CN114819845A - 基于大数据的秸秆车辆协同调度系统 - Google Patents
基于大数据的秸秆车辆协同调度系统 Download PDFInfo
- Publication number
- CN114819845A CN114819845A CN202210530364.5A CN202210530364A CN114819845A CN 114819845 A CN114819845 A CN 114819845A CN 202210530364 A CN202210530364 A CN 202210530364A CN 114819845 A CN114819845 A CN 114819845A
- Authority
- CN
- China
- Prior art keywords
- dispatching
- vehicle
- straw
- module
- deviation
- 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
- 239000010902 straw Substances 0.000 title claims abstract description 60
- 238000004458 analytical method Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 22
- 239000003999 initiator Substances 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 15
- 238000012544 monitoring process Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 11
- 238000007726 management method Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000013439 planning Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 238000012384 transportation and delivery Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 2
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003860 storage Methods 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于大数据的秸秆车辆协同调度系统,涉及仓储物流技术领域,包括调度决策模块、行车分析模块以及预警分析模块;调度决策模块用于获取物流需求、运输秸秆车辆数据以及客户标签并代入调度决策模型,生成标准调度参数;调度中心用于根据标准调度参数派发相应物流订单,并生成调度事件历史数据反馈至调度决策模块,对客户标签和调度决策模型不断训练,持续改进,达到最佳调度效果;行车分析模块用于获取对应的最优配送路径信息并结合调度车辆的实时位姿信息对调度车辆的偏离值作出分析,一旦偏离,及时预警,有效提高配送效率;预警分析模块用于根据车辆偏离信息对驾驶员进行预警系数分析,及时轮换,有效提高驾驶安全和配送效率。
Description
技术领域
本发明涉及仓储物流技术领域,具体是基于大数据的秸秆车辆协同调度系统。
背景技术
随着互联网科技的进步,物流行业得到了快速发展。仓储物流主要包括货物装卸搬运、配送、储存、管理等,货物能够快速准确的配送到堆放点或者对应的仓库是仓储物流的重要部分。而仓储物流配送主要涉及车辆调度问题,而影响车辆配送效率的因素有很多,如配送路径、仓库车流、配送车辆等。
目前,仓储物流的配送过程中通常是人为选择配送路径或配送车辆,而人为选择路径或配送车辆无法智能识别用户的准确需求,并在众多资源当中匹配到最合适的,配送效率不高;基于以上不足,本发明提供一种基于大数据的秸秆车辆协同调度系统。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出基于大数据的秸秆车辆协同调度系统。
为实现上述目的,根据本发明的第一方面的实施例提出基于大数据的秸秆车辆协同调度系统,包括调度决策模块、位姿获取模块、行车分析模块、预警监测模块以及预警分析模块;
所述调度决策模块与调度中心相连接,用于获取物流需求、运输秸秆车辆数据以及客户标签并代入调度决策模型,生成标准调度参数并分享至调度中心;所述调度中心用于根据标准调度参数派发相应物流订单,并生成调度事件历史数据反馈至数据中心模块和调度决策模块;
所述位姿获取模块用于获取调度车辆行驶过程中的实时位姿信息;所述行车分析模块用于获取对应的最优配送路径信息并结合调度车辆的实时位姿信息对调度车辆的偏离值作出分析,若偏离值PL≥预设偏离阈值,则判定调度车辆发生车道偏离,生成偏离预警信号;
所述预警监测模块用于对调度车辆进行偏离预警监测,当监测到偏离预警信号时,记录车辆偏离信息并将车辆偏离信息打上时间戳存储至调度中心;所述预警分析模块用于根据调度中心存储的带有时间戳的车辆偏离信息对驾驶员进行预警系数分析;若预警系数ZT≥预警阈值,则表明驾驶员状态不佳,疲劳驾驶,生成轮换信号。
进一步地,所述调度决策模块的具体决策步骤为:
获取调度事件历史数据,所述调度事件历史数据包括调度事件历史参数以及对应的物流需求、运输秸秆车辆数据以及发起者的个性偏好;其中调度事件历史数据为已经完成的车辆调度事件记录;其中调度事件历史参数包括秸秆车辆调度数量以及每辆调度车辆的车辆类型和运载秸秆的能力;
根据调度事件历史数据建立参数训练集,建立误差逆向传播神经网络模型;误差逆向传播神经网络模型至少包括一层隐含层;
将参数训练集按照设定比例划分为训练集、测试集和校验集,
通过训练集、测试集和校验集对误差逆向传播神经网络进行训练、测试和校验,将完成训练的误差逆向传播神经网络标记为调度决策模型;
将调度决策模块获取的物流需求、运输秸秆车辆数据以及客户标签作为输入数据代入调度决策模型中,输出对应的调度事件参数并标记为标准调度参数。
进一步地,所述行车分析模块的具体分析步骤为:
步骤一:获取调度车辆实时位置的坐标(Xi,Yi);将点(Xi,Yi)标记为验证点;获取对应的最优配送路径中与调度车辆实时位置对应的参考点并标记为(Xi',Yi');验证距离Li=[(Xi-Xi')2+(Yi-Yi')2]1/2;
其中参考点的获取准则为:获取最优配送路径中与点(Xi,Yi)若干不重合的对应点,计算对应点与参考点的距离,将距离最小的对应点标记为参考点;
步骤二:获取调度车辆与最优配送路径的偏离角度θ,具体包括:
获取最优配送路径在参考点处的切线,该切线与调度车辆当前航向角的夹角即为此时调度车辆的偏离角度θ;
步骤三:将调度车辆当前速度标记为Vi,将调度车辆当前加速度标记为VTi;利用公式PL=Li×a1+θ×a2+Vi×a3+VTi×a4计算得到调度车辆的偏离值PL,其中a1、a2、a3、a4均为系数因子。
进一步地,所述预警分析模块的具体分析步骤为:
在调度车辆行驶过程中,根据时间戳,获取该调度车辆在预设时间段内的车辆偏离信息;统计车辆偏离次数为C1,将对应的偏离时长进行累加得到偏离总时长CT;将相邻的偏离时刻进行时间差计算得到偏离间隔Gi;
将偏离间隔Gi与间隔阈值相比较;统计Gi小于间隔阈值的次数为C2;当Gi小于间隔阈值时,将Gi与间隔阈值的差值进行求和得到差隔值GZ;利用公式GK=C2×b1+GZ×b2计算得到差隔系数GK,其中b1、b2为系数因子;利用公式计算得到驾驶员的预警系数ZT,其中b3、b4为系数因子。
进一步地,还包括运单创建模块,所述运单创建模块用于发起者录入物流需求并根据物流需求创建物流订单分享至调度中心;所述物流需求包括秸秆总量、起运地、目的地、运输时间以及发起者对车辆的需求数量。
进一步地,还包括车辆管理模块,所述车辆管理模块用于获取运输秸秆车辆数据并将获取到的运输秸秆车辆数据分享至调度中心;所述运输秸秆车辆数据包括运输秸秆车辆的数量、车辆类型和运载秸秆的能力以及车辆距离发起者的距离。
进一步地,还包括数据中心模块,所述数据中心模块用于通过信息交互渠道获取发起者的调度事件历史参数并进行分析,生成客户标签并分享至调度中心所述述客户标签包括发起者的个性偏好。
进一步地,还包括路线规划模块,所述路线规划模块用于获取物流订单的起运地、目的地以及运输时间,并调用GPS地图的道路坐标信息;然后基于从发起地到目的地的运输时间和道路坐标信息采用自适应蚁群算法计算得到最优配送路径信息并分享至调度中心。
与现有技术相比,本发明的有益效果是:
1、本发明中数据中心模块用于通过信息交互渠道获取发起者的调度事件历史参数并进行分析,生成客户标签;调度决策模块用于获取物流需求、运输秸秆车辆数据以及客户标签并代入调度决策模型中,输出对应的标准调度参数,调度中心用于根据标准调度参数派发相应物流订单,并生成调度事件历史数据反馈至数据中心模块和调度决策模块,对客户标签和调度决策模型不断训练,持续改进,达到最佳调度效果;
2、本发明路线规划模块用于获取物流订单的起运地、目的地以及运输时间,并调用GPS地图的道路坐标信息;然后基于从发起地到目的地的运输时间和道路坐标信息采用自适应蚁群算法计算得到最优配送路径信息;行车分析模块用于获取对应的最优配送路径信息并结合调度车辆的实时位姿信息对调度车辆的偏离值作出分析,若偏离值PL≥预设偏离阈值,则判定调度车辆发生车道偏离,生成偏离预警信号,以提醒驾驶员调度车辆发生了车道偏离,建议尽快采取措施回归最优配送路径,缩短配送时间,有效提高配送效率;
3、本发明中预警监测模块用于对调度车辆进行偏离预警监测,当监测到偏离预警信号时,记录车辆偏离信息;预警分析模块用于对车辆偏离信息对驾驶员进行预警系数分析,结合车辆偏离次数、偏离总时长以及对应的差隔系数,计算得到驾驶员的预警系数ZT,若ZT≥预警阈值,则表明驾驶员状态不佳,疲劳驾驶,生成轮换信号;调度中心接收轮换信号后安排轮换人员至最近的服务区与对应驾驶员进行轮换,有效提高驾驶安全和配送效率。
附图说明
为了更清楚地说明本发明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,下面描述中的附图仅仅是本发明的一些实施例,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为本发明的系统框图。
具体实施方式
下面将结合实施例对本发明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它实施例,都属于本发明保护的范围。
如图1所示,基于大数据的秸秆车辆协同调度系统,包括运单创建模块、调度中心、车辆管理模块、数据中心模块、调度决策模块、路线规划模块、位姿获取模块、行车分析模块、报警模块、预警监测模块以及预警分析模块;
运单创建模块用于发起者录入物流需求并根据物流需求创建物流订单分享至调度中心,物流需求包括秸秆总量、起运地、目的地、运输时间、发起者对车辆的需求数量等货运信息;
车辆管理模块用于获取运输秸秆车辆数据并将获取到的运输秸秆车辆数据分享至调度中心;运输秸秆车辆数据包括运输秸秆车辆的数量、车辆类型和运载秸秆的能力以及车辆距离发起者的距离;
数据中心模块用于通过信息交互渠道获取发起者的调度事件历史参数并进行分析,生成客户标签并分享至调度中心;客户标签包括发起者的个性偏好(车辆类型偏好、运输时间偏好等);其中调度事件历史参数包括秸秆车辆调度数量以及每辆调度车辆的车辆类型和运载秸秆的能力;
调度决策模块与调度中心相连接,用于获取物流需求、运输秸秆车辆数据以及客户标签生成调度事件参数;具体步骤为:
获取调度事件历史数据,调度事件历史数据包括调度事件历史参数以及对应的物流需求、运输秸秆车辆数据以及发起者的个性偏好;其中调度事件历史数据为已经完成的车辆调度事件记录;
根据调度事件历史数据建立参数训练集,建立误差逆向传播神经网络模型;误差逆向传播神经网络模型至少包括一层隐含层;
将参数训练集按照设定比例划分为训练集、测试集和校验集,
通过训练集、测试集和校验集对误差逆向传播神经网络进行训练、测试和校验,将完成训练的误差逆向传播神经网络标记为调度决策模型;
将调度决策模块获取的物流需求、运输秸秆车辆数据以及客户标签作为输入数据代入调度决策模型中,输出对应的调度事件参数并标记为标准调度参数;
调度决策模块用于将标准调度参数分享至调度中心,调度中心用于根据标准调度参数派发相应物流订单,并生成调度事件历史数据反馈至数据中心模块和调度决策模块,对客户标签和调度决策模型不断训练,持续改进,达到最佳调度效果;
路线规划模块用于获取物流订单的起运地、目的地以及运输时间,并调用GPS地图的道路坐标信息;然后基于从发起地到目的地的运输时间和道路坐标信息采用自适应蚁群算法计算得到最优配送路径信息,最后将最优配送路径信息经调度中心发送至对应调度车辆终端,以便调度车辆按照最优配送路径进行配送任务;
在本实施例中,通过物联网等技术,系统可以实时掌握调度车辆位置等信息,判断调度车辆是否处于规定的路线中,一旦偏离,及时预警,有效提高配送效率;
其中,位姿获取模块用于获取调度车辆行驶过程中的实时位姿信息,并将位姿信息传输至行车分析模块,位姿信息包括位置信息、加速度、速度以及航向角;行车分析模块用于获取对应的最优配送路径信息并结合调度车辆的实时位姿信息对调度车辆的偏离值作出分析,具体分析步骤为:
步骤一:获取调度车辆实时位置的坐标(Xi,Yi);将点(Xi,Yi)标记为验证点;获取对应的最优配送路径中与调度车辆实时位置对应的参考点并标记为(Xi',Yi');验证距离Li=[(Xi-Xi')2+(Yi-Yi')2]1/2;
其中参考点的获取准则为:获取最优配送路径中与点(Xi,Yi)若干不重合的对应点,计算对应点与参考点的距离,将距离最小的对应点标记为参考点;步骤二:获取调度车辆与最优配送路径的偏离角度θ,具体包括:
获取最优配送路径在参考点处的切线,该切线与调度车辆当前航向角的夹角即为此时调度车辆的偏离角度θ;
步骤三:将调度车辆当前速度标记为Vi,将调度车辆当前加速度标记为VTi;将验证距离、偏离角度、速度和加速度进行归一化处理并取其数值,利用公式PL=Li×a1+θ×a2+Vi×a3+VTi×a4计算得到调度车辆的偏离值PL,其中a1、a2、a3、a4均为系数因子;
步骤四:将偏离值PL与预设偏离阈值相比较;
若PL≥预设偏离阈值,则判定调度车辆发生车道偏离,生成偏离预警信号,并将偏离预警信号发送至调度中心;调度中心接收到偏离预警信号后控制报警模块发出警报,并在对应调度车辆的仪表盘图像帧中标识偏离预警信息,提醒驾驶员调度车辆发生了车道偏离,需要采取措施回归最优配送路径,缩短配送时间,有效提高配送效率;
预警监测模块用于对调度车辆进行偏离预警监测,当监测到偏离预警信号时,记录车辆偏离信息并将车辆偏离信息打上时间戳存储至调度中心;其中车辆偏离信息包括偏离时刻以及对应的偏离时长;
预警分析模块用于根据调度中心存储的带有时间戳的车辆偏离信息对驾驶员进行预警系数分析,具体分析步骤为:
在调度车辆行驶过程中,根据时间戳,获取该调度车辆在预设时间段内的车辆偏离信息;统计车辆偏离次数为C1,将对应的偏离时长进行累加得到偏离总时长CT;
将相邻的偏离时刻进行时间差计算得到偏离间隔Gi;将偏离间隔Gi与间隔阈值相比较;统计Gi小于间隔阈值的次数为C2;当Gi小于间隔阈值时,将Gi与间隔阈值的差值进行求和得到差隔值GZ;利用公式GK=C2×b1+GZ×b2计算得到差隔系数GK,其中b1、b2为系数因子;
将预警系数ZT与预警阈值相比较,若ZT≥预警阈值,则表明驾驶员状态不佳,疲劳驾驶,生成轮换信号;
预警分析模块用于将轮换信号发送至调度车辆终端和调度中心,以提醒驾驶员将调度车辆开至最近的服务区;同时调度中心接收轮换信号后安排轮换人员至最近的服务区与对应驾驶员进行轮换,提高驾驶安全和配送效率。
上述公式均是去除量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式,公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
本发明的工作原理:
基于大数据的秸秆车辆协同调度系统,在工作时,运单创建模块用于发起者录入物流需求并根据物流需求创建物流订单;车辆管理模块用于获取运输秸秆车辆数据;数据中心模块用于通过信息交互渠道获取发起者的调度事件历史参数并进行分析,生成客户标签;调度决策模块用于获取物流需求、运输秸秆车辆数据以及客户标签生成调度事件参数,首先获取调度事件历史数据并建立参数训练集,建立误差逆向传播神经网络模型;通过训练集、测试集和校验集对误差逆向传播神经网络进行训练、测试和校验,将完成训练的误差逆向传播神经网络标记为调度决策模型;将调度决策模块获取的物流需求、运输秸秆车辆数据以及客户标签作为输入数据代入调度决策模型中,输出对应的调度事件参数并标记为标准调度参数;调度中心用于根据标准调度参数派发相应物流订单,并生成调度事件历史数据反馈至数据中心模块和调度决策模块,对客户标签和调度决策模型不断训练,持续改进,达到最佳调度效果;
路线规划模块用于获取物流订单的起运地、目的地以及运输时间,并调用GPS地图的道路坐标信息;然后基于从发起地到目的地的运输时间和道路坐标信息采用自适应蚁群算法计算得到最优配送路径信息;位姿获取模块用于获取调度车辆行驶过程中的实时位姿信息,并将位姿信息传输至行车分析模块,行车分析模块用于获取对应的最优配送路径信息并结合调度车辆的实时位姿信息对调度车辆的偏离值作出分析,若偏离值PL≥预设偏离阈值,则判定调度车辆发生车道偏离,生成偏离预警信号,以提醒驾驶员调度车辆发生了车道偏离,建议尽快采取措施回归最优配送路径,缩短配送时间,有效提高配送效率;
预警监测模块用于对调度车辆进行偏离预警监测,当监测到偏离预警信号时,记录车辆偏离信息;预警分析模块用于对车辆偏离信息对驾驶员进行预警系数分析,结合车辆偏离次数、偏离总时长以及对应的差隔系数,计算得到驾驶员的预警系数ZT,若ZT≥预警阈值,则表明驾驶员状态不佳,疲劳驾驶,生成轮换信号;调度中心接收轮换信号后安排轮换人员至最近的服务区与对应驾驶员进行轮换,有效提高驾驶安全和配送效率。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”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发明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一定指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何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (8)
1.基于大数据的秸秆车辆协同调度系统,其特征在于,包括调度决策模块、位姿获取模块、行车分析模块、预警监测模块以及预警分析模块;
所述调度决策模块与调度中心相连接,用于获取物流需求、运输秸秆车辆数据以及客户标签并代入调度决策模型,生成标准调度参数并分享至调度中心;所述调度中心用于根据标准调度参数派发相应物流订单,并生成调度事件历史数据反馈至数据中心模块和调度决策模块;
所述位姿获取模块用于获取调度车辆行驶过程中的实时位姿信息;所述行车分析模块用于获取对应的最优配送路径信息并结合调度车辆的实时位姿信息对调度车辆的偏离值作出分析,若偏离值PL≥预设偏离阈值,则判定调度车辆发生车道偏离,生成偏离预警信号;
所述预警监测模块用于对调度车辆进行偏离预警监测,当监测到偏离预警信号时,记录车辆偏离信息并将车辆偏离信息打上时间戳存储至调度中心;所述预警分析模块用于根据调度中心存储的带有时间戳的车辆偏离信息对驾驶员进行预警系数分析;若预警系数ZT≥预警阈值,则表明驾驶员状态不佳,疲劳驾驶,生成轮换信号。
2.根据权利要求1所述的基于大数据的秸秆车辆协同调度系统,其特征在于,所述调度决策模块的具体决策步骤为:
获取调度事件历史数据,所述调度事件历史数据包括调度事件历史参数以及对应的物流需求、运输秸秆车辆数据以及发起者的个性偏好;其中调度事件历史数据为已经完成的车辆调度事件记录;其中调度事件历史参数包括秸秆车辆调度数量以及每辆调度车辆的车辆类型和运载秸秆的能力;
根据调度事件历史数据建立参数训练集,建立误差逆向传播神经网络模型;误差逆向传播神经网络模型至少包括一层隐含层;
将参数训练集按照设定比例划分为训练集、测试集和校验集,
通过训练集、测试集和校验集对误差逆向传播神经网络进行训练、测试和校验,将完成训练的误差逆向传播神经网络标记为调度决策模型;
将调度决策模块获取的物流需求、运输秸秆车辆数据以及客户标签作为输入数据代入调度决策模型中,输出对应的调度事件参数并标记为标准调度参数。
3.根据权利要求1所述的基于大数据的秸秆车辆协同调度系统,其特征在于,所述行车分析模块的具体分析步骤为:
步骤一:获取调度车辆实时位置的坐标(Xi,Yi);将点(Xi,Yi)标记为验证点;获取对应的最优配送路径中与调度车辆实时位置对应的参考点并标记为(Xi',Yi');验证距离Li=[(Xi-Xi')2+(Yi-Yi')2]1/2;
其中参考点的获取准则为:获取最优配送路径中与点(Xi,Yi)若干不重合的对应点,计算对应点与参考点的距离,将距离最小的对应点标记为参考点;
步骤二:获取调度车辆与最优配送路径的偏离角度θ,具体包括:
获取最优配送路径在参考点处的切线,该切线与调度车辆当前航向角的夹角即为此时调度车辆的偏离角度θ;
步骤三:将调度车辆当前速度标记为Vi,将调度车辆当前加速度标记为VTi;利用公式PL=Li×a1+θ×a2+Vi×a3+VTi×a4计算得到调度车辆的偏离值PL,其中a1、a2、a3、a4均为系数因子。
5.根据权利要求2所述的基于大数据的秸秆车辆协同调度系统,其特征在于,还包括运单创建模块,所述运单创建模块用于发起者录入物流需求并根据物流需求创建物流订单分享至调度中心;所述物流需求包括秸秆总量、起运地、目的地、运输时间以及发起者对车辆的需求数量。
6.根据权利要求2所述的基于大数据的秸秆车辆协同调度系统,其特征在于,还包括车辆管理模块,所述车辆管理模块用于获取运输秸秆车辆数据并将获取到的运输秸秆车辆数据分享至调度中心;所述运输秸秆车辆数据包括运输秸秆车辆的数量、车辆类型和运载秸秆的能力以及车辆距离发起者的距离。
7.根据权利要求2所述的基于大数据的秸秆车辆协同调度系统,其特征在于,还包括数据中心模块,所述数据中心模块用于通过信息交互渠道获取发起者的调度事件历史参数并进行分析,生成客户标签并分享至调度中心;所述客户标签包括发起者的个性偏好。
8.根据权利要求3所述的基于大数据的秸秆车辆协同调度系统,其特征在于,还包括路线规划模块,所述路线规划模块用于获取物流订单的起运地、目的地以及运输时间,并调用GPS地图的道路坐标信息;然后基于从发起地到目的地的运输时间和道路坐标信息采用自适应蚁群算法计算得到最优配送路径信息并分享至调度中心。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210530364.5A CN114819845A (zh) | 2022-05-16 | 2022-05-16 | 基于大数据的秸秆车辆协同调度系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210530364.5A CN114819845A (zh) | 2022-05-16 | 2022-05-16 | 基于大数据的秸秆车辆协同调度系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114819845A true CN114819845A (zh) | 2022-07-29 |
Family
ID=82516226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210530364.5A Pending CN114819845A (zh) | 2022-05-16 | 2022-05-16 | 基于大数据的秸秆车辆协同调度系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114819845A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115660534A (zh) * | 2022-12-15 | 2023-01-31 | 浙江蓝景科技有限公司杭州分公司 | 一种海洋云仓污染物转运车辆调度及预警方法、系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110052054A (ko) * | 2009-11-12 | 2011-05-18 | 부산대학교 산학협력단 | 운송 물류 네트워크 관리 시스템 및 그 방법 |
CN106203740A (zh) * | 2016-08-08 | 2016-12-07 | 广东工业大学 | 一种仓储物流车辆调度方法和系统 |
CN108496377A (zh) * | 2016-01-26 | 2018-09-04 | 北京嘀嘀无限科技发展有限公司 | 监控在途中的交通工具的系统和方法 |
CN109979222A (zh) * | 2017-12-27 | 2019-07-05 | 广州智盈网络科技有限公司 | 一种智能车辆跟踪调度方法及系统 |
CN113469614A (zh) * | 2021-06-11 | 2021-10-01 | 上海东普信息科技有限公司 | 行驶路线的动态调整方法、装置、设备及存储介质 |
-
2022
- 2022-05-16 CN CN202210530364.5A patent/CN114819845A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110052054A (ko) * | 2009-11-12 | 2011-05-18 | 부산대학교 산학협력단 | 운송 물류 네트워크 관리 시스템 및 그 방법 |
CN108496377A (zh) * | 2016-01-26 | 2018-09-04 | 北京嘀嘀无限科技发展有限公司 | 监控在途中的交通工具的系统和方法 |
CN106203740A (zh) * | 2016-08-08 | 2016-12-07 | 广东工业大学 | 一种仓储物流车辆调度方法和系统 |
CN109979222A (zh) * | 2017-12-27 | 2019-07-05 | 广州智盈网络科技有限公司 | 一种智能车辆跟踪调度方法及系统 |
CN113469614A (zh) * | 2021-06-11 | 2021-10-01 | 上海东普信息科技有限公司 | 行驶路线的动态调整方法、装置、设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115660534A (zh) * | 2022-12-15 | 2023-01-31 | 浙江蓝景科技有限公司杭州分公司 | 一种海洋云仓污染物转运车辆调度及预警方法、系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2017100444A4 (en) | Dynamic Learning Driving System And Method | |
US11530961B2 (en) | Vehicle vocation system | |
CN106651602A (zh) | 一种基于adas智能车载终端的车险管理服务系统 | |
CN114021810B (zh) | 一种数字孪生料场管理系统 | |
US20120109721A1 (en) | Improvements relating to efficient transport | |
CN105897729A (zh) | 一种基于物联网的智慧环卫系统 | |
Loske et al. | Intelligent and efficient? An empirical analysis of human–AI collaboration for truck drivers in retail logistics | |
CN113743812A (zh) | 基于智慧园区的运载车辆装载量调度方法及中心云平台 | |
CN110349427A (zh) | 一种基于大数据的智慧交通管理系统 | |
CN110012069A (zh) | 一种车辆数据处理装置、方法及车辆监控平台 | |
CN115375234A (zh) | 基于gnss的运输车辆运行轨迹规划方法 | |
CN114819845A (zh) | 基于大数据的秸秆车辆协同调度系统 | |
CN116629738A (zh) | 一种物流路径优化方法、相关方法、装置、设备及介质 | |
CN113963787A (zh) | 一种救护车智能调度方法 | |
CN116415319A (zh) | 一种散货堆场的模型构建方法及装置 | |
CN116206463A (zh) | 一种公共道路作业车辆调度系统 | |
CN114897359A (zh) | 多维数据下整车运力调度方法 | |
Bergvall et al. | The economic impact of autonomous vehicles in the logistics industry | |
CN108009671A (zh) | 车辆的调度方法及装置 | |
Li et al. | Towards an integrated mobility and logistics network for autonomous vehicles: Review and opportunities of the agent-based approach | |
Makarova et al. | Improving the reliability of autonomous vehicles in a branded service system using big data | |
CN117649116B (zh) | 一种大数据物流管理系统 | |
CN108898334B (zh) | 基于车联网的运输结算系统 | |
EP3819838A1 (en) | Method for classifying trade industry of a vehicle | |
CN117670182A (zh) | 一种基于物联网的物流调度系统 |
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 |