CN115660535B - 物流信息的预测方法、装置和计算机可读存储介质 - Google Patents
物流信息的预测方法、装置和计算机可读存储介质 Download PDFInfo
- Publication number
- CN115660535B CN115660535B CN202211671706.1A CN202211671706A CN115660535B CN 115660535 B CN115660535 B CN 115660535B CN 202211671706 A CN202211671706 A CN 202211671706A CN 115660535 B CN115660535 B CN 115660535B
- Authority
- CN
- China
- Prior art keywords
- event
- node
- cargo
- field
- determining
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 34
- 230000004044 response Effects 0.000 claims abstract description 19
- 238000013499 data model Methods 0.000 claims description 37
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000000903 blocking effect Effects 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000003032 molecular docking Methods 0.000 description 5
- 230000000977 initiatory effect Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种物流信息的预测方法、装置和计算机可读存储介质,涉及智慧物流、计算机技术领域。本公开的方法包括:获取物流网络的起始节点的货物信息、物流网络中每个节点进行货物处理的每个事件所需的参数作为参考数据;根据参考数据、每个事件的运行逻辑和事件之间的逻辑关系,确定每个事件的触发时刻,并推进每个事件;针对起始节点之后每个节点,响应于该节点的预设事件的触发,确定该节点的物流信息,其中,物流信息包括到货信息。
Description
技术领域
本公开涉及智慧物流、计算机技术领域,特别涉及一种物流信息的预测方法、装置和计算机可读存储介质。
背景技术
在快递、快运等物流网络的计划工作中,通常需要对节点(如分拣中心、转运中心等)的到货量等物流信息进行预测。在日常的场地生产活动中,需要根据物流信息安排所需要的资源,并对生产策略做出调整。如遇突发事件,导致物流网络中各个节点的物流信息出现短时内的剧烈波动,进而对分拣、中转场等场地的生产调整带来很大的难度,可以根据物流信息进行提前预测或预警。
相关技术中,对物流信息的预测方法包括:针对单个节点根据历史物流信息使用机器学习模型进行预测。
发明内容
发明人发现:现有的物流信息的预测方法多应用于物流网络的起始节点,而针对起始节点之后的节点,由于没有考虑受节点之间的影响等因素,造成物流信息预测不准确。
本公开所要解决的一个技术问题是:如何提高对起始节点之后的节点的物流信息进行预测的准确性。
根据本公开的一些实施例,提供的一种物流信息的预测方法,包括:获取物流网络的起始节点的货物信息、物流网络中每个节点进行货物处理的每个事件所需的参数作为参考数据;根据参考数据、每个事件的运行逻辑和事件之间的逻辑关系,确定每个事件的触发时刻,并推进每个事件;针对起始节点之后每个节点,响应于该节点的预设事件的触发,确定该节点的物流信息,其中,物流信息包括到货信息。
在一些实施例中,根据参考数据、每个事件的运行逻辑和事件之间的逻辑关系,确定每个事件的触发时刻,并推进每个事件包括:中心控制模块为物流网络中的每个节点分配工作模块,其中,每个工作模块对应至少一个节点;中心控制模块针对每个工作模块,将参考数据中与该工作模块对应的至少一个节点的相关数据发送至该工作模块;中心控制模块调度每个工作模块,执行该工作模块对应的至少一个节点中每个节点的事件推进任务,其中,事件推进任务包括:根据该节点的相关数据、该节点进行货物处理的每个事件的运行逻辑和事件之间的逻辑关系,确定该节点进行货物处理的每个事件的触发时刻,并推进该节点进行货物处理的每个事件。
在一些实施例中,中心控制模块调度每个工作模块,执行该工作模块对应的至少一个节点中每个节点的事件推进任务包括:在每个工作模块中,针对该工作模块对应的至少一个节点中每个节点,将确定触发时刻的事件放入事件队列,其中,事件队列中的事件按照触发时刻进行排序;每个工作模块按照对应的事件队列中的事件的顺序,依次将各个事件作为待推进事件,并向中心控制模块请求推进待推进事件;中心控制模块选取触发时刻最早的待推进事件的工作模块作为当前工作模块,指示该当前工作模块推进触发时刻最早的待推进事件。
在一些实施例中,根据该节点的相关数据、该节点进行货物处理的每个事件的运行逻辑和事件之间的逻辑关系,确定该节点进行货物处理的每个事件的触发时刻包括:针对该节点进行货物处理的每个事件,在该事件为定时触发事件的情况下,根据该事件所需的参数,确定该事件的触发时刻;在该事件为该节点进行货物处理的起始事件的情况下,根据该节点的前一节点的最后一个事件的触发时刻、所需的参数和运行逻辑、以及事件之间的逻辑关系和物流线路信息,确定该起始事件的触发时刻,其中,物流线路信息包括:在前一节点的物流线路确定相关事件触发时获得的前一节点到该节点的运输时长;在该事件为起始事件之后的非定时触发事件的情况下,根据该事件的前一事件的触发时刻、所需的参数和运行逻辑以及事件之间的逻辑关系,确定该事件的触发时刻。
在一些实施例中,每个工作模块按照对应的事件队列中的事件的顺序,依次将各个事件作为待推进事件,并请求推进待推进事件包括:每个工作模块向中心控制模块发送事件推进请求,其中,事件推进请求包括待推进事件的触发时刻作为第一触发时刻;每个工作模块在对应的事件队列中插入新的事件的情况下,并且新的事件的第二触发时刻早于第一触发时刻的情况下,更新事件推进请求,其中,更新的事件推进请求包括第二触发时刻。
在一些实施例中,不同节点的相同类型的事件所需的参数采用相同的数据模型进行配置。
在一些实施例中,响应于该节点的预设事件的触发,确定该节点的物流信息包括以下至少一项:响应于该节点的货物到达事件的触发,确定该节点的到货信息,其中,到货信息包括:到货量和到货时刻;响应于该节点的货物分拣结束事件的触发,确定该节点货物分拣时长,根据该节点的货物分拣时长,确定该节点是否发生阻塞;响应于该节点的货物运输车辆停靠月台事件的触发,确定该货物运输车辆等待时长。
在一些实施例中,推进每个事件包括:针对该节点进行货物处理的起始事件,根据前一节点的最后一个事件和事件之间的逻辑关系,确定该事件,根据该事件所需的参数和该事件的运行逻辑,推进该事件;针对该节点进行货物处理的起始事件之后的每个事件,根据前一事件的类型和事件之间的逻辑关系,确定该事件,根据该事件所需的参数和运行逻辑,推进该事件。
在一些实施例中,起始节点之后每个节点进行货物处理的事件按照前一事件触发后一事件的逻辑关系依次包括:货物到达事件、车辆停靠月台相关事件、货物卸载相关事件、货物分拣相关事件、物流线路确定相关事件、叫车事件、空车到达事件、货物装车相关事件、发车事件中至少一项。
在一些实施例中,推进每个事件包括:针对该节点进行货物处理的起始事件,根据前一节点的最后一个事件的类型和事件之间的逻辑关系,确定该事件,根据数据模型调用该事件所需的参数,并将该事件所需的参数输入该事件的运行逻辑的程序,推进该事件;针对该节点进行货物处理的起始事件之后的每个事件,根据前一事件的类型和事件之间的逻辑关系,确定该事件,根据数据模型调用该事件所需的参数,并将该事件所需的参数输入该事件的运行逻辑的程序,推进该事件。
在一些实施例中,数据模型包括:工作班次数据相关字段、月台数据相关字段、节点数据相关字段、线路数据相关字段、车辆数据相关字段和起始节点数据相关字段中一种或多种。
在一些实施例中,根据数据模型调用该事件所需的参数包括:针对车辆停靠月台相关事件,根据数据模型调用月台数据相关字段和车辆数据相关字段对应的数据,其中,月台数据相关字段包括:节点编号字段、月台类型字段、月台数量字段、生效时间字段和失效时间字段中至少一项,车辆数据相关字段包括:车型编号字段、车辆长度字段、车辆满载体积字段和车辆满载重量字段中至少一项。
在一些实施例中,根据数据模型调用该事件所需的参数包括:针对起始节点之后每个节点的货物分拣相关事件,根据数据模型调用节点数据相关字段和车辆数据相关字段对应的数据,其中,节点数据相关字段包括:节点编号字段、货物在节点处理的平均时长字段、节点产能字段、节点容量字段中至少一项,车辆数据相关字段包括:车型编号字段、车辆长度字段、车辆满载体积字段和车辆满载重量字段中至少一项。
在一些实施例中,根据数据模型调用该事件所需的参数包括:针对物流线路确定相关事件,根据数据模型调用线路数据相关字段对应的数据,其中,线路数据相关字段包括:线路编号字段、起始节点编码字段、目的节点编码字段、线路运输时长字段、线路车型字段中至少一项。
在一些实施例中,根据数据模型调用该事件所需的参数包括:针对起始节点的货物分拣相关事件和货物装车相关事件中至少一种,根据数据模型调用起始节点数据相关字段对应的数据,其中,起始节点数据相关字段包括:起始节点的编号字段、终止节点的编号字段、货物对应时间段字段、货物体积字段、货物重量字段、货物数量字段中至少一项。
在一些实施例中,根据数据模型调用该事件所需的参数包括:针对工作班次相关事件,根据数据模型调用工作班次数据相关字段对应的数据,其中,工作班次数据相关字段包括:班次编号字段、节点编号字段、班次开始时间字段、班次结束时间字段、生效时间字段和失效时间字段中至少一项。
在一些实施例中,针对起始节点之后每个节点,响应于该节点的预设事件的触发,确定该节点的物流信息包括:针对起始节点之后每个节点,按照预设时间粒度,响应于该节点的预设事件的触发,确定该节点的物流信息,其中,预设时间粒度包括:每日、每小时、每分钟、每秒或每毫秒。
根据本公开的另一些实施例,提供的一种物流信息的预测装置,包括:获取模块,用于获取物流网络的起始节点的货物信息、物流网络中每个节点进行货物处理的每个事件所需的参数作为参考数据;推进模块,用于根据参考数据、每个事件的运行逻辑和事件之间的逻辑关系,确定每个事件的触发时刻,并推进每个事件;确定模块,用于针对起始节点之后每个节点,响应于该节点的预设事件的触发,确定该节点的物流信息,其中,物流信息包括到货信息。
根据本公开的又一些实施例,提供的一种物流信息的预测装置,包括:处理器;以及耦接至处理器的存储器,用于存储指令,指令被处理器执行时,使处理器执行如前述任意实施例的物流信息的预测方法。
根据本公开的再一些实施例,提供的一种非瞬时性计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现前述任意实施例的物流信息的预测方法。
本公开的方案中参考数据包括起始节点的货物信息、每个事件所需的参数,进而根据参考数据、每个事件的运行逻辑和事件之间的逻辑关系,确定每个事件的触发时刻,并推进每个事件,从而实现对物流网络全网的每个节点的每个事件的模拟推进,可以实现对货物由入网到出网的全生命周期的仿真,进而针对起始节点之后每个节点,根据预设事件的触发,即可确定该节点的物流信息,提高物流信息预测的准确性。
通过以下参照附图对本公开的示例性实施例的详细描述,本公开的其它特征及其优点将会变得清楚。
附图说明
为了更清楚地说明本公开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公开的一些实施例,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示出本公开的一些实施例的物流信息的预测方法的流程示意图。
图2示出本公开的一些实施例的事件关系的示意图。
图3示出本公开的一些实施例的分布式事件推进系统的架构图。
图4示出本公开的一些实施例的分布式事件推进方法的流程示意图。
图5示出本公开的一些实施例的物流信息的预测装置的结构示意图。
图6示出本公开的另一些实施例的物流信息的预测装置的结构示意图。
图7示出本公开的一又些实施例的物流信息的预测装置的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开实施例中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公开一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。基于本公开中的实施例,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他实施例,都属于本公开保护的范围。
本公开提供一种物流信息的预测方法,下面结合图1~4进行描述。
图1为本公开物流信息的预测方法一些实施例的流程图。如图1所示,该实施例的方法包括:步骤S102~S106。
在步骤S102中,获取物流网络的起始节点的货物信息、物流网络中每个节点进行货物处理的每个事件所需的参数作为参考数据。
起始节点的货物信息例如包括:起始节点的预测到货量和预测到货时间,可以采用现有的预测方法获得,在此不再赘述。
货物在进入物流网络后,经过若干个节点,最终到达目的地。货物进入物流网络后会经历分拣、装车、发车、到车、卸车、分拣…等过程。每个节点的进行货物处理的过程类似,因此,可以将这些过程抽象为事件,通过离散事件仿真模型进行仿真,以对节点的物流信息进行预测。在一些实施例中,事件按照类型划分包括:货物进入起始节点事件、工作班次相关事件、货物到达事件、车辆停靠月台相关事件、货物卸载相关事件、货物分拣相关事件、物流线路确定相关事件、叫车事件、空车到达事件、货物装车相关事件、发车事件中至少一项。
事件还可以分为定时触发事件和逻辑触发事件(非定时触发事件),例如,每个节点的工作班次相关事件为定时触发事件。
进一步,例如,起始节点之后每个节点进行货物处理的事件按照前一事件触发后一事件的逻辑关系依次包括:货物到达事件、车辆停靠月台相关事件、货物卸载相关事件、货物分拣相关事件、物流线路确定相关事件、叫车事件、空车到达事件、货物装车相关事件、发车事件中至少一项。
例如,起始节点进行货物处理的事件按照前一事件触发后一事件的逻辑关系依次包括:货物进入起始节点事件、货物分拣相关事件、物流线路确定相关事件、叫车事件、空车到达事件、货物装车相关事件、发车事件中至少一项。
在一些实施例中,各种类型的事件具体如下:
工作班次相关事件包括:工作班次开始事件和工作班次结束事件,用于表示对应的节点是否开始工作的事件;
车辆停靠月台相关事件包括:货物运输车辆停靠月台事件和空车停靠月台事件,车辆在到达节点时,需要有接驳月台才能停靠,进而进行装卸货物操作,由于月台属于有限资源,当月台被全部占用时,新到车辆就会产生排队,车辆停靠月台相关事件用于判断车辆是否成功在月台停靠;
货物卸载相关事件包括:货物卸载开始事件和货物卸载完成事件;
货物分拣相关事件包括:货物分拣开始事件和货物分拣结束事件;
物流线路确定相关事件包括:物流线路确定事件、物流线路激活事件、线路计划发车事件和线路最晚叫车事件中至少一项,物流线路确定事件用于确定当前节点的下一节点,即确定节点之间的关系,线路计划发车事件对应于线路计划发车的时间,线路计划发车事件的触发用于判断当前时间对应的线路上是否开始有车辆发出,线路最晚叫车事件对应于线路最晚叫车的时间,线路最晚叫车事件的触发用于判断当前是否超过线路最晚叫车的时间,如果超过,则对应的线路上不再有车辆运行。
货物装车相关事件包括:货物装车开始事件和货物装车结束事件。
如图2所示为各类事件之间的关系图,实线箭头表示触发前事件时,一定会生成箭头所指的事件,虚线箭头表示指生成下一事件时需根据预设业务规则生成,业务规则可以根据实际需求设置。
如图2所示,事件按照类型划分还可以包括:资源可用事件、资源占用事件、检查运输列表事件、检查待卸载货物事件、检查待装货物事件。资源是指节点的资源,包括:月台、分拣人员、产能、容量等资源。检查运输列表事件、检查待卸载货物事件、检查待装货物事件用于提高货物量确定的准确性。
上述实施例中,提取了物流网络中的关键事件,事件抽象不足会导致模型冗余事件过多,运行效率降低,输入数据采集困难,事件抽象过度会导致模型输出结果精度不足,对业务流程的模拟程度欠缺。上述事件的设置可以平衡运行效率和结果的精度。
物流网络中每个节点进行货物处理的每个事件所需的参数可以是网络配置数据,不同节点的相同类型的事件所需的参数采用相同的数据模型进行配置。
在一些实施例中,数据模型包括:工作班次数据相关字段、月台数据相关字段、节点数据相关字段、线路数据相关字段、车辆数据相关字段和起始节点数据相关字段中一种或多种。
各个字段的具体内容如表1-6所示。
例如,如表1所示, 工作班次数据相关字段包括:班次编号字段、节点编号字段、班次开始时间字段、班次结束时间字段、生效时间字段和失效时间字段中至少一项。
起始节点之后的每个节点的工作班次会影响整体网络中的货物流转。当工作班次开始时,节点内的所有工作会正常开启,当班次结束时,货物会暂停处理。工作班次数据相关字段设计如下。
表1
例如,如表2所示,月台数据相关字段包括:节点编号字段、月台类型字段、月台数量字段、生效时间字段和失效时间字段中至少一项。
车辆在到达节点时,需要有接驳月台才能停靠,进而进行装卸货操作,由于月台属于有限资源,当月台被全部占用时,新到车辆就会产生排队,进而影响货物的整体流动时长。月台数据相关字段设计如下。
表2
例如,如表3所示,节点数据相关字段包括:节点编号字段、货物在节点处理的平均时长字段、节点产能字段、节点容量字段中至少一项。
节点产能和节点容量均为有限资源,当资源可用时,包裹(货物可以以包裹的形式进行处理)才会进入处理环节。节点数据相关字段设计如下。
表3
例如,如表4所示,线路数据相关字段包括:线路编号字段、起始节点编码字段、目的节点编码字段、线路运输时长字段、线路车型字段中至少一项。
线路数据用于确定节点与节点间运输过程。线路数据相关字段设计如下。
表4
例如,如表5所示,车辆数据相关字段包括:车型编号字段、车辆长度字段、车辆满载体积字段和车辆满载重量字段中至少一项。
每种车辆均有唯一的型号,车辆数据相关字段设计如下。
表5
例如,如表6所示,起始节点数据相关字段包括:起始节点的编号字段、终止节点的编号字段、货物对应时间段字段、货物体积字段、货物重量字段、货物数量字段中至少一项。
针对起始节点之后的每个节点的到货量进行预测时,需要输入起始节点的货物信息,起始节点数据相关字段设计如下。
表6
在确定节点的产能、容量以及车辆容量是否饱和时,需要使用包裹的体积、重量或数量。
不同节点的相同类型的事件所需的参数采用相同的数据模型,使数据具有通用性,便于存储和调用,提高预测效率。
在步骤S104中,根据参考数据、每个事件的运行逻辑和事件之间的逻辑关系,确定每个事件的触发时刻,并推进每个事件。
可以将参考数据输入离散事件仿真模型,在离散事件仿真模型中根据每个事件的运行逻辑和事件之间的逻辑关系,确定每个事件的触发时刻,并推进每个事件。
为了进一步提高预测效率,提出一种分布式事件推进方法和系统架构。系统架构包括一个中央控制模块(Server)和多个工作模块(Worker),中央控制模块将多个同节点的事件推进任务分配至多个工作模块,并由中央控制模块进行统一调度,输出各个节点在时空维度的预测结果。如图3所示,各个工作模块都可以配置一个离散事件仿真模型,参考数据输入系统,最终输出预测结果,还可以进行归因分析。
中央控制模块负责所有计算节点的注册以及时钟控制。时钟控制是分布式事件推进系统的核心方法,保证离散事件仿真模型在分布至多个计算节点计算时,时钟推进保持准确。每个工作模块的仿真时钟的推进需要向中央控制模块(也可以称为Master)请求,允许后才能处理事件。
在一些实施例中,中心控制模块为物流网络中的每个节点分配工作模块,其中,每个工作模块对应至少一个节点;中心控制模块针对每个工作模块,将参考数据中与该工作模块对应的至少一个节点的相关数据发送至该工作模块;中心控制模块调度每个工作模块,执行该工作模块对应的至少一个节点中每个节点的事件推进任务,其中,事件推进任务包括:根据该节点的相关数据、该节点进行货物处理的每个事件的运行逻辑和事件之间的逻辑关系,确定该节点进行货物处理的每个事件的触发时刻,并推进该节点进行货物处理的每个事件。
在一些实施例中,在每个工作模块中,针对该工作模块对应的至少一个节点中每个节点,将确定触发时刻的事件放入事件队列,其中,事件队列中的事件按照触发时刻进行排序;每个工作模块按照对应的事件队列中的事件的顺序,依次将各个事件作为待推进事件,并向中心控制模块请求推进待推进事件;中心控制模块选取触发时刻最早的待推进事件的工作模块作为当前工作模块,指示该当前工作模块推进触发时刻最早的待推进事件。
在一些实施例中,每个工作模块向中心控制模块发送事件推进请求,其中,事件推进请求包括待推进事件的触发时刻作为第一触发时刻;每个工作模块在对应的事件队列中插入新的事件的情况下,并且新的事件的第二触发时刻早于第一触发时刻的情况下,更新事件推进请求,其中,更新的事件推进请求包括第二触发时刻。
如图4所示,A、B表示两个worker,每个worker都拥有一个事件队列,全局的事件推进,要受到server的统一调度。按照图4示中事件的推进流程为:
1)worker A请求推进时刻1的事件,worker B请求推进时刻5的事件,server收集齐所有的worker请求后,对比各个worker的请求时间后,允许worker A向下推进事件,而worker B需要等待;
2)worker A处理时刻1的事件后,在worker B中插入了一个时刻为3的事件,此时,worker B由原有的请求推进时刻5的事件,更新为请求推进时刻3的事件;
3)server再次根据两个worker的事件推进请求进行时钟推进授权,此时worker A新增请求时刻5的事件,server对比两个请求后,允许worker B向下推进事件;
4)worker B处理时刻3的事件后,新增请求推进时刻3的事件;
5)server对比两个请求的时刻相等,则允许两个worker同时向下推进事件。
通过上述分布式事件推进方法和系统架构可以提高预测效率,实现日千万级货量分钟级处理。
在一些实施例中,针对该节点进行货物处理的每个事件,在该事件为定时触发事件的情况下,根据该事件所需的参数,确定该事件的触发时刻;在该事件为该节点进行货物处理的起始事件的情况下,根据该节点的前一节点的最后一个事件的触发时刻、所需的参数和运行逻辑、以及事件之间的逻辑关系和物流线路信息,确定该起始事件的触发时刻;在该事件为起始事件之后的非定时触发事件的情况下,根据该事件的前一事件的触发时刻、所需的参数和运行逻辑以及事件之间的逻辑关系,确定该事件的触发时刻。
物流线路信息包括:在前一节点的物流线路确定相关事件触发时获得的前一节点到该节点的运输时长。例如,如图2所示,工作班次开始和结束事件为定时触发事件,可以在模型开始运行时就确定工作班次相关事件的触发时刻。又例如,针对起始节点之后的每个节点,货物到达事件作为起始事件,则根据前一节点的发车事件的所需参数和运行逻辑可以确定发车事件的完成的时间,再根据前一节点的发车事件的触发时刻、前一节点到该节点的运输时长、可以确定货物到达事件的触发时刻。又例如,对于货物分拣结束事件,可以根据事件之间的逻辑关系确定货物分拣开始事件的下一事件为货物分拣结束事件,根据货物分拣开始事件所需参数和运行逻辑可以确定货物分拣时长,在加上货物分拣开始事件的触发时刻,则可以确定货物分拣结束事件的触发时刻。
在一些实施例中,针对该节点进行货物处理的起始事件,根据前一节点的最后一个事件和事件之间的逻辑关系,确定该事件,根据该事件所需的参数和该事件的运行逻辑,推进该事件;针对该节点进行货物处理的起始事件之后的每个事件,根据前一事件的类型和事件之间的逻辑关系,确定该事件,根据该事件所需的参数和运行逻辑,推进该事件。
进一步,在一些实施例中,针对该节点进行货物处理的起始事件,根据前一节点的最后一个事件的类型和事件之间的逻辑关系,确定该事件,根据数据模型调用该事件所需的参数,并将该事件所需的参数输入该事件的运行逻辑的程序,推进该事件;针对该节点进行货物处理的起始事件之后的每个事件,根据前一事件的类型和事件之间的逻辑关系,确定该事件,根据数据模型调用该事件所需的参数,并将该事件所需的参数输入该事件的运行逻辑的程序,推进该事件。
例如,针对起始节点之后每个节点的货物分拣相关事件,根据数据模型调用节点数据相关字段和车辆数据相关字段对应的数据;针对物流线路确定相关事件,根据数据模型调用线路数据相关字段对应的数据;针对起始节点的货物分拣相关事件和货物装车相关事件中至少一种,根据数据模型调用起始节点数据相关字段对应的数据;针对工作班次相关事件,根据数据模型调用工作班次数据相关字段对应的数据。
在步骤S106中,针对起始节点之后每个节点,响应于该节点的预设事件的触发,确定该节点的物流信息。
物流信息包括到货信息,例如,到货量和/或到货时刻。每个节点的到货量可以包括每台车辆的到车时间和车辆所载的货物的信息,例如,货物的体积、数量、重量至少一种。
可以根据实际需求设置合理的时间单位来控制时间颗粒度,输出物流信息。如果时间单位确定为毫秒级,在此基础上可以对应输出任意时间颗粒度下的每个节点的物流信息。但在实际应用时,应对不同时间颗粒度下的输出的物流信息准确率进行校验,调整到合适的时间粒度。
在一些实施例中,针对起始节点之后每个节点,按照预设时间粒度,响应于该节点的预设事件的触发,确定该节点的物流信息,其中,预设时间粒度包括:每日、每小时、每分钟、每秒或每毫秒。
在一些实施例中,响应于该节点的预设事件的触发,确定该节点的物流信息包括以下至少一项:响应于该节点的货物到达事件的触发,确定该节点的到货信息,其中,到货信息包括:到货量和到货时刻;响应于该节点的货物分拣结束事件的触发,确定该节点货物分拣时长,根据该节点的货物分拣时长,确定该节点是否发生阻塞;响应于该节点的货物运输车辆停靠月台事件的触发,确定该货物运输车辆等待时长。
进一步,还可以进行归因分析,在该节点发生阻塞的情况下,确定阻塞原因,在该货物运输车辆等待时长超过预设时长的情况下,确定等待原因。
每个事件推进完成后都可以得到该事件对应的货物量和时间信息,针对一些预设事件的触发,则可以获得想要输出的结果。到货量在空间上属于节点维度的统计指标,也是预测的核心结果。通过货物到达事件来收集该指标,记录每台车辆的到车时间和车辆所载的货物信息,以此统计出特定时间下的到货量。
货物分拣时长指货物在节点进行分拣所经历的时长,该指标用于判断货物在节点的分拣环节是否发生阻塞,阻塞原因往往是由于节点的处理能力不足或作业班次尚未开始导致,用于辅助判断到货量异常节点的向上溯源。
车辆等待时长是指车辆到达节点后,直至停靠节点月台所经历的时长,该指标用于判断车辆在节点是否发生无效等待,等待原因往往是由于月台资源不足导致,同货物处理时长一样,用于辅助判断到货量异常节点的向上溯源。
上述实施例的方案中参考数据包括起始节点的货物信息、每个事件所需的参数,进而根据参考数据、每个事件的运行逻辑和事件之间的逻辑关系,确定每个事件的触发时刻,并推进每个事件,从而实现对物流网络全网的每个节点的每个事件的模拟推进,可以实现对货物由入网到出网的全生命周期的仿真,进而针对起始节点之后每个节点,根据预设事件的触发,即可确定该节点的物流信息,提高物流信息预测的准确性。
上述实施例的方法在起始节点的到货量预测的基础上,对后续节点的物流信息进行预测。在物流网络场景下,起始节点例如为仓库、揽收站点,而后续节点例如为分拣中心、转运中心、中转场等场地,可以针对后续节点进行到货量预测。可以根据实际需求对预测的时间粒度进行调整,例如,在日常生产条件下,输出日粒度到货量预测结果,在应急条件下,输出小时粒度预测结果,并保证预测结果的输出效率(或者在分钟级给出预测结果)。除了确定起始节点之后的节点的物流信息,还可以对到货量出现异常的节点进行分析,找出异常原因。
上述实施例中,可以构建离散事件仿真模型,在不降低模型精度的前提下,实现对货物的全生命周期的仿真。在给定起始节点的货物信息、各个节点的所需的关键参数后,通过推进车辆到达、装卸车、货物分拣等关键事件,在预设时间粒度下收集到货量等指标,并通过分布式仿真推进技术,将复杂的仿真模型分布于多个工作模块,并由中心控制模块统一调度,实现天维度千万级包裹处理量在数分钟内完成仿真计算,给出各个节点在时空维度的预测结果。
上述实施例的方法将离散事件仿真模型与分布式仿真融合设计框架,保证预测结果在有效时间内输出。并将模型内的事件抽象控制在合理层面,一方面该框架设计可以对任意的物流网络在到货量预测需求中具备通用性;另一方面提取了系统的关键事件,平衡运行效率和预测的准确度。
本公开还提供一种物流信息的预测装置,下面结合图5进行描述。
图5为本公开物流信息的预测装置的一些实施例的结构图。如图5所示,该实施例的装置50包括:获取模块510,推进模块520,确定模块530。
获取模块510用于获取物流网络的起始节点的货物信息、物流网络中每个节点进行货物处理的每个事件所需的参数作为参考数据。
获取模块510可以用于执行步骤S102的方法,获取模块510的具体功能可以参考步骤S102相关的实施例,在此不再赘述。
推进模块520用于根据参考数据、每个事件的运行逻辑和事件之间的逻辑关系,确定每个事件的触发时刻,并推进每个事件。
推进模块520可以用于执行步骤S104的方法,推进模块520的具体功能可以参考步骤S104相关的实施例,在此不再赘述。
确定模块530用于针对起始节点之后每个节点,响应于该节点的预设事件的触发,确定该节点的物流信息,其中,物流信息包括到货信息。
确定模块530用于可以用于执行步骤S106的方法,确定模块530的具体功能可以参考步骤S106相关的实施例,在此不再赘述。
本公开的实施例中的物流信息的预测装置可各由各种计算设备或计算机系统来实现,下面结合图6以及图7进行描述。
图6为本公开物流信息的预测装置的一些实施例的结构图。如图6所示,该实施例的装置60包括:存储器610以及耦接至该存储器610的处理器620,处理器620被配置为基于存储在存储器610中的指令,执行本公开中任意一些实施例中的物流信息的预测方法。
其中,存储器610例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)、数据库以及其他程序等。
图7为本公开物流信息的预测装置的另一些实施例的结构图。如图7所示,该实施例的装置70包括:存储器710以及处理器720,分别与存储器610以及处理器620类似。还可以包括输入输出接口730、网络接口740、存储接口750等。这些接口730,740,750以及存储器710和处理器720之间例如可以通过总线760连接。其中,输入输出接口730为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口740为各种联网设备提供连接接口,例如可以连接到数据库中心控制模块或者云端存储中心控制模块等。存储接口750为SD卡、U盘等外置存储设备提供连接接口。
本领域内的技术人员应当明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解为可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本公开的较佳实施例,并不用以限制本公开,凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (17)
1.一种物流信息的预测方法,包括:
获取物流网络的起始节点的货物信息、所述物流网络中每个节点进行货物处理的每个事件所需的参数作为参考数据;
根据所述参考数据、所述每个事件的运行逻辑和事件之间的逻辑关系,确定所述每个事件的触发时刻,并推进所述每个事件;
针对所述起始节点之后每个节点,响应于该节点的预设事件的触发,确定该节点的物流信息,其中,所述物流信息包括到货信息;
其中,所述根据所述参考数据、所述每个事件的运行逻辑和事件之间的逻辑关系,确定所述每个事件的触发时刻,并推进所述每个事件包括:
中心控制模块为所述物流网络中的每个节点分配工作模块,其中,每个工作模块对应至少一个节点;
所述中心控制模块针对每个工作模块,将所述参考数据中与该工作模块对应的至少一个节点的相关数据发送至该工作模块;
在每个工作模块中,针对该工作模块对应的至少一个节点中每个节点,将确定触发时刻的事件放入事件队列,其中,所述事件队列中的事件按照触发时刻进行排序;
每个工作模块按照对应的事件队列中的事件的顺序,依次将各个事件作为待推进事件,并向所述中心控制模块请求推进所述待推进事件;
所述中心控制模块选取触发时刻最早的待推进事件的工作模块作为当前工作模块,指示该当前工作模块推进所述触发时刻最早的待推进事件;
其中,针对每个工作模块对应的至少一个节点中每个节点,针对该节点进行货物处理的每个事件,在该事件为定时触发事件的情况下,根据该事件所需的参数,确定该事件的触发时刻,并推进该事件;在该事件为该节点进行货物处理的起始事件的情况下,根据该节点的前一节点的最后一个事件的触发时刻、所需的参数和运行逻辑、以及事件之间的逻辑关系和物流线路信息,确定该起始事件的触发时刻,并推进该事件,其中,所述物流线路信息包括:在前一节点的物流线路确定相关事件触发时获得的前一节点到该节点的运输时长;在该事件为起始事件之后的非定时触发事件的情况下,根据该事件的前一事件的触发时刻、所需的参数和运行逻辑以及事件之间的逻辑关系,确定该事件的触发时刻,并推进该事件;
其中,所述响应于该节点的预设事件的触发,确定该节点的物流信息包括:响应于该节点的货物分拣结束事件的触发,确定该节点货物分拣时长,根据该节点的货物分拣时长,确定该节点是否发生阻塞;响应于该节点的货物运输车辆停靠月台事件的触发,确定该货物运输车辆等待时长;进行归因分析,在该节点发生阻塞的情况下,确定阻塞原因,在该货物运输车辆等待时长超过预设时长的情况下,确定等待原因。
2.根据权利要求1所述的预测方法,其中,所述每个工作模块按照对应的事件队列中的事件的顺序,依次将各个事件作为待推进事件,并请求推进所述待推进事件包括:
所述每个工作模块向中心控制模块发送事件推进请求,其中,所述事件推进请求包括待推进事件的触发时刻作为第一触发时刻;
所述每个工作模块在对应的事件队列中插入新的事件的情况下,并且所述新的事件的第二触发时刻早于所述第一触发时刻的情况下,更新所述事件推进请求,其中,更新的所述事件推进请求包括所述第二触发时刻。
3.根据权利要求1所述的预测方法,其中,
不同节点的相同类型的事件所需的参数采用相同的数据模型进行配置。
4.根据权利要求1所述的预测方法,其中,所述响应于该节点的预设事件的触发,确定该节点的物流信息还包括:
响应于该节点的货物到达事件的触发,确定该节点的到货信息,其中,所述到货信息包括:到货量和到货时刻。
5.根据权利要求1所述的预测方法,其中,所述推进所述每个事件包括:
针对该节点进行货物处理的起始事件,根据前一节点的最后一个事件和事件之间的逻辑关系,确定该事件,根据该事件所需的参数和该事件的运行逻辑,推进该事件;
针对该节点进行货物处理的起始事件之后的每个事件,根据前一事件的类型和事件之间的逻辑关系,确定该事件,根据该事件所需的参数和运行逻辑,推进该事件。
6.根据权利要求5所述的预测方法,其中,所述起始节点之后每个节点进行货物处理的事件按照前一事件触发后一事件的逻辑关系依次包括:货物到达事件、车辆停靠月台相关事件、货物卸载相关事件、货物分拣相关事件、物流线路确定相关事件、叫车事件、空车到达事件、货物装车相关事件、发车事件中至少一项。
7.根据权利要求3所述的预测方法,其中,所述推进所述每个事件包括:针对该节点进行货物处理的起始事件,根据前一节点的最后一个事件的类型和事件之间的逻辑关系,确定该事件,根据所述数据模型调用该事件所需的参数,并将所述该事件所需的参数输入该事件的运行逻辑的程序,推进该事件;
针对该节点进行货物处理的起始事件之后的每个事件,根据前一事件的类型和事件之间的逻辑关系,确定该事件,根据所述数据模型调用该事件所需的参数,并将所述该事件所需的参数输入该事件的运行逻辑的程序,推进该事件。
8.根据权利要求7所述的预测方法,其中,所述数据模型包括:工作班次数据相关字段、月台数据相关字段、节点数据相关字段、线路数据相关字段、车辆数据相关字段和起始节点数据相关字段中一种或多种。
9.根据权利要求8所述的预测方法,其中,所述根据所述数据模型调用该事件所需的参数包括:
针对车辆停靠月台相关事件,根据所述数据模型调用所述月台数据相关字段和所述车辆数据相关字段对应的数据,
其中,所述月台数据相关字段包括:节点编号字段、月台类型字段、月台数量字段、生效时间字段和失效时间字段中至少一项,所述车辆数据相关字段包括:车型编号字段、车辆长度字段、车辆满载体积字段和车辆满载重量字段中至少一项。
10.根据权利要求8所述的预测方法,其中,所述根据所述数据模型调用该事件所需的参数包括:
针对所述起始节点之后每个节点的货物分拣相关事件,根据所述数据模型调用所述节点数据相关字段和所述车辆数据相关字段对应的数据,
其中,所述节点数据相关字段包括:节点编号字段、货物在节点处理的平均时长字段、节点产能字段、节点容量字段中至少一项,所述车辆数据相关字段包括:车型编号字段、车辆长度字段、车辆满载体积字段和车辆满载重量字段中至少一项。
11.根据权利要求8所述的预测方法,其中,所述根据所述数据模型调用该事件所需的参数包括:
针对物流线路确定相关事件,根据所述数据模型调用所述线路数据相关字段对应的数据,
其中,所述线路数据相关字段包括:线路编号字段、起始节点编码字段、目的节点编码字段、线路运输时长字段、线路车型字段中至少一项。
12.根据权利要求8所述的预测方法,其中,所述根据所述数据模型调用该事件所需的参数包括:
针对所述起始节点的货物分拣相关事件和货物装车相关事件中至少一种,根据所述数据模型调用所述起始节点数据相关字段对应的数据,
其中,所述起始节点数据相关字段包括:所述起始节点的编号字段、终止节点的编号字段、货物对应时间段字段、货物体积字段、货物重量字段、货物数量字段中至少一项。
13.根据权利要求8所述的预测方法,其中,所述根据所述数据模型调用该事件所需的参数包括:
针对工作班次相关事件,根据所述数据模型调用所述工作班次数据相关字段对应的数据,
其中,所述工作班次数据相关字段包括:班次编号字段、节点编号字段、班次开始时间字段、班次结束时间字段、生效时间字段和失效时间字段中至少一项。
14.根据权利要求1-13任一项所述的预测方法,其中,针对所述起始节点之后每个节点,响应于该节点的预设事件的触发,确定该节点的物流信息包括:
针对所述起始节点之后每个节点,按照预设时间粒度,响应于该节点的预设事件的触发,确定该节点的物流信息,其中,所述预设时间粒度包括:每日、每小时、每分钟、每秒或每毫秒。
15.一种物流信息的预测装置,包括:
获取模块,用于获取物流网络的起始节点的货物信息、所述物流网络中每个节点进行货物处理的每个事件所需的参数作为参考数据;
推进模块,用于根据所述参考数据、所述每个事件的运行逻辑和事件之间的逻辑关系,确定所述每个事件的触发时刻,并推进所述每个事件;
确定模块,用于针对所述起始节点之后每个节点,响应于该节点的预设事件的触发,确定该节点的物流信息,其中,所述物流信息包括到货信息;
其中,所述推进模块包括中心控制模块和多个工作模块,中心控制模块为所述物流网络中的每个节点分配工作模块,其中,每个工作模块对应至少一个节点;所述中心控制模块针对每个工作模块,将所述参考数据中与该工作模块对应的至少一个节点的相关数据发送至该工作模块;在每个工作模块中,针对该工作模块对应的至少一个节点中每个节点,将确定触发时刻的事件放入事件队列,其中,所述事件队列中的事件按照触发时刻进行排序;每个工作模块按照对应的事件队列中的事件的顺序,依次将各个事件作为待推进事件,并向所述中心控制模块请求推进所述待推进事件;所述中心控制模块选取触发时刻最早的待推进事件的工作模块作为当前工作模块,指示该当前工作模块推进所述触发时刻最早的待推进事件;
其中,针对每个工作模块对应的至少一个节点中每个节点,针对该节点进行货物处理的每个事件,在该事件为定时触发事件的情况下,根据该事件所需的参数,确定该事件的触发时刻;在该事件为该节点进行货物处理的起始事件的情况下,根据该节点的前一节点的最后一个事件的触发时刻、所需的参数和运行逻辑、以及事件之间的逻辑关系和物流线路信息,确定该起始事件的触发时刻,其中,所述物流线路信息包括:在前一节点的物流线路确定相关事件触发时获得的前一节点到该节点的运输时长;在该事件为起始事件之后的非定时触发事件的情况下,根据该事件的前一事件的触发时刻、所需的参数和运行逻辑以及事件之间的逻辑关系,确定该事件的触发时刻;
其中,所述确定模块用于:响应于该节点的货物分拣结束事件的触发,确定该节点货物分拣时长,根据该节点的货物分拣时长,确定该节点是否发生阻塞;响应于该节点的货物运输车辆停靠月台事件的触发,确定该货物运输车辆等待时长;进行归因分析,在该节点发生阻塞的情况下,确定阻塞原因,在该货物运输车辆等待时长超过预设时长的情况下,确定等待原因。
16.一种物流信息的预测装置,包括:
处理器;以及
耦接至所述处理器的存储器,用于存储指令,所述指令被所述处理器执行时,使所述处理器执行如权利要求1-14任一项所述的物流信息的预测方法。
17.一种非瞬时性计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现权利要求1-14任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211671706.1A CN115660535B (zh) | 2022-12-26 | 2022-12-26 | 物流信息的预测方法、装置和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211671706.1A CN115660535B (zh) | 2022-12-26 | 2022-12-26 | 物流信息的预测方法、装置和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115660535A CN115660535A (zh) | 2023-01-31 |
CN115660535B true CN115660535B (zh) | 2024-04-16 |
Family
ID=85023324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211671706.1A Active CN115660535B (zh) | 2022-12-26 | 2022-12-26 | 物流信息的预测方法、装置和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115660535B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006083273A2 (en) * | 2004-06-07 | 2006-08-10 | Northrop Grumman Corporation | Sea base logistics transportation modeling |
CN109063225A (zh) * | 2018-06-05 | 2018-12-21 | 北京交通大学 | 一种面向多货物功能区铁路物流中心运营仿真方法 |
CN110348612A (zh) * | 2019-06-24 | 2019-10-18 | 深圳市恒路物流股份有限公司 | 分拨中心货量预测方法及装置 |
CN111105176A (zh) * | 2018-10-25 | 2020-05-05 | 菜鸟智能物流控股有限公司 | 数据处理方法、装置、设备和存储介质 |
CN112580206A (zh) * | 2020-12-18 | 2021-03-30 | 西南交通大学 | 基于排队网络的共享汽车网络离散事件仿真系统构建方法 |
CN113343166A (zh) * | 2021-05-31 | 2021-09-03 | 杭州拼便宜网络科技有限公司 | 一种基于离散事件仿真的物流库存管理系统 |
CN115186855A (zh) * | 2021-04-01 | 2022-10-14 | 深圳顺丰快运科技有限公司 | 物流网络的货量预测方法、装置、设备和计算机存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11468457B2 (en) * | 2017-03-24 | 2022-10-11 | Accenture Global Solutions Limited | Logistic demand forecasting |
-
2022
- 2022-12-26 CN CN202211671706.1A patent/CN115660535B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006083273A2 (en) * | 2004-06-07 | 2006-08-10 | Northrop Grumman Corporation | Sea base logistics transportation modeling |
CN109063225A (zh) * | 2018-06-05 | 2018-12-21 | 北京交通大学 | 一种面向多货物功能区铁路物流中心运营仿真方法 |
CN111105176A (zh) * | 2018-10-25 | 2020-05-05 | 菜鸟智能物流控股有限公司 | 数据处理方法、装置、设备和存储介质 |
CN110348612A (zh) * | 2019-06-24 | 2019-10-18 | 深圳市恒路物流股份有限公司 | 分拨中心货量预测方法及装置 |
CN112580206A (zh) * | 2020-12-18 | 2021-03-30 | 西南交通大学 | 基于排队网络的共享汽车网络离散事件仿真系统构建方法 |
CN115186855A (zh) * | 2021-04-01 | 2022-10-14 | 深圳顺丰快运科技有限公司 | 物流网络的货量预测方法、装置、设备和计算机存储介质 |
CN113343166A (zh) * | 2021-05-31 | 2021-09-03 | 杭州拼便宜网络科技有限公司 | 一种基于离散事件仿真的物流库存管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115660535A (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101616967B1 (ko) | 다수의 처리 명령어를 실시간으로 취급하고 처리하는 것과 관련된 개선 | |
CN101692208B (zh) | 实时交通信息处理的任务调度方法 | |
CN114004571B (zh) | 一种智能化立体仓储货架货位分配系统及其方法 | |
CN107818436B (zh) | 用于确定逾期和滞留数据的自适应后勤平台 | |
CN109902975B (zh) | 调度方法、系统、装置以及计算机可读存储介质 | |
CN113177761B (zh) | 一种考虑时效性的电商仓储智能排产预警系统 | |
Selinka et al. | Time-dependent performance approximation of truck handling operations at an air cargo terminal | |
CN104794239A (zh) | 一种云平台数据处理方法 | |
CN113705997A (zh) | 一种自动驾驶出租车双体系的派单方法及应用 | |
Lee et al. | Development of timed Colour Petri net simulation models for air cargo terminal operations | |
Zhou et al. | A data-driven business intelligence system for large-scale semi-automated logistics facilities | |
Van Hui et al. | Airfreight forwarder’s shipment planning under uncertainty: A two-stage stochastic programming approach | |
CN112418475A (zh) | 物流路径规划方法、装置、电子设备及存储介质 | |
CN115660535B (zh) | 物流信息的预测方法、装置和计算机可读存储介质 | |
Lugaresi et al. | Automated digital twins generation for manufacturing systems: a case study | |
Battarra et al. | Hybrid model for the design of a deep-lane multisatellite AVS/RS | |
CN115630937B (zh) | 物流网络仿真的时间同步方法、装置和存储介质 | |
CN112434875A (zh) | 一种用于智能仓储的设备路径管理方法、系统和服务器 | |
CN114444751A (zh) | 物资需求预测方法、装置、计算机设备以及存储介质 | |
WO2022266827A1 (en) | Logistics network simulation method and system | |
CN113343166A (zh) | 一种基于离散事件仿真的物流库存管理系统 | |
CN111376953B (zh) | 一种为列车下发计划的方法及系统 | |
Sedláček | Optimization of processes in a freight forwarding company using a simulation model | |
Silva et al. | Robotic Mobile Fulfillment System with Pod Repositioning for Energy Saving | |
CN115729682A (zh) | 分布式事务处理方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |