CN111475487A - 一种基于人工智能的物流配送状态查询方法、系统装置及可读存储介质 - Google Patents

一种基于人工智能的物流配送状态查询方法、系统装置及可读存储介质 Download PDF

Info

Publication number
CN111475487A
CN111475487A CN202010272851.7A CN202010272851A CN111475487A CN 111475487 A CN111475487 A CN 111475487A CN 202010272851 A CN202010272851 A CN 202010272851A CN 111475487 A CN111475487 A CN 111475487A
Authority
CN
China
Prior art keywords
data
information
logistics
logistics distribution
tree
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
CN202010272851.7A
Other languages
English (en)
Other versions
CN111475487B (zh
Inventor
张皓
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.)
Guangzhou Createview Optoelectronics Technology Co ltd
Original Assignee
Guangzhou Createview Optoelectronics Technology Co 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 Guangzhou Createview Optoelectronics Technology Co ltd filed Critical Guangzhou Createview Optoelectronics Technology Co ltd
Priority to CN202010272851.7A priority Critical patent/CN111475487B/zh
Publication of CN111475487A publication Critical patent/CN111475487A/zh
Application granted granted Critical
Publication of CN111475487B publication Critical patent/CN111475487B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/211—Schema design and management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G06F16/2246—Trees, e.g. B+trees
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution
    • 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
    • G06Q10/0833—Tracking
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Computational Linguistics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及物流配送技术领域，具体地说，涉及一种基于人工智能的物流配送状态查询方法及系统。其方法包括如下步骤：运用云计算技术搭建物流私有云大数据中心，采用虚拟化技术，把物流运输行业的物理资源数据进行池化，形成总数据库；将物流信息录入总数据库内；将总数据库和各个客户端之间实现数据交互，并以表格和图表的形式为客户端提供数据；用户通过客户端进行信息登录；输入查询内容，匹配数据库内记录的信息；将匹配数据库内的记录反馈至客户端。本发明设计的物流信息数据信息全面，且数据整合效率高，同时，能够实时查看物流信息的详细数据，增强用户的使用感，提高市场竞争力。

Description

一种基于人工智能的物流配送状态查询方法、系统装置及可 读存储介质
技术领域
本发明涉及物流配送技术领域，具体地说，涉及一种基于人工智能的物流配送状态查询方法及系统。
背景技术
网购之后，剩下的就是对所购产品的期待，每一天查看所购商品的物流动态，成了很多卖家的生活习惯。目前物流信息数据来自快递服务机构，由于快递信息的数据量庞大，信息整合速度差，甚至会产生信息丢失问题，导致数据更新慢，数据信息不全面等问题，影响顾客使用效果。
发明内容
本发明的目的在于提供一种基于人工智能的物流配送状态查询方法及系统，以解决上述背景技术中提出的问题。
为实现上述技术问题的解决，本发明的目的之一在于，提供一种基于人工智能的物流配送状态查询方法，其方法包括如下步骤：
(一)物流配送状态收集阶段：
S1、运用云计算技术搭建物流私有云大数据中心，采用虚拟化技术，把物流运输行业的物理资源数据进行池化，形成总数据库；
S2、将物流信息录入总数据库内；
S3、将总数据库和各个客户端之间实现数据交互，并以表格和图表的形式为客户端提供数据；
(二)用户查询阶段：
S4、用户通过客户端进行信息登录；
S5、输入查询内容，匹配数据库内记录的信息；
S6、将匹配数据库内的记录反馈至客户端。
作为本技术方案的进一步改进，所述S1中，采用数据对总数库内的物流运输行业的物理资源数据按字段做Hash分割，形成多个子数据库。
数据分割的算法程序如下：
mporttensorflowastf
importscipy.ioassio
importnumpyasnp
defget_Batch(data,label,batch_size):
print(data.shape,label.shape)
input_queue＝tf.train.slice_input_producer([data,label],num_epochs＝1,shuffle＝True,capacity＝32)
x_batch,y_batch＝tf.train.batch(input_queue,batch_size＝batch_size,num_threads＝1,capacity＝32,allow_smaller_final_batch＝False)
returnx_batch,y_batch
data＝sio.loadmat('data.mat')
train_x＝data['train_x']
train_y＝data['train_y']
test_x＝data['test_x']
test_y＝data['test_y']
x＝tf.placeholder(tf.float32,[None,10])
y＝tf.placeholder(tf.float32,[None,2])
w＝tf.Variable(tf.truncated_normal([10,2],stddev＝0.1))
b＝tf.Variable(tf.truncated_normal([2],stddev＝0.1))
pred＝tf.nn.softmax(tf.matmul(x,w)+b)
loss＝tf.reduce_mean(-tf.reduce_sum(y*tf.log(pred),reduction_indices＝[1]))
optimizer＝tf.train.AdamOptimizer(2e-5).minimize(loss)
correct_prediction＝tf.equal(tf.argmax(y,1),tf.argmax(pred,1))
accuracy＝tf.reduce_mean(tf.cast(correct_prediction,tf.float32),name＝'evaluation')
x_batch,y_batch＝get_Batch(train_x,train_y,1000)
#训练
withtf.Session()assess:
#初始化参数
sess.run(tf.global_variables_initializer())
sess.run(tf.local_variables_initializer())
#开启协调器
coord＝tf.train.Coordinator()
#使用start_queue_runners启动队列填充
threads＝tf.train.start_queue_runners(sess,coord)
epoch＝0
try:
whilenotcoord.should_stop():
#获取训练用的每一个batch中batch_size个样本和标签
data,label＝sess.run([x_batch,y_batch])
sess.run(optimizer,feed_dict＝{x:data,y:label})
train_accuracy＝accuracy.eval({x:data,y:label})
test_accuracy＝accuracy.eval({x:test_x,y:test_y})
print("Epoch％d,Trainingaccuracy％g,Testingaccuracy％g"％(epoch,train_accuracy,test_accuracy))
epoch＝epoch+1
excepttf.errors.OutOfRangeError:#num_epochs次数用完会抛出此异常
print("---Trainend---")
finally:
#协调器coord发出所有线程终止信号
coord.request_stop()
print('---Programmend---')
coord.join(threads)#把开启的线程加入主线程，等待threads结束。
作为本技术方案的进一步改进，所述S2中，物流信息包括货物的物流编码信息、货物名称信息、收货人信息、发货人信息、货物运输线路信息、货物运输中转站信息、物流司机信息。
作为本技术方案的进一步改进，所述S3中，数据交互采用servlet技术实现总数据库和各个客户端之间数据交互。
J2EE服务器只需要在机房安装一台小型机做为服务器硬件，同时申请一个域名，即可实现总数据库的信息共享，客户端只需与服务器进行交互就可实现查询总数据库信息的功能，而客户端只需通过向服务器请求登录总数据库就能与总数据库实现数据交互，同时还具有向客户端反馈信息的功能，以表格和图表的形式为客户端提供数据。
作为本技术方案的进一步改进，所述S4中，通过客户端进行信息登录包括注册模块和登录模块，所述注册模块用于用户填写注册表单，表单通过Jquery validator实时验证数据输入的合法性，用户输入完成，提交表单，后台自动添加数据到数据库内；所述登录模块用于用户输入用户名，密码及验证码，点击登录按钮，系统后台判断用户输入数据与数据库数据是否匹配，若匹配，则登录成功，跳转至系统首页，若匹配失败，则重新跳转至登录界面。
用户登录的算法如下：
protected void LoginBtn__Click(object sender,ImageClickEventArgs e)
{bool resault＝user__b.selectUser(LoginCodeTxt.Text.TrimO；
PwdTxt.Text.Trim0)；
int UserID＝user_b.getUserID(LoginCodeTxt.Text.Trim0)；
Session["UserID"]＝UserID.ToStringO；
if(！resault)
{ErrorMessageLab.Text＝用户名或密码出错"；
Return；}
Else
{Session["UserName"]＝this.LoginCodeTxt.Text；
Session["Password"]＝this PwdTxtText；
Response.Redirect("Default.aspx")；}}
protected void ResetBtn_Click(object sender,ImageClickEventArgs e)
{this.LoginCodeTxt.Text＝""；
this.PwdTxt.Text＝""；}
。
作为本技术方案的进一步改进，所述S5中，查询内容采用二叉排序树查找算法，其方法为：
S1.1、建立二叉排序树，利用链式存储结构，由一个数据元素和分别指向左右结点的指针构成，即二叉链表，首先可以按线序次序输入二叉树结点的值，如果是空指针，则为空树，这生成根结点，再利用递归构造左子树和右子树，并将关键字即学号插入二叉排序中；
S1.2、插入二叉排序树，在二叉排序树中插入新节点，保证插入后的二叉树仍然符合二叉排序树的定义；
S1.3、遍历二叉排序树，用递归算法可以对二叉树进行遍历，中序访问左子树，再访问根结点，最后中序访问右子树；
S1.4、生成二叉排序树，从空的二叉树开始，经过查找，插入操作后，生成了一颗二叉排序树；
S1.5、查找二叉排序树，通过比较关键字，逐步缩小查找范围的过程，若查找成功，则是一条从根结点到待查结点的路径；若查找失败，则是一条根结点到某个叶子结点的路径。
二叉排序树的查找算法如下：
/*递归查找二叉排序树T中是否存在key*/
/*指针f指向T的双亲，其初始调用值为NULL*/
/*若查找成功，则指针p指向该数据元素节点，并返回true*/
/*否则指针p指向查找路径上访问的最后-个结点并返回false*/
Status SearchBST(BiTree T,int key,BiTree f,BiTree*p)
{
if(！T)/查找不成功
{
*p＝f；
return false；
}else if(key＝＝T->data)查找成功
{
*p＝T；
return true；
}else if(key<T->data)
return SearchBST(->Ichild,keyTp)；//在左子树继续查找
else
return SearchBST(T->rchild,key,Tp)；//在右子树查找
。
作为本技术方案的进一步改进，所述匹配数据库内记录的信息采用筛选匹配算法，其步骤如下：
S2.1、将原字符序列T＝(t1，t2，...，ti-1，ti，ti+1，...，tn)与模式P＝(p1，p2，...，pi-1，pi，pi+1，…，pn)根据前后两个字符的大小关系转化为相应的二进制序列T′＝100101001100与P′＝101001；
S2.2、若后一个字符比前一个字符大，即：两个字符之间是升序关系，则定义为1，否则为0；
S2.3、按从小到大的顺序核对T中对应各字符的大小关系；
S2.4、任何一个数据大小顺序不一致即被排除。
本发明的目的之二在于，提供一种基于人工智能的物流配送状态查询系统，包括：物流配送模块和用户查询模块，所述物流配送模块用于录入物流配送的信息数据；所述用户查询模块用于用户查询物流配送的信息数据；所述物流配送模块和用户查询模块实现如上述任一所述的基于人工智能的物流配送状态查询方法的步骤。
本发明的目的之三在于，提供一种基于人工智能的物流配送状态查询装置，包括处理器、存储器以及存储在存储器中并在处理器上运行的计算机程序，处理器用于执行计算机程序时实现上述任一所述的基于人工智能的物流配送状态查询方法的步骤。
本发明的目的之四在于，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任一所述的基于人工智能的物流配送状态查询方法的步骤。
与现有技术相比，本发明的有益效果：该基于人工智能的物流配送状态查询方法及系统中，采用智能化大数据系统对物流配送数据进行统一整合，数据信息全面，且数据整合效率高，同时，用户可采用客户端实时查看物流信息的详细数据，增强用户的使用感，提高市场竞争力。
附图说明
图1为本实施例1的整体方法流程框图；
图2为本实施例1的二叉排序树查找算法流程框图；
图3为本实施例1的筛选匹配算法流程框图；
图4为本实施例1的物流配送状态查询装置结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
请参阅图1-4所示，本实施例提供一种基于人工智能的物流配送状态查询方法，其方法包括如下步骤：
(一)物流配送状态收集阶段：
S1、运用云计算技术搭建物流私有云大数据中心，采用虚拟化技术，把物流运输行业的物理资源数据进行池化，形成总数据库；
S2、将物流信息录入总数据库内；
S3、将总数据库和各个客户端之间实现数据交互，并以表格和图表的形式为客户端提供数据；
(二)用户查询阶段：
S4、用户通过客户端进行信息登录；
S5、输入查询内容，匹配数据库内记录的信息；
S6、将匹配数据库内的记录反馈至客户端。
本实施例中，S1中，采用数据对总数库内的物流运输行业的物理资源数据按字段做Hash分割，形成多个子数据库。
其中，数据分割的算法程序如下：
mporttensorflowastf
importscipy.ioassio
importnumpyasnp
defget_Batch(data,label,batch_size):
print(data.shape,label.shape)
input_queue＝tf.train.slice_input_producer([data,label],num_epochs＝1,shuffle＝True,capacity＝32)
x_batch,y_batch＝tf.train.batch(input_queue,batch_size＝batch_size,num_threads＝1,capacity＝32,allow_smaller_final_batch＝False)
returnx_batch,y_batch
data＝sio.loadmat('data.mat')
train_x＝data['train_x']
train_y＝data['train_y']
test_x＝data['test_x']
test_y＝data['test_y']
x＝tf.placeholder(tf.float32,[None,10])
y＝tf.placeholder(tf.float32,[None,2])
w＝tf.Variable(tf.truncated_normal([10,2],stddev＝0.1))
b＝tf.Variable(tf.truncated_normal([2],stddev＝0.1))
pred＝tf.nn.softmax(tf.matmul(x,w)+b)
loss＝tf.reduce_mean(-tf.reduce_sum(y*tf.log(pred),reduction_indices＝[1]))
optimizer＝tf.train.AdamOptimizer(2e-5).minimize(loss)
correct_prediction＝tf.equal(tf.argmax(y,1),tf.argmax(pred,1))
accuracy＝tf.reduce_mean(tf.cast(correct_prediction,tf.float32),name＝'evaluation')
x_batch,y_batch＝get_Batch(train_x,train_y,1000)
#训练
withtf.Session()assess:
#初始化参数
sess.run(tf.global_variables_initializer())
sess.run(tf.local_variables_initializer())
#开启协调器
coord＝tf.train.Coordinator()
#使用start_queue_runners启动队列填充
threads＝tf.train.start_queue_runners(sess,coord)
epoch＝0
try:
whilenotcoord.should_stop():
#获取训练用的每一个batch中batch_size个样本和标签
data,label＝sess.run([x_batch,y_batch])
sess.run(optimizer,feed_dict＝{x:data,y:label})
train_accuracy＝accuracy.eval({x:data,y:label})
test_accuracy＝accuracy.eval({x:test_x,y:test_y})
print("Epoch％d,Trainingaccuracy％g,Testingaccuracy％g"％(epoch,train_accuracy,test_accuracy))
epoch＝epoch+1
excepttf.errors.OutOfRangeError:#num_epochs次数用完会抛出此异常
print("---Trainend---")
finally:
#协调器coord发出所有线程终止信号
coord.request_stop()
print('---Programmend---')
coord.join(threads)#把开启的线程加入主线程，等待threads结束。
进一步的，S2中，物流信息包括货物的物流编码信息、货物名称信息、收货人信息、发货人信息、货物运输线路信息、货物运输中转站信息、物流司机信息。
具体的，S3中，数据交互采用servlet技术实现总数据库和各个客户端之间数据交互。
其中，J2EE服务器只需要在机房安装一台小型机做为服务器硬件，同时申请一个域名，即可实现总数据库的信息共享，客户端只需与服务器进行交互就可实现查询总数据库信息的功能，而客户端只需通过向服务器请求登录总数据库就能与总数据库实现数据交互，同时还具有向客户端反馈信息的功能，以表格和图表的形式为客户端提供数据。
此外，S4中，通过客户端进行信息登录包括注册模块和登录模块，注册模块用于用户填写注册表单，表单通过Jquery validator实时验证数据输入的合法性，用户输入完成，提交表单，后台自动添加数据到数据库内；登录模块用于用户输入用户名，密码及验证码，点击登录按钮，系统后台判断用户输入数据与数据库数据是否匹配，若匹配，则登录成功，跳转至系统首页，若匹配失败，则重新跳转至登录界面。
其中，用户登录的算法如下：
protected void LoginBtn__Click(object sender,ImageClickEventArgs e)
{bool resault＝user__b.selectUser(LoginCodeTxt.Text.TrimO；
PwdTxt.Text.Trim0)；
int UserID＝user_b.getUserID(LoginCodeTxt.Text.Trim0)；
Session["UserID"]＝UserID.ToStringO；
if(！resault)
{ErrorMessageLab.Text＝用户名或密码出错"；
Return；}
Else
{Session["UserName"]＝this.LoginCodeTxt.Text；
Session["Password"]＝this PwdTxtText；
Response.Redirect("Default.aspx")；}}
protected void ResetBtn_Click(object sender,ImageClickEventArgs e)
{this.LoginCodeTxt.Text＝""；
this.PwdTxt.Text＝""；}
。
除此之外，S5中，查询内容采用二叉排序树查找算法，其方法为：
S1.1、建立二叉排序树，利用链式存储结构，由一个数据元素和分别指向左右结点的指针构成，即二叉链表，首先可以按线序次序输入二叉树结点的值，如果是空指针，则为空树，这生成根结点，再利用递归构造左子树和右子树，并将关键字即学号插入二叉排序中；
S1.2、插入二叉排序树，在二叉排序树中插入新节点，保证插入后的二叉树仍然符合二叉排序树的定义；
S1.3、遍历二叉排序树，用递归算法可以对二叉树进行遍历，中序访问左子树，再访问根结点，最后中序访问右子树；
S1.4、生成二叉排序树，从空的二叉树开始，经过查找，插入操作后，生成了一颗二叉排序树；
S1.5、查找二叉排序树，通过比较关键字，逐步缩小查找范围的过程，若查找成功，则是一条从根结点到待查结点的路径；若查找失败，则是一条根结点到某个叶子结点的路径。
其中，二叉排序树的查找算法如下：
/*递归查找二叉排序树T中是否存在key*/
/*指针f指向T的双亲，其初始调用值为NULL*/
/*若查找成功，则指针p指向该数据元素节点，并返回true*/
/*否则指针p指向查找路径上访问的最后-个结点并返回false*/
Status SearchBST(BiTree T,int key,BiTree f,BiTree*p)
{
if(！T)/查找不成功
{
*p＝f；
return false；
}else if(key＝＝T->data)查找成功
{
*p＝T；
return true；
}else if(key<T->data)
return SearchBST(->Ichild,keyTp)；//在左子树继续查找
else
return SearchBST(T->rchild,key,Tp)；//在右子树查找
。
值得说明的是，匹配数据库内记录的信息采用筛选匹配算法，其步骤如下：
S2.1、将原字符序列T＝(t1，t2，...，ti-1，ti，ti+1，...，tn)与模式P＝(p1，p2，…，pi-1，pi，pi+1，…，pn)根据前后两个字符的大小关系转化为相应的二进制序列T′＝100101001100与P′＝101001；
S2.2、若后一个字符比前一个字符大，即：两个字符之间是升序关系，则定义为1，否则为0；
S2.3、按从小到大的顺序核对T中对应各字符的大小关系；
S2.4、任何一个数据大小顺序不一致即被排除。
本发明的目的之二在于，提供一种基于人工智能的物流配送状态查询系统，包括物流配送模块和用户查询模块，物流配送模块用于录入物流配送的信息数据；用户查询模块用于用户查询物流配送的信息数据；物流配送模块和用户查询模块实现如上述任一的基于人工智能的物流配送状态查询方法的步骤。
需要说明的是，物流配送模块和用户查询模块的功能具体参见各模块对应的方法部分的描述，这里就不再赘述。
参阅图4，示出了本发明实施例所涉及的提供一种基于人工智能的物流配送状态查询装置结构示意图，该装置包括处理器、存储器和总线。
处理器包括一个或一个以上处理核心，处理器通过总线与处理器相连，存储器用于存储程序指令，处理器执行存储器中的程序指令时实现上述的基于人工智能的物流配送状态查询方法。
可选的，存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随时存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
此外，本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述任一的基于人工智能的物流配送状态查询方法的步骤。
可选的，本发明还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各方面基于人工智能的物流配送状态查询方法的步骤。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储与一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种基于人工智能的物流配送状态查询方法，其特征在于：包括如下步骤：
(一)物流配送状态收集阶段：
S1、运用云计算技术搭建物流私有云大数据中心，采用虚拟化技术，把物流运输行业的物理资源数据进行池化，形成总数据库；
S2、将物流信息录入总数据库内；
S3、将总数据库和各个客户端之间实现数据交互，并以表格和图表的形式为客户端提供数据；
(二)用户查询阶段：
S4、用户通过客户端进行信息登录；
S5、输入查询内容，匹配数据库内记录的信息；
S6、将匹配数据库内的记录反馈至客户端。
2.根据权利要求1所述的基于人工智能的物流配送状态查询方法，其特征在于：所述S1中，采用数据对总数库内的物流运输行业的物理资源数据按字段做Hash分割，形成多个子数据库。
3.根据权利要求1所述的基于人工智能的物流配送状态查询方法，其特征在于：所述S2中，物流信息包括货物的物流编码信息、货物名称信息、收货人信息、发货人信息、货物运输线路信息、货物运输中转站信息、物流司机信息。
4.根据权利要求1所述的基于人工智能的物流配送状态查询方法，其特征在于：所述S3中，数据交互采用servlet技术实现总数据库和各个客户端之间数据交互。
5.根据权利要求1所述的基于人工智能的物流配送状态查询方法，其特征在于：所述S4中，通过客户端进行信息登录包括注册模块和登录模块，所述注册模块用于用户填写注册表单，表单通过Jquery validator实时验证数据输入的合法性，用户输入完成，提交表单，后台自动添加数据到数据库内；所述登录模块用于用户输入用户名，密码及验证码，点击登录按钮，系统后台判断用户输入数据与数据库数据是否匹配，若匹配，则登录成功，跳转至系统首页，若匹配失败，则重新跳转至登录界面。
6.根据权利要求1所述的基于人工智能的物流配送状态查询方法，其特征在于：所述S5中，查询内容采用二叉排序树查找算法，其方法为：
S1.1、建立二叉排序树，利用链式存储结构，由一个数据元素和分别指向左右结点的指针构成，即二叉链表，首先可以按线序次序输入二叉树结点的值，如果是空指针，则为空树，这生成根结点，再利用递归构造左子树和右子树，并将关键字即学号插入二叉排序中；
S1.2、插入二叉排序树，在二叉排序树中插入新节点，保证插入后的二叉树仍然符合二叉排序树的定义；
S1.3、遍历二叉排序树，用递归算法可以对二叉树进行遍历，中序访问左子树，再访问根结点，最后中序访问右子树；
S1.4、生成二叉排序树，从空的二叉树开始，经过查找，插入操作后，生成了一颗二叉排序树；
S1.5、查找二叉排序树，通过比较关键字，逐步缩小查找范围的过程，若查找成功，则是一条从根结点到待查结点的路径；若查找失败，则是一条根结点到某个叶子结点的路径。
7.根据权利要求1所述的基于人工智能的物流配送状态查询方法，其特征在于：所述匹配数据库内记录的信息采用筛选匹配算法，其步骤如下：
S2.1、将原字符序列T＝(t1，t2，...，ti-1，ti，ti+1，...，tn)与模式P＝(p1，p2，...，pi-1，pi，pi+1，...，pn)根据前后两个字符的大小关系转化为相应的二进制序列T′＝100101001100与P′＝101001；
S2.2、若后一个字符比前一个字符大，即：两个字符之间是升序关系，则定义为1，否则为0；
S2.3、按从小到大的顺序核对T中对应各字符的大小关系；
S2.4、任何一个数据大小顺序不一致即被排除。
8.一种基于人工智能的物流配送状态查询系统，其特征在于：包括物流配送模块和用户查询模块，所述物流配送模块用于录入物流配送的信息数据；所述用户查询模块用于用户查询物流配送的信息数据；所述物流配送模块和用户查询模块实现如权利要求1-7中任一所述的基于人工智能的物流配送状态查询方法的步骤。
9.一种基于人工智能的物流配送状态查询装置，其特征在于：包括处理器、存储器以及存储在存储器中并在处理器上运行的计算机程序，处理器用于执行计算机程序时实现如权利要求1-7中任一所述的基于人工智能的物流配送状态查询方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的基于人工智能的物流配送状态查询方法的步骤。
CN202010272851.7A 2020-04-09 2020-04-09 一种基于人工智能的物流配送状态查询方法、系统装置及可读存储介质 Active CN111475487B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010272851.7A CN111475487B (zh) 2020-04-09 2020-04-09 一种基于人工智能的物流配送状态查询方法、系统装置及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010272851.7A CN111475487B (zh) 2020-04-09 2020-04-09 一种基于人工智能的物流配送状态查询方法、系统装置及可读存储介质

Publications (2)

Publication Number Publication Date
CN111475487A true CN111475487A (zh) 2020-07-31
CN111475487B CN111475487B (zh) 2023-12-22

Family

ID=71751333

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010272851.7A Active CN111475487B (zh) 2020-04-09 2020-04-09 一种基于人工智能的物流配送状态查询方法、系统装置及可读存储介质

Country Status (1)

Country Link
CN (1) CN111475487B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040045122A (ko) * 2002-11-22 2004-06-01 오승준 인터넷 사이트의 자동 접속 및 로그인 시스템과 자동접속및 로그인을 위한 사이트 등재방법 및 자동접속 및 로그인실행방법
EP2584504A1 (de) * 2011-10-20 2013-04-24 Deutsche Post AG Automatisches Zuordnen eines Suchgebiets zu einer Suchanfrage
WO2017008123A1 (en) * 2015-07-16 2017-01-19 Wisetech Global Limited Systems and methods for compilation and distribution of air cargo security information
CN109150828A (zh) * 2018-07-10 2019-01-04 珠海腾飞科技有限公司 一种验证注册方法及系统
CN109815238A (zh) * 2019-01-18 2019-05-28 武汉轻工大学 用严格平衡二叉树实现数据库的动态添加方法及装置
CN110162530A (zh) * 2019-05-30 2019-08-23 湖南城市学院 一种基于云计算的海量物流运输数据的处理方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040045122A (ko) * 2002-11-22 2004-06-01 오승준 인터넷 사이트의 자동 접속 및 로그인 시스템과 자동접속및 로그인을 위한 사이트 등재방법 및 자동접속 및 로그인실행방법
EP2584504A1 (de) * 2011-10-20 2013-04-24 Deutsche Post AG Automatisches Zuordnen eines Suchgebiets zu einer Suchanfrage
WO2017008123A1 (en) * 2015-07-16 2017-01-19 Wisetech Global Limited Systems and methods for compilation and distribution of air cargo security information
CN109150828A (zh) * 2018-07-10 2019-01-04 珠海腾飞科技有限公司 一种验证注册方法及系统
CN109815238A (zh) * 2019-01-18 2019-05-28 武汉轻工大学 用严格平衡二叉树实现数据库的动态添加方法及装置
CN110162530A (zh) * 2019-05-30 2019-08-23 湖南城市学院 一种基于云计算的海量物流运输数据的处理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
姜文超 等: "一种新的基于相似度过滤的大数据保序匹配与检索算法", vol. 39, no. 7, pages 1 *

Also Published As

Publication number Publication date
CN111475487B (zh) 2023-12-22

Similar Documents

Publication Publication Date Title
Qi et al. A correlation graph based approach for personalized and compatible web apis recommendation in mobile app development
US10565498B1 (en) Deep neural network-based relationship analysis with multi-feature token model
JP7333374B2 (ja) データフロー環境で使用されるデータ型の自動マッピングシステムおよび方法
US10936659B2 (en) Parallel graph events processing
US20220230189A1 (en) Discovery of new business openings using web content analysis
US20200034750A1 (en) Generating artificial training data for machine-learning
CN106796595A (zh) 用于推荐的数据变换和修复的声明性语言和可视化系统
Aiello et al. Machine learning with python and h2o
CN105809451A (zh) 一种大数据电商网购评价分析预测方法及系统
CN113761219A (zh) 基于知识图谱的检索方法、装置、电子设备及存储介质
Ben-Shimon et al. An ensemble method for top-N recommendations from the SVD
US20230185788A1 (en) Semantic indices for accelerating semantic queries on databases
Li et al. Research on the application of multimedia entropy method in data mining of retail business
US9305261B2 (en) Knowledge management engine for a knowledge management system
CN116823410B (zh) 数据处理方法、对象处理方法、推荐方法及计算设备
CN111898766B (zh) 基于自动机器学习的以太坊燃料限制预测方法及装置
KR102153259B1 (ko) 데이터 도메인 추천 방법 및 추천된 도메인을 이용하여 통합 데이터 저장소 관리 시스템을 구축하는 방법
CN112989182A (zh) 信息处理方法、装置、信息处理设备及存储介质
CN111475487B (zh) 一种基于人工智能的物流配送状态查询方法、系统装置及可读存储介质
Wang et al. A skyline-based efficient web service selection method supporting frequent requests
US20220121721A1 (en) Custom types controller for search engine support
Yi et al. PPDRL: A Pretraining‐and‐Policy‐Based Deep Reinforcement Learning Approach for QoS‐Aware Service Composition
US20210271925A1 (en) Contact Center Call Volume Prediction
AT&T
Wahid et al. XML semantic constraint validation for XML updates: A survey

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