CN114239996A - 物流信息预测方法、装置、设备、平台及存储介质 - Google Patents
物流信息预测方法、装置、设备、平台及存储介质 Download PDFInfo
- Publication number
- CN114239996A CN114239996A CN202111633488.8A CN202111633488A CN114239996A CN 114239996 A CN114239996 A CN 114239996A CN 202111633488 A CN202111633488 A CN 202111633488A CN 114239996 A CN114239996 A CN 114239996A
- Authority
- CN
- China
- Prior art keywords
- loading
- current
- truck
- unloading
- predicted
- 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 title claims abstract description 61
- 238000003825 pressing Methods 0.000 claims abstract description 30
- 238000011156 evaluation Methods 0.000 claims description 17
- 238000010586 diagram Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (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
本申请提供物流信息预测方法、装置、设备、平台及存储介质,获取当前的货车、货场及货主的当前特征数据,并获取所述货车、货场及货主的历史特征数据;利用一已训练的装/卸货时长预测模型,基于所述历史特征数据和当前特征数据为一组输入以预测当前货车的预测装/卸货时长。通过所述预测装/卸货时长可以预测货场的进出时长等,以此预测结果为依据可以进行车货匹配调度,可以有效改善压车状态,避免“货等车”及“车等货”等问题。
Description
技术领域
本申请涉及物流数据处理技术领域,尤其涉及物流信息预测方法、装置、设备、平台及存储介质。
背景技术
随着物联网迅速发展,智慧物流园区规模越来越大,导致每天收发货量巨大的物流园区,往往会出现大面积货车排队的情况。如此,会引起“货等车”及“车等货”的低效率结果。
因此,需要一种精确进行物流调度方案,但是如何获得精准的参考信息是较大的难点。
发明消息
鉴于以上所述现有技术的缺点,本申请提供物流信息预测方法、装置、设备、平台及存储介质,通过精准预测装/卸货时长以作为物流调度的依据,解决现有技术的问题。
本申请第一方面提供一种物流信息预测方法,包括:获取当前的货车、货场及货主的当前特征数据,并获取所述货车、货场及货主的历史特征数据;利用一已训练的装/卸货时长预测模型,基于所述历史特征数据和当前特征数据为一组输入以预测当前货车的预测装/卸货时长。
在一些实施例中,所述的物流信息预测方法包括:基于当前货车之前待装/卸货的货车的预测装/卸货时长,计算当前货车的预测压车时间。
在一些实施例中,所述的物流信息预测方法还包括:计算当前货车在装/卸货后离开货场的预测离场时长。
在一些实施例中,根据当前货车的预测压车时长、预测装/卸货时长和预测离场时长,得到当前货车在货场的预测进离场时长。
在一些实施例中,所述计算当前货车在装/卸货后离开货场的预测离场时长,包括:计算回溯的预设时长中各货车的离场时长的均值以得到预测离场时长。
在一些实施例中,所述预测离场时长包括:对应满载货车计算的满载离场时长;以及,对应空载货车计算的空载离场时长。
在一些实施例中,所述物流信息预测方法还包括:获取样本集,其中每个样本对应于一组所述历史特征数据和当前特征数据;基于所述样本集对应的各组预测装/卸货时长及真实装/卸货时长间的误差,获取对所述装/卸货时长预测模型的评价结果;基于所述评价结果调整所述装/卸货时长预测模型的参数和/或特征。
在一些实施例中,所述基于所述样本集对应的各组预测装/卸货时长及真实装/卸货时长间的误差,获取对所述装/卸货时长预测模型的评价结果,包括:计算每个所述样本对应的预测装/卸货时长及真实装/卸货时长之间的误差;获取所述误差低于预设阈值的目标样本在所述样本集的比率,作为所述评价结果。
本申请第二方面提供一种物流调度方法,包括:对应于至少一个当前的货车,执行如第一方面任一项所述的物流信息预测方法得到预测结果;其中,所述预测结果包括以下至少一种:货车的预测装/卸货时长、预测压车时长、预测离场时长及预测进离场时长;基于所述预测结果执行物流调度。
本申请第三方面提供一种物流信息预测装置,包括:特征获取模块,用于获取当前的货车、货场及货主的当前特征数据,并获取所述货车、货场及货主的历史特征数据;时长预测模块,用于利用一已训练的装/卸货时长预测模型,基于所述历史特征数据和当前特征数据为一组输入以预测当前货车的预测装/卸货时长。
本申请第四方面提供一种物流调度装置,包括:预测执行模块,用于对应于至少一个当前的货车,执行如第一方面任一项所述的物流信息预测方法得到预测结果;其中,所述预测结果包括以下至少一种:货车的预测装/卸货时长、预测压车时长、预测离场时长及预测进离场时长;物流调度模块,用于基于所述预测结果执行物流调度。
本申请第五方面提供一种计算机设备,包括:存储器及处理器;所述存储器用于存储程序指令;所述处理器用于运行所述程序指令执行如第一方面任一项所述的物流信息预测方法;或者,执行如第二方面任一项所述的物流调度方法。
本申请第六方面提供一种物流车货匹配平台,包括如第五方面所述的计算机设备。
本申请第七方面提供一种计算机可读存储介质,存储有程序指令,所述程序指令被运行时执行如第一方面任一项所述的物流信息预测方法;或者,执行如第二方面任一项所述的物流调度方法。
如上所述,本申请提供物流信息预测方法、装置、设备、平台及存储介质,获取当前的货车、货场及货主的当前特征数据,并获取所述货车、货场及货主的历史特征数据;利用一已训练的装/卸货时长预测模型,基于所述历史特征数据和当前特征数据为一组输入以预测当前货车的预测装/卸货时长。通过所述预测装/卸货时长可以预测货场的进出时长等,以此预测结果为依据可以进行车货匹配调度,可以有效改善压车状态,避免“货等车”及“车等货”等问题。
附图说明
图1展示本申请一实施例中应用场景的结构示意图。
图2展示本申请一实施例中物流信息预测方法的流程示意图。
图3展示本申请一实施例中物流信息预测方法的应用示例的原理示意图。
图4展示本申请一实施例中物流调度方法的流程示意图。
图5展示本申请一实施例中物流信息预测装置的模块示意图。
图6展示本申请一实施例中物流调度装置的模块示意图。
图7展示本申请一实施例中计算机设备的结构示意图。
图8展示本申请一实施例中物流车货匹配平台的结构示意图。
具体实施方式
以下通过特定的具体示例说明本申请的实施方式,本领域技术人员可由本申请所揭露的消息轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用系统,本申请中的各项细节也可以根据不同观点与应用系统,在没有背离本申请的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
下面以附图为参考,针对本申请的实施例进行详细说明,以便本申请所属技术领域的技术人员能够容易地实施。本申请可以以多种不同形态体现,并不限定于此处说明的实施例。
在本申请的表示中,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”等的表示意指结合该实施例或示例表示的具体特征、结构、材料或者特点包括于本申请的至少一个实施例或示例中。而且,表示的具体特征、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申请中表示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。
此外,术语“第一”、“第二”仅用于表示目标,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本申请的表示中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
为了明确说明本申请,省略与说明无关的器件,对于通篇说明书中相同或类似的构成要素,赋予了相同的参照符号。
在通篇说明书中,当说某器件与另一器件“连接”时,这不仅包括“直接连接”的情形,也包括在其中间把其它元件置于其间而“间接连接”的情形。另外,当说某种器件“包括”某种构成要素时,只要没有特别相反的记载,则并非将其它构成要素排除在外,而是意味着可以还包括其它构成要素。
虽然在一些示例中术语第一、第二等在本文中用来表示各种元件,但是这些元件不应当被这些术语限制。这些术语仅用来将一个元件与另一个元件进行区分。例如,第一接口及第二接口等表示。再者,如同在本文中所使用的,单数形式“一”、“一个”和“该”旨在也包括复数形式,除非上下文中有相反的指示。应当进一步理解,术语“包含”、“包括”表明存在所述的特征、步骤、操作、元件、模块、项目、种类、和/或组,但不排除一个或多个其他特征、步骤、操作、元件、模块、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的,或意味着任一个或任何组合。因此,“A、B或C”或者“A、B和/或C”意味着“以下任一个:A;B;C;A和B;A和C;B和C;A、B和C”。仅当元件、功能、步骤或操作的组合在某些方式下内在地互相排斥时,才会出现该定义的例外。
此处使用的专业术语只用于言及特定实施例,并非意在限定本申请。此处使用的单数形态,只要语句未明确表示出与之相反的意义,那么还包括复数形态。在说明书中使用的“包括”的意义是把特定特性、区域、整数、步骤、作业、要素及/或成份具体化,并非排除其它特性、区域、整数、步骤、作业、要素及/或成份的存在或附加。
虽然未不同地定义,但包括此处使用的技术术语及科学术语,所有术语均具有与本申请所属技术领域的技术人员一般理解的意义相同的意义。普通使用的字典中定义的术语追加解释为具有与相关技术文献和当前提示的消息相符的意义,只要未进行定义,不得过度解释为理想的或非常公式性的意义。
目前,随着物流量的快速增长,在智慧物流园区中,因例如出发地,货车载重/车型、货物品类、货场工作状态等多因素的影响,会出现大面积压车排队的情况。
鉴于此,本申请实施例中通过考虑货车、货场、货主等对象的特征因素,,以预测货车在物流园区的精准时长,以此为依据进行调度来解决压车排队问题。
如图1所示,展示本申请一实施例中应用场景的示意图。
图中示意性地展示了物流园区运作的流程。
货车101进入货场102进行装/卸货。在一些实施例中,所述货场102边缘可以设置电子围栏,通过电子围栏识别进或出的货车101。货车101进入货场102之后未必能马上进行装/卸货,可能需要进行排队等候。当由于装/卸货运力不足或者货车101负载过大(即排队等候货车101过多时),出现“压车”(即车辆积压)的情况。此时,货车101等候装/卸货的时长为压车时长。图1中示意性地展示了司机A的货车101A、司机B的货车101B以及司机C的货车101C在排队等候装/卸货的状态。
当排队结束,货车101开始装或卸货,相应花费的时长为装/卸货时长。由于不同车长、载重、货物的品类、装/卸货人员的状态、装/卸方式等因素影响,不同批次的装/卸货时长不同。图1中示意性地展示了司机D的货车101D在装/卸货。
当装/卸货结束后,司机载重或者空车行驶出电子围栏,这段时间可被称为离场时长。图1中示意性地展示了司机E的货车101E驶出电子围栏。
因此,场内货车101的进出时间可以分为三个部分,压车时长、装/卸货时长和离场时长。
所述场内货车101的进出时间可以表示为下式(1):
Tp=InPoiTp(压车时长)+Layday(当前货车101的装/卸货时长)+OutPoiTp(离场时长) (1)
目前的压车问题,也在于各货车101的压车时长、装/卸货时长、离场时长无法量化,造成无法形成物流调度的依据。
因此,可以通过准确地预测出场内货车101的进出时长,就可以及时做出合理的物流调度,如货场102合理地进行运力配置,物流车货匹配平台对车货匹配的撮合等,以此避免“货等车”、“车等货”等情况。让货主在有限的时间内多发货,司机货车101多接货,从而提升物流全局的转化效率。根据上式又可知,货车101的进出时间的预测,可以转化成对货车101的压车时长的预测、对货车101的装/卸货时长的预测以及对离场时长的预测。
压车时长实际上依赖于装/卸货时长的预测。具体的,从排队的角度考虑,比如在后的司机C当前的压车时长依赖于司机B的装/卸货时长,因此可以通过先预测排队的各货车101的装/卸货时长,进而根据所预测的在先货车101的装/卸货时长来预测得到在后货车101的压车时长。例如在较为理想的情况下,设前n部货车101均没有等待时长的情况下,第n部货车101的压车时长可以通过下式(2)计算:
其中,n代表当前压车的数量,Layday代表每辆车的装/卸货时长InPoiTp则代表第n+1量货车101的压车时长。关键的装/卸货时长该如何预测(layday)。
此外可以理解的是,在预测装/卸货时长时,需要尽可能周全地考虑各个维度的影响装/卸货时长的相关因素,以保障预测的准确性。
由此,本申请实施例中可以提供物流信息预测方法,利用机器学习模型构建装/卸货时长预测模型,可根据影响装/卸货时长的历史数据及当前数据中的特征数据,进行对装/卸货时长的预测。可选的,进一步可以通过预测压车时长、离场时长等来得到场内货车101的进出时长,以作为调度依据。
如图2所示,展示本申请一实施例中物流信息预测方法的流程示意图。
在图2中,所述物流信息预测方法包括:
步骤S201:获取当前的货车、货场及货主的当前特征数据,并获取所述货车、货场及货主的历史特征数据。
在一些实施例中,为尽可能全面地获取并量化与装/卸货(“/”表示或)时长相关的各个特征维度,可以通过考虑场景中的主要对象与装/卸货时长相关的属性。其中,所述主要对象包括货车(或司机)、货场及货主,货物与其中每个都相关,可以形成归类到每个对象下。则,所述历史特征数据可以是历史画像,即货车的历史画像、货场的历史画像及货主的历史画像。所述当前特征数据可以是当前画像,即货车的当前画像、货场的当前画像及货主的当前画像。
在一些实施例中,可以通过对历史一段时间的装/卸货数据统计相关于装/卸货时长的每个特征维度的特征数据。比如,以货主为例,设主要的货物品类是钢材,划分到类目又分为盘钢和直条螺纹钢,根据历史数据统计两者的平均装/卸货时长相差近两个小时,则可统计得到货主与装/卸货时长相关的历史画像中的货物品类特征。以货车为例,货车的平均装/卸货时长可以侧面反映出车辆的载重,再例如车主的常接货类型等。不同的货车、货主、货场可以通过不同的货车ID、货主ID、货场ID来区分。
示例性地,“货主”的与装/卸货时长相关的特征可以包括:发货量、每单货物的装/卸方式、货物的品类、运力配置等。示例性地,“货场”的与装/卸货时长相关的特征可以包括:场内货车积压数量、场内发货量大导致压车、货主端的运力配置、装/卸方式货物的装/卸方式、装/卸时的天气、装/卸的时间等。示例性地,“货车”或者“司机”的与装/卸货时长相关的特征可以包括:货车的载重、车长、车主的常接货类、车主运力等。
示例性地,“货主”的与装/卸货时长相关的历史特征数据可以包括:例如过去半年的历史发货量、过去半年的每单货物的装/卸方式、货主过去时间窗口内装/卸频率、过去半年的货物的品类、过去半年的运力配置等。又例如,“货车”的当前画像可以包括车主当前的运力、当前载重、当前车长等,“货场”的当前画像可以包括当前货物的装/卸方式、当前装/卸所处时段、当前压车数量等;“司机”所述当前特征数据可以包括:车主当前的运力、当前货物的重量等。
可见,可以通过列举对象(货车、货场或货主对象)在时间、空间上的与与装/卸货时长相关各种排列组合的维度,并根据这些因素来获取响应的历史及当前数据以构建货车(或司机)、货场及货主的历史画像及当前画像。需说明的是,上述列出的各个特征维度只是举例,并非限定,在实际场景中可以根据需求设计特征维度,例如几十个,上百个特征维度等。
步骤S202:利用一已训练的装/卸货时长预测模型,基于所述历史特征数据和当前特征数据为一组输入以预测当前货车的预测装/卸货时长。
在一些实施例中,所述装/卸货时长预测模型可以通过机器学习的回归模型实现,则需要对其输入训练数据以令其学习参考输入和参考输出(装/卸货时长)之间的关系。所述参考输入即为货车、货场、货主的历史画像和当前画像,参考输出即为所述货车对应的装/卸货时间。
在可能的示例中,与时序预测相关的,可以采用例如xgboost模型。在训练过程中,通过不断地添加树,不断地进行特征分裂来生长一棵树,每次添加一个树,其实是学习一个新函数f(x),去拟合上次预测的残差。当训练完成得到k棵树,根据样本的特征,在每棵树中会落到对应的一个叶子节点,每个叶子节点就对应一个分数,将每棵树对应的分数相加就是对该样本的预测值。训练的目标是使树群的预测值尽量接近真实值。
相应的,以每个货车、货场、货主的历史画像和当前画像为参考输入,以真实的装/卸货时间为参考输出,构建训练数据以输入装/卸货时长预测模型进行训练,当通过损失函数判断梯度下降至收敛时,即达到预先要求的准确精度时,训练完成。进而,利用已训练的装/卸货时长预测模型,根据当前场景中的待预测的订单(例如当前等待卸货的一货车对应的运单,或者随车单等,对应于某个货车的装/卸货的事件,其中牵涉到货车、货场及货主)对应的货车ID、货场ID及货主ID,匹配对应的历史画像和当前画像,预测得到该单对应的货车的装/卸货时长。
举例来说,货车F进入货场G,货车F正装载货主H的货物,需要等待装/卸货。要预测货车F的装/卸货时长,则根据货车F、货场G、货主H的ID分别匹配它们与装/卸货时长相关的历史画像和当前画像,即例如货车F与装/卸货时长相关的历史画像和当前画像、货场G与装/卸货时长相关的历史画像和当前画像、以及货主H与装/卸货时长相关的历史画像和当前画像,输入到装/装/卸货时长预测模型中,预测出货车F的装/卸货时长。
再如图3所示,展示本申请一实施例中物流信息预测方法的应用示例的原理示意图。
在此示例中,可以通过网络服务的方式为用户提供预测装/卸货时长的计算服务。
例如,在用户(可以是司机、货主、平台方、或货场方)通过用户终端301(例如智能手机、笔记本电脑、平板电脑、台式机等)所装载的APP或网页浏览器与服务器302通信,以向服务器302发送服务请求。所述服务请求可以携带请求参数(例如货车、货场及货主ID;或者能索引到所述ID的订单内容或订单号等),以供匹配到相关的货车、货场及货主的ID。
服务器302接收所述服务请求,可以根据所述请求参数以匹配对应货车、货场、货主ID相关联的历史特征数据(如历史画像)及生成实时特征数据(如实时画像)。在可能的示例中,所述服务器302可以通过高可用框架(例如Springboot等框架)作为服务来获取请求参数。在可能的示例中,所述历史特征数据的数据源可以选自物流数据库中所记录的一段时长的历史数据,并以货车、货场或货主的影响装/卸货时长的因素分别采集得到相应数据,通过特征工程形成特征向量/矩阵形式的历史特征数据,并预先存储。在可能的示例中,所述历史特征数据可以通过键值形式存储在分布式数据库303中,例如redis或Hbase等,以被匹配获得。在可能的示例中,所述当前特征数据的数据源可以通过例如司机的移动终端(例如手机、PDA等)、车载终端、摄像头等,在获得用户授权许可的合法情况下获取,并通过特征工程形成特征向量/矩阵形式的当前特征数据。举例来说,当前特征数据的数据源可以包括用户的GPS移动轨迹的数据。
所述服务器302可以装载有已训练的装/卸货时长预测模型,可以将匹配到的服务请求对应的货车、货场及货主的历史特征数据和当前数据特征透传至所述装/卸货时长预测模型,以得到预测装/卸货时长,并响应所述服务请求,完成对货车的装/卸货时长的在线预测服务。
在一些实施例中,所述装/卸货时长预测模型可以定期进行离线的训练,再在服务器上线,以提升所述装/卸货时长预测模型的预测准确率。在可能的示例中,可以结合货车的真实装/卸货时长数据与对应的预测装/卸货时长数据进行误差对比,以评价所述装/卸货时长预测模型,以及判断是否要调整方案。
在可能的具体示例中,如图4所示,提供一个通过数据回流评价装/卸货时长预测模型效果的流程示意图。
流程可以包括:
步骤S401:获取样本集,其中每个样本对应于一组所述历史特征数据和当前特征数据;
所述样本可例如为一笔订单中相关的货车、货场及货主的历史特征数据和当前特征数据。
步骤S402:基于所述样本集对应的各组预测装/卸货时长及真实装/卸货时长间的误差,获取对所述装/卸货时长预测模型的评价结果。
在一些实施例中,可以通过计算每个所述样本对应的预测装/卸货时长及真实装/卸货时长之间的误差,进而获取所述误差低于预设阈值的目标样本在所述样本集的比率,作为所述评价结果。
在具体示例中,所述比率可以表示为Ratio=n(error<Ymin)/N,n()代表所述误差在Y分钟内的样本量,N代表总样本量。通过定期(例如每天,每几天,每周等)计算所述比率,以追踪模型的效果,从而对模型进行不断的优化迭代,
步骤S403:基于所述评价结果调整所述装/卸货时长预测模型的参数和/或特征。
在一些实施例中,可以基于当前货车之前待装/卸货的货车的预测装/卸货时长,计算当前货车的预测压车时间。例如,根据公式通过预测当前货车之前排队的n个货车的预测装/卸货时间,可以计算出当前货车的预测压车时间。
当货车完成装/卸货操作,直接驶离货场,对离场时长影响较大的因素较少。值得考虑的主要是装货或卸货后车重差异较大的空载和满载的货车,其它,在载物相似的情况下不同车型的离场时长之间可能相差不大,故可以先不必考虑。
在一些实施例中,可以通过计算回溯的预设时长中各货车的离场时长的均值以得到预测离场时长。举例来说,预测离场时长的计算方式可示例性地标识为下式(3)所示:
OutPoiTp=sum(window[-x小时,now])/n
即从当前向前回溯x个小时中n个货车离场时间的均值。可选的,对应于满载和空载类型可以分开通过此公式计算。例如,从当前向前回溯x个小时中n个满载货车离场时间的均值,作为满载的当前货车的预测离场时长;以及,从当前向前回溯x个小时中n个空载货车离场时间的均值,作为空载的当前货车的预测离场时长。
可以理解的是,在由图3示例所启发的示例中,所述服务器还可以提供线计算货车的预测压车时长InPoiTp、预测离场时长OutPoiTp、预测进出场时间Tp中的任意一或多种的在线服务。
再如图5所示,展示本申请一实施例中的物流调度方法的流程示意图。
在图5中,流程包括:
步骤S501:对应于至少一个当前的货车,执行如第一方面任一项所述的物流信息预测方法得到预测结果;其中,所述预测结果包括以下至少一种:货车的预测装/卸货时长、预测压车时长、预测离场时长及预测进离场时长;
步骤S502:基于所述预测结果执行物流调度。
具体举例说明所述物流调度可能的实现方式。可以场内各个货车分别得到的所述预测装/卸货时长、预测压车时长、预测离场时长、预测进出场时间中的至少一个,进行例如车货匹配、货车进出货场时间控制等物流调度以提升货车、货主、货场之间的平衡,提升物流运转效率,避免压车的不良情况出现。例如,在货主端,若需要有货物运输,通过预测目前排队的各货车的预测压车时间和预测装/卸货时长,以适配地为此货主指派能在合适时长后进入货场的司机的货车进行装货,所述合适时长例如为与目前排队的各货车的预测压车时间和预测装/卸货时长之和接近或相等,以避免“货等车”。同理,在司机端,实时获取货场内是否压车情况,根据预测压车时间合理地给司机派单取货,避免“车等货”。在物流车货匹配平台端,可以根据货车的预测进出场时间,及时帮助司机找货,再司机出货场之后及时接单,降低司机的空驶距离和找货时长,为其经营行为降本增效。
如图6所示,展示本申请实施例中的物流信息预测装置的模块示意图。需说明的是,所述物流信息预测装置的实现可参考之前实施例中的物流信息预测方法,因此此实施例中不再对技术特征作重复赘述。
在图6中,所述物流信息预测装置600包括:
特征获取模块601,用于获取当前的货车、货场及货主的当前特征数据,并获取所述货车、货场及货主的历史特征数据;
时长预测模块602,用于利用一已训练的装/卸货时长预测模型,基于所述历史特征数据和当前特征数据为一组输入以预测当前货车的预测装/卸货时长。
在一些实施例中,所述的物流信息预测装置包括:第一计算模块,用于基于当前货车之前待装/卸货的货车的预测装/卸货时长,计算当前货车的预测压车时间。
在一些实施例中,所述的物流信息预测装置还包括:第二计算模块,用于计算当前货车在装/卸货后离开货场的预测离场时长。
在一些实施例中,所述的物流信息预测装置还包括:第三计算模块,用于根据当前货车的预测压车时长、预测装/卸货时长和预测离场时长,得到当前货车在货场的预测进离场时长。
在一些实施例中,所述第二计算模块,用于计算回溯的预设时长中各货车的离场时长的均值以得到预测离场时长。
在一些实施例中,所述预测离场时长包括:对应满载货车计算的满载离场时长;以及,对应空载货车计算的空载离场时长。
在一些实施例中,所述物流信息预测装置还包括:样本获取模块,用于获取样本集,其中每个样本对应于一组所述历史特征数据和当前特征数据;评价模块,用于基于所述样本集对应的各组预测装/卸货时长及真实装/卸货时长间的误差,获取对所述装/卸货时长预测模型的评价结果;评价模块,用于基于所述评价结果调整所述装/卸货时长预测模型的参数和/或特征。
在一些实施例中,所述评价模块,包括:误差计算模块,用于计算每个所述样本对应的预测装/卸货时长及真实装/卸货时长之间的误差;比率计算模块,用于获取所述误差低于预设阈值的目标样本在所述样本集的比率,作为所述评价结果。
如图7所示,展示本申请实施例中的物流调度装置的模块示意图。需说明的是,所述物流调度装置的实现可参考之前实施例中的物流调度方法,因此此实施例中不再对技术特征作重复赘述。
在图7中,所述物流调度装置700,包括:
预测执行模块701,用于对应于至少一个当前的货车,执行如第一方面任一项所述的物流信息预测方法得到预测结果;其中,所述预测结果包括以下至少一种:货车的预测装/卸货时长、预测压车时长、预测离场时长及预测进离场时长;
物流调度模块702,用于基于所述预测结果执行物流调度。
需特别说明的是,在图6、图7实施例中的各个功能模块,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以程序指令产品的形式实现。程序指令产品包括一个或多个程序指令。在计算机上加载和执行程序指令指令时,全部或部分地产生按照本申请的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。程序指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输。
并且,图6、图7实施例所揭露的装置,可通过其它的模块划分方式实现。以上所表示的装置实施例仅仅是示意性的,例如所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或模块可以结合或者可以动态到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接于可以是通过一些接口,装置或模块的间接耦合或通信连接于,可以是电性或其它的形式。
另外,图6、图7实施例中的各功能模块及子模块可以动态在一个处理部件中,也可以是各个模块单独物理存在,也可以两个或两个以上模块动态在一个部件中。上述动态的部件既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。上述动态的部件如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读存储介质中。该存储介质可以是只读存储器,磁盘或光盘等。
需特别说明的是,本申请上述实施例的流程图表示的流程或方法表示可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分。并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能。
例如,图2、图4、图5等实施例中的各个步骤的顺序可能可以在具体场景中加以变化,并非以上述表示为限。
如图8所示,展示本申请一实施例中计算机设备的电路结构示意图。
所述计算机设备800包括总线801、处理器802、存储器803及通信器804。处理器802、存储器803之间可以通过总线801通信。所述存储器803中可以存储有程序指令(比如系统或应用软件)。所述处理器802通过运行存储器803中的程序指令来实现本申请实施例中物流信息预测方法或物流调度方法中的步骤。在可能的示例中,所述计算机设备800可以实现在例如服务器、服务器组等电子装置。
总线801可以是外设部件互连标准(Peripheral Component Interconnect,PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,虽然图1中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
在一些实施例中,处理器802可以为中央处理器(Central Processing Unit,CPU)、微处理单元(MCU)、片上系统(System On Chip)、或现场可编程逻辑阵列(FPGA)等实现。存储器803可以包括易失性存储器(Volatile Memory)以用于运行程序时的数据暂存使用,例如随机存取存储器(Random Access Memory,RAM)。
存储器803还可以包括非易失性存储器(non-volatile memory)以用于数据存储,例如只读存储器(Read-Only Memory,ROM),快闪存储器,硬盘驱动器(Hard Disk Drive,HDD)或固态盘(Solid-State Disk,SSD)。
所述通信器804用于与外部通信。在具体实例中,所述通信器804可以包括一个或多个有线和/或无线通信电路模块。例如,所述有线通信电路模块可以包括例如有线网卡、USB模块、串行接口模块等中的一种或多种。又例如,无线通信模块所遵循的无线通信协议包括:例如近距离无线通信(Nearfield communication,NFC)技术、红外(Infared,IR)技术、全球移动通讯系统(Global System for Mobile communications,GSM)、通用分组无线服务(General Packet Radio Service,GPRS)、码分多址引入(Code Division MultipleAccess,CDMA)、宽带码分多址(Wideband Code division multiple access,WCDMA)、时分码分多址(Time-Division Code Division Multiple Access,TD-SCDMA)、长期演进(LongTerm Evolution,LTE)、蓝牙(BlueTooth,BT)、全球导航卫星系统(Global NavigationSatellite System,GNSS)等中的一种或多种。
本申请实施例中还可以提供一种物流车货匹配平台,包括例如图8所示的计算机设备。所述物流车货匹配平台与司机、货主的移动端通信,提供货物信息和运力信息,以达成撮合货物运输交易。其中,通过应用本申请实施例中的物流信息预测方法、物流调度方法,可以有效避免“车等人”、“人等车”的问题,有效减少物流园区的压车问题,有效提升物流运转的效率
本申请实施例中还可以提供一种计算机可读存储介质,存储有程序指令,所述程序指令被运行时执行之前实施例中的物流信息预测方法或物流调度方法。
即上述实施例中的方法步骤被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码,或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码,从而在此表示的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。
综上,本申请提供物流信息预测方法、装置、设备、平台及存储介质,获取当前的货车、货场及货主的当前特征数据,并获取所述货车、货场及货主的历史特征数据;利用一已训练的装/卸货时长预测模型,基于所述历史特征数据和当前特征数据为一组输入以预测当前货车的预测装/卸货时长。通过所述预测装/卸货时长可以预测货场的进出时长等,以此预测结果为依据可以进行车货匹配调度,可以有效改善压车状态,避免“货等车”及“车等货”等问题。
上述实施例仅例示性说明本申请的原理及其功效,而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本申请的权利要求所涵盖。
Claims (14)
1.一种物流信息预测方法,其特征在于,包括:
获取当前的货车、货场及货主的当前特征数据,并获取所述货车、货场及货主的历史特征数据;
利用一已训练的装/卸货时长预测模型,基于所述历史特征数据和当前特征数据为一组输入以预测当前货车的预测装/卸货时长。
2.根据权利要求1所述的物流信息预测方法,其特征在于,包括:
基于当前货车之前待装/卸货的货车的预测装/卸货时长,计算当前货车的预测压车时间。
3.根据权利要求1或2所述的物流信息预测方法,其特征在于,还包括:
计算当前货车在装/卸货后离开货场的预测离场时长。
4.根据权利要求3所述的物流信息预测方法,其特征在于,还包括:
根据当前货车的预测压车时长、预测装/卸货时长和预测离场时长,得到当前货车在货场的预测进离场时长。
5.根据权利要求3所述的物流信息预测方法,其特征在于,所述计算当前货车在装/卸货后离开货场的预测离场时长,包括:
计算回溯的预设时长中各货车的离场时长的均值以得到预测离场时长。
6.根据权利要求5所述的物流信息预测方法,其特征在于,所述预测离场时长包括:对应满载货车计算的满载离场时长;以及,对应空载货车计算的空载离场时长。
7.根据权利要求1所述的物流信息预测方法,其特征在于,还包括:
获取样本集,其中每个样本对应于一组所述历史特征数据和当前特征数据;
基于所述样本集对应的各组预测装/卸货时长及真实装/卸货时长间的误差,获取对所述装/卸货时长预测模型的评价结果;
基于所述评价结果调整所述装/卸货时长预测模型的参数和/或特征。
8.根据权利要求7所述的物流信息预测方法,其特征在于,所述基于所述样本集对应的各组预测装/卸货时长及真实装/卸货时长间的误差,获取对所述装/卸货时长预测模型的评价结果,包括:
计算每个所述样本对应的预测装/卸货时长及真实装/卸货时长之间的误差;
获取所述误差低于预设阈值的目标样本在所述样本集的比率,作为所述评价结果。
9.一种物流调度方法,其特征在于,包括:
对应于至少一个当前的货车,执行权利要求1至8中任一项所述的物流信息预测方法得到预测结果;其中,所述预测结果包括以下至少一种:货车的预测装/卸货时长、预测压车时长、预测离场时长及预测进离场时长;
基于所述预测结果执行物流调度。
10.一种物流信息预测装置,其特征在于,包括:
特征获取模块,用于获取当前的货车、货场及货主的当前特征数据,并获取所述货车、货场及货主的历史特征数据;
时长预测模块,用于利用一已训练的装/卸货时长预测模型,基于所述历史特征数据和当前特征数据为一组输入以预测当前货车的预测装/卸货时长。
11.一种物流调度装置,其特征在于,包括:
预测执行模块,用于对应于至少一个当前的货车,执行权利要求1至8中任一项所述的物流信息预测方法得到预测结果;其中,所述预测结果包括以下至少一种:货车的预测装/卸货时长、预测压车时长、预测离场时长及预测进离场时长;
物流调度模块,用于基于所述预测结果执行物流调度。
12.一种计算机设备,其特征在于,包括:存储器及处理器;所述存储器用于存储程序指令;所述处理器用于运行所述程序指令执行如权利要求1至8中任一项所述的物流信息预测方法;或者,执行如权利要求9所述的物流调度方法。
13.一种物流车货匹配平台,其特征在于,包括如权利要求12所述的计算机设备。
14.一种计算机可读存储介质,其特征在于,存储有程序指令,所述程序指令被运行时执行如权利要求1至8中任一项所述的物流信息预测方法;或者,执行如权利要求9所述的物流调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111633488.8A CN114239996A (zh) | 2021-12-28 | 2021-12-28 | 物流信息预测方法、装置、设备、平台及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111633488.8A CN114239996A (zh) | 2021-12-28 | 2021-12-28 | 物流信息预测方法、装置、设备、平台及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114239996A true CN114239996A (zh) | 2022-03-25 |
Family
ID=80744074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111633488.8A Pending CN114239996A (zh) | 2021-12-28 | 2021-12-28 | 物流信息预测方法、装置、设备、平台及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114239996A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230245046A1 (en) * | 2022-01-31 | 2023-08-03 | Walmart Apollo, Llc | Systems and methods for predicting when a shipping storage container is close and ready for dispatch |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826957A (zh) * | 2019-10-08 | 2020-02-21 | 浙江数链科技有限公司 | 车辆卸货调度方法、装置、设备和存储介质 |
CN111798017A (zh) * | 2019-04-09 | 2020-10-20 | 北京三快在线科技有限公司 | 取货时长的预测方法、装置、存储介质及电子设备 |
-
2021
- 2021-12-28 CN CN202111633488.8A patent/CN114239996A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798017A (zh) * | 2019-04-09 | 2020-10-20 | 北京三快在线科技有限公司 | 取货时长的预测方法、装置、存储介质及电子设备 |
CN110826957A (zh) * | 2019-10-08 | 2020-02-21 | 浙江数链科技有限公司 | 车辆卸货调度方法、装置、设备和存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230245046A1 (en) * | 2022-01-31 | 2023-08-03 | Walmart Apollo, Llc | Systems and methods for predicting when a shipping storage container is close and ready for dispatch |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210150908A1 (en) | Systems and methods for automated real-time and advisory routing within a fleet of geographically distributed drivers | |
CN108734328B (zh) | 用于调度无人分拣系统中自动导引运输车的方法和装置 | |
CN110348613B (zh) | 分拨中心智能物流管理方法及系统 | |
CN111861081A (zh) | 一种订单分配方法、装置、电子设备及存储介质 | |
CN109685411A (zh) | 一种物流货运平台的拼车匹配方法 | |
CN114239996A (zh) | 物流信息预测方法、装置、设备、平台及存储介质 | |
CN113807759A (zh) | 基于深度学习的货物运费决定方法以及装置 | |
CN114757623A (zh) | 一种货运派单方法、装置、电子设备及存储介质 | |
CN112465384A (zh) | 一种运力调度的方法、装置、计算机设备及计算机可读存储介质 | |
Samchuk et al. | Freight fleet management problem: evaluation of a truck utilization rate based on agent modeling | |
CN114037139A (zh) | 一种基于注意力机制的货运车辆仓库逗留时长预测方法 | |
CN111815250B (zh) | 用于物流的货物状态识别方法、装置及二分类建模方法 | |
CN114202131B (zh) | 一种纯电动公交车充电等候时长的预测方法及装置 | |
CN114707820A (zh) | 货物运输方法、装置、终端设备及可读存储介质 | |
CN117196439B (zh) | 一种用于物流运输的仓库货品分拣方法及系统 | |
CN111932035B (zh) | 基于多模型的数据处理方法、装置及分类建模的方法 | |
CN117114295B (zh) | 客户接待分配方法、装置、设备及计算机可读存储介质 | |
CN111932031B (zh) | 货物状态预测的方法、装置及多分类建模方法 | |
Potter et al. | Developing a methodology to analyse despatch bay performance | |
KR102680282B1 (ko) | 운송 입찰 플랫폼 서비스 제공 시스템 | |
CN116342011B (zh) | 一种整车运输的车货智能匹配方法和系统 | |
US20230230429A1 (en) | Method for processing data in a vehicle | |
CN117689180A (zh) | 一种基于地磅的一卡通无人值守系统及方法 | |
CN116720670A (zh) | 货物调度规划方法、装置、电子设备及可读存储介质 | |
CN114444753A (zh) | 运单件优先派送识别方法、装置、计算机设备和存储介质 |
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 |