CN115600943A - 一种基于深度学习的智慧物流包裹运输风险预警及调整方法 - Google Patents

一种基于深度学习的智慧物流包裹运输风险预警及调整方法 Download PDF

Info

Publication number
CN115600943A
CN115600943A CN202211103790.7A CN202211103790A CN115600943A CN 115600943 A CN115600943 A CN 115600943A CN 202211103790 A CN202211103790 A CN 202211103790A CN 115600943 A CN115600943 A CN 115600943A
Authority
CN
China
Prior art keywords
early warning
data
logistics
driver
internet
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
Application number
CN202211103790.7A
Other languages
English (en)
Inventor
王红平
何引军
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202211103790.7A priority Critical patent/CN115600943A/zh
Publication of CN115600943A publication Critical patent/CN115600943A/zh
Pending legal-status Critical Current

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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06Q10/0635—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
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Abstract

本发明通过对物流包裹运输相关数据集的采集，并将其上传到物联网云预警平台，进行深度学习计算与分析，根据多数据分析结果得到对应的物流运输预警类型，实现了对物流包裹运输风险的准确预测，根据物流包裹运输风险预测提示内容及时进行调整；在其预测过程中以基于深度学习技术物联网云预警平台为处理相关数据集，不断优及改进数据处理模型；在对物流包裹运输风险预测确定后，还将预测值与真实情况进行新的计算及补充到原有的数据库；不仅会节约大量的计算数据及分析时长，还提高预测效果作用，使得物流包裹运输风险预警具有可靠的正确率。

Description

一种基于深度学习的智慧物流包裹运输风险预警及调整方法
技术领域
本发明属于智慧物流包裹运输风险预警及调整技术领域，具体而言，涉及一种基于深度学习的智慧物流包裹运输风险预警及调整方法。
背景技术
物流运输与我们的日常生活有着十分密切的联系，对人们提高生产效率和方便生活都起着非常重要的作用；一旦物流运输出现了运行异常,就会严重降低人们的生活便利性，也单独增加费用开支；因此为了让物流运输在出现异常之前，需要结合相关数据计算可以有预测性的给出预警提示及调整操作，降低物流运输异常发生率；
但是对物流包裹运输风险预警来说，在采集相关数据集单一的前提下，很容易盲目地进行风险预测；这种盲目物流包裹运输风险预测极容易导致驾驶人员对情况的误判，造成严重的危险事故；一方面云端涉及的相关数据集较少，不能对物流包裹运输风险预警提示更准确预测；不仅会浪费大量的计算数据及分析时长，降低预测效果作用；另一方面预测值与真实情况没有进行新的计算及补充到原有的数据库，对数据库不能贴近现实实时更新，预测数值会慢慢和实际情况相差较大。
发明内容
本发明是基于上述技术问题，针对的物流包裹运输风险预警使用提出的一种基于深度学习的智慧物流包裹运输风险预警及调整方法；不仅提高了物流包裹运输风险预警正确率，还能够对数据库能贴近现实实时更新，补充到原有的数据库。
本发明是这样实现的：
本发明的提出一种基于深度学习的智慧物流包裹运输风险预警及调整方法，该方法应用了信息数据采集器、物联网云预警平台和终端设备信息接收器；其特征在于，所述方法包括以下步骤：
步骤1:运输包裹货物入库时，根据货物特征状况仓储在智能物流柜；
步骤2：人员驾驶物流运输车在装载智能物流柜运输途中时，涉及物流运行中相关数据集实时上传到物联网云预警平台计算及分析，根据数据结果判断是否应该给出预警提示；预警提示的操作方法如下：
步骤2.1：涉及物流运行中相关数据集实时上传到物联网云预警平台；
步骤2.2：基于深度学习技术的物联网云预警平台对相关数据集进行计算处理及分析；
步骤2.3：根据计算结果判断是否需要对物流运输进行预警；
步骤3：物流运输发生预警提示时，涉及相关的数据集全部自动保存到物联网云预警平台；对物流运输预警类型进行识别判断，若为天气因素预警，则从中物联网云预警平台提取对应的处理方法，进而按照该处理方法进行调整，并执行步骤4；若为驾驶人员因素预警，则从中物联网云调控管理平台提取对应的处理方法，进而按照该处理方法进行调整，并执行步骤5；若为物流运输车因素预警，则从中物联网云调控管理平台提取对应的处理方法，进而按照该处理方法进行调整，并执行步骤6；若为运输周边因素预警，则从中物联网云调控管理平台提取对应的处理方法，进而按照该处理方法进行调整，并执行步骤7；若为多重预警同时发生，原则上以驾驶人员因素预警、物流运输车因素预警、运输周边因素预警和天气因素预警为前后顺序预警提示，驾驶人员确认并逐步排除预警提示内容；
步骤4：终端设备信息接收器对驾驶人员提醒为天气因素预警，驾驶人员可根据天气因素预警信息内容进行排查因天气因素而引发的风险，逐步按照预警提示信息操作，驾驶人员对排查的每一项的流程进行确认点击，做好相应的天气应急措施；若驾驶人员对预警信息正常时间范围时间不处理，物联网云预警平台将对驾驶人员进行预警询问；
步骤5：终端设备信息接收器对驾驶人员提醒为驾驶人员因素预警，运输中的物流运输车车速进行缓慢减速，直至停止；首先保证驾驶人员生命特征数据在正常值内，物流运输车才可以正常启动；此时驾驶人员可根据驾驶人员因素预警信息内容进行排查，逐步按照预警提示信息操作，驾驶人员对排查的每一项的流程进行确认点击；若驾驶人员对预警信息正常时间范围时间不处理，物联网云预警平台将对驾驶人员进行预警询问；
步骤6：终端设备信息接收器对驾驶人员提醒为物流运输车因素预警，运输中的物流运输车车速进行缓慢减速，直至停止；驾驶人员可根据物流运输车因素预警信息内容进行排查，此是物流运输车自动上传到数据，逐步按照预警提示信息操作，驾驶人员对排查的每一项的流程进行确认点击；若驾驶人员对预警信息正常时间范围时间不处理，物联网云预警平台将对驾驶人员进行预警询问；
步骤7：终端设备信息接收器对驾驶人员提醒为运输周边因素预警，驾驶人员可根据运输周边因素预警信息内容进行排查，逐步按照预警提示信息操作，驾驶人员对排查的每一项的流程进行确认点击；若驾驶人员对预警信息正常时间范围时间不处理，物联网云预警平台将对驾驶人员进行预警询问；
步骤8：物联网云预警平台上发布的预警信息与物流运输实际发生的结果数据进行保留，更新后的数据库在物联网云预警平台重新进行深度学习。
根据本发明方面的一种能够实现的方式，所述步骤1中包裹货物特征状况和智能物流柜具体操作方法包括：
根据包裹货物特征入库，比如包裹货物大小，体积状态等；对包裹货物数据采集值标记为
Figure BDA0003840489250000041
其中β＝0，1,2,...,n；包裹货物仓储在智能物流柜，实时采集智能物流柜内部数据信息。比如温度，湿度，受力值等；对智能物流柜采集到的值标记为Xɑ，其中ɑ＝0，1,2,...,n；智能物流柜对包裹进行智能化保存，依据包裹物品特有的舒适环境进行智能调控。
根据本发明方面的一种能够实现的方式，所述步骤2.1中相关数据集和物联网云预警平台对应的具体操作方法包括：
物联网云预警平台：数据集合模块，数据处理模块，数据分析模块，预警信息发布模块等模块；对物联网云预警平台模块划分标记值为μi，其中i＝0，1,2,...,n；相关数据集包括：人员生物数据，物流运输车行驶数据，天气数据和周边路况数据等；对相关数据集标记为λj，其中j＝1，2,3,...,n。
根据本发明方面的一种能够实现的方式，其特征在于：所述步骤2.2中基于深度学习技术的物联网云预警平台对数据的预处理操作方法包括：
深度学习数据处理流程：获取到的数据集进行数据集加载、数据集预处理、神经网络模型训练下得出是否需要预警信息；模型训练和真实情况数据误差的计算，此算法可以对神经网络模型改进及优化；利用优化后的模型实现对物流运输车的准确风险预警；对数据集的预处理具体操作；
数据标准化后，不仅能够更好统一表达各种不同量纲下的数据，还能消除奇异数据，减小数据中的离群点对模型训练的影响；也能让模型的收敛更加稳定；数据标准化不只是发生在数据出入网络模型之前，更多的是在网络模型中对数据进行标准化操作。一般来说在数据输入网络模型之前，对数据进行标准化处理是为了统一原始数据的量纲，减小异常数据对于模型训练的影响，更好的获取数据中有效的特征；
在网络模型训练过程中，对网络层中的特征数据进行标准化是为了防止模型在训练过程中出现梯度爆炸、梯度弥散等情况的发生，也能在一定程度上防止模型的过拟合。在训练过程中做了数据标准化后还会加快模型的训练速度；
数据格式的转化需要从物联网云预警平台的数据库中提取出相关数据集与风险预测值，根据深度学习的任务属性，数据集包括人员生物数据，物流运输车行驶数据，天气数据和周边路况数据等；对相关数据集标记为λj，其中j＝1，2,3,...,n；对风险预测值标记为l；λj和l都从一维数值变成二维数组，两个数值都转换为数组格式：
Figure BDA0003840489250000061
其中m＝1,2，3,...,m；
此数组中出现了j组特征向量[λj1,λj2,λj3,....,λjm-1.λjm]作为特征数据集，j组特征向量代表了多个特征数据集包括人员生物数据，物流运输车行驶数据，天气数据和周边路况数据等；每一个特征数据集又含有多个具体记录数值[λj1,λj2,λj3,....,λjm-1.λjm]；
Figure BDA0003840489250000062
[lj]代表j个特征数据集包括人员生物数据，物流运输车行驶数据，天气数据和周边路况数据等对物流包裹风险预测值；
数据的归一化其实就是把数据映射到一个固定的范围，是归纳统一样本的统计分布性；主要目的是将数据的范围缩小至0-1之间，因而对数据绝对值的大小不敏感，这样可以减小不同特征因为自身数值的大小给预测带来的影响；
算法公式：λ'j＝λj-λjmin/λjmax-λjmin
λ'j为特征归一化后的数值，λj、λjmin和λjmax分别为记录开始特征数值，记录开始特征数值最小值和记录开始特征数值最大值。
根据本发明方面的一种能够实现的方式，其特征在于：所述步骤2.2中基于深度学习技术的物联网云预警平台对应的建立神经网络模型和计算及分析处理具体操作方法包括：
会对数据进行切分，按照模型训练和使用的流程，我们一般会按照训练集、验证集、测试集的需求将数据分割为4：2：2到6：1：1之间的比例，根据具体需求也会有其他比例的分割，各类数据之间是没有交集的，分割的目的是为了更好利用数据，让模型能够学习到更多的数据特征，同时又能验证模型的性能，测试模型在实际环境中使用情况；
训练集一般是需要经过模型反向传播算法更新梯度来学习数据特征的，而验证集只需要经过前向模型输出结果即可，目的就是验证训练的结果是否达标，而测试集就是就是在模型经过验证合格后再进行的最后测试；
如果参与训练的数据本来就少，可以采用交叉验证的方法；交叉验证，顾名思义就是把训练数据和验证数据交叉使用，从而来提高数据的利用率；比如将数据切割成8份，让模型训练八次，第一次训练时先拿出前7份参与训练，第8份用来验证，获得一个验证分数；第二次训练拿出前6份和第8份来参与训练，第7份用来验证，获得第二个验证分数，以此类推，在训练集和验证集数据不重合的前提下，所有数据都能参与训练和验证，从而获取8次验证的分数，最后将获取的8次验证分数做平均，拿到最终的验证分数，这样在利用小数据的情况下也能做到比较精准的验证分数；
根据算法公式：
Figure BDA0003840489250000081
E代表物流运行中的相关数据集中的每个类的最终验证分数；Ei代表物流运行中的相关数据集中的每个类总的验证分数；
建立深度神经网络模型，然后进行模型反复训练；相关数据集匹配到物联网云预警平台里深度学习模型，根据训练好的模型，预测出多个数据集对物流包裹运输风险的概率，结合深度学习模型对多个数据集风险概率进行风险因素预警。
根据本发明方面的一种能够实现的方式，所述步骤3中终端设备信息接收器预警方式对应的具体操作方法包括：
终端设备信息接收器预警方式可以设定为字慕、灯光闪烁、声音响铃和振动等方式；终端设备信息接收器预警方式标记值为：σm，
其中m＝0，1,2,...,n。
根据本发明方面的一种能够实现的方式，所述步骤8中方式对应的更新后的数据库重新进行深度学习具体操作方法包括：
预测值数据与实际情况数据计算RMSD：
Figure BDA0003840489250000091
利用RMSD数值可以比较好的评价该风险预测回归模型的性能，也可以以此为依据进行算法的改进和模型的优化；当后续预测数据到来时，可直接调用此训练模型，将新的相关数据集预测特征数据输入，会得到准确的风险预测数据。
基于上述任一方面，本发明的有益效果为：
1.本发明通过对物流包裹运输相关数据集的采集，并将其上传到物联网云预警平台，进行深度学习计算与分析，根据多数据分析结果得到对应的物流运输预警类型，实现了对物流包裹运输风险的准确预测，在其预测过程中以基于深度学习技术物联网云预警平台为处理相关数据集，不断优化及改进数据处理模型；云端涉及的相关数据集较多且密度高，能对物流包裹运输风险预警提示更准确预测；不仅会节约大量的计算数据及分析时长，还提高预测效果作用，使得物流包裹运输风险预警具有可靠的正确率。
2.本发明在对物流包裹运输风险预测确定后，还将预测值与真实情况进行新的计算及补充到原有的数据库；在提高预测结果准确度的同时，进而有效避免了对数据库不能贴近现实实时更新，预测数值会慢慢和实际情况相差较大和盲目对物流包裹运输风险预测极容易导致驾驶人员对情况的误判，造成严重的危险事故；让物流运输在出现异常之前，需要结合相关数据计算可以有预测性的给出预警提示及调整操作，降低物流运输异常发生率；根据物流包裹运输风险预测提示内容及时进行调整。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1为本发明的方法实施步骤流程图。
具体实施方式
下面将结合本发明实施以上内容仅仅是对本发明的构思所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的构思或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。
结合图1，一种基于深度学习的智慧物流包裹运输风险预警及调整方法，该方法应用了信息数据采集器、物联网云预警平台和终端设备信息接收器；所述方法包括以下步骤：
步骤1:运输包裹货物入库时，根据货物特征状况仓储在智能物流柜；
在本发明的具体实施例中，所述步骤1中包裹货物特征状况和智能物流柜具体操作方法包括：
根据包裹货物特征入库，比如包裹货物大小，体积状态等；对包裹货物数据采集值标记为
Figure BDA0003840489250000111
其中β＝0，1,2,...,n；包裹货物仓储在智能物流柜，实时采集智能物流柜内部数据信息。比如温度，湿度，受力值等；对智能物流柜采集到的值标记为Xɑ，其中ɑ＝0，1,2,...,n；智能物流柜对包裹进行智能化保存，依据包裹物品特有的舒适环境进行智能调控。
步骤2：人员驾驶物流运输车在装载智能物流柜运输途中时，涉及物流运行中相关数据集实时上传到物联网云预警平台计算及分析，根据数据结果判断是否应该给出预警提示；预警提示的操作方法如下：
步骤2.1：涉及物流运行中相关数据集实时上传到物联网云预警平台；
在本发明的具体实施例中，所述步骤2.1中相关数据集和物联网云预警平台对应的具体操作方法包括：
物联网云预警平台包括：数据集合模块，数据处理模块，数据分析模块，预警信息发布模块等模块；对物联网云预警平台模块划分标记值为μi，其中i＝0，1,2,...,n；相关数据集包括：人员生物数据，物流运输车行驶数据，天气数据和周边路况数据等；对相关数据集标记为λj，其中j＝1，2,3,...,n。
步骤2.2：基于深度学习技术的物联网云预警平台对相关数据集进行计算处理及分析；
在本发明的具体实施例中，所述步骤2.2中基于深度学习技术的物联网云预警平台对数据的预处理操作方法包括:
深度学习数据处理流程：获取到的数据集进行数据集加载、数据集预处理、神经网络模型训练下得出是否需要预警信息；模型训练和真实情况数据误差的计算，此算法可以对神经网络模型改进及优化；利用优化后的模型实现对物流运输车的准确风险预警；对数据集的预处理具体操作：
数据格式的转化需要从物联网云预警平台的数据库中提取出相关数据集与风险预测值，根据深度学习的任务属性，数据集包括人员生物数据，物流运输车行驶数据，天气数据和周边路况数据等；对相关数据集标记为λj，其中j＝1，2,3,...,n；对风险预测值标记为l；λj和l都从一维数值变成二维数组，两个数值都转换为数组格式：
Figure BDA0003840489250000121
其中m＝1,2，3,...,m；
此数组中出现了j组特征向量[λj1,λj2,λj3,....,λjm-1.λjm]作为特征数据集，j组特征向量代表了多个特征数据集包括人员生物数据，物流运输车行驶数据，天气数据和周边路况数据等；每一个特征数据集又含有多个具体记录数值[λj1,λj2,λj3,....,λjm-1.λjm]；
Figure BDA0003840489250000131
[lj]代表j个特征数据集包括人员生物数据，物流运输车行驶数据，天气数据和周边路况数据等对物流包裹风险预测值；
数据的归一化其实就是把数据映射到一个固定的范围，是归纳统一样本的统计分布性；主要目的是将数据的范围缩小至0-1之间，因而对数据绝对值的大小不敏感，这样可以减小不同特征因为自身数值的大小给预测带来的影响；
算法公式：λ'j＝λj-λjmin/λjmax-λjmin
λ'j为特征归一化后的数值，λj、λjmin和λjmax分别为记录开始特征数值，记录开始特征数值最小值和记录开始特征数值最大值；
在本发明的具体实施例中，其特征在于：所述步骤2.2中基于深度学习技术的物联网云预警平台对应的建立神经网络模型和计算及分析处理具体操作方法包括：
数据进行切分，按照模型训练和使用的流程，按照训练集、验证集、测试集的需求将数据分割为4：2：2到6：1：1之间的比例，根据具体需求也会有其他比例的分割，各类数据之间是没有交集的，分割的目的是为了更好利用数据，让模型能够学习到更多的数据特征，同时又能验证模型的性能，测试模型在实际环境中使用情况；
训练集一般是需要经过模型反向传播算法更新梯度来学习数据特征的，而验证集只需要经过前向模型输出结果即可，目的就是验证训练的结果是否达标，而测试集就是就是在模型经过验证合格后再进行的最后测试；
如果参与训练的数据本来就少，可以采用交叉验证的方法；交叉验证，顾名思义就是把训练数据和验证数据交叉使用，从而来提高数据的利用率；比如将数据切割成8份，让模型训练八次，第一次训练时先拿出前7份参与训练，第8份用来验证，获得一个验证分数；第二次训练拿出前6份和第8份来参与训练，第7份用来验证，获得第二个验证分数，以此类推，在训练集和验证集数据不重合的前提下，所有数据都能参与训练和验证，从而获取8次验证的分数，最后将获取的8次验证分数做平均，拿到最终的验证分数，这样在利用小数据的情况下也能做到比较精准的验证分数；
根据算法公式：
Figure BDA0003840489250000141
E代表物流运行中的相关数据集中的每个类的最终验证分数；E i代表物流运行中的相关数据集中的每个类总的验证分数；
建立深度神经网络模型，然后进行模型反复训练；相关数据集匹配到物联网云预警平台里深度学习模型，根据训练好的模型，预测出多个数据集对物流包裹运输风险的概率，结合深度学习模型对多个数据集风险概率进行风险因素预警。
步骤2.3：根据计算结果判断是否需要对物流运输进行预警；
步骤3：物流运输发生预警提示时，涉及相关的数据集全部自动保存到物联网云预警平台；对物流运输预警类型进行识别判断，若为天气因素预警，则从中物联网云预警平台提取对应的处理方法，进而按照该处理方法进行调整，并执行步骤4；若为驾驶人员因素预警，则从中物联网云调控管理平台提取对应的处理方法，进而按照该处理方法进行调整，并执行步骤5；若为物流运输车因素预警，则从中物联网云调控管理平台提取对应的处理方法，进而按照该处理方法进行调整，并执行步骤6；若为运输周边因素预警，则从中物联网云调控管理平台提取对应的处理方法，进而按照该处理方法进行调整，并执行步骤7；若为多重预警同时发生，原则上以驾驶人员因素预警、物流运输车因素预警、运输周边因素预警和天气因素预警为前后顺序预警提示，驾驶人员确认并逐步排除预警提示内容；
在本发明的具体实施例中，所述步骤3中终端设备信息接收器预警方式对应的具体操作方法包括：
终端设备信息接收器预警方式可以设定为字慕、灯光闪烁、声音响铃和振动等方式；终端设备信息接收器预警方式标记值为：σm，其中m＝0，1,2,...,n。
步骤4：终端设备信息接收器对驾驶人员提醒为天气因素预警，驾驶人员可根据天气因素预警信息内容进行排查因天气因素而引发的风险，逐步按照预警提示信息操作，驾驶人员对排查的每一项的流程进行确认点击，做好相应的天气应急措施；若驾驶人员对预警信息正常时间范围时间不处理，物联网云预警平台将对驾驶人员进行预警询问；
步骤5：终端设备信息接收器对驾驶人员提醒为驾驶人员因素预警，运输中的物流运输车车速进行缓慢减速，直至停止；首先保证驾驶人员生命特征数据在正常值内，物流运输车才可以正常启动；此时驾驶人员可根据驾驶人员因素预警信息内容进行排查，逐步按照预警提示信息操作，驾驶人员对排查的每一项的流程进行确认点击；若驾驶人员对预警信息正常时间范围时间不处理，物联网云预警平台将对驾驶人员进行预警询问；
步骤6：终端设备信息接收器对驾驶人员提醒为物流运输车因素预警，运输中的物流运输车车速进行缓慢减速，直至停止；驾驶人员可根据物流运输车因素预警信息内容进行排查，此是物流运输车自动上传到数据，逐步按照预警提示信息操作，驾驶人员对排查的每一项的流程进行确认点击；若驾驶人员对预警信息正常时间范围时间不处理，物联网云预警平台将对驾驶人员进行预警询问；
步骤7：终端设备信息接收器对驾驶人员提醒为运输周边因素预警，驾驶人员可根据运输周边因素预警信息内容进行排查，逐步按照预警提示信息操作，驾驶人员对排查的每一项的流程进行确认点击；若驾驶人员对预警信息正常时间范围时间不处理，物联网云预警平台将对驾驶人员进行预警询问；
步骤8：物联网云预警平台上发布的预警信息与物流运输实际发生的结果数据进行保留，更新后的数据库在物联网云预警平台重新进行深度学习。
在本发明的具体实施例中，所述步骤8中方式对应的更新后的数据库重新进行深度学习具体操作方法包括：
预测值数据与实际情况数据计算RMSD：
Figure BDA0003840489250000171
利用RMSD数值可以比较好的评价该风险预测回归模型的性能，也可以以此为依据进行算法的改进和模型的优化；当后续预测数据到来时，可直接调用此训练模型，将新的相关数据集预测特征数据输入，会得到准确的风险预测数据。
本发明通过对物流包裹运输相关数据集的采集，并将其上传到物联网云预警平台，进行深度学习计算与分析，根据多数据分析结果得到对应的物流运输预警类型，实现了对物流包裹运输风险的准确预测，根据物流包裹运输风险预测提示内容及时进行调整；在其预测过程中以基于深度学习技术物联网云预警平台为处理相关数据集，不断优化及改进数据处理模型；一方面云端涉及的相关数据集多，能对物流包裹运输风险预警提示更准确预测；不仅会节约大量的计算数据及分析时长，提高预测效果作用；另一方面预测值与真实情况进行新的计算及补充到原有的数据库，对数据库贴近现实实时更新，能对物流包裹运输风险预警提示更准确预测。
以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (9)

1.一种基于深度学习的智慧物流包裹运输风险预警及调整方法，该方法应用了信息数据采集器、物联网云预警平台和终端设备信息接收器；其特征在于，所述方法包括以下步骤：
步骤1:运输包裹货物入库时，根据货物特征状况仓储在智能物流柜；
步骤2：人员驾驶物流运输车在装载智能物流柜运输途中时，涉及物流运行中相关数据集实时上传到物联网云预警平台计算及分析，根据数据结果判断是否应该给出预警提示；预警提示的操作方法如下：
步骤2.1：涉及物流运行中相关数据集实时上传到物联网云预警平台；
步骤2.2：基于深度学习技术的物联网云预警平台对相关数据集进行计算处理及分析；
步骤2.3：根据计算结果判断是否需要对物流运输进行预警；
步骤3：物流运输发生预警提示时，涉及相关的数据集全部自动保存到物联网云预警平台；对物流运输预警类型进行识别判断，若为天气因素预警，则从中物联网云预警平台提取对应的处理方法，进而按照该处理方法进行调整，并执行步骤4；若为驾驶人员因素预警，则从中物联网云调控管理平台提取对应的处理方法，进而按照该处理方法进行调整，并执行步骤5；若为物流运输车因素预警，则从中物联网云调控管理平台提取对应的处理方法，进而按照该处理方法进行调整，并执行步骤6；若为运输周边因素预警，则从中物联网云调控管理平台提取对应的处理方法，进而按照该处理方法进行调整，并执行步骤7；若为多重预警同时发生，原则上以驾驶人员因素预警、物流运输车因素预警、运输周边因素预警和天气因素预警为前后顺序预警提示，驾驶人员确认并逐步排除预警提示内容；
步骤4：终端设备信息接收器对驾驶人员提醒为天气因素预警，驾驶人员可根据天气因素预警信息内容进行排查因天气因素而引发的风险，逐步按照预警提示信息操作，驾驶人员对排查的每一项的流程进行确认点击，做好相应的天气应急措施；若驾驶人员对预警信息正常时间范围时间不处理，物联网云预警平台将对驾驶人员进行预警询问；
步骤5：终端设备信息接收器对驾驶人员提醒为驾驶人员因素预警，运输中的物流运输车车速进行缓慢减速，直至停止；首先保证驾驶人员生命特征数据在正常值内，物流运输车才可以正常启动；此时驾驶人员可根据驾驶人员因素预警信息内容进行排查，逐步按照预警提示信息操作，驾驶人员对排查的每一项的流程进行确认点击；若驾驶人员对预警信息正常时间范围时间不处理，物联网云预警平台将对驾驶人员进行预警询问；
步骤6：终端设备信息接收器对驾驶人员提醒为物流运输车因素预警，运输中的物流运输车车速进行缓慢减速，直至停止；驾驶人员可根据物流运输车因素预警信息内容进行排查，此是物流运输车自动上传到数据，逐步按照预警提示信息操作，驾驶人员对排查的每一项的流程进行确认点击；若驾驶人员对预警信息正常时间范围时间不处理，物联网云预警平台将对驾驶人员进行预警询问；
步骤7：终端设备信息接收器对驾驶人员提醒为运输周边因素预警，驾驶人员可根据运输周边因素预警信息内容进行排查，逐步按照预警提示信息操作，驾驶人员对排查的每一项的流程进行确认点击；若驾驶人员对预警信息正常时间范围时间不处理，物联网云预警平台将对驾驶人员进行预警询问；
步骤8：物联网云预警平台上发布的预警信息与物流运输实际发生的结果数据进行保留，更新后的数据库在物联网云预警平台重新进行深度学习。
2.根据权利要求1所述的一种基于深度学习的智慧物流包裹运输风险预警及调整方法，其特征在于：所述步骤1中包裹货物特征状况和智能物流柜具体操作方法包括：
根据包裹货物特征入库，比如包裹货物大小，体积状态等；对包裹货物数据采集值标记为
Figure FDA0003840489240000031
其中β＝0，1,2,...,n；包裹货物仓储在智能物流柜，实时采集智能物流柜内部数据信息。比如温度，湿度，受力值等；对智能物流柜采集到的值标记为Xɑ，其中ɑ＝0，1,2,...,n；智能物流柜对包裹进行智能化保存，依据包裹物品特有的舒适环境进行智能调控。
3.根据权利要求1所述的一种基于深度学习的智慧物流包裹运输风险预警及调整方法，其特征在于：所述步骤2.1中相关数据集和物联网云预警平台对应的具体操作方法包括：
物联网云预警平台包括：数据集合模块，数据处理模块，数据分析模块，预警信息发布模块等模块；对物联网云预警平台模块划分标记值为μi，其中i＝0，1,2,...,n；相关数据集包括：人员生物数据，物流运输车行驶数据，天气数据和周边路况数据等；对相关数据集标记为λj，其中j＝1，2,3,...,n。
4.根据权利要求1所述的一种基于深度学习的智慧物流包裹运输风险预警及调整方法，其特征在于：所述步骤2.2中基于深度学习技术的物联网云预警平台对数据的预处理操作方法包括：
数据格式的转化需要从物联网云预警平台的数据库中提取出相关数据集与风险预测值，根据深度学习的任务属性，数据集包括人员生物数据，物流运输车行驶数据，天气数据和周边路况数据等；对相关数据集标记为λj，其中j＝1，2,3,...,n；对风险预测值标记为l；λj和l都从一维数值变成二维数组，两个数值都转换为数组格式：
Figure FDA0003840489240000041
其中m＝1,2，3,...,m；
此数组中出现了j组特征向量[λj1,λj2,λj3,....,λjm-1.λjm]作为特征数据集，j组特征向量代表了多个特征数据集包括人员生物数据，物流运输车行驶数据，天气数据和周边路况数据等；每一个特征数据集又含有多个具体记录数值[λj1,λj2,λj3,....,λjm-1.λjm]；
Figure FDA0003840489240000051
[lj]代表j个特征数据集包括人员生物数据，物流运输车行驶数据，天气数据和周边路况数据等对物流包裹风险预测值；
算法公式：λ'j＝λj-λjmin/λjmax-λjmin
λ'j为特征归一化后的数值，λj、λjmin和λjmax分别为记录开始特征数值，记录开始特征数值最小值和记录开始特征数值最大值。
5.根据权利要求1所述的一种基于深度学习的智慧物流包裹运输风险预警及调整方法，其特征在于：所述步骤2.2中基于深度学习技术的物联网云预警平台对应的建立神经网络模型和计算及分析处理具体操作方法包括：
建立深度神经网络模型，然后进行模型反复训练；相关数据集匹配到物联网云预警平台里深度学习模型，根据训练好的模型，预测出多个数据集对物流包裹运输风险的概率，结合深度学习模型对多个数据集风险概率进行风险因素预警。
6.根据权利要求1所述的一种基于深度学习的智慧物流包裹运输风险预警及调整方法，其特征在于：所述步骤3中终端设备信息接收器预警方式对应的具体操作方法包括：
终端设备信息接收器预警方式可以设定为字慕、灯光闪烁、声音响铃和振动等方式；终端设备信息接收器预警方式标记值为：σm，其中m＝0，1,2,...,n。
7.根据权利要求1所述的一种基于深度学习的智慧物流包裹运输风险预警及调整方法，其特征在于：所述步骤8中方式对应的更新后的数据库重新进行深度学习具体操作方法包括：
预测值数据与实际情况数据计算RMSD：
Figure FDA0003840489240000061
利用RMSD数值可以比较好的评价该风险预测回归模型的性能，也可以以此为依据进行算法的改进和模型的优化；当后续预测数据到来时，可直接调用此训练模型，将新的相关数据集预测特征数据输入，会得到准确的风险预测数据。
8.一种云端系统，其特征在于：根据物联网云预警平台中的多模块数据处理，包括：数据集合模块，数据处理模块，数据分析模块，预警信息发布模块等模块；上传的相关数据集基于深度学习的反复训练模型对包裹物流的精准预测；通过所述云端软件计算及分析对包裹物流运输的风险预警及调整，以执行上述权利要求1-7任一项所述的方法。
9.一种云端系统，其特征在于：所述云端在网络下，依靠云端计算及分析服务程序对包裹物流运输的风险预警及调整实现上述权利要求1-7任一项所述的方法。
CN202211103790.7A 2022-09-09 2022-09-09 一种基于深度学习的智慧物流包裹运输风险预警及调整方法 Pending CN115600943A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211103790.7A CN115600943A (zh) 2022-09-09 2022-09-09 一种基于深度学习的智慧物流包裹运输风险预警及调整方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211103790.7A CN115600943A (zh) 2022-09-09 2022-09-09 一种基于深度学习的智慧物流包裹运输风险预警及调整方法

Publications (1)

Publication Number Publication Date
CN115600943A true CN115600943A (zh) 2023-01-13

Family

ID=84842761

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211103790.7A Pending CN115600943A (zh) 2022-09-09 2022-09-09 一种基于深度学习的智慧物流包裹运输风险预警及调整方法

Country Status (1)

Country Link
CN (1) CN115600943A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117389256A (zh) * 2023-12-11 2024-01-12 青岛盈智科技有限公司 一种运输过程中货车车辆状态的预警方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117389256A (zh) * 2023-12-11 2024-01-12 青岛盈智科技有限公司 一种运输过程中货车车辆状态的预警方法
CN117389256B (zh) * 2023-12-11 2024-03-08 青岛盈智科技有限公司 一种运输过程中货车车辆状态的预警方法

Similar Documents

Publication Publication Date Title
CN111814956B (zh) 一种基于多维度二次特征提取的多任务学习的空气质量预测方法
CN113807973B (zh) 文本纠错方法、装置、电子设备及计算机可读存储介质
WO2021189769A1 (zh) 低负载信息预测方法、装置、计算机系统及可读存储介质
CN115310674A (zh) 基于并行神经网络模型LDformer的长时间序列预测方法
CN111738532A (zh) 一种事件对对象影响度的获取方法和系统
CN115600943A (zh) 一种基于深度学习的智慧物流包裹运输风险预警及调整方法
CN116310718A (zh) 一种基于YOLOv5模型的害虫目标检测方法、系统及设备
CN115457982A (zh) 情感预测模型的预训练优化方法、装置、设备及介质
CN114997916A (zh) 潜在用户的预测方法、系统、电子设备和存储介质
CN113658002B (zh) 基于决策树的交易结果生成方法、装置、电子设备及介质
CN113128769A (zh) 基于深度学习的智能航班延误预测方法
CN114818685B (zh) 关键词提取方法、装置、电子设备及存储介质
CN113469237B (zh) 用户意图识别方法、装置、电子设备及存储介质
CN114360652B (zh) 细胞株相似性评价方法及相似细胞株培养基配方推荐方法
CN115857314A (zh) 一种基于边缘计算的养殖管理方法及系统
CN112363465B (zh) 一种专家规则集训练方法、训练器和工业设备预警系统
CN113361768A (zh) 一种粮食库健康状况预测方法，存储设备及服务器
CN113222471A (zh) 一种基于新媒体数据的资产风控方法及设备
CN111178630A (zh) 一种负荷预测方法及装置
CN112906398B (zh) 句子语义匹配方法、系统、存储介质和电子设备
CN113689301B (zh) 赔付策略的构建方法、装置、设备及存储介质
CN117435730A (zh) 一种铁路调度命令文本分类方法及装置
CN117475299A (zh) 一种基于YOLOv8的玉米叶片虫害区域检测方法
CN117391257A (zh) 一种道路拥堵情况的预测方法及装置
CN117764704A (zh) 基于大数据的风险管理方法及装置、电子设备、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