CN116384849B - 一种应用于批发市场的货物流通管理系统及方法 - Google Patents
一种应用于批发市场的货物流通管理系统及方法 Download PDFInfo
- Publication number
- CN116384849B CN116384849B CN202310151674.0A CN202310151674A CN116384849B CN 116384849 B CN116384849 B CN 116384849B CN 202310151674 A CN202310151674 A CN 202310151674A CN 116384849 B CN116384849 B CN 116384849B
- Authority
- CN
- China
- Prior art keywords
- circulation
- goods
- source information
- time
- abnormal
- 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 43
- 230000002159 abnormal effect Effects 0.000 claims description 116
- 238000004519 manufacturing process Methods 0.000 claims description 56
- 238000007726 management method Methods 0.000 claims description 29
- 230000005856 abnormality Effects 0.000 claims description 23
- 238000009826 distribution Methods 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 9
- 230000010365 information processing Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 15
- 230000008859 change Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003860 storage Methods 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
-
- 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
- G06Q10/06—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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及货物流通管理技术领域,具体为一种应用于批发市场的货物流通管理系统及方法,所述系统包括货物流通状态预测模块,所述货物流通状态预测模块获取批发市场参照时间区间内各编号货物对应的来源信息集合,并预测目标货物的流通干扰值;目标货物管理模块获取当前时间目标货物流通干扰值的预测结果,并根据所得预测结果对目标货物的流通状态进行预警管理。本发明在判断货物的流通状态时,不仅考虑到批发市场上货物流通信息的多变性及不确定性,还考虑到不同货物的来源信息之间的关联性及相关联的货物之间的影响关系,进而准确预测批发市场上货物流通过程中受到的干扰情况及货物的流通状态,实现对批发市场上货物流通状态的有效管理。
Description
技术领域
本发明涉及货物流通管理技术领域,具体为一种应用于批发市场的货物流通管理系统及方法。
背景技术
货物流通是供应链活动的一部分,是为了满足客户需要而对商品、服务消费以及相关信息从产地到消费地的高效、低成本流动和储存进行的规划、实施与控制的过程;随着人们生活水平的不断提高,人们的购买力也不断提高,进而商铺为确保商铺能够实时满足客户的需求,进而需要实时对货物的流通情况进行管理,进而确保在货物流通过程出现问题的情况下,能够及时对货物流通状态进行管理(调整)。
目前,现有的应用于批发市场的货物流通管理系统,一方面是对批发市场上的同类货物的供需情况来进行分析,进而判断货物的流通状态(未考虑到批发市场上货物流通信息的多变性及不确定性);另一方面,则是对同一货物在流通过程中各级经销商及客户所在区域,判断货物的流通区域变化情况;但是,现有技术存在较大的缺陷,分析货物的流通情况时,未考虑到不同货物的来源信息之间的关联性及相关联的货物之间的影响关系,同时由于批发市场上不同时间货物流通信息的多变性及不确定性,进而预测批发市场上货物的流通状态存在较大的偏差,因此,现有技术中应用于批发市场的货物流通管理系统中相应的管理结果误差较大,预警结果误报率较大。
发明内容
本发明的目的在于提供一种应用于批发市场的货物流通管理系统及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种应用于批发市场的货物流通管理方法,所述方法包括以下步骤:
S1、获取批发市场中批发货物的种类构成的集合,并将所得集合中各个元素对应批发货物的种类进行编号;
S2、实时获取批发市场上每个批发货物种类编号对应货物的来源信息集合,所述来源信息集合由来源信息对构成,每个来源信息对包括产地信息及流通渠道信息;
S3、分析批发市场上不同货物的来源信息集合之间的关联性,并获取任意两种货物对应来源信息集合之间的关联系数;
S4、获取批发市场参照时间区间内各编号货物对应的来源信息集合,并预测目标货物的流通干扰值,所述参照时间区间为基于当前时间的前第一单位时间对应的时间区间,所述第一单位时间为数据库中预置的常数;
S5、获取当前时间目标货物流通干扰值的预测结果,并根据所得预测结果对目标货物的流通状态进行预警管理。
进一步的,所述S1中将批发市场中批发货物的种类构成的集合记为A,
将集合A中第i个元素对应批发货物的种类相应的编号记为Ai。
进一步的,所述S2中将时间t时获取的批发市场上批发货物种类编号Ai对应货物的来源信息集合记为BtAi,
所述来源信息集合中包括一个或多个来源数据对,将来源信息集合BtAi中第j个来源信息对记为BtAij,BtAij=(BtAi(j,1),BtAi(j,2)),BtAi(j,1)表示BtAij中产地信息对应的数组,BtAi(j,2)表示BtAij中流通渠道信息对应的数组;
所述产地信息对应的数组包括产地位置、预估产能及实际产能;
所述流通渠道信息对应的数组包括不同流通工具分别对应的预估流通距离及相应流通工具对应的预估流通时长,还包括不同流通工具分别对应的实际流通距离及相应流通工具对应的实际流通时长。所述流通工具包括飞机、火车、汽车及船只。
本发明在采集货物的来源信息时,从货物产地及货物流通渠道这两个方面进行考虑,无论是货物产地中的受外在因素影响导致的产能变化,还是货物流通过程中受流通环境影响导致的流通时间变化均会对货物的流通状态产生影响;同时在采集数据的过程中,还从预估量及实际量这两个角度进行考虑,是为了便于后续步骤中能够准确筛选异常的来源信息。
进一步的,所述S3中分析批发市场上不同货物的来源信息集合之间的关联性的方法包括以下步骤:
S31、获取批发市场上任意两种批发货物种类编号,并将所得批发货物种类编号分别记为Ai1及Ai2;
S32、获取历史数据中Ai1对应货物的各个来源信息集合所构成的数组,记为M1,获取历史数据中Ai2对应货物的各个来源信息集合所构成的数组,记为M2;
S33、将M1与M2进行比较,
当存在M1中产地位置与M2中的产地位置之间的距离小于第一阈值r1时,则判定M1与M2存在产地位置关联,所述第一阈值r1为数据库中预置的常数,
当存在M1中流通工具种类与M2中的流通工具种类相同时,则判定M1与M2存在流通渠道关联,
若M1与M2存在产地位置关联或流通渠道关联时,则Ai1与Ai2对应货物的来源信息集合之间存在关联性;
所述S3中获取任意两种货物对应来源信息集合之间的关联系数的方法包括以下步骤:
S301、当Ai1与Ai2对应货物的来源信息集合之间存在关联性时,获取M1及M2;
S302、获取M1中的产能异常的各个产地信息相应的采集时间,并汇总到一个空白数组中,得到第一异常时间数组,所述产能异常的产地信息表示实际产能除以预估产能小于r的产地信息,r∈[0.9,1],
获取M1中异常的各个流通渠道信息相应的采集时间,并汇总到一个空白数组中,得到第二异常时间数组,
当流通渠道信息中各个流通工具分别对应的实际速度与预估速度之间的差值存在大于第二阈值r2的情况时,则判定该流通渠道信息异常,
所述实际速度等于实际流通距离与相应流通工具对应的实际流通时长的商,所述预估速度表示预估流通距离与相应流通工具对应的预估流通时长的商,所述第二阈值r2为数据库中预置的常数;
S303、得到Ai2对应货物的来源信息集合相对于Ai1对应货物的来源信息集合的关联系数,记为Q(Ai2,Ai1),
所述Q(Ai2,Ai1)=e1/h*∑h g=1DHg+e2/f*∑f g1=1DFg1,
其中,h表示第一异常时间数组中的元素个数,f表示第二异常时间数组中的元素个数,e1及e2均为数据库中预置的常数,
DHg表示M2中对应时间属于第g个一级异常时间区间的来源信息集合中,各个产能异常的产地信息相应的产能异常率,分别与M1中时间为第g个一级异常时间区间中最小时间点相同的元素中对应产能异常率的商的平均值,
所述第g个一级异常时间区间表示基于第一异常时间数组中第g个元素对应时间及后续第一单位时间构成的时间区间,所述第一单位时间为数据库中预置的常数,所述产能异常率等于产能异常的产地信息中预估产能与实际产能的差值除以预估产能所得的商,若M2中对应时间属于第g个一级异常时间区间的各个来源信息集合中不存在产能异常的产地信息,则DHg=0,
DFg1表示M2中对应时间属于第g1个二级异常时间区间的来源信息集合中,各个异常流通渠道信息对应的异常时间偏差率,分别与M1中时间为第g1个二级异常时间区间中最小时间点相同的元素中对应异常时间偏差率的商的平均值,
所述第g1个二级异常时间区间表示基于第二异常时间数组中第g1个元素对应时间及后续第一单位时间构成的时间区间,所述异常时间偏差率等于异常流通渠道信息中预估综合流通时间与实际综合流通时间的差值除以预估综合流通时间所得的商,所述预估综合流通时间等于相应异常流通渠道信息中各个流通工具分别对应的预估流通时长之和,所述实际综合流通时间等于相应异常流通渠道信息中各个流通工具分别对应的实际流通时长之和,若M2中对应时间属于第g1个二级异常时间区间的各个来源信息集合中不存在产能异常的产地信息,则DFg1=0;
Q(Ai2,Ai1)对应的值与Q(Ai1,Ai2)对应的值不同。
本发明分析批发市场上不同货物的来源信息集合之间的关联性时,考虑到不同货物之间的产地信息与流通渠道信息之间可能会存在关联(产地相近或流通工具相似),存在关联的货物来源信息中可能会相互影响,并通过一种货物被影响的程度进而来估算出另一种货物被影响的程度(通过关联系数来进行表示);获取任意两种货物对应来源信息集合之间的关联系数的过程中,将M1与M2进行比较,是为了获取M1与M2两者之间的关联类型(产地位置关联或流通渠道关联);设置Q(Ai2,Ai1)对应的值与Q(Ai1,Ai2)对应的值不同,是因为考虑到两种货物(Ai2及Ai1)之间的影响关系可能是不一样,若Ai2的来源信息集合异常会导致Ai1的来源信息集合异常,Q(Ai1,Ai2)不等于0,而此时Ai1的来源信息集合异常不会导致Ai2的来源信息集合异常时,Q(Ai2,Ai1)等于0,进而同样两个编号的来源信息集合,产生的影响关系却存在较大的差异,即Q(Ai2,Ai1)对应的值与Q(Ai1,Ai2)对应的值不同。
进一步的,所述S4中预测目标货物的流通干扰值的方法包括以下步骤:
S41、获取目标货物对应的批发货物种类编号,记为Ax;
S42、获取数据库中与Ax对应货物的来源信息存在关联性的来源信息集合相应的批发货物种类编号,并将所得批发货物种类编号逐个录入到一个空白集合中,得到第三编号集合NAx;
S43、获取第三编号集合中每个元素对应货物的来源信息集合,相对于目标货物的来源信息集合的关联系数,
将第三编号集合中第d个元素对应货物的来源信息集合,相对于目标货物的来源信息集合的关联系数记为Q(NdAx,Ax),所述NdAx表示第三编号集合NAx中第d个元素对应的批发货物种类编号;
S44、获取参照时间区间内各编号货物分别对应的距当前时间最近的一个来源信息集合,选取对应编号属于第三编号集合的来源信息集合,其余编号货物对应的来源信息集合删除,将剩余编号货物对应的来源信息集合作为筛选结果;
S45、根据第三编号集合中第d个元素的来源信息集合,预测目标货物的流通影响量,记为WdAx,
当DHNdAx=0且DFNdAx=0时,WdAx=0,
当DHNdAx≠0且DFNdAx≠0时,WdAx=0,
其中,DHNdAx表示第三编号集合中第d个元素的来源信息集合中,各个产能异常的产地信息相应的产能异常率的平均值,与目标货物中对应产能异常率的商,若第三编号集合中第d个元素的来源信息集合中,不存在产能异常的产地信息,则判定相应的产能异常率为0且DHNdAx=0;
DFNdAx表示第三编号集合中第d个元素的来源信息集合中,各个异常流通渠道信息对应的异常时间偏差率的平均值,与目标货物中对应异常时间偏差率的商,若第三编号集合中第d个元素的来源信息集合中,不存在异常流通渠道信息,则判定相应的异常时间偏差率为0且DFNdAx=0;
当DHNdAx=0且DFNdAx≠0时,WdAx=e3*CYNdAx/(Q(NdAx,Ax)/e1),
当DHNdAx≠0且DFNdAx=0时,WdAx=e3*SYNdAx/(Q(NdAx,Ax)/e2)*(e2/e1),
其中,CYNdAx表示第三编号集合中第d个元素的来源信息集合中,各个产能异常的产地信息相应的产能异常率的平均值,SYNdAx表示第三编号集合中第d个元素的来源信息集合中,各个异常流通渠道信息对应的异常时间偏差率的平均值,e3表示流通量系数且e3为数据库中预置的常数;
本发明预测目标货物的流通影响量时,需要结合Q(NdAx,Ax)=e1*DHNdAx+e2*DFNdAx进行获取,判定当DHNdAx≠0且DFNdAx≠0时,WdAx=0,是考虑到此时Q(NdAx,Ax)=e1*DHNdAx+e2*DFNdAx中存在两个变量,进而无法准确预测相应的流通影响量,进而将其归0,而实际运用中,同一时间的来源信息中同时出现异常产地信息及异常流通渠道信息的情况较少,进而此处不将其作为后续步骤中预测目标货物的流通干扰值的主要因素(作为一个误差)。
S46、将S45中d为不同值时对应的各个预测结果逐个录入到一个空白集合中,得到第四集合,记为P,并根据第四集合预测目标货物的流通干扰值,记为PG,
PG=P1/P2*P3/exp(Pmax-Pmin),
其中,P1表示第四集合P中元素值不等于0的个数,P2表示第四集合P中元素的总个数,P3表示第四集合P中不等于0的各个元素值的平均值,Pmax表示第四集合P中的最大元素值,Pmin表示第四集合P中的最小元素值。
进一步的,所述S5中根据所得预测结果对目标货物的流通状态进行预警管理时,
将当前时间目标货物流通干扰值的预测结果与监测阈值进行比较,
若当前时间目标货物流通干扰值的预测结果小于等于监测阈值,则判定当前时间目标货物的货物来源的调配方案正常,
若当前时间目标货物流通干扰值的预测结果大于监测阈值,则判定当前时间目标货物的货物来源的调配方案异常,并向管理员进行预警,提醒管理员对当前时间目标货物的货物来源的调配方案进行调整。
一种应用于批发市场的货物流通管理系统,所述系统包括以下模块:
批发货物信息采集模块,所述批发货物信息采集模块获取批发市场中批发货物的种类构成的集合,并将所得集合中各个元素对应批发货物的种类进行编号;
货物来源信息获取模块,所述货物来源信息获取模块实时获取批发市场上每个批发货物种类编号对应货物的来源信息集合,所述来源信息集合由来源信息对构成,每个来源信息对包括产地信息及流通渠道信息;
来源信息关联性分析模块,所述来源信息关联性分析模块分析批发市场上不同货物的来源信息集合之间的关联性,并获取任意两种货物对应来源信息集合之间的关联系数;
货物流通状态预测模块,所述货物流通状态预测模块获取批发市场参照时间区间内各编号货物对应的来源信息集合,并预测目标货物的流通干扰值,所述参照时间区间为基于当前时间的前第一单位时间对应的时间区间,所述第一单位时间为数据库中预置的常数;
目标货物管理模块,所述目标货物管理模块获取当前时间目标货物流通干扰值的预测结果,并根据所得预测结果对目标货物的流通状态进行预警管理。
进一步的,所述货物来源信息获取模块中来源信息集合中包括一个或多个来源数据对,每个来源信息对包括产地信息及流通渠道信息,所述产地信息及流通渠道信息分别对应一个数组;
所述产地信息对应的数组包括产地位置、预估产能及实际产能;
所述流通渠道信息对应的数组包括不同流通工具分别对应的预估流通距离及相应流通工具对应的预估流通时长,所述流通渠道信息对应的数组还包括不同流通工具分别对应的实际流通距离及相应流通工具对应的实际流通时长。
与现有技术相比,本发明所达到的有益效果是:本发明在判断货物的流通状态时,不仅考虑到批发市场上货物流通信息的多变性及不确定性,还考虑到不同货物的来源信息之间的关联性及相关联的货物之间的影响关系,进而准确预测批发市场上货物流通过程中受到的干扰情况及货物的流通状态,实现对批发市场上货物流通状态的有效管理。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种应用于批发市场的货物流通管理方法的流程示意图;
图2是本发明一种应用于批发市场的货物流通管理系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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有其他实施例,都属于本发明保护的范围。
请参阅图1,本发明提供技术方案:一种应用于批发市场的货物流通管理方法,所述方法包括以下步骤:
S1、获取批发市场中批发货物的种类构成的集合,并将所得集合中各个元素对应批发货物的种类进行编号;
所述S1中将批发市场中批发货物的种类构成的集合记为A,
将集合A中第i个元素对应批发货物的种类相应的编号记为Ai。
S2、实时获取批发市场上每个批发货物种类编号对应货物的来源信息集合,所述来源信息集合由来源信息对构成,每个来源信息对包括产地信息及流通渠道信息;
所述S2中将时间t时获取的批发市场上批发货物种类编号Ai对应货物的来源信息集合记为BtAi,
所述来源信息集合中包括一个或多个来源数据对,将来源信息集合BtAi中第j个来源信息对记为BtAij,BtAij=(BtAi(j,1),BtAi(j,2)),BtAi(j,1)表示BtAij中产地信息对应的数组,BtAi(j,2)表示BtAij中流通渠道信息对应的数组;
所述产地信息对应的数组包括产地位置、预估产能及实际产能;
所述流通渠道信息对应的数组包括不同流通工具分别对应的预估流通距离及相应流通工具对应的预估流通时长,还包括不同流通工具分别对应的实际流通距离及相应流通工具对应的实际流通时长。所述流通工具包括飞机、火车、汽车及船只。
S3、分析批发市场上不同货物的来源信息集合之间的关联性,并获取任意两种货物对应来源信息集合之间的关联系数;
所述S3中分析批发市场上不同货物的来源信息集合之间的关联性的方法包括以下步骤:
S31、获取批发市场上任意两种批发货物种类编号,并将所得批发货物种类编号分别记为Ai1及Ai2;
S32、获取历史数据中Ai1对应货物的各个来源信息集合所构成的数组,记为M1,获取历史数据中Ai2对应货物的各个来源信息集合所构成的数组,记为M2;
S33、将M1与M2进行比较,
当存在M1中产地位置与M2中的产地位置之间的距离小于第一阈值r1时,则判定M1与M2存在产地位置关联,所述第一阈值r1为数据库中预置的常数,
当存在M1中流通工具种类与M2中的流通工具种类相同时,则判定M1与M2存在流通渠道关联,
若M1与M2存在产地位置关联或流通渠道关联时,则Ai1与Ai2对应货物的来源信息集合之间存在关联性;
所述S3中获取任意两种货物对应来源信息集合之间的关联系数的方法包括以下步骤:
S301、当Ai1与Ai2对应货物的来源信息集合之间存在关联性时,获取M1及M2;
S302、获取M1中的产能异常的各个产地信息相应的采集时间,并汇总到一个空白数组中,得到第一异常时间数组,所述产能异常的产地信息表示实际产能除以预估产能小于r的产地信息,r∈[0.9,1],
获取M1中异常的各个流通渠道信息相应的采集时间,并汇总到一个空白数组中,得到第二异常时间数组,
当流通渠道信息中各个流通工具分别对应的实际速度与预估速度之间的差值存在大于第二阈值r2的情况时,则判定该流通渠道信息异常,
所述实际速度等于实际流通距离与相应流通工具对应的实际流通时长的商,所述预估速度表示预估流通距离与相应流通工具对应的预估流通时长的商,所述第二阈值r2为数据库中预置的常数;
本实施例中在判断流通渠道信息异常时,首先限制的是流通工具的种类相同,其次是每种流通工具对应的速度偏差(实际速度与预估速度之间的差值),速度偏差能够有效反映出该流通工具在货物流通过程中的状态(是否出现外在因素干扰使得速度偏差变大),当出现的速度偏差达到一定程度(实际速度与预估速度之间的差值存在大于第二阈值r2)时,则判定流通渠道信息异常;该过程中,不考虑同一流通工具预估流通距离与实际流通距离之间的关系,是考虑到用户在货物流通过程中对流通路线的变更情况,在相应流通工具对应的速度偏差在误差承受范围内时,说明用户变更的流通路线在执行过程中未受到外在干扰因素的影响,流通状态依旧正常。
S303、得到Ai2对应货物的来源信息集合相对于Ai1对应货物的来源信息集合的关联系数,记为Q(Ai2,Ai1),
所述Q(Ai2,Ai1)=e1/h*∑h g=1DHg+e2/f*∑f g1=1DFg1,
其中,h表示第一异常时间数组中的元素个数,f表示第二异常时间数组中的元素个数,e1及e2均为数据库中预置的常数,
DHg表示M2中对应时间属于第g个一级异常时间区间的来源信息集合中,各个产能异常的产地信息相应的产能异常率,分别与M1中时间为第g个一级异常时间区间中最小时间点相同的元素中对应产能异常率的商的平均值,
所述第g个一级异常时间区间表示基于第一异常时间数组中第g个元素对应时间及后续第一单位时间构成的时间区间,所述第一单位时间为数据库中预置的常数,所述产能异常率等于产能异常的产地信息中预估产能与实际产能的差值除以预估产能所得的商,若M2中对应时间属于第g个一级异常时间区间的各个来源信息集合中不存在产能异常的产地信息,则DHg=0,
DFg1表示M2中对应时间属于第g1个二级异常时间区间的来源信息集合中,各个异常流通渠道信息对应的异常时间偏差率,分别与M1中时间为第g1个二级异常时间区间中最小时间点相同的元素中对应异常时间偏差率的商的平均值,
所述第g1个二级异常时间区间表示基于第二异常时间数组中第g1个元素对应时间及后续第一单位时间构成的时间区间,所述异常时间偏差率等于异常流通渠道信息中预估综合流通时间与实际综合流通时间的差值除以预估综合流通时间所得的商,所述预估综合流通时间等于相应异常流通渠道信息中各个流通工具分别对应的预估流通时长之和,所述实际综合流通时间等于相应异常流通渠道信息中各个流通工具分别对应的实际流通时长之和,若M2中对应时间属于第g1个二级异常时间区间的各个来源信息集合中不存在产能异常的产地信息,则DFg1=0;
Q(Ai2,Ai1)对应的值与Q(Ai1,Ai2)对应的值不同;
本实施例中Q(Ai2,Ai1)对应的值与Q(Ai1,Ai2)对应的值可能会出现不同的情况,是因为在分析过程中,获取Q(Ai2,Ai1)对应的值与Q(Ai1,Ai2)对应的值时采用的参照对象是不一样的,获取Q(Ai2,Ai1)对应的值时,采用的参照对应的是Ai1对应货物的来源信息集合,而获取Q(Ai2,Ai1)对应的值时,采用的参照对应的是Ai2对应货物的来源信息集合,虽然采用的是同样的分析方法,但是由于参照对象不同,进而分析过程中筛选的数据也是存在差距的,进而计算结果也会存在差异。
S4、获取批发市场参照时间区间内各编号货物对应的来源信息集合,并预测目标货物的流通干扰值,所述参照时间区间为基于当前时间的前第一单位时间对应的时间区间,所述第一单位时间为数据库中预置的常数;
所述S4中预测目标货物的流通干扰值的方法包括以下步骤:
S41、获取目标货物对应的批发货物种类编号,记为Ax;
S42、获取数据库中与Ax对应货物的来源信息存在关联性的来源信息集合相应的批发货物种类编号,并将所得批发货物种类编号逐个录入到一个空白集合中,得到第三编号集合NAx;
S43、获取第三编号集合中每个元素对应货物的来源信息集合,相对于目标货物的来源信息集合的关联系数,
将第三编号集合中第d个元素对应货物的来源信息集合,相对于目标货物的来源信息集合的关联系数记为Q(NdAx,Ax),所述NdAx表示第三编号集合NAx中第d个元素对应的批发货物种类编号;
S44、获取参照时间区间内各编号货物分别对应的距当前时间最近的一个来源信息集合,选取对应编号属于第三编号集合的来源信息集合,其余编号货物对应的来源信息集合删除,将剩余编号货物对应的来源信息集合作为筛选结果;
S45、根据第三编号集合中第d个元素的来源信息集合,预测目标货物的流通影响量,记为WdAx,
当DHNdAx=0且DFNdAx=0时,WdAx=0,
当DHNdAx≠0且DFNdAx≠0时,WdAx=0,
其中,DHNdAx表示第三编号集合中第d个元素的来源信息集合中,各个产能异常的产地信息相应的产能异常率的平均值,与目标货物中对应产能异常率的商,若第三编号集合中第d个元素的来源信息集合中,不存在产能异常的产地信息,则判定相应的产能异常率为0且DHNdAx=0;
DFNdAx表示第三编号集合中第d个元素的来源信息集合中,各个异常流通渠道信息对应的异常时间偏差率的平均值,与目标货物中对应异常时间偏差率的商,若第三编号集合中第d个元素的来源信息集合中,不存在异常流通渠道信息,则判定相应的异常时间偏差率为0且DFNdAx=0;
当DHNdAx=0且DFNdAx≠0时,WdAx=e3*CYNdAx/(Q(NdAx,Ax)/e1),
当DHNdAx≠0且DFNdAx=0时,WdAx=e3*SYNdAx/(Q(NdAx,Ax)/e2)*(e2/e1),
其中,CYNdAx表示第三编号集合中第d个元素的来源信息集合中,各个产能异常的产地信息相应的产能异常率的平均值,SYNdAx表示第三编号集合中第d个元素的来源信息集合中,各个异常流通渠道信息对应的异常时间偏差率的平均值,e3表示流通量系数且e3为数据库中预置的常数;
S46、将S45中d为不同值时对应的各个预测结果逐个录入到一个空白集合中,得到第四集合,记为P,并根据第四集合预测目标货物的流通干扰值,记为PG,
PG=P1/P2*P3/exp(Pmax-Pmin),
其中,P1表示第四集合P中元素值不等于0的个数,P2表示第四集合P中元素的总个数,P3表示第四集合P中不等于0的各个元素值的平均值,Pmax表示第四集合P中的最大元素值,Pmin表示第四集合P中的最小元素值。
S5、获取当前时间目标货物流通干扰值的预测结果,并根据所得预测结果对目标货物的流通状态进行预警管理;
所述S5中根据所得预测结果对目标货物的流通状态进行预警管理时,
将当前时间目标货物流通干扰值的预测结果与监测阈值进行比较,
若当前时间目标货物流通干扰值的预测结果小于等于监测阈值,则判定当前时间目标货物的货物来源的调配方案正常,
若当前时间目标货物流通干扰值的预测结果大于监测阈值,则判定当前时间目标货物的货物来源的调配方案异常,并向管理员进行预警,提醒管理员对当前时间目标货物的货物来源的调配方案进行调整。
如图2所示,一种应用于批发市场的货物流通管理系统,所述系统包括以下模块:
批发货物信息采集模块,所述批发货物信息采集模块获取批发市场中批发货物的种类构成的集合,并将所得集合中各个元素对应批发货物的种类进行编号;
货物来源信息获取模块,所述货物来源信息获取模块实时获取批发市场上每个批发货物种类编号对应货物的来源信息集合,所述来源信息集合由来源信息对构成,每个来源信息对包括产地信息及流通渠道信息;
来源信息关联性分析模块,所述来源信息关联性分析模块分析批发市场上不同货物的来源信息集合之间的关联性,并获取任意两种货物对应来源信息集合之间的关联系数;
货物流通状态预测模块,所述货物流通状态预测模块获取批发市场参照时间区间内各编号货物对应的来源信息集合,并预测目标货物的流通干扰值,所述参照时间区间为基于当前时间的前第一单位时间对应的时间区间,所述第一单位时间为数据库中预置的常数;
目标货物管理模块,所述目标货物管理模块获取当前时间目标货物流通干扰值的预测结果,并根据所得预测结果对目标货物的流通状态进行预警管理。
所述货物来源信息获取模块中来源信息集合中包括一个或多个来源数据对,每个来源信息对包括产地信息及流通渠道信息,所述产地信息及流通渠道信息分别对应一个数组;
所述产地信息对应的数组包括产地位置、预估产能及实际产能;
所述流通渠道信息对应的数组包括不同流通工具分别对应的预估流通距离及相应流通工具对应的预估流通时长,所述流通渠道信息对应的数组还包括不同流通工具分别对应的实际流通距离及相应流通工具对应的实际流通时长。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,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。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种应用于批发市场的货物流通管理方法,其特征在于,所述方法包括以下步骤:
S1、获取批发市场中批发货物的种类构成的集合,并将所得集合中各个元素对应批发货物的种类进行编号;
S2、实时获取批发市场上每个批发货物种类编号对应货物的来源信息集合,所述来源信息集合由来源信息对构成,每个来源信息对包括产地信息及流通渠道信息;
S3、分析批发市场上不同货物的来源信息集合之间的关联性,并获取任意两种货物对应来源信息集合之间的关联系数;
S4、获取批发市场参照时间区间内各编号货物对应的来源信息集合,并预测目标货物的流通干扰值,所述参照时间区间为基于当前时间的前第一单位时间对应的时间区间,所述第一单位时间为数据库中预置的常数;
S5、获取当前时间目标货物流通干扰值的预测结果,并根据所得预测结果对目标货物的流通状态进行预警管理;
所述S3中分析批发市场上不同货物的来源信息集合之间的关联性的方法包括以下步骤:
S31、获取批发市场上任意两种批发货物种类编号,并将所得批发货物种类编号分别记为Ai1及Ai2;
S32、获取历史数据中Ai1对应货物的各个来源信息集合所构成的数组,记为M1,获取历史数据中Ai2对应货物的各个来源信息集合所构成的数组,记为M2;
S33、将M1与M2进行比较,
当存在M1中产地位置与M2中的产地位置之间的距离小于第一阈值r1时,则判定M1与M2存在产地位置关联,所述第一阈值r1为数据库中预置的常数,
当存在M1中流通工具种类与M2中的流通工具种类相同时,则判定M1与M2存在流通渠道关联,
若M1与M2存在产地位置关联或流通渠道关联时,则Ai1与Ai2对应货物的来源信息集合之间存在关联性;
所述S3中获取任意两种货物对应来源信息集合之间的关联系数的方法包括以下步骤:
S301、当Ai1与Ai2对应货物的来源信息集合之间存在关联性时,获取M1及M2;
S302、获取M1中的产能异常的各个产地信息相应的采集时间,并汇总到一个空白数组中,得到第一异常时间数组,所述产能异常的产地信息表示实际产能除以预估产能小于r的产地信息,r∈[0.9,1],
获取M1中异常的各个流通渠道信息相应的采集时间,并汇总到一个空白数组中,得到第二异常时间数组,
当流通渠道信息中各个流通工具分别对应的实际速度与预估速度之间的差值存在大于第二阈值r2的情况时,则判定该流通渠道信息异常,
所述实际速度等于实际流通距离与相应流通工具对应的实际流通时长的商,所述预估速度表示预估流通距离与相应流通工具对应的预估流通时长的商,所述第二阈值r2为数据库中预置的常数;
S303、得到Ai2对应货物的来源信息集合相对于Ai1对应货物的来源信息集合的关联系数,记为Q(Ai2,Ai1),
所述Q(Ai2,Ai1)=e1/h*∑h g=1DHg+e2/f*∑f g1=1DFg1,
其中,h表示第一异常时间数组中的元素个数,f表示第二异常时间数组中的元素个数,e1及e2均为数据库中预置的常数,
DHg表示M2中对应时间属于第g个一级异常时间区间的来源信息集合中,各个产能异常的产地信息相应的产能异常率,分别与M1中时间为第g个一级异常时间区间中最小时间点相同的元素中对应产能异常率的商的平均值,
所述第g个一级异常时间区间表示基于第一异常时间数组中第g个元素对应时间及后续第一单位时间构成的时间区间,所述第一单位时间为数据库中预置的常数,所述产能异常率等于产能异常的产地信息中预估产能与实际产能的差值除以预估产能所得的商,若M2中对应时间属于第g个一级异常时间区间的各个来源信息集合中不存在产能异常的产地信息,则DHg=0,
DFg1表示M2中对应时间属于第g1个二级异常时间区间的来源信息集合中,各个异常流通渠道信息对应的异常时间偏差率,分别与M1中时间为第g1个二级异常时间区间中最小时间点相同的元素中对应异常时间偏差率的商的平均值,
所述第g1个二级异常时间区间表示基于第二异常时间数组中第g1个元素对应时间及后续第一单位时间构成的时间区间,所述异常时间偏差率等于异常流通渠道信息中预估综合流通时间与实际综合流通时间的差值除以预估综合流通时间所得的商,所述预估综合流通时间等于相应异常流通渠道信息中各个流通工具分别对应的预估流通时长之和,所述实际综合流通时间等于相应异常流通渠道信息中各个流通工具分别对应的实际流通时长之和,若M2中对应时间属于第g1个二级异常时间区间的各个来源信息集合中不存在产能异常的产地信息,则DFg1=0;
Q(Ai2,Ai1)对应的值与Q(Ai1,Ai2)对应的值不同;
所述S4中预测目标货物的流通干扰值的方法包括以下步骤:
S41、获取目标货物对应的批发货物种类编号,记为Ax;
S42、获取数据库中与Ax对应货物的来源信息存在关联性的来源信息集合相应的批发货物种类编号,并将所得批发货物种类编号逐个录入到一个空白集合中,得到第三编号集合NAx;
S43、获取第三编号集合中每个元素对应货物的来源信息集合,相对于目标货物的来源信息集合的关联系数,
将第三编号集合中第d个元素对应货物的来源信息集合,相对于目标货物的来源信息集合的关联系数记为Q(NdAx,Ax),所述NdAx表示第三编号集合NAx中第d个元素对应的批发货物种类编号;
S44、获取参照时间区间内各编号货物分别对应的距当前时间最近的一个来源信息集合,选取对应编号属于第三编号集合的来源信息集合,其余编号货物对应的来源信息集合删除,将剩余编号货物对应的来源信息集合作为筛选结果;
S45、根据第三编号集合中第d个元素的来源信息集合,预测目标货物的流通影响量,记为WdAx,
当DHNdAx=0且DFNdAx=0时,WdAx=0,
当DHNdAx≠0且DFNdAx≠0时,WdAx=0,
其中,DHNdAx表示第三编号集合中第d个元素的来源信息集合中,各个产能异常的产地信息相应的产能异常率的平均值,与目标货物中对应产能异常率的商,若第三编号集合中第d个元素的来源信息集合中,不存在产能异常的产地信息,则判定相应的产能异常率为0且DHNdAx=0;
DFNdAx表示第三编号集合中第d个元素的来源信息集合中,各个异常流通渠道信息对应的异常时间偏差率的平均值,与目标货物中对应异常时间偏差率的商,若第三编号集合中第d个元素的来源信息集合中,不存在异常流通渠道信息,则判定相应的异常时间偏差率为0且DFNdAx=0;
当DHNdAx=0且DFNdAx≠0时,WdAx=e3*CYNdAx/(Q(NdAx,Ax)/e1),
当DHNdAx≠0且DFNdAx=0时,WdAx=e3*SYNdAx/(Q(NdAx,Ax)/e2)*(e2/e1),
其中,CYNdAx表示第三编号集合中第d个元素的来源信息集合中,各个产能异常的产地信息相应的产能异常率的平均值,SYNdAx表示第三编号集合中第d个元素的来源信息集合中,各个异常流通渠道信息对应的异常时间偏差率的平均值,e3表示流通量系数且e3为数据库中预置的常数;
S46、将S45中d为不同值时对应的各个预测结果逐个录入到一个空白集合中,得到第四集合,记为P,并根据第四集合预测目标货物的流通干扰值,记为PG,
PG=P1/P2*P3/exp(Pmax-Pmin),
其中,P1表示第四集合P中元素值不等于0的个数,P2表示第四集合P中元素的总个数,P3表示第四集合P中不等于0的各个元素值的平均值,Pmax表示第四集合P中的最大元素值,Pmin表示第四集合P中的最小元素值。
2.根据权利要求1所述的一种应用于批发市场的货物流通管理方法,其特征在于:所述S1中将批发市场中批发货物的种类构成的集合记为A,
将集合A中第i个元素对应批发货物的种类相应的编号记为Ai。
3.根据权利要求2所述的一种应用于批发市场的货物流通管理方法,其特征在于:所述S2中将时间t时获取的批发市场上批发货物种类编号Ai对应货物的来源信息集合记为BtAi,
所述来源信息集合中包括一个或多个来源数据对,将来源信息集合BtAi中第j个来源信息对记为BtAij,BtAij=(BtAi(j,1),BtAi(j,2)),BtAi(j,1)表示BtAij中产地信息对应的数组,BtAi(j,2)表示BtAij中流通渠道信息对应的数组;
所述产地信息对应的数组包括产地位置、预估产能及实际产能;
所述流通渠道信息对应的数组包括不同流通工具分别对应的预估流通距离及相应流通工具对应的预估流通时长,还包括不同流通工具分别对应的实际流通距离及相应流通工具对应的实际流通时长。
4.根据权利要求1所述的一种应用于批发市场的货物流通管理方法,其特征在于:所述S5中根据所得预测结果对目标货物的流通状态进行预警管理时,
将当前时间目标货物流通干扰值的预测结果与监测阈值进行比较,
若当前时间目标货物流通干扰值的预测结果小于等于监测阈值,则判定当前时间目标货物的货物来源的调配方案正常,
若当前时间目标货物流通干扰值的预测结果大于监测阈值,则判定当前时间目标货物的货物来源的调配方案异常,并向管理员进行预警,提醒管理员对当前时间目标货物的货物来源的调配方案进行调整。
5.一种应用于批发市场的货物流通管理系统,所述系统通过权利要求1-4中任意一项所述的一种应用于批发市场的货物流通管理方法实现,其特征在于,所述系统包括以下模块:
批发货物信息采集模块,所述批发货物信息采集模块获取批发市场中批发货物的种类构成的集合,并将所得集合中各个元素对应批发货物的种类进行编号;
货物来源信息获取模块,所述货物来源信息获取模块实时获取批发市场上每个批发货物种类编号对应货物的来源信息集合,所述来源信息集合由来源信息对构成,每个来源信息对包括产地信息及流通渠道信息;
来源信息关联性分析模块,所述来源信息关联性分析模块分析批发市场上不同货物的来源信息集合之间的关联性,并获取任意两种货物对应来源信息集合之间的关联系数;
货物流通状态预测模块,所述货物流通状态预测模块获取批发市场参照时间区间内各编号货物对应的来源信息集合,并预测目标货物的流通干扰值,所述参照时间区间为基于当前时间的前第一单位时间对应的时间区间,所述第一单位时间为数据库中预置的常数;
目标货物管理模块,所述目标货物管理模块获取当前时间目标货物流通干扰值的预测结果,并根据所得预测结果对目标货物的流通状态进行预警管理。
6.根据权利要求5所述的一种应用于批发市场的货物流通管理系统,其特征在于:所述货物来源信息获取模块中来源信息集合中包括一个或多个来源数据对,每个来源信息对包括产地信息及流通渠道信息,所述产地信息及流通渠道信息分别对应一个数组;
所述产地信息对应的数组包括产地位置、预估产能及实际产能;
所述流通渠道信息对应的数组包括不同流通工具分别对应的预估流通距离及相应流通工具对应的预估流通时长,所述流通渠道信息对应的数组还包括不同流通工具分别对应的实际流通距离及相应流通工具对应的实际流通时长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310151674.0A CN116384849B (zh) | 2023-02-22 | 2023-02-22 | 一种应用于批发市场的货物流通管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310151674.0A CN116384849B (zh) | 2023-02-22 | 2023-02-22 | 一种应用于批发市场的货物流通管理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116384849A CN116384849A (zh) | 2023-07-04 |
CN116384849B true CN116384849B (zh) | 2023-10-10 |
Family
ID=86979614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310151674.0A Active CN116384849B (zh) | 2023-02-22 | 2023-02-22 | 一种应用于批发市场的货物流通管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116384849B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102081763A (zh) * | 2011-01-07 | 2011-06-01 | 深圳市农产品股份有限公司 | 一种农产品总量控制系统及其方法 |
KR101341986B1 (ko) * | 2013-06-14 | 2013-12-16 | 대한민국 | 관세행정 통합위험관리 시스템 및 그 방법 |
CN108876261A (zh) * | 2018-08-23 | 2018-11-23 | 智锐达仪器科技南通有限公司 | 一种农产品流通管理系统和管理方法 |
CN112053095A (zh) * | 2020-09-30 | 2020-12-08 | 东莞市盟大塑化科技有限公司 | 货物监控方法、装置、计算机设备和存储介质 |
CN115123014A (zh) * | 2022-08-29 | 2022-09-30 | 江苏天一航空工业股份有限公司 | 一种基于物联网的综合电池管理系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060074791A1 (en) * | 2004-09-28 | 2006-04-06 | Jelaco John A | System, method and associated software for managing the transportation of goods |
-
2023
- 2023-02-22 CN CN202310151674.0A patent/CN116384849B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102081763A (zh) * | 2011-01-07 | 2011-06-01 | 深圳市农产品股份有限公司 | 一种农产品总量控制系统及其方法 |
KR101341986B1 (ko) * | 2013-06-14 | 2013-12-16 | 대한민국 | 관세행정 통합위험관리 시스템 및 그 방법 |
CN108876261A (zh) * | 2018-08-23 | 2018-11-23 | 智锐达仪器科技南通有限公司 | 一种农产品流通管理系统和管理方法 |
CN112053095A (zh) * | 2020-09-30 | 2020-12-08 | 东莞市盟大塑化科技有限公司 | 货物监控方法、装置、计算机设备和存储介质 |
CN115123014A (zh) * | 2022-08-29 | 2022-09-30 | 江苏天一航空工业股份有限公司 | 一种基于物联网的综合电池管理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116384849A (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP0587290B1 (en) | Method and system for monitoring and/or controlling the performance of an organization | |
EP3236398A1 (en) | A system for maintenance recommendation based on maintenance effectiveness estimation | |
CN110874674B (zh) | 一种异常检测方法、装置及设备 | |
Smiraglia et al. | Predicting hourly traflc noise from traflc flow rate model: Underlying concepts for the dynamap project | |
CN115796372A (zh) | 一种基于scor的供应链管理优化方法及系统 | |
CN116843156A (zh) | 一种装配式建筑构件的供应链管理与控制方法 | |
CN111582603B (zh) | 基于多源信息融合的煤与瓦斯突出的智能预警方法 | |
US8812337B2 (en) | Resource allocation based on retail incident information | |
CN113379099A (zh) | 一种基于机器学习与copula模型的高速公路交通流自适应预测方法 | |
Chen | Freeway performance measurement system (PeMS) | |
CN116384849B (zh) | 一种应用于批发市场的货物流通管理系统及方法 | |
Tselentis et al. | Temporal analysis of driving efficiency using smartphone data | |
Smith et al. | Investigation of extraction, transformation, and loading techniques for traffic data warehouses | |
CN117114573A (zh) | 一种基于大数据的仓储时间监管系统及方法 | |
CN114819628B (zh) | 一种可视化工程监理系统 | |
KR20230052010A (ko) | Ai 기반 모델 선택 알고리즘을 이용한 수요 예측 방법 | |
Shojaee et al. | Integration of production–maintenance planning and monitoring simple linear profiles via Hotelling's T2 control chart and particle swarm optimization | |
CN115587764A (zh) | 一种用于电网物资管理的供应链导期优化方法和系统 | |
Kovács et al. | Improving quality of service parameter prediction with preliminary outlier detection and elimination | |
EP3460732A1 (en) | Dispatching method and system based on multiple levels of steady state production rate in working benches | |
CN117436718B (zh) | 一种基于多维引擎的智能数据管理平台 | |
CN117474710B (zh) | 中空玻璃全过程信息化管理系统 | |
CN117787815B (zh) | 一种基于大数据的人力资源外包服务系统及方法 | |
CN117875905B (zh) | 一种基于大数据的餐饮供应链数字化管理系统及方法 | |
CN116823237B (zh) | 一种循环包装管理系统 |
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 |