CN116523428A - 箱式物流系统的物流管理方法、装置、设备及存储介质 - Google Patents
箱式物流系统的物流管理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116523428A CN116523428A CN202310777113.1A CN202310777113A CN116523428A CN 116523428 A CN116523428 A CN 116523428A CN 202310777113 A CN202310777113 A CN 202310777113A CN 116523428 A CN116523428 A CN 116523428A
- Authority
- CN
- China
- Prior art keywords
- logistics
- data
- container
- cargo
- target
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 65
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 238000012544 monitoring process Methods 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims abstract description 58
- 238000004458 analytical method Methods 0.000 claims abstract description 44
- 238000000605 extraction Methods 0.000 claims abstract description 29
- 230000005856 abnormality Effects 0.000 claims abstract description 22
- 230000010354 integration Effects 0.000 claims abstract description 17
- 238000004140 cleaning Methods 0.000 claims abstract description 13
- 230000002159 abnormal effect Effects 0.000 claims description 37
- 238000013507 mapping Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 5
- 238000007499 fusion processing Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000002195 synergetic effect Effects 0.000 description 2
- 241000531116 Blitum bonus-henricus Species 0.000 description 1
- 235000008645 Chenopodium bonus henricus Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000012567 medical material Substances 0.000 description 1
- 230000001483 mobilizing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 239000002699 waste material 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0833—Tracking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及物流管理领域,公开了一种箱式物流系统的物流管理方法、装置、设备及存储介质,用于实现箱式物流的智能化管理并提高物流管理的效率。方法包括:分别对第一集装箱数据以及第一货物数据进行数据清洗、数据整合以及物流特征提取,得到目标集装箱数据以及目标货物数据;将目标集装箱数据输入第一物流决策模型进行物流决策分析,得到第一物流决策结果;将目标货物数据输入预置的第二物流决策模型进行物流决策分析,得到第二物流决策结果;通过箱式物流系统执行第一物流决策结果以及第二物流决策结果,并对目标物流集装箱进行物流跟踪和物流异常监控,得到物流异常监控结果。
Description
技术领域
本发明涉及物流管理领域,尤其涉及一种箱式物流系统的物流管理方法、装置、设备及存储介质。
背景技术
箱式物流系统是一种将货物打包在标准化、可重复使用、集装化的货箱中,在整个物流过程中进行一体化运输、装卸、排序、储存、分拨等操作的综合性物流系统。通过大规模集装箱的装载和集中式操作,使物流流程更加标准、高效和可控,降低物流成本和时间,提高物流效率和安全性。通常箱式物流系统包括集装箱、集装箱衍生的配套设备和服务,以及相应的物流管理和技术支持等综合要素。
箱式物流系统作为一种高效、标准化的物流模式,在现代物流产业中得到了广泛应用。然而,传统的箱式物流系统存在一些问题,如物流信息不透明、物流路径不优化、物流管理不智能等。但是,现有技术中还存在一些不足,如:信息获得的难度和成本较高,导致物流安全性和可靠性无法得到充分保障;物流过程中的数据缺乏实时性和准确性,导致物流决策和管理不够精准;物流优化决策和反馈受限于线性模型和规则库,不能很好地适应复杂的物流环境和需求。
发明内容
本发明提供了一种箱式物流系统的物流管理方法、装置、设备及存储介质,用于实现箱式物流的智能化管理并提高物流管理的效率。
本发明第一方面提供了一种箱式物流系统的物流管理方法,所述箱式物流系统的物流管理方法包括:
基于预设的物联网传感器采集目标物流集装箱的第一集装箱数据以及第一货物数据;
分别对所述第一集装箱数据以及所述第一货物数据进行数据清洗和数据整合,得到第二集装箱数据以及第二货物数据;
分别对所述第二集装箱数据以及所述第二货物数据进行物流特征提取,得到目标集装箱数据以及目标货物数据;
将所述目标集装箱数据输入预置的第一物流决策模型进行物流决策分析,得到第一物流决策结果,其中,所述第一物流决策结果包括:运输工具以及装载方式;
将所述目标货物数据输入预置的第二物流决策模型进行物流决策分析,得到第二物流决策结果,其中,所述第二物流决策结果包括:物流路径以及物流流转信息;
通过预置的箱式物流系统执行所述第一物流决策结果以及所述第二物流决策结果,并对所述目标物流集装箱进行物流跟踪和物流异常监控,得到物流异常监控结果。
结合第一方面,在本发明第一方面的第一实施方式中,所述基于预设的物联网传感器采集目标物流集装箱的第一集装箱数据以及第一货物数据,包括:
获取目标物流集装箱的参数信息,并根据所述参数信息生成对应的物联网传感器方案,其中,所述物联网传感器方案包括:采集器种类、传感器类型、传感器数量以及位置;
基于所述物联网传感器方案,在所述目标物流集装箱内部安装物联网传感器;
采集目标物流集装箱的第一集装箱数据,其中,所述第一集装箱数据包括:集装箱编号、温度、湿度、压力、位置、震动以及光线;
采集目标物流集装箱的第一货物数据,其中,所述第一货物数据包括:货物类型、数量、重量以及体积。
结合第一方面,在本发明第一方面的第二实施方式中,所述分别对所述第一集装箱数据以及所述第一货物数据进行数据清洗和数据整合,得到第二集装箱数据以及第二货物数据,包括:
对所述第一集装箱数据进行重复数据和异常数据识别,得到第一重复数据以及第一异常数据,以及对所述第一货物数据进行重复数据和异常数据识别,得到第二重复数据以及第二异常数据;
对所述第一集装箱数据中的第一重复数据以及第一异常数据进行去除,得到去除后的集装箱数据,以及对所述第一货物数据中的第二重复数据以及第二异常数据进行去除,得到去除后的货物数据;
对所述去除后的集装箱数据进行数据补齐和数据合并排序,得到第二集装箱数据,以及对所述去除后的货物数据进行数据补齐和数据合并排序,得到第二货物数据。
结合第一方面,在本发明第一方面的第三实施方式中,所述分别对所述第二集装箱数据以及所述第二货物数据进行物流特征提取,得到目标集装箱数据以及目标货物数据,包括:
基于预设的物流特征定义,分别对所述第二集装箱数据以及所述第二货物数据进行物流特征提取,得到初始集装箱特征以及初始货物特征;
分别对所述初始集装箱特征以及所述初始货物特征进行特征值映射,得到集装箱特征映射值以及货物特征映射值;
分别对所述集装箱特征映射值以及所述货物特征映射值进行特征相关系数计算以及特征融合处理,得到目标集装箱数据以及目标货物数据。
结合第一方面,在本发明第一方面的第四实施方式中,所述将所述目标集装箱数据输入预置的第一物流决策模型进行物流决策分析,得到第一物流决策结果,其中,所述第一物流决策结果包括:运输工具以及装载方式,包括:
将所述目标集装箱数据输入预置的第一物流决策模型,其中,所述第一物流决策模型包括:第一编码网络、第一解码网络以及回归预测层;
通过所述第一物流决策模型对所述目标集装箱数据进行特征解析和概率预测,得到第一概率值;
对所述第一概率值与预置的集装箱决策信息表进行决策匹配,得到第一物流决策结果,其中,所述第一物流决策结果包括:运输工具以及装载方式。
结合第一方面,在本发明第一方面的第五实施方式中,所述将所述目标货物数据输入预置的第二物流决策模型进行物流决策分析,得到第二物流决策结果,其中,所述第二物流决策结果包括:物流路径以及物流流转信息,包括:
将所述目标货物数据输入预置的第二物流决策模型,其中,所述第二物流决策模型包括:第一门限循环网络、第二门限循环网络以及全连接网络;
通过所述第二物流决策模型对所述目标货物数据进行特征识别提取和概率计算,得到第二概率值;
对所述第二概率值与预置的货物决策信息表进行决策匹配,得到第二物流决策结果,其中,所述第二物流决策结果包括:物流路径以及物流流转信息。
结合第一方面,在本发明第一方面的第六实施方式中,所述通过预置的箱式物流系统执行所述第一物流决策结果以及所述第二物流决策结果,并对所述目标物流集装箱进行物流跟踪和物流异常监控,得到物流异常监控结果,包括:
根据所述第一物流决策结果以及所述第二物流决策结果执行所述目标物流集装箱的物流运输任务;
通过预置的箱式物流系统,对所述目标物流集装箱是运输过程进行实时跟踪和监控,其中,所述实时跟踪和监控包括路线跟踪、位置监控、状态监测;
通过预置的物流异常检测模型,对所述目标物流集装箱进行物流异常监控,得到物流异常监控结果;
根据所述物流异常监控结果,生成对应的异常处理方案,其中,所述异常处理方案包括重新选择物流路径、调度物流运输资源、修补损坏以及补救延误。
本发明第二方面提供了一种箱式物流系统的物流管理装置,所述箱式物流系统的物流管理装置包括:
采集模块,用于基于预设的物联网传感器采集目标物流集装箱的第一集装箱数据以及第一货物数据;
整合模块,用于分别对所述第一集装箱数据以及所述第一货物数据进行数据清洗和数据整合,得到第二集装箱数据以及第二货物数据;
提取模块,用于分别对所述第二集装箱数据以及所述第二货物数据进行物流特征提取,得到目标集装箱数据以及目标货物数据;
第一决策模块,用于将所述目标集装箱数据输入预置的第一物流决策模型进行物流决策分析,得到第一物流决策结果,其中,所述第一物流决策结果包括:运输工具以及装载方式;
第二决策模块,用于将所述目标货物数据输入预置的第二物流决策模型进行物流决策分析,得到第二物流决策结果,其中,所述第二物流决策结果包括:物流路径以及物流流转信息;
监控模块,用于通过预置的箱式物流系统执行所述第一物流决策结果以及所述第二物流决策结果,并对所述目标物流集装箱进行物流跟踪和物流异常监控,得到物流异常监控结果。
本发明第三方面提供了一种箱式物流系统的物流管理设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述箱式物流系统的物流管理设备执行上述的箱式物流系统的物流管理方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的箱式物流系统的物流管理方法。
本发明提供的技术方案中,分别对第一集装箱数据以及第一货物数据进行数据清洗、数据整合以及物流特征提取,得到目标集装箱数据以及目标货物数据;将目标集装箱数据输入第一物流决策模型进行物流决策分析,得到第一物流决策结果;将目标货物数据输入预置的第二物流决策模型进行物流决策分析,得到第二物流决策结果;通过箱式物流系统执行第一物流决策结果以及第二物流决策结果,并对目标物流集装箱进行物流跟踪和物流异常监控,得到物流异常监控结果,本发明通过物流特征提取和人工智能的物流决策分析,实现物流路径、运输工具、装载方式的精准优化,从而降低物流运输时间和成本,并提高物流效率和准确性,然后通过物流跟踪和异常监控,及时发现和处理物流风险和问题,提高物流安全性和可靠性,通过智能化的物流决策和管理,降低物流运输成本和库存成本,进而实现了箱式物流的智能化管理,并提高了物流管理的效率。
附图说明
图1为本发明实施例中箱式物流系统的物流管理方法的一个实施例示意图;
图2为本发明实施例中数据清洗和数据整合的流程图;
图3为本发明实施例中物流特征提取的流程图;
图4为本发明实施例中物流决策分析的流程图;
图5为本发明实施例中箱式物流系统的物流管理装置的一个实施例示意图;
图6为本发明实施例中箱式物流系统的物流管理设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种箱式物流系统的物流管理方法、装置、设备及存储介质,用于实现箱式物流的智能化管理并提高物流管理的效率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中箱式物流系统的物流管理方法的一个实施例包括:
S101、基于预设的物联网传感器采集目标物流集装箱的第一集装箱数据以及第一货物数据;
可以理解的是,本发明的执行主体可以为箱式物流系统的物流管理装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,服务器根据需要监测的物品种类以及所在环境,选择合适的传感器。例如,如果需要监测集装箱内部的温度和湿度,可以选择温湿度传感器,如果需要监测箱门开关状态,可以选择开关传感器。服务器建立物联网网络:将传感器与互联网连接,建立一套物联网网络。通过物联网,我们可以获得传感器采集的数据,并对其进行处理和分析。服务器配置数据采集和处理系统:为了有效地处理采集到的数据,需要配置一套数据采集和处理系统。该系统可以根据需要进行数据筛选、分类、过滤等操作,以保证数据质量和有效性。
S102、分别对第一集装箱数据以及第一货物数据进行数据清洗和数据整合,得到第二集装箱数据以及第二货物数据;
在本发明实施例中,根据物流运输的实际情况,预先设计和安装一定数量的物联网传感器,例如:温度传感器、湿度传感器、GPS传感器等。根据需求自定义物联网传感器方案,例如:传感器数量、类型和位置等。随着物流运输的进行,物联网传感器将会自动采集数据,并通过互联网上传到物流管理系统中。第一集装箱数据包括箱号、箱型、尺寸、重量、装载方式、发货单位、收货单位、起始位置、目的地等等。第一货物数据包括货物种类、数量、重量、体积、包装形式、温度、湿度、敏感度等等。数据上传后,对数据进行清洗和整合。数据清洗包括数据去重、数据补全、数据核实、数据修正等;数据整合包括将不同数据源的数据进行合并、变换、排序等操作,以便统一管理和分析。对第一集装箱数据和第一货物数据进行物流特征提取,得到目标集装箱数据和目标货物数据,根据历史数据和实时数据,提取出目标集装箱和目标货物的物流特征,如货物类型、温度要求、敏感度等。这些目标特征信息可以用于决策和监控。例如,假设某家电公司将货物从工厂运往各个销售点,首先建立物联网传感器方案,例如,在集装箱内放置温度传感器、湿度传感器、GPS传感器和震动传感器。随着物流运输的进行,物联网传感器将自动采集第一集装箱数据和第一货物数据,并上传到物流管理系统中。通过清洗和整合数据,得到第二集装箱数据和第二货物数据。此时,利用物流特征提取技术,可以提取出目标集装箱和目标货物的物流特征信息,如货物种类、温度要求、湿度要求、敏感度等,这些数据可以用来决策和监控物流运输。同时,利用物流异常监控模型,可以及时发现和处理物流风险和问题,提高物流安全性和可靠性。
S103、分别对第二集装箱数据以及第二货物数据进行物流特征提取,得到目标集装箱数据以及目标货物数据;
需要说明的是,在对第二集装箱数据和第二货物数据进行特征提取之前,制定目标物流特征。比如目标物流特征可能包括货物的运输距离、货运起点和终点的地理位置、货物的重量和体积、货物的种类等。物流特征提取就是从第二集装箱数据和第二货物数据中抽取关键的特征。在实际操作中,可以采用多种算法来进行物流特征提取,比如分类算法、聚类算法、关联规则算法等。例如,可以采用聚类算法将所有货物分为不同的类别。同一类别内的货物具有相似的物流特征,例如运输距离、运输时间、货运起点和终点的地理位置等,可以用于后续的分析和决策。通过对第二集装箱数据和第二货物数据的物流特征提取,得到目标集装箱数据和目标货物数据。目标集装箱数据包括集装箱的物流特征,例如实时温度、湿度、重量等信息以及其他的物流特征。目标货物数据包括货物的物流特征,例如数量、品牌、生产日期等信息以及其他的物流特征。举例来说,如果要提取货运起点和终点的地理位置信息作为物流特征,通过对第二集装箱数据和第二货物数据进行处理并进行聚类。在聚类的过程中,相似的物品被分到同一类别中。例如,一些货运起点和终点的地理位置在同一个城市的货物将会被分到一组类别中。同时,可以对每个类别中的货物进行数量和占比的分析,来了解每个类别所代表的区域的货运情况。
S104、将目标集装箱数据输入预置的第一物流决策模型进行物流决策分析,得到第一物流决策结果,其中,第一物流决策结果包括:运输工具以及装载方式;
具体的,第一物流决策模型根据不同的需求和情况进行设计,能够根据目标集装箱数据中的物流特征提取出适合的运输工具以及装载方式,达到最优的物流决策结果。将经过物流特征提取的目标集装箱数据输入预置的第一物流决策模型进行物流决策分析。第一物流决策模型将根据目标集装箱数据中的不同物流特征来推荐适当的运输工具和装载方式。例如,物流决策模型可能会推荐运用卡车运输机器件大货物、铁路运输海运等。通过输入目标集装箱数据到第一物流决策模型中,并进行决策分析,就得到第一物流决策结果。第一物流决策结果包括运输工具和装载方式等。根据决策结果,可以选择合适的运输工具和装载方式来完成货物的运输。例如,以医疗物资的运输为例,当目标集装箱数据已经被物流特征提取后,将其输入到预置的第一物流决策模型中进行分析。最佳的运输工具和装载方式将基于数据分析中的不同的物流特征推荐。如果目标集装箱数据中表明货物需要在短时间内运达目的地,那么第一物流决策模型可能会推荐使用快递运送;如果货物体积较大,则可能会推荐使用卡车进行运输;如果货物体积较大且距离较远,则可能会推荐海运运输。
S105、将目标货物数据输入预置的第二物流决策模型进行物流决策分析,得到第二物流决策结果,其中,第二物流决策结果包括:物流路径以及物流流转信息;
具体的,将经过物流特征提取的目标货物数据输入预置的第二物流决策模型进行物流决策分析。第二物流决策模型将根据目标货物数据中的不同物流特征来推荐适当的物流路径和物流流转信息。例如,物流决策模型可能会推荐从A地到B地的航空运输方式等。通过输入目标货物数据到第二物流决策模型中,并进行决策分析,就得到第二物流决策结果。第二物流决策结果包括物流路径和物流流转信息等。根据决策结果,选择合适的物流路径和物流流转信息来完成货物的运输。例如,如果要将一批医疗物资从A地运往B地。目标货物数据已经被物流特征提取,将其输入到预置的第二物流决策模型中进行分析。第二物流决策模型可能会推荐从A地出发,选择航空运输到B地,并以发货-中转-派送为物流流转信息,从而使货物能够在最快时间到达目的地。又或者,第二物流决策模型可能会推荐从A地出发,经过陆路或者海路运输,而不是航空运输,这取决于货物的重量、体积、目的地等多个物流特征。
S106、通过预置的箱式物流系统执行第一物流决策结果以及第二物流决策结果,并对目标物流集装箱进行物流跟踪和物流异常监控,得到物流异常监控结果。
具体的,箱式物流系统将根据第一物流决策结果和第二物流决策结果进行物流路线规划,并在运输过程中对物流集装箱进行物流跟踪和监控。在运输过程中,箱式物流系统将持续更新物流集装箱的物流信息,以确保货物能够按时到达目的地。通过对物流集装箱的实时监控和跟踪,箱式物流系统可以及时发现物流异常状况并给出处理建议。物流异常状况可能包括货品损坏、丢失,途中有意外情况等。箱式物流系统会根据预置的物流异常监控规则对物流异常情况进行处理,并生成相关的物流异常监控结果。例如,将一些药品从A地运往B地,根据预置的第一物流决策结果和第二物流决策结果,在箱式物流系统中预定合适的运输工具、路线和物流流转信息。箱式物流系统开始执行物流流程后,开启物流跟踪和物流异常监控并持续监测运输情况和物流集装箱的状态。如果出现物流异常情况,例如货物数量和实际收货数量不符,箱式物流系统将及时发出警报并给出处理建议。通过正常的物流流程以及物流跟踪和物流异常监控的保障,箱式物流系统将确保货物安全到达目的地。
本发明实施例中,分别对第一集装箱数据以及第一货物数据进行数据清洗、数据整合以及物流特征提取,得到目标集装箱数据以及目标货物数据;将目标集装箱数据输入第一物流决策模型进行物流决策分析,得到第一物流决策结果;将目标货物数据输入预置的第二物流决策模型进行物流决策分析,得到第二物流决策结果;通过箱式物流系统执行第一物流决策结果以及第二物流决策结果,并对目标物流集装箱进行物流跟踪和物流异常监控,得到物流异常监控结果,本发明通过物流特征提取和人工智能的物流决策分析,实现物流路径、运输工具、装载方式的精准优化,从而降低物流运输时间和成本,并提高物流效率和准确性,然后通过物流跟踪和异常监控,及时发现和处理物流风险和问题,提高物流安全性和可靠性,通过智能化的物流决策和管理,降低物流运输成本和库存成本,进而实现了箱式物流的智能化管理,并提高了物流管理的效率。
在一具体实施例中,执行步骤S101的过程可以具体包括如下步骤:
(1)获取目标物流集装箱的参数信息,并根据参数信息生成对应的物联网传感器方案,其中,物联网传感器方案包括:采集器种类、传感器类型、传感器数量以及位置;
(2)基于物联网传感器方案,在目标物流集装箱内部安装物联网传感器;
(3)采集目标物流集装箱的第一集装箱数据,其中,第一集装箱数据包括:集装箱编号、温度、湿度、压力、位置、震动以及光线;
(4)采集目标物流集装箱的第一货物数据,其中,第一货物数据包括:货物类型、数量、重量以及体积。
具体的,服务器获取目标物流集装箱的参数信息,例如容量、尺寸、重量、承载能力等。在此基础上,根据实际情况设计物联网传感器方案,该方案将用于采集目标物流集装箱的实时数据。此外,还需要确定传感器的数量、类型以及位置,来确保集装箱内各个区域的数据都可以被准确采集到,根据设计好的物联网传感器方案,在集装箱内部安装对应的传感器。传感器种类可以包括温度传感器、湿度传感器、压力传感器、位置传感器、振动传感器以及光线传感器等,这些传感器可以采集到集装箱内部的各种物理和环境参数,如货物温度、湿度、压力、震动等,在物联网传感器安装完毕后,可以开始采集目标物流集装箱的第一集装箱的数据,以获取包含集装箱编号、温度、湿度、压力、位置、震动以及光线等信息的第一集装箱数据。这些数据将用于后续对物流过程进行跟踪和监测。通过这些数据,可以监测货物在物流过程中的温度、湿度、压力、震动等参数是否在合理的范围之内,从而及时发现并处理物流中的异常情况。需要说明的是,除了采集集装箱本身的数据之外,还需要采集目标物流集装箱内部的第一货物数据。通过此步骤,可以了解货物的类型、数量、重量以及体积等关键信息,对后续的物流决策过程和运输计划制定提供重要参考。通过实时监测货物数量以及重量和体积,可以避免由于运输计划或者物流决策过程中的误差而导致货物损失和浪费等不必要的成本和风险。例如,在运输过程中,为确保货物的质量和安全,需要在集装箱内安装温度传感器、湿度传感器以及压力传感器,以根据这些数据来实时监测货物的环境变化。当温度和湿度等参数超出了预设的安全范围之后,集装箱内的传感器将发送即时警报消息,以便物流人员及时采取措施解决问题。同时,也需要监测集装箱的位置和运输路线等信息,以对物流过程进行跟踪和监测。通过物联网传感器方案的采集,可以获得支持物流决策和监管的大量数据。这将提高运输效率和质量,降低物流成本和风险。
在一具体实施例中,如图2所示,执行步骤S102的过程可以具体包括如下步骤:
S201、对第一集装箱数据进行重复数据和异常数据识别,得到第一重复数据以及第一异常数据,以及对第一货物数据进行重复数据和异常数据识别,得到第二重复数据以及第二异常数据;
S202、对第一集装箱数据中的第一重复数据以及第一异常数据进行去除,得到去除后的集装箱数据,以及对第一货物数据中的第二重复数据以及第二异常数据进行去除,得到去除后的货物数据;
S203、对去除后的集装箱数据进行数据补齐和数据合并排序,得到第二集装箱数据,以及对去除后的货物数据进行数据补齐和数据合并排序,得到第二货物数据。
具体的,服务器进行第一集装箱数据中的重复数据和异常数据的识别和过滤。在此过程中,通过相关的数据分析工具,如Excel或者Python等,进行数据清洗和筛选,以确定哪些数据需要被过滤掉或者重复数据的位置。在对第一集装箱数据进行重复数据和异常数据识别后,将得到第一重复数据和第一异常数据,在处理第一货物数据时,需要进行重复数据和异常数据的识别和过滤。一旦发现了不符合要求的数据,将其标记并记录。在对第一货物数据进行重复数据和异常数据识别后,将得到第二重复数据和第二异常数据,作为后续分析和处理过程中的参考,在进行第一集装箱数据的数据清洗和修正之前,需要通过去除第一重复数据和异常数据的方式,以保证数据的准确性和可靠性。在完成去重和异常数据过滤的操作之后,得到去除后的集装箱数据,这些数据是经过处理后的准确数据,可以作为后续的数据处理和分析的基础。同样,需要对第一货物数据中的第二重复数据和异常数据进行去除,以保证数据的准确性和可靠性,避免不正确或不准确的数据对后续处理和分析产生影响。在完成去重和异常数据过滤的操作之后,得到去除后的货物数据。在得到去除后的集装箱数据之后,需要进行数据的补齐和合并排序。在此过程中,可以借助相关的数据处理工具,如Excel或者Python等,通过数据算法和逻辑来实现数据的补齐和合并排序,以确保数据的完整性和准确性。在完成数据的补齐和合并排序后,将得到第二集装箱数据。在完成去重和异常数据过滤后,并对数据进行补齐和合并排序,将得到第二货物数据。
在一具体实施例中,如图3所示,执行步骤S103的过程可以具体包括如下步骤:
S301、基于预设的物流特征定义,分别对第二集装箱数据以及第二货物数据进行物流特征提取,得到初始集装箱特征以及初始货物特征;
S302、分别对初始集装箱特征以及初始货物特征进行特征值映射,得到集装箱特征映射值以及货物特征映射值;
S303、分别对集装箱特征映射值以及货物特征映射值进行特征相关系数计算以及特征融合处理,得到目标集装箱数据以及目标货物数据。
具体的,服务器基于预设的物流特征定义,分别对第二集装箱数据以及第二货物数据进行物流特征提取,得到初始集装箱特征以及初始货物特征,需要说明的是,在物流领域中,物流特征可以被定义为衡量物流过程中某种特定指标的值。对于这个任务,需要先预设定义何为物流特征,然后基于这一定义,对第二集装箱数据以及第二货物数据进行物流特征提取。例如,在货物分拣中心这类场景下,物流特征可以包括货物的体积、重量、类别等信息。因为物流特征可以表现在数据的不同位置,例如集装箱或者货物信息中,将不同的物流特征统一化并映射到相同的特征空间,以轻松地进行数据比较和观察。比如,将货物的体积和重量都转化成标准尺寸为单位的数值,可以便于进行比较和观察,可以使用标准化和归一化技术,特征相关系数是指不同特征之间的相似程度。通过计算特征相关系数,可以帮助了解连续的特征变量之间的相关关系,并更加深入地了解不同特征的重要性。对于物流过程,一些潜在的物流特征间可能存在相关性。通过计算特征的相关性,能快速准确地探知并理解所有物流数据,得到更为全面的数据分析结果,特征融合是将统计分析中不同信息源的特征合并起来,以得到具有更高可信度和更广泛适用性的分析结果。通过特征融合处理,可以更全面地理解物流过程,同时也可以使最终结果更为准确。特征融合可以使用机器学习方法,例如决策树、随机森林、聚类分析等,例如,假如物流公司想要了解一次货物运输的历时、运输方式和地点等物流相关信息。首先,该任务的物流特征可以被定义为历时,运输方式,装卸地点,货物类别等。然后,通过数据清洗和特征提取,将原始数据转化为物流特征。接下来,用归一化方法将所有特征值映射到同一的数值区间范围内,并计算特征相关系数。最后,进行特征融合,得到最终结果,包含历时、运输方式和地点等信息的目标集装箱数据和目标货物数据。
在一具体实施例中,如图4所示,执行步骤S104的过程可以具体包括如下步骤:
S401、将目标集装箱数据输入预置的第一物流决策模型,其中,第一物流决策模型包括:第一编码网络、第一解码网络以及回归预测层;
S402、通过第一物流决策模型对目标集装箱数据进行特征解析和概率预测,得到第一概率值;
S403、对第一概率值与预置的集装箱决策信息表进行决策匹配,得到第一物流决策结果,其中,第一物流决策结果包括:运输工具以及装载方式。
具体的,服务器先将目标集装箱数据输入到预置的第一物流决策模型中,以获得决策结果。第一编码网络和第一解码网络是神经网络的一部分,这些网络在将信息从输入数据中抽象出来,生成有意义的特征向量,并将这些特征向量重构回数据中。回归预测层用于生成目标输出,可以利用前一层生成的特征向量来进行输出预测。这些神经网络技术可以用于对物流决策的机器学习过程中,使得算法能够具备较强的表达力和泛化能力,在第一编码网络、第一解码网络以及回归预测层的协同作用下,将物流特征转化为可预测的因素,并生成一组概率预测结果。这些结果可以用于研究物流方案中的交互效应,包括装载方式、运载工具以及其他运输方式等。通过对输入数据进行预测,得到第一概率值,在得到第一概率值之后,将其与预置的集装箱决策信息表进行匹配,来得到最佳的物流决策方案。最后,通过匹配,得到第一物流决策结果。这个结果会告诉应选用哪个运输工具及装载方式,以确保运输的效果最佳。如,一家物流公司可以利用这个流程来分析运输成本、货物价值、货物紧急程度等信息,以确定最优的物流方案。例如,在货物分拣过程中,物流决策可以使用神经网络算法来进行优化。首先,将目标集装箱数据输入预置的第一物流决策模型,其中包括第一编码网络和第一解码网络。然后,通过回归预测层进行预测,得到第一概率值。接下来,利用这些值来与预置的集装箱决策信息表进行比对,找到最佳的决策匹配。然后,选取合适的装载方式和运载工具。此过程展示了用神经网络算法来进行集装箱物流方案选择的过程。
在一具体实施例中,执行步骤S105的过程可以具体包括如下步骤:
(1)将目标货物数据输入预置的第二物流决策模型,其中,第二物流决策模型包括:第一门限循环网络、第二门限循环网络以及全连接网络;
(2)通过第二物流决策模型对目标货物数据进行特征识别提取和概率计算,得到第二概率值;
(3)对第二概率值与预置的货物决策信息表进行决策匹配,得到第二物流决策结果,其中,第二物流决策结果包括:物流路径以及物流流转信息。
具体的,第二物流决策模型包括第一门限循环网络、第二门限循环网络以及全连接网络第二物流决策模型也采用神经网络算法,由第一门限循环网络、第二门限循环网络和全连接网络三部分组成。第一门限循环网络用于识别和抽取有意义的特征,第二门限循环网络则在特征抽取的基础上进行进一步的抽象和描述,全连接网络则是用来进行概率计算和输出预测的。通过第二物流决策模型对目标货物数据进行特征识别提取和概率计算,得到第二概率值,在第一门限循环网络和第二门限循环网络的协同作用下,将货物特征抽象出来,并生成一组概率预测结果。这些结果可以用于研究物流方案中的交互效应,包括物流路径、运输时间、装卸站点等。通过对输入数据进行预测,得到第二概率值,在得到第二概率值之后,需要将其与预置的货物决策信息表进行匹配,来得到最佳的物流决策方案。与第一物流决策类似,匹配过程可以利用常规的查询和检索技术,使用条件查询或者是基于关键词进行全文检索,在数据集中找到符合条件的数据,最后,通过匹配,得到第二物流决策结果。可以展示物流流程的具体细节,包括物流路径、装卸站点、运输时间等。通过这些信息,可以有效地完成货物的物流配送和流转。例如,假设一家公司需要快速将某个商品送到客户手中。首先,将目标货物数据输入预置的第二物流决策模型,包括第一门限循环网络、第二门限循环网络以及全连接网络。然后,通过循环神经网络进行特征提取,得到一组以物流路径、运输时间、装卸站点等作为特征的概率计算结果。接下来,将这些数据与预置的货物决策信息表进行比对,找到最佳的决策匹配。最后,确定物流路径、运输时限、装卸站点等信息,得到最终的物流流转方案。这些结果可以提供重要指导和更深入的物流数据分析,以确定最优的物流方案。
在一具体实施例中,执行步骤S106的过程可以具体包括如下步骤:
(1)根据第一物流决策结果以及第二物流决策结果执行目标物流集装箱的物流运输任务;
(2)通过预置的箱式物流系统,对目标物流集装箱是运输过程进行实时跟踪和监控,其中,实时跟踪和监控包括路线跟踪、位置监控、状态监测;
(3)通过预置的物流异常检测模型,对目标物流集装箱进行物流异常监控,得到物流异常监控结果;
(4)根据物流异常监控结果,生成对应的异常处理方案,其中,异常处理方案包括重新选择物流路径、调度物流运输资源、修补损坏以及补救延误。
具体的,在第一、第二物流决策的基础上,根据这些决策结果来执行物流运输任务。具体包括选择适当的运输工具、装载方式、水路等,在物流运输过程中,对目标物流集装箱的运输状态进行实时跟踪和监控。这个过程可以通过预置的箱式物流系统来实现。箱式物流系统可以在运输过程中通过位置感应器、传感器等设备,实时跟踪集装箱的位置、里程、温度、湿度等物流运输信息。由于物流运输过程中有很多不可控因素,货物可能会出现意外情况,例如延误、损坏、偷盗等。因此,对目标物流集装箱进行物流异常监控,及时发现问题并采取相应措施以保障货物安全。这个过程通过预置的物流异常检测模型来完成。物流异常检测模型可以根据历史数据和实时数据,预测货物状态,判断是否存在异常情况。当物流异常监控结果发现存在物流异常情况时,系统需要生成相应的异常处理方案。这个方案可以包括重新选择物流路径、调度物流运输资源、修补损坏以及补救延误等。例如,当物流监控系统发现货物延误时,可以重新安排物流计划,调动合适的运输工具和资源,以确保货物能够按时到达目的地。如果目标集装箱携带着易腐蚀物品,箱式物流系统可以通过监控预警实时采取防腐蚀措施,保证货物安全。
上面对本发明实施例中箱式物流系统的物流管理方法进行了描述,下面对本发明实施例中箱式物流系统的物流管理装置进行描述,请参阅图5,本发明实施例中箱式物流系统的物流管理装置一个实施例包括:
采集模块501,用于基于预设的物联网传感器采集目标物流集装箱的第一集装箱数据以及第一货物数据;
整合模块502,用于分别对所述第一集装箱数据以及所述第一货物数据进行数据清洗和数据整合,得到第二集装箱数据以及第二货物数据;
提取模块503,用于分别对所述第二集装箱数据以及所述第二货物数据进行物流特征提取,得到目标集装箱数据以及目标货物数据;
第一决策模块504,用于将所述目标集装箱数据输入预置的第一物流决策模型进行物流决策分析,得到第一物流决策结果,其中,所述第一物流决策结果包括:运输工具以及装载方式;
第二决策模块505,用于将所述目标货物数据输入预置的第二物流决策模型进行物流决策分析,得到第二物流决策结果,其中,所述第二物流决策结果包括:物流路径以及物流流转信息;
监控模块506,用于通过预置的箱式物流系统执行所述第一物流决策结果以及所述第二物流决策结果,并对所述目标物流集装箱进行物流跟踪和物流异常监控,得到物流异常监控结果。
通过上述各个组成部分的协同合作,分别对第一集装箱数据以及第一货物数据进行数据清洗、数据整合以及物流特征提取,得到目标集装箱数据以及目标货物数据;将目标集装箱数据输入第一物流决策模型进行物流决策分析,得到第一物流决策结果;将目标货物数据输入预置的第二物流决策模型进行物流决策分析,得到第二物流决策结果;通过箱式物流系统执行第一物流决策结果以及第二物流决策结果,并对目标物流集装箱进行物流跟踪和物流异常监控,得到物流异常监控结果,本发明通过物流特征提取和人工智能的物流决策分析,实现物流路径、运输工具、装载方式的精准优化,从而降低物流运输时间和成本,并提高物流效率和准确性,然后通过物流跟踪和异常监控,及时发现和处理物流风险和问题,提高物流安全性和可靠性,通过智能化的物流决策和管理,降低物流运输成本和库存成本,进而实现了箱式物流的智能化管理,并提高了物流管理的效率。
上面图5从模块化功能实体的角度对本发明实施例中的箱式物流系统的物流管理装置进行详细描述,下面从硬件处理的角度对本发明实施例中箱式物流系统的物流管理设备进行详细描述。
图6是本发明实施例提供的一种箱式物流系统的物流管理设备的结构示意图,该箱式物流系统的物流管理设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)610(例如,一个或一个以上处理器)和存储器620,一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对箱式物流系统的物流管理设备600中的一系列指令操作。更进一步地,处理器610可以设置为与存储介质630通信,在箱式物流系统的物流管理设备600上执行存储介质630中的一系列指令操作。
箱式物流系统的物流管理设备600还可以包括一个或一个以上电源640,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口660,和/或,一个或一个以上操作系统631,例如Windows Serve,MacOS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图6示出的箱式物流系统的物流管理设备结构并不构成对箱式物流系统的物流管理设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种箱式物流系统的物流管理设备,所述箱式物流系统的物流管理设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述箱式物流系统的物流管理方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述箱式物流系统的物流管理方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(randomacceS memory,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,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围。
Claims (10)
1.一种箱式物流系统的物流管理方法,其特征在于,所述箱式物流系统的物流管理方法包括:
基于预设的物联网传感器采集目标物流集装箱的第一集装箱数据以及第一货物数据;
分别对所述第一集装箱数据以及所述第一货物数据进行数据清洗和数据整合,得到第二集装箱数据以及第二货物数据;
分别对所述第二集装箱数据以及所述第二货物数据进行物流特征提取,得到目标集装箱数据以及目标货物数据;
将所述目标集装箱数据输入预置的第一物流决策模型进行物流决策分析,得到第一物流决策结果,其中,所述第一物流决策结果包括:运输工具以及装载方式;
将所述目标货物数据输入预置的第二物流决策模型进行物流决策分析,得到第二物流决策结果,其中,所述第二物流决策结果包括:物流路径以及物流流转信息;
通过预置的箱式物流系统执行所述第一物流决策结果以及所述第二物流决策结果,并对所述目标物流集装箱进行物流跟踪和物流异常监控,得到物流异常监控结果。
2.根据权利要求1所述的箱式物流系统的物流管理方法,其特征在于,所述基于预设的物联网传感器采集目标物流集装箱的第一集装箱数据以及第一货物数据,包括:
获取目标物流集装箱的参数信息,并根据所述参数信息生成对应的物联网传感器方案,其中,所述物联网传感器方案包括:采集器种类、传感器类型、传感器数量以及位置;
基于所述物联网传感器方案,在所述目标物流集装箱内部安装物联网传感器;
采集目标物流集装箱的第一集装箱数据,其中,所述第一集装箱数据包括:集装箱编号、温度、湿度、压力、位置、震动以及光线;
采集目标物流集装箱的第一货物数据,其中,所述第一货物数据包括:货物类型、数量、重量以及体积。
3.根据权利要求1所述的箱式物流系统的物流管理方法,其特征在于,所述分别对所述第一集装箱数据以及所述第一货物数据进行数据清洗和数据整合,得到第二集装箱数据以及第二货物数据,包括:
对所述第一集装箱数据进行重复数据和异常数据识别,得到第一重复数据以及第一异常数据,以及对所述第一货物数据进行重复数据和异常数据识别,得到第二重复数据以及第二异常数据;
对所述第一集装箱数据中的第一重复数据以及第一异常数据进行去除,得到去除后的集装箱数据,以及对所述第一货物数据中的第二重复数据以及第二异常数据进行去除,得到去除后的货物数据;
对所述去除后的集装箱数据进行数据补齐和数据合并排序,得到第二集装箱数据,以及对所述去除后的货物数据进行数据补齐和数据合并排序,得到第二货物数据。
4.根据权利要求1所述的箱式物流系统的物流管理方法,其特征在于,所述分别对所述第二集装箱数据以及所述第二货物数据进行物流特征提取,得到目标集装箱数据以及目标货物数据,包括:
基于预设的物流特征定义,分别对所述第二集装箱数据以及所述第二货物数据进行物流特征提取,得到初始集装箱特征以及初始货物特征;
分别对所述初始集装箱特征以及所述初始货物特征进行特征值映射,得到集装箱特征映射值以及货物特征映射值;
分别对所述集装箱特征映射值以及所述货物特征映射值进行特征相关系数计算以及特征融合处理,得到目标集装箱数据以及目标货物数据。
5.根据权利要求1所述的箱式物流系统的物流管理方法,其特征在于,所述将所述目标集装箱数据输入预置的第一物流决策模型进行物流决策分析,得到第一物流决策结果,其中,所述第一物流决策结果包括:运输工具以及装载方式,包括:
将所述目标集装箱数据输入预置的第一物流决策模型,其中,所述第一物流决策模型包括:第一编码网络、第一解码网络以及回归预测层;
通过所述第一物流决策模型对所述目标集装箱数据进行特征解析和概率预测,得到第一概率值;
对所述第一概率值与预置的集装箱决策信息表进行决策匹配,得到第一物流决策结果,其中,所述第一物流决策结果包括:运输工具以及装载方式。
6.根据权利要求1所述的箱式物流系统的物流管理方法,其特征在于,所述将所述目标货物数据输入预置的第二物流决策模型进行物流决策分析,得到第二物流决策结果,其中,所述第二物流决策结果包括:物流路径以及物流流转信息,包括:
将所述目标货物数据输入预置的第二物流决策模型,其中,所述第二物流决策模型包括:第一门限循环网络、第二门限循环网络以及全连接网络;
通过所述第二物流决策模型对所述目标货物数据进行特征识别提取和概率计算,得到第二概率值;
对所述第二概率值与预置的货物决策信息表进行决策匹配,得到第二物流决策结果,其中,所述第二物流决策结果包括:物流路径以及物流流转信息。
7.根据权利要求1所述的箱式物流系统的物流管理方法,其特征在于,所述通过预置的箱式物流系统执行所述第一物流决策结果以及所述第二物流决策结果,并对所述目标物流集装箱进行物流跟踪和物流异常监控,得到物流异常监控结果,包括:
根据所述第一物流决策结果以及所述第二物流决策结果执行所述目标物流集装箱的物流运输任务;
通过预置的箱式物流系统,对所述目标物流集装箱是运输过程进行实时跟踪和监控,其中,所述实时跟踪和监控包括路线跟踪、位置监控、状态监测;
通过预置的物流异常检测模型,对所述目标物流集装箱进行物流异常监控,得到物流异常监控结果;
根据所述物流异常监控结果,生成对应的异常处理方案,其中,所述异常处理方案包括重新选择物流路径、调度物流运输资源、修补损坏以及补救延误。
8.一种箱式物流系统的物流管理装置,其特征在于,所述箱式物流系统的物流管理装置包括:
采集模块,用于基于预设的物联网传感器采集目标物流集装箱的第一集装箱数据以及第一货物数据;
整合模块,用于分别对所述第一集装箱数据以及所述第一货物数据进行数据清洗和数据整合,得到第二集装箱数据以及第二货物数据;
提取模块,用于分别对所述第二集装箱数据以及所述第二货物数据进行物流特征提取,得到目标集装箱数据以及目标货物数据;
第一决策模块,用于将所述目标集装箱数据输入预置的第一物流决策模型进行物流决策分析,得到第一物流决策结果,其中,所述第一物流决策结果包括:运输工具以及装载方式;
第二决策模块,用于将所述目标货物数据输入预置的第二物流决策模型进行物流决策分析,得到第二物流决策结果,其中,所述第二物流决策结果包括:物流路径以及物流流转信息;
监控模块,用于通过预置的箱式物流系统执行所述第一物流决策结果以及所述第二物流决策结果,并对所述目标物流集装箱进行物流跟踪和物流异常监控,得到物流异常监控结果。
9.一种箱式物流系统的物流管理设备,其特征在于,所述箱式物流系统的物流管理设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述箱式物流系统的物流管理设备执行如权利要求1-7中任一项所述的箱式物流系统的物流管理方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述的箱式物流系统的物流管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310777113.1A CN116523428B (zh) | 2023-06-29 | 2023-06-29 | 箱式物流系统的物流管理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310777113.1A CN116523428B (zh) | 2023-06-29 | 2023-06-29 | 箱式物流系统的物流管理方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116523428A true CN116523428A (zh) | 2023-08-01 |
CN116523428B CN116523428B (zh) | 2024-01-05 |
Family
ID=87396213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310777113.1A Active CN116523428B (zh) | 2023-06-29 | 2023-06-29 | 箱式物流系统的物流管理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116523428B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117273573A (zh) * | 2023-11-22 | 2023-12-22 | 北京中海通科技有限公司 | 一种跨境贸易物流数据追溯方法及系统 |
CN117455918A (zh) * | 2023-12-25 | 2024-01-26 | 深圳市辉熙智能科技有限公司 | 基于图像分析的防堵送料方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102842076A (zh) * | 2012-07-16 | 2012-12-26 | 暨南大学 | 基于物联网与云计算的集装箱物流实时监控系统及方法 |
CN105389639A (zh) * | 2015-12-15 | 2016-03-09 | 上海汽车集团股份有限公司 | 基于机器学习的物流运输路径规划方法、装置及系统 |
US20190114564A1 (en) * | 2017-10-18 | 2019-04-18 | United Parcel Service Of America, Inc. | Enriched Logistics System for Unmanned Vehicle Delivery of Parcels |
CN114819791A (zh) * | 2022-03-08 | 2022-07-29 | 深圳市天人供应链管理有限公司 | 一种基于物联网的货物运输管理方法及系统 |
CN116245112A (zh) * | 2023-05-12 | 2023-06-09 | 深圳市快金数据技术服务有限公司 | 一种物流信息的识别方法、装置和计算机设备 |
-
2023
- 2023-06-29 CN CN202310777113.1A patent/CN116523428B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102842076A (zh) * | 2012-07-16 | 2012-12-26 | 暨南大学 | 基于物联网与云计算的集装箱物流实时监控系统及方法 |
CN105389639A (zh) * | 2015-12-15 | 2016-03-09 | 上海汽车集团股份有限公司 | 基于机器学习的物流运输路径规划方法、装置及系统 |
US20190114564A1 (en) * | 2017-10-18 | 2019-04-18 | United Parcel Service Of America, Inc. | Enriched Logistics System for Unmanned Vehicle Delivery of Parcels |
CN114819791A (zh) * | 2022-03-08 | 2022-07-29 | 深圳市天人供应链管理有限公司 | 一种基于物联网的货物运输管理方法及系统 |
CN116245112A (zh) * | 2023-05-12 | 2023-06-09 | 深圳市快金数据技术服务有限公司 | 一种物流信息的识别方法、装置和计算机设备 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117273573A (zh) * | 2023-11-22 | 2023-12-22 | 北京中海通科技有限公司 | 一种跨境贸易物流数据追溯方法及系统 |
CN117273573B (zh) * | 2023-11-22 | 2024-03-01 | 北京中海通科技有限公司 | 一种跨境贸易物流数据追溯方法及系统 |
CN117455918A (zh) * | 2023-12-25 | 2024-01-26 | 深圳市辉熙智能科技有限公司 | 基于图像分析的防堵送料方法及系统 |
CN117455918B (zh) * | 2023-12-25 | 2024-03-26 | 深圳市辉熙智能科技有限公司 | 基于图像分析的防堵送料方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116523428B (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116523428B (zh) | 箱式物流系统的物流管理方法、装置、设备及存储介质 | |
US20060047454A1 (en) | Quality control system for manufacturing industrial products | |
CN109643256A (zh) | 用于推荐资产修复的计算机架构和方法 | |
CN112083456B (zh) | 一种货运状态识别方法、装置、设备及存储介质 | |
Fang et al. | Data analytics-enable production visibility for Cyber-Physical Production Systems | |
Steclik et al. | Automatic grouping of production data in Industry 4.0: The use case of internal logistics systems based on Automated Guided Vehicles | |
CN111324827A (zh) | 智能推荐货源订单信息的方法、装置、设备及存储介质 | |
CN115907374A (zh) | 分拨中心车辆智能调度方法、装置、设备及存储介质 | |
Dulman et al. | Maintenance and remanufacturing strategy: using sensors to predict the status of wind turbines | |
Villeneuve et al. | Decision-support methodology to assess risk in end-of-life management of complex systems | |
EP3648027A1 (en) | Method and system for cargo management | |
CN116777328A (zh) | 一种物流车线及装载管理方法、装置、设备及存储介质 | |
CN114936822A (zh) | 车货匹配方法、装置、设备及存储介质 | |
Galina et al. | Development of smart technology for complex objects prediction and control on the basis of a distributed control system and an artificial immune systems approach | |
Lugaresi et al. | Automated digital twin generation of manufacturing systems with complex material flows: graph model completion | |
Dasari et al. | Active learning to support in-situ process monitoring in additive manufacturing | |
de Assis et al. | Machine learning in warehouse management: A survey | |
Mouflih et al. | Decision Support Framework Using Knowledge Based Digital Twin for Sustainable Product Development and End of Life | |
CN117216615A (zh) | 窜货行为识别方法、系统、介质及电子设备 | |
US11810061B2 (en) | Pre-trip inspection prediction and PTI reduction systems, processes and methods of use | |
Mallouk et al. | Machine learning approach for predictive maintenance of transport systems | |
Last et al. | Predictive maintenance with multi-target classification models | |
Purnomo | Incorporating deep learning data analytics techniques in the optimisation of capacitated planned maintenance | |
CN116452093A (zh) | 一种货运调度信息管理方法及装置 | |
Hwang et al. | Building an Analytical Platform of Big Data for Quality Inspection in the Dairy Industry: A Machine Learning Approach |
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 |