CN110309964A - 用于车辆运力预测的处理方法及装置 - Google Patents
用于车辆运力预测的处理方法及装置 Download PDFInfo
- Publication number
- CN110309964A CN110309964A CN201910554118.1A CN201910554118A CN110309964A CN 110309964 A CN110309964 A CN 110309964A CN 201910554118 A CN201910554118 A CN 201910554118A CN 110309964 A CN110309964 A CN 110309964A
- Authority
- CN
- China
- Prior art keywords
- route
- data
- common carrier
- ratio
- quota
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 58
- 238000003672 processing method Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 11
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 20
- 238000006116 polymerization reaction Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 abstract description 23
- 230000000694 effects Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000005192 partition Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008439 repair process 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本申请实施例提供一种用于车辆运力预测的处理方法以及装置，方法包括：利用历史数据挖掘，找出相似业务场景，计算每家机构每日的线路比例，计算每家机构每条线路的业务比例，得到每日线路分配额的业务数据处理结果，从而提高车辆运力预测的精确度。本申请能够提供车辆调度依据，提高资源利用率，节省成本，提高运输实效。
Description
技术领域
本申请涉及物流领域，具体涉及一种用于车辆运力预测的处理方法及装置。
背景技术
车辆运力，是指在车辆执行运输任务时所能提供的业务支撑能力。
发明人发现，对于车辆运力进行预测时，通常计划的开始时间、到达时间和实际情况差异较大，从而造成了预测结果存在较大误差，预测精度较低。
针对相关技术中车辆运力预测不准确的问题，目前尚未提出有效的解决方案。
发明内容
针对现有技术中的问题，本申请提供一种用于车辆运力预测的处理方法及装置，能够提高车辆运力预测的精确度。
为了解决上述问题中的至少一个，本申请提供以下技术方案：利用历史数据挖掘，找出相似业务场景，计算每家机构每日的线路比例，计算每家机构每条线路的业务比例，得到每日线路分配额。
第一方面，本申请提供一种用于车辆运力预测的处理方法，包括：获取承运商比例数据和线路配额数据并关联，其中，所述承运商比例数据是指在运输线路上每个承运商所占的比例，所述线路配额数据是指据在运输线路上共分配的车次资源；获取历史业务运单数据并计算出在运输线路中每个承运商在每月所占的比例，其中，所述历史业务运单数据是指在历史记录中发生的车辆执行运输任务的运单详情数据；根据所述历史业务运单数据，按运输线路、运输天数聚合后计算出每条线路每个承运商在每天所占的运输线路的比例；根据所述历史业务运单数据，计算历史到达城市占达到省份的配额比例；将所述承运商比例数据和线路配额数据的关联结果和所述历史到达城市占达到省份的配额比例关联，计算得到承运商月配额估计值；将所述承运商月配额粗略估计值和所述每条线路每个承运商在每天所占的运输线路的比例，计算出承运商运输线路配额按天估计值；将所述承运商运输线路配额按天估计值与承运商围栏数据关联，得到车辆运力缺失值，其中，所述承运商围栏数据是指目标区域中车辆进出入围栏时产生的记录。
进一步地，获取历史业务运单数据并计算出在运输线路中每个承运商在每月所占的比例包括：获取当前时间之前三个月的历史业务运单数据；根据所述当前时间之前三个月的历史业务运单数据，计算出每条线路中每个承运商所占的比例。
进一步地，根据所述历史业务运单数据，按运输线路、运输天数聚合后计算出每条线路每个承运商在每天所占的运输线路的比例包括：根据当前时间之前三个月的历史业务运单数据，按照线路和天数聚合后并计算出每条线路每个承运商在每天所占的该条线路的比例。
进一步地，将所述承运商运输线路配额按天估计值与承运商围栏数据关联时，所述承运商围栏数据的获取方法包括：检测车辆进出围栏发生的围栏事件；如果车辆进入围栏但没有出围栏，则判定车辆为可用运力。
进一步地，将所述承运商运输线路配额按天估计值与承运商围栏数据关联，得到车辆运力缺失值之后，还包括：将车辆运力缺失值用于预测预设时间段内的缺失值；根据每天计算出的缺失值进行覆盖，并将最近一天的缺失值作为最终预测结果。
第二方面，本申请提供一种用于车辆运力预测的处理装置，包括：第一获取模块，用于获取承运商比例数据和线路配额数据并关联，其中，所述承运商比例数据是指在运输线路上每个承运商所占的比例，所述线路配额数据是指据在运输线路上共分配的车次资源；第二获取模块，用于获取历史业务运单数据并计算出在运输线路中每个承运商在每月所占的比例，其中，所述历史业务运单数据是指在历史记录中发生的车辆执行运输任务的运单详情数据；第一处理模块，用于根据所述历史业务运单数据，按运输线路、运输天数聚合后计算出每条线路每个承运商在每天所占的运输线路的比例；第二处理模块，用于根据所述历史业务运单数据，计算历史到达城市占达到省份的配额比例；第三处理模块，用于将所述承运商比例数据和线路配额数据的关联结果和所述历史到达城市占达到省份的配额比例关联，计算得到承运商月配额粗略估计值；第四处理模块，用于将所述承运商月配额粗略估计值和所述每条线路每个承运商在每天所占的运输线路的比例，计算出承运商运输线路配额按天估计值；第五处理模块，用于将所述承运商运输线路配额按天估计值与承运商围栏数据关联，得到车辆运力缺失值，其中，所述承运商围栏数据是指目标区域中车辆进出入围栏时产生的记录。
进一步地，所述第二获取模块用于，获取当前时间之前三个月的历史业务运单数据；根据所述当前时间之前三个月的历史业务运单数据，计算出每条线路中每个承运商所占的比例。
进一步地，所述第一处理模块用于，根据当前时间之前三个月的历史业务运单数据，按照线路和天数聚合后并计算出每条线路每个承运商在每天所占的该条线路的比例。
进一步地，所述第五处理模块用于，检测车辆进出围栏发生的围栏事件；如果车辆进入围栏但没有出围栏，则判定车辆为可用运力。
进一步地，所述装置还包括：第六处理模块，用于将车辆运力缺失值用于预测预设时间段内的缺失值；根据每天计算出的缺失值进行覆盖，并将最近一天的缺失值作为最终预测结果。
由上述技术方案可知，本申请提供一种用于车辆运力预测的处理方法及装置，通过结合物联网GPS硬件和实时上传的数据以及历史运单数据，提高了预测精度。由于提高了预测结果的准确性，有利于用户调配车辆资源，提高车辆使用率和货物运输效率。本申请利用历史数据挖掘，找出相似业务场景，计算每家机构每日的线路比例，计算每家机构每条线路的业务比例，得到每日线路分配额的业务数据处理方法，在数据量很大的情况，数据准确，具有参考意义。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请第一实施例中的用于车辆运力预测的处理方法的流程示意图；
图2为本申请第二实施例中的用于车辆运力预测的处理方法的流程示意图；
图3为本申请第三实施例中的用于车辆运力预测的处理方法的流程示意图；
图4为本申请第四实施例中的用于车辆运力预测的处理方法的流程示意图；
图5为本申请第五实施例中的用于车辆运力预测的处理方法的流程示意图；
图6为本申请实施例中的用于车辆运力预测的处理装置的流程示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了能够提高了预测结果的准确性，本申请提供一种用于车辆运力预测的处理方法的实施例，参见图1，所述用于车辆运力预测的处理方法具体包含有如下内容：
步骤100：获取承运商比例数据和线路配额数据并关联，
所述承运商比例数据是指在运输线路上每个承运商所占的比例，所述线路配额数据是指据在运输线路上共分配的车次资源。
具体地，客户根据业务情况，获取得到承运商比例数据和线路配额数据，将两组数据导入数据仓库中，通过关联计算。
步骤101：获取历史业务运单数据并计算出在运输线路中每个承运商在每月所占的比例，
所述历史业务运单数据是指在历史记录中发生的车辆执行运输任务的运单详情数据。
具体地，通过导入历史OTM业务运单数据到数据仓库，OTM运单数据是指历史发生的车辆执行任务的具体运单详情数据，包含运单开始、结束时间，线路开始、结束城市，承运商名称等字段。
步骤102：根据所述历史业务运单数据，按运输线路、运输天数聚合后计算出每条线路每个承运商在每天所占的运输线路的比例；
具体地，考虑到车辆物流的业务特殊性，通常间隔三个月的业务性会更接近，所以取当前时间提前三个月的历史数据，取三个月的数据。
进一步，根据所述每条线路每个承运商在每天所占的运输线路的比例，再利用数据仓库相关计算方式按线路、按天聚合并计算出每条线路每个机构在每天所占的这条线路的比例。
步骤103：根据所述历史业务运单数据，计算历史到达城市占达到省份的配额比例；
具体地，在所述步骤103中还需要算历史到达城市占到达省份的配额比例。
步骤104：将所述承运商比例数据和线路配额数据的关联结果和所述历史到达城市占达到省份的配额比例关联，计算得到承运商月配额估计值；
具体地，通过关联步骤100中获取承运商比例数据和线路配额数据并关联数据，得到承运商月配额粗略估计额。
步骤105：将所述承运商月配额粗略估计值和所述每条线路每个承运商在每天所占的运输线路的比例，计算出承运商运输线路配额按天估计值；
具体地，根据所述承运商月配额估计值和所述每条线路每个承运商在每天所占的运输线路的比例，计算出承运商线路配额按天估计值。
步骤106：将所述承运商运输线路配额按天估计值与承运商围栏数据关联，得到车辆运力缺失值。
所述承运商围栏数据是指目标区域中车辆进出入围栏时产生的记录。
具体地，将上述步骤中得到的所述承运商运输线路配额按天估计值与预先获取的承运商围栏数据进行关联，最后计算得到车辆运力缺失值。
本申请实施例中的用于车辆运力预测的处理方法中，利用历史运单数据挖掘数据趋势，结合客户给出的业务实际配额得出预测估计，再结合IOT围栏数据对预测结果进行修正，达到预测目的。其中对于历史运单的挖掘做了很多数据处理上的工作，如承运商线路配额客户是到从城市到省份、利用历史数据对开始城市一致、到达该省份的不同城市算出比例。同时，算出机构线路每天的历史比例，再乘以月配额，得出机构按线路、按天的预测可配额。最后加上机构围栏内的车辆，按照线路比例进行划分，通过这两个值进行判断，得出运力缺失值。
从上述描述可知，本申请实施例提供的用于车辆运力预测的处理方法，通过结合物联网GPS硬件和实时上传的数据以及历史运单数据，提高了预测精度。由于提高了预测结果的准确性，有利于用户调配车辆资源，提高车辆使用率和货物运输效率。
作为本实施例中的优选，如图2所示，获取历史业务运单数据并计算出在运输线路中每个承运商在每月所占的比例包括：
步骤200：获取当前时间之前三个月的历史业务运单数据；
步骤201：根据所述当前时间之前三个月的历史业务运单数据，计算出每条线路中每个承运商所占的比例。
具体地，如现在是9月，提前三个月就是5月，所以取出3、4、5月份的OTM数据作为预测依据。通过这三个月的历史数据，利用数据仓库partition by算法，计算出每条线路中每个承运商所暂的比例。比如，成都-重庆，这三个月一共跑了1000趟次，机构A跑了200次，机构B跑了800次，则对应的比例就是20％和80％。
作为本实施例中的优选，如图3所示，根据所述历史业务运单数据，按运输线路、运输天数聚合后计算出每条线路每个承运商在每天所占的运输线路的比例包括：
步骤300：根据当前时间之前三个月的历史业务运单数据，按照线路和天数聚合后并计算出每条线路每个承运商在每天所占的该条线路的比例。
具体地，根据上述步骤中的历史OTM数据，利用数据仓库partition by，groupby算法按线路、按天聚合并计算出每条线路每个机构在每天所暂的这条线路的比例。同样的，假如线路成都-重庆，这三个月一共跑了1000趟次，3、4、5月月份最小天数是30号，则就聚合每个月的1号到30号的数据并计算比例，如机构A在这条线路的3月10号，4月10号一共跑了这条线路10次，那么得出10号这家机构这条线路所跑比例为10除以1000为1％。
作为本实施例中的优选，如图4所示，将所述承运商运输线路配额按天估计值与承运商围栏数据关联时，所述承运商围栏数据的获取方法包括：
步骤400：检测车辆进出围栏发生的围栏事件；
步骤401：如果车辆进入围栏但没有出围栏，则判定车辆为可用运力。
具体地，车辆进出围栏会产生围栏事件，一个车辆进入围栏没有出围栏，我们判定这个车辆是可用运力，只有车辆在基地围栏之内，才可以及时派出执行运输任务。所以应保护利用围栏的出入事件判定车辆是否在基地可用的业务模式。
作为本实施例中的优选，如图5所示，将所述承运商运输线路配额按天估计值与承运商围栏数据关联，得到车辆运力缺失值之后，还包括：
步骤500：将车辆运力缺失值用于预测预设时间段内的缺失值；
步骤501：根据每天计算出的缺失值进行覆盖，并将最近一天的缺失值作为最终预测结果。
具体地，车辆运力预测可以预测7天内的缺失值，但是围栏车辆是每天在进行变化的，所以每天都计算一份数据，进行覆盖，其中最近一天的数据是最准确的。预测结果可以给决策者提供车辆调度依据，提高资源利用率，节省成本，提高运输实效。
需要注意的是，预测的天数本领域技术人员可以根据实际情况配置，在本申请的实施例中并不进行具体限定。
本申请提供一种用于实现所述用于车辆运力预测的处理方法的全部或部分内容的用于车辆运力预测的处理装置的实施例，参见图6，所述用于车辆运力预测的处理装置具体包含有如下内容：第一获取模块100，用于获取承运商比例数据和线路配额数据并关联，其中，所述承运商比例数据是指在运输线路上每个承运商所占的比例，所述线路配额数据是指据在运输线路上共分配的车次资源；第二获取模块200，用于获取历史业务运单数据并计算出在运输线路中每个承运商在每月所占的比例，其中，所述历史业务运单数据是指在历史记录中发生的车辆执行运输任务的运单详情数据；第一处理模块300，用于根据所述历史业务运单数据，按运输线路、运输天数聚合后计算出每条线路每个承运商在每天所占的运输线路的比例；第二处理模块400，用于根据所述历史业务运单数据，计算历史到达城市占达到省份的配额比例；第三处理模块500，用于将所述承运商比例数据和线路配额数据的关联结果和所述历史到达城市占达到省份的配额比例关联，计算得到承运商月配额粗略估计值；第四处理模块600，用于将所述承运商月配额粗略估计值和所述每条线路每个承运商在每天所占的运输线路的比例，计算出承运商运输线路配额按天估计值；第五处理模块700，用于将所述承运商运输线路配额按天估计值与承运商围栏数据关联，得到车辆运力缺失值，其中，所述承运商围栏数据是指目标区域中车辆进出入围栏时产生的记录。
本申请实施例的第一获取模块中所述承运商比例数据是指在运输线路上每个承运商所占的比例，所述线路配额数据是指据在运输线路上共分配的车次资源。
具体地，客户根据业务情况，获取得到承运商比例数据和线路配额数据，将两组数据导入数据仓库中，通过关联计算。
本申请实施例的第二获取模块中所述历史业务运单数据是指在历史记录中发生的车辆执行运输任务的运单详情数据。
具体地，通过导入历史OTM业务运单数据到数据仓库，OTM运单数据是指历史发生的车辆执行任务的具体运单详情数据，包含运单开始、结束时间，线路开始、结束城市，承运商名称等字段。
本申请实施例的第一处理模块中具体地，考虑到车辆物流的业务特殊性，通常间隔三个月的业务性会更接近，所以取当前时间提前三个月的历史数据，取三个月的数据。
进一步，根据所述每条线路每个承运商在每天所占的运输线路的比例，再利用数据仓库相关计算方式按线路、按天聚合并计算出每条线路每个机构在每天所占的这条线路的比例。
本申请实施例的第二处理模块中具体地，还需要算历史到达城市占到达省份的配额比例。
本申请实施例的第三处理模块中具体地，通过关联获取承运商比例数据和线路配额数据并关联数据，得到承运商月配额粗略估计额。
本申请实施例的第四处理模块中具体地，根据所述承运商月配额估计值和所述每条线路每个承运商在每天所占的运输线路的比例，计算出承运商线路配额按天估计值。
本申请实施例的第五处理模块中所述承运商围栏数据是指目标区域中车辆进出入围栏时产生的记录。
具体地，将上述步骤中得到的所述承运商运输线路配额按天估计值与预先获取的承运商围栏数据进行关联，最后计算得到车辆运力缺失值。
从上述描述可知，本申请实施例提供的用于车辆运力预测的处理装置，通过结合物联网GPS硬件和实时上传的数据以及历史运单数据，提高了预测精度。由于提高了预测结果的准确性，有利于用户调配车辆资源，提高车辆使用率和货物运输效率。
在本申请的用于实现所述用于车辆运力预测的处理装置的一实施例中，该用于实现所述用于车辆运力预测的处理装置还具体包含有如下内容：
作为本实施例中的优选，如图6所示，所述第二获取模块200用于，获取当前时间之前三个月的历史业务运单数据；根据所述当前时间之前三个月的历史业务运单数据，计算出每条线路中每个承运商所占的比例。
所述第二获取模块200中具体地，如现在是9月，提前三个月就是5月，所以取出3、4、5月份的OTM数据作为预测依据。通过这三个月的历史数据，利用数据仓库partition by算法，计算出每条线路中每个承运商所暂的比例。比如，成都-重庆，这三个月一共跑了1000趟次，机构A跑了200次，机构B跑了800次，则对应的比例就是20％和80％。
在本申请的用于实现所述用于车辆运力预测的处理装置的一实施例中，该用于实现所述用于车辆运力预测的处理装置还具体包含有如下内容：
作为本实施例中的优选，如图6所示，所述第一处理模块300用于，根据当前时间之前三个月的历史业务运单数据，按照线路和天数聚合后并计算出每条线路每个承运商在每天所占的该条线路的比例。
所述第一处理模块300中具体地，车辆进出围栏会产生围栏事件，一个车辆进入围栏没有出围栏，我们判定这个车辆是可用运力，只有车辆在基地围栏之内，才可以及时派出执行运输任务。所以应保护利用围栏的出入事件判定车辆是否在基地可用的业务模式。
在本申请的用于实现所述用于车辆运力预测的处理装置的一实施例中，该用于实现所述用于车辆运力预测的处理装置还具体包含有如下内容：
作为本实施例中的优选，如图6所示，所述第五处理模块700用于，检测车辆进出围栏发生的围栏事件；如果车辆进入围栏但没有出围栏，则判定车辆为可用运力。
所述第五处理模块700中具体地，车辆进出围栏会产生围栏事件，一个车辆进入围栏没有出围栏，我们判定这个车辆是可用运力，只有车辆在基地围栏之内，才可以及时派出执行运输任务。所以应保护利用围栏的出入事件判定车辆是否在基地可用的业务模式。
在本申请的用于实现所述用于车辆运力预测的处理装置的一实施例中，该用于实现所述用于车辆运力预测的处理装置还具体包含有如下内容：
作为本实施例中的优选，如图6所示，装置还包括：第六处理模块800，用于将车辆运力缺失值用于预测预设时间段内的缺失值；根据每天计算出的缺失值进行覆盖，并将最近一天的缺失值作为最终预测结果。
在所述第六处理模块800中具体地，车辆运力预测可以预测7天内的缺失值，但是围栏车辆是每天在进行变化的，所以每天都计算一份数据，进行覆盖，其中最近一天的数据是最准确的。预测结果可以给决策者提供车辆调度依据，提高资源利用率，节省成本，提高运输实效。
为了更进一步说明本方案，本申请还提供一种应用上述。用于实现所述用于车辆运力预测的处理方法法的具体应用实例，具体包含有如下内容：
车辆运力以板车车辆运力作为举例进行具体说明，汽车物流的货运板车执行运输任务，是否存在板车不足或者运力过剩的情况，板车是运输商品轿车的货车，通常一个板车能运输商品车6辆或者8辆，从一个城市到另一个城市，只有在某一时间和地点和板车数量足够的情况下，才不会造成取货延迟，为货物准时到达提供条件，如果没有足够的板车做业务支撑，如有30辆商品车没有可分配的板车，那么运力缺口就为30。
步骤1：客户根据业务情况，给出承运商比例数据和线路配额数据，承运商比例数据是指在一条运输线路上，每个承运商所暂比例，如线路是成都-重庆。有承运商A、B，A暂30％份额，B暂70％的份额。线路配额数据是某一条线路，在这个月一共会分配多少板车车次资源，如9月份，线路成都-重庆，分配100辆板车车次。把这两个数据导入数据仓库中，通过join关联计算，算出9月份线路成都-重庆，承运商A能分配到30板车车次，B能分配到70板车车次
步骤2：导入历史OTM业务运单数据到数据仓库，OTM运单数据是历史发生的货运板车执行任务的具体运单详情数据，包含运单开始、结束时间，线路开始、结束城市，承运商机构号等字段。
步骤3：取当前时间提前三个月的历史数据，取三个月的数据。如现在是9月，提前三个月就是5月，所以取出3、4、5月份的OTM数据作为预测依据，这是因为汽车物流的业务特殊性，通常间隔三个月的业务性会更接近。通过这三个月的历史数据，利用数据仓库partition by算法，计算出每条线路中每个承运商所暂的比例。比如成都-重庆，这三个月一共跑了1000趟次，机构A跑了200次，机构B跑了800次，那么对应的比例就是20％和80％。
步骤4：步骤3的历史OTM数据，利用数据仓库partition by，group by算法按线路、按天聚合并计算出每条线路每个机构在每天所暂的这条线路的比例，同样的，假如线路成都-重庆，这三个月一共跑了1000趟次，3、4、5月月份最小天数是30号，那么就聚合每个月的1号到30号的数据并计算比例，如机构A在这条线路的3月10号，4月10号一共跑了这条线路10次，那么得出10号这家机构这条线路所跑比例为10除以1000为1％。
步骤5：客户给的承运商配额是城市到省份，我们的线路是城市到城市，所以这里还需要算一个历史到达城市暂到达省份的配额比例，如历史线路，重庆市到四川省跑了2000趟次，其中成都暂1000躺次，同样通过partition by和group by算法计算出的重庆到成都所暂比例就为50％，关联步骤1的数据，得到承运商月配额粗略估计额，如承运商A的9月配额就为50％乘以30等于15趟次。
步骤6：步骤4的数据是每条线路每个承运商每天的历史所暂比例，和步骤5的数据，join计算出承运商线路配额按天估计，我们上面举例10号暂比为1％，那么10号的每天粗略预测为15乘以1％等于0.15趟次。
步骤7：导入机构围栏数据到数据仓库，围栏是眼地图产品通过地图勾选区域生成一个特定区域的功能，车辆进出围栏会在数据库产生记录，每天计算数据库中有进入围栏时间但是离开围栏时间为空的车辆，同时按围栏所在城市做group by聚合，得到城市每天可用运力，join关联步骤6的预测值算出总的运力缺失值。如10号机构A在重庆基地围栏有10辆车，10号从重庆基地发往成都的车比例为10％，那么缺失值为0.15-1＝-0.85，为负数证明运力充足。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书实施例。对于本领域技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的权利要求范围之内。
Claims (10)
1.一种用于车辆运力预测的处理方法，其特征在于，包括：
获取承运商比例数据和线路配额数据并关联，其中，所述承运商比例数据是指在运输线路上每个承运商所占的比例，所述线路配额数据是指据在运输线路上共分配的车次资源；
获取历史业务运单数据并计算出在运输线路中每个承运商在每月所占的比例，其中，所述历史业务运单数据是指在历史记录中发生的车辆执行运输任务的运单详情数据；
根据所述历史业务运单数据，按运输线路、运输天数聚合后计算出每条线路每个承运商在每天所占的运输线路的比例；
根据所述历史业务运单数据，计算历史到达城市占达到省份的配额比例；
将所述承运商比例数据和线路配额数据的关联结果和所述历史到达城市占达到省份的配额比例关联，计算得到承运商月配额估计值；
将所述承运商月配额粗略估计值和所述每条线路每个承运商在每天所占的运输线路的比例，计算出承运商运输线路配额按天估计值；
将所述承运商运输线路配额按天估计值与承运商围栏数据关联，得到车辆运力缺失值，其中，所述承运商围栏数据是指目标区域中车辆进出入围栏时产生的记录。
2.根据权利要求1所述的处理方法，其特征在于，获取历史业务运单数据并计算出在运输线路中每个承运商在每月所占的比例包括：
获取当前时间之前三个月的历史业务运单数据；
根据所述当前时间之前三个月的历史业务运单数据，计算出每条线路中每个承运商所占的比例。
3.根据权利要求1所述的处理方法，其特征在于，根据所述历史业务运单数据，按运输线路、运输天数聚合后计算出每条线路每个承运商在每天所占的运输线路的比例包括：
根据当前时间之前三个月的历史业务运单数据，按照线路和天数聚合后并计算出每条线路每个承运商在每天所占的该条线路的比例。
4.根据权利要求1所述的处理方法，其特征在于，将所述承运商运输线路配额按天估计值与承运商围栏数据关联时，所述承运商围栏数据的获取方法包括：
检测车辆进出围栏发生的围栏事件；
如果车辆进入围栏但没有出围栏，则判定车辆为可用运力。
5.根据权利要求1所述的处理方法，其特征在于，将所述承运商运输线路配额按天估计值与承运商围栏数据关联，得到车辆运力缺失值之后，还包括：
将车辆运力缺失值用于预测预设时间段内的缺失值；
根据每天计算出的缺失值进行覆盖，并将最近一天的缺失值作为最终预测结果。
6.一种用于车辆运力预测的处理装置，其特征在于，包括：
第一获取模块，用于获取承运商比例数据和线路配额数据并关联，其中，所述承运商比例数据是指在运输线路上每个承运商所占的比例，所述线路配额数据是指据在运输线路上共分配的车次资源；
第二获取模块，用于获取历史业务运单数据并计算出在运输线路中每个承运商在每月所占的比例，其中，所述历史业务运单数据是指在历史记录中发生的车辆执行运输任务的运单详情数据；
第一处理模块，用于根据所述历史业务运单数据，按运输线路、运输天数聚合后计算出每条线路每个承运商在每天所占的运输线路的比例；
第二处理模块，用于根据所述历史业务运单数据，计算历史到达城市占达到省份的配额比例；
第三处理模块，用于将所述承运商比例数据和线路配额数据的关联结果和所述历史到达城市占达到省份的配额比例关联，计算得到承运商月配额粗略估计值；
第四处理模块，用于将所述承运商月配额粗略估计值和所述每条线路每个承运商在每天所占的运输线路的比例，计算出承运商运输线路配额按天估计值；
第五处理模块，用于将所述承运商运输线路配额按天估计值与承运商围栏数据关联，得到车辆运力缺失值，其中，所述承运商围栏数据是指目标区域中车辆进出入围栏时产生的记录。
7.根据权利要求6所述的处理装置，其特征在于，所述第二获取模块用于，获取当前时间之前三个月的历史业务运单数据；
根据所述当前时间之前三个月的历史业务运单数据，计算出每条线路中每个承运商所占的比例。
8.根据权利要求6所述的处理装置，其特征在于，所述第一处理模块用于，根据当前时间之前三个月的历史业务运单数据，按照线路和天数聚合后并计算出每条线路每个承运商在每天所占的该条线路的比例。
9.根据权利要求6所述的处理装置，其特征在于，所述第五处理模块用于，
检测车辆进出围栏发生的围栏事件；
如果车辆进入围栏但没有出围栏，则判定车辆为可用运力。
10.根据权利要求6所述的处理装置，其特征在于，还包括：第六处理模块，用于
将车辆运力缺失值用于预测预设时间段内的缺失值；
根据每天计算出的缺失值进行覆盖，并将最近一天的缺失值作为最终预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910554118.1A CN110309964A (zh) | 2019-06-25 | 2019-06-25 | 用于车辆运力预测的处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910554118.1A CN110309964A (zh) | 2019-06-25 | 2019-06-25 | 用于车辆运力预测的处理方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110309964A true CN110309964A (zh) | 2019-10-08 |
Family
ID=68076769
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910554118.1A Pending CN110309964A (zh) | 2019-06-25 | 2019-06-25 | 用于车辆运力预测的处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110309964A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117808385A (zh) * | 2024-02-29 | 2024-04-02 | 智旦运宝宝(福建)科技有限公司 | 一种基于物联网的物流运输管理方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120110582A1 (en) * | 2010-10-29 | 2012-05-03 | International Business Machines Corporation | Real-time computing resource monitoring |
| CN103473620A (zh) * | 2013-09-26 | 2013-12-25 | 青岛海信网络科技股份有限公司 | 综合客运枢纽多交通方式预测方法及系统 |
| CN104156836A (zh) * | 2013-05-13 | 2014-11-19 | 阿里巴巴集团控股有限公司 | 一种物流网络负载查询方法及系统 |
| CN105184728A (zh) * | 2015-09-15 | 2015-12-23 | 广州地理研究所 | 定制客运班车出行需求热力图构建方法 |
| CN105205553A (zh) * | 2015-09-15 | 2015-12-30 | 广州地理研究所 | 定制包车出行需求热力图构建方法 |
| CN106683395A (zh) * | 2016-12-29 | 2017-05-17 | 广州交通信息化建设投资营运有限公司 | 大型运动会专用车辆调度信息系统 |
| CN106815702A (zh) * | 2016-12-23 | 2017-06-09 | 上海天地汇供应链管理有限公司 | 一种智能公路运输调度管理方法 |
| CN107274665A (zh) * | 2017-07-31 | 2017-10-20 | 多维新创（北京）技术有限公司 | 巴士运力资源规划方法及系统 |
-
2019
- 2019-06-25 CN CN201910554118.1A patent/CN110309964A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120110582A1 (en) * | 2010-10-29 | 2012-05-03 | International Business Machines Corporation | Real-time computing resource monitoring |
| CN104156836A (zh) * | 2013-05-13 | 2014-11-19 | 阿里巴巴集团控股有限公司 | 一种物流网络负载查询方法及系统 |
| CN103473620A (zh) * | 2013-09-26 | 2013-12-25 | 青岛海信网络科技股份有限公司 | 综合客运枢纽多交通方式预测方法及系统 |
| CN105184728A (zh) * | 2015-09-15 | 2015-12-23 | 广州地理研究所 | 定制客运班车出行需求热力图构建方法 |
| CN105205553A (zh) * | 2015-09-15 | 2015-12-30 | 广州地理研究所 | 定制包车出行需求热力图构建方法 |
| CN106815702A (zh) * | 2016-12-23 | 2017-06-09 | 上海天地汇供应链管理有限公司 | 一种智能公路运输调度管理方法 |
| CN106683395A (zh) * | 2016-12-29 | 2017-05-17 | 广州交通信息化建设投资营运有限公司 | 大型运动会专用车辆调度信息系统 |
| CN107274665A (zh) * | 2017-07-31 | 2017-10-20 | 多维新创（北京）技术有限公司 | 巴士运力资源规划方法及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117808385A (zh) * | 2024-02-29 | 2024-04-02 | 智旦运宝宝(福建)科技有限公司 | 一种基于物联网的物流运输管理方法及系统 |
| CN117808385B (zh) * | 2024-02-29 | 2024-05-28 | 智旦运宝宝(福建)科技有限公司 | 一种基于物联网的物流运输管理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109697524B (zh) | 优化收派件任务与资源匹配的方法、系统及设备 | |
| Bruglieri et al. | Heuristic algorithms for the operator-based relocation problem in one-way electric carsharing systems | |
| Fleischmann et al. | Dynamic vehicle routing based on online traffic information | |
| Chen et al. | Dynamic column generation for dynamic vehicle routing with time windows | |
| CN111461624A (zh) | 物流线路规划方法、装置、设备及存储介质 | |
| US20160019501A1 (en) | Systems, methods and computer-program products for automation of dispatch of shipment delivery order | |
| CN109685429B (zh) | 配送能力确定方法、装置、电子设备及存储介质 | |
| CN111210303A (zh) | 一种物流订单报价匹配管理方法及系统 | |
| CN106327010A (zh) | 一种订单配送路线生成方法及装置 | |
| CN111256715A (zh) | 对自主车辆的机会性加燃料 | |
| CN113780956B (zh) | 物流运费生成方法、装置、设备及存储介质 | |
| CN110991967A (zh) | 物流运输方法及装置 | |
| CN110472913A (zh) | 一种出货监控方法及装置 | |
| McLeod et al. | Dynamic collection scheduling using remote asset monitoring: Case study in the UK charity sector | |
| JP2009146004A (ja) | 配車計画装置及び配車計画方法 | |
| CN114201571B (zh) | 加油站推荐方法、装置、电子设备及存储介质 | |
| Gaul et al. | Solving the dynamic dial-a-ride problem using a rolling-horizon event-based graph | |
| CN110309964A (zh) | 用于车辆运力预测的处理方法及装置 | |
| Moutaoukil et al. | A comparison of homogeneous and heterogeneous vehicle fleet size in green vehicle routing problem | |
| Hariati et al. | The effectiveness of clarke wright and sequential insertion algorithm in distribution routing aqua | |
| Kamano et al. | A dynamic allocation model for bike sharing system; the sharing economy concept. | |
| CN115907580A (zh) | 城配物流的运输监控方法、装置、设备及存储介质 | |
| KR102571338B1 (ko) | 블록체인 기반의 환적운송 서비스 방법 및 시스템 | |
| Dotoli et al. | A two-step optimization model for the pre-and end-haulage of containers at intermodal freight terminals | |
| Wolfenburg | New version of the BBS method and its usage for determining and scheduling vehicle routes |
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 |
Application publication date: 20191008 |
|
| RJ01 | Rejection of invention patent application after publication |