是不同步的，所以输入合成功能210可以具有扫描整个合成表从而能够发现来自这些数据源(制造数据111、载体在途数据112、物流数据113以及环境数据114)的数据关系的功能。合成表的示例内容是：能够通过产品来定义的事件设置，该产品通过产品代码来识别并且链接到对应的货运代码；指定到货运代码的载体；以及与载体相关联并且通过路线起点和路线目的地以及通过路线时间表来识别的路线。
经合成的数据211用在影响模型生成功能220中，从而生成和更新道路影响模块221。功能220可以更新整个集合或者只更新子集(例如，道路影响模型的子集)。而且，模型的生成和更新可以离线进行，或者在数据或者一批数据源一更新时就进行。应用接口功能230提供用于应用特定功能的接口，诸如从数据库211读取和存取数据。
数据源表征功能240监视并且分析经合成的数据211的特性。数据源的特性可以是基于表示数据与真实世界场景的紧密度的数据准则的。该准则可以称为数据一致性值，其具有从0至1的取值范围。该值可以基于诸如数据源类型、数据戳大小以及数据更新时间戳的参考来进行计算，。这些参考可以根据它们的重要性来进行加权。例如，感测信号的有限数据样本大小可以被认为具有低数据一致性值。数据一致性值较高的数据源可以具有多感测信号、这些信号的历史数据和故障报告。具有高级别的一致性值的数据源可以是具有感测信号、事故报告的历史数据以及数据源模块110的CAD呈现的数据源。
在道路影响分析模块130中，应用接口功能250可以从应用模块140接收用户输入，并且可以输出道路影响评价的结果。输入中的一个可以是选择路况影响模型的用户偏好，并且该输入被提取为模型选择设置输出251。在道路影响模型选择功能260中，基于至少两个准则来选择影响模型，诸如用户使用偏好(如执行时间要求)和数据源的一致性值。基于这些准则，所选择的模型261由影响评价功能270选择并且用于评价数据库131中定义的制造和物流网络。评价结果(其可以称为评价值281)经由应用接口功能250发送回道路影响有关的应用模块140。然后，基于输出参数142中的特定应用来处理评价结果。
下面，将描述根据各个实施例的路面状况和不相似模型的影响模型的生成。
在影响模型生成功能220中，根据感测信号、事故数据以及操作参数(其可以是特定路线中的运输频率、产品体积以及其他参数)，影响模型可以作为产品损伤的函数来生成。
根据各个实施例，影响模型生成功能220可以估计路面状况对于诸如产品损伤的生产风险或者另一示例中的时间延迟的影响。路面状况可以描述为优良、正常、尚可、差，这些可以是来自量化值的指定标签。这些值可以基于从感测信号或者信号的组合所检测到的特征的测量来进行评价。路面状况的影响可以通过与如下的方式相同的方式进行描述：路面状况具有变化的影响等级，该变化的影响等级取决于损坏产品占总产品体积的百分数。另一方面，路面状况的影响可以是二进制值，例如“安全”或“损坏”。如果路面状况的影响涉及递送时间，二进制值还可以使用为准时到延误，或者一组级别变化的递送时间效率。等同于路面状况影响的对应值可以来源于实际故障数据的历史数据或者统计数据、产品灵敏度的实验室测试结果和感测信号值以及其他因素。
影响模型生成功能220可以生成一组不相似模型来处理各种特性的数据源。不相似模型的示例可以是基于信号的模型、基于统计的模型或者基于物理的模型。建立路况影响的模型的直接方法是利用纯经验性的历史数据并且执行统计分析。该模型被呈现为因变量相对自变量的广义线性函数。因变量可以是损坏产品的百分数，其可以来源于物流数据中的事故报告，并且与被运输的总产品计数进行比较。自变量可以是至少产品类型、车辆类型。路面状况影响可能取决于产品类型，因为相同路面状况可以对一组产品产生不同的影响。此外，路面状况的影响可能根据车辆类型而不同。在分析中没有明确考虑车辆规格(诸如，悬架系统、轮胎类型)的情况下，这可是可适用的。
根据各种实施例的道路影响模型可以是基于信号的模型，其中感测信号可以用于直接相关于正在测量的路况影响。在该模型中，信号特征被检测并且关联到产品损伤。信号特征可以是信号幅度、波形以及特定频带的信号强度。在一些情况下，这些信号特征可以来源于实验室测试。例如，可以对产品执行应力测试从而发现引起产品损坏的幅度阈值或者引起产品损坏的持续特定信号幅度的最小时间段。该测试可以检查可用性，诸如在产品说明书中陈述产品对于共振频率的灵敏度。可以根据事故报告来执行特征与产品损坏之间的关联分析从而验证信号特征及其影响。
根据各种实施例的基于统计的模型可以使得道路能够通过道路类型来表示。道路类型的分类可以是基于路况指数(RCI)的。RCI可以与国际粗糙度指数(IRI)相似，IRI以道路的粗糙度或平滑度来概述道路表面。虽然IRI值可以用于代替RCI，这些值不是可用于所有道路。RCI可以是实际测量结果，其出于从一组感测信号获得特定道路区段的代表数值的目的。相反地，RCI可以被视为原始信号的抽象以获得较小的数据大小。例如，诸如振动和定向数据的感测信号必须以毫秒范围进行采样从而实现期望的准确性，这牵涉到大量存储需要。通过计算RCI，道路类型被指定到道路区段。实际上，RCI可以替代原始感测数据。然后，这将在把路况影响关联到RCI和其他自变量中使用。
根据各个实施例，通过创建产品、封装、放置产品的车辆表面的CAD表示可以生成基于物理的模型。在这些计算机生成的表示中，基于来自载体在途数据112的实际感测信号可以创建模拟信号。这些模拟信号然后可以使用在CAD表示中。在模拟之后，能够执行影响的测量。通过将基于物理的模型与经验数据(如数据源模块110中的数据)进行比较可以验证基于物理的模型。
下面，将描述根据各个实施例的考虑用户输入偏好和数据源特性的道路影响模型选择。
在道路影响模型选择功能260中，该选择可以基于至少两个准则，诸如用户偏好和数据源特性。根据各个实施例，用户偏好可以是计算时间要求，其由用户作为输入参数设置在用户输入功能141中。另一方面，数据源的特性可以是数据源表征功能240中定义的数据一致性。根据各个实施例，感测信号只能够使用在被指定低数据一致性值的合成数据211中。在此情况下，基于信号的模型与其他模型(如基于统计的模型)相比适合用于分析。对于数据一致性值高的数据源，可以使用基于统计的道路影响模型来执行道路影响分析。对于具有基于物理的模型和事故报告的历史数据以及感测信号的数据源，基于物理的模型可以用于路况影响评价。
图3示出说明根据各个实施例的提供道路影响模型选择功能260的示例的流程图300。如功能310和320限定的第一阶段可以包括搜索准确的事件设置。该设置可以通过特定产品、路线和车辆类型的组合来限定。数据表311可以包括或者可以是从基于统计的模型有关的221能够识别出的所有事件设置的列表。类似地，数据表321可以包括与基于物理的模型相关的设置。可以基于通过基于统计的模型来验证基于物理的模型的事实来决定检查准确的事件设置的顺序。第二阶段可以通过使用启发的搜索方法330来提供。功能331示出使用双准则的基于启发的方法的示例。如果找到没有准确匹配的设置，基于数据一致性值与时间要求的交点来确定路况影响模型。在331中，与路况模型相关联的时间要求可以来源于道路影响分析130的先前执行时间。每个路况模型的执行时间被处理从而创建时间要求和路况影响模型的映射。该图表可以进一步扩展到多元组表示以处理多个准则。
下面，将描述根据各个实施例的对于分布式制造的道路影响评价。
图4示出根据各个实施例的数据库131中的制造和物流网络的表示。工厂要素411、413、415代表在地理上通过道路要素412和414分开的加工厂。工厂要素411的操作可以影响工厂要素413和随后的工厂要素415。类似地，道路要素412的路况可以影响到处于网络的上游和下游部分两者中的工厂要素的操作。例如，如果道路要素412在产品运输中引起产品损坏，则作为直接链接的工厂要素413受到影响，随后作为下游链接的415受到影响。另一方面，工厂要素411必须补偿产品损伤，例如通过在下个递送周期增大产品体积。工厂要素可以被表示为网络模型中的节点，而连接这些节点的连接可以是取决于KPI和路面状况的影响的评价值。
KPI中的一个可以是受到工厂要素影响的总制造产量。对于分布式制造网络，总产量的定义可以通过并入路况影响来扩展到物流网络。例如，每个制造厂具有单独的制造产量。由于来自工厂要素411的产品可能在工厂要素413和/或工厂要素415中被处理成另一产品，所以例如可以通过处理工厂要素411、工厂要素413以及工厂要素415的制造产量和其他转换值来计算总制造产量。然而，该计算忽略一些产品可能在制造厂之间的运输期间被损坏的事实；这通过并入道路要素412和414来解决。
图5示出根据各个实施例的提供影响评价功能270的示意图500。影响评价功能270可以评价131中表示的分布式制造的总性能指数，并且考虑路况影响。在功能510中，可以定义KPI。在功能520中，仅通过考虑路面状况影响来针对物流分量计算KPI。在功能530中，针对制造分量，仅有即工厂要素来计算KPI。随后，在功能550中，通过将物流分量和制造分量进行组合来计算整个分布式制造的总KPI。另一方面，在功能540中，假设路况是理想的但是用作测量改进机会的参考，来计算KPI。类似地，在功能560中，通过将仅来自制造分量和来自物流分量的结果进行组合来计算没有影响的总KPI。来自功能550和功能560的输出值在功能570中进行比较，其可以是这两个值的差值或者是这两个值的比例。
下面，将描述根据各个实施例的用于监视和模拟的道路影响地图。
根据各个实施例，道路影响有关的模块140的示例可以是用于监视和模拟的道路影响地图。
图6示出根据各个实施例的用于监视的用户界面的示意图600。第一选择对话框610提供产品列表。第二选择对话框620提供包装选项列表。第三选择对话框630提供载体列表。基于来自合成数据211的实际事件设置，只能允许来自这些选择的组合。
通过按下按钮640，数据库211(经由应用接口230)可以被查询与输入选择相匹配的事件设置。查询的结果是提供影响类别列表650的列表。该列表是通过处理与事件设置相关联的事故数据所获得的数据。通过在该列表上选择项目，在地图观看器651中显示影响地图。地图能够显示制造和物流网络的可视化，其示出工厂要素和道路要素。道路要素可以基于所选择设置的道路影响来进行颜色编码，或者可以通过与特定道路影响相关联的图案或标记来表示。颜色代码的对应影响值可以显示在图例652中。表653提供路况影响的概要。列表654可以进一步是描述路况影响的起因的信息。
图7示出第一选择对话框610从产品1变为产品2时的过渡示意图。选择产品2之后，假设第二对话框620和第三选择对话框630设置相同，可以按下按钮640来影响选择中的变化。因此，影响类别列表650中显示影响类别的列表。在影响类别列表650中选择项目之后，产品2的影响地图显示在地图查看器651中，并且对应的路况影响概要显示在表653中。
图8示出根据各个实施例的道路影响图的模拟部分的实现的示意图800。对话框的功能与图6所示的示意图600中的相似。提供了用于产品列表的第一对话框810，用于包装列表的第二对话框820、以及用于载体类型列表的第三对话框830。即使未执行相同事件设置的真实或实际数据收集，也能够允许从这些对话框进行任何选择。通过按下按钮840，在数据库211查询与所选择的输入相似的设置。相似度准则的实现可以作为示意图800中所示的模拟部分的功能部分来实现。所识别的相似场景然后示出在列表视图841中。通过在841中选择项目，对应的道路影响地图显示在地图查看器842中。表843提供列表视图841中列出的场景的比较。表843能够包括用于比较目的的一个或多个KPI。
图9示出根据各个实施例的针对道路影响图用于监视和模拟功能能够提供的附加功能列表900。交互模型选择功能910能够处理来自监视或模拟(如第一对话框810、第二对话框820、以及第三对话框830)的用户界面的用户输入。它向数据库211发送查询并且存储查询结果。模型相似度准则功能920可以是用于模拟的专用功能，以选择具有与用户输入选择相似的设置的道路影响模型。报告创建功能930可以创建表格式报告和用于道路影响地图的地图可视化。
下面，将描述根据各个实施例的用于分布式网络中的道路影响评价的系统配置的实现。
图10示出根据各个实施例的各种模块的系统配置的实现的示意图1000(例如，数据源模块110、影响模型生成模块120、道路影响分析模块130以及道路影响有关的应用140。模块110的数据可以来自至少一个制造数据收集系统1010、移动数据收集系统1020以及载体数据收集系统1030。制造数据收集系统1010可以是制造数据111的数据源，而移动数据收集系统1020可以配置为作为载体在途数据112以及物流数据113的数据源来起作用。类似地，载体数据收集系统1030可以是载体在途数据112和物流数据113的数据源。用户应用系统1040是用于模块140的系统。道路影响服务器系统1050是用于模块120和模块130的系统。如图10所示，各个系统可以连接到互联网。
图11示出根据各个实施例的图10的系统配置的详细实现。在制造数据收集系统1010中，PC(个人计算机)数据收集应用app(应用)1013安装在从制造执行系统DB(数据库)1012收集数据的数据收集PC 1011中。在移动数据收集系统1020中，可以配备有感测元件的移动设备1021安装有移动数据收集app 1022。该设置可以用作货车的感测设备1035。在载体数据收集系统1030中，数据收集PC 1031安装有PC数据收集app 1032来从CAN(控制器局域网)总线1033收集数据，该CAN总线是用于货车车辆1034、其他货车车辆以及车辆感测设备1035的车辆数据通信总线。来自制造数据收集系统1010、移动数据收集系统1020、载体数据收集系统1030的这些数据能够经由互联网发送到道路影响服务器系统1050。
在道路影响服务器系统1050中，输入数据由数据处理服务器1051进行处理并且经过处理的数据存储在211中。模型的生成、选择和分析在影响模型计算服务器1053中执行。另一方面，应用网络服务器1052是处理来自用户应用侧1040(其可以包括用户移动设备1041和/或用户台式PC 1042)的系统用户的请求的应用服务器。131中的数据可以来源于外部源1054。
根据各个实施例，提供了一种模型确定设备。该模型确定设备可以包括：接收电路，其用于接收与产品有关的制造数据和与运输该产品有关的载体数据；以及确定电路，其用于基于制造数据并且基于载体数据来确定产品运输的影响的模型。
根据各个实施例，制造数据可以包括或者可以是产品的标识符、产品的共振频率、产品的压力极限、产品的体积或者产品的运输日期中的至少一项有关的信息。
根据各个实施例，载体数据可以包括或者可以是载体在途数据、感测信号、与运输有关的时间、与运输有关的位置、用于运输的车辆有关的信息、运输期间的感测振动、或者运输期间产品的定向中的至少一个。
根据各个实施例，接收电路可以进一步用于接收与运输有关的物流数据。根据各个实施例，确定电路可以用于进一步基于物流数据来确定模型。
根据各个实施例，物流数据可以包括或者可以是运输的路线信息或者运输的事故信息中的至少一个。
根据各个实施例，接收电路可以进一步用于接收与运输有关的环境数据。根据各个实施例，确定电路可以用于进一步基于环境数据来确定模型。
根据各个实施例，环境数据可以包括或者可以是交通信息或温度信息中的至少一个。
根据各个实施例，确定电路可以用于建立模型。
根据各个实施例，确定电路可以用于从多个类别的多个不相似模型选择模型。
根据各个实施例，确定电路可以用于基于数据源质量或者用户输入偏好中的至少一个来选择模型。
根据各个实施例，多个类别可以包括或者可以是统计模型类别、基于统计的模型类别、基于物理的模型类别、或者基于信号的模型类别中的至少两个类别。
根据各个实施例，模型确定设备可以进一步包括评价电路，该评价电路用于基于模型来评价分布式制造的关键性能指标。
根据各个实施例，关键性能指标可以包括或者可以是产品的产量或者产品的生产时间中的至少一个。
根据各个实施例，模型确定设备可以进一步包括指示电路，该指示电路用于基于模型来指示用于运输的条件。
根据各个实施例，该条件可以包括或者可以是产品的包装或运输速度中的至少一个。
根据各个实施例，可以提供一种模型确定方法。该模型确定方法可以包括：接收与产品有关的制造数据和与运输该产品有关的载体数据；以及基于制造数据并且基于载体数据来确定产品运输的影响的模型。
根据各个实施例，制造数据可以包括或者可以是产品的标识符、产品的共振频率、产品的压力极限、产品的体积或者产品的运输日期中的至少一项有关的信息。
根据各个实施例，载体数据可以包括或者可以是载体在途数据、感测信号、与运输有关的时间、与运输有关的位置、用于运输的车辆有关的信息、运输期间的感测振动、或者运输期间产品的定向中的至少一个。
根据各个实施例，模型确定方法可以进一步包括接收与运输有关的物流数据。根据各个实施例，可以进一步基于物流数据来确定模型。
根据各个实施例，物流数据可以包括或者可以是运输的路线信息或者运输的事故信息中的至少一个。
根据各个实施例，模型确定方法可以进一步包括接收与运输有关的环境数据。根据各个实施例，可以进一步基于环境数据来确定模型。
根据各个实施例，环境数据可以包括或者可以是交通信息或温度信息中的至少一个。
根据各个实施例，确定该模型可以包括或者可以是建立模型。
根据各个实施例，确定该模型可以包括或者可以是从多个类别的多个不相似模型选择模型。
根据各个实施例，选择该模型可以包括或者可以是基于数据源质量或者用户输入偏好中的至少一个来选择模型。
根据各个实施例，多个类别可以包括或者可以是统计模型类别、基于统计的模型类别、基于物理的模型类别、或者基于信号的模型类别中的至少两个类别。
根据各个实施例，模型确定方法可以进一步包括基于模型来评价分布式制造的关键性能指标。
根据各个实施例，关键性能指标可以包括或者可以是产品的产量或者产品的生产时间中的至少一个。
根据各个实施例，模型确定方法可以进一步包括基于模型来指示用于运输的条件。
根据各个实施例，条件可以包括或者可以是产品的包装或运输速度中的至少一个。
根据各个实施例的设备(换言之：系统)和方法可以用于开发特定的应用用于制造商、载体公司以及物流服务供应商。
根据各个实施例，该设备和方法可以使用在车辆速度推荐系统中。该设备和方法可以使用在考虑控制卡车速度和加速度来实现最小产品损伤的系统中。该车辆速度推荐可以进一步提供一组卡车的车队调度使得能够实现最少的交货时间和最小的产品损伤。
根据各个实施例，该设备和方法可以使用在包装推荐应用中，其中基于所检测的路面状况可以建议合适的包装。
应当理解的是，在以上说明书中，无论何时引用“功能”或者“模块”，所强调的是其中实现“功能”或者“模块”的功能性的方法中的相应步骤和用于实现“功能”“模块”的功能性的相应电路两者。
虽然本发明已经特别地参考特定实施例示出和描述，但是本领域技术人员应当理解的是在不脱离所附权利要求所限定的本发明的精神和范围的情况下可以做出各种形式和细节上的改变。本发明的范围因此由所附权利要求来指示，因此意在将落入权利要求的等同范围和意思内的所有改变包括在本发明的范围内。

Claims (16)

1.一种模型确定设备，包括：
接收电路，其用于接收与产品有关的制造数据和与运输所述产品有关的载体数据；以及
确定电路，其用于基于所述制造数据并且基于所述载体数据来确定运输所述产品的影响的模型。
2.根据权利要求1所述的模型确定设备，
其中所述制造数据包括关于所述产品的标识符、所述产品的共振频率、所述产品的压力极限、所述产品的体积或者所述产品的运输日期中的至少一项的信息。
3.根据权利要求1到2中的任一项所述的模型确定设备，
其中所述载体数据包括载体在途数据、感测信号、与运输有关的时间、与运输有关的位置、关于用于运输的车辆的信息、运输期间的感测振动、或者运输期间产品的定向中的至少一个。
4.根据权利要求1到3中的任一项所述的模型确定设备，
其中所述接收电路进一步用于接收与运输有关的物流数据；并且
其中所述确定电路用于进一步基于所述物流数据来确定所述模型。
5.根据权利要求4所述的模型确定设备，
其中所述物流数据包括所述输的路线信息或者所述运输的事故信息中的至少一个。
6.根据权利要求1到5中的任一项所述的模型确定设备，
其中所述接收电路进一步用于接收与所述运输有关的环境数据；并且
其中所述确定电路用于进一步基于所述环境数据来确定所述模型。
7.根据权利要求6所述的模型确定设备，
其中所述环境数据包括交通信息或温度信息中的至少一个。
8.根据权利要求1到7中的任一项所述的模型确定设备，
其中所述确定电路用于建立所述模型。
9.根据权利要求1到8中的任一项所述的模型确定设备，
其中所述确定电路用于从多个类别的多个不相似模型来选择模型。
10.根据权利要求9所述的模型确定设备，
其中所述确定电路用于基于数据源质量或者用户输入偏好中的至少一个来选择所述模型。
11.根据权利要求9到10中的任一项所述的模型确定设备，
其中所述多个类别包括统计模型类别、基于统计的模型类别、基于物理的模型类别、或者基于信号的模型类别中的至少两个类别。
12.根据权利要求1至11中的任一项所述的模块确定设备，进一步包括：评价电路，其用于基于所述模型来评价分布式制造的关键性能指标。
13.根据权利要求12所述的模型确定设备，
其中所述关键性能指标包括产品的产量或者产品的生产时间中的至少一个。
14.根据权利要求1至13中的任一项所述的模块确定设备，进一步包括：指示电路，其用于基于所述模型来指示运输的条件。
15.根据权利要求14所述的模型确定设备，
其中所述条件包括产品的包装或运输速度中的至少一个。
16.一种模型确定方法，包括：
接收与产品有关的制造数据和与运输所述产品有关的载体数据；以及
基于所述制造数据并且基于所述载体数据来确定运输所述产品的影响的模型。
CN201580082790.5A 2015-12-18 2015-12-18 模型确定设备和模型确定方法 Active CN107924423B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/SG2015/050498 WO2017105343A1 (en) 2015-12-18 2015-12-18 Model determination devices and model determination methods

Publications (2)

Publication Number Publication Date
CN107924423A true CN107924423A (zh) 2018-04-17
CN107924423B CN107924423B (zh) 2022-03-25

Family

ID=57910093

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580082790.5A Active CN107924423B (zh) 2015-12-18 2015-12-18 模型确定设备和模型确定方法

Country Status (4)

Country Link
US (1) US20180276779A1 (zh)
CN (1) CN107924423B (zh)
MX (1) MX2018002661A (zh)
WO (1) WO2017105343A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019232314A1 (en) 2018-06-01 2019-12-05 Haynes Clinton A Systems and methods for monitoring, tracking and tracing logistics
CN114211926B (zh) * 2021-12-31 2022-08-05 重庆工业职业技术学院 一种颠簸路面的汽车悬架控制系统
US11773626B2 (en) 2022-02-15 2023-10-03 Stress Engineering Services, Inc. Systems and methods for facilitating logistics

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1469285A (zh) * 2002-07-19 2004-01-21 鸿富锦精密工业（深圳）有限公司 一种物流管控系统及方法
CN102456167A (zh) * 2010-10-15 2012-05-16 国际商业机器公司 用于优化业务进程管理模型的方法和系统
CN202404649U (zh) * 2011-12-16 2012-08-29 安得物流股份有限公司 基于物联网技术的可视化智能物流管理平台
CN102754105A (zh) * 2010-02-12 2012-10-24 埃克森美孚上游研究公司 用于创建历史匹配模拟模型的方法和系统
DE102011083677A1 (de) * 2011-09-29 2013-04-04 Bayerische Motoren Werke Aktiengesellschaft Prognose einer Verkehrssituation für ein Fahrzeug
CN104573970A (zh) * 2015-01-22 2015-04-29 福建友通实业有限公司 一种城市数字化义齿智造与智能供应系统及运行方法

Family Cites Families (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002318844A (ja) * 2001-02-15 2002-10-31 Hitachi Ltd 車両管理方法
GB0220062D0 (en) * 2002-08-29 2002-10-09 Itis Holdings Plc Traffic scheduling system
US7421334B2 (en) * 2003-04-07 2008-09-02 Zoom Information Systems Centralized facility and intelligent on-board vehicle platform for collecting, analyzing and distributing information relating to transportation infrastructure and conditions
US20040243452A1 (en) * 2003-05-29 2004-12-02 Jacqueline Barton Method and system for proactive shipment delivery
US7711654B2 (en) * 2003-09-05 2010-05-04 Sensitech Inc. Using advanced shipping notification information for supply chain process analysis
US20050171835A1 (en) * 2004-01-20 2005-08-04 Mook David A. System for monitoring economic trends in fleet management network
US7933762B2 (en) 2004-04-16 2011-04-26 Fortelligent, Inc. Predictive model generation
US20070050206A1 (en) * 2004-10-26 2007-03-01 Marathon Petroleum Company Llc Method and apparatus for operating data management and control
US7624024B2 (en) * 2005-04-18 2009-11-24 United Parcel Service Of America, Inc. Systems and methods for dynamically updating a dispatch plan
US20070056369A1 (en) * 2005-09-15 2007-03-15 Jim Griffin Apparatus and method for monitoring in-transit shipments
US7912628B2 (en) * 2006-03-03 2011-03-22 Inrix, Inc. Determining road traffic conditions using data from multiple data sources
US20080291033A1 (en) * 2006-09-07 2008-11-27 Xerxes Aghassipour System and method for optimization of and analysis of insulated systems
US8036822B2 (en) * 2006-09-12 2011-10-11 Dds Wireless International Inc. Travel time determination
US8451140B2 (en) 2007-12-20 2013-05-28 International Business Machines Corporation Monitoring road surface conditions
US8938406B2 (en) * 2009-07-30 2015-01-20 Hewlett-Packard Development Company, L.P. Constructing a bayesian network based on received events associated with network entities
US20110054979A1 (en) * 2009-08-31 2011-03-03 Savi Networks Llc Physical Event Management During Asset Tracking
US9633327B2 (en) * 2009-09-25 2017-04-25 Fedex Corporate Services, Inc. Sensor zone management
CN101699482A (zh) * 2009-11-11 2010-04-28 南京联创科技集团股份有限公司 应用仓储物流中心模型实现业务系统间数据交换的方法
US8504485B1 (en) * 2010-03-04 2013-08-06 Amazon Technologies, Inc. Adaptive regionalization for transit characteristic prediction
JP5269024B2 (ja) 2010-09-29 2013-08-21 株式会社日立製作所 路面状況推定装置および路面状況推定方法
US20120123953A1 (en) * 2010-11-16 2012-05-17 Jabara John F Methods and systems for assessing the environmental impact of a product
US20130159059A1 (en) * 2011-12-20 2013-06-20 Sap Ag Freight market demand modeling and price optimization
US9958272B2 (en) * 2012-08-10 2018-05-01 Telogis, Inc. Real-time computation of vehicle service routes
US20150046229A1 (en) * 2013-08-06 2015-02-12 Pinc Solutions Managing trailers and shipments
US8744822B2 (en) * 2013-08-08 2014-06-03 Iteris, Inc. Pavement condition analysis from modeling impact of traffic characteristics, weather data and road conditions on segments of a transportation network infrastructure
US9536424B2 (en) * 2014-02-10 2017-01-03 Here Global B.V. Adaptive traffic dynamics prediction
EP3180753A4 (en) * 2014-08-11 2017-06-21 Genscape Intangible Holding, Inc. Systems and methods for providing logistics data
US20160042444A1 (en) * 2014-08-11 2016-02-11 Harald Hengelbrock Transport equipment logistics
WO2016064381A1 (en) * 2014-10-22 2016-04-28 Halliburton Energy Services, Inc. Managing a supply chain
US9666072B2 (en) * 2014-12-29 2017-05-30 Here Global B.V. Dynamic speed limit
JP2018508847A (ja) * 2015-01-05 2018-03-29 アンキ，インコーポレイテッド 適応データ解析サービス
US20160196527A1 (en) * 2015-01-06 2016-07-07 Falkonry, Inc. Condition monitoring and prediction for smart logistics
US9971991B2 (en) * 2015-04-28 2018-05-15 Accenture Global Services Limited Automated, new spare parts forecasting and demand planning system
US10579955B1 (en) * 2015-06-30 2020-03-03 Auctane, LLC Methods and systems for providing multi-carrier/multi-channel/multi-national shipping
US10630723B1 (en) * 2015-12-03 2020-04-21 United Services Automobile Association (Usaa) Determining policy characteristics based on route similarity

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1469285A (zh) * 2002-07-19 2004-01-21 鸿富锦精密工业（深圳）有限公司 一种物流管控系统及方法
CN102754105A (zh) * 2010-02-12 2012-10-24 埃克森美孚上游研究公司 用于创建历史匹配模拟模型的方法和系统
CN102456167A (zh) * 2010-10-15 2012-05-16 国际商业机器公司 用于优化业务进程管理模型的方法和系统
DE102011083677A1 (de) * 2011-09-29 2013-04-04 Bayerische Motoren Werke Aktiengesellschaft Prognose einer Verkehrssituation für ein Fahrzeug
CN202404649U (zh) * 2011-12-16 2012-08-29 安得物流股份有限公司 基于物联网技术的可视化智能物流管理平台
CN104573970A (zh) * 2015-01-22 2015-04-29 福建友通实业有限公司 一种城市数字化义齿智造与智能供应系统及运行方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LLW5476129: "配送中心设计技术", 《HTTPS://WENKU.BAIDU.COM/VIEW/3679D46A1EB91A37F1115C47.HTML》 *
WYNAND J VDM STEYN: "Freight-Truck-Pavement Interaction,Logistics,and Economics:Final Phase 1 Report(Task 7-8)", 《INSTITUTE OF TRANSPORTATION STUDIES》 *
杨迎心: "物流运输预警模型的设计与实现", 《中国优秀硕士学位论文全文数据库》 *
高连周: "基于物联网的技术的道路危险货物运输智能监控系统的研究", 《物流工程与管理》 *

Also Published As

Publication number Publication date
WO2017105343A1 (en) 2017-06-22
CN107924423B (zh) 2022-03-25
US20180276779A1 (en) 2018-09-27
MX2018002661A (es) 2018-06-13

Similar Documents

Publication Publication Date Title
Kuo et al. From data to big data in production research: the past and future trends
Cheng et al. Data-driven predictive maintenance planning framework for MEP components based on BIM and IoT using machine learning algorithms
Jouzdani et al. Dynamic dairy facility location and supply chain planning under traffic congestion and demand uncertainty: A case study of Tehran
Karakikes et al. Simulation techniques for evaluating smart logistics solutions for sustainable urban distribution
JP2022537937A (ja) デジタルツインを用いた鉄道線路要素の状態の監視、予測、および保守
CN115311027B (zh) 一种基于数字孪生的供应链管理方法及系统
CN107924423A (zh) 模型确定设备和模型确定方法
Kinjarapu et al. Applications of passive GPS data to characterize the movement of freight trucks—a case study in the Calgary region of Canada
Holguín-Veras et al. Time-Dependent Effects on Parameters of Freight Demand Models: Empirical Investigation
Liu et al. Method of evaluating and predicting traffic state of highway network based on deep learning
JP2020003841A (ja) プログラム、貨物駅の影響範囲の推定方法及び貨物駅の影響範囲の推定システム
US20160232542A1 (en) Forecasting demands for equipment based on road surface conditions
Meoni et al. A procedure for bridge visual inspections prioritisation in the context of preliminary risk assessment with limited information
Regal et al. A spatio-functional logistics profile clustering analysis method for metropolitan areas
Cozac et al. Distribution of a Taxi Fleet: The Problem of Arranging Repair and Maintenance in the Absence of Centralized Management
Kathiravan et al. Predicting the Sale Price of Pre-Owned Vehicles with the Ensemble ML Model
Li et al. Challenges in developing a computational platform to integrate data analytics with simulation-based optimization
Mostafa et al. A structural equation model of commercial vehicle ownership
Kröner et al. Demonstrating the application of digital product memories in a carbon footprint scenario
Bujanda et al. Development of statewide freight flows assignment using the freight analysis framework (FAF 3)
Ambite et al. Integrating heterogeneous data sources for better freight flow analysis and planning
CN117035469B (zh) 公铁联运枢纽功能区建设用地指标测算的方法及装置
Selezneva et al. Weigh-in-motion
Mzibri et al. A novel traffic prediction system based on floating car data and machine learning
Mukhtarli et al. Data-driven Homogeneous Pavement Groups—Soft Versus Hard Clustering

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant