CN116307306B - 基于大数据的智能调度方法、装置、设备以及存储介质 - Google Patents
基于大数据的智能调度方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN116307306B CN116307306B CN202310593583.2A CN202310593583A CN116307306B CN 116307306 B CN116307306 B CN 116307306B CN 202310593583 A CN202310593583 A CN 202310593583A CN 116307306 B CN116307306 B CN 116307306B
- Authority
- CN
- China
- Prior art keywords
- order
- delivery
- time
- data
- order data
- 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 44
- 238000012384 transportation and delivery Methods 0.000 claims abstract description 324
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012163 sequencing technique Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 7
- 239000007788 liquid Substances 0.000 abstract description 26
- 230000000694 effects Effects 0.000 abstract description 2
- 239000007789 gas Substances 0.000 description 82
- 239000000047 product Substances 0.000 description 6
- 238000013439 planning Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000034423 Delivery Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000018910 keratinopathic ichthyosis Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods
-
- 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
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及智能调度的技术领域,尤其是涉及一种基于大数据的智能调度方法、装置、设备以及存储介质,基于大数据的智能调度方法包括:获取目标时间段的供货订单数据,从每个所述供货订单数据中获取订单送货时间、订单送货量和订单配送位置;获取预设的区域关联关系,根据所述区域关联关系和所述订单配送位置,对所述供货订单数据进行分组,得到供货配送数据组;根据每个所述供货订单数据中的所述订单送货量计算订单卸货时间;根据所述订单卸货时间、订单送货时间和订单配送位置,计算得到每组所述供货配送数据组对应的配送路线数量和对应的供货配送路线。本申请具有提升对低温液体的供货订单的配送效率的效果。
Description
技术领域
本发明涉及智能调度的技术领域,尤其是涉及一种基于大数据的智能调度方法、装置、设备以及存储介质。
背景技术
目前,在对于低温液体的使用越来越广泛,对该低温液体的需求量也是与日俱增,对于低温液体的供货厂商,对应的供货订单也是与日俱增。
在生成了供货订单后,供货厂商需要根据供货订单进行供货的配送,在配送的过程中,将对应的低温液体通过运输车辆送至各个需求方,以完成订单。
上述中的现有技术方案存在以下缺陷:
随着供货方的业务不断发展,需求方的数量也会随之增多,以及对应的位置也会越来越广泛,因此,在对供货订单进行配送规划时所消耗的时间较多,因此还有改善空间。
发明内容
为了提升对低温液体供货订单的配送效率,本申请提供一种基于大数据的智能调度方法、装置、设备以及存储介质。
本申请的上述发明目的一是通过以下技术方案得以实现的:
一种基于大数据的智能调度方法,所述基于大数据的智能调度方法包括:
获取目标时间段的供货订单数据,从每个所述供货订单数据中获取订单送货时间、订单送货量和订单配送位置;
获取预设的区域关联关系,根据所述区域关联关系和所述订单配送位置,对所述供货订单数据进行分组,得到供货配送数据组;
根据每个所述供货订单数据中的所述订单送货量计算订单卸货时间;
根据所述订单卸货时间、订单送货时间和订单配送位置,计算得到每组所述供货配送数据组对应的配送路线数量和对应的供货配送路线。
通过采用上述技术方案,在对供货订单进行配送时,获取目标时间段的供货订单数据,能够将众多的供货订单进行分布规划;预先设置区域关联关系,能够将距离接近的地区进行关联,在进行配送时,即根据供货配送数据组对供货订单数据进行运输时,便于安排合理距离的供货配送路线;通过计算订单卸货时间,能够结合订单送货时间和订单配送位置,规划出对应的一条供货配送路线,从而能够根据该配送路线数量合理安排对应的运输车辆,以及按照该供货配送路线完成该目标时间段的配送,使得订单配送的管理更加有序,从而提升了配送的效率。
本申请在一较佳示例中可以进一步配置为:所述获取目标时间段的供货订单数据,从每个所述供货订单数据中获取订单送货时间、订单送货量和订单配送位置,具体包括:
根据预设的客户标识实时获取客户当前气体可用量和对应的历史平均日用量;
根据所述客户当前气体可用量和所述历史平均日用量计算库存可用时间;
获取所述客户标识获取最近一次的订单到货时间,根据所述库存可用时间和所述订单到货时间计算所述订单送货时间。
通过采用上述技术方案,根据每个客户标识获取对应的客户当前气体可用量和历史平均日用量,能够实时监测到每个客户库存使用情况,从而能够根据该库存使用情况预测出库存可用时间,进而能够从需求方被动触发订单的方式,转变为供给方自动根据客户的实际情况推送订单需求,能够实现根据客户的实际情况精准预测出客户的订单,从而减少了人工计算的误差,节省了需求方和供给方双方的时间和人工成本,进而提升了客户的体验和优化了配送效率。
本申请在一较佳示例中可以进一步配置为:所述根据预设的客户标识实时获取客户当前气体可用量和对应的历史平均日用量,具体包括:
获取过去一段时间内所述客户标识对应的每日用气量,根据所述每日用气量计算日均用气量;
从所述每日用气量中获取最近一次的单日用气量,计算所述单日用气量与所述日均用气量的用气量差值,判断所述用气量差值在预设的第一差值阈值内;
若是,则将所述日均用气量作为所述历史平均日用量;
若否,则通过一下方式计算所述历史平均日用量:
从所述单日用气量开始,按时间从后往前的顺序依次获取与所述单日用气量的差值在预设的第二差值阈值内的所述每日用气量,作为第一待计算用气量,并将其余的所述每日用气量作为第二待计算用气量;
获取第一待计算用气量的数量n和第二待计算用气量的数量m,并通过以下公式计算所述历史平均日用量:
其中,S是指所述历史平均日用量,Ni是指每个所述第一待计算用气量,Mi是指每个第二待计算用气量,a和b分别是预设的权重值。
通过采用上述技术方案,在获取历史平均日用量时,若单日用气量不在第一差值阈值内,则说明该客户近期对气体的使用情况发生了变化,因此,通过获取与单日用气量在第二差值阈值内的连续每日用气量,作为第一待计算用气量,以及将其余的作为第二待计算用气量,并通过上述公式计算出历史平均日用量,能够使得计算出来的历史平均日用量与客户近期对气体的使用情况更加吻合,从而提升了计算库存可用时间的准确性,同时,也能够在计算供货配送路线时,根据客户使用的情况,及时对应调整。
本申请在一较佳示例中可以进一步配置为:所述获取预设的区域关联关系,根据所述区域关联关系和所述订单配送位置,对所述供货订单数据进行分组,得到供货配送数据组,具体包括:
从所述区域关联关系获取关联区域分组数据,从每个所述关联区域分组数据中获取分区地区数据;
将每个所述订单配送位置与每个关联区域分组数据中的分区地区数据进行匹配,根据匹配结果得到所述供货送货数据组。
通过采用上述技术方案,通过将订单配送位置与关联区域分组数据中的分区地区数据进行匹配,能够根据匹配结果快速进行分组,使得得到的每一个供货送货数据组中的订单配送位置均在同一个区域关联关系中,进而在规划配送路线时能够使得该路线更加合理。
本申请在一较佳示例中可以进一步配置为:所述根据所述订单卸货时间、订单送货时间和订单配送位置,计算得到每组所述供货配送数据组对应的配送路线数量和对应的供货配送路线,具体包括:
按照所述订单送货时间加上对应的所述订单卸货时间,得到供货驶离时间,按照所述供货驶离时间的先后顺序对所述供货订单数据进行排序,得到排序结果;
计算所述订单配送位置之间的供货运输时间;
根据所述订单配送位置获取距离供货方位置最近的所述供货订单数据,作为基准订单数据;
从所述基准订单数据开始,按照所述排序结果,根据所述供货运输时间依次获取满足所述订单驶离时间对应的供货订单数据,作为供货配送站点,将所述基准订单数据和所述供货配送站点对应的所述订单配送位置作为所述供货配送路线。
通过采用上述技术方案,通过计算供货驶离时间,并结合两两订单配送位置之间的供货运输时间,能够判断完成一个配送点的配送任务时,是否能够准时到达下一个配送点进行供货,从而能够使得生成的供货配送路线能够满足各个配送点的供货任务,在对供货配送数据组中进行遍历后,能够生成该组对应数量的供货配送路线。
本申请的上述发明目的二是通过以下技术方案得以实现的:
一种基于大数据的智能调度装置,所述基于大数据的智能调度装置包括:
订单获取模块,用于获取目标时间段的供货订单数据,从每个所述供货订单数据中获取订单送货时间、订单送货量和订单配送位置;
订单分组模块,用于获取预设的区域关联关系,根据所述区域关联关系和所述订单配送位置,对所述供货订单数据进行分组,得到供货配送数据组;
时间计算模块,用于根据每个所述供货订单数据中的所述订单送货量计算订单卸货时间;
调度路线计算模块,用于根据所述订单卸货时间、订单送货时间和订单配送位置,计算得到每组所述供货配送数据组对应的配送路线数量和对应的供货配送路线。
通过采用上述技术方案,在对供货订单进行配送时,获取目标时间段的供货订单数据,能够将众多的供货订单进行分布规划;预先设置区域关联关系,能够将距离接近的地区进行关联,在进行配送时,即根据供货配送数据组对供货订单数据进行运输时,便于安排合理距离的供货配送路线;通过计算订单卸货时间,能够结合订单送货时间和订单配送位置,规划出对应的一条供货配送路线,从而能够根据该配送路线数量合理安排对应的运输车辆,以及按照该供货配送路线完成该目标时间段的配送,使得订单配送的管理更加有序,从而提升了配送的效率。
本申请的上述目的三是通过以下技术方案得以实现的:
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于大数据的智能调度方法的步骤。
本申请的上述目的四是通过以下技术方案得以实现的:
一种计算机可读存储介质,所述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实现上述基于大数据的智能调度方法的步骤。
综上所述,本申请包括以下至少一种有益技术效果:
1、在对供货订单进行配送时,获取目标时间段的供货订单数据,能够将众多的供货订单进行分布规划;预先设置区域关联关系,能够将距离接近的地区进行关联,在进行配送时,即根据供货配送数据组对供货订单数据进行运输时,便于安排合理距离的供货配送路线;通过计算订单卸货时间,能够结合订单送货时间和订单配送位置,规划出对应的一条供货配送路线,从而能够根据该配送路线数量合理安排对应的运输车辆,以及按照该供货配送路线完成该目标时间段的配送,使得订单配送的管理更加有序,从而提升了配送的效率;
2、在获取历史平均日用量时,若单日用气量不在第一差值阈值内,则说明该客户近期对气体的使用情况发生了变化,因此,通过获取与单日用气量在第二差值阈值内的连续每日用气量,作为第一待计算用气量,以及将其余的作为第二待计算用气量,并通过上述公式计算出历史平均日用量,能够使得计算出来的历史平均日用量与客户近期对气体的使用情况更加吻合,从而提升了计算库存可用时间的准确性,同时,也能够在计算供货配送路线时,根据客户使用的情况,及时对应调整;
3、通过计算供货驶离时间,并结合两两订单配送位置之间的供货运输时间,能够判断完成一个配送点的配送任务时,是否能够准时到达下一个配送点进行供货,从而能够使得生成的供货配送路线能够满足各个配送点的供货任务,在对供货配送数据组中进行遍历后,能够生成该组对应数量的供货配送路线。
附图说明
图1是本申请一实施例中基于大数据的智能调度方法的一流程图;
图2是本申请一实施例中基于大数据的智能调度方法中步骤S10的实现流程图;
图3是本申请一实施例中基于大数据的智能调度方法中步骤S11的实现流程图;
图4是本申请一实施例中基于大数据的智能调度方法中步骤S20的实现流程图;
图5是本申请一实施例中基于大数据的智能调度方法中步骤S40的实现流程图;
图6是本申请一实施例中基于大数据的智能调度装置的一原理框图;
图7是本申请一实施例中的设备示意图。
具体实施方式
以下结合附图对本申请作进一步详细说明。
在一实施例中,如图1所示,本申请公开了一种基于大数据的智能调度方法,具体包括如下步骤:
S10:获取目标时间段的供货订单数据,从每个供货订单数据中获取订单送货时间、订单送货量和订单配送位置。
在本实施例中,目标时间段是指需要需要进行配送路线的规划的送货时间段。
具体地,在对供货订单进行配送路线的规划时,选定目标时间段,例如以当前时间为 基准的第二天作为该目标时间段,即对第二天的订单配送进行路线规划,根据对客户的液态气体的使用情况,预测出客户需要进行气体补充的时间以及补充的量,生成对应的订单数据,再客户确认了该订单数据后,结合该客户所在的订单配送位置,生成供货订单。
进一步地,再确认了目标时间段后,获取订单送货时间在该目标时间段的供货订单,作为该供货订单数据。
S20:获取预设的区域关联关系,根据区域关联关系和订单配送位置,对供货订单数据进行分组,得到供货配送数据组。
在本实施例中,供货配送数据组是指在同一个关联区域内的供货订单数据组成的数据组。
具体地,以供货方的位置为基准,先获取距离最近的地级市,根据地级市的相对位置关系,进行该区域关联,得到该区域关联关系,即根据地级市的远近的关系,对地级市进行分组。
进一步地,根据区域关联关系,将订单配送位置属于同一个区域关联关系的分为一个供货配送数据组,进而完成对目标时间段内的所有的供货订单数据的第一分组。进一步地,在目标时间段中,将获取到的供货供货订单数据进行分组时,根据订货的产品和需求方的位置,进行综合分组,包括:
一、订单组合限制
1.客户订单信息:
配送类型、产品、装货点、卸货地址、计划量、要求送货时间。
2. 订单计划数量可在智能调度前根据当前液位情况在配送计划中手工调整,智能调度派单数量取值“计划数量”;
3.智能调度根据同一天、同一产品、同区域的产品进行订单组合,并计算出智能调度KPI;
4.客户名单设置了黑白名单车辆限制,系统在智能调度时识别订单客户的车辆黑白名单,优先安排白名单排除黑名单车号到订单上,再依据车辆载重配载订单形成运单:
如:A客户设置了以下白名单车辆,则智能调度时非以下白名单车辆不安排
如:B客户设置了黑名单车辆,则智能调度时以下黑名单车辆不安排且不能保存
5.根据区域的最优搭配,设置小区域计划搭配限制,实际里程相隔较远的区域不进行搭配;
6.智能调度先把所有客易得客户排单组合搭配,当客易得客户不足以安排一整车情况下再找其他液体客户搭配:
(1)如:以下客户中已维护客户车辆重量限制及客易得产品,则系统识别为客易得客户,优先把以下客户进行搭配;
(2)能调度时优先识别出客易得产品优先搭配,当客易得客户不足以安排一整车情况下再找其他液体客户搭配同时满足小吨位限制;
如:A客户为正常送货客户,B客户为另一产品的客户,当另一产品的客户不足一整车,则允许和其他送货客户搭配;
7.根据两个客户之前的经纬度定位,计算标准里程,两点之前标准里程超过100km则不搭配。
S30:根据每个供货订单数据中的订单送货量计算订单卸货时间。
具体地,根据区域关联关系获取预设的运输车辆数据,从该运输车辆数据中获取对应的单位时间卸货量。
进一步地,根据对应的供货订单数据中的订单送货量除以对应的单位时间卸货量,从而得到该订单卸货时间。
S40:根据订单卸货时间、订单送货时间和订单配送位置,计算得到每组供货配送数据组对应的配送路线数量和对应的供货配送路线。
具体地,针对每一组供货配送数据组,根据该订单卸货时间、订单送货时间和订单配送位置,组成对应的供货配送路线,使得在运输车根据该供货配送路线进行供货时,能够满足各个配送点,即需求方的订单送货时间,进而将该供货配送数据组中的各个供货订单数据组成若干条供货配送路线后,统计该供货配送路线的数量,得到该配送路线数量,以安排对应数量的运输车。
在一实施例中,如图2所示,在步骤S10中,即获取目标时间段的供货订单数据,从每个供货订单数据中获取订单送货时间、订单送货量和订单配送位置,具体包括:
S11:根据预设的客户标识实时获取客户当前气体可用量和对应的历史平均日用量。
在本实施例中,客户当前气体可用量是指该客户用于存储液态气体的存储罐当前剩余的液态气体的量。历史平均日用量是指用于表示客户近期每日使用气体的情况的数据。
具体地,在需求方与供给方协商好订单详情后,由供给方获取该客户用于存储液态气体的存储罐的标识,进而将该存储罐的标识关联对应的客户信息,进而生成该客户标识,从而根据该客户标识获取存储液态气体的存储罐内的液态气体的实时液位,作为客户当前气体可用量。
进一步地,通过实时获取客户当前气体可用量,统计该客户标识对应的每天所使用的液态气体的量,并根据预设置的时间段,例如一个月,获取在最近该时间段内,该客户标识对应的每天使用液态气体的量,生成该历史平均日用量。
S12:根据客户当前气体可用量和历史平均日用量计算库存可用时间。
在本实施例中,库存可用时间是指供给方预测出需要给该客户补充液态气体的时间。
具体地,为了维持客户的液态气体能够持续供应,通过根据该客户的历史平均日用量的实际情况,设置该客户液位气体最低的警戒液位,根据该警戒液位和客户当前气体可用量,以及结合该客户的历史平均日用量,计算出该客户当前气体可用量所能够使用的时间,将而预测出该库存可用时间。
具体地,根据历史平均日用量S,采用以下公式计算标准库存量V标:
V标=S×1.5。
将客户当前气体可用量V、标准库存量V标和历史平均日用量S输入至以下公式计算库存可用时间T:
T=(V-V标)/S×24。
具体地,通过将V-V标,能够得到客户当前储罐内的液态气体的库存,再除以历史平均日用量以及乘以24,能够得到该库存所能够使用得到小时数。例如客户当前气体可用量V为21.92吨,计算得到的历史平均日用量S为8吨,则计算得到的标准库存量V标为12吨,进而计算得到库存可用时间为(21.92-12)/8×24=29.76小时。
S13:获取客户标识获取最近一次的订单到货时间,根据库存可用时间和订单到货时间计算订单送货时间。
在本实施例中,订单送货时间供货方具体将液态气体的订单送到客户现场的时间。
具体地,在每一次将订单送至客户现场时,记录当前时间,并获取前一次到货的时间,作为订单到货时间,并根据该库存可用时间和订单到货时间计算出订单送货时间。
即通过以下公式计算订单送货时间T送:
T送=T+T到-24,其中,T到是指订单到货时间。
具体地,例如订单到货时间T到为前一天的10:00,计算得到的库存可用时间T为29.76小时,则订单送货时间T送为29.76+10-24=15.76,约为第二天的下午4点;若订单到货时间T到为前一天的16:00,计算得到的库存可用时间T为29.76小时,则订单送货时间T送为29.76+10-24=21.76,由于第二天晚上10点可能供给方已经下班,由于通过标准库存量V标的设置,该客户当前的库存至少还能用一天的时间,因此可以在第三天上午的某一个时间段。
在一实施例中,如图3所示,在步骤S11中,即根据预设的客户标识实时获取客户当前气体可用量和对应的历史平均日用量,具体包括:
S111:获取过去一段时间内客户标识对应的每日用气量,根据每日用气量计算日均用气量。
具体地,将步骤S11中该客户每天所使用的液态气体的量,作为该每日用气量,进一步的,根据该时间段所包含的每日用气量的数量,求得平均数,得到该日均用气量。
S112:从每日用气量中获取最近一次的单日用气量,计算单日用气量与日均用气量的用气量差值,判断用气量差值在预设的第一差值阈值内。
在本实施例中,第一差值阈值是指用于判断是否将日均用气量作为历史平均日用量的数值。
具体地,由于客户在实际使用液态气体时,会由于其自身的订单或者实际需求,每日用气量的具体数值会产生波动,若波动较大,则说明该客户近期的实际需求导致每日用气量产生较大变化,为了使得计算得到的历史平均日用量以及计算得到的订单送货时间与客户的实际动态情况更加吻合,因此,通过将最近一次的单日用气量与日均用气量的用气量差值,以判断该用气量差值是否在该第一差值阈值内,即判断该客户近期的用气情况是否产生较大的波动。
S113:若是,则将日均用气量作为历史平均日用量。
具体地,若该用气量差值处于第一差值阈值内,则说明该客户近期的每日用气量趋于平稳,因此,将日均用气量作为该平均历史日用量。
S114:若否,则通过一下方式计算历史平均日用量:
从单日用气量开始,按时间从后往前的顺序依次获取与单日用气量的差值在预设的第二差值阈值内的每日用气量,作为第一待计算用气量,并将其余的每日用气量作为第二待计算用气量。
在本实施例中,第二差值阈值是指用于获取该客户的每日用气量开始产生较大波动的时间点的数值。
具体地,若该用气量差值不在第一差值阈值内,则说明该客户的实际用气的需求发生了较大的波动,因此,为了获取该客户具体发生波动的时间,则从单日用气量开始,往前逐日追溯每天的每日用气量,连同单日用气量,将往前逐日追溯且在第二差值阈值内的每日用气量作为第一待计算用气量,其余的作为第二待计算用气量。
S115:获取第一待计算用气量的数量n和第二待计算用气量的数量m,并通过以下公式计算历史平均日用量:
其中,S是指历史平均日用量,Ni是指每个第一待计算用气量,Mi是指每个第二待计算用气量,a和b分别是预设的权重值。
具体地,获取第一待计算用气量的数量n和第二待计算用气量的数量m,并将每个第一待计算用气量、第二待计算用气量、数量n和数量m输入至上述公式,从而计算得到与客户当前用气情况匹配的历史平均日用量,在本实施例中,b设置为1,a设置为1.2。
在一实施例中,如图4所示,在步骤S20中,即获取预设的区域关联关系,根据区域关联关系和订单配送位置,对供货订单数据进行分组,得到供货配送数据组,具体包括:
S21:从区域关联关系获取关联区域分组数据,从每个关联区域分组数据中获取分区地区数据。
具体地,将同属于一个区域关联关系的地级市分为一组,作为区域分组数据,进一步地,将区域分组数据中对应的地级市或者其他区域,作为该分区地区数据。
S22:将每个订单配送位置与每个关联区域分组数据中的分区地区数据进行匹配,根据匹配结果得到供货送货数据组。
具体地,将每个供货订单数据中的订单配送位置与每个分区地区数据进行匹配,即根据供货订单数据中的订单配送位置所属的地级市、行政区或者其他位置所对应的分区地区数据,判断该供货订单数据所属的关联区域分组数据,从而对目标时间段的供货订单数据进行分组,得到该供货送货数据组。
其中包括:
1.车辆黑白名单
根据预设的规则,为每一辆运输车辆标记黑名单车辆和白名单车辆;
2、车辆限制
(1)根据车辆资料中挂车核载以及充装介质进行排车,避免因挂车充装介质不明确导致车辆安排有误,避免误充装;
(2)车辆根据所属车队、停车场对应安排到所属区域及对应充装介质进行安排,减少调度车辆调整工作;
工厂可发货量:
根据多货源点库存数量进行出货,出货点如无相应库存数量,则不允许出库;
智能调度时取工厂可发货量列表的可发货量数据进行排单组合:
自有工厂:可发货量=ROM数据-安全液位,ROM实时数据每天取9:00点、13:55的数据;
外工厂:可发货量用户自行录入。
在一实施例中,如图5所示,在步骤S40中,即根据订单卸货时间、订单送货时间和订单配送位置,计算得到每组供货配送数据组对应的配送路线数量和对应的供货配送路线,具体包括:
S41:按照订单送货时间加上对应的订单卸货时间,得到供货驶离时间,按照供货驶离时间的先后顺序对供货订单数据进行排序,得到排序结果。
具体地,通过将每一个供货订单数据中的订单送货时间,加上步骤S30中计算得到的订单卸货时间,从而得出供货方的运输车完成对该配送点的配送,即将与订单送货量对应的低温液体输送至需求方的存储罐内后,驶离该配送点的时间。
进一步地,在计算得到每一个供货订单数据的供货驶离时间后,根据供货驶离时间从钱到后的顺序对该供货订单数据进行排序,得到对应的排序结果。
S42:两两计算订单配送位置之间的供货运输时间。
具体地,由于在实际路径规划时,两个地点之间的往返路线不一定相同,从而导致对应的路况以及所需要的理论时间也可能会不同,因此,根据排序结果,两两计算订单配送位置之间的供货运输时间,例如根据排序结果得到供货订单数据A→供货订单数据B,则仅计算订单配送位置A到订单配送位置B的供货运输时间。
例如,1.当日首笔运单
运单时长=(运单里程/平均时速)+各卸货点卸货时长+连续开车4小时休息0.5小时
举例说明:
运单A 行程:停车场:GGG(T)->装货点:GGG->卸货点1->卸货点2->GGG(T)
a. GGG(T)到GGG里程0KM,GGG到卸货点1里程80KM,卸货点1到卸货点2里程55KM,卸货点2到GGG(T)里程45KM,平均时速40KM/H;运单里程时长=(0+80+55+45)/40=4.5小时;
b. 卸货点卸货时长
卸货点1 (订单量10吨);卸货点1卸货时长=(10吨/26吨)*80分钟+40分钟(注:基础时间)=70.8分钟=1.18小时;卸货点2(订单量16吨)卸货点2卸货时长=(16/26)*80+40=89.2分钟=1.49小时;
c. 是否连续开车4小时休息30分钟
GGG(T)到GGG里程0KM 驾驶时长0/40=0小时,GGG到卸货点1里程80KM 驾驶时长80/40=2小时,卸货点1到卸货点2里程55KM 驾驶时长55/40=1.38小时,卸货点2到GGG(T)里程45KM 驾驶时长45/40=1.13小时,以上各个点对点驾驶时长均不超过4小时,无需另外增加30分钟休息时间;
当日首笔运单预测时长=4+1.18+1.49=7.17小时;
2.当日非首笔运单
运单时长=(运单里程/平均时速)+各卸货点卸货时长+装货点装货时长+连续开车4小时休息0.5小时,比当日首笔运单不同的是多了装货点装货时长,同样以以上运单为例:
d.装货点装货时长=(挂车核载/26)*装货固定时长,60分钟=1小时(装货点GGG,液氮装满一车60分钟);
非当日首笔运单预测时长=4.5+1.18+1.49+(27.9/26)*60=8.24小时。
S43:根据订单配送位置获取距离供货方位置最近的供货订单数据,作为基准订单数据。
具体地,根据供货方位置获取距离最近的供货订单数据,作为基准订单数据,其余的作为第一待比对订单数据。进一步地,根据基准订单数据对应的供货运输时间和对应的第一待比对订单数据,作为第二待比对订单数据,根据该基准订单数据的订单驶离时间和对应的供货运输时间计算得到供货到达时间,从第二待比对订单数据组成的数据组中筛选出供货到达时间晚于对应的订单送货时间的第二待比对订单数据,作为第二基准订单数据,即从第二待比对订单数据的数据组中,筛选得到无法从基准订单数据对应的配送点完成配送订单后,按照订单送货时间准时到达的供货订单数据,作为该第二基准订单数据,其余的作为第三待比对订单数据。根据基准订单数据和第二基准订单数据的总数量生成配送路线数量。
S44:从基准订单数据开始,按照排序结果,根据供货运输时间依次获取满足订单驶离时间对应的供货订单数据,作为供货配送站点,将基准订单数据和供货配送站点对应的订单配送位置作为供货配送路线。
具体地,从基准订单数据开始,根据基准订单数据的订单驶离时间和与第三待比对订单数据供货运输时间,筛选得到供货配送站点,从而组成一条供货配送路线,即在该供货配送路线中,运输车按照订单送货时间到达供货配送站点,按照对应的供货驶离时间离开该供货配送站点,并按照前往下一个供货配送站点的供货运输时间进行运输,能够在下一个订单送货时间前准时到达。
进一步地,每个第二基准订单数据逐个按照上述步骤S44的方法生成对应的供货配送路线。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
在一实施例中,提供一种基于大数据的智能调度装置,该基于大数据的智能调度装置与上述实施例中基于大数据的智能调度方法一一对应。如图6所示,该基于大数据的智能调度装置包括订单获取模块、订单分组模块、时间计算模块和调度路线计算模块。各功能模块详细说明如下:
订单获取模块,用于获取目标时间段的供货订单数据,从每个供货订单数据中获取订单送货时间、订单送货量和订单配送位置;
订单分组模块,用于获取预设的区域关联关系,根据区域关联关系和订单配送位置,对供货订单数据进行分组,得到供货配送数据组;
时间计算模块,用于根据每个供货订单数据中的订单送货量计算订单卸货时间;
调度路线计算模块,用于根据订单卸货时间、订单送货时间和订单配送位置,计算得到每组供货配送数据组对应的配送路线数量和对应的供货配送路线。
可选的,订单获取模块包括:
订单预测子模块,用于根据预设的客户标识实时获取客户当前气体可用量和对应的历史平均日用量;
库存时间计算子模块,用于根据客户当前气体可用量和历史平均日用量计算库存可用时间;
订单推送子模块,用于获取客户标识获取最近一次的订单到货时间,根据库存可用时间和订单到货时间计算订单送货时间。
可选的,订单预测子模块,包括:
平均计算单元,用于获取过去一段时间内客户标识对应的每日用气量,根据每日用气量计算日均用气量;
判断单元,用于从每日用气量中获取最近一次的单日用气量,计算单日用气量与日均用气量的用气量差值,判断用气量差值在预设的第一差值阈值内;
第一执行单元,用于若是,则将日均用气量作为历史平均日用量;
第二执行单元,用于若否,则通过一下方式计算历史平均日用量:
从单日用气量开始,按时间从后往前的顺序依次获取与单日用气量的差值在预设的第二差值阈值内的每日用气量,作为第一待计算用气量,并将其余的每日用气量作为第二待计算用气量;
数据计算单元,用于获取第一待计算用气量的数量n和第二待计算用气量的数量m,并通过以下公式计算历史平均日用量:
其中,S是指历史平均日用量,Ni是指每个第一待计算用气量,Mi是指每个第二待计算用气量,a和b分别是预设的权重值。
可选的,订单分组模块包括:
地区分组子模块,用于从区域关联关系获取关联区域分组数据,从每个关联区域分组数据中获取分区地区数据;
订单分组子模块,用于将每个订单配送位置与每个关联区域分组数据中的分区地区数据进行匹配,根据匹配结果得到供货送货数据组。
可选的,调度路线计算模块包括:
排序子模块,用于按照订单送货时间加上对应的订单卸货时间,得到供货驶离时间,按照供货驶离时间的先后顺序对供货订单数据进行排序,得到排序结果;
运输时间计算子模块,用于两两计算订单配送位置之间的供货运输时间;
根据订单配送位置获取距离供货方位置最近的供货订单数据,作为基准订单数据;
路线生成子模块,用于从基准订单数据开始,按照排序结果,根据供货运输时间依次获取满足订单驶离时间对应的供货订单数据,作为供货配送站点,将基准订单数据和供货配送站点对应的订单配送位置作为供货配送路线。
关于基于大数据的智能调度装置的具体限定可以参见上文中对于基于大数据的智能调度方法的限定,在此不再赘述。上述基于大数据的智能调度装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于大数据的智能调度方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
获取目标时间段的供货订单数据,从每个供货订单数据中获取订单送货时间、订单送货量和订单配送位置;
获取预设的区域关联关系,根据区域关联关系和订单配送位置,对供货订单数据进行分组,得到供货配送数据组;
根据每个供货订单数据中的订单送货量计算订单卸货时间;
根据订单卸货时间、订单送货时间和订单配送位置,计算得到每组供货配送数据组对应的配送路线数量和对应的供货配送路线。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取目标时间段的供货订单数据,从每个供货订单数据中获取订单送货时间、订单送货量和订单配送位置;
获取预设的区域关联关系,根据区域关联关系和订单配送位置,对供货订单数据进行分组,得到供货配送数据组;
根据每个供货订单数据中的订单送货量计算订单卸货时间;
根据订单卸货时间、订单送货时间和订单配送位置,计算得到每组供货配送数据组对应的配送路线数量和对应的供货配送路线。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (9)
1.一种基于大数据的智能调度方法,其特征在于,所述基于大数据的智能调度方法包括:
获取目标时间段的供货订单数据,从每个所述供货订单数据中获取订单送货时间、订单送货量和订单配送位置;
获取预设的区域关联关系,根据所述区域关联关系和所述订单配送位置,对所述供货订单数据进行分组,得到供货配送数据组;
根据每个所述供货订单数据中的所述订单送货量计算订单卸货时间;
根据所述订单卸货时间、订单送货时间和订单配送位置,计算得到每组所述供货配送数据组对应的配送路线数量和对应的供货配送路线,具体包括:
按照所述订单送货时间加上对应的所述订单卸货时间,得到供货驶离时间,按照所述供货驶离时间的先后顺序对所述供货订单数据进行排序,得到排序结果;
计算所述订单配送位置之间的供货运输时间;
根据所述订单配送位置获取距离供货方位置最近的所述供货订单数据,作为基准订单数据,具体为:根据供货方位置获取距离最近的供货订单数据,作为基准订单数据,其余的作为第一待比对订单数据,进一步地,根据基准订单数据对应的供货运输时间和对应的第一待比对订单数据,计算得到第二待比对订单数据,根据该基准订单数据的订单驶离时间和对应的供货运输时间计算得到供货到达时间,从第二待比对订单数据组成的数据组中筛选出供货到达时间晚于对应的订单送货时间的第二待比对订单数据,作为第二基准订单数据,即从第二待比对订单数据的数据组中,筛选得到无法在基准订单数据对应的配送点完成配送订单后,按照订单送货时间准时到达的供货订单数据,作为该第二基准订单数据,其余的作为第三待比对订单数据,根据基准订单数据和第二基准订单数据的总数量生成配送路线数量;
从所述基准订单数据开始,按照所述排序结果,根据所述供货运输时间依次获取满足所述订单驶离时间对应的供货订单数据的配送站点,作为供货配送站点,将所述基准订单数据和所述供货配送站点对应的所述订单配送位置作为所述供货配送路线,具体为:从基准订单数据开始,根据基准订单数据的订单驶离时间和第三待比对订单数据供货运输时间,筛选得到供货配送站点,从而组成一条供货配送路线,即在该供货配送路线中,运输车按照订单送货时间到达供货配送站点,按照对应的供货驶离时间离开该供货配送站点,并按照前往下一个供货配送站点的供货运输时间进行运输,能够在下一个订单送货时间前准时到达,每个第二基准订单数据使用同样的方法逐个生成对应的供货配送路线。
2.根据权利要求1所述的基于大数据的智能调度方法,其特征在于,所述获取目标时间段的供货订单数据,从每个所述供货订单数据中获取订单送货时间、订单送货量和订单配送位置,具体包括:
根据预设的客户标识实时获取客户当前气体可用量和对应的历史平均日用量;
根据所述客户当前气体可用量和所述历史平均日用量计算库存可用时间;
获取所述客户标识获取最近一次的订单到货时间,根据所述库存可用时间和所述订单到货时间计算所述订单送货时间。
3.根据权利要求2所述的基于大数据的智能调度方法,其特征在于,所述根据预设的客户标识实时获取客户当前气体可用量和对应的历史平均日用量,具体包括:
获取过去一段时间内所述客户标识对应的每日用气量,根据所述每日用气量计算日均用气量;从所述每日用气量中获取最近一次的单日用气量,计算所述单日用气量与所述日均用气量的用气量差值,判断所述用气量差值在预设的第一差值阈值内;
若是,则将所述日均用气量作为所述历史平均日用量;
若否,则通过一下方式计算所述历史平均日用量:
从所述单日用气量开始,按时间从后往前的顺序依次获取与所述单日用气量的差值在预设的第二差值阈值内的所述每日用气量,作为第一待计算用气量,并将其余的所述每日用气量作为第二待计算用气量;
获取第一待计算用气量的数量n和第二待计算用气量的数量m,并通过以下公式计算所述历史平均日用量:
其中,S是指所述历史平均日用量,Ni是指每个所述第一待计算用气量,Mi是指每个第二待计算用气量,a和b分别是预设的权重值。
4.根据权利要求1所述的基于大数据的智能调度方法,其特征在于,所述获取预设的区域关联关系,根据所述区域关联关系和所述订单配送位置,对所述供货订单数据进行分组,得到供货配送数据组,具体包括:
从所述区域关联关系获取关联区域分组数据,从每个所述关联区域分组数据中获取分区地区数据;
将每个所述订单配送位置与每个关联区域分组数据中的分区地区数据进行匹配,根据匹配结果得到所述供货送货数据组。
5.一种基于大数据的智能调度装置,其特征在于,所述基于大数据的智能调度装置包括:
订单获取模块,用于获取目标时间段的供货订单数据,从每个所述供货订单数据中获取订单送货时间、订单送货量和订单配送位置;
订单分组模块,用于获取预设的区域关联关系,根据所述区域关联关系和所述订单配送位置,对所述供货订单数据进行分组,得到供货配送数据组;
时间计算模块,用于根据每个所述供货订单数据中的所述订单送货量计算订单卸货时间;
调度路线计算模块,用于根据所述订单卸货时间、订单送货时间和订单配送位置,计算得到每组所述供货配送数据组对应的配送路线数量和对应的供货配送路线,所述调度路线计算模块包括:
排序子模块,用于按照订单送货时间加上对应的订单卸货时间,得到供货驶离时间,按照供货驶离时间的先后顺序对供货订单数据进行排序,得到排序结果;
运输时间计算子模块,用于计算订单配送位置之间的供货运输时间;
根据所述订单配送位置获取距离供货方位置最近的所述供货订单数据,作为基准订单数据,具体为:根据供货方位置获取距离最近的供货订单数据,作为基准订单数据,其余的作为第一待比对订单数据,进一步地,根据基准订单数据对应的供货运输时间和对应的第一待比对订单数据,计算得到第二待比对订单数据,根据该基准订单数据的订单驶离时间和对应的供货运输时间计算得到供货到达时间,从第二待比对订单数据组成的数据组中筛选出供货到达时间晚于对应的订单送货时间的第二待比对订单数据,作为第二基准订单数据,即从第二待比对订单数据的数据组中,筛选得到无法在基准订单数据对应的配送点完成配送订单后,按照订单送货时间准时到达的供货订单数据,作为该第二基准订单数据,其余的作为第三待比对订单数据,根据基准订单数据和第二基准订单数据的总数量生成配送路线数量;
路线生成子模块,用于从所述基准订单数据开始,按照所述排序结果,根据所述供货运输时间依次获取满足所述订单驶离时间对应的供货订单数据的配送站点,作为供货配送站点,将所述基准订单数据和所述供货配送站点对应的所述订单配送位置作为所述供货配送路线,具体为:从基准订单数据开始,根据基准订单数据的订单驶离时间和第三待比对订单数据供货运输时间,筛选得到供货配送站点,从而组成一条供货配送路线,即在该供货配送路线中,运输车按照订单送货时间到达供货配送站点,按照对应的供货驶离时间离开该供货配送站点,并按照前往下一个供货配送站点的供货运输时间进行运输,能够在下一个订单送货时间前准时到达,每个第二基准订单数据使用同样的方法逐个生成对应的供货配送路线。
6.根据权利要求5所述的基于大数据的智能调度装置,其特征在于,所述订单获取模块包括:
订单预测子模块,用于根据预设的客户标识实时获取客户当前气体可用量和对应的历史平均日用量;
库存时间计算子模块,用于根据所述客户当前气体可用量和所述历史平均日用量计算库存可用时间;
订单推送子模块,用于获取所述客户标识获取最近一次的订单到货时间,根据所述库存可用时间和所述订单到货时间计算所述订单送货时间。
7.根据权利要求6所述的基于大数据的智能调度装置,其特征在于,所述订单预测子模块,包括:
平均计算单元,用于获取过去一段时间内所述客户标识对应的每日用气量,根据所述每日用气量计算日均用气量;
判断单元,用于从所述每日用气量中获取最近一次的单日用气量,计算所述单日用气量与所述日均用气量的用气量差值,判断所述用气量差值在预设的第一差值阈值内;
第一执行单元,用于若是,则将所述日均用气量作为所述历史平均日用量;
第二执行单元,用于若否,则通过一下方式计算所述历史平均日用量:
从所述单日用气量开始,按时间从后往前的顺序依次获取与所述单日用气量的差值在预设的第二差值阈值内的所述每日用气量,作为第一待计算用气量,并将其余的所述每日用气量作为第二待计算用气量;
数据计算单元,用于获取第一待计算用气量的数量n和第二待计算用气量的数量m,并通过以下公式计算所述历史平均日用量:
其中,S是指所述历史平均日用量,Ni是指每个所述第一待计算用气量,Mi是指每个第二待计算用气量,a和b分别是预设的权重值。
8.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述基于大数据的智能调度方法的步骤。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述基于大数据的智能调度方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310593583.2A CN116307306B (zh) | 2023-05-25 | 2023-05-25 | 基于大数据的智能调度方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310593583.2A CN116307306B (zh) | 2023-05-25 | 2023-05-25 | 基于大数据的智能调度方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116307306A CN116307306A (zh) | 2023-06-23 |
CN116307306B true CN116307306B (zh) | 2023-09-19 |
Family
ID=86824382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310593583.2A Active CN116307306B (zh) | 2023-05-25 | 2023-05-25 | 基于大数据的智能调度方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307306B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116720803B (zh) * | 2023-08-10 | 2024-01-12 | 深圳市兰洋科技有限公司 | 一种基于智能设备的云配送任务处理方法及系统 |
CN116757584B (zh) * | 2023-08-18 | 2023-11-24 | 四川星点网络技术有限公司 | 一种基于大数据的配货系统 |
CN117314132B (zh) * | 2023-11-30 | 2024-03-15 | 乾健科技有限公司 | 一种基于大数据的调度方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145980A (zh) * | 2017-05-05 | 2017-09-08 | 北京京东尚科信息技术有限公司 | 无人车配送方法、系统和控制服务器 |
CN107194656A (zh) * | 2017-07-04 | 2017-09-22 | 北京惠赢天下网络技术有限公司 | 一种基于标准箱订单的配送路径的规划方法及装置 |
CN113723676A (zh) * | 2021-08-23 | 2021-11-30 | 郑州时空隧道信息技术有限公司 | 一种一路多单的线路规划方法及装置 |
CN115358680A (zh) * | 2022-10-19 | 2022-11-18 | 安徽中技国医医疗科技有限公司 | 一种医用物资的智能补货方法、装置及系统 |
CN115456494A (zh) * | 2021-06-09 | 2022-12-09 | 顺丰科技有限公司 | 自动补货方法、装置、计算机设备及计算机可读存储介质 |
-
2023
- 2023-05-25 CN CN202310593583.2A patent/CN116307306B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145980A (zh) * | 2017-05-05 | 2017-09-08 | 北京京东尚科信息技术有限公司 | 无人车配送方法、系统和控制服务器 |
CN107194656A (zh) * | 2017-07-04 | 2017-09-22 | 北京惠赢天下网络技术有限公司 | 一种基于标准箱订单的配送路径的规划方法及装置 |
CN115456494A (zh) * | 2021-06-09 | 2022-12-09 | 顺丰科技有限公司 | 自动补货方法、装置、计算机设备及计算机可读存储介质 |
CN113723676A (zh) * | 2021-08-23 | 2021-11-30 | 郑州时空隧道信息技术有限公司 | 一种一路多单的线路规划方法及装置 |
CN115358680A (zh) * | 2022-10-19 | 2022-11-18 | 安徽中技国医医疗科技有限公司 | 一种医用物资的智能补货方法、装置及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116307306A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116307306B (zh) | 基于大数据的智能调度方法、装置、设备以及存储介质 | |
CN107094165B (zh) | 配送能力确定、配送任务获取、配送资源调度方法和设备 | |
CN102542395B (zh) | 一种应急物资调度系统及计算方法 | |
CN107871175B (zh) | 一种车货匹配派单方法及装置 | |
CN110046749B (zh) | 一种基于实时路况的电商包裹与同城o2o包裹共同配送系统 | |
CN112001681B (zh) | 一种仓储管理方法、装置、平台和计算机可读存储介质 | |
US20190266690A1 (en) | System and methods for transportation system | |
WO2007081107A1 (en) | Method for optimal multi-vehicle dispatch and system for the same | |
JP5369845B2 (ja) | 配車計画作成方法 | |
CN111062629B (zh) | 车辆调度方法、装置、计算机设备和存储介质 | |
CN110322188A (zh) | 利用未来交通信息的物流配送用路径提供方法及其服务器 | |
WO2021015663A1 (en) | Delivery route planning apparatus and methods of generating delivery route plans | |
Farias et al. | Model and exact solution for a two-echelon inventory routing problem | |
CN111815231A (zh) | 一种物流平台智能拼车方法及系统 | |
CN114298559A (zh) | 换电站的换电方法、换电管理平台及存储介质 | |
CN111695842A (zh) | 配送方案确定方法、装置、电子设备及计算机存储介质 | |
US20150248638A1 (en) | Methods and arrangement for freight transportation management | |
CN114881580A (zh) | 一种基于智能供应链的电商物流配送管理系统及方法 | |
EP3472762A1 (en) | Vehicle fleet control systems and methods | |
CN112581058A (zh) | 物流控制管理方法 | |
CN117172497A (zh) | 一种基于货主信任值的订单分配方法、系统及装置 | |
CN112766868A (zh) | 一种物流车辆配送订单匹配方法、装置及计算机设备 | |
CN116432880B (zh) | 一种共享云仓物流城配路线智能选择及运费报价系统 | |
CN116228073A (zh) | 低碳物流调度的优化方法、系统、智能终端及存储介质 | |
CN112364262A (zh) | 一种找货路线推荐方法、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 |