CN108780537A - 冷链人类与匹配决策软件即服务 - Google Patents
冷链人类与匹配决策软件即服务 Download PDFInfo
- Publication number
- CN108780537A CN108780537A CN201780018854.4A CN201780018854A CN108780537A CN 108780537 A CN108780537 A CN 108780537A CN 201780018854 A CN201780018854 A CN 201780018854A CN 108780537 A CN108780537 A CN 108780537A
- Authority
- CN
- China
- Prior art keywords
- route
- user
- risk
- plan
- logistics
- 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
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000004044 response Effects 0.000 claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 238000013473 artificial intelligence Methods 0.000 claims description 57
- 238000003860 storage Methods 0.000 claims description 50
- 230000004048 modification Effects 0.000 claims description 14
- 238000012986 modification Methods 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 13
- 238000013439 planning Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 9
- 238000012384 transportation and delivery Methods 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 claims description 5
- 230000005070 ripening Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 description 23
- 230000006870 function Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 238000012546 transfer Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- TVZRAEYQIKYCPH-UHFFFAOYSA-N 3-(trimethylsilyl)propane-1-sulfonic acid Chemical compound C[Si](C)(C)CCCS(O)(=O)=O TVZRAEYQIKYCPH-UHFFFAOYSA-N 0.000 description 2
- 241001269238 Data Species 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- RLLPVAHGXHCWKJ-IEBWSBKVSA-N (3-phenoxyphenyl)methyl (1s,3s)-3-(2,2-dichloroethenyl)-2,2-dimethylcyclopropane-1-carboxylate Chemical compound CC1(C)[C@H](C=C(Cl)Cl)[C@@H]1C(=O)OCC1=CC=CC(OC=2C=CC=CC=2)=C1 RLLPVAHGXHCWKJ-IEBWSBKVSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000010408 film Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 235000013611 frozen food Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000003733 optic disk Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
各实施方案包括用于冷链系统的风险和决策分析的方法、系统和计算机程序产品。例如,一种方法包括在决策引擎处接收输入参数;生成包括使用所述输入参数的路线和计划的推荐信号;计算所述路线和所述计划的风险值;将所述风险值与风险阈值进行比较;响应于所述风险值等于或大于所述风险阈值,生成用于请求用户输入的通知;向用户装置传送所述通知和包括所述路线和计划的推荐信号;基于至少所述通知和所述推荐信号从所述用户装置处接收用户选择;将所述用户选择存储在网络数据库中;基于所述用户选择指示冷链系统执行物流事件;以及存储所述物流事件和结果。
Description
背景技术
本公开涉及一种冷链系统,且更具体而言,涉及用于分析和控制冷链系统的方法、系统和计算机程序产品。
冷链是温度受控制的供应链。特定而言,冷链是一系列连续且不间断的储存和配送活动,为沿着链移动的产品保持给定的温度范围。例如,冷链用于帮助延长和确保诸如新鲜农产品、海产品、冷冻食品、胶片、流体、化学品、药品和其他温度敏感物品等产品的保质期。
一些冷链系统提供商提供以软件和服务器实施方式提供的决策支持,用于通知库存和物流管理决策。这些支持提供了更多大数据工具和冷链系统控制自动化。随着越来越多的大数据工具可用,决策过程变得越来越自动化。然而,这些系统侧重于完全自动化选定部分,而未将人类输入与决策支持系统整合。
因此,需要一种用于将人类输入与决策支持系统和软件整合的系统和方法。
发明内容
根据实施方案,提供了一种用于冷链系统的风险和决策分析的方法。所述方法包括:在决策引擎处接收输入参数;使用决策引擎生成包括使用输入参数的路线和计划的推荐信号;使用风险引擎计算路线和计划的风险值;将风险值与风险阈值进行比较;响应于风险值等于或大于风险阈值,生成用于请求用户输入的通知;向用户使用的用户装置传送通知和包括路线和计划的推荐信号;基于至少通知和推荐信号从用户装置处接收用户选择;将用户选择存储在包括计算机可读介质存储装置的网络数据库中;基于用户选择指示冷链系统执行物流事件;以及将物流事件和结果存储在网络数据库中。
根据另一实施方案,所述方法包括:响应于用户选择覆盖推荐信号,将用户选择和推荐信号与所存储的物流事件和结果进行比较,并且与用户选择和推荐信号预测值相比较,基于所述结果的时间、质量、路线物流和成本生成报告。
根据另一实施方案,所述方法包括:基于所生成的报告对提供用户选择的用户进行分类,并且基于用户的分类准许用户访问专家连接聊天室。
根据另一实施方案,所述方法包括:将风险值与高风险阈值进行比较,并且响应于风险值等于或大于高风险阈值,生成用于请求来自被准许访问专家连接聊天室的用户的用户输入的通知。
根据另一实施方案,所述方法包括:其中,输入参数包括种植商信息、物流信息、卡车司机和配送信息、零售和批发商信息以及路线网络信息中的至少一个,其中,种植商的信息包括产品数据、催熟计划和传感器数据,其中,物流信息包括计划数据、人员数据和成本结构,其中,卡车司机和配送信息包括路线信息、车辆维护和传感器数据,其中,零售和批发商信息包括库存数据和交付计划,且其中,路线网络信息包括道路封闭、交通模式、道路工程和路线可行性数据。
根据另一实施方案,所述方法包括:其中,决策引擎是人工智能(AI)引擎。
根据另一实施方案,所述方法包括:其中,使用决策引擎生成包括使用输入参数的路线和计划的推荐信号包括:从网络数据库中检索包括路线和计划的物流事件;将物流事件传送到路线网络;基于所传送的物流事件,在路线网络处确定可行性;从路线网络接收可行性数据;响应于至少一个路线不可行,基于可行性数据重新计算路线;响应于至少一个路线仍然不可行,基于可行性数据重新计算计划;和如果发现路线可行,则向风险引擎发送包括修改的路线和计划的通知。
根据另一实施方案,所述方法包括:其中,确定可行性包括将优选路线和优选计划与物流事件中的实际路线数据进行比较;并且计算优选路线是否能够达到优选计划。
根据另一实施方案,所述方法包括:其中,使用风险引擎计算路线和计划的风险值包括:从推荐信号接收路线和计划;从网络数据库中检索原始路线和计划;将原始路线和计划与来自推荐信号的路线和计划进行比较;和响应于将原始路线和计划与来自推荐信号的路线和计划进行比较,增加风险值。
根据实施方案,提供了一种包括用于冷链系统的软件即服务(SaaS)决策机和物流网络的风险和决策分析系统。所述系统包括:决策引擎,其被配置为从种植商操作、物流中心、半挂车、配送货柜、零售商、批发商、路线网络和用户装置中的至少一个接收输入参数;使用决策引擎生成包括使用输入参数的路线和计划的推荐信号;风险引擎,其被配置为计算路线和计划的风险值;比较引擎,其被配置为将风险值与风险阈值进行比较,响应于风险值等于或大于所述风险阈值,生成用于请求用户输入的通知;装置应用程序编程接口(API),其被配置为向用户使用的用户装置传送通知和包括路线和计划的推荐信号;用户选择,其基于至少通知和推荐信号从用户装置处接收;物流事件,其基于用户选择指示所述冷链系统予以执行;和网络数据库,其包括存储用户选择、物流事件和结果的计算机可读介质存储装置。
根据另一实施方案,所述系统包括:其中,SaaS决策机还被配置为响应于用户选择覆盖推荐信号,将用户选择和推荐信号与所存储的物流事件和结果进行比较,并且与用户选择和推荐信号预测值相比较,基于所述结果的时间、质量、路线物流和成本生成报告。
根据另一实施方案,所述系统包括:其中,SaaS决策机还被配置为基于所生成的报告对提供用户选择的用户进行分类,并且基于用户的分类准许用户访问专家连接聊天室。
根据另一实施方案,所述系统包括:其中,SaaS决策机还被配置为将风险值与高风险阈值进行比较,并且响应于风险值等于或大于高风险阈值,生成用于请求来自被准许访问专家连接聊天室的用户的用户输入的通知。
根据另一实施方案,所述系统包括:其中,输入参数包括种植商信息、物流信息、卡车司机和配送信息、零售和批发商信息以及路线网络信息中的至少一个,其中,种植商的信息包括产品数据、催熟计划和传感器数据,其中,物流信息包括计划数据、人员数据和成本结构,其中,卡车司机和配送信息包括路线信息、车辆维护和传感器数据,其中,零售和批发商信息包括库存数据和交付计划,且其中,路线网络信息包括道路封闭、交通模式、道路工程和路线可行性数据。
根据另一实施方案,所述系统:包括,其中决策引擎是人工智能(AI)引擎。
根据另一实施方案,所述系统还包括:物流事件,其包括路线和计划并被存储在网络数据库中;路线网络,其接收物流事件,并被配置为基于物流事件确定可行性,并将可行性数据传送到决策引擎;其中,决策引擎还被配置为响应于至少一个路线不可行,基于可行性数据重新计算路线,响应于至少一个路线仍不可行,基于可行性数据重新计算计划,并且如果发现路线可行,则向风险引擎发送包括修改的路线和计划的通知。
根据另一实施方案,所述系统包括:其中,路线网络还被配置为将优选路线和优选计划与物流事件中的实际路线数据进行比较;并且计算优选路线是否能够达到优选计划。
根据另一实施方案,所述系统包括:其中,在计算路线和计划的风险值时,风险引擎还被配置为:从推荐信号接收路线和计划;从网络数据库中检索原始路线和计划;将原始路线和计划与来自推荐信号的路线和计划进行比较;和响应于将原始路线和计划与来自推荐信号的路线和计划进行比较,增加风险值。
根据实施方案,提供了一种用于分析和控制冷链系统的冷链控制系统。所述系统包括:一个或多个处理器,其与其中包含程序指令的一个或多个类型的计算机可读存储介质通信,所述程序指令可由一个或多个处理器执行以致使处理器:在决策引擎处接收输入参数;使用决策引擎生成包括使用输入参数的路线和计划的推荐信号;使用风险引擎计算路线和计划的风险值;将风险值与风险阈值进行比较;响应于风险值等于或大于风险阈值,生成用于请求用户输入的通知;向用户使用的用户装置传送通知和包括路线和计划的推荐信号;基于至少通知和推荐信号从用户装置处接收用户选择;将用户选择存储在包括计算机可读介质存储装置的网络数据库中;基于用户选择指示冷链系统执行物流事件;和将物流事件和结果存储在网络数据库中。
根据另一实施方案,所述冷链控制系统包括:其中,一个或多个类型的计算机可读存储介质包括包含在其中的额外程序指令,所述额外程序指令可由一个或多个处理器执行以致使处理器:响应于用户选择覆盖推荐信号,将用户选择和推荐信号与存储的物流事件和结果进行比较;与用户选择和推荐信号预测值相比较,基于所述结果的时间、质量、路线物流和成本生成报告,基于所生成的报告对提供用户选择的用户进行分类;基于用户的分类,准许用户访问专家连接聊天室;将风险值与高风险阈值进行比较;和响应于风险值等于或大于高风险阈值,生成请求来自被准许访问专家连接聊天室的用户的用户输入的通知。
附图说明
通过结合附图所进行的以下详细描述,本公开的上述和其他特征和优点是显而易见的,其中:
图1描绘了根据本公开实施方案的云计算环境;
图2描绘了根据本公开实施方案的抽象模型层;
图3是说明用于实践本文教导的处理系统的一个实例的方框图;
图4描绘了说明根据本公开实施方案的整个系统的方框图;
图5A描绘了根据本公开实施方案的用户装置上的物流应用程序输入界面的图形用户界面(GUI);;
图5B描绘了根据本公开实施方案在用户装置上示出了搜索结果的物流应用程序的另一图形用户界面(GUI);
图6A描绘了根据本公开实施方案的用户装置上的通知图形用户界面(GUI);
图6B描绘了根据本公开实施方案的用户装置上的比较图形用户界面(GUI);
图7描绘了根据本公开实施方案的用户装置上的物流应用程序;
图8描绘了根据本公开实施方案的与用户装置上的物流应用程序通信的软件即服务基础软件的流程图;
图9描绘了根据本公开实施方案的软件即服务AI和人类物流网络上的装置API的流程图;
图10描绘了根据本公开实施方案的软件即服务AI和人类物流网络上的AI引擎的流程图;
图11描绘了根据本公开实施方案的软件即服务AI和人类物流网络上的风险引擎的流程图;
图12描绘了根据本公开实施方案的软件即服务AI和人类物流网络上的人类/AI比较引擎的流程图;
图13是根据本公开实施方案的用于冷链系统的方法的流程图。
具体实施方式
如本文所示和所述,将呈现本公开的各种特征。各种实施方案可以具有相同或相似的特征,因此相同或相似的特征可以用相同的参考数字来标记,但缀有不同的第一个数字来指示显示该特征的附图。因此,例如,图X所示的元件“a”可以标记为“Xa”且图Z中的类似特征可以标记为“Za”。虽然在一般意义上可以使用类似的参考数字,但是,本领域技术人员应明白,将描述各种实施方案且各种特征可以包括变化、变更、修改等,而不管是明确描述或是本领域技术人员以其他方式明白。
预先应理解,虽然本公开包括关于云计算的详细描述,但是本文所述教导的实施方式不限于云计算环境。相反,本公开的实施方案能够结合现在已知或以后开发的任何其他类型的计算环境来实施。
云计算是一种服务交付模型,其用于实现对可配置计算资源(例如网络、网络带宽、服务器、处理、存储器、存储装置、应用程序、虚拟机和服务)的共享池的方便、按需网络访问,这些计算资源可以通过最少的管理努力或与服务提供商的交互来快速调配和释放。该云模型可以包括至少五个特征、至少三个服务模型和至少四个部署模型。
特征如下:
按需自助服务:云消费者可以根据需要自动单方面调配计算能力,诸如服务器时间和网络存储,而无需与服务提供商进行人工交互。
广泛的网络访问:功能可通过网络获得,并通过标准机制访问,这些机制促进异构瘦客户端平台或胖客户端平台(例如移动电话、笔记本计算机和PDA)的使用。
资源池化:提供商的计算资源被池化,以使用多租户模型为多个消费者服务,根据需求动态分配和重新分配不同的物理和虚拟资源。存在位置独立性的感知,因为消费者通常不控制或不知道所提供资源的确切位置,但是可能够在更高的抽象等级(例如,国家、州或数据中心)指定位置。
快速弹性:可以快速弹性调配功能,在某些情况下,可自动调配以进行快速横向扩容(scale out)以及快速释放以进行快速横向缩容(scale in)。对于消费者而言,可用于调配的功能通常看起来不受限制,并且可以随时以任何数量购买。
测量的服务:云系统通过在适合服务类型的某个抽象等级(例如,存储、处理、带宽和活动用户账户)利用计量功能,自动控制和优化资源使用。可以监测、控制和报告资源使用,为利用服务的提供商和消费者两者提供透明度。
服务模型如下:
软件即服务(SaaS):向消费者提供的功能是使用在云基础设施上运行的提供商应用程序。应用程序可通过诸如web浏览器(例如,基于web的电子邮件)的瘦客户端界面从各种客户端装置访问。消费者并不管理或控制底层云基础设施,包括网络、服务器、操作系统、存储装置,或甚至不管理或控制单个应用程序功能,但有限的用户特定应用程序配置设置可能除外。
平台即服务(PaaS):向消费者提供的功能是在云基础设施上部署消费者使用提供商支持的编程语言和工具创建或获取的应用程序。消费者并不管理或控制底层云基础设施,包括网络、服务器、操作系统或存储装置,而是控制已部署的应用程序以及可能的应用程序托管环境配置。
基础设施即服务(IaaS):向消费者提供的功能是调配处理、存储装置、网络和其他基本计算资源,消费者可以在这些计算资源中部署和运行可包括操作系统和应用程序的任意软件。消费者并不管理或控制底层云基础设施,而是控制操作系统、存储装置、部署的应用程序,并且可能对选择的联网组件(例如主机防火墙)进行有限的控制。
部署模型如下:
私有云:云基础设施只为组织运营。它可能由组织或第三方管理,且可能存在于内部或外部。
社区云:云基础设施由数个组织共享,并支持具有共同关注(例如,任务、安全要求、政策和合规考量)的具体社区。它可能由组织或第三方管理,且可能存在于内部或外部。
公共云:云基础设施向公众或大型行业团体开放,并由销售云服务的组织拥有。
混合云:云基础设施由两个或多个云(私有、社区或公共)组成,这些云仍然是独特的实体,但是通过标准化或专有技术结合在一起,支持数据和应用程序的可移植性(例如,用于云之间的负荷平衡的云爆发)。
云计算环境面向服务,侧重于无状态性、低耦合、模块化和语义互操作性。云计算的核心是包括互联节点网络的基础设施。
现在参考图1,描绘了说明性云计算环境50。如所示,云计算环境50包括一个或多个云计算节点10,云消费者使用的本地计算装置诸如个人数字助理(PDA)或蜂窝电话54A、台式计算机54B、膝上型计算机54C和/或汽车计算机系统54N可以与之通信。节点10可以彼此通信。在一个或多个网络中,它们可以物理地或虚拟地分组(未示出),诸如如上文所述的私有、社区、公共或混合云或其组合。这允许云计算环境50提供基础设施、平台和/或软件作为云消费者维护本地计算装置上的资源所不需要的服务。应理解,图1中所示的计算装置54A-N的类型仅意指说明性,并且计算节点10和云计算环境50可以通过任何类型的网络和/或网络可寻址连接(例如,使用web浏览器)与任何类型的计算机化装置通信。
现在参考图2,示出了云计算环境50(图1)提供的一组功能抽象层。预先应理解,图2中所示的组件、层和功能仅意指说明性,本公开的实施方案不限于此。如所示,提供了以下层和对应的功能:
硬件和软件层60包括硬件和软件组件。硬件组件的实例包括:大型机61;基于RISC(精简指令集计算机)架构的服务器62;服务器63;刀片服务器64;存储装置65;以及网络和联网组件66。在一些实施方案中,软件组件包括网络应用服务器软件67和数据库软件68。
虚拟化层70提供从其中可提供虚拟实体的以下实例的抽象层:虚拟服务器71;虚拟存储装置72;包括虚拟专用网络的虚拟网络73;虚拟应用程序和操作系统74;以及虚拟客户端75。
在一个实例中,管理层80可以提供下文描述的功能。资源调配81提供用于在云计算环境内执行任务的计算资源和其他资源的动态采购。计量和定价82在云计算环境内利用资源时提供成本跟踪,并为这些资源的消费开具账单或发票。在一个实例中,这些资源可以包括应用程序软件准许证。安全性为云消费者和任务提供身份验证,并保护数据和其他资源。用户门户83为消费者和系统管理员提供对云计算环境的访问。服务等级管理84提供云计算资源分配和管理,从而满足所需的服务等级。服务等级协议(SLA)规划和实现85提供云计算资源的预先安排和采购,根据SLA,云计算资源的未来需求是预期的。
工作负荷层90提供云计算环境可用于的功能的实例。从该层可以提供的工作负荷和功能的实例包括:地图和导航91;软件开发和生命周期管理92;虚拟课堂教学交付93;数据分析处理94;交易处理95;以及跨多个通信系统处理消息96。
根据本公开的示例性实施方案,提供了用于对跨多个通信系统的消息交付进行优先级排序的方法、系统和计算机程序产品。在示例性实施方案中,消息传送系统被配置为跨个人使用的多个通信系统接收个人的消息。消息传送系统还被配置为基于对消息的分析和个人的用户简档来确定与每个消息相关联的优先级。基于所确定的优先级等级和用户简档,消息传送系统经由期望的消息传送系统将消息交付到期望的通信装置。在示例性实施方案中,当接收到来自个人的反馈之后,消息传送系统更新用户简档,其中反馈包括个人的消息交付偏好和消息优先级偏好。
参考图3,示出了用于实施本文教导的处理系统100的实施方案。在本实施方案中,系统100具有一个或多个中央处理单元(处理器)101a、101b、101c等(统称或一般称为处理器101)。在一个实施方案中,每个处理器101可以包括精简指令集计算机(RISC)微处理器。处理器101经由系统总线113耦合到系统存储器114和各种其他组件。(只读存储器)ROM 102耦合到系统总线113,并且可以包括控制系统100的某些基本功能的基本输入/输出系统(BIOS)。
图3还描绘耦合到系统总线113的输入/输出(I/O)适配器107和网络适配器106。I/O适配器107可以是与硬盘103和/或磁带存储驱动器105或任何其他类似组件通信的小型计算机系统接口(SCSI)适配器。本文将I/O适配器107、硬盘103和磁带存储装置105统称为大容量存储装置104。用于在处理系统100上执行的操作系统120可以存储在大容量存储装置104中。网络适配器106将总线113与外部网络116互连,使得数据处理系统100能够与其他这样的系统通信。屏幕(例如,显示监测器)115通过显示适配器112连接到系统总线113,显示适配器112可以包括图形适配器以提高图形密集型应用程序和视频控制器的性能。在一个实施方案中,适配器107、106和112可以连接到经由中间总线桥(未示出)连接到系统总线113的一个或多个I/O总线。用于连接外围装置(诸如硬盘控制器、网络适配器和图形适配器)的合适I/O总线通常包括通用协议,诸如外围组件互连(PCI)。额外的输入/输出装置被示为经由用户接口适配器108和显示适配器112连接到系统总线113。键盘109、鼠标110和扬声器111都经由用户接口适配器108互连到总线113,用户接口适配器108可以包括例如将多个装置适配器集成到单个集成电路中的超级I/O芯片。
在示例性实施方案中,处理系统100包括图形处理单元130。图形处理单元130是一种专门的电子电路,被设计成操纵和改变存储器,以加速帧缓冲器中旨在输出到显示器的图像的创建。通常,图形处理单元130在操纵计算机图形和图像处理方面非常有效,并且具有高度并行的结构,使得它对于并行处理大型数据块的算法比通用CPU更有效。
因此,如图3中配置,系统100包括处理器101形式的处理能力、包括系统存储器114和大容量存储装置104的存储能力、诸如键盘109和鼠标110的输入装置以及包括扬声器111和显示器115的输出能力。在一个实施方案中,系统存储器114和大容量存储装置104的一部分共同存储操作系统,以协调图3所示的各种组件的功能。
根据本公开的一个或多个实施方案,提供了衔接冷链上的用户决策(用于设定温度、评估食物和新鲜度以及路线规划)与通过规则引擎或AI制定的机器决策(用于设定温度、评估食物和新鲜度以及路线规划)之间的差距的软件和系统。例如,根据实施方案,将用户输入与软件和系统整合是通过基于机器决策和跟踪来查看人类是否覆盖所述决策而整合路线和物流的建议算法而完成的。对时间、质量、路线物流、成本进行分析,收集结果并与实际结果进行比较。
此外,根据另一实施方案,有些用户决策不佳,而另一些用户决策合理。对时间的比较用于进一步的推荐。例如,更成功的用户被准许访问连接“专家连接聊天室”。”其他用户可以连接到专家连接聊天室来询问用户做出合理的决策路线和计划查询。此外,当机器决策确定所涉及的风险大于允许专家连接聊天室用户查询的高风险容忍度时,机器还可以连接并查询来自并基于自动连接到“专家连接聊天室”的用户的响应。
根据一个或多个实施方案,提供了一种使用用于冷链专用决策的软件即服务(SaaS)实施方式来匹配用户与机器的决策推荐。此外,可以提供一种其他用户和决策引擎可以通过基于先前冷链结果调用专家的机器决策来连接的“专家连接聊天室”。此外,根据本公开的实施方案可以为冷链市场提供即时价值,以随时间增强机器决策的学习并增长专业知识。此外,本公开的一个或多个实施方案会构建智能并且打开机器软件来利用专家决策并且还会调用聊天室。
例如,图4描绘了说明根据示例性实施方案的整个系统400的方框图。该系统包括SaaS物流网络410。SaaS物流网络410可以包括一起实施的硬件和软件元件。SaaS物流网络410可以实施为包括AI和人工元素以及输入,使得SaaS物流网络410可以被称为SaaS AI和人工物流网络410。物流网络410包括SaaS基础软件420以及网络数据库470和通知数据库480。此外,物流网络还包括决策引擎430、风险引擎440、比较引擎450(也称为人类/AI比较引擎)和装置API 460。SaaS基础软件420可用于触发物流网络410的其他子组件。网络数据库470可用于存储从连接到物流网络的其他元件接收的数据并且本地生成和处理的信息。通知数据库480可用于存储由物流网络410生成和使用的通知。
此外,物流网络410通过诸如通过云实施方式或通过互联网405连接的网络连接到多个其他系统元件。特定而言,该系统还包括种植商411、物流412、卡车司机和配送413、零售和批发商414、路线网络415和用户装置490。种植商411提供种植商信息,包括产品数据、催熟计划和传感器数据。物流412提供物流信息,包括计划数据、人员数据和成本结构。卡车司机和配送413提供卡车司机和配送信息,包括路线信息、车辆维护和传感器数据。零售商和批发商414提供包括库存数据和交付计划的零售和批发商信息。路线网络415提供包括道路封闭、交通模式、道路工程和路线可行性数据的路线网络信息。
用户装置还提供接收用户输入并向用户提供经处理信息和生成的信号的能力。例如,用户装置490包括物流应用程序以及物流图形用户界面(GUI)、比较GUI和通知GUI。
图5A描绘了根据示例性实施方案的用户装置上的物流应用程序输入界面的图形用户界面(GUI)500A。物流GUI 500A提供如所示的界面按钮、菜单和其他元素,使得用户可以选择和输入各种搜索词。例如,物流GUI是用户装置上的物流应用程序的GUI,它允许用户选择参数来搜索SaaS AI和人类物流网络中匹配这些参数的物流事件。例如,用户可以在第一步骤中选择车辆或驾驶员。用户还可以在第二步骤中选择日期范围。此外,在第三步骤中,用户可以选择如所示的过滤器。
图5B描绘了根据示例性实施方案的示出用户装置上的搜索结果的物流应用程序的另一图形用户界面(GUI)500B。物流GUI 500B示出了来自这种搜索的搜索结果的一个实施方案,每个事件旁边都有按钮,允许用户检索关于该事件的更多细节,或者将该事件与类似事件进行比较。
图6A描绘了根据示例性实施方案的用户装置上的通知图形用户界面(GUI)600A。通知GUI 600A示出了来自SaaS AI和人类物流网络的AI引擎的通知,该通知警告用户AI引擎遭遇了由于道路关闭而不可行的路线。通知GUI 600A还示出了AI引擎推荐了新的路线,但是风险等级增加了,因此需要人类操作员批准。如所示,通知GUI 600A可以显示具体告知用户问题是什么的陈述,以及显示不可行路线以及推荐的新路线的设想。通知GUI 600A还可以提供按钮,使得用户可以选择、编辑或比较正在建议的新路线。
图6B描绘了根据示例性实施方案的用户装置上的比较图形用户界面(GUI)600B。比较GUI 600B示出了从SaaS AI和人类物流网络接收的比较,将选择的物流事件与相同类型和风险等级的物流事件进行比较。比较可以包括例如由人类操作员创建且按时交付的类似事件的百分比与由AI引擎创建且按时交付的类似事件的百分比。如所示,比较GUI 600B可以显示示出比较和/或陈述的表格,列出如所示的比较值。
图7描绘了根据示例性实施方案的用户装置上的物流应用程序的流程图。用户装置上的物流应用程序允许用户访问如图5和6所示的物流GUI 500A、物流GUI 500B、通知GUI600A和比较GUI 600B(操作700),并通过发送和接收物流数据与SaaS AI和人力物流网络交互(操作705-755)。具体而言,根据实施方案,用户装置上的物流应用程序允许用户使用物流GUI 500A选择车辆或驾驶员(操作710),允许用户使用物流GUI 500A输入数据范围(操作715),并且允许用户使用物流GUI 500A选择过滤器,诸如拾取、交付、路线改变等(操作720)。此外,物流应用程序向SaaS AI和人类物流网络发送车辆/驾驶员选择、数据范围和过滤器选择(操作725),从SaaS AU和人类物流网络接收搜索结果(操作730),并显示来自使用物流GUI 500B的搜索结果。
此外,物流应用程序检查是否有通知(操作735)。如果没有通知,则物流应用程序返回到操作700。如果存在通知,则物流应用程序接收通知数据并在用户装置上打开和填充通知GUI 600A(操作740)。
另外,物流应用程序检查是否选择了比较(操作745)。如果未选择比较,则物流应用程序返回到操作700。如果选择了比较,则物流应用程序请求由SaaS AI和人类物流网络处理的比较,并在用户装置上填充比较GUI 600B(操作750)。物流应用程序还从SaaS AI和人类物流网络接收比较数据,并在用户装置上的比较GUI 600B上显示比较数据(操作755)。
图8描绘了根据示例性实施方案与用户装置上的物流应用程序通信的SaaS基础软件的流程图。SaaS基础软件与用户装置上的物流应用程序握手,以执行装置API、填充和搜索网络数据库、执行AI引擎和风险引擎(如果请求,则包括风险算法),以及运行比较引擎(如果选择)。具体而言,SaaS基础软件从用户装置接收信息(操作800)。SaaS基础软件执行装置API以发送和接收网络数据库上的车辆或驾驶员搜索数据(操作805),从SaaS AI和人类物流网络向用户装置物流应用程序发送搜索结果(操作810),并从SaaS AI和人类物流网络接收来自物流应用程序的车辆/驾驶员选择、数据范围和过滤器选择(操作815)。
此外,SaaS基础软件还检查是否存在从用户装置的物流应用程序请求的通知(操作820)。如果没有,则SaaS基础软件返回到操作800。如果存在,则SaaS基础软件执行AI引擎和风险引擎以获得通知(如果有的话)(操作825)。SaaS基础软件发送通知数据并打开和填充发布者装置上的通知GUI(操作830)。
此外,SaaS基础软件检查是否选择比较。如果没有选择比较,则SaaS基础软件返回到操作800。如果选择了比较,则SaaS基础软件执行计算比较数据的比较引擎(操作840),并将比较数据发送到用户装置上的比较GUI(845)。
图9描绘了根据示例性实施方案的SaaS AI和人类物流网络上的装置API的流程图。装置API允许用户装置将新的物流事件加载到软件即服务AI和人类物流网络中(操作900),由此它将新事件存储在数据库中(操作905)。装置API还允许用户发送参数来搜索网络中的物流事件(操作910)。API检索具有匹配参数的事件(操作915),并将它们发送给用户装置(操作920)。
图10描绘了根据示例性实施方案的SaaS AI和人类物流网络上的AI引擎的流程图。
概述:AI引擎包括SaaS AI和人类物流网络上的软件协议,允许机器基于所输入的参数智能运行。在本实施方案中,所输入的参数可以是从数据库检索的冷链物流系统的路线数据和计划数据(操作1000)。AI引擎可以向路线网络发送物流事件(操作1005),并且网络被专门设计成基于交通、天气和地图数据来计算路线的可行性。然后,AI引擎将从路线网络接收可行性数据(操作1010)。然后,AI引擎确定至少一个路线是否不可行(操作1015)。如果没有路线不可行,则程序什么也不做(1020)。如果AI引擎接收到至少一个路线不如当前计划般可行的通知,则AI引擎首先重新计算新路线以尝试保持相同的计划(操作1025)。如果该路线仍不可行(操作1030),则AI引擎重新计算计划(操作1035)。如果重新计算的计划仍然不可行(操作1045),则AI引擎从通知数据库中检索匹配通知(操作1050),并通知人类操作员并请求输入(操作1055)。如果新计算的路线是可行的,则AI引擎向风险引擎发送可行的路线,该路线可以包括计算修改路线的风险的风险算法(操作1040)。
图11描绘了可包括根据示例性实施方案的软件即服务AI和人类物流网络上的风险算法的风险引擎的流程图。风险引擎包括SaaS AI和人工物流网络上的软件,该软件基于参数计算与物流事件相关联的风险等级,以便确定事件是否具有足够的风险等级,使得人类操作员需要批准修改的路线。
具体而言,根据一个或多个实施方案,风险引擎从其自身的存储装置中检索修改的路线和计划数据(操作1100)。然后,风险引擎从网络数据库中检索原始路线和计划信息(操作1105),并比较原始的和修改的路线和计划(操作1110)。如果修改的路线比原始路线长50英里以上(操作1115),则风险等级增加1(操作1120)。如果发现修改的路线经过交通高峰区域(操作1125),则风险等级增加1(操作1130)。如果修改的路线经过极端天气区域(操作1135),则风险等级增加1(操作1140)。如果修改的计划将交付增加了四个小时以上(操作1145),则风险等级增加1(操作1150)。如果修改的计划改变了交付日期(操作1155),则风险等级增加1(操作1160)。然后,风险引擎将带有路线和计划的风险等级存储在网络数据库中(操作1165)。然后检查风险等级,查看其是否大于或等于三(操作1170),如果不是,则什么都不做(操作1185)。然而,如果风险级别大于或等于三,则风险引擎从通知数据库中检索匹配通知(操作1175),并将风险等级通知给人类操作,并经由用户装置请求输入(操作1180)。
图12描绘了根据示例性实施方案的SaaS AI和人类物流网络上的人类/AI比较引擎的流程图。
人类/AI比较引擎包括SaaS AI和人类物流网络上的软件,该软件比较AI决策与相当人类决策的相对成功或失败。成功可能是简单因为交付准时到达,失败可能是简单因为交付未准时到达。百分比计算被发送到用户装置以供用户查看。
具体而言,根据一个或多个实施方案,人类/AI比较引擎接收用户选择来比较成功的物流事件(操作1200),并且检索在比较周期(例如,六个月)内完成的相同类型和相同风险等级的事件(操作1205)。此外,人类/AI比较引擎计算准时的人类创建的事件的百分比(操作1210),计算准时的AI创建的事件的百分比(操作1215),并将计算结果作为比较数据发送给用户装置(操作1220)。
图13是根据本公开实施方案的一种用于冷链系统的方法的流程图。所述方法包括:在决策引擎处接收输入参数(操作1300);使用决策引擎生成包括使用输入参数的路线和计划的推荐信号(操作1305);使用风险引擎计算路线和计划的风险值(操作1310);将风险值与风险阈值进行比较(操作1315);以及响应于风险值等于或大于风险阈值,生成用于请求用户输入的通知(1320)。所述方法还包括向用户使用的用户装置传送通知和包括路线和计划的推荐信号(操作1325);基于至少通知和推荐信号从用户装置处接收用户选择(操作1330);将用户选择存储在包括计算机可读介质存储装置的网络数据库中(操作1335);基于用户选择指示冷链系统执行物流事件(操作1340);以及将物流事件和结果存储在网络数据库中(操作1345)。
一个或多个实施方案可以大量整合到冷链系统中,并在一个平台中提供快速响应AI和战略性人类决策。这些实施方案中的一个或多个可以增加人类资本的价值,允许较简单的决策交由AI做出,提高了人类AI长期AI整合合作的有效性。
本公开的一个或多个实施方案可以是一种系统、一种方法和/或一种+计算机程序产品。计算机程序产品可包括其上具有计算机可读程序指令的计算机可读存储介质(或多个介质),用以致使处理器执行本文一个或多个实施方案的各方面。
计算机可读存储介质可以是可保留和存储指令供指令执行装置使用的有形装置。计算机可读存储介质可以是例如(但不限于)电子存储装置、磁存储装置、光存储装置、电磁存储装置、半导体存储装置或前述任何适当组合。计算机可读存储介质的更具体实例的非详尽列表包括以下:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式光盘只读存储器(CD-ROM)、数字通用盘(DVD)、记忆棒、软盘、机械编码装置诸如其上记录有指令的穿孔卡或凹槽中的凸起结构,以及上述的任何适当组合。如本文使用,计算机可读存储介质本身不应被解释为瞬态信号,诸如无线电波或其他自由传播的电磁波、传播通过波导或其他传输介质的电磁波(例如,通过光纤电缆的光脉冲)或通过导线传输的电信号。
本文描述的计算机可读程序指令可以经由网络诸如互联网、局域网、广域网和/或无线网络从计算机可读存储介质下载到相应的计算/处理装置,或者下载到外部计算机或外部存储装置。网络可以包括铜传输电缆、光传输光纤、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理装置中的网络适配器卡或网络接口从网络接收计算机可读程序指令,并转发计算机可读程序指令以存储在相应计算/处理装置内的计算机可读存储介质中。
用于执行本公开的实施方案的操作的计算机可读程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据,或者以一种或多种编程语言的任意组合编写的源代码或目标代码,包括诸如Smalltalk、C++等的面向对象的编程语言,以及诸如“C”编程语言或类似编程语言的常规程序编程语言。计算机可读程序指令可以完全在用户计算机上执行、部分在用户计算机上执行、作为独立软件包执行、部分在用户计算机上执行、部分在远程计算机上执行,或者完全在远程计算机或服务器上执行。在后一种情况下,远程计算机可以通过任何类型的网络连接到用户的计算机,包括局域网(LAN)或广域网(WAN),或者可以连接到外部计算机(例如,通过使用互联网服务提供商的互联网)。在一些实施方案中,包括例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)的电子电路可以通过利用计算机可读程序指令的状态信息来个性化电子电路来执行计算机可读程序指令,以执行本公开的各方面。
本文参考根据本公开的实施方案的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述本公开的方面。应了解,可由计算机可读程序指令实施流程图和/或方框图的每一方框和流程图和/或方框图中的方框的组合。
可以将这些计算机程序指令提供到通用计算机、专用计算机或其他可编程数据处理设备的处理器以产生机器,使得经由计算机或其他可编程数据处理设备的处理器执行的指令创建用于实施流程图和/或方框图一个或多个方框中指定的功能/动作的装置。这些计算机可读程序指令还可以存储在计算机可读存储介质中,该计算机可读存储介质可以指导计算机、可编程数据处理设备和/或其他装置以特定方式运行,使得其中存储有指令的计算机可读存储介质包括制造产品,该制造产品包括实现流程图和/或方框图的一个或多个框中指定的功能/动作的各方面的指令。
计算机可读程序指令也可以被加载到计算机、其他可编程数据处理设备或其他装置上,以致使一系列操作步骤在计算机、其他可编程设备或其他装置上执行,从而产生计算机实施进程,使得在计算机、其他可编程设备或其他装置上执行的指令实施流程图和/或一个或多个方框图方框中指定的功能/动作。
图示中的流程图和方框图说明根据本公开的各个实施方案的系统、方法和计算机程序产品的可行实施方式的架构、功能和操作。在这方面,流程图或方框图中的每个方框可以表示指令的模块、段或部分,其包括用于实施具体逻辑功能的一个或多个可执行指令。在一些替代实施方式中,方框中提到的功能可以按照图中提到的顺序发生。例如,取决于所涉及的功能性,连续示出的两个方框实际上可以实质上同时执行或者方框有时可以按相反次序执行。还应注意,方框图和/或流程图中的每一方框以及方框图和/或流程图中的方框的组合可由基于专用硬件的系统实施,所述系统执行所指定的功能或动作或专用硬件和计算机指令的组合。
Claims (20)
1.一种用于冷链系统的风险和决策分析的方法,所述方法包括:
在决策引擎处接收输入参数;
使用所述决策引擎生成包括使用所述输入参数的路线和计划的推荐信号;
使用风险引擎计算所述路线和所述计划的风险值;
将所述风险值与风险阈值进行比较;
响应于所述风险值等于或大于所述风险阈值,生成用于请求用户输入的通知;
向用户使用的用户装置传送所述通知和包括所述路线和计划的推荐信号;
基于至少所述通知和所述推荐信号从所述用户装置处接收用户选择;
将所述用户选择存储在包括计算机可读介质存储装置的网络数据库中;
基于所述用户选择指示冷链系统执行物流事件;和
将所述物流事件和结果存储在所述网络数据库中。
2.根据权利要求1所述的方法,其还包括:
响应于所述用户选择覆盖所述推荐信号,将所述用户选择和所述推荐信号与所述存储的物流事件和结果进行比较;和
与所述用户选择和所述推荐信号预测值相比较,基于所述结果的时间、质量、路线物流和成本生成报告。
3.根据权利要求2所述的方法,其还包括:
基于所述生成的报告对提供所述用户选择的用户进行分类;和
基于所述用户的分类,准许所述用户访问专家连接聊天室。
4.根据权利要求3所述的方法,其还包括:
将所述风险值与高风险阈值进行比较;和
响应于所述风险值等于或大于所述高风险阈值,生成用于请求来自被准许访问所述专家连接聊天室的所述用户的用户输入的通知。
5.根据权利要求1所述的方法,
其中,所述输入参数包括种植商信息、物流信息、卡车司机和配送信息、零售和批发商信息以及路线网络信息中的至少一个,
其中,种植商的信息包括产品数据、催熟计划和传感器数据,
其中,物流信息包括计划数据、人员数据和成本结构,
其中,卡车司机和配送信息包括路线信息、车辆维护和传感器数据,
其中,零售和批发商信息包括库存数据和交付计划,且
其中,路线网络信息包括道路封闭、交通模式、道路工程和路线可行性数据。
6.根据权利要求1所述的方法,其中,所述决策引擎是人工智能(AI)引擎。
7.根据权利要求1所述的方法,其中,使用所述决策引擎生成包括使用所述输入参数的所述路线和所述计划的所述推荐信号包括:
从所述网络数据库中检索包括路线和计划的物流事件;
将物流事件传送到路线网络;
基于所述传送的物流事件,在所述路线网络处确定可行性;
从路线网络接收可行性数据;
响应于至少一个路线不可行,基于可行性数据重新计算路线;
响应于所述至少一个路线仍然不可行,基于可行性数据重新计算计划;和
如果发现所述路线可行,则向所述风险引擎发送包括修改的路线和计划的通知。
8.根据权利要求7所述的方法,其中,确定可行性包括:
将优选路线和优选计划与所述物流事件中的实际路线数据进行比较;和
计算所述优选路线是否能够达到所述优选计划。
9.根据权利要求1所述的方法,其中,使用所述风险引擎计算所述路线和所述计划的风险值包括:
从所述推荐信号接收所述路线和所述计划;
从所述网络数据库中检索原始路线和计划;
将所述原始路线和计划与来自所述推荐信号的所述路线和所述计划进行比较;和
响应于将所述原始路线和计划与来自所述推荐信号的所述路线和所述计划进行比较,增加风险值。
10.一种包括用于冷链系统的软件即服务(SaaS)决策机和物流网络的风险和决策分析系统,所述系统包括:
决策引擎,其被配置为从种植商操作、物流中心、半挂车、配送货柜、零售商、批发商、路线网络和用户装置中的至少一个接收输入参数;
使用所述决策引擎生成的包括使用所述输入参数的路线和计划的推荐信号;
风险引擎,其被配置为计算所述路线和所述计划的风险值;
比较引擎,其被配置为将所述风险值与风险阈值进行比较;
响应于所述风险值等于或大于所述风险阈值而生成的用于请求用户输入的通知;
装置应用程序编程接口(API),其被配置为向用户使用的所述用户装置传送所述通知和包括所述路线和计划的推荐信号;
基于至少所述通知和所述推荐信号从所述用户装置接收的用户选择;
基于所述用户选择指示所述冷链系统执行的物流事件;和
网络数据库,其包括存储所述用户选择、所述物流事件和结果的计算机可读介质存储装置。
11.根据权利要求10所述的系统,其中,所述SaaS决策机还被配置为响应于所述用户选择覆盖所述推荐信号,将所述用户选择和所述推荐信号与所述存储的物流事件和结果进行比较,并且与所述用户选择和所述推荐信号预测值相比较,基于所述结果的时间、质量、路线物流和成本生成报告。
12.根据权利要求11所述的系统,其中,所述SaaS决策机还被配置为基于所述生成的报告对提供所述用户选择的用户进行分类,并且基于所述用户的分类准许所述用户访问专家连接聊天室。
13.根据权利要求12所述的系统,其中,所述SaaS决策机还被配置为将所述风险值与高风险阈值进行比较,并且响应于所述风险值等于或大于所述高风险阈值,生成用于请求来自被准许访问所述专家连接聊天室的所述用户的用户输入的通知。
14.根据权利要求10所述的系统,
其中,所述输入参数包括种植商信息、物流信息、卡车司机和配送信息、零售和批发商信息以及路线网络信息中的至少一个,
其中,种植商的信息包括产品数据、催熟计划和传感器数据,
其中,物流信息包括计划数据、人员数据和成本结构,
其中,卡车司机和配送信息包括路线信息、车辆维护和传感器数据,
其中,零售和批发商信息包括库存数据和交付计划,且
其中,路线网络信息包括道路封闭、交通模式、道路工程和路线可行性数据。
15.根据权利要求10所述的系统,其中,所述决策引擎是人工智能(AI)引擎。
16.根据权利要求10所述的系统,其还包括:
物流事件,其包括路线和计划并被存储在所述网络数据库中;
路线网络,其接收所述物流事件,并被配置为基于所述物流事件确定可行性,并将所述可行性数据传送到所述决策引擎;
其中,所述决策引擎还被配置为响应于至少一个路线不可行,基于可行性数据重新计算所述路线,响应于所述至少一个路线仍不可行,基于可行性数据重新计算所述计划,并且如果发现所述路线可行,则向所述风险引擎发送包括修改的路线和计划的通知。
17.根据权利要求16所述的系统,其中,所述路线网络还被配置为将优选路线和优选计划与所述物流事件中的实际路线数据进行比较;并且计算所述优选路线是否能够达到所述优选计划。
18.根据权利要求10所述的系统,其中,在计算所述路线和所述计划的所述风险值时,所述风险引擎还被配置为:
从所述推荐信号接收所述路线和所述计划;
从所述网络数据库中检索原始路线和计划;
将所述原始路线和计划与来自所述推荐信号的所述路线和所述计划进行比较;和
响应于将所述原始路线和计划与来自所述推荐信号的所述路线和所述计划进行比较,增加风险值。
19.一种用于分析和控制冷链系统的冷链控制系统,所述冷链控制系统包括:
一个或多个处理器,其与其中包含程序指令的一个或多个类型的计算机可读存储介质通信,所述程序指令可由所述一个或多个处理器执行以致使处理器:
在决策引擎处接收输入参数;
使用所述决策引擎生成包括使用所述输入参数的路线和计划的推荐信号;
使用风险引擎计算所述路线和所述计划的风险值;
将所述风险值与风险阈值进行比较;
响应于所述风险值等于或大于所述风险阈值,生成用于请求用户输入的通知;
向用户使用的用户装置传送所述通知和包括所述路线和计划的推荐信号;
基于至少所述通知和所述推荐信号从所述用户装置处接收用户选择;
将所述用户选择存储在包括计算机可读介质存储装置的网络数据库中;
基于所述用户选择指示冷链系统执行物流事件;和
将所述物流事件和结果存储在所述网络数据库中。
20.根据权利要求19所述的冷链控制系统,其中,所述一个或多个类型的计算机可读存储介质包括包含在其中的额外程序指令,所述额外程序指令可由所述一个或多个处理器执行以致使所述处理器:
响应于所述用户选择覆盖所述推荐信号,将所述用户选择和所述推荐信号与所述存储的物流事件和结果进行比较;
与所述用户选择和所述推荐信号预测值相比较,基于所述结果的时间、质量、路线物流和成本生成报告;
基于所述生成的报告对提供所述用户选择的所述用户进行分类;
基于所述用户的分类,准许所述用户访问专家连接聊天室;
将所述风险值与高风险阈值进行比较;和
响应于所述风险值等于或大于所述高风险阈值,生成用于请求来自被准许访问所述专家连接聊天室的所述用户的用户输入的通知。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201662305801P | 2016-03-09 | 2016-03-09 | |
US62/305,801 | 2016-03-09 | ||
PCT/US2017/020361 WO2017155774A1 (en) | 2016-03-09 | 2017-03-02 | Cold chain human to matching decision making software as a service |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108780537A true CN108780537A (zh) | 2018-11-09 |
Family
ID=58358899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780018854.4A Pending CN108780537A (zh) | 2016-03-09 | 2017-03-02 | 冷链人类与匹配决策软件即服务 |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP3427201A1 (zh) |
CN (1) | CN108780537A (zh) |
WO (1) | WO2017155774A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023216857A1 (en) * | 2022-05-09 | 2023-11-16 | International Business Machines Corporation | Multi-agent chatbot with multi-intent recognition |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220028022A1 (en) * | 2020-07-27 | 2022-01-27 | Windigo Logistics, Inc. | Optimized logistic planning |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130245991A1 (en) * | 2012-02-28 | 2013-09-19 | Richard Kriss | Method for determining the remaining life of a thermal mass in a shipping package while in transit |
US20150120597A1 (en) * | 2013-03-12 | 2015-04-30 | Tcp Reliable, Inc. | Monitoring Temperature-Sensitive Cargo with Automated Generation of Regulatory Qualification |
US20160042321A1 (en) * | 2014-08-11 | 2016-02-11 | Weft, Inc. | Systems and methods for providing logistics data |
-
2017
- 2017-03-02 EP EP17711899.9A patent/EP3427201A1/en not_active Withdrawn
- 2017-03-02 WO PCT/US2017/020361 patent/WO2017155774A1/en active Application Filing
- 2017-03-02 CN CN201780018854.4A patent/CN108780537A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130245991A1 (en) * | 2012-02-28 | 2013-09-19 | Richard Kriss | Method for determining the remaining life of a thermal mass in a shipping package while in transit |
US20150120597A1 (en) * | 2013-03-12 | 2015-04-30 | Tcp Reliable, Inc. | Monitoring Temperature-Sensitive Cargo with Automated Generation of Regulatory Qualification |
US20160042321A1 (en) * | 2014-08-11 | 2016-02-11 | Weft, Inc. | Systems and methods for providing logistics data |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023216857A1 (en) * | 2022-05-09 | 2023-11-16 | International Business Machines Corporation | Multi-agent chatbot with multi-intent recognition |
US11985097B2 (en) | 2022-05-09 | 2024-05-14 | International Business Machines Corporation | Multi-agent chatbot with multi-intent recognition |
Also Published As
Publication number | Publication date |
---|---|
EP3427201A1 (en) | 2019-01-16 |
WO2017155774A1 (en) | 2017-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9813318B2 (en) | Assessment of best fit cloud deployment infrastructures | |
US9824390B2 (en) | Cloud service brokerage service store | |
US20160321607A1 (en) | Decision support tool for business rules management in a booking system | |
CN102982396B (zh) | 通用过程建模框架 | |
Long | Distributed supply chain network modelling and simulation: integration of agent-based distributed simulation and improved SCOR model | |
CN104395899B (zh) | 基于云的主数据管理系统及其方法 | |
US20210004711A1 (en) | Cognitive robotic process automation | |
US8065177B2 (en) | Project management system and method | |
US11080655B2 (en) | Machine learning technical support selection | |
CN105938525B (zh) | 虚拟机设备的基于目录的发现 | |
CN110209833A (zh) | 用于控制用户访问知识图中的目标节点的方法和系统 | |
US11157983B2 (en) | Generating a framework for prioritizing machine learning model offerings via a platform | |
US20180197129A1 (en) | Detecting vulnerabilities in a supply chain | |
CN105988911B (zh) | 在系统日志中建立信任链 | |
US20210110248A1 (en) | Identifying and optimizing skill scarcity machine learning algorithms | |
Safaei et al. | Enterprise service composition models in IoT context: solutions comparison | |
US20230117225A1 (en) | Automated workflow analysis and solution implementation | |
CN108780537A (zh) | 冷链人类与匹配决策软件即服务 | |
US10769281B2 (en) | Compliant software component infrastructure deployment | |
US20180285793A1 (en) | Patron presence based workforce capacity notification | |
CN103229485B (zh) | 业务能力共享的实现方法和平台 | |
CN112181376A (zh) | 代码资源管理方法、装置、电子设备和介质 | |
US20200387823A1 (en) | Contextual modeling using application metadata | |
US11500950B2 (en) | Digital search results generation | |
US20220351269A1 (en) | Momentum blended recommendation engine |
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: 20181109 |