CN111582602A - 一种基于物流供应链的协同优化方法 - Google Patents

Abstract

本发明提供一种基于物流供应链的协同优化方法，包括：对供应物流链中的各种物流资源进行标签设定，并构建标签数据库，采集各种物流资源的映射物流信息，基于标签数据库，对映射物流信息进行物流标签解析，基于物流属性库，对映射物流信息进行物流属性获取，采用目标优化算法，对移动的每种物流资源进行动态跟踪监测，最后，对物流标签解析结果、物流属性结果和动态跟踪监测结果进行协同处理，实现对物流链的协同优化。利用物流标签、物流属性和动态跟踪三合一的优化方式，实现对物流供应链的协同优化，且基于目标优化算法进行仓储、配送、转送三者之间的匹配性能，实现对移动的物流资源的精准化监测以及物流资源的最佳运输。

Description

一种基于物流供应链的协同优化方法

技术领域

本发明涉及物流技术领域，特别涉及一种基于物流供应链的协同优化方法。

背景技术

物流供应链是一条有机的物流链条，从产品或服务市场需求开始，到满足需求为止的时间范围内所从事的经济活动中所有涉及到的物流活动的部分所形成的链条，并且，随着电子商务交易平台的不断完善，以及传统通信、移动通信等技术的快速发展，越来越多的人们通过网上购物的方式来获取自己所需的商品，商品的种类可以涉及到人们日常生活的方方面面。

购买商品之后，在物流传送的工程中，一般常见的如淘宝上的快递路线，只能查看到该商品物流的物流路线以及物流车在该物流路线上的当前位置，但是，该期间由于缺乏监测，或监测不精准，导致存在物流延迟更新以及不能详细的了解该物流路线中其他状况，如物流车的仓储与配送信息、物流车的配送与转动信息、物流车行驶位置偏移、物流车当前行驶过程中发生其他故障等，都是不可知的，因此，本发明提出了一种基于物流供应链的协同优化方法。

发明内容

本发明提供一种基于物流供应链的协同优化方法，用以利用物流标签、物流属性和动态跟踪三合一的优化方式，实现对物流供应链的协同优化，且基于目标优化算法进行仓储、配送、转送三者之间的匹配性能，实现对移动的物流资源的精准化监测。

本发明提供一种基于物流供应链的协同优化方法，包括：

构建各种物流资源的标签数据库；

采集各种物流资源的映射物流信息，基于标签数据库，对映射物流信息进行物流标签解析，基于物流属性库，对映射物流信息进行物流属性获取；

采用目标优化算法，对移动的每种物流资源进行动态跟踪监测；

对物流标签解析结果、物流属性结果和动态跟踪监测结果进行协同处理，实现对物流供应链的协同优化。

优选地，构建各种物流资源的标签数据库的步骤包括：

构建每种物流资源的资源列表序列和资源列表标识；

根据所述资源列表序列和资源列表标识，确定对应物流资源的物流唯一性和资源唯一性；

构建每种物流资源的资源树结构，并确定所述资源树结构的额定树容量；

根据所述物流唯一性和资源唯一性，对所述额定树容量进行优化，获得优化结果，并基于标签模型，输出所述物流资源的唯一标签；

获取每种物流资源的唯一标签，构成标签数据库；

其中，所述资源列表序列包括所述物流资源的物流信息；

所述资源列表标识包括所述物流资源的资源信息。

优选地，采集各种物流资源的映射物流信息，基于标签数据库，对映射物流信息进行物流标签解析的步骤包括：

根据历史物流记录平台，爬取每种物流资源的运营信息，所述运营信息包括：与所述物流资源相关的物流设备的转送信息、与所述物流资源相关的物流系统的后台信息；

根据所述运营信息构建对应物流资源的映射物流信息；

基于所述标签数据库，定位所述映射物流信息的位置信息，并基于所述位置信息挖掘相关的解析引擎；

根据所述解析引擎，对所述映射物流信息进行物流标签解析。

优选地，基于物流属性库，对映射物流信息进行物流属性获取的步骤包括：

对所述物流属性库中的所有预设属性进行粗分类；

β_i∝f(A_1i+A_2i)；

其中，T表示每个预设属性的属性归类值；α_i表示所述预设属性中的第i个序列片段的序列标签值；β_i表示所述预设属性中的第i个序列片段的序列权重值；χ_i表示所述预设属性中的第i个序列片段的标签特征值；f(A_1i+A_2i)表示所述预设属性中的第i个序列片段的被访问值A_1i和加密值A_2i的权重函数；

将所述属性归类值T按照第一归类区间值进行划分，实现粗分类；

确定每个第一归类区间中对应预设属性的特性参数，并根据特性参数提取特性属性，且根据所述特性参数，将所述特性属性配置到相关的第一归类区间，获得第二归类区间；

同时，对所述第二归类区间进行细分类，并将分类结果进行记录，获得最终归类区间；

获取所述映射物流信息的映射标签，并根据所述映射标签，基于所述最终归类区间自动查找匹配的物流属性。

优选地，采用目标优化算法，对移动的每种物流资源进行动态跟踪监测的步骤包括：

监测每种物流资源对应的物流车辆在移动过程中，经过不同物流区域时所移动过第一轨迹点的第一时间点t_1j、第一位置点s_1j和第一初始速度ν_1j；

基于时间戳，同步记录跟踪所述物流车辆经过不同物流区域时所移动过第二轨迹点的第二时间点t_2j、第二位置点s_2j和第二初始速度ν_2j；

将所有第一轨迹点的第一时间点t_1j、第一位置点s_1j和第一初始速度ν_1j输入到轨迹预测模型Η，预测获得不同物流区域的第一移动轨迹S₁；

将所有第二轨迹点的第二时间点t_2j、第二位置点s_2j和第二初始速度ν_2j输入到轨迹预测模型Η，预测获得不同物流区域的第二移动轨迹S₂；

S₁＝H(t_1j,s_1j,v_1j)；

S₂＝H(t_2j,s_2j,v_2j)；

基于所述第一移动轨迹S₁和第二移动轨迹S₂，获取每个不同物流区域对应轨迹点的时间差Δt_j、每个对应轨迹点的位置距离差ΔS_j以及每个对应轨迹点的初始速度差Δv_j，进而获取所述物流车辆在不同物流区域的偏差值ΔE；

其中，所述第一时间点t_1j与第二时间点t_2j一一对应、所述第一位置点s_1j与所述第二位置点s_2j一一对应、所述第一初始速度ν_1j与所述第二初始速度ν_2j一一对应；M表示在不同物流区域的轨迹点数量；φ_1j表示在不同物流区域中第j个第一轨迹点的轨迹角度；φ_2j表示在不同物流区域中第j个第二轨迹点的轨迹角度；

根据目标优化算法，计算所述物流车辆在所述物流区域与目标仓储和转送点以及所述物流车辆在转送点与配送点之间的匹配性能R；

其中，minK表示所述物流车辆在物流区域与L1个目标仓储和L2个转送点之间的最小运输成本值；y_k1p_k1表示第k1个目标仓储的仓储属性因子；y_k2p_k2表示第k2个转送点的转送属性因子；maxD表示所述物流车辆在L2个转送点与L3个配送点之间的最大运输效率值；m_k3d_k3表示配送点的配送属性因子；r(·)表示目标仓储、转送点以及匹配点的匹配性能函数；

实时监测每种所述物流资源的资源更换信息；

基于所述物流车辆在不同物流区域的偏差值ΔE和所述资源更换信息，对所述匹配性能进行优化处理，并将优化处理结果实时传输到所述物流车辆的车载终端，实现对每种物流资源进行动态跟踪监测。

优选地，对物流标签解析结果、物流属性结果和动态跟踪监测结果进行协同处理，实现对物流供应链的协同优化的步骤包括：

确定所述物流标签解析结果与物流属性结果的第一关联信息和第一独立信息、物流标签解析结果与动态跟踪监测结果的第二关联信息和第二独立信息、物流属性结果与动态跟踪监测结果的第三关联信息和第三独立信息；

导入所述第一关联信息和第一独立信息、第二关联信息和第二独立信息以及第三关联信息和第三独立信息到多目标协同优化模型进行协同优化，获得最佳物流供应链信息，实现物流供应链的协同优化。

优选地，在获取不同物流区域的第一移动轨迹S₁和第二移动轨迹S₂的过程中，还包括：

确定所述物流车辆基于第一移动轨迹和第二移动轨迹中每个轨迹点的重心点，以所述重心点为基础，构建第一重心移动轨迹和第二重心移动轨迹；

根据所述物流车辆在不同重心移动轨迹中的不同轨迹点的移动速度和偏离角度，初次判断一一对应的轨迹点是否异常，若是，获取两个重心移动轨迹中一一对应的异常轨迹点相邻前预设区域段中每个轨迹点的点信息，根据所述点信息，分别对应构建第一异常模型和第二异常模型；

将第一异常轨迹点导入所述第一异常模型中，获得第一输出点信息，将第二异常轨迹点导入所述第二异常模型中，获得第二输出点信息；

当所述第一输出点信息与第二输出点信息一致时，对一一对应的异常轨迹点进行显著性标注；

同时，将所述显著性标注结果同步显示到所述第一移动轨迹和第二移动轨迹上。

优选地，基于所述最终归类区间自动查找匹配的物流属性之后，还包括：

实时动态跟踪物流车辆的工作模式，所述工作模式包括：紧密跟踪模式和疏松跟踪模式；

跟踪所述物流车辆在装载物流资源的资源属性；

根据所述物流属性C1和资源属性C2，自动确定所述物流车辆的跟踪模式；

C＝δ1*C1+δ2C2；

其中，δ1表示物流属性的物流指标因子；δ2表示资源属性的资源指标因子；C表示所述物流车辆的物流总值；

当所述物流总值C大于或等于标准总值C0时，采用紧密跟踪模式对所述物流车辆进行实时动态跟踪；

否则，采用疏松跟踪模式对所述物流车辆进行实时动态跟踪。

本发明的有益效果是：

1、利用物流标签、物流属性和动态跟踪三合一的优化方式，实现对物流供应链的协同优化，且基于目标优化算法进行仓储、配送、转送三者之间的匹配性能，实现对移动的物流资源的精准化监测以及物流资源的最佳运输。

2、通过监测和动态跟踪两种相结合的方式，同步获取一个物流车辆的两种移动点，通过确定其轨迹点相关的各种差值，进而有效的确定在不同物流区的移动轨迹，基于目标优化算法确定最低运输成本和最大传输效率，来实现仓储、配送以及转送之间的匹配性能，实现对移动的物流资源的精准化监测，通过偏差值和资源更换信息，对匹配性能进行优化，便于对资源物流相关信息进行实时更新，提高对资源物流监测的有效性。

3、获取监测和动态跟踪两种情况下的重心移动轨迹，且通过初次判断和再次验证，可以有效的提高对其异常轨迹点的有效监测和显著性标注，并将其同步到对应的第一、第二移动轨迹上，方便用户查看，同时，便于对其车辆进行有效监测和管控，确保其的正常运行，且确保其可以对货物进行正常运转。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例中一种基于物流供应链的协同优化方法的流程图；

图2为本发明实施例中构建标签数据库的流程图；

图3为本发明实施例中物流标签解析的流程图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

本发明提供一种基于物流供应链的协同优化方法，如图1所示，包括：

步骤1：构建各种物流资源的标签数据库；

步骤2：采集各种物流资源的映射物流信息，基于标签数据库，对映射物流信息进行物流标签解析，基于物流属性库，对映射物流信息进行物流属性获取；

步骤3：采用目标优化算法，对移动的每种物流资源进行动态跟踪监测；

步骤4：对物流标签解析结果、物流属性结果和动态跟踪监测结果进行协同处理，实现对物流供应链的协同优化。

该实施例中，映射物流信息，可以是包括与该物流资源的物流系统以及物流设备等相关信息在内的；

该实施例中，物流标签解析结果可以是该物流资源对应的唯一性，物流属性结果可以是该物流的运输的安全程度，或者是运输资源的重要程度等，动态跟踪监测结果例如是该物流资源在运输过程中，其的移动轨迹等；

该实施例中，进行协同优化，可以是为了选择对物流资源的监测模式。

该实施例中，物流资源主要是针对商品货物等资源，还是可以针对运输该资源的物流车辆。

上述技术方案的有益效果是：利用物流标签、物流属性和动态跟踪三合一的优化方式，实现对物流供应链的协同优化，且基于目标优化算法进行仓储与配送之间在时间和空间上的匹配性能，实现对移动的物流资源的精准化监测。

在一个实施例中，如图2所示，

构建各种物流资源的标签数据库的步骤包括：

步骤11：构建每种物流资源的资源列表序列和资源列表标识；

步骤12：根据所述资源列表序列和资源列表标识，确定对应物流资源的物流唯一性和资源唯一性；

步骤13：构建每种物流资源的资源树结构，并确定所述资源树结构的额定树容量；

步骤14：根据所述物流唯一性和资源唯一性，对所述额定树容量进行优化，获得优化结果，并基于标签模型，输出所述物流资源的唯一标签；

步骤15：获取每种物流资源的唯一标签，构成标签数据库；

其中，所述资源列表序列包括所述物流资源的物流信息；

所述资源列表标识包括所述物流资源的资源信息。

该实施例中，例如，资源列表序列是与物流信息相关的二维码信息或者是单穿的序列信息，如{1,2,3},其中，序列包括序列1,2和3，且每个序列中都有专属的特性信息，如序列1中包括：出库信息；序列2中包括：预设转送路线；序列3中包括：目的地信息；资源列表标识是与资源信息相关的特定标识信息，如：标识A中包括资源的使用用途等信息。

该实施例中，物流唯一性，例如将预设转动路线作为物流唯一性，例如将资源使用用途作为资源唯一性等，对于该物流或者资源的其他的唯一性不限。

该实施例中，构建每种物流资源的资源树结构，并确定资源树结构的额定树容量，例如该物流资源是电器物流资源，构建该电器的资源树结构，且包括电器等相关信息在内的，由于通厂出货电器或者仓储的电器等，在接到用户下单信息时，其下单信息会占据部分内存资源，因此，需要确定该资源树结构的容量，且对容量进行优化，是因为，不同的商品由于其唯一性不同，所占用的容量比例也不相同，因此，需要对其容量进行优化，来获得优化结果，如增大树容量，或者减少树容量，最后，再将优化结果以及相关唯一性导入标签模型，获得该物流资源的唯一标签，进而构成标签数据库，且该标签是可以共享到物流平台的，或者是通过对物流车辆的车牌号进行确定，进而匹配到对应的标签。

上述技术方案的有益效果是：通过构建资源列表序列和资源列表标识以及构建资源树结构，便于基于相关唯一性，对其资源树结构进行优化，进而构建唯一标签，便于对该物流资源等进行监控，提高其精确监控的基础。

在一个实施例中，如图3所示，

采集各种物流资源的映射物流信息，基于标签数据库，对映射物流信息进行物流标签解析的步骤包括：

步骤21：根据历史物流记录平台，爬取每种物流资源的运营信息，所述运营信息包括：与所述物流资源相关的物流设备的转送信息、与所述物流资源相关的物流系统的后台信息；

步骤22：根据所述运营信息构建对应物流资源的映射物流信息；

步骤23：基于所述标签数据库，定位所述映射物流信息的位置信息，并基于所述位置信息挖掘相关的解析引擎；

步骤24：根据所述解析引擎，对所述映射物流信息进行物流标签解析。

该实施例中，通过爬取运营信息构建映射物流信息，由于每辆物流车辆对应的物流货物可以是包括一种单独的物流路线对应的不同类型的货物，也可以是不同物流路线中每条路线对应的不同类型的货物，因此，通过爬取对应的运营信息，便于更加全面了解该物流资源的相关信息，且便于构建映射物流信息，如一个物流车辆对应对个信息，如转送信息、每个转运点的转运信息、不同转运点对应的仓储信息、转运点与转运点之间的路线信息等。

该实施例中，由于标签数据库中是具有相关物流车辆或物流资源的唯一性的，因此，通过定位映射物流信息的位置，并挖掘解析引擎，可以对映射物流信息进行标签解析，其中，解析引擎与唯一性是相关的。

上述技术方案的有益效果是：通过爬取运营信息构建映射物流信息，使得物流信息更加全面，通过标签数据库，并挖掘解析引擎，便于对映射信息进行标签解析，提高解析的准确性，为后续进行协同优化提供数据基础。

在一个实施例中，

基于物流属性库，对映射物流信息进行物流属性获取的步骤包括：

对所述物流属性库中的所有预设属性进行粗分类；

β_i∝f(A_1i+A_2i)；

其中，T表示每个预设属性的属性归类值；α_i表示所述预设属性中的第i个序列片段的序列标签值；β_i表示所述预设属性中的第i个序列片段的序列权重值；χ_i表示所述预设属性中的第i个序列片段的标签特征值；f(A_1i+A_2i)表示所述预设属性中的第i个序列片段的被访问值A_1i和加密值A_2i的权重函数；

将所述属性归类值T按照第一归类区间值进行划分，实现粗分类；

确定每个第一归类区间中对应预设属性的特性参数，并根据特性参数提取特性属性，且根据所述特性参数，将所述特性属性配置到相关的第一归类区间，获得第二归类区间；

同时，对所述第二归类区间进行细分类，并将分类结果进行记录，获得最终归类区间；

获取所述映射物流信息的映射标签，并根据所述映射标签，基于所述最终归类区间自动查找匹配的物流属性。

该实施例中，对物流属性库中的所有预设属性进行粗分类，可以获得一个大类，如物流属性是以冷链物流、敏捷物流以及军事物流等，此时为大类，当根据属性归类值进行区间划分，实现粗分类，其中，区间划分界限例如是与冷链物流、敏捷物流以及军事物流相关的；

确定每个第一归类区间中对应预设属性的特性参数，并根据特性参数提取特性属性，例如，第一归类区间是包括冷链物流、敏捷物流以及军事物流等区间在内的，获取每个区间中存在的特征参数，其特征参数可以是与该区间中其他数据不匹配的参数，例如，冷链物流对应的区间中，存在军事物流相关的信息，此时，需要将其军事物流相关的信息提取出来，并根据其军事物流相关属性，将其配置到军事物流区间中，当所有不匹配参数对应的属性配置结束后，得到第二归类区间。

该实施例中，对第二归类区间进行细分类，例如，是将冷链物流D进行细划分，如划分为第一子链属性d1、第二子链属性d2、第三子链属性d3等依次进行向下划分，实现层层划分，方便管理和查找。

该实施例中，例如，映射物流信息的映射标签为Dd3，此时，对应的物流属性为冷链物流第三子链属性。

该实施例中，标签解析是为了能够准确的获取对应物流的物流信息。

上述技术方案的有益效果是：通过对归类区间进行粗分类和细分类，可以有效的对其物流区间进行精细化管理，通过确定其对应的映射标签，便于确定其的标签解析结果，便于为后续进行协同优化提供基础。

在一个实施例中，

采用目标优化算法，对移动的每种物流资源进行动态跟踪监测的步骤包括：

监测每种物流资源对应的物流车辆在移动过程中，经过不同物流区域时所移动过第一轨迹点的第一时间点t_1j、第一位置点s_1j和第一初始速度ν_1j；

基于时间戳，同步记录跟踪所述物流车辆经过不同物流区域时所移动过第二轨迹点的第二时间点t_2j、第二位置点s_2j和第二初始速度ν_2j；

将所有第一轨迹点的第一时间点t_1j、第一位置点s_1j和第一初始速度ν_1j输入到轨迹预测模型Η，预测获得不同物流区域的第一移动轨迹S₁；

将所有第二轨迹点的第二时间点t_2j、第二位置点s_2j和第二初始速度ν_2j输入到轨迹预测模型Η，预测获得不同物流区域的第二移动轨迹S₂；

S₁＝H(t_1j,s_1j,v_1j)；

S₂＝H(t_2j,s_2j,v_2j)；

基于所述第一移动轨迹S₁和第二移动轨迹S₂，获取每个不同物流区域对应轨迹点的时间差Δt_j、每个对应轨迹点的位置距离差ΔS_j以及每个对应轨迹点的初始速度差Δv_j，进而获取所述物流车辆在不同物流区域的偏差值ΔE；

其中，所述第一时间点t_1j与第二时间点t_2j一一对应、所述第一位置点s_1j与所述第二位置点s_2j一一对应、所述第一初始速度ν_1j与所述第二初始速度ν_2j一一对应；M表示在不同物流区域的轨迹点数量；φ_1j表示在不同物流区域中第j个第一轨迹点的轨迹角度；φ_2j表示在不同物流区域中第j个第二轨迹点的轨迹角度；

根据目标优化算法，计算所述物流车辆在所述物流区域与目标仓储和转送点以及所述物流车辆在转送点与配送点之间的匹配性能R；

其中，minK表示所述物流车辆在物流区域与L1个目标仓储和L2个转送点之间的最小运输成本值；y_k1p_k1表示第k1个目标仓储的仓储属性因子；y_k2p_k2表示第k2个转送点的转送属性因子；maxD表示所述物流车辆在L2个转送点与L3个配送点之间的最大运输效率值；m_k3d_k3表示配送点的配送属性因子；r(·)表示目标仓储、转送点以及匹配点的匹配性能函数；

实时监测每种所述物流资源的资源更换信息；

基于所述物流车辆在不同物流区域的偏差值ΔE和所述资源更换信息，对所述匹配性能进行优化处理，并将优化处理结果实时传输到所述物流车辆的车载终端，实现对每种物流资源进行动态跟踪监测。

该实施例中，例如：一个物流路线中从物流起点到物流终点，其中包括有多个物流区间，且每个物流区间对应有相关的转送点，例如，当该获取中当前的货物出现故障时，可以到该物流区间中相关的转送点，如仓储库，重新提取货物，或者是当物流车辆出现故障时，可以到转送点寻找新的物流车进行车辆货物更换，确保货物安全且及时的有效运输。

上述技术方案的有益效果是：通过监测和动态跟踪，同步获取一个物流车辆的两种移动点，通过确定其轨迹点相关的各种差值，进而有效的确定在不同物流区的移动轨迹，基于目标优化算法确定最低运输成本和最大传输效率，来实现仓储、配送以及转送之间的匹配性能，实现对移动的物流资源的精准化监测，通过偏差值和资源更换信息，对匹配性能进行优化，便于对资源物流相关信息进行实时更新，提高对资源物流监测的有效性。

在一个实施例中，

对物流标签解析结果、物流属性结果和动态跟踪监测结果进行协同处理，实现对物流供应链的协同优化的步骤包括：

确定所述物流标签解析结果与物流属性结果的第一关联信息和第一独立信息、物流标签解析结果与动态跟踪监测结果的第二关联信息和第二独立信息、物流属性结果与动态跟踪监测结果的第三关联信息和第三独立信息；

导入所述第一关联信息和第一独立信息、第二关联信息和第二独立信息以及第三关联信息和第三独立信息到多目标协同优化模型进行协同优化，获得最佳物流供应链信息，实现物流供应链的协同优化。

该实施例中，独立信息是每个结果中抛出关联信息之外的信息。

例如，物流属性结果中是包括经过物流区间L的物流属性，动态跟踪监测结果中显示物流车辆在物流区间L中存在资源更换情况，且物流车辆周围存在其他运行车辆，此时，物流区间L中的资源更换情况可以视为第三关联信息，此时物流车辆周围其他运行车辆可以视为第三独立信息。

上述技术方案的有益效果是：通过确定每种结果的关联信息和独立信息便于多目标协同优化模型对其进行协同优化，获得最佳物流供应链信息信息。

在一个实施例中，

在获取不同物流区域的第一移动轨迹S₁和第二移动轨迹S₂的过程中，还包括：

确定所述物流车辆基于第一移动轨迹和第二移动轨迹中每个轨迹点的重心点，以所述重心点为基础，构建第一重心移动轨迹和第二重心移动轨迹；

根据所述物流车辆在不同重心移动轨迹中的不同轨迹点的移动速度和偏离角度，初次判断一一对应的轨迹点是否异常，若是，获取两个重心移动轨迹中一一对应的异常轨迹点相邻前预设区域段中每个轨迹点的点信息，根据所述点信息，分别对应构建第一异常模型和第二异常模型；

将第一异常轨迹点导入所述第一异常模型中，获得第一输出点信息，将第二异常轨迹点导入所述第二异常模型中，获得第二输出点信息；

当所述第一输出点信息与第二输出点信息一致时，对一一对应的异常轨迹点进行显著性标注；

同时，将所述显著性标注结果同步显示到所述第一移动轨迹和第二移动轨迹上。

该实施例中，判断轨迹点是否异常，是判断移动速度和偏离角度是否异常，当其超过对应速度范围、对应角度范围时，即可视为异常轨迹点；

例如，在某个高速路段的行驶速度为80-120km/h，若果此时超过该速度，且此时偏移角度基于该高速路段的角度偏移60度及其以上，视为其为异常轨迹点，并通过获取该异常轨迹点前预设时间段内的点信息，是为了对其该异常轨迹点进行验证，避免因为偶然正常操作，导致判断失误的情况。

该实施例中的第一输出点信息和第二输出点信息，都是基于对移动速度和偏离角度获取的。

上述技术方案的有益效果是：获取两种情况下的重心移动轨迹，初次判断是否存在异常轨迹点，当存在时，基于两种重心移动轨迹的先前的轨迹点信息，进而构建异常模型，并对该异常轨迹点进行再次验证，可以有效的提高对其异常轨迹点的有效监测和显著性标注，并同步到对应的第一、第二移动轨迹上，是为了方便用户查看，同时，便于对其车辆进行有效监测和管控，确保其的正常运行，且确保其可以对货物进行正常运转。

在一个实施例中，

基于所述最终归类区间自动查找匹配的物流属性之后，还包括：

实时动态跟踪物流车辆的工作模式，所述工作模式包括：紧密跟踪模式和疏松跟踪模式；

跟踪所述物流车辆在装载物流资源的资源属性；

根据所述物流属性C1和资源属性C2，自动确定所述物流车辆的跟踪模式；

C＝δ1*C1+δ2C2；

其中，δ1表示物流属性的物流指标因子；δ2表示资源属性的资源指标因子；C表示所述物流车辆的物流总值；

当所述物流总值C大于或等于标准总值C0时，采用紧密跟踪模式对所述物流车辆进行实时动态跟踪；

否则，采用疏松跟踪模式对所述物流车辆进行实时动态跟踪。

上述技术方案的有益效果是：由于供应链中，物流和资源是重要的两个因素，因此，通过确定物流属性以及资源属性的物流总值，通过与标准总值进行比较，自动选择相关的工作模式，对物流车辆进行实时动态跟踪，可以有效的提高监测效率，避免因为工作模式不当，导致监测达不到预期效果。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种基于物流供应链的协同优化方法，其特征在于，包括：

构建各种物流资源的标签数据库；

采集各种物流资源的映射物流信息，基于标签数据库，对映射物流信息进行物流标签解析，基于物流属性库，对映射物流信息进行物流属性获取；

采用目标优化算法，对移动的每种物流资源进行动态跟踪监测；

对物流标签解析结果、物流属性结果和动态跟踪监测结果进行协同处理，实现对物流供应链的协同优化。

2.如权利要求1所述的协同优化方法，其特征在于，构建各种物流资源的标签数据库的步骤包括：

构建每种物流资源的资源列表序列和资源列表标识；

根据所述资源列表序列和资源列表标识，确定对应物流资源的物流唯一性和资源唯一性；

构建每种物流资源的资源树结构，并确定所述资源树结构的额定树容量；

根据所述物流唯一性和资源唯一性，对所述额定树容量进行优化，获得优化结果，并基于标签模型，输出所述物流资源的唯一标签；

获取每种物流资源的唯一标签，构成标签数据库；

其中，所述资源列表序列包括所述物流资源的物流信息；

所述资源列表标识包括所述物流资源的资源信息。

3.如权利要求1所述的协同优化方法，其特征在于，采集各种物流资源的映射物流信息，基于标签数据库，对映射物流信息进行物流标签解析的步骤包括：

根据历史物流记录平台，爬取每种物流资源的运营信息，所述运营信息包括：与所述物流资源相关的物流设备的转送信息、与所述物流资源相关的物流系统的后台信息；

根据所述运营信息构建对应物流资源的映射物流信息；

基于所述标签数据库，定位所述映射物流信息的位置信息，并基于所述位置信息挖掘相关的解析引擎；

根据所述解析引擎，对所述映射物流信息进行物流标签解析。

4.如权利要求1所述的协同优化方法，其特征在于，基于物流属性库，对映射物流信息进行物流属性获取的步骤包括：

对所述物流属性库中的所有预设属性进行粗分类；

β_i∝f(A_1i+A_2i)；

其中，T表示每个预设属性的属性归类值；α_i表示所述预设属性中的第i个序列片段的序列标签值；β_i表示所述预设属性中的第i个序列片段的序列权重值；χ_i表示所述预设属性中的第i个序列片段的标签特征值；f(A_1i+A_2i)表示所述预设属性中的第i个序列片段的被访问值A_1i和加密值A_2i的权重函数；

将所述属性归类值T按照第一归类区间值进行划分，实现粗分类；

确定每个第一归类区间中对应预设属性的特性参数，并根据特性参数提取特性属性，且根据所述特性参数，将所述特性属性配置到相关的第一归类区间，获得第二归类区间；

同时，对所述第二归类区间进行细分类，并将分类结果进行记录，获得最终归类区间；

获取所述映射物流信息的映射标签，并根据所述映射标签，基于所述最终归类区间自动查找匹配的物流属性。

5.如权利要求1所述的协同优化方法，其特征在于，采用目标优化算法，对移动的每种物流资源进行动态跟踪监测的步骤包括：

监测每种物流资源对应的物流车辆在移动过程中，经过不同物流区域时所移动过第一轨迹点的第一时间点t_1j、第一位置点s_1j和第一初始速度ν_1j；

基于时间戳，同步记录跟踪所述物流车辆经过不同物流区域时所移动过第二轨迹点的第二时间点t_2j、第二位置点s_2j和第二初始速度ν_2j；

将所有第一轨迹点的第一时间点t_1j、第一位置点s_1j和第一初始速度ν_1j输入到轨迹预测模型Η，预测获得不同物流区域的第一移动轨迹S₁；

将所有第二轨迹点的第二时间点t_2j、第二位置点s_2j和第二初始速度ν_2j输入到轨迹预测模型Η，预测获得不同物流区域的第二移动轨迹S₂；

S₁＝H(t_1j,s_1j,v_1j)；

S₂＝H(t_2j,s_2j,v_2j)；

基于所述第一移动轨迹S₁和第二移动轨迹S₂，获取每个不同物流区域对应轨迹点的时间差Δt_j、每个对应轨迹点的位置距离差ΔS_j以及每个对应轨迹点的初始速度差Δv_j，进而获取所述物流车辆在不同物流区域的偏差值ΔE；

其中，所述第一时间点t_1j与第二时间点t_2j一一对应、所述第一位置点s_1j与所述第二位置点s_2j一一对应、所述第一初始速度ν_1j与所述第二初始速度ν_2j一一对应；M表示在不同物流区域的轨迹点数量；φ_1j表示在不同物流区域中第j个第一轨迹点的轨迹角度；φ_2j表示在不同物流区域中第j个第二轨迹点的轨迹角度；

根据目标优化算法，计算所述物流车辆在所述物流区域与目标仓储和转送点以及所述物流车辆在转送点与配送点之间的匹配性能R；

其中，minK表示所述物流车辆在物流区域与L1个目标仓储和L2个转送点之间的最小运输成本值；y_k1p_k1表示第k1个目标仓储的仓储属性因子；y_k2p_k2表示第k2个转送点的转送属性因子；maxD表示所述物流车辆在L2个转送点与L3个配送点之间的最大运输效率值；m_k3d_k3表示配送点的配送属性因子；r(·)表示目标仓储、转送点以及匹配点的匹配性能函数；

实时监测每种所述物流资源的资源更换信息；

基于所述物流车辆在不同物流区域的偏差值ΔE和所述资源更换信息，对所述匹配性能进行优化处理，并将优化处理结果实时传输到所述物流车辆的车载终端，实现对每种物流资源进行动态跟踪监测。

6.如权利要求1所述的协同优化方法，其特征在于，对物流标签解析结果、物流属性结果和动态跟踪监测结果进行协同处理，实现对物流供应链的协同优化的步骤包括：

确定所述物流标签解析结果与物流属性结果的第一关联信息和第一独立信息、物流标签解析结果与动态跟踪监测结果的第二关联信息和第二独立信息、物流属性结果与动态跟踪监测结果的第三关联信息和第三独立信息；

导入所述第一关联信息和第一独立信息、第二关联信息和第二独立信息以及第三关联信息和第三独立信息到多目标协同优化模型进行协同优化，获得最佳物流供应链信息，实现物流供应链的协同优化。

7.如权利要求5所述的协同优化方法，其特征在于，在获取不同物流区域的第一移动轨迹S₁和第二移动轨迹S₂的过程中，还包括：

确定所述物流车辆基于第一移动轨迹和第二移动轨迹中每个轨迹点的重心点，以所述重心点为基础，构建第一重心移动轨迹和第二重心移动轨迹；

根据所述物流车辆在不同重心移动轨迹中的不同轨迹点的移动速度和偏离角度，初次判断一一对应的轨迹点是否异常，若是，获取两个重心移动轨迹中一一对应的异常轨迹点相邻前预设区域段中每个轨迹点的点信息，根据所述点信息，分别对应构建第一异常模型和第二异常模型；

将第一异常轨迹点导入所述第一异常模型中，获得第一输出点信息，将第二异常轨迹点导入所述第二异常模型中，获得第二输出点信息；

当所述第一输出点信息与第二输出点信息一致时，对一一对应的异常轨迹点进行显著性标注；

同时，将所述显著性标注结果同步显示到所述第一移动轨迹和第二移动轨迹上。

8.如权利要求4所述的协同优化方法，其特征在于，基于所述最终归类区间自动查找匹配的物流属性之后，还包括：

实时动态跟踪物流车辆的工作模式，所述工作模式包括：紧密跟踪模式和疏松跟踪模式；

跟踪所述物流车辆在装载物流资源的资源属性；

根据所述物流属性C1和资源属性C2，自动确定所述物流车辆的跟踪模式；

C＝δ1*C1+δ2C2；

其中，δ1表示物流属性的物流指标因子；δ2表示资源属性的资源指标因子；C表示所述物流车辆的物流总值；

当所述物流总值C大于或等于标准总值C0时，采用紧密跟踪模式对所述物流车辆进行实时动态跟踪；

否则，采用疏松跟踪模式对所述物流车辆进行实时动态跟踪。

Images