CN115860645A - 一种基于大数据的物流仓储管理方法及系统 - Google Patents
一种基于大数据的物流仓储管理方法及系统 Download PDFInfo
- Publication number
- CN115860645A CN115860645A CN202310154667.6A CN202310154667A CN115860645A CN 115860645 A CN115860645 A CN 115860645A CN 202310154667 A CN202310154667 A CN 202310154667A CN 115860645 A CN115860645 A CN 115860645A
- Authority
- CN
- China
- Prior art keywords
- logistics
- data
- area
- resource
- information
- 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
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
本发明公开了一种基于大数据的物流仓储管理方法及系统,通过获取物流区域大数据并进行货物数据分析与货物订单预测,生成物流模拟预测数据,根据所述物流模拟预测数据进行物流资源布局分析,得到多个区域资源分配数据并根据区域资源分配数据进行多区域的数据融合与差异分析,得到区域物流特点差异信息,从而能够更加直观地掌握物流区域的特点信息,提高对物流过程的精准调控。另外,在出现物流突发异常的情况,能够通过物流区域的特点差异进行资源分配调控,从而提高物流系统的健壮性,为物流企业降本增效。
Description
技术领域
本发明涉及大数据应用领域,更具体的,涉及一种基于大数据的物流仓储管理方法及系统。
背景技术
大数据技术既是社会经济高度发展的结果,也是信息技术发展的必然。它开启了一次重大的时代转型,正在改变生活及理解世界的方式,是一场生活、工作与思维的大变革。
而大数据技术的出现,使得通过数据分析可以预测事物发展的未来趋势,探索事物发展的规律,将逐渐成为现代社会基础设施不可或缺的一部分,可以帮助物流企业发现更多有价值的信息,预测物流过程中可能发生的行为,使物流业朝着数字化、一体化、智能化、网络化的方向发展。
然而,在当前传统技术应用的环境下,物流行业依然存在部分区域物流效率低下,物流异常应急能力弱,各地区物流数据相对封闭,难以形成大数据综合分析等问题。
发明内容
本发明克服了现有技术的缺陷,提出了一种基于大数据的物流仓储管理方法及系统。
本发明第一方面提供了一种基于大数据的物流仓储管理方法,包括:
获取物流区域大数据;
根据所述物流区域大数据进行货物数据分析与货物订单预测,生成物流模拟预测数据;
根据所述物流模拟预测数据进行物流资源布局分析,得到多个区域资源分配数据;
根据区域资源分配数据进行多区域的数据融合与差异分析,得到区域物流特点差异信息;
选择当前物流区域,根据区域物流特点差异信息对当前区域进行物流资源分析得到物流资源修正信息。
本方案中,所述获取物流区域大数据,包括:
从预设地区中采集各个物流区域的物流数据;
所述物流数据包括入货量、出货量、货车数量、物件大小、物件数量、库存物件;
将所述物流数据进行数据清洗、数据去冗余处理与数据格式标准化,并形成物流区域大数据。
本方案中,所述根据所述物流区域大数据进行货物数据分析与货物订单预测,生成物流模拟预测数据,具体为:
根据物流区域大数据进行特定数据提取,得到物件属性数据,物件数量信息、历史运载量、货车运输数据;
将所述物件属性数据,物件数量信息、历史运载量、货车运输数据导入大数据预测模型,得到物件信息预测数据,运载量预测数据;
根据所述物件信息预测数据,运载量预测数据进行货物入库与出库模拟并生成物流模拟预测数据。
本方案中,所述根据所述物流模拟预测数据进行物流资源布局分析,得到多个区域资源分配数据,具体为:
根据当前物流区域的物流模拟预测数据进行资源需求分析,得到运输工具需求信息、仓储物件流量需求信息、货物订单需求信息;
根据所述运输工具需求信息、仓储物件流量需求信息、货物订单需求信息进行物流资源综合分析,得到物力资源分配数据与人力资源分配数据;
将物力资源分配数据与人力资源分配数据进行数据整合得到区域资源分配数据;
对每个物流区域进行物流资源综合分析,得到多个区域资源分配数据。
本方案中,所述根据区域资源分配数据进行多区域的数据融合与差异分析,得到区域物流特点差异信息,具体为:
获取多个区域资源分配数据,提取每个区域资源分配数据的数据特征得到区域物流数据特征;
分析出每个物流区域对应的区域物流数据特征;
以当前物流区域作为中心点,将预设距离范围内其余物流区域标记为对比区域;
将对比区域中的区域物流数据特征作为对比物流数据特征;
将当前物流区域的区域物流数据特征与对比物流数据特征进行物流特点差异分析,得到当前物流区域与对比区域的物流特点差异数据;
计算分析出当前物流区域与所有对比区域的物流特点差异数据并进行数据汇总得到区域物流特点差异信息。
本方案中,所述选择当前物流区域,根据区域物流特点差异信息对当前区域进行物流资源分析得到物流资源修正信息,具体为:
实时获取当前物流区域的物件监测数据、物件运输数据;
获取当前区域的物流模拟预测数据、区域资源分配数据;
根据所述物件监测数据、物件运输数据与所述物流模拟预测数据、区域资源分配数据进行物流状况匹配分析。
本方案中,所述选择当前物流区域,根据区域物流特点差异信息对当前区域进行物流资源分析得到物流资源修正信息,还包括:
若存在物流运转量过大异常情况,则获取当前物流区域的物流特点差异数据;
从物流特点差异数据中所有的对比区域中选取差异度最小的对比区域作为相似物流区域;
将相似物流区域的区域资源分配数据与当前物流区域的区域资源分配数据进行资源数据整合与资源分析,得到物流资源修正信息;
将物流资源修正信息发送至当前物流区域与相似物流区域中的预设终端设备进行显示。
本发明第二方面还提供了一种基于大数据的物流仓储管理系统,其特征在于,该系统包括:存储器、处理器,所述存储器中包括基于大数据的物流仓储管理程序,所述基于大数据的物流仓储管理程序被所述处理器执行时实现如下步骤:
获取物流区域大数据;
根据所述物流区域大数据进行货物数据分析与货物订单预测,生成物流模拟预测数据;
根据所述物流模拟预测数据进行物流资源布局分析,得到多个区域资源分配数据;
根据区域资源分配数据进行多区域的数据融合与差异分析,得到区域物流特点差异信息;
选择当前物流区域,根据区域物流特点差异信息对当前区域进行物流资源分析得到物流资源修正信息。
本方案中,所述获取物流区域大数据,包括:
从预设地区中采集各个物流区域的物流数据;
所述物流数据包括入货量、出货量、货车数量、物件大小、物件数量、库存物件;
将所述物流数据进行数据清洗、数据去冗余处理与数据格式标准化,并形成物流区域大数据。
本方案中,所述根据所述物流区域大数据进行货物数据分析与货物订单预测,生成物流模拟预测数据,具体为:
根据物流区域大数据进行特定数据提取,得到物件属性数据,物件数量信息、历史运载量、货车运输数据;
将所述物件属性数据,物件数量信息、历史运载量、货车运输数据导入大数据预测模型,得到物件信息预测数据,运载量预测数据;
根据所述物件信息预测数据,运载量预测数据进行货物入库与出库模拟并生成物流模拟预测数据。
本发明公开了一种基于大数据的物流仓储管理方法及系统,通过获取物流区域大数据并进行货物数据分析与货物订单预测,生成物流模拟预测数据,根据所述物流模拟预测数据进行物流资源布局分析,得到多个区域资源分配数据并根据区域资源分配数据进行多区域的数据融合与差异分析,得到区域物流特点差异信息,从而能够更加直观地掌握物流区域的特点信息,提高对物流过程的精准调控。另外,在出现物流突发异常的情况,能够通过物流区域的特点差异进行资源分配调控,从而提高物流系统的健壮性,为物流企业降本增效。
附图说明
图1示出了本发明一种基于大数据的物流仓储管理方法的流程图;
图2示出了本发明获取物流模拟预测数据流程图;
图3示出了本发明获取物流资源修正信息流程图;
图4示出了本发明一种基于大数据的物流仓储管理系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于大数据的物流仓储管理方法的流程图。
如图1所示,本发明第一方面提供了一种基于大数据的物流仓储管理方法,包括:
S102,获取物流区域大数据;
S104,根据所述物流区域大数据进行货物数据分析与货物订单预测,生成物流模拟预测数据;
S106,根据所述物流模拟预测数据进行物流资源布局分析,得到多个区域资源分配数据;
S108,根据区域资源分配数据进行多区域的数据融合与差异分析,得到区域物流特点差异信息;
S110,选择当前物流区域,根据区域物流特点差异信息对当前区域进行物流资源分析得到物流资源修正信息。
根据本发明实施例,所述获取物流区域大数据,包括:
从预设地区中采集各个物流区域的物流数据;
所述物流数据包括入货量、出货量、货车数量、物件大小、物件数量、库存物件;
将所述物流数据进行数据清洗、数据去冗余处理与数据格式标准化,并形成物流区域大数据。
需要说明的是,所述物流区域大数据包括各个物流区域的历史物流数据和当前物流数据,所述物流数据通过物流点中的物联网平台进行实时采集,本发明通过分析物流区域大数据,能够对不同物流区域进行物流特点分析,从而更加精准地进行物流资源分配。所述物流区域包括多种物流点,如货源物流点、中间站物流点、分发站物流点、派送站物流点等。
图2示出了本发明获取物流模拟预测数据流程图。
根据本发明实施例,所述根据所述物流区域大数据进行货物数据分析与货物订单预测,生成物流模拟预测数据,具体为:
S202,根据物流区域大数据进行特定数据提取,得到物件属性数据,物件数量信息、历史运载量、货车运输数据;
S204,将所述物件属性数据,物件数量信息、历史运载量、货车运输数据导入大数据预测模型,得到物件信息预测数据,运载量预测数据;
S206,根据所述物件信息预测数据,运载量预测数据进行货物入库与出库模拟并生成物流模拟预测数据。
需要说明的是,所述物件属性数据包括物件的规格体积大小、重量等外观与物理属性,所述物流模拟预测数据包括物流物件的入库数量、出库数量、货物订单预测数据等。
根据本发明实施例,所述根据所述物流模拟预测数据进行物流资源布局分析,得到多个区域资源分配数据,具体为:
根据当前物流区域的物流模拟预测数据进行资源需求分析,得到运输工具需求信息、仓储物件流量需求信息、货物订单需求信息;
根据所述运输工具需求信息、仓储物件流量需求信息、货物订单需求信息进行物流资源综合分析,得到物力资源分配数据与人力资源分配数据;
将物力资源分配数据与人力资源分配数据进行数据整合得到区域资源分配数据;
对每个物流区域进行物流资源综合分析,得到多个区域资源分配数据。
需要说明的是,所述每个物流区域对应一个区域资源分配数据,有每个物流区域的物流货物特点有所差异,所对应区域资源分配数据也存在差异。
根据本发明实施例,所述根据区域资源分配数据进行多区域的数据融合与差异分析,得到区域物流特点差异信息,具体为:
获取多个区域资源分配数据,提取每个区域资源分配数据的数据特征得到区域物流数据特征;
分析出每个物流区域对应的区域物流数据特征;
以当前物流区域作为中心点,将预设距离范围内其余物流区域标记为对比区域;
将对比区域中的区域物流数据特征作为对比物流数据特征;
将当前物流区域的区域物流数据特征与对比物流数据特征进行物流特点差异分析,得到当前物流区域与对比区域的物流特点差异数据;
计算分析出当前物流区域与所有对比区域的物流特点差异数据并进行数据汇总得到区域物流特点差异信息。
需要说明的是,所述预设距离一般为人物设定,预设距离越大,范围内所包含的对比区域数量则越大。本发明通过分析不同物流区域的特点差异,能够对物流区域进行数字化精准模拟与资源调控,并对后续出现物流异常情况进行快速调控处置,有效提高物流点的应急处置能力,通过数字化分析能够更加直观地掌握物流区域的特点信息,从而提高对物流过程的精准调控。
根据本发明实施例,所述选择当前物流区域,根据区域物流特点差异信息对当前区域进行物流资源分析得到物流资源修正信息,具体为:
实时获取当前物流区域的物件监测数据、物件运输数据;
获取当前区域的物流模拟预测数据、区域资源分配数据;
根据所述物件监测数据、物件运输数据与所述物流模拟预测数据、区域资源分配数据进行物流状况匹配分析。
图3示出了本发明获取物流资源修正信息流程图。
根据本发明实施例,所述根据本发明实施例,所述选择当前物流区域,根据区域物流特点差异信息对当前区域进行物流资源分析得到物流资源修正信息,还包括:
S302,若存在物流运转量过大异常情况,则获取当前物流区域的物流特点差异数据;
S304,从物流特点差异数据中所有的对比区域中选取差异度最小的对比区域作为相似物流区域;
S306,将相似物流区域的区域资源分配数据与当前物流区域的区域资源分配数据进行资源数据整合与资源分析,得到物流资源修正信息;
S308,将物流资源修正信息发送至当前物流区域与相似物流区域中的预设终端设备进行显示。
需要说明的是,所述将物流资源修正信息发送至当前物流区域与相似物流区域中的预设终端设备进行显示中,当前物流区域中的系统通过接受物流资源修正信息能够对已有的区域资源分配数据进行修正,通过相似区域中进行物流资源的重新分配,能够有效提高物流区域的异常处置能力,提高物流效率。
另外,所述物流资源修正信息用于对物流区域的区域资源分配数据进行修正,所述区域资源分配数据包括物流人力与物力资源。
根据本发明实施例,还包括:
根据预设地区构建物流地图模型;
将预设地区中的所有物流区域从物流地图模型中进行标记;
记录物件在不同物流区域之间的运输时间,并将所述运输时间进行汇总得到物流区域运输时间数据;
根据地图模型计算每两个物流区域的相对距离并将所述距离进行数据汇总得到物流路程信息;
获取每个物流区域的区域资源分配数据;
根据所述物流区域运输时间数据、物流路程信息、区域资源分配数据对每个物流区域进行运输时效性计算与资源利用评估,得到对应的效率评估信息;
根据所述效率评估信息对所有物流区域根据效率高低进行排序得到物流区域评估表;
将所述物流区域评估表发送至用户终端设备进行显示。
需要说明的是,所述预设地区范围包含了所有物流区域。本发明通过对物流区域的时效性与资源利用情况进行综合评估得到对应物流区域评估表,通过评估表能够直观反映每个物流区域的运行效率状况,并能够进一步对效率较低的物流区域进行资源调整。
根据本发明实施例,还包括:
获取当前物流区域中仓储空间排布信息;
获取物流区域大数据中的历史运载量,历史货物运载频率,历史货物种类信息;
根据历史运载量,历史货物运载频率对不同货物进行运载需求分析,得到不同货物种类的运载需求指数;
根据所述运载需求指数大小对不同货物种类设置不同的优先级别并得到货物优先级别信息;
根据货物优先级别信息对仓储空间排布信息进行空间修正分析并生成第一仓储空间修正信息;
根据历史货物种类信息获取对应货物存放标准信息,根据所述货物存放标准信息生成货物空间排布约束条件;
根据第一仓储空间修正信息、货物空间排布约束条件对仓储空间排布进行修正并得到优化仓储空间排布信息。
需要说明的是,本发明通过对物流区域大数据的货物与仓储信息分析,进一步对货物仓储空间布局进行调整,以提高货物在仓储内运输的效率,提高物流时效性与仓储资源利用。
根据本发明实施例,还包括:
根据优化仓储空间排布信息进行仓储空间排布;
计算分析出优化仓储空间排布后的当前物流区域评估表;
将历史物流区域评估表与当前物流区域评估表进行对比分析,得到效率差值;
将效率差异信息发送至用户终端设备进行显示;
若效率差值不符合预设差值,则对当前物流区域进行二次优化评估。
需要说明的是,若效率差值不符合预设差值则代表当前物流区域综合效率不符合用户预期,需要重新进行物流空间布局优化,以达到用户预期。
图4示出了本发明一种基于大数据的物流仓储管理系统的框图。
本发明第二方面还提供了一种基于大数据的物流仓储管理系统4,该系统包括:存储器41、处理器42,所述存储器中包括基于大数据的物流仓储管理程序,所述基于大数据的物流仓储管理程序被所述处理器执行时实现如下步骤:
获取物流区域大数据;
根据所述物流区域大数据进行货物数据分析与货物订单预测,生成物流模拟预测数据;
根据所述物流模拟预测数据进行物流资源布局分析,得到多个区域资源分配数据;
根据区域资源分配数据进行多区域的数据融合与差异分析,得到区域物流特点差异信息;
选择当前物流区域,根据区域物流特点差异信息对当前区域进行物流资源分析得到物流资源修正信息。
根据本发明实施例,所述获取物流区域大数据,包括:
从预设地区中采集各个物流区域的物流数据;
所述物流数据包括入货量、出货量、货车数量、物件大小、物件数量、库存物件;
将所述物流数据进行数据清洗、数据去冗余处理与数据格式标准化,并形成物流区域大数据。
需要说明的是,所述物流区域大数据包括各个物流区域的历史物流数据和当前物流数据,所述物流数据通过物流点中的物联网平台进行实时采集,本发明通过分析物流区域大数据,能够对不同物流区域进行物流特点分析,从而更加精准地进行物流资源分配。所述物流区域包括多种物流点,如货源物流点、中间站物流点、分发站物流点、派送站物流点等。
根据本发明实施例,所述根据所述物流区域大数据进行货物数据分析与货物订单预测,生成物流模拟预测数据,具体为:
根据物流区域大数据进行特定数据提取,得到物件属性数据,物件数量信息、历史运载量、货车运输数据;
将所述物件属性数据,物件数量信息、历史运载量、货车运输数据导入大数据预测模型,得到物件信息预测数据,运载量预测数据;
根据所述物件信息预测数据,运载量预测数据进行货物入库与出库模拟并生成物流模拟预测数据。
需要说明的是,所述物件属性数据包括物件的规格体积大小、重量等外观与物理属性,所述物流模拟预测数据包括物流物件的入库数量、出库数量、货物订单预测数据等。
根据本发明实施例,所述根据所述物流模拟预测数据进行物流资源布局分析,得到多个区域资源分配数据,具体为:
根据当前物流区域的物流模拟预测数据进行资源需求分析,得到运输工具需求信息、仓储物件流量需求信息、货物订单需求信息;
根据所述运输工具需求信息、仓储物件流量需求信息、货物订单需求信息进行物流资源综合分析,得到物力资源分配数据与人力资源分配数据;
将物力资源分配数据与人力资源分配数据进行数据整合得到区域资源分配数据;
对每个物流区域进行物流资源综合分析,得到多个区域资源分配数据。
需要说明的是,所述每个物流区域对应一个区域资源分配数据,有每个物流区域的物流货物特点有所差异,所对应区域资源分配数据也存在差异。
根据本发明实施例,所述根据区域资源分配数据进行多区域的数据融合与差异分析,得到区域物流特点差异信息,具体为:
获取多个区域资源分配数据,提取每个区域资源分配数据的数据特征得到区域物流数据特征;
分析出每个物流区域对应的区域物流数据特征;
以当前物流区域作为中心点,将预设距离范围内其余物流区域标记为对比区域;
将对比区域中的区域物流数据特征作为对比物流数据特征;
将当前物流区域的区域物流数据特征与对比物流数据特征进行物流特点差异分析,得到当前物流区域与对比区域的物流特点差异数据;
计算分析出当前物流区域与所有对比区域的物流特点差异数据并进行数据汇总得到区域物流特点差异信息。
需要说明的是,所述预设距离一般为人物设定,预设距离越大,范围内所包含的对比区域数量则越大。本发明通过分析不同物流区域的特点差异,能够对物流区域进行数字化精准模拟与资源调控,并对后续出现物流异常情况进行快速调控处置,有效提高物流点的应急处置能力,通过数字化分析能够更加直观地掌握物流区域的特点信息,从而提高对物流过程的精准调控。
根据本发明实施例,所述选择当前物流区域,根据区域物流特点差异信息对当前区域进行物流资源分析得到物流资源修正信息,具体为:
实时获取当前物流区域的物件监测数据、物件运输数据;
获取当前区域的物流模拟预测数据、区域资源分配数据;
根据所述物件监测数据、物件运输数据与所述物流模拟预测数据、区域资源分配数据进行物流状况匹配分析。
根据本发明实施例,所述根据本发明实施例,所述选择当前物流区域,根据区域物流特点差异信息对当前区域进行物流资源分析得到物流资源修正信息,还包括:
若存在物流运转量过大异常情况,则获取当前物流区域的物流特点差异数据;
从物流特点差异数据中所有的对比区域中选取差异度最小的对比区域作为相似物流区域;
将相似物流区域的区域资源分配数据与当前物流区域的区域资源分配数据进行资源数据整合与资源分析,得到物流资源修正信息;
将物流资源修正信息发送至当前物流区域与相似物流区域中的预设终端设备进行显示。
需要说明的是,所述将物流资源修正信息发送至当前物流区域与相似物流区域中的预设终端设备进行显示中,当前物流区域中的系统通过接受物流资源修正信息能够对已有的区域资源分配数据进行修正,通过相似区域中进行物流资源的重新分配,能够有效提高物流区域的异常处置能力,提高物流效率。
另外,所述物流资源修正信息用于对物流区域的区域资源分配数据进行修正,所述区域资源分配数据包括物流人力与物力资源。
根据本发明实施例,还包括:
根据预设地区构建物流地图模型;
将预设地区中的所有物流区域从物流地图模型中进行标记;
记录物件在不同物流区域之间的运输时间,并将所述运输时间进行汇总得到物流区域运输时间数据;
根据地图模型计算每两个物流区域的相对距离并将所述距离进行数据汇总得到物流路程信息;
获取每个物流区域的区域资源分配数据;
根据所述物流区域运输时间数据、物流路程信息、区域资源分配数据对每个物流区域进行运输时效性计算与资源利用评估,得到对应的效率评估信息;
根据所述效率评估信息对所有物流区域根据效率高低进行排序得到物流区域评估表;
将所述物流区域评估表发送至用户终端设备进行显示。
需要说明的是,所述预设地区范围包含了所有物流区域。本发明通过对物流区域的时效性与资源利用情况进行综合评估得到对应物流区域评估表,通过评估表能够直观反映每个物流区域的运行效率状况,并能够进一步对效率较低的物流区域进行资源调整。
本发明公开了一种基于大数据的物流仓储管理方法及系统,通过获取物流区域大数据并进行货物数据分析与货物订单预测,生成物流模拟预测数据,根据所述物流模拟预测数据进行物流资源布局分析,得到多个区域资源分配数据并根据区域资源分配数据进行多区域的数据融合与差异分析,得到区域物流特点差异信息,从而能够更加直观地掌握物流区域的特点信息,提高对物流过程的精准调控。另外,在出现物流突发异常的情况,能够通过物流区域的特点差异进行资源分配调控,从而提高物流系统的健壮性,为物流企业降本增效。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例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中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于大数据的物流仓储管理方法,其特征在于,包括:
获取物流区域大数据;
根据所述物流区域大数据进行货物数据分析与货物订单预测,生成物流模拟预测数据;
根据所述物流模拟预测数据进行物流资源布局分析,得到多个区域资源分配数据;
根据区域资源分配数据进行多区域的数据融合与差异分析,得到区域物流特点差异信息;
选择当前物流区域,根据区域物流特点差异信息对当前区域进行物流资源分析得到物流资源修正信息。
2.根据权利要求1所述的一种基于大数据的物流仓储管理方法,其特征在于,所述获取物流区域大数据,包括:
从预设地区中采集各个物流区域的物流数据;
所述物流数据包括入货量、出货量、货车数量、物件大小、物件数量、库存物件;
将所述物流数据进行数据清洗、数据去冗余处理与数据格式标准化,并形成物流区域大数据。
3.根据权利要求1所述的一种基于大数据的物流仓储管理方法,其特征在于,所述根据所述物流区域大数据进行货物数据分析与货物订单预测,生成物流模拟预测数据,具体为:
根据物流区域大数据进行特定数据提取,得到物件属性数据,物件数量信息、历史运载量、货车运输数据;
将所述物件属性数据,物件数量信息、历史运载量、货车运输数据导入大数据预测模型,得到物件信息预测数据,运载量预测数据;
根据所述物件信息预测数据,运载量预测数据进行货物入库与出库模拟并生成物流模拟预测数据。
4.根据权利要求1所述的一种基于大数据的物流仓储管理方法,其特征在于,所述根据所述物流模拟预测数据进行物流资源布局分析,得到多个区域资源分配数据,具体为:
根据当前物流区域的物流模拟预测数据进行资源需求分析,得到运输工具需求信息、仓储物件流量需求信息、货物订单需求信息;
根据所述运输工具需求信息、仓储物件流量需求信息、货物订单需求信息进行物流资源综合分析,得到物力资源分配数据与人力资源分配数据;
将物力资源分配数据与人力资源分配数据进行数据整合得到区域资源分配数据;
对每个物流区域进行物流资源综合分析,得到多个区域资源分配数据。
5.根据权利要求1所述的一种基于大数据的物流仓储管理方法,其特征在于,所述根据区域资源分配数据进行多区域的数据融合与差异分析,得到区域物流特点差异信息,具体为:
获取多个区域资源分配数据,提取每个区域资源分配数据的数据特征得到区域物流数据特征;
分析出每个物流区域对应的区域物流数据特征;
以当前物流区域作为中心点,将预设距离范围内其余物流区域标记为对比区域;
将对比区域中的区域物流数据特征作为对比物流数据特征;
将当前物流区域的区域物流数据特征与对比物流数据特征进行物流特点差异分析,得到当前物流区域与对比区域的物流特点差异数据;
计算分析出当前物流区域与所有对比区域的物流特点差异数据并进行数据汇总得到区域物流特点差异信息。
6.根据权利要求5所述的一种基于大数据的物流仓储管理方法,其特征在于,所述选择当前物流区域,根据区域物流特点差异信息对当前区域进行物流资源分析得到物流资源修正信息,具体为:
实时获取当前物流区域的物件监测数据、物件运输数据;
获取当前区域的物流模拟预测数据、区域资源分配数据;
根据所述物件监测数据、物件运输数据与所述物流模拟预测数据、区域资源分配数据进行物流状况匹配分析。
7.根据权利要求6所述的一种基于大数据的物流仓储管理方法,其特征在于,所述选择当前物流区域,根据区域物流特点差异信息对当前区域进行物流资源分析得到物流资源修正信息,还包括:
若存在物流运转量过大异常情况,则获取当前物流区域的物流特点差异数据;
从物流特点差异数据中所有的对比区域中选取差异度最小的对比区域作为相似物流区域;
将相似物流区域的区域资源分配数据与当前物流区域的区域资源分配数据进行资源数据整合与资源分析,得到物流资源修正信息;
将物流资源修正信息发送至当前物流区域与相似物流区域中的预设终端设备进行显示。
8.一种基于大数据的物流仓储管理系统,其特征在于,该系统包括:存储器、处理器,所述存储器中包括基于大数据的物流仓储管理程序,所述基于大数据的物流仓储管理程序被所述处理器执行时实现如下步骤:
获取物流区域大数据;
根据所述物流区域大数据进行货物数据分析与货物订单预测,生成物流模拟预测数据;
根据所述物流模拟预测数据进行物流资源布局分析,得到多个区域资源分配数据;
根据区域资源分配数据进行多区域的数据融合与差异分析,得到区域物流特点差异信息;
选择当前物流区域,根据区域物流特点差异信息对当前区域进行物流资源分析得到物流资源修正信息。
9.根据权利要求8所述的一种基于大数据的物流仓储管理系统,其特征在于,所述获取物流区域大数据,包括:
从预设地区中采集各个物流区域的物流数据;
所述物流数据包括入货量、出货量、货车数量、物件大小、物件数量、库存物件;
将所述物流数据进行数据清洗、数据去冗余处理与数据格式标准化,并形成物流区域大数据。
10.根据权利要求8所述的一种基于大数据的物流仓储管理系统,其特征在于,所述根据所述物流区域大数据进行货物数据分析与货物订单预测,生成物流模拟预测数据,具体为:
根据物流区域大数据进行特定数据提取,得到物件属性数据,物件数量信息、历史运载量、货车运输数据;
将所述物件属性数据,物件数量信息、历史运载量、货车运输数据导入大数据预测模型,得到物件信息预测数据,运载量预测数据;
根据所述物件信息预测数据,运载量预测数据进行货物入库与出库模拟并生成物流模拟预测数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310154667.6A CN115860645B (zh) | 2023-02-23 | 2023-02-23 | 一种基于大数据的物流仓储管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310154667.6A CN115860645B (zh) | 2023-02-23 | 2023-02-23 | 一种基于大数据的物流仓储管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115860645A true CN115860645A (zh) | 2023-03-28 |
CN115860645B CN115860645B (zh) | 2023-06-02 |
Family
ID=85658705
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310154667.6A Active CN115860645B (zh) | 2023-02-23 | 2023-02-23 | 一种基于大数据的物流仓储管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115860645B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167596A (zh) * | 2023-04-25 | 2023-05-26 | 深圳市宏大供应链服务有限公司 | 一种基于大数据的配送路径分析方法及系统 |
CN116228075A (zh) * | 2023-04-28 | 2023-06-06 | 深圳市宏大供应链服务有限公司 | 一种基于人工智能的数据分析方法、系统及介质 |
CN116739186A (zh) * | 2023-08-10 | 2023-09-12 | 翌飞锐特电子商务(北京)有限公司 | 一种基于ai和大数据的业务管理方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190019118A1 (en) * | 2017-07-17 | 2019-01-17 | GM Global Technology Operations LLC | Real-time resource relocation based on a simulation optimization approach |
CN110728432A (zh) * | 2019-09-19 | 2020-01-24 | 杭州飞步科技有限公司 | 一种运力调度方法和装置、电子设备、存储介质 |
CN111080171A (zh) * | 2019-12-30 | 2020-04-28 | 江苏智融高科信息科技有限公司 | 一种基于物流调配算法的物流调配方法 |
CN112200443A (zh) * | 2020-09-30 | 2021-01-08 | 山东财经大学 | 基于农产品冷链物流需求的物流节点布局优化方法及系统 |
CN113222277A (zh) * | 2021-05-27 | 2021-08-06 | 南京航空航天大学 | 基于动态分配算法的城市区域物流无人机需求预测方法 |
CN113316797A (zh) * | 2019-11-01 | 2021-08-27 | 株式会社日立制作所 | 资源共享支援系统以及资源共享支援方法 |
CN114386720A (zh) * | 2022-03-22 | 2022-04-22 | 深圳市磅旗科技智能发展有限公司 | 物流系统调度管理方法、系统、终端设备及存储介质 |
CN114519521A (zh) * | 2022-02-17 | 2022-05-20 | 平安国际智慧城市科技股份有限公司 | 一种资源调度方法、装置、计算机设备及存储介质 |
CN114781691A (zh) * | 2022-03-23 | 2022-07-22 | 江苏满运软件科技有限公司 | 货运需求预测方法、系统、设备及存储介质 |
CN114943456A (zh) * | 2022-05-31 | 2022-08-26 | 北京邮电大学 | 资源的调度方法、装置、电子设备及存储介质 |
-
2023
- 2023-02-23 CN CN202310154667.6A patent/CN115860645B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190019118A1 (en) * | 2017-07-17 | 2019-01-17 | GM Global Technology Operations LLC | Real-time resource relocation based on a simulation optimization approach |
CN110728432A (zh) * | 2019-09-19 | 2020-01-24 | 杭州飞步科技有限公司 | 一种运力调度方法和装置、电子设备、存储介质 |
CN113316797A (zh) * | 2019-11-01 | 2021-08-27 | 株式会社日立制作所 | 资源共享支援系统以及资源共享支援方法 |
CN111080171A (zh) * | 2019-12-30 | 2020-04-28 | 江苏智融高科信息科技有限公司 | 一种基于物流调配算法的物流调配方法 |
CN112200443A (zh) * | 2020-09-30 | 2021-01-08 | 山东财经大学 | 基于农产品冷链物流需求的物流节点布局优化方法及系统 |
CN113222277A (zh) * | 2021-05-27 | 2021-08-06 | 南京航空航天大学 | 基于动态分配算法的城市区域物流无人机需求预测方法 |
CN114519521A (zh) * | 2022-02-17 | 2022-05-20 | 平安国际智慧城市科技股份有限公司 | 一种资源调度方法、装置、计算机设备及存储介质 |
CN114386720A (zh) * | 2022-03-22 | 2022-04-22 | 深圳市磅旗科技智能发展有限公司 | 物流系统调度管理方法、系统、终端设备及存储介质 |
CN114781691A (zh) * | 2022-03-23 | 2022-07-22 | 江苏满运软件科技有限公司 | 货运需求预测方法、系统、设备及存储介质 |
CN114943456A (zh) * | 2022-05-31 | 2022-08-26 | 北京邮电大学 | 资源的调度方法、装置、电子设备及存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167596A (zh) * | 2023-04-25 | 2023-05-26 | 深圳市宏大供应链服务有限公司 | 一种基于大数据的配送路径分析方法及系统 |
CN116167596B (zh) * | 2023-04-25 | 2023-06-27 | 深圳市宏大供应链服务有限公司 | 一种基于大数据的配送路径分析方法及系统 |
CN116228075A (zh) * | 2023-04-28 | 2023-06-06 | 深圳市宏大供应链服务有限公司 | 一种基于人工智能的数据分析方法、系统及介质 |
CN116739186A (zh) * | 2023-08-10 | 2023-09-12 | 翌飞锐特电子商务(北京)有限公司 | 一种基于ai和大数据的业务管理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115860645B (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115860645A (zh) | 一种基于大数据的物流仓储管理方法及系统 | |
CN116187718B (zh) | 基于计算机视觉的智慧货物识别分拣方法及系统 | |
CN110705805A (zh) | 货物的装配方法及装置、存储介质、电子装置 | |
CN111464583A (zh) | 计算资源分配方法、装置、服务器及存储介质 | |
CN113935528B (zh) | 智能调度方法、装置、计算机设备及存储介质 | |
CN114936822A (zh) | 车货匹配方法、装置、设备及存储介质 | |
CN107341202A (zh) | 业务数据表修正危险度的评估方法、装置及存储介质 | |
CN114418417A (zh) | 车货匹配方法和基于其的运力预测方法、装置、电子设备 | |
CN111324594B (zh) | 用于粮食加工业的数据融合方法、装置、设备及存储介质 | |
CN110648103B (zh) | 用于选择仓库中的货品的方法、装置、介质和计算设备 | |
CN114862282B (zh) | 一种基于数据分析的业财协同管理方法及系统 | |
CN114331568B (zh) | 基于车联网的商用车细分市场识别方法、设备和介质 | |
CN110717718A (zh) | 基于大数据平台的货物装配方法及装置 | |
CN111724089A (zh) | 一种订单收派分配方法、系统、终端及存储介质 | |
CN113537671B (zh) | 分拣时效预测方法及装置、存储介质、电子设备 | |
CN113704251A (zh) | 分布式存储数据库一体机的首页布局方法及装置 | |
CN116341581B (zh) | 物联扫码设备集成管理方法及系统 | |
CN112579539A (zh) | 企业集群大数据的管理方法及系统 | |
CN104462189A (zh) | 基于二维码技术的分布式系统数据管理及运行方法 | |
CN116777354B (zh) | 一种基于纺织的仓储管理方法、系统及介质 | |
CN113822301B (zh) | 分拣中心的分类方法及装置、存储介质、电子设备 | |
CN116992550B (zh) | 油气化工码头数字化交付码头对象分类方法 | |
CN118134387A (zh) | 用于钢瓶存储的智能物料管理方法、系统、装置和介质 | |
CN117827295A (zh) | 一种物流合同配置方法、装置、电子设备及存储介质 | |
CN115293266A (zh) | 信用评级方法、装置、电子设备以及计算机可读存储介质 |
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 |