CN108038651A - 一种物流运输监控追溯管理系统 - Google Patents

一种物流运输监控追溯管理系统 Download PDF

Info

Publication number
CN108038651A
CN108038651A CN201711475946.3A CN201711475946A CN108038651A CN 108038651 A CN108038651 A CN 108038651A CN 201711475946 A CN201711475946 A CN 201711475946A CN 108038651 A CN108038651 A CN 108038651A
Authority
CN
China
Prior art keywords
mrow
msub
module
order
management module
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
Application number
CN201711475946.3A
Other languages
English (en)
Inventor
李绍军
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.)
Xihua University
Original Assignee
Xihua University
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 Xihua University filed Critical Xihua University
Priority to CN201711475946.3A priority Critical patent/CN108038651A/zh
Publication of CN108038651A publication Critical patent/CN108038651A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/08Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083Shipping
    • G06Q10/0833Tracking

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明属于物流管理技术领域,公开了一种物流运输监控追溯管理系统,所述物流运输监控追溯管理系统包括:采收信息管理模块、检测信息管理模块、订单管理模块、主控模块、数据管理模块、客户管理模块、物流信息管理模块、实时调度模块、温度监控模块、线路规划模块、定位模块。本发明通过实时调度模块可以及时有效的更新配送路线,对于配送车辆路线进行合理规划,提高配送准时性;同时通过温度监控模块、采收信息管理模块、检测信息管理模块、物流信息管理模块可以获取更多物品详细信息。

Description

一种物流运输监控追溯管理系统
技术领域
本发明属于物流管理技术领域,尤其涉及一种物流运输监控追溯管理系统。
背景技术
物流管理是指在社会生产过程中,根据物质资料实体流动的规律,应用管理的基本原理和科学方法,对物流活动进行计划、组织、指挥、协调、控制和监督,使各项物流活动实现最佳的协调与配合,以降低物流成本,提高物流效率和经济效益。现代物流管理是建立在系统论、信息论和控制论的基础上的。然而,现有的物流管理系统运输过程,如果遇到路线更换,不能及时进行调度,容易造成运输延误;同时用户仅仅获取到物品运输位置信息,缺少物品其他详细信息。
综上所述,现有技术存在的问题是:现有的物流管理系统运输过程,如果遇到路线更换,不能及时进行调度,容易造成运输延误;同时用户仅仅获取到物品运输位置信息,缺少物品其他详细信息。
发明内容
针对现有技术存在的问题,本发明提供了一种物流运输监控追溯管理系统。
本发明是这样实现的,一种物流运输监控追溯管理系统包括:
采收信息管理模块,与主控模块连接,用于采用身份编码记录对应生产地块中的物品的采收信息,包括产品的采收日期、采收批次、场地名称、采收数量、入库日期、入库场地、采收现场图片,还包括采收阶段的动态的监控视频信息;
检测信息管理模块,与主控模块连接,用于对物品进行各项检测,并记录检测日期、检测项目、检测结论、送检单位、检测类型、送检机构、结论说明、检测图片,还包括物品检测阶段的动态的监控视频信息;
订单管理模块,与主控模块连接,用于管理客户代码、货物类型、订单大小、订单类型、订单备注、路线规划日期、路线类型、路线批次、订单服务属性、周期性订单属性、订单优先级、订单销量、订单时间限制;并支持订单的批量导入导出、以及按照特殊规则的分割及归类;以及紧急订单通过手工输入、并插入订单序列;
所述订单管理模块运用主成分分析法对影响负荷的多种因素进行分析包括:
步骤(1)、对订单样本数据进行标准化处理:
原始数据矩阵:
式中,n是订单样本个数;p是每个订单样本维数;Xij为第i个样本的第j维取值;用X1,X2,…,Xp分别表示矩阵X的各列矢量,有:
式中E(Xj)和Vax(Xj)分别表示Xj的均值和方差;
步骤(2)、计算相关系数矩阵R:
式中Cov(Xi,Xj)表示数据矩阵中第i列与第j列之间的协方差;
步骤(3)、求正交矩阵及其特征值:
PTRP=diag(λ12,…,λp);
式中λ1≥λ2≥…≥λp是R的p个特征值,diag表示对角矩阵;
每个主成分集中了随机变量X的各个分量不同的共同特征,这样变量的维数降低,下面基于模糊聚类分析对历史负荷数据聚类步骤包括:
步骤(1)、对订单样本数据进行规格化处理:
x'jk=(xjk-xkmin)/(xkmax-xkmin);
式中,xkmax、xkmin分别为x1k,x2k,…,xnk的最大值和最小值;x'jk为规格化后的数据;
步骤(2)、建立模糊相似关系矩阵R={rij}:
步骤(3)、进行动态聚类:
式中i为λ从高到低的聚合序次数,ni和ni-1分别为第i次和第i-1次聚类的元素个数;λi和λi-1分别为第i次和第i-1次聚类时的置信水平;若Ci=max(Cj),则认为第i次聚类的置信水平λi为最佳阈值;
步骤(4)、计算预测日与上述各类的欧氏距离:
式中x'ik为预测日的特性指标矢量,x'jk为各分类的特性指标矢量;
最后,以欧氏距离最短的类别作为预测日的类别,建立BP神经网络进行预测,得到订单数据;
主控模块,与采收信息管理模块、检测信息管理模块、订单管理模块、数据管理模块、客户管理模块、物流信息管理模块、实时调度模块、温度监控模块、线路规划模块、定位模块连接,用于调度各个模块正常工作;
数据管理模块,与主控模块连接,用于对订单大小度量单位自定义、订单日期计算方法特殊属性自定义、客户信息特殊属性字段自定义、订单信息特殊属性字段自定义等,可以对系统基础对象数据的属性字段自定义增加或修改;
所述数据管理模块的数据划分方法包括:
1)寻找数据集的中心点集,首先利用最远中心算法,并结合几何知识来计算出临界值near_value;计算过程中用到的最远中心算法是对最远距离算法和随机算法的结合改进而成的,通过计算每个点之间的距离,并将其中的最小值min_dis进行保存,与之前得到的near_value进行比较,删除所有小于near_value的集合,然后在所有的样本集中找到点与点之间距离最大的集合作为中心点集合;
2)划分原始数据集,首先,将通过最远中心点算法得到的中心点集合存入到mapper中,然后按照存储的顺序将原始数据集切分成相同大小的N份,并存入mapper中;开始执行map,此时的map是为了对每个点到中心点集合的距离的计算,得到计算结果后,将待分类数据集中的每个元素按照分类结果划分到对应的集合中;
温度监控模块,与主控模块连接,用于提供远程温度监控和调节温度功能;
定位模块,与主控模块连接,用于通过GPS定位系统或北斗定位系统进行定位;
所述定位模块的IP地址前缀长度约定将IP地址前缀成员函数计算出来,根据约定,前缀成员函数记为:F(x)={b1b2b3b4b5,b1b2b3**,b1b2***},然后使用可授权伪随机函数进行加密可得到:
所述定位模块利用惯导设备中的加速度计与陀螺仪进行计步运算,通过条件检测方法,计算出行走的步数和直线长度,并计算每一步的电子地图坐标,记录第k步坐标产生的时刻ts(k),k=1,2,...,L,L表示该路径上总的行走步数,k时刻加速度计采集到的三轴加速度值分别为ak(1)、ak(2)、ak(3),陀螺仪采集到的三轴角速度分别为ωk(1)、ωk(2)、ωk(3),条件检测方法使用三个条件C1,C2和C3来判断人的脚是否处于静止状态;
所述条件C1,C2和C3
条件C1为加速度大小满足介于两个给定门限之间:
条件C2为局部加速度方差要大于给定的门限值,
局部加速度方差计算方式为,
其中是局部平均加速度,计算式为s为均值的窗口长度。
条件C3为陀螺仪测量值的大小满足低于给定门限:
条件之间是逻辑与的关系,即条件检测结果为C1&C2&C3,条件检测的结果再通过一个窗口长度为11的中值滤波器,输出逻辑“1”表示停止状态,逻辑“0”表示行走状态,从停止状态变化到行走状态则计为行走了一步,当前路径上行走的总步数为m(k),把人行走时的步长近似看作固定长度l,则当前行走的直线长度d(k)计算公式为:
d(k)=m(k)*l或d(k)=d(k-1)+l。
进一步,所述客户管理模块,与主控模块连接,用于自动导入外部系统的客户基本信息,提供对客户代码、客户名称、客户地址、客户法人、联系电话、客户类型、客户历史销量、客户趋势销量等信息维护功能,另外提供对客户送货站点地址、客户邮编、客户经纬度信息、渠道、订单默认优先级别、备注信息、客户特殊属性、客户收货时间窗(可为每天设置不同的时窗以及客户休息时间)、站点停靠时间、客户行政时间、客户单位搬运货物时间、站点单位搬运货物时间、一个站点多客户信息等信息维护功能。
进一步,所述物流信息管理模块,与主控模块连接,用于记录物品的物流信息;包括运输起点、装车时间、装车人员、运输开始时间、运输人员、运输存储环境、中转站、到达中转站时间、分销目的地、到达目的地时间、接货人员和物流单号,将记录的信息传递至销售信息管理环节。
进一步,所述实时调度模块,与主控模块连接,用于提供系统实时获知某车辆的当前类型:如行驶、报警、登陆、任务车等,监控中心和司机之间可以通过语音和文字进行交流,监控中心可以给司机发送必要的路线信息或指令进行调度。
进一步,所述线路规划模块,与主控模块连接,用于提供自动区域划分、手动划分各区域边界,根据多种条件(车辆数量、车辆类型、平均配送量、工作时间、配送点数量、客户类型等)进行区域划分;能将优化后的区域显示在地图上。区域边界集均可进行保存并显示在地图上。
本发明的优点及积极效果为:本发明通过实时调度模块可以及时有效的更新配送路线,对于配送车辆路线进行合理规划,提高配送准时性;同时通过温度监控模块、采收信息管理模块、检测信息管理模块、物流信息管理模块可以获取更多物品详细信息。
本发明的数据管理模块通过对最远距离算法和随机选取方法的结合,改进出的最远中心算法来选取数据集的中心点,能够使得数据集中的中心点分布更加均匀,而且通过MapReduce框架来对算法进行应用,不仅更好的保证了数据的完整性,并且对算法的时间开销有了极大的缩减。
附图说明
图1是本发明实施例提供的物流运输监控追溯管理系统结构示意图;
图中:1、采收信息管理模块;2、检测信息管理模块;3、订单管理模块;4、主控模块;5、数据管理模块;6、客户管理模块;7、物流信息管理模块;8、实时调度模块;9、温度监控模块;10、线路规划模块;11、定位模块。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1所示,本发明提供的物流运输监控追溯管理系统包括:采收信息管理模块1、检测信息管理模块2、订单管理模块3、主控模块4、数据管理模块5、客户管理模块6、物流信息管理模块7、实时调度模块8、温度监控模块9、线路规划模块10、定位模块11。
采收信息管理模块1,与主控模块4连接,用于采用身份编码记录对应生产地块中的物品的采收信息,包括产品的采收日期、采收批次、场地名称、采收数量、入库日期、入库场地、采收现场图片,还包括采收阶段的动态的监控视频信息;
检测信息管理模块2,与主控模块4连接,用于对物品进行各项检测,并记录检测日期、检测项目、检测结论、送检单位、检测类型、送检机构、结论说明、检测图片,还包括物品检测阶段的动态的监控视频信息;
订单管理模块3,与主控模块4连接,用于管理客户代码(其他关联信息将自动弹出)、货物类型、订单大小(根据货物信息自动计算订单重量及体积等信息)、订单类型、订单备注、路线规划日期、路线类型、路线批次、订单服务属性、周期性订单属性、订单优先级、订单销量、订单时间限制等等。并支持订单的批量导入导出、以及按照特殊规则的分割及归类。以及紧急(临时)订单可以通过手工输入、并插入订单序列;
主控模块4,与采收信息管理模块1、检测信息管理模块2、订单管理模块3、数据管理模块5、客户管理模块6、物流信息管理模块7、实时调度模块8、温度监控模块9、线路规划模块10、定位模块11连接,用于调度各个模块正常工作;
数据管理模块5,与主控模块4连接,用于对订单大小度量单位自定义、订单日期计算方法特殊属性自定义、客户信息特殊属性字段自定义、订单信息特殊属性字段自定义等,可以对系统基础对象数据的属性字段自定义增加或修改;
客户管理模块6,与主控模块4连接,用于自动导入外部系统的客户基本信息,提供对客户代码、客户名称、客户地址、客户法人、联系电话、客户类型、客户历史销量、客户趋势销量等信息维护功能,另外提供对客户送货站点地址、客户邮编、客户经纬度信息、渠道、订单默认优先级别、备注信息、客户特殊属性、客户收货时间窗(可为每天设置不同的时窗以及客户休息时间)、站点停靠时间、客户行政时间、客户单位搬运货物时间、站点单位搬运货物时间、一个站点多客户信息等信息维护功能;
物流信息管理模块7,与主控模块4连接,用于记录物品的物流信息;包括运输起点、装车时间、装车人员、运输开始时间、运输人员、运输存储环境、中转站、到达中转站时间、分销目的地、到达目的地时间、接货人员和物流单号,将记录的信息传递至销售信息管理环节;
实时调度模块8,与主控模块4连接,用于提供系统实时获知某车辆的当前类型:如行驶、报警、登陆、任务车等,监控中心和司机之间可以通过语音和文字进行交流,监控中心可以给司机发送必要的路线信息或指令进行调度;
温度监控模块9,与主控模块4连接,用于提供远程温度监控和调节温度功能;
线路规划模块10,与主控模块4连接,用于提供自动区域划分、手动划分各区域边界,根据多种条件(车辆数量、车辆类型、平均配送量、工作时间、配送点数量、客户类型等)进行区域划分;能将优化后的区域显示在地图上。区域边界集均可进行保存并显示在地图上;
定位模块11,与主控模块4连接,用于通过GPS定位系统或北斗定位系统进行定位。
采收信息管理模块,与主控模块连接,用于采用身份编码记录对应生产地块中的物品的采收信息,包括产品的采收日期、采收批次、场地名称、采收数量、入库日期、入库场地、采收现场图片,还包括采收阶段的动态的监控视频信息;
所述订单管理模块运用主成分分析法对影响负荷的多种因素进行分析包括:
步骤(1)、对订单样本数据进行标准化处理:
原始数据矩阵:
式中,n是订单样本个数;p是每个订单样本维数;Xij为第i个样本的第j维取值;用X1,X2,…,Xp分别表示矩阵X的各列矢量,有:
式中E(Xj)和Vax(Xj)分别表示Xj的均值和方差;
步骤(2)、计算相关系数矩阵R:
式中Cov(Xi,Xj)表示数据矩阵中第i列与第j列之间的协方差;
步骤(3)、求正交矩阵及其特征值:
PTRP=diag(λ12,…,λp);
式中λ1≥λ2≥…≥λp是R的p个特征值,diag表示对角矩阵;
每个主成分集中了随机变量X的各个分量不同的共同特征,这样变量的维数降低,下面基于模糊聚类分析对历史负荷数据聚类步骤包括:
步骤(1)、对订单样本数据进行规格化处理:
x'jk=(xjk-xkmin)/(xkmax-xkmin);
式中,xkmax、xkmin分别为x1k,x2k,…,xnk的最大值和最小值;x'jk为规格化后的数据;
步骤(2)、建立模糊相似关系矩阵R={rij}:
步骤(3)、进行动态聚类:
式中i为λ从高到低的聚合序次数,ni和ni-1分别为第i次和第i-1次聚类的元素个数;λi和λi-1分别为第i次和第i-1次聚类时的置信水平;若Ci=max(Cj),则认为第i次聚类的置信水平λi为最佳阈值;
步骤(4)、计算预测日与上述各类的欧氏距离:
式中x'ik为预测日的特性指标矢量,x'jk为各分类的特性指标矢量;
最后,以欧氏距离最短的类别作为预测日的类别,建立BP神经网络进行预测,得到订单数据;
所述数据管理模块的数据划分方法包括:
1)寻找数据集的中心点集,首先利用最远中心算法,并结合几何知识来计算出临界值near_value;计算过程中用到的最远中心算法是对最远距离算法和随机算法的结合改进而成的,通过计算每个点之间的距离,并将其中的最小值min_dis进行保存,与之前得到的near_value进行比较,删除所有小于near_value的集合,然后在所有的样本集中找到点与点之间距离最大的集合作为中心点集合;
2)划分原始数据集,首先,将通过最远中心点算法得到的中心点集合存入到mapper中,然后按照存储的顺序将原始数据集切分成相同大小的N份,并存入mapper中;开始执行map,此时的map是为了对每个点到中心点集合的距离的计算,得到计算结果后,将待分类数据集中的每个元素按照分类结果划分到对应的集合中;
所述定位模块的IP地址前缀长度约定将IP地址前缀成员函数计算出来,根据约定,前缀成员函数记为:F(x)={b1b2b3b4b5,b1b2b3**,b1b2***},然后使用可授权伪随机函数进行加密可得到:
所述定位模块利用惯导设备中的加速度计与陀螺仪进行计步运算,通过条件检测方法,计算出行走的步数和直线长度,并计算每一步的电子地图坐标,记录第k步坐标产生的时刻ts(k),k=1,2,...,L,L表示该路径上总的行走步数,k时刻加速度计采集到的三轴加速度值分别为ak(1)、ak(2)、ak(3),陀螺仪采集到的三轴角速度分别为ωk(1)、ωk(2)、ωk(3),条件检测方法使用三个条件C1,C2和C3来判断人的脚是否处于静止状态;
所述条件C1,C2和C3
条件C1为加速度大小满足介于两个给定门限之间:
条件C2为局部加速度方差要大于给定的门限值,
局部加速度方差计算方式为,
其中是局部平均加速度,计算式为s为均值的窗口长度。
条件C3为陀螺仪测量值的大小满足低于给定门限:
条件之间是逻辑与的关系,即条件检测结果为C1&C2&C3,条件检测的结果再通过一个窗口长度为11的中值滤波器,输出逻辑“1”表示停止状态,逻辑“0”表示行走状态,从停止状态变化到行走状态则计为行走了一步,当前路径上行走的总步数为m(k),把人行走时的步长近似看作固定长度l,则当前行走的直线长度d(k)计算公式为:
d(k)=m(k)*l或d(k)=d(k-1)+l。
本发明通过采收信息管理模块1对应生产地块中的物品的采收信息,包括产品的采收日期、采收批次、场地名称、采收数量、入库日期、入库场地、采收现场图片,还包括采收阶段的动态的监控视频信息;通过检测信息管理模块2对物品进行各项检测,并记录检测日期、检测项目、检测结论、送检单位、检测类型、送检机构、结论说明、检测图片,还包括物品检测阶段的动态的监控视频信息;通过订单管理模块3管理客户代码(其他关联信息将自动弹出)、货物类型、订单大小(根据货物信息自动计算订单重量及体积等信息)、订单类型、订单备注、路线规划日期、路线类型、路线批次、订单服务属性、周期性订单属性、订单优先级、订单销量、订单时间限制等等;通过主控模块4调度各个模块正常工作;通过数据管理模块5对订单大小度量单位自定义、订单日期计算方法特殊属性自定义、客户信息特殊属性字段自定义、订单信息特殊属性字段自定义等,可以对系统基础对象数据的属性字段自定义增加或修改;通过客户管理模块6自动导入外部系统的客户基本信息,提供对客户代码、客户名称、客户地址、客户法人、联系电话、客户类型、客户历史销量、客户趋势销量等信息维护功能,另外提供对客户送货站点地址、客户邮编、客户经纬度信息、渠道、订单默认优先级别、备注信息、客户特殊属性、客户收货时间窗(可为每天设置不同的时窗以及客户休息时间)、站点停靠时间、客户行政时间、客户单位搬运货物时间、站点单位搬运货物时间、一个站点多客户信息等信息维护功能;通过物流信息管理模块7记录物品的物流信息;包括运输起点、装车时间、装车人员、运输开始时间、运输人员、运输存储环境、中转站、到达中转站时间、分销目的地、到达目的地时间、接货人员和物流单号;通过实时调度模块8提供系统实时获知某车辆的当前类型:如行驶、报警、登陆、任务车等,监控中心和司机之间可以通过语音和文字进行交流,监控中心可以给司机发送必要的路线信息或指令进行调度;通过温度监控模块9提供远程温度监控和调节温度功能;通过线路规划模块10提供自动区域划分、手动划分各区域边界,根据多种条件(车辆数量、车辆类型、平均配送量、工作时间、配送点数量、客户类型等)进行区域划分;能将优化后的区域显示在地图上。区域边界集均可进行保存并显示在地图上;通过定位模块11进行定位。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。

Claims (5)

1.一种物流运输监控追溯管理系统,其特征在于,所述物流运输监控追溯管理系统包括:
采收信息管理模块,与主控模块连接,用于采用身份编码记录对应生产地块中的物品的采收信息,包括产品的采收日期、采收批次、场地名称、采收数量、入库日期、入库场地、采收现场图片,还包括采收阶段的动态的监控视频信息;
检测信息管理模块,与主控模块连接,用于对物品进行各项检测,并记录检测日期、检测项目、检测结论、送检单位、检测类型、送检机构、结论说明、检测图片,还包括物品检测阶段的动态的监控视频信息;
订单管理模块,与主控模块连接,用于管理客户代码、货物类型、订单大小、订单类型、订单备注、路线规划日期、路线类型、路线批次、订单服务属性、周期性订单属性、订单优先级、订单销量、订单时间限制;并支持订单的批量导入导出、以及按照特殊规则的分割及归类;以及紧急订单通过手工输入、并插入订单序列;
所述订单管理模块运用主成分分析法对影响负荷的多种因素进行分析包括:
步骤(1)、对订单样本数据进行标准化处理:
原始数据矩阵:
式中,n是订单样本个数;p是每个订单样本维数;Xij为第i个样本的第j维取值;用X1,X2,…,Xp分别表示矩阵X的各列矢量,有:
<mrow> <msubsup> <mi>X</mi> <mi>j</mi> <mo>*</mo> </msubsup> <mo>=</mo> <mfrac> <mrow> <msub> <mi>X</mi> <mi>j</mi> </msub> <mo>-</mo> <mi>E</mi> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> </mrow> <msqrt> <mrow> <mi>V</mi> <mi>a</mi> <mi>x</mi> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> </mrow> </msqrt> </mfrac> <mo>;</mo> </mrow>
式中E(Xj)和Vax(Xj)分别表示Xj的均值和方差;
步骤(2)、计算相关系数矩阵R:
<mrow> <msub> <mi>r</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mrow> <mi>C</mi> <mi>o</mi> <mi>v</mi> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>X</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> </mrow> <msqrt> <mrow> <mi>V</mi> <mi>a</mi> <mi>r</mi> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mi>V</mi> <mi>a</mi> <mi>r</mi> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> </mrow> </msqrt> </mfrac> <mo>=</mo> <mfrac> <mn>1</mn> <mi>n</mi> </mfrac> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msubsup> <mi>X</mi> <mrow> <mi>k</mi> <mi>i</mi> </mrow> <mo>*</mo> </msubsup> <msubsup> <mi>X</mi> <mrow> <mi>k</mi> <mi>j</mi> </mrow> <mo>*</mo> </msubsup> <mo>;</mo> </mrow>
式中Cov(Xi,Xj)表示数据矩阵中第i列与第j列之间的协方差;
步骤(3)、求正交矩阵及其特征值:
PTRP=diag(λ12,…,λp);
式中λ1≥λ2≥…≥λp是R的p个特征值,diag表示对角矩阵;
每个主成分集中了随机变量X的各个分量不同的共同特征,这样变量的维数降低,下面基于模糊聚类分析对历史负荷数据聚类步骤包括:
步骤(1)、对订单样本数据进行规格化处理:
x'jk=(xjk-xkmin)/(xkmax-xkmin);
式中,xkmax、xkmin分别为x1k,x2k,…,xnk的最大值和最小值;x'jk为规格化后的数据;
步骤(2)、建立模糊相似关系矩阵R={rij}:
<mrow> <msub> <mi>r</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <mo>|</mo> <msubsup> <mi>x</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> <mo>,</mo> </msubsup> <mo>-</mo> <msubsup> <mi>x</mi> <mrow> <mi>j</mi> <mi>k</mi> </mrow> <mo>,</mo> </msubsup> <mo>|</mo> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
步骤(3)、进行动态聚类:
<mrow> <msub> <mi>C</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <mrow> <msub> <mi>&amp;lambda;</mi> <mrow> <mi>i</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>-</mo> <msub> <mi>&amp;lambda;</mi> <mi>i</mi> </msub> </mrow> <mrow> <msub> <mi>n</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>n</mi> <mrow> <mi>i</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> </mrow> </mfrac> <mo>;</mo> </mrow>
式中i为λ从高到低的聚合序次数,ni和ni-1分别为第i次和第i-1次聚类的元素个数;λi和λi-1分别为第i次和第i-1次聚类时的置信水平;若Ci=max(Cj),则认为第i次聚类的置信水平λi为最佳阈值;
步骤(4)、计算预测日与上述各类的欧氏距离:
<mrow> <msub> <mi>d</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <msqrt> <mi>m</mi> </msqrt> </mfrac> <msqrt> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msup> <mrow> <mo>(</mo> <msubsup> <mi>x</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> <mo>,</mo> </msubsup> <mo>-</mo> <msubsup> <mi>x</mi> <mrow> <mi>j</mi> <mi>k</mi> </mrow> <mo>,</mo> </msubsup> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> <mo>;</mo> </mrow>
式中x′ik为预测日的特性指标矢量,x'jk为各分类的特性指标矢量;
最后,以欧氏距离最短的类别作为预测日的类别,建立BP神经网络进行预测,得到订单数据;
主控模块,与采收信息管理模块、检测信息管理模块、订单管理模块、数据管理模块、客户管理模块、物流信息管理模块、实时调度模块、温度监控模块、线路规划模块、定位模块连接,用于调度各个模块正常工作;
数据管理模块,与主控模块连接,用于对订单大小度量单位自定义、订单日期计算方法特殊属性自定义、客户信息特殊属性字段自定义、订单信息特殊属性字段自定义等,可以对系统基础对象数据的属性字段自定义增加或修改;
所述数据管理模块的数据划分方法包括:
1)寻找数据集的中心点集,首先利用最远中心算法,并结合几何知识来计算出临界值near_value;计算过程中用到的最远中心算法是对最远距离算法和随机算法的结合改进而成的,通过计算每个点之间的距离,并将其中的最小值min_dis进行保存,与之前得到的near_value进行比较,删除所有小于near_value的集合,然后在所有的样本集中找到点与点之间距离最大的集合作为中心点集合;
2)划分原始数据集,首先,将通过最远中心点算法得到的中心点集合存入到mapper中,然后按照存储的顺序将原始数据集切分成相同大小的N份,并存入mapper中;开始执行map,此时的map是为了对每个点到中心点集合的距离的计算,得到计算结果后,将待分类数据集中的每个元素按照分类结果划分到对应的集合中;
温度监控模块,与主控模块连接,用于提供远程温度监控和调节温度功能;
定位模块,与主控模块连接,用于通过GPS定位系统或北斗定位系统进行定位;
所述定位模块的IP地址前缀长度约定将IP地址前缀成员函数计算出来,根据约定,前缀成员函数记为:F(x)={b1b2b3b4b5,b1b2b3**,b1b2***},然后使用可授权伪随机函数进行加密可得到:
<mrow> <msub> <mi>Enc</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mi>F</mi> <mo>(</mo> <mi>x</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>=</mo> <mo>{</mo> <mo>&amp;lsqb;</mo> <msub> <mi>G</mi> <msub> <mi>b</mi> <mn>5</mn> </msub> </msub> <mrow> <mo>(</mo> <msub> <mi>G</mi> <msub> <mi>b</mi> <mn>4</mn> </msub> </msub> <mo>(</mo> <mrow> <mo>...</mo> <msub> <mi>G</mi> <msub> <mi>b</mi> <mn>1</mn> </msub> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mo>,</mo> <mn>5</mn> <mo>&amp;rsqb;</mo> <mo>,</mo> <mo>&amp;lsqb;</mo> <msub> <mi>G</mi> <msub> <mi>b</mi> <mn>5</mn> </msub> </msub> <mrow> <mo>(</mo> <msub> <mi>G</mi> <msub> <mi>b</mi> <mn>4</mn> </msub> </msub> <mo>(</mo> <mrow> <msub> <mi>G</mi> <msub> <mi>b</mi> <mn>3</mn> </msub> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mo>,</mo> <mn>3</mn> <mo>&amp;rsqb;</mo> <mo>,</mo> <mo>&amp;lsqb;</mo> <msub> <mi>G</mi> <msub> <mi>b</mi> <mn>5</mn> </msub> </msub> <mrow> <mo>(</mo> <msub> <mi>G</mi> <msub> <mi>b</mi> <mn>4</mn> </msub> </msub> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>,</mo> <mn>2</mn> <mo>&amp;rsqb;</mo> <mo>}</mo> <mo>;</mo> </mrow>
所述定位模块利用惯导设备中的加速度计与陀螺仪进行计步运算,通过条件检测方法,计算出行走的步数和直线长度,并计算每一步的电子地图坐标,记录第k步坐标产生的时刻ts(k),k=1,2,...,L,L表示该路径上总的行走步数,k时刻加速度计采集到的三轴加速度值分别为ak(1)、ak(2)、ak(3),陀螺仪采集到的三轴角速度分别为ωk(1)、ωk(2)、ωk(3),条件检测方法使用三个条件C1,C2和C3来判断人的脚是否处于静止状态;
所述条件C1,C2和C3
条件C1为加速度大小满足介于两个给定门限之间:
条件C2为局部加速度方差要大于给定的门限值,
局部加速度方差计算方式为,
<mrow> <msubsup> <mi>&amp;sigma;</mi> <msub> <mi>a</mi> <mi>k</mi> </msub> <mn>2</mn> </msubsup> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mn>2</mn> <mi>s</mi> <mo>+</mo> <mn>1</mn> </mrow> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mi>k</mi> <mo>-</mo> <mi>s</mi> </mrow> <mrow> <mi>k</mi> <mo>+</mo> <mi>s</mi> </mrow> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>a</mi> <mi>k</mi> </msub> <mo>-</mo> <msub> <mover> <mi>a</mi> <mo>&amp;OverBar;</mo> </mover> <mi>k</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow>
其中是局部平均加速度,计算式为s为均值的窗口长度;
条件C3为陀螺仪测量值的大小满足低于给定门限:
条件之间是逻辑与的关系,即条件检测结果为C1&C2&C3,条件检测的结果再通过一个窗口长度为11的中值滤波器,输出逻辑“1”表示停止状态,逻辑“0”表示行走状态,从停止状态变化到行走状态则计为行走了一步,当前路径上行走的总步数为m(k),把人行走时的步长近似看作固定长度l,则当前行走的直线长度d(k)计算公式为:
d(k)=m(k)*l或d(k)=d(k-1)+l。
2.如权利要求1所述的物流运输监控追溯管理系统,其特征在于,所述客户管理模块,与主控模块连接,用于自动导入外部系统的客户基本信息,提供对客户代码、客户名称、客户地址、客户法人、联系电话、客户类型、客户历史销量、客户趋势销量等信息维护功能,另外提供对客户送货站点地址、客户邮编、客户经纬度信息、渠道、订单默认优先级别、备注信息、客户特殊属性、客户收货时间窗、站点停靠时间、客户行政时间、客户单位搬运货物时间、站点单位搬运货物时间、一个站点多客户信息等信息维护功能。
3.如权利要求1所述的物流运输监控追溯管理系统,其特征在于,所述物流信息管理模块,与主控模块连接,用于记录物品的物流信息;包括运输起点、装车时间、装车人员、运输开始时间、运输人员、运输存储环境、中转站、到达中转站时间、分销目的地、到达目的地时间、接货人员和物流单号,将记录的信息传递至销售信息管理环节。
4.如权利要求1所述的物流运输监控追溯管理系统,其特征在于,所述实时调度模块,与主控模块连接,用于提供系统实时获知某车辆的当前类型:如行驶、报警、登陆、任务车,监控中心和司机之间通过语音和文字进行交流,监控中心可以给司机发送必要的路线信息或指令进行调度。
5.如权利要求1所述的物流运输监控追溯管理系统,其特征在于,所述线路规划模块,与主控模块连接,用于提供自动区域划分、手动划分各区域边界,根据多种条件进行区域划分;能将优化后的区域显示在地图上。区域边界集均可进行保存并显示在地图上。
CN201711475946.3A 2017-12-29 2017-12-29 一种物流运输监控追溯管理系统 Pending CN108038651A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711475946.3A CN108038651A (zh) 2017-12-29 2017-12-29 一种物流运输监控追溯管理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711475946.3A CN108038651A (zh) 2017-12-29 2017-12-29 一种物流运输监控追溯管理系统

Publications (1)

Publication Number Publication Date
CN108038651A true CN108038651A (zh) 2018-05-15

Family

ID=62098199

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711475946.3A Pending CN108038651A (zh) 2017-12-29 2017-12-29 一种物流运输监控追溯管理系统

Country Status (1)

Country Link
CN (1) CN108038651A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109377142A (zh) * 2018-12-12 2019-02-22 苏州席正通信科技有限公司 一种用于物流快递的记录和报警实时跟踪器
CN109711773A (zh) * 2018-12-11 2019-05-03 武汉理工大学 一种基于聚类算法的集装箱货物流向流量统计方法
CN109902990A (zh) * 2019-01-16 2019-06-18 江苏玄通供应链股份有限公司 一种供应链物流配送线路规划系统
CN110163550A (zh) * 2019-05-29 2019-08-23 河南科技大学 一种农产品全程供应链物流平台及配送方法
CN110322106A (zh) * 2019-04-12 2019-10-11 成都服务生科技有限公司 一种多目的地、多个运输工具的行李取送调度方法
CN110763277A (zh) * 2019-11-11 2020-02-07 李蔚田 基于北斗卫星系统的实时物流定位监控系统
CN110968098A (zh) * 2019-12-13 2020-04-07 珠海大横琴科技发展有限公司 电子围网的途中车辆监控方法、装置、系统及存储介质
CN111695880A (zh) * 2020-06-17 2020-09-22 常熟市汉泰化纤织造有限公司 一种生产流程监控方法及系统
CN111861312A (zh) * 2020-06-29 2020-10-30 上海鑫虹物流有限公司 物流管理方法及系统
CN112581046A (zh) * 2019-09-27 2021-03-30 上海佐理供应链管理有限公司 一种仓储物流管理系统及方法
CN113159382A (zh) * 2021-03-19 2021-07-23 北京京东振世信息技术有限公司 信息推送、显示方法、装置、服务器、终端、介质及系统
CN113379101A (zh) * 2021-05-06 2021-09-10 北京沃东天骏信息技术有限公司 一种异常订单的配送方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069519A (zh) * 2015-07-16 2015-11-18 国网天津市电力公司 一种智能电网园区终端用户能源需求状况动态预测系统及方法
CN105246153A (zh) * 2015-09-22 2016-01-13 四川星网云联科技有限公司 一种室内指纹定位数据库高密度快速采集方法
CN105608585A (zh) * 2015-12-16 2016-05-25 安徽景徽菜篮子电子商务有限公司 一种食品安全追溯系统及其方法
CN105678499A (zh) * 2016-02-29 2016-06-15 上海慧物智能科技有限公司 物流运输监控追溯管理系统
CN107046548A (zh) * 2017-05-22 2017-08-15 东莞理工学院 一种隐私保护下的数据包过滤方法
CA3014870A1 (en) * 2016-03-23 2017-09-28 Fedex Corporate Services, Inc. Systems, apparatus, and methods for self-adjusting a broadcast setting of a node in a wireless node network

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069519A (zh) * 2015-07-16 2015-11-18 国网天津市电力公司 一种智能电网园区终端用户能源需求状况动态预测系统及方法
CN105246153A (zh) * 2015-09-22 2016-01-13 四川星网云联科技有限公司 一种室内指纹定位数据库高密度快速采集方法
CN105608585A (zh) * 2015-12-16 2016-05-25 安徽景徽菜篮子电子商务有限公司 一种食品安全追溯系统及其方法
CN105678499A (zh) * 2016-02-29 2016-06-15 上海慧物智能科技有限公司 物流运输监控追溯管理系统
CA3014870A1 (en) * 2016-03-23 2017-09-28 Fedex Corporate Services, Inc. Systems, apparatus, and methods for self-adjusting a broadcast setting of a node in a wireless node network
CN107046548A (zh) * 2017-05-22 2017-08-15 东莞理工学院 一种隐私保护下的数据包过滤方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孙星宇: ""基于MapReduce的kNN-join算法的研究与设计"", 《中国优秀硕士学位论文全文数据库-信息科技辑》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109711773A (zh) * 2018-12-11 2019-05-03 武汉理工大学 一种基于聚类算法的集装箱货物流向流量统计方法
CN109711773B (zh) * 2018-12-11 2022-08-26 武汉理工大学 一种基于聚类算法的集装箱货物流向流量统计方法
CN109377142A (zh) * 2018-12-12 2019-02-22 苏州席正通信科技有限公司 一种用于物流快递的记录和报警实时跟踪器
CN109902990A (zh) * 2019-01-16 2019-06-18 江苏玄通供应链股份有限公司 一种供应链物流配送线路规划系统
CN110322106A (zh) * 2019-04-12 2019-10-11 成都服务生科技有限公司 一种多目的地、多个运输工具的行李取送调度方法
CN110322106B (zh) * 2019-04-12 2023-08-01 赵志为 一种多目的地、多个运输工具的行李取送调度方法
CN110163550A (zh) * 2019-05-29 2019-08-23 河南科技大学 一种农产品全程供应链物流平台及配送方法
CN112581046A (zh) * 2019-09-27 2021-03-30 上海佐理供应链管理有限公司 一种仓储物流管理系统及方法
CN110763277A (zh) * 2019-11-11 2020-02-07 李蔚田 基于北斗卫星系统的实时物流定位监控系统
CN110968098A (zh) * 2019-12-13 2020-04-07 珠海大横琴科技发展有限公司 电子围网的途中车辆监控方法、装置、系统及存储介质
CN111695880A (zh) * 2020-06-17 2020-09-22 常熟市汉泰化纤织造有限公司 一种生产流程监控方法及系统
CN111695880B (zh) * 2020-06-17 2024-01-12 苏州知云创宇信息科技有限公司 一种生产流程监控方法及系统
CN111861312A (zh) * 2020-06-29 2020-10-30 上海鑫虹物流有限公司 物流管理方法及系统
CN113159382A (zh) * 2021-03-19 2021-07-23 北京京东振世信息技术有限公司 信息推送、显示方法、装置、服务器、终端、介质及系统
CN113159382B (zh) * 2021-03-19 2023-09-05 北京京东振世信息技术有限公司 信息推送、显示方法、装置、服务器、终端、介质及系统
CN113379101A (zh) * 2021-05-06 2021-09-10 北京沃东天骏信息技术有限公司 一种异常订单的配送方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN108038651A (zh) 一种物流运输监控追溯管理系统
CN111461624B (zh) 物流线路规划方法、装置、设备及存储介质
US11087253B2 (en) Interactive real time system and real time method of use thereof in conveyance industry segments
CN110555568B (zh) 一种基于社交网络信息的道路交通运行状态实时感知方法
CN111768030B (zh) 银行运输配送线路规划方法和装置、设备以及介质
US20030135304A1 (en) System and method for managing transportation assets
CN107818412A (zh) 一种基于MapReduce的大规模公交乘客OD并行计算方法
CN102324128A (zh) 基于ic卡记录的公交站间od客流预测方法及装置
CN109215350A (zh) 一种基于rfid电子车牌数据的短期交通状态预测方法
CN108444486B (zh) 一种导航路线排序方法和装置
Mahmoudi et al. A cumulative service state representation for the pickup and delivery problem with transfers
CN112418536A (zh) 一种基于大数据的物流到货时长实时监测预估系统
Wei et al. Look-ahead insertion policy for a shared-taxi system based on reinforcement learning
CN114493402B (zh) 物流机器人配送时间预测方法和系统
Sharman et al. Multilevel modelling of commercial vehicle inter-arrival duration using GPS data
CN113592440A (zh) 一种基于大数据的智慧物流取件分析系统及方法
Liu et al. Artificial intelligence in smart logistics cyber-physical systems: State-of-the-arts and potential applications
CN110021161A (zh) 一种交通流向的预测方法及系统
Sandim et al. Using GPS-based AVL data to calculate and predict traffic network performance metrics: A systematic review
Rodríguez-Rueda et al. Origin–Destination matrix estimation and prediction from socioeconomic variables using automatic feature selection procedure-based machine learning model
Cheng et al. Design of a support system for complicated logistics location integrating big data
Andersen et al. Reoptimisation strategies for dynamic vehicle routing problems with proximity-dependent nodes
CN109633716A (zh) 基于gps的城市配送车辆出行链及其特征识别方法与设备
Fang et al. A multi-criteria system for recommending taxi routes with an advance reservation
Akter Truck activity pattern classification using anonymous mobile sensor data

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180515