CN114399123A - 一种智慧供应链物流智能优化管理方法和系统 - Google Patents
一种智慧供应链物流智能优化管理方法和系统 Download PDFInfo
- Publication number
- CN114399123A CN114399123A CN202210294506.2A CN202210294506A CN114399123A CN 114399123 A CN114399123 A CN 114399123A CN 202210294506 A CN202210294506 A CN 202210294506A CN 114399123 A CN114399123 A CN 114399123A
- Authority
- CN
- China
- Prior art keywords
- supply
- information
- logistics
- supply chain
- time
- 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
Links
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
Abstract
本发明涉及物流运输技术领域,具体涉及一种智慧供应链物流智能优化管理方法和系统。该方法为获取物流产品供应链信息,所述供应链信息包括产品基础数据、供应链节点信息以及供应设备信息;通过动态供应时间预警模型读取所述产品基础数据,解析获取所述物流产品供应的时限信息对应的预警分析结果;根据预警分析结果划分物流供应等级,优化物流产品供应方案。通过对每个物流产品进行预警分析,能够针对可能存在供应风险的产品规划相应的供应方案以提高对存在供应风险的产品的监管,确保各类产品能够在安全预警时限内实现高效、快捷、及时的供应,针对不同物流供应等级及时调整和优化物流产品供应方案,便于智慧供应链物流智能优化管理。
Description
技术领域
本发明涉及物流运输技术领域,尤其涉及一种智慧供应链物流智能优化管理方法和系统。
背景技术
供应链是指围绕核心物流企业,将多方物流整合起来形成的完整的供应链,简单的来说,就是从配套零件开始,制成中间产品以及最终产品,最后由销售网络把产品送到消费者手中的、将供应商、制造商、分销商直到最终用户连成一个整体的供应链结构。作为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。
然而,在供应链的管理过程中,由于物流产品的种类多,调动频率大,物流产品之间信息差异比较大,供应区域分布散乱,常规的供应链物流管理方法效率低下,无法针对众多的物流产品实现动态监督及优化,从而不能够及时的针对可能存在供应风险的产品规划相应的供应方案以提高对存在供应风险的产品的监管,以确保各类产品能够高效、快捷、及时的供应。
发明内容
为解决智慧供应链物流智能优化管理过程中不能够及时的针对可能存在供应风险的产品规划相应的供应方案以提高对存在供应风险的产品的监管的问题,本发明提供了一种智慧供应链物流智能优化管理方法和系统,以解决上述背景技术中提出的问题。
为实现上述目的,本发明实施例提供了如下的技术方案:
第一方面,在本发明提供的一个实施例中,提供了一种智慧供应链物流智能优化管理方法,该方法包括以下步骤:
获取物流产品供应链信息,所述供应链信息包括产品基础数据、供应链节点信息以及供应设备信息;
根据所述供应链节点信息以及供应设备信息建立动态供应时间预警模型;
根据所述动态供应时间预警模型读取所述产品基础数据,解析获取所述物流产品供应的时限信息对应的预警分析结果;
根据预警分析结果划分物流供应等级,优化物流产品供应方案。
可选的,所述产品基础数据包括所述物流产品的发货信息,收货信息、货物名称、货物体积、货物重量以及时限信息。
可选的,根据所述供应链节点信息以及供应设备信息建立动态供应时间预警模型,所述动态供应时间预警模型的建立方法包括:
获取物流供应的样本数据,所述样本数据包括供应路线信息以及供应时间信息;
将所述样本数据输入至构建的初始预测模型中进行向量表示,并学习供应路线信息和供应时间信息之间的映射关系;
通过所述样本数据量对所述初始预测模型进行训练,确定与所述样本数据对应的供应时间预测值,并获得所述样本数据对应的真实值;
根据所述预测值以及所述真实值,计算所述初始预测模型的预测损失值;
当所述预测损失值达到预设阈值时,将所述初始预测模型作为动态供应时间预警模型,完成模型训练;
根据获取的物流产品供应链信息,解析获取所述物流产品供应链信息的预测时限信息。
可选的,所述供应路线信息包括物流供应的取货地址信息、送货地址信息、途经供应链节点信息以及供应设备信息。
可选的,通过构建的初始预测模型中的神经网络将输入的所述样本数据转化为对应的样本特征向量,所述样本特征向量包含途经所述取货地址信息、送货地址信息以及途经供应链节点信息的供应路线向量和供应时间信息之间的映射关系。
可选的,将所述样本数据输入至构建的初始预测模型中进行向量表示,包括:
将获取的样本数据输入到构建的初始预测模型中的神经网络;
将每条样本数据映射到所述初始预测模型的输入层,所述输入层包括位置嵌入层、路线嵌入层以及时间嵌入层;
对映射到所述输入层的所述位置嵌入层、路线嵌入层以及时间嵌入层的样本数据分别进行向量表示;
将所述位置嵌入层、路线嵌入层以及时间嵌入层的向量进行相加得到输入层向量,所述输入层向量为所述样本数据对应的特征向量。
可选的,所述学习供应路线信息和供应时间信息之间的映射关系,包括:
将所述输入层向量的部分供应路线信息对应的供应时间信息隐藏;
将隐藏后的供应路线信息对应的输入层向量输入至所述初始预测模型的隐藏层中,以生产与所述样本数据对应的预测值;
将预测值与隐藏的供应时间信息的真实值对比,迭代更新所述隐藏层中参数,并学习所述供应路线信息与供应时间之间的关系;直至所述预测值与所述真实值之间的预测损失值大于预设阈值,完成训练。
可选的,所述初始预测模型的隐藏层为基于变换器的双向编码表征的深度学习网络结构,所述深度学习网络结构利用所述样本数据对应的供应路线信息以及供应时间信息,预测出所述样本数据中训练的供应时间信息目标。
可选的,解析获取所述物流产品供应的时限信息对应的预警分析结果,包括:
获取所述供应链信息输入至所述动态供应时间预警模型中输出的供应时间预测信息;
将所述供应链信息中物流产品的时限信息与所述供应时间预测信息做差计算容错时间差值;
将所述容错时间差值与预设的风险评估分析条件对比,划分所述供应链信息对应的风险等级,并生成对应的预警分析结果。
可选的,所述风险等级包括一级供应风险等级、二级供应风险等级、三级风险等级和低风险等级;所述一级供应风险等级是指风险评估分析条件对应的容错时间期限小于12小时;所述二级供应风险等级是指风险评估分析条件对应的容错时间期限小于24小时;所述三级供应风险等级是指风险评估分析条件对应的容错时间期限小于48小时;所述低风险等级是指风险评估分析条件对应的容错时间期限大于48小时。
第二方面,在本发明提供的另一个实施例中,提供了一种智慧供应链物流智能优化管理系统,包括:
信息获取模块,用于获取物流产品供应链信息,所述供应链信息包括产品基础数据、供应链节点信息以及供应设备信息;
数据分析模块,用于根据建立的动态供应时间预警模型读取所述产品基础数据,解析获取所述物流产品供应的时限信息对应的预警分析结果;
优化管理模块,用于根据预警分析结果划分物流供应等级,优化物流产品供应方案。
第三方面,在本发明提供的又一个实施例中,提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器加载并执行所述计算机程序时实现智慧供应链物流智能优化管理方法的步骤。
第四方面,在本发明提供的再一个实施例中,提供了一种存储介质,存储有计算机程序,所述计算机程序被处理器加载并执行时实现所述智慧供应链物流智能优化管理方法的步骤。
本发明提供的技术方案,具有如下有益效果:
本发明提供的智慧供应链物流智能优化管理方法和系统,通过建立动态供应时间预警模型,对供应链物流管理中的众多的物流产品实现动态监督及优化,通过对每个物流产品进行预警分析,能够针对可能存在供应风险的产品规划相应的供应方案以提高对存在供应风险的产品的监管,确保各类产品能够在安全预警时限内实现高效、快捷、及时的供应,针对不同物流供应等级及时调整和优化物流产品供应方案,便于智慧供应链物流智能优化管理。
本发明的这些方面或其他方面在以下实施例的描述中会更加简明易懂。应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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,下面描述中的附图仅仅是本发明的一些实施例。在附图中:
图1为本发明一个实施例的一种智慧供应链物流智能优化管理方法的流程图。
图2为本发明一个实施例的一种智慧供应链物流智能优化管理方法中建立动态供应时间预警模型的流程图。
图3为本发明一个实施例的一种智慧供应链物流智能优化管理方法中样本数据进行向量表示的流程图。
图4为本发明一个实施例的一种智慧供应链物流智能优化管理方法中学习映射关系的流程图。
图5为本发明一个实施例的一种智慧供应链物流智能优化管理方法中获取预警分析结果的流程图。
图6为本发明一个实施例的一种智慧供应链物流智能优化管理系统的系统框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
下面将结合本发明示例性实施例中的附图,对本发明示例性实施例中的技术方案进行清楚、完整地描述,显然,所描述的示例性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,都属于本发明保护的范围。
由于供应链的管理过程中,物流产品的种类多,调动频率大,物流产品之间信息差异比较大,供应区域分布散乱,常规的供应链物流管理方法效率低下,无法针对众多的物流产品实现动态监督及优化,从而不能够及时的针对可能存在供应风险的产品规划相应的供应方案以提高对存在供应风险的产品的监管,以确保各类产品能够高效、快捷、及时的供应。
针对上述问题,本发明提供的智慧供应链物流智能优化管理方法和系统,以解决智慧供应链物流智能优化管理过程中不能够及时的针对可能存在供应风险的产品规划相应的供应方案以提高对存在供应风险的产品的监管的问题。
在一些实施方式中,智慧供应链物流智能优化管理方法可以应用在智慧供应链物流智能优化管理设备,该智慧供应链物流智能优化管理设备可以是PC、便携计算机、移动终端等具有显示和处理功能的设备,当然也不限于此。
具体地,下面结合附图,对本申请实施例作进一步阐述。
请参照图1,图1为本申请智慧供应链物流智能优化管理方法第一实施例的流程示意图。本申请的实施例中,所述智慧供应链物流智能优化管理方法包括以下步骤S10-步骤S40:
步骤S10,获取物流产品供应链信息,所述供应链信息包括产品基础数据、供应链节点信息以及供应设备信息。
在本申请的实施例中,所述产品基础数据包括但不局限于所述物流产品的发货信息,收货信息、货物名称、货物体积、货物重量以及时限信息。
在物流产品供应时,供应链信息涵盖货物取件时填写的物流订单信息中所有信息,包括发货人信息、发货人地址信息、发货人联系信息、收货人信息、收货人地址信息、收货人联系信息、货物名称、货物体积、货物重量以及到货签收时限信息。其中,上述信息跟随物流订单信息录入供应链管理系统的存储服务器中。
与此同时,物流产品供应链信息还包括物流产品配送过程中,物流管理中心所搭建的各个物流配送中转和集散节点,以及物流配送过程中的车辆等供应设备信息,供应设备信息还包括通过GPS等进行定位的供应设备位置信息,将所述供应设备位置信息、物流配送中转和集散节点的位置信息同步加载于所述物流管理中心的全区域供应电子地图中,将物流产品供应链信息在全区域供应电子地图可视化展示。
步骤S20,根据所述供应链节点信息以及供应设备信息建立动态供应时间预警模型。
在一些实施例中,参见图2所示,根据所述供应链节点信息以及供应设备信息建立动态供应时间预警模型,所述动态供应时间预警模型的建立方法包括步骤S201-步骤S206:
步骤S201,获取物流供应的样本数据,所述样本数据包括供应路线信息以及供应时间信息;
步骤S202,将所述样本数据输入至构建的初始预测模型中进行向量表示,并学习供应路线信息和供应时间信息之间的映射关系;
步骤S203,通过所述样本数据量对所述初始预测模型进行训练,确定与所述样本数据对应的供应时间预测值,并获得所述样本数据对应的真实值;
步骤S204,根据所述预测值以及所述真实值,计算所述初始预测模型的预测损失值;
步骤S205,当所述预测损失值达到预设阈值时,将所述初始预测模型作为动态供应时间预警模型,完成模型训练;
步骤S206,根据获取的物流产品供应链信息,解析获取所述物流产品供应链信息的预测时限信息。
在本实施例中,通过采集的历史供应数据信息对预构建的初始预测模型进行训练,以得到动态供应时间预警模型。其中,所述供应路线信息包括物流供应的取货地址信息、送货地址信息、途经供应链节点信息以及供应设备信息。
其中,为了便于初始预测模型对输入的历史供应数据信息进行识别,首先通过构建的初始预测模型中的神经网络将输入的所述样本数据转化为对应的样本特征向量,所述样本特征向量包含途经所述取货地址信息、送货地址信息以及途经供应链节点信息的供应路线向量和供应时间信息之间的映射关系。
具体的,参见图3所示,将所述样本数据输入至构建的初始预测模型中进行向量表示,包括步骤S2021-步骤S2024:
步骤S2021,将获取的样本数据输入到构建的初始预测模型中的神经网络;
步骤S2022,将每条样本数据映射到所述初始预测模型的输入层,所述输入层包括位置嵌入层、路线嵌入层以及时间嵌入层;
步骤S2023,对映射到所述输入层的所述位置嵌入层、路线嵌入层以及时间嵌入层的样本数据分别进行向量表示;
步骤S2024,将所述位置嵌入层、路线嵌入层以及时间嵌入层的向量进行相加得到输入层向量,所述输入层向量为所述样本数据对应的特征向量。
在将样本数据输入到初始预测模型时,将每条样本数据映射到初始预测模型输入层的位置嵌入层、路线嵌入层以及时间嵌入层中,分别进行向量表示,并将位置嵌入层向量、路线嵌入层向量以及时间嵌入层向量相加得到输入层向量,从而将每条样本数据转化为初始预测模型可识别的特征向量。
示例性的,对样本数据中的供应时间信息进行离散化处理,每个时间段对应一个向量表示。例如将时间基于配送时间为以下4个时间段,每个时间段都由一个向量来表示。确定每个向量的维度,例如为64维,对每个供应时间信息的向量进行初始化,方法是在高斯分布上进行采样,得到初始化的每个时间段的向量表示。例如:
时间段 [0,12) : 例如对应向量A1,维度为64维;
时间段 [12,24) : 例如对应向量A2,维度为64维;
时间段 [24,48) : 例如对应向量A3,维度为64维;
时间段 [48,-) : 例如对应向量A4,维度为64维。
将0-12小时,12-24小时,24-48小时,48以上分别用不同的向量进行表示,进行向量表示。
在本申其的一些实施例中,参见图4所示,所述学习供应路线信息和供应时间信息之间的映射关系,包括步骤S2031-步骤S2033:
步骤S2031,将所述输入层向量的部分供应路线信息对应的供应时间信息隐藏;
步骤S2032,将隐藏后的供应路线信息对应的输入层向量输入至所述初始预测模型的隐藏层中,以生产与所述样本数据对应的预测值;
步骤S2033,将预测值与隐藏的供应时间信息的真实值对比,迭代更新所述隐藏层中参数,并学习所述供应路线信息与供应时间之间的关系;直至所述预测值与所述真实值之间的预测损失值大于预设阈值,完成训练。
在本申请的实施例中,所述初始预测模型的隐藏层为基于变换器的双向编码表征的深度学习网络结构,所述深度学习网络结构利用所述样本数据对应的供应路线信息以及供应时间信息,预测出所述样本数据中训练的供应时间信息目标。
示例性的,在模型的输入嵌入层中随机隐藏15%的向量,在初始预测模型的隐藏层中的最后一层中对这些隐藏的向量进行预测。通过隐藏任务来对模型的输入嵌入层的向量表示、以及模型隐藏层中的参数进行学习来对模型进行预训练。
步骤S30,根据所述动态供应时间预警模型读取所述产品基础数据,解析获取所述物流产品供应的时限信息对应的预警分析结果。
在一些实施例中,参见图5所示,解析获取所述物流产品供应的时限信息对应的预警分析结果,包括步骤S301-步骤S303:
步骤S301,获取所述供应链信息输入至所述动态供应时间预警模型中输出的供应时间预测信息;
步骤S302,将所述供应链信息中物流产品的时限信息与所述供应时间预测信息做差计算容错时间差值;
步骤S303,将所述容错时间差值与预设的风险评估分析条件对比,划分所述供应链信息对应的风险等级,并生成对应的预警分析结果。
在进行获取所述物流产品供应的时限信息对应的预警分析结果时,所述风险等级包括一级供应风险等级、二级供应风险等级、三级风险等级和低风险等级;所述一级供应风险等级是指风险评估分析条件对应的容错时间期限小于12小时;所述二级供应风险等级是指风险评估分析条件对应的容错时间期限小于24小时;所述三级供应风险等级是指风险评估分析条件对应的容错时间期限小于48小时;所述低风险等级是指风险评估分析条件对应的容错时间期限大于48小时。
步骤S40,根据预警分析结果划分物流供应等级,优化物流产品供应方案。
在一些实施例中,当所述对应一级供应风险等级、二级供应风险等级、三级风险等级和低风险等级时,优先对一级供应风险等级的物流产品进行供应,在确保一级供应风险等级物流产品安全配送的情况下,依次进行二、三级供应风险等级的供应,在无一、二、三级供应风险等级的产品下,对剩余物流产品进行统一分配后配送。
本发明提供的智慧供应链物流智能优化管理方法和系统,通过建立动态供应时间预警模型,对供应链物流管理中的众多的物流产品实现动态监督及优化,通过对每个物流产品进行预警分析,能够针对可能存在供应风险的产品规划相应的供应方案以提高对存在供应风险的产品的监管,确保各类产品能够在安全预警时限内实现高效、快捷、及时的供应,针对不同物流供应等级及时调整和优化物流产品供应方案,便于智慧供应链物流智能优化管理。
参见图6所示,本发明的一个实施例提供一种智慧供应链物流智能优化管理系统,该系统包括。
信息获取模块100,用于获取物流产品供应链信息,所述供应链信息包括产品基础数据、供应链节点信息以及供应设备信息。
在本申请实施例中,所述信息获取模块100在获取物流产品供应链信息时,供应链信息涵盖货物取件时填写的物流订单信息中所有信息,包括发货人信息、发货人地址信息、发货人联系信息、收货人信息、收货人地址信息、收货人联系信息、货物名称、货物体积、货物重量以及到货签收时限信息。其中,上述信息跟随物流订单信息录入供应链管理系统的存储服务器中。
数据分析模块200,用于根据建立的动态供应时间预警模型读取所述产品基础数据,解析获取所述物流产品供应的时限信息对应的预警分析结果。
在本申请实施例中,所述数据分析模块200在通过动态供应时间预警模型生成预警分析结果时,还包括根据所述供应链节点信息以及供应设备信息建立动态供应时间预警模型。
其中,在进行获取所述物流产品供应的时限信息对应的预警分析结果时,所述风险等级包括一级供应风险等级、二级供应风险等级、三级风险等级和低风险等级;所述一级供应风险等级是指风险评估分析条件对应的容错时间期限小于12小时;所述二级供应风险等级是指风险评估分析条件对应的容错时间期限小于24小时;所述三级供应风险等级是指风险评估分析条件对应的容错时间期限小于48小时;所述低风险等级是指风险评估分析条件对应的容错时间期限大于48小时。
优化管理模块300,用于根据预警分析结果划分物流供应等级,优化物流产品供应方案。
在在本申请实施例中,当所述对应一级供应风险等级、二级供应风险等级、三级风险等级和低风险等级时,优先对一级供应风险等级的物流产品进行供应,在确保一级供应风险等级物流产品安全配送的情况下,依次进行二、三级供应风险等级的供应,在无一、二、三级供应风险等级的产品下,对剩余物流产品进行统一分配后配送。
本发明的智慧供应链物流智能优化管理系统,通过建立动态供应时间预警模型,对供应链物流管理中的众多的物流产品实现动态监督及优化,通过对每个物流产品进行预警分析,能够针对可能存在供应风险的产品规划相应的供应方案以提高对存在供应风险的产品的监管,确保各类产品能够在安全预警时限内实现高效、快捷、及时的供应,针对不同物流供应等级及时调整和优化物流产品供应方案,便于智慧供应链物流智能优化管理。
需要特别说明的是,智慧供应链物流智能优化管理方法依据如前述实施例的一种智慧供应链物流智能优化管理方法进行执行,因此,本实施例中对智慧供应链物流智能优化管理方法的组成不再详细介绍。
应该理解的是,上述虽然是按照某一顺序描述的,但是这些步骤并不是必然按照上述顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,本实施例的一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,在本发明的实施例中还提供了一种计算机设备,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行所述的智慧供应链物流智能优化管理方法,该处理器执行指令时实现上述各方法实施例中的步骤:
获取物流产品供应链信息,所述供应链信息包括产品基础数据、供应链节点信息以及供应设备信息;
根据所述供应链节点信息以及供应设备信息建立动态供应时间预警模型;
根据所述动态供应时间预警模型读取所述产品基础数据,解析获取所述物流产品供应的时限信息对应的预警分析结果;
根据预警分析结果划分物流供应等级,优化物流产品供应方案。
在本发明的一个实施例中还提供了一种存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤:
获取物流产品供应链信息,所述供应链信息包括产品基础数据、供应链节点信息以及供应设备信息;
根据所述供应链节点信息以及供应设备信息建立动态供应时间预警模型;
根据所述动态供应时间预警模型读取所述产品基础数据,解析获取所述物流产品供应的时限信息对应的预警分析结果;
根据预警分析结果划分物流供应等级,优化物流产品供应方案。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
综上所述,本发明提供的智慧供应链物流智能优化管理方法和系统,通过建立动态供应时间预警模型,对供应链物流管理中的众多的物流产品实现动态监督及优化,通过对每个物流产品进行预警分析,能够针对可能存在供应风险的产品规划相应的供应方案以提高对存在供应风险的产品的监管,确保各类产品能够在安全预警时限内实现高效、快捷、及时的供应,针对不同物流供应等级及时调整和优化物流产品供应方案,便于智慧供应链物流智能优化管理。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种智慧供应链物流智能优化管理方法,其特征在于,该方法包括:
获取物流产品供应链信息,所述供应链信息包括产品基础数据、供应链节点信息以及供应设备信息;
根据所述供应链节点信息以及供应设备信息建立动态供应时间预警模型;
根据所述动态供应时间预警模型读取所述产品基础数据,解析获取所述物流产品供应的时限信息对应的预警分析结果;
根据预警分析结果划分物流供应等级,优化物流产品供应方案。
2.如权利要求1所述的智慧供应链物流智能优化管理方法,其特征在于,所述产品基础数据包括所述物流产品的发货信息,收货信息、货物名称、货物体积、货物重量以及时限信息。
3.如权利要求1所述的智慧供应链物流智能优化管理方法,其特征在于,根据所述供应链节点信息以及供应设备信息建立动态供应时间预警模型,所述动态供应时间预警模型的建立方法包括:
获取物流供应的样本数据,所述样本数据包括供应路线信息以及供应时间信息;
将所述样本数据输入至构建的初始预测模型中进行向量表示,并学习供应路线信息和供应时间信息之间的映射关系;
通过所述样本数据量对所述初始预测模型进行训练,确定与所述样本数据对应的供应时间预测值,并获得所述样本数据对应的真实值;
根据所述预测值以及所述真实值,计算所述初始预测模型的预测损失值;
当所述预测损失值达到预设阈值时,将所述初始预测模型作为动态供应时间预警模型,完成模型训练;
根据获取的物流产品供应链信息,解析获取所述物流产品供应链信息的预测时限信息。
4.如权利要求3所述的智慧供应链物流智能优化管理方法,其特征在于,所述供应路线信息包括物流供应的取货地址信息、送货地址信息、途经供应链节点信息以及供应设备信息。
5.如权利要求4所述的智慧供应链物流智能优化管理方法,其特征在于,通过构建的初始预测模型中的神经网络将输入的所述样本数据转化为对应的样本特征向量,所述样本特征向量包含途经所述取货地址信息、送货地址信息以及途经供应链节点信息的供应路线向量和供应时间信息之间的映射关系。
6.如权利要求5所述的智慧供应链物流智能优化管理方法,其特征在于,将所述样本数据输入至构建的初始预测模型中进行向量表示,包括:
将获取的样本数据输入到构建的初始预测模型中的神经网络;
将每条样本数据映射到所述初始预测模型的输入层,所述输入层包括位置嵌入层、路线嵌入层以及时间嵌入层;
对映射到所述输入层的所述位置嵌入层、路线嵌入层以及时间嵌入层的样本数据分别进行向量表示;
将所述位置嵌入层、路线嵌入层以及时间嵌入层的向量进行相加得到输入层向量,所述输入层向量为所述样本数据对应的特征向量。
7.如权利要求6所述的智慧供应链物流智能优化管理方法,其特征在于,所述学习供应路线信息和供应时间信息之间的映射关系,包括:
将所述输入层向量的部分供应路线信息对应的供应时间信息隐藏;
将隐藏后的供应路线信息对应的输入层向量输入至所述初始预测模型的隐藏层中,以生产与所述样本数据对应的预测值;
将预测值与隐藏的供应时间信息的真实值对比,迭代更新所述隐藏层中参数,并学习所述供应路线信息与供应时间之间的关系;直至所述预测值与所述真实值之间的预测损失值大于预设阈值,完成训练。
8.如权利要求7所述的智慧供应链物流智能优化管理方法,其特征在于,所述初始预测模型的隐藏层为基于变换器的双向编码表征的深度学习网络结构,所述深度学习网络结构利用所述样本数据对应的供应路线信息以及供应时间信息,预测出所述样本数据中训练的供应时间信息目标。
9.如权利要求8所述的智慧供应链物流智能优化管理方法,其特征在于,解析获取所述物流产品供应的时限信息对应的预警分析结果,包括:
获取所述供应链信息输入至所述动态供应时间预警模型中输出的供应时间预测信息;
将所述供应链信息中物流产品的时限信息与所述供应时间预测信息做差计算容错时间差值;
将所述容错时间差值与预设的风险评估分析条件对比,划分所述供应链信息对应的风险等级,并生成对应的预警分析结果。
10.一种智慧供应链物流智能优化管理系统,其特征在于,所述智慧供应链物流智能优化管理系统用于执行权利要求1-9中任意一项所述智慧供应链物流智能优化管理方法以完成供应链管理操作;所述智慧供应链物流智能优化管理系统,包括:
信息获取模块,用于获取物流产品供应链信息,所述供应链信息包括产品基础数据、供应链节点信息以及供应设备信息;
数据分析模块,用于根据建立的动态供应时间预警模型读取所述产品基础数据,解析获取所述物流产品供应的时限信息对应的预警分析结果;
优化管理模块,用于根据预警分析结果划分物流供应等级,优化物流产品供应方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210294506.2A CN114399123B (zh) | 2022-03-24 | 2022-03-24 | 一种智慧供应链物流智能优化管理方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210294506.2A CN114399123B (zh) | 2022-03-24 | 2022-03-24 | 一种智慧供应链物流智能优化管理方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114399123A true CN114399123A (zh) | 2022-04-26 |
CN114399123B CN114399123B (zh) | 2022-06-21 |
Family
ID=81234325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210294506.2A Active CN114399123B (zh) | 2022-03-24 | 2022-03-24 | 一种智慧供应链物流智能优化管理方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114399123B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115310916A (zh) * | 2022-10-10 | 2022-11-08 | 深圳四通仓储物流有限公司 | 一种物流供应链状态的显示方法和显示系统 |
CN117114384A (zh) * | 2023-09-08 | 2023-11-24 | 深圳达普信科技有限公司 | 基于大数据的多维度数字化供应链流程优化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200074274A1 (en) * | 2018-08-28 | 2020-03-05 | Beijing Jingdong Shangke Information Technology Co., Ltd. | System and method for multi-horizon time series forecasting with dynamic temporal context learning |
CN111344726A (zh) * | 2017-08-28 | 2020-06-26 | 谷歌有限责任公司 | 自动化设施之间的动态卡车路线规划 |
CN113052441A (zh) * | 2021-03-09 | 2021-06-29 | 中国安全生产科学研究院 | 一种应急食品供应风险分析方法 |
CN113869722A (zh) * | 2021-09-27 | 2021-12-31 | 青岛海尔工业智能研究院有限公司 | 基于工业互联网的家电供应链风险预警系统、方法及设备 |
CN114140048A (zh) * | 2021-11-25 | 2022-03-04 | 安徽博洛克供应链科技股份有限公司 | 一种供应链平台 |
-
2022
- 2022-03-24 CN CN202210294506.2A patent/CN114399123B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111344726A (zh) * | 2017-08-28 | 2020-06-26 | 谷歌有限责任公司 | 自动化设施之间的动态卡车路线规划 |
US20200074274A1 (en) * | 2018-08-28 | 2020-03-05 | Beijing Jingdong Shangke Information Technology Co., Ltd. | System and method for multi-horizon time series forecasting with dynamic temporal context learning |
CN113052441A (zh) * | 2021-03-09 | 2021-06-29 | 中国安全生产科学研究院 | 一种应急食品供应风险分析方法 |
CN113869722A (zh) * | 2021-09-27 | 2021-12-31 | 青岛海尔工业智能研究院有限公司 | 基于工业互联网的家电供应链风险预警系统、方法及设备 |
CN114140048A (zh) * | 2021-11-25 | 2022-03-04 | 安徽博洛克供应链科技股份有限公司 | 一种供应链平台 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115310916A (zh) * | 2022-10-10 | 2022-11-08 | 深圳四通仓储物流有限公司 | 一种物流供应链状态的显示方法和显示系统 |
CN115310916B (zh) * | 2022-10-10 | 2023-01-13 | 深圳四通仓储物流有限公司 | 一种物流供应链状态的显示方法和显示系统 |
CN117114384A (zh) * | 2023-09-08 | 2023-11-24 | 深圳达普信科技有限公司 | 基于大数据的多维度数字化供应链流程优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114399123B (zh) | 2022-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114399123B (zh) | 一种智慧供应链物流智能优化管理方法和系统 | |
US10268740B2 (en) | 3D analytics actionable solution support system and apparatus | |
Nyrkov et al. | Mathematical models for solving problems of reliability maritime system | |
CN107067107B (zh) | 一种物流订单拆单方法及装置 | |
Stålhane et al. | A dual-level stochastic fleet size and mix problem for offshore wind farm maintenance operations | |
Farchi et al. | A comparative study on AI-based algorithms for cost prediction in pharmaceutical transport logistics | |
CN113780956A (zh) | 物流运费生成方法、装置、设备及存储介质 | |
CN114548839B (zh) | 基于风险分级和定位的危险货物集装箱落水分类救援方法 | |
CN116777324A (zh) | 一种物流网络调度的方法和装置 | |
CN115905958A (zh) | 一种虚假妥投行为的判别方法和装置 | |
CN114881563A (zh) | 一种第三方物流平台的选择方法及设备 | |
Khakbaz et al. | Maritime empty container repositioning: a problem review | |
CN115375237A (zh) | 一种冷链物流智能管理方法、系统、设备和存储介质 | |
Ergin et al. | Selection of container port using ELECTRE technique | |
CN113610373A (zh) | 基于智能制造的信息决策处理方法及系统 | |
Tadić et al. | City logistics terminal location selection using combined fuzzy AHP and fuzzy TOPSIS analysis | |
CN110991952A (zh) | 一种跨境物流模式选择方法和装置 | |
Syafrianita et al. | A combined fuzzy AHP with fuzzy TOPSIS to locate industrial supporting bonded logistics centers | |
Barton et al. | Text Mining in Scientific Literature Evaluation: Extraction of Keywords for Describing Content | |
Karasek et al. | Logistic warehouse process optimization through genetic programming algorithm | |
CN116992550B (zh) | 油气化工码头数字化交付码头对象分类方法 | |
Jahromi et al. | A combined extent fuzzy AHP and simulation method for selecting stacking layout type in marine container terminals | |
Dossou et al. | Decision aided tool for a SME supply chain sustainable digital transformation | |
Eisen et al. | An Evaluation of First-Come, First-Served Scheduling in a Geometrically-Constrained Wet Bulk Terminal | |
Inoue et al. | A multistage logistics system design problem with inventory considering demand change by hybrid genetic algorithm |
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 |