CN115660540A - 货物跟踪方法、装置、计算机设备和存储介质 - Google Patents
货物跟踪方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN115660540A CN115660540A CN202211682039.7A CN202211682039A CN115660540A CN 115660540 A CN115660540 A CN 115660540A CN 202211682039 A CN202211682039 A CN 202211682039A CN 115660540 A CN115660540 A CN 115660540A
- Authority
- CN
- China
- Prior art keywords
- data
- acquisition
- cargo
- information
- truth
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012544 monitoring process Methods 0.000 claims abstract description 48
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 230000002452 interceptive effect Effects 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000010845 search algorithm Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 101100063942 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) dot-1 gene Proteins 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及货物物流技术领域,公开了一种货物跟踪方法、装置、计算机设备和存储介质,所述方法包括获取货物监测数据,所述货物监测数据包括布设在货物输送路径上的多个采集点获取的多组监测信息;基于采集时间对各个采集点的监测信息进行分组,获得各个采集点的信息组集合;将各个采集点的信息组集合输入真值发现模型和元启发式算法进行交互迭代,直到满足终止条件后,获得真值序列推测集合;将所述真值序列推测集合中的真值序列推测数据进行比对分析,获得货物状态信息。本申请解决了现有货物跟踪方法存在跟踪信息容易存在错误的问题。
Description
技术领域
本申请涉及货物物流技术领域,具体是指一种货物跟踪方法、装置、计算机设备和存储介质。
背景技术
随着现代物流行业的自动化和智能化发展,物流系统日趋复杂,在一次从发货到收货的物流过程中,往往涉及多个物流中转、仓储、分拣、安检及派发等过程。
上述过程通常在物流集散中心完成,物流集散中心通常是物流系统的关键节点,对物流资源的合理调配起到决定性的作用。物流集散中心具有处理量大、货物来源和目的地复杂以及具有多重功能的特点。
物流集散中心对货物的有效处理取决于高效准确的货物信息采集及跟踪系统,现有货物信息采集及跟踪的主流技术是基于RFID对货物标签进行识别。在货物传送过程中,多个RFID采集点会对经过的货物进行读码,以确定货物的实时位置,所采集的数据会传递给信息处理系统以作为货物中转、仓储、分拣、安检及派发等的依据。
现有货物信息采集及跟踪技术采用RFID作为单一数据来源对货物状态进行实时监测,若由于设备或货物以及其他原因造成数据采集或传输的错误,无法对这一情况进行识别和修正。例如某一处RFID读取数据漏读或错读某些条码,则这些条码会直接传送给信息处理系统,造成货物跟踪信息错误,干扰后续的货物中转、仓储、分拣、安检及派发等工作。
发明内容
基于以上技术问题,本申请提供了一种货物跟踪方法、装置、计算机设备和存储介质,解决了现有货物跟踪方法存在跟踪信息容易存在错误的问题。
为解决以上技术问题,本申请采用的技术方案如下:
一种货物跟踪方法,包括:
获取货物监测数据,所述货物监测数据包括布设在货物输送路径上的多个采集点获取的多组监测信息;
基于采集时间对各个采集点的监测信息进行分组,获得各个采集点的信息组集合;
将各个采集点的信息组集合输入真值发现模型和元启发式算法进行交互迭代,直到满足终止条件后,获得真值序列推测集合;
将所述真值序列推测集合中的真值序列推测数据进行比对分析,获得货物状态信息。
一种货物跟踪装置,包括:
数据采集模块,所述数据采集模块用于获取货物监测数据,所述货物监测数据包括布设在货物输送路径上的多个采集点获取的多组监测信息;
数据整理模块,所述数据整理模块用于基于采集时间对各个采集点的监测信息进行分组,获得各个采集点的信息组集合;
真值获取模块,所述真值获取模块用于将各个采集点的信息组集合输入真值发现模型和元启发式算法进行交互迭代,直到满足终止条件后,获得真值序列推测集合;
状态分析模块,所述状态分析模块用于将所述真值序列推测集合中的真值序列推测数据进行比对分析,获得货物状态信息。
一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述方法的步骤。
一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行上述方法的步骤。
与现有技术相比,本申请的有益效果是:
上述方法、装置、计算机设备和存储介质
本申请通过将真值发现模型与元启发式算法进行结合,可以在货物信息采集及跟踪过程中引入对照数据进行真值发现,以解决货物信息采集及跟踪系统中无法解决的信息纠错问题,可有效修正货物跟踪过程中各种因素造成的采集值失真,提高了货物跟踪信息准确率,获得准确的货物跟踪信息,增强了物流决策的可靠性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。其中:
图1为货物跟踪方法的流程示意图。
图2为基于采集时间对各个采集点的监测信息进行分组,获得各个采集点的信息组集合的流程示意图。
图3为对所述信息组集合中的信息组进行处理的流程示意图。
图4为禁忌搜索的流程示意图。
图5为真值发现模型和元启发式算法进行交互迭代的流程示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例的附图,对本公开实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本公开的一部分实施例,而不是全部的实施例。基于所描述的本公开的实施例,本领域普通技术人员在无需创造性劳动的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。
应当理解,本说明书中所使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
应当理解,本说明书中除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
参阅图1,在一些实施例中,一种货物跟踪方法,包括:
S101,获取货物监测数据,所述货物监测数据包括布设在货物输送路径上的多个采集点获取的多组监测信息;
具体的,一组监测信息是指在设定时间内,多个货物经过同一采集点记录下的货物信息;以此,多个采集点就可以获得多组检测信息;
具体的,采集点上可以设置一个或多个采集设备,使采集点具有一种或多种采集方式,例如RFID读写器、摄像头等,RFID读写器可以读写货物标签信息,摄像头可以采集货物图像信息;
优选的,货物输送路径的起点与终点均设置有采集点。
S102,基于采集时间对各个采集点的监测信息进行分组,获得各个采集点的信息组集合;
其中,采集点会对经过的货物进行信息采集,由于不同的货物经过采集点的时间并不相同,通过采集时间可以对监测信息进行分组,以形成不同货物的监测信息组。
S103,将各个采集点的信息组集合输入真值发现模型和元启发式算法进行交互迭代,直到满足终止条件后,获得真值序列推测集合;
其中,真值发现模型的作用在于将来源于多个不同信息源的信息进行识别处理,以甄别真实信息。比如在本实施例中,当具有多种采集方式时,如果货物在输送过程中存在问题,则不同采集方式提供的监测信息也将不尽相同,这就需要利用真值发现模型从复数个信息来源提供的信息中提炼出尽可能真实,即与实际情况一致的信息。
优选的,所述真值发现模型的具体公式为:
其中,表示采集点k处的真值集合,表示货物i在采集点
k处针对采集方式m的真值,即真值序列推测数据;表示权重集合,表示
货物i在采集点k处针对采集方式m的权重,表示采集点k处的集合;表示货
物i在采集点k处针对采集方式m的采集值,即信息组集合;S表示采集点集合;
具体的,所述真值发现模型初始输入的真值集合为货物输送路径起点的信息组集合。
其中,元启发式算法是一类应用于各种优化问题的成熟有效的算法,其特点是可以针对具有一定规模的NP难问题进行优化,且不需要太多的迭代时间。这一类算法被广泛应用于包括登机门分配问题、生产线调度问题、设施布局问题、生产线平衡问题以及拆卸线平衡问题等等各种优化问题当中。
具体的,本实施采用禁忌搜索算法,禁忌搜索算法作为一种经典的元启发式算法,具有较好的局部搜索性能和全局搜索性能。
采用禁忌搜索算法迭代获取真值,输入的数据包括当前权重数据集,采集值数据集(即经过处理的数据集中的数据,信息组集合),货物个数及当前的真值估计值。第一次进入迭代时,采用的默认真值数据集为货物登陆系统时(即赋予货物RFID条码时)采集的条码和图像数据,即货物输送路径起点的信息组集合;采用的默认权重数据集为所有权重相等,后续迭代中采用上一循环生成的权重数据集。具体的,禁忌搜索流程参阅图4。
具体的,目标值的计算式与计算模型目标值相同,迭代对象为真值集合。
具体的,候选解集的生成方式为:
(1)创建一个可用条码集B和可用图像集P,分别包含0(代表空值)、-1(代表疑似叠包)以及当前真值集合中不存在但在采集点1存在的条码或图像数据;
(2)随机将当前真值集合中的一个条码/图像和B/P中的一个随机条码/图像交换位置。若有一侧为0或-1,则保持B和P中只有一个0和一个-1即可。
(3)重复上述步骤,生成若干候选解并组成候选解集。
其中,除了禁忌搜索算法之外,其他任何能实现类似功能的启发式算法、元启发式算法或其他算法均可以用于本实施例的实现。
具体的,真值发现模型和元启发式算法进行交互迭代的流程参阅图5所示。元启发式算法迭代的方法是输入当前权重数据集,通过迭代获取匹配的真值数据集(真值数据集要求不同测量方法获得的数据要对应起来,即真值集合中所有关联数据对中的多源数据为同一对象产生),真值发现模型迭代方法是输入当前真值数据集,迭代合适的权重数据集。通过循环来逐渐迭代得出真值。循环的终止条件为元启发式算法迭代的目标值和真值发现模型迭代的目标值之差小于一定值,或者元启发式算法迭代的目标值和真值发现模型迭代的目标值之差保持不变一定的循环次数,可根据实际情况设置合适的终止条件。
S104,将所述真值序列推测集合中的真值序列推测数据进行比对分析,获得货物状态信息。
其中,通过获取得到的真值序列推测数据,便可以排除信息采集过程中的错误信息,从而利用真实的跟踪信息数据,获得货物真实的状态信息。
本实施例中,通过将真值发现模型与元启发式算法进行结合,可以在货物信息采集及跟踪过程中引入对照数据进行真值发现,以解决货物信息采集及跟踪系统中无法解决的信息纠错问题,可有效修正货物跟踪过程中各种因素造成的采集值失真,提高了货物跟踪信息准确率,获得准确的货物跟踪信息,增强了物流决策的可靠性。
参阅图2,在一些实施例中,基于采集时间对各个采集点的监测信息进行分组,获得各个采集点的信息组集合包括:
S201,对所述监测信息中的数据进行分组,并将采集时间差值在预设范围内的数据合并为一组,获得由若干数据组构成的第一集合;
S202,基于采集方式对所述数据组中的数据进行分组,将属于同一采集方式的数据合并为一组,获得当前采集点的信息组集合。
本实施例中,对于同一采集点,同一货物经过采集点进行信息采集时,不同采集方式的采集时间会在一定差值范围内。因此,基于采集时间可以将疑似同一货物的采集信息汇总,然后再对数据组按采集方式进行分组,便可获得不同货物经过同一采集点的信息组。
具体的,有一组检测信息{ B(1),B(2),B(3),B(4),B(5),P(1), P(2), P(3), P(4)},对应的采集时间{time1,time2,time3,time4,time5,time6,time7,time8,time9},设时间差值范围为T。
若其中存在,|time1-time6|<T, |time2-time7|<T,|time3-time8|<T,|time5-time9|<T2,且time1<time2<time3<time4<time5,则将B(1)和P(1)关联,B(2)和P(2)关联,B(3)和P(3)关联,B(5)和P(4)关联。
参阅图3,优选的,还包括对所述信息组集合中的信息组进行处理,所述处理包括:
S301,获取采集方式的数量与所述信息组的分组数量之间的数量差;
其中,将采集方式数量与信息组的分组数量进行比对,可以看出信息组是否涵盖了所有的采集方式,若数量差为零,则信息组中包含所有采集方式,若数量差不为零,则表示信息组并未包含所有采集方式。
优选的,若所述数量差不为零,则向所述信息组中补入与所述数量差等同数量的空位状态值。
其中,若数量差不为零,则表示信息组并未包含所有采集方式,在信息组中,缺失的数据可以以空位状态值表示。
具体的,空位状态值以0表示。例如{[B(1)],[ B(3), P(3)]},修改为{[B(1),0],[ B(3), P(3)]}。
S302,若所述数量差为零,则获取所述信息组中的各组数据的数量;
S303,若数量大于一,则判定数据是否相同,相同则将其统一为同一数据,不相同则将数据以异常状态值表示。
其中,如果数据是图像,经相关技术处理,可将货物对应的图像信息处理为一个特征值P(n),由于图片特征数据是一个“加工值”,其数据是一个范围内的近似值,为了对图像信息进行比对,可设图像相似度阈值为Px。则|Diff(P(n),P(n-1))|<Px为两图像的相似度判断的方法。即|Diff(P(n),P(n-1))|<Px时,认为P(n)和P(n-1)对应的是同一货物的图像信息,便可判定数据相同。
具体的,异常状态值包括叠包状态值,叠包状态值以-1表示。例如{[B(1),B(2),P(1)],[ B(3), P(3)]},修改为{[-1,P(1)],[ B(3), P(3)]}。
优选的,还包括基于所述信息组集合对所述真值序列推测数据进行修正,所述修正包括:
若所述信息组中存在异常状态值,则将对应的真值序列推测数据统一为异常状态值;
若所述信息组中均为空位状态值,则将对应的真值序列推测数据统一为空位状态值;
若所述信息组中不全为异常状态值和空位状态值,则对应的真值序列推测数据与所述信息组统一。
其中,真值修正的作用是根据测量值对输出的真值推测值进行修正,主要实现的功能为统一不同数值来源的异常值情况。
本实施例中,由于真值发现模型其优化计算过程仅存在于同一采集点的数据之间,适合于采用边缘计算技术将每个采集点的数据进行分布式处理,再将处理后的数据汇总完成货物状态的跟踪监测及其他数据操作,具有较强的实时跟踪监测性能。
综合上述实施例,以下将通过具体数据对本申请的货物跟踪方法进行进一步说明:
假设货物输送路径上具有9个数据采集点,采集8个货物的信息。其中,信息采集方式为两种,具体为图像设备采集的图像数据和标签读取设备采集的标签数据,所采集的数据如下(为简化说明,以下相同货物n的对应的图像数据由P(n)统一表示,相同货物n的对应的条码数据由B(n)统一表示,这一简化的目的在于简化说明过程,不影响实际实施过程):
采集点1,具体监测信息如下表所示:
采集点1为货物登陆系统的采集点,条码和图像数据一一对应,采集时间规则。
采集点2,具体监测信息如下表所示:
采集点2条码和图像数据一一对应,但采集时间出现偏移,P(6)和B(3)的采集时间分别向后和向前发生偏移。
采集点3,具体监测信息如下表所示:
采集点3条码出现了漏采的情况,并未录入P(4)的数据。
采集点4,具体监测信息如下表所示:
采集点4图像出现了漏采的情况,并未录入B(3)的数据。
采集点5,具体监测信息如下表所示:
采集点5条码出现了错读,数据中出现两个P(2),且P(7)缺失。
采集点6,具体监测信息如下表所示:
采集点6图像出现了错读,数据中出现两个B(5),且B(6)缺失。
采集点7,具体监测信息如下表所示:
采集点7出现了疑似叠包,对货物5和货物6采集到的数值时间接近。
采集点8,具体监测信息如下表所示:
采集点8继续出现疑似叠包,对货物5和货物6条码采集顺序发生了调换,并且货物5和货物6采集时间发生了错位。
采集点9,具体监测信息如下表所示:
采集点9继续出现疑似叠包,货物5和货物6采集时间继续错位。
以上9个采集点的数据代表的真实情况是货物5和货物6从采集点7开始发生叠包,并且在采集点2到采集点6随机加入了干扰因素,以模拟实际情况下可能存在的数据采集不稳定的问题,采集点1为信息录入的初始采集点提供完整正确的初始货物信息。
以上信息首先进行数据整理,成可用于迭代的信息组集合,具体数据如下:
采集点1:
{[P(1),B(1)],[P(2),B(2)],[P(3),B(3)],[P(4),B(4)],[P(5), B(5)],[P(6),B(6)],[P(7),B(7)],[P(8),B(8)]};
采集点2:
{[P(1),B(1)],[P(2),B(2)],[P(3),0],[P(4),-1],[P(5), B(5)],[-1,B(6)],[0,B(7)],[P(8),B(8)]};
采集点3:{
[P(1),B(1)],[P(2),B(2)],[P(3),B(3)],[0,B(4)],[P(5), B(5)],[P(6),B(6)],[P(7),B(7)],[P(8),B(8)]};
采集点4:
{[P(1),B(1)],[P(2),B(2)],[P(3),0],[P(4),B(4)],[P(5), B(5)],[P(6),B(6)],[P(7),B(7)],[P(8),B(8)]};
采集点5:
{[P(1),B(1)],[P(2),B(2)],[P(3),B(3)],[P(4),B(4)],[P(5), B(5)],[P(6),B(6)],[P(2),B(7)],[P(8),B(8)]};
采集点6:
{[P(1),B(1)],[P(2),B(2)],[P(3),B(3)],[P(4),B(4)],[P(5), B(5)],[P(6),B(5)],[P(7),B(7)],[P(8),B(8)]};
采集点7:
{[P(1),B(1)],[P(2),B(2)],[P(3),B(3)],[P(4),B(4)],[-1, -1],[P(7),B(7)],[P(8),B(8)],[0,0]};
采集点8:
{[P(1),B(1)],[P(2),B(2)],[P(3),B(3)],[P(4),B(4)], [-1, -1],[P(7),B(7)],[P(8),B(8)],[0,0]};
采集点9:
{[P(1),B(1)],[P(2),B(2)],[P(3),B(3)],[P(4),B(4)],[0, -1],[-1,0],[P(7),B(7)],[P(8),B(8)]};
将以上数据代入真值发现模型进行交互迭代,当满足真值发现模型的目标值之差小于0.1的终止条件时,迭代终止,并输出最终的真值序列推测值和权重分布如下:
采集点1真值序列:{[P(1),B(1)],[P(2),B(2)],[P(3),B(3)],[P(4),B(4)],[P(5), B(5)],[P(6),B(6)],[P(7),B(7)],[P(8),B(8)]}1
采集点1对应权重:{[2.7726,2.7726],[2.7726,2.7726],[2.7726,2.7726],[2.7726,2.7726], [2.7726,2.7726],[2.7726,2.7726],[2.7726,2.7726],[2.7726,2.7726]}1
采集点2真值序列:{[P(1),B(1)],[P(2),B(2)],[P(3),B(3)],[P(4),B(4)],[P(5), B(5)],[P(6),B(6)],[P(7),B(7)],[P(8),B(8)]}2
采集点2对应权重:{[15.6225,15.6225],[15.6225,15.6225],[15.6225,1.3863],[15.6225,1.3863], [15.6225,15.6225],[1.3863,15.6225],[1.3863,15.6225],[15.6225,15.6225]}2
采集点3真值序列:{[P(1),B(1)],[P(2),B(2)],[P(3),B(3)],[P(4),B(4)],[P(5), B(5)],[P(6),B(6)],[P(7),B(7)],[P(8),B(8)]}3
采集点3对应权重:{[ 15.2563,15.2563],[15.2563,15.2563],[15.2563,15.2563],[0,15.2563],[ 15.2563,15.2563],[ 15.2563,15.2563],[ 15.2563,15.2563],[ 15.2563,15.2563]}3
采集点4真值序列:{[P(1),B(1)],[P(2),B(2)],[P(3),B(3)],[P(4),B(4)],[P(5), B(5)],[P(6),B(6)],[P(7),B(7)],[P(8),B(8)]}4
采集点4对应权重:{[ 15.2563,15.2563],[15.2563,15.2563],[15.2563,0],[15.2563,15.2563],[ 15.2563,15.2563],[ 15.2563,15.2563],[ 15.2563,15.2563],[15.2563,15.2563]}4
采集点5真值序列:{[P(1),B(1)],[P(2),B(2)],[P(3),B(3)],[P(4),B(4)],[P(5), B(5)],[P(6),B(6)],[P(7),B(7)],[P(8),B(8)]}5
采集点5对应权重:{[ 15.2563,15.2563],[15.2563,15.2563],[15.2563,15.2563],[15.2563,15.2563],[ 15.2563,15.2563],[ 15.2563,15.2563],[ 0,15.2563],[ 15.2563,15.2563]}5
采集点6真值序列:{[P(1),B(1)],[P(2),B(2)],[P(3),B(3)],[P(4),B(4)],[P(5), B(5)],[P(6),B(6)],[P(7),B(7)],[P(8),B(8)]}6
采集点6对应权重:{[ 15.2563,15.2563],[15.2563,15.2563],[15.2563,15.2563],[15.2563,15.2563],[ 15.2563,15.2563],[ 15.2563,0],[ 15.2563,15.2563],[ 15.2563,15.2563]}6
采集点7真值序列:{[P(1),B(1)],[P(2),B(2)],[P(3),B(3)],[P(4),B(4)],[-1,-1],[P(7),B(7)],[P(8),B(8)],[0,0]}7
采集点7对应权重:{[2.7726,2.7726],[2.7726,2.7726],[2.7726,2.7726],[2.7726,2.7726], [2.7726,2.7726],[2.7726,2.7726],[2.7726,2.7726],[2.7726,2.7726]}7
采集点8真值序列:{[P(1),B(1)],[P(2),B(2)],[P(3),B(3)],[P(4),B(4)], [-1,-1],[P(7),B(7)],[P(8),B(8)],[0,0]}8
采集点8对应权重:{[2.7726,2.7726],[2.7726,2.7726],[2.7726,2.7726],[2.7726,2.7726], [2.7726,2.7726],[2.7726,2.7726],[2.7726,2.7726],[2.7726,2.7726]}8
采集点9真值序列:{[P(1),B(1)],[P(2),B(2)],[P(3),B(3)],[P(4),B(4)], [-1,-1],[-1,-1],[P(7),B(7)],[P(8),B(8)]}9
采集点9对应权重:{[ 15.0938,15.0938],[ 15.0938,15.0938],[ 15.0938,15.0938],[ 15.0938,15.0938], [0.6931,15.0938],[15.0938,0.6931],[ 15.0938,15.0938],[ 15.0938,15.0938]}9
从上述数据可知,采集点2、采集点3、采集点4、采集点5以及采集点6的推测真值均与采集点1收集的数据即真实货物状态相同,排除了随机的传感器故障的干扰,而采集点7、采集点8和采集点9准确判断了货物5和货物6的叠包状态,给出了-1作为叠包指示,其他未发生叠包的货物仍按顺序完成正常识别。
在一些实施例中,还公开了一种货物跟踪装置,包括:
数据采集模块,所述数据采集模块用于获取货物监测数据,所述货物监测数据包括布设在货物输送路径上的多个采集点获取的多组监测信息;
数据整理模块,所述数据整理模块用于基于采集时间对各个采集点的监测信息进行分组,获得各个采集点的信息组集合;
真值获取模块,所述真值获取模块用于将各个采集点的信息组集合输入真值发现模型和元启发式算法进行交互迭代,直到满足终止条件后,获得真值序列推测集合;
状态分析模块,所述状态分析模块用于将所述真值序列推测集合中的真值序列推测数据进行比对分析,获得货物状态信息。
为解决上述技术问题,本申请还公开了一种计算机设备,其特征在于,包括存储器和处理器,存储器中存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述货物跟踪方法的步骤。
其中,所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或D界面显示存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEBROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器可以是所述计算机设备的内部存储单元,例如该计算机设备的硬盘或内存。在另一些实施例中,所述存储器也可以是所述计算机设备的外部存储设备,例如该计算机设备上配备的插接式硬盘,智能存储卡(Smart Media),安全数字卡(SD Card),闪存卡(Flash Card)等。当然,所述存储器还可以既包括所述计算机设备的内部存储单元也包括其外部存储设备。本实施例中,所述存储器常用于存储安装于所述计算机设备的操作系统和各类应用软件,例如所述货物跟踪方法的程序代码等。此外,所述存储器还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器通常用于控制所述计算机设备的总体操作。本实施例中,所述处理器用于运行所述存储器中存储的程序代码或者处理数据,例如运行所述货物跟踪方法的程序代码。
为解决上述技术问题,本申请还公开了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述货物跟踪方法的步骤。
其中,所述计算机可读存储介质存储有界面显示程序,所述界面显示程序可被至少一个处理器执行,以使所述至少一个处理器执行如上述的货物跟踪方法的步骤。
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,服务器或者网络设备等)执行本申请各个实施例所述的方法。
如上即为本申请的实施例。上述实施例以及实施例中的具体参数仅是为了清楚表述申请的验证过程,并非用以限制本申请的专利保护范围,本申请的专利保护范围仍然以其权利要求书为准,凡是运用本申请的说明书及附图内容所作的等同结构变化,同理均应包含在本申请的保护范围内。
Claims (10)
1.货物跟踪方法,其特征在于,包括:
获取货物监测数据,所述货物监测数据包括布设在货物输送路径上的多个采集点获取的多组监测信息;
基于采集时间对各个采集点的监测信息进行分组,获得各个采集点的信息组集合;
将各个采集点的信息组集合输入真值发现模型和元启发式算法进行交互迭代,直到满足终止条件后,获得真值序列推测集合;
将所述真值序列推测集合中的真值序列推测数据进行比对分析,获得货物状态信息。
2.根据权利要求1所述的货物跟踪方法,其特征在于,基于采集时间对各个采集点的监测信息进行分组,获得各个采集点的信息组集合包括:
对所述监测信息中的数据进行分组,并将采集时间差值在预设范围内的数据合并为一组,获得由若干数据组构成的第一集合;
基于采集方式对所述数据组中的数据进行分组,将属于同一采集方式的数据合并为一组,获得当前采集点的信息组集合。
3.根据权利要求2所述的货物跟踪方法,其特征在于,还包括对所述信息组集合中的信息组进行处理,所述处理包括:
获取采集方式的数量与所述信息组的分组数量之间的数量差;
若所述数量差为零,则获取所述信息组中的各组数据的数量;
若数量大于一,则判定数据是否相同,相同则将其统一为同一数据,不相同则将数据以异常状态值表示。
4.根据权利要求3所述的货物跟踪方法,其特征在于:
若所述数量差不为零,则向所述信息组中补入与所述数量差等同数量的空位状态值。
5.根据权利要求4所述的货物跟踪方法,其特征在于,还包括基于所述信息组集合对所述真值序列推测数据进行修正,所述修正包括:
若所述信息组中存在异常状态值,则将对应的真值序列推测数据统一为异常状态值;
若所述信息组中均为空位状态值,则将对应的真值序列推测数据统一为空位状态值;
若所述信息组中不全为异常状态值和空位状态值,则对应的真值序列推测数据与所述信息组统一。
7.根据权利要求6所述的货物跟踪方法,其特征在于:
所述真值发现模型初始输入的真值集合为货物输送路径起点的信息组集合。
8.货物跟踪装置,其特征在于,包括:
数据采集模块,所述数据采集模块用于获取货物监测数据,所述货物监测数据包括布设在货物输送路径上的多个采集点获取的多组监测信息;
数据整理模块,所述数据整理模块用于基于采集时间对各个采集点的监测信息进行分组,获得各个采集点的信息组集合;
真值获取模块,所述真值获取模块用于将各个采集点的信息组集合输入真值发现模型和元启发式算法进行交互迭代,直到满足终止条件后,获得真值序列推测集合;
状态分析模块,所述状态分析模块用于将所述真值序列推测集合中的真值序列推测数据进行比对分析,获得货物状态信息。
9.一种计算机设备,其特征在于:包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述货物跟踪方法的步骤。
10.一种计算机可读存储介质,其特征在于:存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述货物跟踪方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211682039.7A CN115660540B (zh) | 2022-12-27 | 2022-12-27 | 货物跟踪方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211682039.7A CN115660540B (zh) | 2022-12-27 | 2022-12-27 | 货物跟踪方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115660540A true CN115660540A (zh) | 2023-01-31 |
CN115660540B CN115660540B (zh) | 2024-01-26 |
Family
ID=85023267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211682039.7A Active CN115660540B (zh) | 2022-12-27 | 2022-12-27 | 货物跟踪方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115660540B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116562746A (zh) * | 2023-07-10 | 2023-08-08 | 深圳市辉熙智能科技有限公司 | 一种被服物流站点的被服数据监控方法及相关装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9317567B1 (en) * | 2011-02-16 | 2016-04-19 | Hrl Laboratories, Llc | System and method of computational social network development environment for human intelligence |
US20160171440A1 (en) * | 2014-12-12 | 2016-06-16 | Infosys Limited | Method and system for freight management |
CN105976298A (zh) * | 2016-06-02 | 2016-09-28 | 广东工业大学 | 一种基于离散蝙蝠算法的物流运输调度方法 |
CN113947156A (zh) * | 2021-10-22 | 2022-01-18 | 河南大学 | 一种健康群智感知系统及其成本优化的联邦学习方法 |
CN115081119A (zh) * | 2022-07-20 | 2022-09-20 | 中铁第四勘察设计院集团有限公司 | 一种列车装载的优化方法、装置、设备及可读存储介质 |
-
2022
- 2022-12-27 CN CN202211682039.7A patent/CN115660540B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9317567B1 (en) * | 2011-02-16 | 2016-04-19 | Hrl Laboratories, Llc | System and method of computational social network development environment for human intelligence |
US20160171440A1 (en) * | 2014-12-12 | 2016-06-16 | Infosys Limited | Method and system for freight management |
CN105976298A (zh) * | 2016-06-02 | 2016-09-28 | 广东工业大学 | 一种基于离散蝙蝠算法的物流运输调度方法 |
CN113947156A (zh) * | 2021-10-22 | 2022-01-18 | 河南大学 | 一种健康群智感知系统及其成本优化的联邦学习方法 |
CN115081119A (zh) * | 2022-07-20 | 2022-09-20 | 中铁第四勘察设计院集团有限公司 | 一种列车装载的优化方法、装置、设备及可读存储介质 |
Non-Patent Citations (1)
Title |
---|
王贺: "基于激光和视觉数据融合的3D多目标跟踪", 中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑), no. 03 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116562746A (zh) * | 2023-07-10 | 2023-08-08 | 深圳市辉熙智能科技有限公司 | 一种被服物流站点的被服数据监控方法及相关装置 |
CN116562746B (zh) * | 2023-07-10 | 2024-01-16 | 深圳市辉熙智能科技有限公司 | 一种被服物流站点的被服数据监控方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115660540B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020062702A9 (zh) | 短信发送的方法、装置、计算机设备和存储介质 | |
JP6920378B2 (ja) | 再修理用基板の検出装置、方法およびコンピュータ読み取り可能な記憶媒体 | |
EP4390803A1 (en) | Supplies inventory method and apparatus, and device and storage medium | |
CN112520286B (zh) | 补码装置、补码方法及分拣系统、存储介质和电子设备 | |
CN115660540B (zh) | 货物跟踪方法、装置、计算机设备和存储介质 | |
CN107833001A (zh) | 物流箱管理方法、装置及电子设备 | |
CN113627168A (zh) | 一种元器件封装冲突的检查方法、装置、介质及设备 | |
CN111582786A (zh) | 基于机器学习的快递单号识别方法、装置和设备 | |
CN115168868A (zh) | 一种应用于人工智能的业务漏洞分析方法及服务器 | |
CN109614257A (zh) | 程序异常的处理方法、装置、计算机存储介质及电子设备 | |
CN115358914B (zh) | 用于视觉检测的数据处理方法、装置、计算机设备及介质 | |
CN116340172A (zh) | 基于测试场景的数据收集方法、装置及测试用例检测方法 | |
CN115643172A (zh) | 一种异常检测方法、装置、终端设备及存储介质 | |
WO2021186706A1 (ja) | 修理支援システムおよび修理支援方法 | |
CN114493159A (zh) | 一种基于mes系统的节点位置校验方法和装置 | |
CN112287936A (zh) | 光学字符识别测试方法、装置、可读存储介质及终端设备 | |
CN118094450B (zh) | 一种故障预警方法及相关设备 | |
CN112612882B (zh) | 检阅报告生成方法、装置、设备和存储介质 | |
CN116309692B (zh) | 基于深度学习用于机场安检人包绑定的方法、装置及介质 | |
CN116503887B (zh) | 基于图像识别的货代订单处理方法 | |
CN112529038B (zh) | 一种主板物料的识别方法、装置及存储介质 | |
CN117994190A (zh) | 安检机状态识别方法、装置、电子设备及可读存储介质 | |
CN113779065A (zh) | 数据比对的验证方法、装置、终端设备及介质 | |
CN113591477A (zh) | 基于关联数据的故障定位方法、装置、设备及存储介质 | |
Götte et al. | Application-specific quality metrics for the assessment of data for deep learning from large datasets |
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 |