CN115660538A - 一种货物运输方法及系统 - Google Patents
一种货物运输方法及系统 Download PDFInfo
- Publication number
- CN115660538A CN115660538A CN202211362366.4A CN202211362366A CN115660538A CN 115660538 A CN115660538 A CN 115660538A CN 202211362366 A CN202211362366 A CN 202211362366A CN 115660538 A CN115660538 A CN 115660538A
- Authority
- CN
- China
- Prior art keywords
- data
- information
- cargo
- transportation
- module
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种货物运输方法及系统,应用于货物运输领域;解决的技术问题是货物运输数据处理,通过数据处理实现三阶段货物运输,在第一阶段运输中,对货物归属地信息进行分类,采用的分类方法为改进型C5.0决策树算法;在第二阶段运输中,通过图像传感器对货物图像信息的获取,处理器利用二维傅里叶变换对货物图像信息的处理,通过Elman人工神经网络算法实现调度监控,在第三阶段运输中,采用数据动态发布方法将所收到的运输数据信息远程在线动态地与用户终端获取货物运输数据信息。本发明大大提高了货物运输过程中数据处理能力。
Description
技术领域
本发明涉及数据处理技术领域,且更确切地涉及一种货物运输方法及系统。
背景技术
随着网络信息技术的飞速发展,网络在人们生活中发挥着越来越重要的作用,随着网上购物的购物形式逐渐流行,货物运输逐步成为当今数据化、网络化、信息化、智能化发展的趋势,但在货物运输过程中总会发生货物丢失、货物破损和货物送达地点不准确的现象。如何将货物安全、准确和明确送达到目的地是一个亟待解决的问题。对货物数据信息的识别、大数据信息的处理对货物的监控具有重要的作用,保证货物运输途中不会异常丢失,需要将监测信息传输到用户移动端,使货物运输过程更加明确,对货物地址信息进行识别分类,使货物更准确运输到目的地。
在货物运输过程中,进行数据信息处理时,现有技术也进行了相关研究,比如专利号CN202010234032公开了一种货物运输及装置,这种货物运输方法采用协议文件形式采集订单数据,通过记录准确运输车辆和驾驶员信息保证货物安全运输,货物运输装置使用处理器处理货物运输中数据信息。但是这种运输方法不能避免货物丢失情况,数据分析和处理能力滞后,难以满足现有市场日益增长的货物运输的需求。
发明内容
针对上述技术的不足,本发明公开一种货物运输方法及系统,能够提高货物运输过程中的数据信息处理能力,大大提高了货物运输。
为实现上述目的,本发明提供如下技术方案:
一种货物运输方法,所述方法通过数据处理实现三阶段货物运输,其中第一阶段为发送地与省级单位之间的运输;第二阶段为省级单位与市级单位之间的运输;第三阶段为市级单位与用户目的地之间的传输;其特征在于:在第一阶段运输中,对货物归属地信息进行分类,采用的分类方法为改进型C5.0决策树算法,所述改进型C5.0决策树算法的方法为:步骤一、将输入的货物数据信息按照C5.0 决策树算法模型的规则进行编码;步骤二、针对输入的货物数据信息,将满足筛选条件的货物归属地信息归属到不同的货物归属地信息存储分区;步骤三、在货物归属地信息存储分区中,设置货物归属地信息的分类相似度;步骤四、在具有同一分类相似度的货物数据信息中,设置货物归属地信息的名称;在完成步骤一、步骤二、步骤三和步骤四之后,对货物归属地信息进行采集,采集的方法是通过 RFID射频识别方法对货物信息进行采集,通过OCR文字识别模型将货物上地址文字提取,将地址文字传输到计算机网络系统;之后通过数据处理分析对接收到的地址数据进行分析,根据数据库中的地址归属模型将地址数据分类到货物运输信息地址库中;
在第二阶段运输中,采用无线监控方法实现货物运输信息的监测,无线监控方法为:通过图像传感器对货物图像信息的获取,处理器利用二维傅里叶变换对货物图像信息的处理,通信端通过无线分组通信方式实现货物图像信息的发送,在发送货物图像信息时,通过调度监控方法对传输过程中的数据信息进行监控,其中调度监控方法为Elman人工神经网络算法;
在第三阶段运输中,采用数据动态发布方法将所收到的运输数据信息远程在线动态地与用户终端获取货物运输数据信息。
作为本发明进一步的技术方案,按照C5.0决策树算法模型的规则进行编码方法为:将输入C5.0决策树算法模型的数据信息按照决策树或者规则集进行编码。
作为本发明进一步的技术方案,筛选货物归属地信息的方法为:在数据接收和发送之间通过矩阵方程表示,矩阵方程表示为:
在公式(1)中,P(xm/yn)为接收到的货物运输数据信息集,xm表示运输货物的数据信息,yn表示货物运输过程中所容纳货物运输数据信息集,当满足∑P(xi/yi)=1时,则将货物运输数据信息归为一类,当不满足时,货物运输数据信息不归为一类。
作为本发明进一步的技术方案,设置货物归属地信息的分类相似度时,通过将决策树转为二叉树结构的方法实现,方法为构建二叉树结构决策树对比属性,构建Simn计算函数,其中Simn计算函数为:
在公式(2)中,针对于数值型元素进行的元素相似度Simn计算公式如式2 所示;
在公式(3)中,k1和k2为相似度系数数值,Simn表示为竖向判别式为上下限, t表示为筛选货物数据信息的最大相似度;计算每个货物数据信息元素的相似度平均值,则决策树子方案的相似度函数为:
通过计算子方案的相似度则计算出两个决策树的相似对方程如式(4)所示,
建立任意两个决策树的相似度如式(5)所示。
在公式(6)中,矩阵中Simm,n表示第n与m个决策树的相似度。
作为本发明进一步的技术方案,Elman人工神经网络算法的工作方法为:
步骤(一)、将货物名称、批号、运输时间、出厂时间、货物分类名称和货物运输方式输入到Elman人工神经网络算法;
步骤(二)、将输入的数据信息通过映射的方式映射到Elman人工神经网络,其中映射函数表示为:
式(7)中,Pi表示映射函数,X表示Elman人工神经网络算法输入层的数据, Xi表示第i个输入Elman人工神经网络所对应神经元的训练样本,σ表示Elman 人工神经网络径向基函数的平滑参数,T表示监控的时间;
根据X和Xi通过欧式距离求平方积D为:
D2=(X-Xi)T(X-Xi) (8)
在公式(8)中,其中D表示欧式距离求平方积;将Elman人工神经网络模式层输出的所有神经元相加求和得到SD:
式(9)中,SD表示Elman人工神经网络模式层输出参数,K表示Elman人工神经网络中所有有效神经元的有效系数,yij表示第i个货物运输数据信息调度操作数据样本集中第j个元素;Yk的维数k与Elman人工神经网络模式层中的神经元数量相同,n表示计算次数;
步骤(三),当SD的输出值大于设置阈值时,则发出货物运输信息调度命令,当SD的输出值不大于设置阈值时,则不发出货物运输信息调度命令。
作为本发明进一步的技术方案,数据动态发布方法通过以下函数表示:
构建数据动态函数实现数据运输中不同数据信息动态检测,不满足公式则继续发布新数据,当不满足公式,则不发布新数据。
在公式(10)中,其中p[]表示数据发布输出函数,β表示设置阈值,ei表示信息传输准确误差,ui表示信息传输理论误差,Ni表示数据信息动态检测数据量。
作为本发明进一步的技术方案,用户移动端货物运输方法的工作方法,步
骤包括:
(S1)用户在移动端提交货物运输订单,计算机网络系统提示接受订单信息;
(S2)货物运输位置信息通过无线通信模块传输到计算机网络并同步到用户移动端;
(S3)无线监控模块将货物图像信息同步到用户移动端,用户移动端通过控制模块对计算机网络系统进行通信;
(S4)计算机网络系统向用户移动端发送货物到达信息,用户移动端通过控制模块和通信模块向货物存放单元发送开锁指令。
为了解决上述技术问题,本发明采用采用以下技术方案
一种货物运输系统,其中包括:
计算机网络系统,用于处理并传输货物运输的数据信息,包括数据通信系统、网络操作系统、数据处理系统和网络应用系统;所述数据通信系统通过无线网络接收到货物运输的数据信息,数据处理系统通过数据库信息和数据分析模块对数据信息进行分析处理,网络操作系统通过单片机系统对外通信,网络应用系统通过编程语言在用户移动端对货物运输数据信息进行网页显示;
改进型C5.0决策树算法模型,用于将数据地址信息进行分类,所述改进型 C5.0决策树算法模型包括处理模块、数据匹配模块和归类模块;所述处理模块通过端口和处理器接收数据并提取出关键数据,数据匹配模块将接受的关键数据与数据库中信息对比,确认数据所属子集,归类模块依据数据匹配模块确认的所属集合;
Elman人工神经网络模型,用于传输和处理信息,所述Elman人工神经网络模型包括输入单元、隐含单元、承接单元和输出单元;所述输入单元用于信号的输入,所述隐含单元用于将信号线性或非线性处理,转化成函数进行传输,所述承接单元用于存储隐含单元的输出值并将输出值反馈到隐含单元的输入,所述输出单元用于将输入的函数线性加权并输出;其中输入单元连接隐含单元,隐含单元连接承接单元,承接单元连接输出单元;
二维傅里叶模块用于将二维图像信息转换成数据信息,所述二维傅里叶模块包括二维傅里叶分解模块和数据转化模块;其中所述二维傅里叶分解模块用于将微微图像分解成纵横方向角频率不同的平面波,所述数据转化模块用于将平面波的角频率转化成设备可读的数据信息;
移动端货物运输系统,用于用户查阅控制货物运输信息,所述移动端货物运输系统包括控制模块、无线通信模块、处理模块和显示模块,处理模块通过处理接收或发送数据信息将数据在显示模块中显示,用户通过显示模块查阅货物运输信息,控制模块通过处理模块和通信模块建立用户移动端与货物运输计算机网络系统建立联系;
其中无线监控系统将采集到的数据信息传输到计算机网络系统,由计算机网络系统同步到移动端货物运输系统,分类模块采集到货物信息,上传到计算机网络系统进行数据处理后同步到移动端货物运输系统。
本发明有益的积极效果在于:
在本发明的方法通过数据处理实现三阶段货物运输,其中第一阶段为发送地与省级单位之间的运输;第二阶段为省级单位与市级单位之间的运输;第三阶段为市级单位与用户目的地之间的传输;其特征在于:在第一阶段运输中,对货物归属地信息进行分类,采用的分类方法为改进型C5.0决策树算法;
在第二阶段运输中,采用无线监控方法实现货物运输信息的监测,无线监控方法为:通过图像传感器对货物图像信息的获取,处理器利用二维傅里叶变换对货物图像信息的处理,通信端通过无线分组通信方式实现货物图像信息的发送,在发送货物图像信息时,通过调度监控方法对传输过程中的数据信息进行监控,其中调度监控方法为Elman人工神经网络算法;
在第三阶段运输中,采用数据动态发布方法将所收到的运输数据信息远程在线动态地与用户终端获取货物运输数据信息。
不同于其他货物运输,本发明具有高安全性和准确性,提供无线监控通信技术,通过在不同的运输阶段,将货物运输分析与计算与计算机网络系统结合起来,将货物运输信息和移动用户端联系起来,便于用户查看货物情况,大大提高了货物运输能力。
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性的前提下,还可以根据这些附图获得其他的附图,其中:
图1为本发明货物运输方法整体流程示意图;
图2为本发明Elman人工神经网络算法流程示意图;
图3为本发明中一种实施例信息安全算法流程图;
图4为本发明中一种实施例地址信息分类流程图;
图5为本发明中一种实施例计算机网络系统工作步骤图;
图6为本发明中一种实施例货物运输整体架构示意图;
图7为本发明转化二叉树模型一种实施例架构示意图。
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,以下结合具体实施例,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仅用以解释本发明,并不用于限定本发明。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,都属于本发明保护的范围。
如图1-图7所示,一种货物运输方法,所述方法通过数据处理实现三阶段货物运输,其中第一阶段为发送地与省级单位之间的运输;第二阶段为省级单位与市级单位之间的运输;第三阶段为市级单位与用户目的地之间的传输;其特征在于:在第一阶段运输中,对货物归属地信息进行分类,采用的分类方法为改进型C5.0决策树算法,所述改进型C5.0决策树算法的方法为:步骤一、将输入的货物数据信息按照C5.0决策树算法模型的规则进行编码;步骤二、针对输入的货物数据信息,将满足筛选条件的货物归属地信息归属到不同的货物归属地信息存储分区;步骤三、在货物归属地信息存储分区中,设置货物归属地信息的分类相似度;步骤四、在具有同一分类相似度的货物数据信息中,设置货物归属地信息的名称;在完成步骤一、步骤二、步骤三和步骤四之后,对货物归属地信息进行采集,采集的方法是通过RFID射频识别方法对货物信息进行采集,通过OCR 文字识别模型将货物上地址文字提取,将地址文字传输到计算机网络系统;之后通过数据处理分析对接收到的地址数据进行分析,根据数据库中的地址归属模型将地址数据分类到货物运输信息地址库中;
在第二阶段运输中,采用无线监控方法实现货物运输信息的监测,无线监控方法为:通过图像传感器对货物图像信息的获取,处理器利用二维傅里叶变换对货物图像信息的处理,通信端通过无线分组通信方式实现货物图像信息的发送,在发送货物图像信息时,通过调度监控方法对传输过程中的数据信息进行监控,其中调度监控方法为Elman人工神经网络算法;
在第三阶段运输中,采用数据动态发布方法将所收到的运输数据信息远程在线动态地与用户终端获取货物运输数据信息。
本发明将三种不同阶段的数据信息转换为运输过程中数据信息处理,能够提高数据元素分析和应用能力。
在具体实施例中,比如货物归属地自动分类采用分类方法实现货物运输信息的分析,分类方法如下:分类模块采集数据信息并通过决策树算法模型实现数据信息分类,根据地址数据从属子集不同进行分类。比如扫描仪通过光学字符识别 (Optical CharacterRecognition,OCR)的文字识别功能扫描货物地址信息,如果能识别出信息就将地址信息传输到计算机网络系统中数据处理系统对接收到的地址数据进行分析,根据地址从属类确定信息所属集合,判断是否能找到地址信息所属集合,能找到就将地址数据分类到合适的地址库中,打开集合对应通道,将货物运输到对应地点,如果货物地址信息识别不出或找不到地址信息所属集合,货物将不会被分类,需要重新填写地址信息再进行分类。货物分拣机接收数据处理分析模块分析结果,将货物运输到指定通道。
其中光学字符识别技术对文本资料扫描后对得到的图像文件进行分析处理获得版面信息,光学字符识别技术设别信息有以下步骤:
(S1)图像输入,对不同的图像格式,有不同的压缩或存储方式,将文本扫描得到的图像信息以合适的方式进行储存。
(S2)图像预处理,预处理包括二值化、去噪和字体矫正,扫描到的图像信息是彩色图像,色彩信息量过多会影响文字识别,二值化是将图片分为前景信息和后景信息,定义前景信息为黑色,后景信息为白色,去噪是去除文档信息的其他干扰,字体矫正是将倾斜或不端正的字体进行矫正。
(S3)字符切割识别,将图片切割成小部分,之后用文字统计识别和文字识别提取出文字。
在上述实施例中,在第二阶段运输中,货物运输安全监测采用无线监控方法实现货物运输信息的处理,无线监控方法包括:首先需要采集模块通过传感器对货物形状采集多帧短曝光图像,其次处理模块接收图像信息并通过傅里叶变换方法处理图像,将空间域处理转变为变换域处理,最后通信模块通过无线通信传输将图像数据信息传输到数据处理系统。
傅里叶变换方法处理图像是将图像函数转换成周期函数处理,二维傅里叶变换将图像变为图像梯度分布图,图像梯度分布图中亮度不同的点是图像上点与点之间的强度差异,图像梯度分布图中暗点多代表图像柔和,而亮点多代表图像尖锐。傅里叶变换在以时间为自变量的信号转变为以频率为自变量的频谱函数,在频域中进行分析,当自变量的时间和频率以连续形式和离散形式不同组合时,可以形成不同的傅里叶变换对,显示信号与频谱的对应关系,根据傅里叶变换的可分离性、线性、共轭对称性、位移性、尺度变换性、旋转不变性、卷积性和直流分量处理频域中的图像信息。
在上述实施例中,在第三阶段运输中,货物运输与用户联系采用移动端货物运输方法实现用户与货物运输的数据信息传输,移动端货物运输方法通过互联网的同步信息性获得货物运输数据信息。用户可在移动端的货物运输网站中查看货物运输方式、货物现状以及货物与目的地的距离,可通过网站中设置的功能对货物线上查看。
在具体实施例中,按照C5.0决策树算法模型的规则进行编码方法为:将输入C5.0决策树算法模型的数据信息按照决策树或者规则集进行编码。在具体实施例中,比如通过编码器将输入的数据信息通过逻辑规则编码,按照决策树进行编码时,通过设置根节点、子节点进行设置,通过规则集进行编码时,通过设置一定的规则实现数据信息编码。
在本明进一步的实施例中,筛选货物归属地信息的方法为:在数据接收和发送之间通过矩阵方程表示,矩阵方程表示为:
在公式(1)中,P(xm/yn)为接收到的货物运输数据信息集,xm表示运输货物的数据信息,yn表示货物运输过程中所容纳货物运输数据信息集,当满足∑P(xi/yi)=1时,则将货物运输数据信息归为一类,当不满足时,货物运输数据信息不归为一类。
由于货物运输过程中数据信息比较多,比如货物类型、货物运输批次、货物传递名称、货物运输类型等多种方式,在分析这些数据信息时,就需要将不同的类型进行分类,通过矩阵方程能够显示出所有货物的数据类型。
在本发明中,通过设置货物归属地信息的分类相似度时,通过将决策树转为二叉树结构的方法实现,如图7所示,方法为构建二叉树结构决策树对比属性,在进行二叉树结构决策树构建时,决策树(decision tree)是一个树结构(可以是二叉树或非二叉树)。其每个非叶节点表示一个特征属性上的测试,每个分支代表这个特征属性在某个值域上的输出,而每个叶节点存放一个类别。使用决策树进行决策的过程就是从根节点开始,测试待分类项中相应的特征属性,并按照其值选择输出分支,直到到达叶子节点,将叶子节点存放的类别作为决策结果。这种方法比较直观。构造决策树的关键步骤是分裂属性。所谓分裂属性就是在某个节点处按照某一特征属性的不同划分构造不同的分支。
在本发明中,构建Simn计算函数,其中Simn计算函数为:
在公式(2)中,针对于数值型元素进行的元素相似度Simn计算公式如式2 所示;
在公式(3)中,k1和k2为相似度系数数值,Simn表示为竖向判别式为上下限, t表示为筛选货物数据信息的最大相似度;计算每个货物数据信息元素的相似度平均值,在具体实施例中,通过设置相似度系数比较不同货物数据信息之间的关联度,以提高数据信息分析能力。
则决策树子方案的相似度函数为:
通过计算子方案的相似度则计算出两个决策树的相似对方程如式(4)所示,
建立任意两个决策树的相似度如式(5)所示。
在公式(6)中,矩阵中Simm,n表示第n与m个决策树的相似度。
通过该实施例中,在存在多种货物运输过程中,可以分析出不同类型货物之间的关联,根据关联度,从而提高了货物运输能力。
在本发明中,具体如图2所示,Elman人工神经网络算法的工作方法为:
步骤(一)、将货物名称、批号、运输时间、出厂时间、货物分类名称和货物运输方式输入到Elman人工神经网络算法;在运算Elman人工神经网络算法时,可以将上述不同类型的数据信息编成数据信息,通过数据编码以提高信息计算能力。
步骤(二)、将输入的数据信息通过映射的方式映射到Elman人工神经网络,其中映射函数表示为:
式(7)中,Pi表示映射函数,X表示Elman人工神经网络算法输入层的数据, Xi表示第i个输入Elman人工神经网络所对应神经元的训练样本,σ表示Elman 人工神经网络径向基函数的平滑参数,T表示监控的时间;
通过将上述不同的参数信息转换为数学模型以提高Elman人工神经网络的计算能力。根据X和Xi通过欧式距离求平方积D为:
D2=(X-Xi)T(X-Xi) (8)
在公式(8)中,其中D表示欧式距离求平方积;将Elman人工神经网络模式层输出的所有神经元相加求和得到SD:
式(9)中,SD表示Elman人工神经网络模式层输出参数,K表示Elman人工神经网络中所有有效神经元的有效系数,yij表示第i个货物运输数据信息调度操作数据样本集中第j个元素;Yk的维数k与Elman人工神经网络模式层中的神经元数量相同,n表示计算次数;
步骤(三),当SD的输出值大于设置阈值时,则发出货物运输信息调度命令,当SD的输出值不大于设置阈值时,则不发出货物运输信息调度命令。
在本发明中,数据动态发布方法通过以下函数表示:
构建数据动态函数实现数据运输中不同数据信息动态检测,不满足公式则继续发布新数据,当不满足公式,则不发布新数据。
在公式(10)中,其中p[]表示数据发布输出函数,β表示设置阈值,ei表示信息传输准确误差,ui表示信息传输理论误差,Ni表示数据信息动态检测数据量。
在具体实施例中,数据动态函数能够实现数据运输中不同数据信息动态检测,以动态检测不同数据信息。
在具体实施例中,用户移动端货物运输方法的工作方法,步骤包括:
(S1)用户在移动端提交货物运输订单,计算机网络系统提示接受订单信息;
(S2)货物运输位置信息通过无线通信模块传输到计算机网络并同步到用户移动端;
(S3)无线监控模块将货物图像信息同步到用户移动端,用户移动端通过控制模块对计算机网络系统进行通信;
(S4)计算机网络系统向用户移动端发送货物到达信息,用户移动端通过控制模块和通信模块向货物存放单元发送开锁指令。
在进一步的技术方案中,如图3-图6所示,本发明采用采用以下技术方案一种货物运输系统,其中包括:
计算机网络系统,用于处理并传输货物运输的数据信息,包括数据通信系统、网络操作系统、数据处理系统和网络应用系统;所述数据通信系统通过无线网络接收到货物运输的数据信息,数据处理系统通过数据库信息和数据分析模块对数据信息进行分析处理,网络操作系统通过单片机系统对外通信,网络应用系统通过编程语言在用户移动端对货物运输数据信息进行网页显示;
改进型C5.0决策树算法模型,用于将数据地址信息进行分类,所述改进型 C5.0决策树算法模型包括处理模块、数据匹配模块和归类模块;所述处理模块通过端口和处理器接收数据并提取出关键数据,数据匹配模块将接受的关键数据与数据库中信息对比,确认数据所属子集,归类模块依据数据匹配模块确认的所属集合;
Elman人工神经网络模型,用于传输和处理信息,所述Elman人工神经网络模型包括输入单元、隐含单元、承接单元和输出单元;所述输入单元用于信号的输入,所述隐含单元用于将信号线性或非线性处理,转化成函数进行传输,所述承接单元用于存储隐含单元的输出值并将输出值反馈到隐含单元的输入,所述输出单元用于将输入的函数线性加权并输出;其中输入单元连接隐含单元,隐含单元连接承接单元,承接单元连接输出单元;
二维傅里叶模块用于将二维图像信息转换成数据信息,所述二维傅里叶模块包括二维傅里叶分解模块和数据转化模块;其中所述二维傅里叶分解模块用于将微微图像分解成纵横方向角频率不同的平面波,所述数据转化模块用于将平面波的角频率转化成设备可读的数据信息;
移动端货物运输系统,用于用户查阅控制货物运输信息,所述移动端货物运输系统包括控制模块、无线通信模块、处理模块和显示模块,处理模块通过处理接收或发送数据信息将数据在显示模块中显示,用户通过显示模块查阅货物运输信息,控制模块通过处理模块和通信模块建立用户移动端与货物运输计算机网络系统建立联系;
其中无线监控系统将采集到的数据信息传输到计算机网络系统,由计算机网络系统同步到移动端货物运输系统,分类模块采集到货物信息,上传到计算机网络系统进行数据处理后同步到移动端货物运输系统。
在上述实施例中,在具体实施例中,货物包装箱包括气囊装置、无线监控模块和定位模块。气囊装置采用汽车安全气囊原理工作,包括碰撞传感器、气体发生器和气囊。当碰撞传感器检测到货物包装箱发生剧烈震动时会向气体发生器发出工作信号,气体发生器会产生点火动作,点燃固态燃料产生大量气体向气囊充气,气囊迅速膨胀达到保护货物的目的。定位模块向空间站卫星发送请求确认地址信号,定位模块获得地址数据后并将地址信号通过无线监控模块发送到计算机网络系统。无线监控模块以无线监控方法的形式进行货物检测和信息传输。中转卸货或装货时,通过通讯网络将位置数据信息实时传送到云端计算机的数据接收模块,数据接收模块将位置信息同步到移动端,移动端通过戴克斯特拉(Dijkstra) 算法计算出货物与目的地的距离,预估货物到达目的地的时间并在移动端显示,用户通过移动端设备监测货物运输情况。
在具体实施例中,戴克斯特拉算法通过广度优先搜索解决赋权有向图的单源最短路径问题,首先固定一个顶点作为源节点,找到源节点到其他节点的最短路径,产生最短路径统计数。戴克斯特拉算法中把地图作为一个有权重的有向图,把有向图中出发地和目的地作为顶点,两个顶点之间有路径相连,两点之间的最低权重就是两点之间的最短距离。
在具体实施例中,计算机网络系统具有数据通信、资源共享和分布处理功能,计算机网络系统的数据通信可以传递计算机与设备之间的各种信息,计算机网络系统的资源共享指网络中的所有硬件、软件和数据资源都可以被网络用户使用,计算机网络系统的分布处理是在其中一台计算机工作负担过重时,计算机网络可以将新任务交给空闲计算机完成。计算机网络系统用于处理并存储统计传输货物运输的数据信息,包括数据通信系统、网络操作系统、数据处理系统和网络应用系统。
在具体实施例中,计算机网络系统运行步骤如图三所示:
(S1)数据通信系统通过无线网络接收到货物运输的数据信息。
(S2)数据处理系统通过数据库信息和数据分析模块对数据信息进行分析处理。
(S3)网络操作系统通过单片机系统对外通信。
(S4)网络应用系统通过编程语言在用户移动端对货物运输数据信息进行网页显示。
在上述实施例中,图像采集模块包括传感器芯片和数字化器件。传感器芯片通过自身对电磁能量谱波段的敏感性,把接受的辐射转换成与辐射强度成正比的电信号;数字化器件将传感器芯片传过来的电信号转化为离散的数字信号,从而输入无线通信模块。在传感器芯片中有一个和图像矩阵对应的电极矩阵,其中一个电极与同行所有像素对应的电极相通,另一个电极与同列所有像素对应的电极相通。可以通过电极矩阵访问像素。两个电极的电压均为正,光电子累加,像素的行和列保持正电压,展现出一副完整图像,这种工作模式称为积分模式。或者两个电极的电压一个为正一个为负,负电极的光电子会累积到正电极,光电子的迁移产生的脉冲不会消除,这种工作模式称为非消除性模式。或者两个电极的电压均为负,光电子会流失,在电路中激发脉冲,可以用来清除图像信息,这种工作模式称为消除性模式。当电极矩阵中电极电压均为正,可以用来传输完整的图片信息。
在具体实施例中,所述处理模块通过位模式数据表示法统一数据类型,处理模块通过多个控制和运算单元处理数据,处理模块包括记录存储单元、传送单元、控制单元和运算单元。所述记录存储单元通过存储单元记录各单元数据信息,运算单元采用多个逻辑电路实现对数据的运算,传送单元通过输入输出电路接收和发送数据信息,控制单元通过多路选择命令方式控制各单元输入与输出。位模式数据表示法是用计算机中二进制、八进制、十进制或十六进制代码组成的字符串表示数据,现在计算机引用十六进制的位模式,十六进制表示数据的字符长度更简短且与二进制转换更方便。
在具体实施例中,所述无线通信模块包括无线分组(General Packet RadioService,GPRS)模块、无线保真(Wireless Fidelity,Wifi)模块、存储模块、处理模块和单片机。所述无线分组模块通过与服务器建立联系实现通信。所述无线保真模块通过无线局域网与互联网连接。所述存储模块通过存储单元将通信数据信息进行存储。所述处理模块通过控制器和运算器处理数据并控制执行命令。所述单片机内部有无线通信模块,通过单片机控制无线通信。其中无线保真通过无线方式将终端互相连接,是无线局域网技术,无线保真可以通过无线电波联网,多采用无线路由器电波覆盖,在覆盖范围内都可以以无线保真的方式进行联网。无线保真模块和无线分组模块连接,处理模块与无线分组模块通过串口连接,控制电路中添加了模拟开关可以使无线分组模块根据网络实际情况选择通信方式,无线通信模块中添加电平转换装置可以匹配各模块之间电平,单片机通过指令控制驱动其他模块。处理模块与存储模块进行数据传输时,会进行双向身份认证,获得临时会话密钥,单片机具有协议处理功能,对密钥数据处理,开始控制处理模块与存储模块之间通信。
在具体实施例中,所述数据处理系统通过数据程序化处理信息数据,所述数据处理系统包括数据库和数据分析工具;数据库通过数据表空间存储文件,数据分析工具可以对数据库内存储文件调用更改;数据分析工具包括预测分析模块、语义模块和数据质量管理模块,预测分析模块通过可视化数据分析直观展示数据,数据质量管理模块通过信息安全算法提高数据价值,语义模块通过语义引擎智能提取数据信息。
其中数据分析采用分布式系统基础架构,分布式系统基础架构依赖社区服务器运行,以一种可靠、高效和可伸缩的方式解决数据存储和计算问题。分布式系统基础架构会假设计算元素会存储失败,会维护多个数据处理副本,确保能针对失败节点重新分布处理。分布式系统基础架构以并行的工作方式加快处理速度。分布式系统基础架构可伸缩,能处理较高级别单位的数据。
数据分析是一种统计分析方法,通过恰当的统计分析方法对接收到的数据进行分析,提取数据中的有用信息并统计出来再深入研究总结,利用总结的数据结果理性思考并决策。数据分析步骤包括明确分析目标、数据收集、数据清理、数据分析和数据报告。首先要明确分析目标,了解需求,明确数据分析的目的;其次数据收集,对分析目标进行一段时间内的数据收集,为数据分析提供依据;再次数据分析,从大量数据中抽取有价值的数据,分析目标的优缺点以及现状原因;最后生成数据报告,总结出数据分析的结果,便于决策。
在具体实施例中,如图一所示,信息安全算法模型实施过程,首先要建立数据分析处理系统信息模型,分别是系统运行信息模型和装置运行信息模型,对信息模型进行权重法信息转换,解编码,初始化信息种群,对信息种群通过安全系数判断其安全性,判断安全系数的目标函数是否满足迭代条件,满足则求解目标函数,判断目标函数是否符合优化的约束条件,符合的话输出优化数据;不符合则重新求解目标函数;不满足则使信息种群选择交叉,生成一个新种群,继续评判其安全性。信息安全算法模型通过不断选择最佳优化信息提取量筛选出获得最终优化数据。根据遗传算法保证信息种群最优化,信息种群包括数据处理系统的基础数据信息和指令信息。
所述数据质量管理模块采用信息安全算法模型为数据处理系统提供最大安全化,信息安全算法模型的目标函数公式如公式(1)所示:
公式(11)中,E是数据处理系统总信息安全系数,M是数据处理系统中信息管理系统数,T是总时间,km是误差系数,Qm是提取信息引用量,Ht m是初始信息;公式(1)表示信息安全系数与影响信息安全系数的因素之间的函数关系.
为提高运行期最小稳定值,需提高数据质量管理的最小稳定上线,模块装置运行信息的目标函数如公式(12)所示:
公式(12)中N表示数据处理系统的信息总容量,数据处理系统的最大的信息总容量是所有信息管理系统安全系数的加权和;在对数据处理系统整体优化调度时,对数据处理系统的稳定性和信息提取量进行约束,约束条件如公式(3)所示:
公式(13)中P(m,t)表示数据处理系统稳定性,QF(m,t)表示数据处理系统信息提取量,数据处理系统稳定性和信息提取量都在一定范围内;提高数据处理系统信息安全使用加权法对目标函数进行处理,并使用改进后的遗传算法解优化调度模型最优解;对每个目标函数设置权重,将模型中多个目标转成一个目标,数据处理的安全稳定性的目标函数如公式(4)所示:
公式(14)中,F是整体稳定性处于最大的目标函数,w1是系统信息的权重系数,w2是系统装置运行信息最大的权重系统,数据处理获取最大稳定性需要对数据处理系统总信息安全系数和数据处理系统稳定性分别进行加权;通过改进后的遗传算法对优化调度的目标函数求解和权重系数计算,得到数据处理系统不同工作状态下的信息安全权重,可知道不同信息对安全稳定的重要性;遗传算法是模拟达尔文生物进化论的自然选择和生物进化过程的计算模型,通过模拟进化过程搜索最优解的方法,在对信息进行优化时不需要确定规则就能自动获取和指导优化的搜索空间,自动调整搜索方向,遗传算法以提取出的所有信息作为目标对象,用随机化技术对信息空间进行高效搜索,遗传算法通过选择、交叉和变异操作对目标对象进行控制筛选。
数据处理系统进行信息优化,拥有部分优化数据集合,为降低数据处理规模,从集合中按照一定比例区抽取数据,抽取样本大小如公式(5)所示:
公式(15)中,Q是整体系统信息量,α是整体信息量优化的比例大小,M是二者的比值,公式(5)求出平均优化信息的样本大小;对抽取的优化信息进行标准化处理,将抽取的优化信息映射到区间(0,1)可以消除其他变量的影响,如公式(6) 所示:
公式(16)中,n是标准化处理之前的优化信息数据,n是标准化处理之后的优化信息数据,nmax和nmin分别是所优化信息中稳定性的最大值和最小值。使用公式可以进行多次优化信息筛选,降低误差带来的数据质量分析影响。得到标准化处理的优化信息数据进行初始聚类中心的获取,将优化的聚类中心分配到重心数据层面,不属于优化的聚类中心数据分配到无关数据层面,使用公式可以进行多次优化信息筛选,降低误差带来的数据质量分析影响
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这些具体实施方式仅是举例说明,本领域的技术人员在不脱离本发明的原理和实质的情况下,可以对上述方法和系统的细节进行各种省略、替换和改变;例如,合并上述方法步骤,从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围;因此,本发明的范围仅由所附权利要求书限定。
Claims (8)
1.一种货物运输方法,所述方法通过数据处理实现三阶段货物运输,其中第一阶段为发送地与省级单位之间的运输;第二阶段为省级单位与市级单位之间的运输;第三阶段为市级单位与用户目的地之间的传输;其特征在于:在第一阶段运输中,对货物归属地信息进行分类,采用的分类方法为改进型C5.0决策树算法,所述改进型C5.0决策树算法的方法为:步骤一、将输入的货物数据信息按照C5.0决策树算法模型的规则进行编码;步骤二、针对输入的货物数据信息,将满足筛选条件的货物归属地信息归属到不同的货物归属地信息存储分区;步骤三、在货物归属地信息存储分区中,设置货物归属地信息的分类相似度;步骤四、在具有同一分类相似度的货物数据信息中,设置货物归属地信息的名称;在完成步骤一、步骤二、步骤三和步骤四之后,对货物归属地信息进行采集,采集的方法是通过RFID射频识别方法对货物信息进行采集,通过OCR文字识别模型将货物上地址文字提取,将地址文字传输到计算机网络系统;之后通过数据处理分析对接收到的地址数据进行分析,根据数据库中的地址归属模型将地址数据分类到货物运输信息地址库中;
在第二阶段运输中,采用无线监控方法实现货物运输信息的监测,无线监控方法为:通过图像传感器对货物图像信息的获取,处理器利用二维傅里叶变换对货物图像信息的处理,通信端通过无线分组通信方式实现货物图像信息的发送,在发送货物图像信息时,通过调度监控方法对传输过程中的数据信息进行监控,其中调度监控方法为Elman人工神经网络算法;
在第三阶段运输中,采用数据动态发布方法将所收到的运输数据信息远程在线动态地与用户终端获取货物运输数据信息。
2.根据权利要求1所述的一种货物运输方法,其特征在于:
按照C5.0决策树算法模型的规则进行编码方法为:将输入C5.0决策树算法模型的数据信息按照决策树或者规则集进行编码。
4.根据权利要求1所述的一种货物运输方法,其特征在于:
设置货物归属地信息的分类相似度时,通过将决策树转为二叉树结构的方法实现,方法为构建二叉树结构决策树对比属性,构建Simn计算函数,其中Simn计算函数为:
在公式(2)中,针对于数值型元素进行的元素相似度Simn计算公式如式2所示;
在公式(3)中,k1和k2为相似度系数数值,Simn表示为竖向判别式为上下限,t表示为筛选货物数据信息的最大相似度;计算每个货物数据信息元素的相似度平均值,则决策树子方案的相似度函数为:
通过计算子方案的相似度则计算出两个决策树的相似对方程如式(4)所示,
建立任意两个决策树的相似度如式(5)所示。
在公式(6)中,矩阵中Simm,n表示第n与m个决策树的相似度。
5.根据权利要求1所述的一种货物运输方法,其特征在于:
Elman人工神经网络算法的工作方法为:
步骤(一)、将货物名称、批号、运输时间、出厂时间、货物分类名称和货物运输方式输入到Elman人工神经网络算法;
步骤(二)、将输入的数据信息通过映射的方式映射到Elman人工神经网络,其中映射函数表示为:
式(7)中,Pi表示映射函数,X表示Elman人工神经网络算法输入层的数据,Xi表示第i个输入Elman人工神经网络所对应神经元的训练样本,σ表示Elman人工神经网络径向基函数的平滑参数,T表示监控的时间;
根据X和Xi通过欧式距离求平方积D为:
D2=(X-Xi)T(X-Xi) (8)
在公式(8)中,其中D表示欧式距离求平方积;将Elman人工神经网络模式层输出的所有神经元相加求和得到SD:
式(9)中,SD表示Elman人工神经网络模式层输出参数,K表示Elman人工神经网络中所有有效神经元的有效系数,yij表示第i个货物运输数据信息调度操作数据样本集中第j个元素;Yk的维数k与Elman人工神经网络模式层中的神经元数量相同,n表示计算次数;
步骤(三),当SD的输出值大于设置阈值时,则发出货物运输信息调度命令,当SD的输出值不大于设置阈值时,则不发出货物运输信息调度命令。
7.根据权利要求1所述的一种货物运输方法,其特征在于:用户移动端货物运输方法的工作方法,步骤包括:
(S1)用户在移动端提交货物运输订单,计算机网络系统提示接受订单信息;
(S2)货物运输位置信息通过无线通信模块传输到计算机网络并同步到用户移动端;
(S3)无线监控模块将货物图像信息同步到用户移动端,用户移动端通过控制模块对计算机网络系统进行通信;
(S4)计算机网络系统向用户移动端发送货物到达信息,用户移动端通过控制模块和通信模块向货物存放单元发送开锁指令。
8.一种货物运输系统,其特征在于:包括:
计算机网络系统,用于处理并传输货物运输的数据信息,包括数据通信系统、网络操作系统、数据处理系统和网络应用系统;所述数据通信系统通过无线网络接收到货物运输的数据信息,数据处理系统通过数据库信息和数据分析模块对数据信息进行分析处理,网络操作系统通过单片机系统对外通信,网络应用系统通过编程语言在用户移动端对货物运输数据信息进行网页显示;
改进型C5.0决策树算法模型,用于将数据地址信息进行分类,所述改进型C5.0决策树算法模型包括处理模块、数据匹配模块和归类模块;所述处理模块通过端口和处理器接收数据并提取出关键数据,数据匹配模块将接受的关键数据与数据库中信息对比,确认数据所属子集,归类模块依据数据匹配模块确认的所属集合;
Elman人工神经网络模型,用于传输和处理信息,所述Elman人工神经网络模型包括输入单元、隐含单元、承接单元和输出单元;所述输入单元用于信号的输入,所述隐含单元用于将信号线性或非线性处理,转化成函数进行传输,所述承接单元用于存储隐含单元的输出值并将输出值反馈到隐含单元的输入,所述输出单元用于将输入的函数线性加权并输出;其中输入单元连接隐含单元,隐含单元连接承接单元,承接单元连接输出单元;
二维傅里叶模块用于将二维图像信息转换成数据信息,所述二维傅里叶模块包括二维傅里叶分解模块和数据转化模块;其中所述二维傅里叶分解模块用于将微微图像分解成纵横方向角频率不同的平面波,所述数据转化模块用于将平面波的角频率转化成设备可读的数据信息;
移动端货物运输系统,用于用户查阅控制货物运输信息,所述移动端货物运输系统包括控制模块、无线通信模块、处理模块和显示模块,处理模块通过处理接收或发送数据信息将数据在显示模块中显示,用户通过显示模块查阅货物运输信息,控制模块通过处理模块和通信模块建立用户移动端与货物运输计算机网络系统建立联系;
其中无线监控系统将采集到的数据信息传输到计算机网络系统,由计算机网络系统同步到移动端货物运输系统,分类模块采集到货物信息,上传到计算机网络系统进行数据处理后同步到移动端货物运输系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211362366.4A CN115660538B (zh) | 2022-11-02 | 2022-11-02 | 一种货物运输方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211362366.4A CN115660538B (zh) | 2022-11-02 | 2022-11-02 | 一种货物运输方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115660538A true CN115660538A (zh) | 2023-01-31 |
CN115660538B CN115660538B (zh) | 2023-07-21 |
Family
ID=84996273
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211362366.4A Active CN115660538B (zh) | 2022-11-02 | 2022-11-02 | 一种货物运输方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115660538B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116976605A (zh) * | 2023-07-26 | 2023-10-31 | 速度科技股份有限公司 | 一种基于大数据的数据运营系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
CN107977819A (zh) * | 2017-12-14 | 2018-05-01 | 江西理工大学 | 一种基于互联网的智能物流管理系统 |
CN110705666A (zh) * | 2019-10-22 | 2020-01-17 | 顺忠宝智能科技(深圳)有限公司 | 人工智能云计算展示架货架货物和标签监控与存储货物方法 |
CN110942271A (zh) * | 2019-12-11 | 2020-03-31 | 江苏佳利达国际物流股份有限公司 | 一种基于神经网络遗传算法的智能运输调度管理方法 |
CN115063073A (zh) * | 2022-06-10 | 2022-09-16 | 安徽大学 | 一种高效保密的无人机协同配送方法 |
-
2022
- 2022-11-02 CN CN202211362366.4A patent/CN115660538B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
CN107977819A (zh) * | 2017-12-14 | 2018-05-01 | 江西理工大学 | 一种基于互联网的智能物流管理系统 |
CN110705666A (zh) * | 2019-10-22 | 2020-01-17 | 顺忠宝智能科技(深圳)有限公司 | 人工智能云计算展示架货架货物和标签监控与存储货物方法 |
CN110942271A (zh) * | 2019-12-11 | 2020-03-31 | 江苏佳利达国际物流股份有限公司 | 一种基于神经网络遗传算法的智能运输调度管理方法 |
CN115063073A (zh) * | 2022-06-10 | 2022-09-16 | 安徽大学 | 一种高效保密的无人机协同配送方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116976605A (zh) * | 2023-07-26 | 2023-10-31 | 速度科技股份有限公司 | 一种基于大数据的数据运营系统 |
CN116976605B (zh) * | 2023-07-26 | 2024-03-19 | 速度科技股份有限公司 | 一种基于大数据的数据运营系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115660538B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112564974B (zh) | 一种基于深度学习的物联网设备指纹识别方法 | |
CN113326377B (zh) | 一种基于企业关联关系的人名消歧方法及系统 | |
CN110636445B (zh) | 基于wifi的室内定位方法、装置、设备及介质 | |
CN114816909A (zh) | 一种基于机器学习的实时日志检测预警方法及系统 | |
CN113922985A (zh) | 一种基于集成学习的网络入侵检测方法及系统 | |
US20230131178A1 (en) | Water circulation intelligent sensing and monitoring system based on differentiable reasoning | |
CN116186594B (zh) | 基于决策网络结合大数据实现环境变化趋势智能检测方法 | |
CN112367273A (zh) | 基于知识蒸馏的深度神经网络模型的流量分类方法及装置 | |
CN115660538A (zh) | 一种货物运输方法及系统 | |
CN115965058A (zh) | 神经网络训练方法、实体信息分类方法、装置及存储介质 | |
CN117436724A (zh) | 一种基于智慧城市的多源数据可视化分析方法及系统 | |
CN114491187A (zh) | 一种自然资源智能监测集成系统 | |
CN106355537A (zh) | 一种智能串并案分析方法及系统 | |
CN117171650A (zh) | 基于网络爬虫技术的文献数据处理方法、系统及介质 | |
CN117372144A (zh) | 应用于小样本场景的风控策略智能化方法及系统 | |
CN115170838A (zh) | 一种数据筛选方法及装置 | |
CN111931874B (zh) | 基于深度学习和数据聚类的伴随式诱饵生成方法及装置 | |
CN113657443A (zh) | 一种基于soinn网络的在线物联网设备识别方法 | |
CN109976271B (zh) | 一种利用信息表征方法计算信息结构有序度的方法 | |
Zeyang | Research on intelligent acceleration algorithm for big data mining in communication network based on support vector machine | |
CN112782660A (zh) | 基于Bert的雷达目标识别方法 | |
CN116993307B (zh) | 一种具有人工智能学习能力的协同办公方法及系统 | |
Gong et al. | Research on mobile traffic data augmentation methods based on SA-ACGAN-GN | |
CN114997278B (zh) | 基于计算机算法模型的工程数字化信息分析方法 | |
CN115147225B (zh) | 一种数据转移信息识别方法、装置、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 |