CN116579697A - 冷链全链路数据信息管理方法、装置、设备及存储介质 - Google Patents
冷链全链路数据信息管理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116579697A CN116579697A CN202310592722.XA CN202310592722A CN116579697A CN 116579697 A CN116579697 A CN 116579697A CN 202310592722 A CN202310592722 A CN 202310592722A CN 116579697 A CN116579697 A CN 116579697A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- humidity
- logistics
- temperature
- predicted
- 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.)
- Pending
Links
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000007726 management method Methods 0.000 title claims description 21
- 238000000034 method Methods 0.000 claims abstract description 81
- 238000012544 monitoring process Methods 0.000 claims abstract description 77
- 238000012545 processing Methods 0.000 claims abstract description 45
- 230000002159 abnormal effect Effects 0.000 claims abstract description 29
- 238000012800 visualization Methods 0.000 claims abstract description 21
- 230000008859 change Effects 0.000 claims abstract description 17
- 238000012417 linear regression Methods 0.000 claims description 58
- 238000010586 diagram Methods 0.000 claims description 30
- 208000025174 PANDAS Diseases 0.000 claims description 20
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 claims description 20
- 240000004718 Panda Species 0.000 claims description 20
- 235000016496 Panda oleosa Nutrition 0.000 claims description 20
- 238000001914 filtration Methods 0.000 claims description 10
- 238000012217 deletion Methods 0.000 claims description 7
- 230000037430 deletion Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 27
- 238000009826 distribution Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 235000013305 food Nutrition 0.000 description 6
- 238000013507 mapping Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000005057 refrigeration Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000005429 filling process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001960 triggered effect Effects 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
- G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
Abstract
本发明涉及物流领域,公开了冷链全链路数据信息管理方法、装置、设备及存储介质,该方法用于实时监测和预测车辆的内部温度和内部湿度的变化情况,及时发现冷链运输过程中的问题和异常,并发出预警信息。该方法包括:实时获取并处理物流订单各个物流环节中的物流数据,得到处理后物流数据;对处理后物流数据进行提取,得到监测数据集,包括物流车辆的位置信息、车速、内部实时温度和内部实时湿度;对物流车辆的内部温度和内部湿度的变化情况进行预测,得到车辆预测温度和车辆预测湿度;根据监测数据集、车辆预测温度和车辆预测湿度生成物流订单可视化图表;分别判断车辆预测温度和车辆预测湿度是否异常,若存在异常,则发出预警信息。
Description
技术领域
本发明涉及物流技术领域,尤其涉及一种冷链全链路数据信息管理方法、装置、设备及存储介质。
背景技术
冷链运输一般指冷藏冷冻类食品在生产、贮藏运输、销售,直至到消费前的各个环节中始终处于规定的低温环境下,以保证食品质量,减少食品损耗的一项系统工程。它是随着科学技术的进步、制冷技术的发展而建立起来的,是以冷冻工艺学为基础、以制冷技术为手段的低温物流过程。因此,冷链运输过程重在保持的食品的质量,因此不仅食品的溯源信息重要,而且冷链运输过程中物流信息同样重要,但是现有的冷链运输过程中虽然有监控运输车辆内部的温度和湿度,但是不能进行异常预警。
因此,现有技术还有待改进和发展。
发明内容
本发明提供了一种冷链全链路数据信息管理方法、装置、设备及存储介质,用于实时监测和预测车辆的内部温度和内部湿度的变化情况,及时发现冷链运输过程中的问题和异常,并发出预警信息。
本发明第一方面提供了一种冷链全链路数据信息管理方法,所述冷链全链路数据信息管理方法包括:实时获取物流订单各个物流环节中的物流数据,并对所述物流数据进行处理,得到处理后物流数据;对所述处理后物流数据进行提取,得到监测数据集,所述监测数据集包括物流车辆的位置信息、车速、内部实时温度和内部湿度内部实时湿度;根据所述监测数据集对物流车辆的内部温度和内部湿度的变化情况进行预测,得到车辆预测温度和车辆预测湿度;根据所述监测数据集、所述车辆预测温度和所述车辆预测湿度生成物流订单可视化图表;分别判断所述车辆预测温度和所述车辆预测湿度是否异常,若车辆预测温度或车辆预测湿度存在异常,则发出预警信息。
可选的,在本发明第一方面的第一种实现方式中,所述实时获取物流订单各个物流环节中的物流数据,并对所述物流数据进行处理,得到处理后物流数据,包括:从物流监控中心获取物流订单各个物流环节中的物流数据;对所述物流数据进行去噪和滤波处理,得到预处理数据;对所述预处理数据进行结构化处理,得到处理后物流数据,并将所述处理后物流数据存储到MySQL数据库。
可选的,在本发明第一方面的第二种实现方式中,所述对所述处理后物流数据进行提取,得到监测数据集,所述监测数据集包括物流车辆的位置信息、车速、内部实时温度和内部实时湿度,包括:将处理后物流数据导入Python pandas库;使用布尔索引从导入Python pandas库的处理后物流数据中提取物流车辆的位置信息、车速、内部实时温度和内部实时湿度,得到监测数据集;对所述监测数据集进行无效行删除处理和缺失值填充处理,并将处理后的所述监测数据集存储到MySQL数据库。
可选的,在本发明第一方面的第三种实现方式中,所述根据所述监测数据集对物流车辆的内部温度和内部湿度的变化情况进行预测,得到车辆预测温度和车辆预测湿度,包括:构建用于预测车辆预测温度的第一线性回归模型和用于预测车辆预测湿度的第二线性回归模型,第一线性回归模型和第二线性回归模型分别表示为:
T=-5.2+0.8Tin-1.2RHin+0.3v+ε1
RH=46.6+2.1RHin-0.3Tin-0.15v+ε2
其中,式中,T表示车辆预测温度,RH表示车辆预测湿度,Tin表示物流车辆的内部实时温度,RHin表示物流车辆的内部实时湿度,v表示物流车辆的车速,ε1和ε2分别表示误差项;提取监测数据集中物流车辆的车速、内部实时温度和内部实时湿度,并将物流车辆的车速、内部实时温度和内部实时湿度代入第一线性回归模型,得到车辆预测温度;将监测数据集中物流车辆的车速、内部实时温度和内部实时湿度代入第二线性回归模型,得到车辆预测湿度。
可选的,在本发明第一方面的第四种实现方式中,所述第一线性回归模型的构建方法包括:构建温度初始线性回归模型,所述温度初始线性回归模型表示为:T=β0+β1Tin+β2RHin+β3v+ε1,其中,式中,T表示车辆预测温度,Tin表示物流车辆的内部实时温度,RHin表示物流车辆的内部实时湿度,v表示物流车辆的车速,β0、β1、β2和β3表示待求解的参数,ε1表示误差项;获取温度样本数据集,并基于所述温度样本数据集利用最小二乘法求解得到β0、β1、β2和β3的值;将β0、β1、β2和β3的值代入温度初始线性回归模型,得到第一线性回归模型T=-5.2+0.8Tin-1.2RHin+0.3v+ε1;
所述第二线性回归模型的构建方法包括:构建湿度初始线性回归模型,所述湿度初始线性回归模型表示为:RH=β4+β5RHin+β6Tin+β7v+ε2,其中,式中,RH表示车辆预测湿度,Tin表示物流车辆的内部实时温度,RHin表示物流车辆的内部实时湿度,v表示物流车辆的车速,β4、β5、β6和β7表示待求解的参数,ε2表示误差项;获取湿度样本数据集,并基于所述湿度样本数据集利用最小二乘法求解得到β4、β5、β6和β7的值;将β4、β5、β6和β7的值代入湿度初始线性回归模型,得到第二线性回归模型RH=46.6+2.1RHin-0.3Tin-0.15v+ε2。
可选的,在本发明第一方面的第五种实现方式中,所述根据所述监测数据集、所述车辆预测温度和所述车辆预测湿度生成物流订单可视化图表,包括:根据物流车辆的位置信息使用地图工具绘制物流订单对应的物流路线图;根据物流车辆的内部实时温度、物流车辆的内部实时湿度、车辆预测温度和车辆预测湿度使用Plotly绘制车辆内部温度散点图、车辆内部湿度散点图、车辆预测温度散点图和车辆预测湿度散点图;使用Plotly将车辆内部温度散点图、车辆内部湿度散点图、车辆预测温度散点图和车辆预测湿度散点图叠加在物流路线图上,生成物流订单可视化图表。
可选的,在本发明第一方面的第六种实现方式中,所述分别判断所述车辆预测温度和所述车辆预测湿度是否异常,若车辆预测温度或车辆预测湿度存在异常,则发出预警信息,包括:将车辆预测温度与预设温度阈值进行比较,若车辆预测温度超出预设温度阈值,则判断下一时刻的车辆预测温度是否超出预设温度阈值;若判断结果为是,则计算得到当前车辆预测温度与预设温度阈值的差值和下一时刻的车辆预测温度与预设温度阈值的差值的第一均值;将计算得到的第一均值与各预警等级的温度预警范围值进行比较,得到对应的温度预警等级,并根据温度预警等级发出第一预警信息;将车辆预测湿度与预设湿度阈值进行比较,若车辆预测湿度超出预设湿度阈值,则判断下一时刻的车辆预测湿度是否超出预设湿度阈值;若判断结果为是,则计算得到当前车辆预测湿度与预设湿度阈值的差值和下一时刻的车辆预测湿度与预设湿度阈值的差值的第二均值;将计算得到的第二均值与各湿度预警等级的预警范围值进行比较,得到对应的湿度预警等级,并根据湿度预警等级发出第二预警信息。
本发明第二方面提供了一种冷链全链路数据信息管理装置,包括:处理模块,用于实时获取物流订单各个物流环节中的物流数据,并对所述物流数据进行处理,得到处理后物流数据;提取模块,用于对所述处理后物流数据进行提取,得到监测数据集,所述监测数据集包括物流车辆的位置信息、车速、内部实时温度和内部实时湿度;预测模块,用于根据所述监测数据集对物流车辆的内部实时温度和内部实时湿度进行预测,得到车辆预测温度和车辆预测湿度;生成模块,用于根据所述监测数据集、所述车辆预测温度和所述车辆预测湿度生成物流订单可视化图表;预警模块,用于分别判断所述车辆预测温度和所述车辆预测湿度是否异常,若车辆预测温度或车辆预测湿度存在异常,则发出预警信息。
可选的,在本发明第二方面的第一种实现方式中,所述处理模块包括:获取单元,用于从物流监控中心获取物流订单各个物流环节中的物流数据;第一处理单元,用于对物流数据进行去噪和滤波处理,得到预处理数据;第二处理单元,用于对预处理数据进行结构化处理,得到处理后物流数据,并将处理后物流数据存储到MySQL数据库。
可选的,在本发明第二方面的第二种实现方式中,所述提取模块包括:导入单元,用于将处理后物流数据导入Python pandas库;提取单元,用于使用布尔索引使用布尔索引从导入Python pandas库的处理后物流数据中提取物流车辆的位置信息、车速、内部实时温度和内部实时湿度,得到监测数据集;第三处理单元,用于对监测数据集进行无效行删除处理和缺失值填充处理,并将处理后的监测数据集存储到MySQL数据库。
可选的,在本发明第二方面的第三种实现方式中,所述预测模块包括:构建单元,用于构建用于预测车辆预测温度的第一线性回归模型和用于预测车辆预测湿度的第二线性回归模型;第一预测单元,用于提取监测数据集中物流车辆的车速、内部实时温度和内部实时湿度,并将物流车辆的车速、内部实时温度和内部实时湿度代入第一线性回归模型,得到车辆预测温度;第二预测单元,用于将监测数据集中物流车辆的车速、内部实时温度和内部实时湿度代入第二线性回归模型,得到车辆预测湿度。
可选的,在本发明第二方面的第四种实现方式中,所述生成模块包括:第一绘制单元,用于根据物流车辆的位置信息使用地图工具绘制物流订单对应的物流路线图;第二绘制单元,根据物流车辆的内部实时温度、物流车辆的内部实时湿度、车辆预测温度和车辆预测湿度使用Plotly绘制车辆内部温度散点图、车辆内部湿度散点图、车辆预测温度散点图和车辆预测湿度散点图;生成单元,用于使用Plotly将车辆内部温度散点图、车辆内部湿度散点图、车辆预测温度散点图和车辆预测湿度散点图叠加在物流路线图上,生成物流订单可视化图表。
可选的,在本发明第二方面的第五种实现方式中,所述预警模块包括:第一比较单元,用于将车辆预测温度与预设温度阈值进行比较,若车辆预测温度超出预设温度阈值,则判断下一时刻的车辆预测温度是否超出预设温度阈值;第一计算单元,用于当下一时刻的车辆预测温度是否超出预设温度阈值时,计算得到当前车辆预测温度与预设温度阈值的差值和下一时刻的车辆预测温度与预设温度阈值的差值的第一均值;第一预警单元,将计算得到的第一均值与各温度预警等级的预警范围值进行比较,得到对应的温度预警等级,并根据温度预警等级发出第一预警信息;第二比较单元,用于将车辆预测湿度与预设湿度阈值进行比较,若车辆预测湿度超出预设湿度阈值,则判断下一时刻的车辆预测湿度是否超出预设湿度阈值;第二计算单元,用于当下一时刻的车辆预测湿度是否超出预设湿度阈值时,计算得到当前车辆预测湿度与预设湿度阈值的差值和下一时刻的车辆预测湿度与预设湿度阈值的差值的第二均值,第二预警单元,用于将计算得到的第二均值与各湿度预警等级的预警范围值进行比较,得到对应的湿度预警等级,并根据湿度预警等级发出第二预警信息。
本发明第三方面提供了一种冷链全链路数据信息管理设备,包括:存储器和至少一个处理器,所述存储器中存储有计算机可读指令,所述存储器和所述至少一个处理器通过线路互连;所述至少一个处理器调用所述存储器中的所述计算机可读指令,以使得所述冷链全链路数据信息管理设备执行如上所述冷链全链路数据信息管理方法的各个步骤。
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计算机可读指令,当其在计算机上运行时,使得计算机执行如上所述冷链全链路数据信息管理方法的各个步骤。
本发明提供的技术方案中,通过实时监测和处理物流数据,可以全方位掌握货品动态,包括位置信息、车辆的内部实时温度和内部实时湿度,还可以及时发现冷链运输过程中的问题和异常,并发出预警信息,从而能够加快问题分析和解决,降低物流成本;而且,根据监测数据集、车辆预测温度和车辆预测湿度生成物流订单可视化图表,可以使管理者更直观地了解冷链运输过程中的基本信息,更利于掌控异常情况。
附图说明
图1为本发明实施例提供的冷链全链路数据信息管理方法的第一种流程图;
图2为本发明实施例提供的冷链全链路数据信息管理方法的第二种流程图;
图3为本发明实施例提供的冷链全链路数据信息管理方法的第三种流程图;
图4为本发明实施例提供的冷链全链路数据信息管理方法的第四种流程图;
图5为本发明实施例提供的冷链全链路数据信息管理方法的第五种流程图;
图6为本发明实施例提供的冷链全链路数据信息管理方法的第六种流程图;
图7为本发明实施例提供的冷链全链路数据信息管理装置的结构示意图;
图8为本发明实施例提供的冷链全链路数据信息管理设备的结构示意图。
具体实施方式
本发明实施例提供了冷链全链路数据信息管理方法、装置、设备及存储介质,该方法用于实时监测和预测车辆的内部实时温度和内部实时湿度,及时发现冷链运输过程中的问题和异常,并发出预警信息。该方法包括:实时获取物流订单各个物流环节中的物流数据,并对物流数据进行处理,得到处理后物流数据;对处理后物流数据进行提取,得到监测数据集,监测数据集包括物流车辆的位置信息、车速、内部实时温度和内部湿度内部实时湿度;根据监测数据集对物流车辆的和内部湿度的变化情况进行预测,得到车辆预测温度和车辆预测湿度;根据监测数据集、车辆预测温度和车辆预测湿度生成物流订单可视化图表;分别判断车辆预测温度和车辆预测湿度是否异常,若车辆预测温度或车辆预测湿度存在异常,则发出预警信息。
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它步骤或单元。
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,本发明实施例中一种冷链全链路数据信息管理方法的第一个实施例包括:
S101、实时获取物流订单各个物流环节中的物流数据,并对物流数据进行处理,得到处理后物流数据。
可以理解地,本发明的执行主体可以为冷链全链路数据信息管理装置,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。
在本实施例中,可以通过物流系统、物流平台或物流公司提供的API接口,获取物流订单各个物流环节中的物流数据,如扫描时间、地点、温度、湿度、重量、状态等。
可以理解地,可以根据不同的业务需求和应用场景选择不同的处理方式对物流数据进行处理。例如,对物流数据进行处理可以包括:对获取的物流数据进行清洗和整合,去除重复数据、填充缺失值、合并相关数据等操作,还可以包括将物流数据转化为可处理的格式。
S102、对处理后物流数据进行提取,得到监测数据集,监测数据集包括物流车辆的位置信息、车速、内部实时温度和内部实时湿度。
在本实施例中,对处理后的物流数据进行提取,可以使用特征选择、降维、聚类方法、关联规则挖掘等多种方法。常用的特征选择方法包括卡方检验、信息增益、互信息等。常见的降维方法包括PCA主成分分析、LDA线性判别分析、t-SNE等。常用的聚类方法包括K-means、DBSCAN等。常用的关联规则挖掘方法包括Apriori、FP-Growth等。
S103、根据监测数据集对物流车辆的内部温度和内部湿度的变化情况进行预测,得到车辆预测温度和车辆预测湿度。
在本实施例中,对物流车辆的内部温度的变化情况进行预测指的是,根据t0时刻的内部实时温度值预测t1时刻的内部温度,以此类推。
对物流车辆的内部湿度的变化情况进行预测指的是,根据t0时刻的内部实时湿度值预测t1时刻的内部湿度,以此类推。
在本实施例中,可以采用传统统计学方法、人工神经网络方法、支持向量机方法、深度学习方法等多种方法对物流车辆的内部温度和内部湿度的变化情况进行预测。
传统统计学方法包括回归分析、时间序列分析等,通过对历史数据进行建模和拟合,以预测物流车辆的内部温度和内部湿度的变化情况。
人工神经网络方法通过对大量的历史数据进行训练,建立一个复杂的非线性映射模型,完成对车辆的内部温度和内部湿度的变化情况的预测,BP神经网络、LSTM神经网络是其中比较常见的两种结构。
支持向量机方法通过对历史数据进行分类和回归,建立一个复杂的非线性映射模型,以预测物流车辆的内部温度和内部湿度的变化情况。
深度学习方法通过深度学习算法对大量历史数据进行训练和学习,以捕捉数据的潜在规律和特征,从而完成内部温度和内部湿度的变化情况的预测,卷积神经网络、自编码器是其中比较常见的两种结构。
S104、根据监测数据集、车辆预测温度和车辆预测湿度生成物流订单可视化图表。
在本实施例中,根据监测数据集、车辆预测温度和车辆预测湿度生成物流订单可视化图表,例如,在数据上添加有效符号,如温度变化的颜色和箭头表示运输方向,直观显示货物的运输温度、湿度和临界值等参数信息,可以使管理者更直观地了解运输过程中的基本信息,更利于掌控异常情况。常见的可视化形式包括路线图、条形图、饼图、散点图、雷达图等。
S105、分别判断车辆预测温度和车辆预测湿度是否异常,若车辆预测温度或车辆预测湿度存在异常,则发出预警信息。
在本实施例中,对车辆内部实时温度和内部实时湿度的历史数据进行统计分析,包括均值、方差、极差等指标,通过确定预设温度阈值和预设湿度阈值,对新数据进行判断,以判断是否异常。
当数据异常时,自动触发预警通知,以便进行及时处理和干预,提高物流运输效率和客户服务质量。
本实施例提供的是一种冷链全链路数据信息管理方法,其通过实时监测和处理物流数据,可以全方位掌握货品动态,包括位置信息、车辆的内部实时温度和内部实时湿度,还可以及时发现冷链运输过程中的问题和异常,并发出预警信息,从而能够加快问题分析和解决,降低物流成本;而且,根据监测数据集、车辆预测温度和车辆预测湿度生成物流订单可视化图表,可以使管理者更直观地了解冷链运输过程中的基本信息,更利于掌控异常情况。
请参阅图2,本发明实施例中冷链全链路数据信息管理方法的第二个实施例包括:
S201、从物流监控中心获取物流订单各个物流环节中的物流数据;
在本实施例中,物流监控中心用于记录物流订单运输全过程位置、时间、经手人员的信息数据和物流车辆的车度、内部实时温度和内部实时湿度,物流数据一般包括物流订单运输全过程位置、时间、经手人员的信息、物流车辆的车速、内部实时温度和内部实时湿度。
可以理解地,现代物流车通常都有GPS定位系统,通过这个系统可以实时获取物流车辆的位置信息、速度等信息,并将数据传输到物流监控中心。,此外,通过安装车载传感器,例如车速传感器或轮速传感器,也可以实时监控车辆的速度和行驶里程。这些传感器可以与车载计算机连接,将数据实时传输到物流监控中心中。
车辆的内部实时温度可以通过采集车辆内的温度传感器的信息获取,即车辆内的温度传感器将数据传输至物流监控中心,同理,车辆的内部实时湿度可以通过采集车辆内的湿度传感器的信息获取,即车辆内的湿度传感器将数据传输至物流监控中心。
S202、对物流数据进行去噪和滤波处理,得到预处理数据。
可以理解地,在获取物流订单各个物流环节中的物流数据后,为了确保获得准确的物流数据,需要对其进行去噪和滤波处理。例如,可以使用数字信号处理技术,对采集到的数据进行平滑处理、中值滤波、高通滤波等操作,使其更加准确。
S203、对预处理数据进行结构化处理,得到处理后物流数据,并将处理后物流数据存储到MySQL数据库。
在本实施例中,对去噪和滤波处理后的数据进行结构化处理,以便更加方便地进行后续处理和存储。可以采用标准的数据结构,例如JSON或XML,对数据进行编码,也可以采用CSV或Excel格式。
需要说明的是,MySQL是一种关系型数据库管理系统。它支持多种操作系统,例如Windows、Linux和Mac OS等,并支持多种编程语言接口,例如Java、Python、PHP等。
MySQL在处理数据时,具有很高的容错性和恢复能力。在数据存储过程中,MySQL自动处理硬件故障、网络故障、系统故障以及其他异常事件。同时,MySQL支持水平扩展和垂直扩展两种方式。水平扩展指的是添加更多的节点来分散负载,而垂直扩展指的是单个节点添加更多的内存、CPU和磁盘等资源来提高性能。此外,MySQL具有高效的存储和检索机制,支持多种索引类型和查询优化技术,以提高数据处理性能。此外,MySQL还支持多线程并发和缓存机制等功能,可以快速响应用户请求。还可以采用其他关系型数据库,例如PostgreSQL、Oracle等。
本实施例中,通过实时获取物流订单各个物流环节中的物流数据,并进行去噪、滤波和结构化处理,可有效去除原始数据中的干扰与误差,提高数据精度和准确性,从而可以提高物流监控的精度和可靠性。而且处理后物流数据存储到MySQL数据库中,可以在需要的时候再调用它们,使数据更具有可用性和程序性。
请参阅图3,本发明实施例中的一种冷链全链路数据信息管理方法的第三个实施例包括:
S301、将处理后物流数据导入Python pandas库。
在本实施例中,可以使用Python pandas库对处理后物流数据进行提取以得到监测数据集,使用Python pandas库对处理后物流数据进行提取需要将处理后物流数据导入Python pandas库中。
可以理解地,pandas是一种常用的基于NumPy库的数据分析工具包,是Python数据科学的重要组成部分。pandas提供了DataFrame和Series两种数据结构,分别对应表格和数组数据结构。这些数据结构可以进行数据操作,例如筛选、切片、合并、分组、重塑等。同时,pandas提供了一套强大的缺失数据处理工具,可以方便地检测、过滤、替换缺失数据。此外,pandas支持读写各种文件格式,例如CSV、Excel、SQL、JSON等,使得数据的导入和导出十分便捷。
S302、使用布尔索引使用布尔索引从导入Python pandas库的处理后物流数据中提取物流车辆的位置信息、车速、内部实时温度和内部实时湿度,得到监测数据集。
示例性地,假设有一份包含物流车辆的位置信息、车速、内部实时温度和内部实时湿度的处理后物流数据,其中不同列的列名分别为'location'、'speed'、'temperature'和'humidity',可以通过布尔索引等方式提取出物流车辆的位置信息、车速、内部实时温度和内部实时湿度。
提取位置信息时,使用布尔索引筛选出包含物流车辆位置信息的行,例如df[df['location'].notna()],其中notna()方法用于判断是否为空值。如果数据集中的位置信息是字符串类型,可能需要进一步将其转换为坐标值。
提取车速时,使用布尔索引筛选出包含物流车辆车速信息的行,例如df[df['speed']。
提取内部实时温度时,可以使用布尔索引筛选出包含物流车辆内部实时温度信息的行,例如df[df['temperature']。
提取内部实时湿度时,可以使用布尔索引筛选出包含物流车辆内部实时湿度信息的行,例如df[df['humidity']。
S303、对监测数据集进行无效行删除处理和缺失值填充处理,并将处理后的监测数据集存储到MySQL数据库。
在本实施例中,使用pandas库的read_csv函数读取监测数据集,并使用dropna函数删除包含缺失值的无效行。接着,使用fillna函数将数据中的缺失值用0进行填充。最后,使用pymysql库连接MySQL数据库,遍历pandas数据框中的各行数据,并使用SQL插入语句将处理过的监测数据集存储到MySQL数据库的表中,从而实现了监测数据集的删除无效行和缺失值填充处理,并完成了数据存储的过程。
本实施例中,使用Python pandas库进行数据处理,能够适应不同规模和复杂度的数据集;而且对监测数据集进行无效行删除处理和缺失值填充处理,有效提高了监测数据集的质量,保证了后续数据分析的准确性和可靠性。此外,将处理后的监测数据集存储到MySQL数据库中,使得数据在结构上更加合理化,更易于访问和分析,进一步增加了数据的实用性和价值。
请参阅图4,本发明实施例中的一种冷链全链路数据信息管理方法的第四个实施例包括:
S401、构建用于预测车辆预测温度的第一线性回归模型和用于预测车辆预测湿度的第二线性回归模型。
在本实施例中,第一线性回归模型和第二线性回归模型分别表示为:
T=-5.2+0.8Tin-1.2RHin+0.3v+ε1
RH=46.6+2.1RHin-0.3Tin-0.15v+ε2
其中,式中,T表示车辆预测温度,RH表示车辆预测湿度,Tin表示物流车辆的内部实时温度,RHin表示物流车辆的内部实时湿度,v表示物流车辆的车速,ε1和ε2分别表示误差项,误差项用来评估模型的性能。
具体地,第一线性回归模型的构建方法包括:构建温度初始线性回归模型,温度初始线性回归模型表示为:T=β0+β1Tin+β2RHin+β3v+ε1,其中,式中,T表示车辆预测温度,Tin表示物流车辆的内部实时温度,RHin表示物流车辆的内部实时湿度,v表示物流车辆的车速,β0、β1、β2和β3表示待求解的参数,ε1表示误差项;获取温度样本数据集,并基于温度样本数据集利用最小二乘法求解得到β0、β1、β2和β3的值;将β0、β1、β2和β3的值代入温度初始线性回归模型,得到第一线性回归模型T=-5.2+0.8Tin-1.2RHin+0.3v+ε1。
示例性地,温度样本数据集部分数据如下:
第二线性回归模型的构建方法包括:构建湿度初始线性回归模型,湿度初始线性回归模型表示为:RH=β4+β5RHin+β6Tin+β7v+ε2,其中,式中,RH表示车辆预测湿度,Tin表示物流车辆的内部实时温度,RHin表示物流车辆的内部实时湿度,v表示物流车辆的车速,β4、β5、β6和β7表示待求解的参数,ε2表示误差项;获取湿度样本数据集,并基于湿度样本数据集利用最小二乘法求解得到β4、β5、β6和β7的值;将β4、β5、β6和β7的值代入湿度初始线性回归模型,得到第二线性回归模型RH=46.6+2.1RHin-0.3Tin-0.15v+ε2。
示例性地,温度样本数据集部分数据如下:
S402、提取监测数据集中物流车辆的车速、内部实时温度和内部实时湿度,并将物流车辆的车速、内部实时温度和内部实时湿度代入第一线性回归模型,得到车辆预测温度。
例如,当车速为60km/h、内部实时温度为5℃、内部实时湿度为75%时,我们可以通过第一线性回归模型得到车辆预测温度为2.8℃。
S403、将监测数据集中物流车辆的车速、内部实时温度和内部实时湿度代入第二线性回归模型,得到车辆预测湿度。
例如,当车速为60km/h、内部实时温度为5℃、内部实时湿度为75%时,我们可以通过第二线性回归模型得到车辆预测湿度为77.1%。
请参阅图5,本发明实施例中的一种冷链全链路数据信息管理方法的第五个实施例包括:
S501、根据物流车辆的位置信息使用地图工具绘制物流订单对应的物流路线图。
在本实施例中,可以将物流车辆的位置信息转换成经纬度坐标,并使用百度地图或高德地图等地图工具将其绘制在地图上。
S502、根据物流车辆的内部实时温度、物流车辆的内部实时湿度、车辆预测温度和车辆预测湿度使用Plotly绘制车辆内部温度散点图、车辆内部湿度散点图、车辆预测温度散点图和车辆预测湿度散点图。
S503、使用Plotly将车辆内部温度散点图、车辆内部湿度散点图、车辆预测温度散点图和车辆预测湿度散点图叠加在物流路线图上,生成物流订单可视化图表。
可以理解地,Plotly是一种数据可视化工具,通过结合Plotly和地图API,可以方便的生成可交互和美观的物流订单可视化图表。
请参阅图6,本发明实施例中的一种冷链全链路数据信息管理方法的第六个实施例包括:
S601、将车辆预测温度与预设温度阈值进行比较,若车辆预测温度超出预设温度阈值,则判断下一时刻的车辆预测温度是否超出预设温度阈值。
S602、若判断结果为是,则计算得到当前车辆预测温度与预设温度阈值的差值和下一时刻的车辆预测温度与预设温度阈值的差值的第一均值。
在本实施例中,为了考虑数据的可靠性,当基于t0时刻的内部实时温度预测得到t1时刻的车辆预测温度超出预设温度阈值时,需要进一步判断基于t1时刻的内部实时温度预测得到t2时刻的车辆预测温度是否超出预设温度阈值,若t2时刻的车辆预测温度也超出预设温度阈值,则计算得到t1时刻的车辆预测温度与预设温度阈值的差值和t2时刻的车辆预测温度与预设温度阈值的差值的均值。
S603、将计算得到的第一均值与各温度预警等级的预警范围值进行比较,得到对应的温度预警等级,并根据温度预警等级发出第一预警信息。
为了提高管理员对预警信息的重视程度,以便于管理员按照优先级别去处理异常情况,可以设置不同程度的温度预警等级,各温度预警等级的预警范围值预先设定,不同温度预警等级发出的第一预警信息各不相同。
S604、将车辆预测湿度与预设湿度阈值进行比较,若车辆预测湿度超出预设湿度阈值,则判断下一时刻的车辆预测湿度是否超出预设湿度阈值。
S605、若判断结果为是,则计算得到当前车辆预测湿度与预设湿度阈值的差值和下一时刻的车辆预测湿度与预设湿度阈值的差值的第二均值。
在本实施例中,为了考虑数据的可靠性,当基于t0时刻的内部实时湿度预测得到t1时刻的车辆预测湿度超出预设湿度阈值时,需要进一步判断基于t1时刻的内部实时湿度预测得到t2时刻的车辆预测湿度是否超出预设湿度阈值,若t2时刻的车辆预测湿度也超出预设湿度阈值,则计算得到t1时刻的车辆预测湿度与预设湿度阈值的差值和t2时刻的车辆预测湿度与预设湿度阈值的差值的均值。
S606、将计算得到的第二均值与各湿度预警等级的预警范围值进行比较,得到对应的湿度预警等级,并根据湿度预警等级发出第二预警信息。
为了提高管理员对预警信息的重视程度,以便于管理员按照优先级别去处理异常情况,可以设置不同程度的湿度预警等级,各湿度预警等级的预警范围值预先设定,不同湿度预警等级发出的第二预警信息各不相同。
上面对本发明实施例中冷链全链路数据信息管理方法进行了描述,下面对本发明实施例中装置进行描述,请参阅图7,本发明实施例中冷链全链路数据信息管理装置的实施方式包括:
处理模块701,用于实时获取物流订单各个物流环节中的物流数据,并对所述物流数据进行处理,得到处理后物流数据;
提取模块702,用于对所述处理后物流数据进行提取,得到监测数据集,所述监测数据集包括物流车辆的位置信息、车速、内部实时温度和内部实时湿度;
预测模块703,用于根据所述监测数据集对物流车辆的内部温度和内部湿度的变化情况进行预测,得到车辆预测温度和车辆预测湿度;
生成模块704,用于根据所述监测数据集、所述车辆预测温度和所述车辆预测湿度生成物流订单可视化图表;
预警模块705,用于分别判断所述车辆预测温度和所述车辆预测湿度是否异常,若车辆预测温度或车辆预测湿度存在异常,则发出预警信息。
在本实施例中,处理模块701包括:获取单元7011,用于从物流监控中心获取物流订单各个物流环节中的物流数据;第一处理单元7012,用于对物流数据进行去噪和滤波处理,得到预处理数据;第二处理单元7013,用于对预处理数据进行结构化处理,得到处理后物流数据,并将处理后物流数据存储到MySQL数据库。
在本实施例中,提取模块702包括:导入单元7021,用于将处理后物流数据导入Python pandas库;提取单元7022,用于使用布尔索引使用布尔索引从导入Python pandas库的处理后物流数据中提取物流车辆的位置信息、车速、内部实时温度和内部实时湿度,得到监测数据集;第三处理单元7023,用于对监测数据集进行无效行删除处理和缺失值填充处理,并将处理后的监测数据集存储到MySQL数据库。
在本实施例中,预测模块703包括:构建单元7031,用于构建用于预测车辆预测温度的第一线性回归模型和用于预测车辆预测湿度的第二线性回归模型;第一预测单元7032,用于提取监测数据集中物流车辆的车速、内部实时温度和内部实时湿度,并将物流车辆的车速、内部实时温度和内部实时湿度代入第一线性回归模型,得到车辆预测温度;第二预测单元7033,用于将监测数据集中物流车辆的车速、内部实时温度和内部实时湿度代入第二线性回归模型,得到车辆预测湿度。
在本实施例中,生成模块704包括:第一绘制单元7041,用于根据物流车辆的位置信息使用地图工具绘制物流订单对应的物流路线图;第二绘制单元7042,根据物流车辆的内部实时温度、物流车辆的内部实时湿度、车辆预测温度和车辆预测湿度使用Plotly绘制车辆内部温度散点图、车辆内部湿度散点图、车辆预测温度散点图和车辆预测湿度散点图;生成单元7043,用于使用Plotly将车辆内部温度散点图、车辆内部湿度散点图、车辆预测温度散点图和车辆预测湿度散点图叠加在物流路线图上,生成物流订单可视化图表。
在本实施例中,预警模块705包括:第一比较单元7051,用于将车辆预测温度与预设温度阈值进行比较,若车辆预测温度超出预设温度阈值,则判断下一时刻的车辆预测温度是否超出预设温度阈值;第一计算单元7052,用于当下一时刻的车辆预测温度是否超出预设温度阈值时,计算得到当前车辆预测温度与预设温度阈值的差值和下一时刻的车辆预测温度与预设温度阈值的差值的均值;第一预警单元7053,将计算得到均值与各温度预警等级的预警范围值进行比较,得到对应的温度预警等级,并根据温度预警等级发出第一预警信息;第二比较单元7054,用于将车辆预测湿度与预设湿度阈值进行比较,若车辆预测湿度超出预设湿度阈值,则判断下一时刻的车辆预测湿度是否超出预设湿度阈值;第二计算单元7055,用于当下一时刻的车辆预测湿度是否超出预设湿度阈值时,计算得到当前车辆预测湿度与预设湿度阈值的差值和下一时刻的车辆预测湿度与预设湿度阈值的差值的均值,第二预警单元7056,用于将计算得到均值与各湿度预警等级的预警范围值进行比较,得到对应的湿度预警等级,并根据湿度预警等级发出第二预警信息。
本实施例中,通过实时监测和处理物流数据,可以全方位掌握货品动态,包括位置信息、车辆的内部实时温度和内部实时湿度,还可以及时发现冷链运输过程中的问题和异常,并发出预警信息,从而能够加快问题分析和解决,降低物流成本;而且,根据监测数据集、车辆预测温度和车辆预测湿度生成物流订单可视化图表,可以使管理者更直观地了解冷链运输过程中的基本信息,更利于掌控异常情况。
上面图7从模块化功能实体的角度对本发明实施例中的冷链全链路数据信息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冷链全链路数据信息管理设备进行详细描述。
图8是本发明实施例提供的一种冷链全链路数据信息管理设备的结构示意图,该设备800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)810(例如,一个或一个以上处理器)和存储器820,一个或一个以上存储应用程序833或数据832的存储介质830(例如一个或一个以上海量存储设备)。其中,存储器820和存储介质830可以是短暂存储或持久存储。存储在存储介质830的程序可以包括一个或一个以上模块(图未示),每个模块可以包括对设备800中的一系列指令操作。更进一步地,处理器810可以设置为与存储介质830通信,在设备800上执行存储介质中的一系列指令操作。
设备800还可以包括一个或一个以上电源840,一个或一个以上有线或无线网络接口850,一个或一个以上输入输出接口860,和/或,一个或一个以上操作系统831,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。
本发明实施例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,计算机可读存储介质中存储有指令,当指令在计算机上运行时,使得计算机执行冷链全链路数据信息管理方法的步骤。
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,上述描述的系统或装置、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(random access 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)
1.一种冷链全链路数据信息管理方法,其特征在于,所述冷链全链路数据信息管理方法包括:
实时获取物流订单各个物流环节中的物流数据,并对所述物流数据进行处理,得到处理后物流数据;
对所述处理后物流数据进行提取,得到监测数据集,所述监测数据集包括物流车辆的位置信息、车速、内部实时温度和内部实时湿度;
根据所述监测数据集对物流车辆的内部温度和内部湿度的变化情况进行预测,得到车辆预测温度和车辆预测湿度;
根据所述监测数据集、所述车辆预测温度和所述车辆预测湿度生成物流订单可视化图表;
分别判断所述车辆预测温度和所述车辆预测湿度是否异常,若车辆预测温度或车辆预测湿度存在异常,则发出预警信息。
2.根据权利要求1所述的冷链全链路数据信息管理方法,其特征在于,所述实时获取物流订单各个物流环节中的物流数据,并对所述物流数据进行处理,得到处理后物流数据,包括:
从物流监控中心获取物流订单各个物流环节中的物流数据;
对所述物流数据进行去噪和滤波处理,得到预处理数据;
对所述预处理数据进行结构化处理,得到处理后物流数据,并将所述处理后物流数据存储到MySQL数据库。
3.根据权利要求1所述的冷链全链路数据信息管理方法,其特征在于,所述对所述处理后物流数据进行提取,得到监测数据集,所述监测数据集包括物流车辆的位置信息、车速、内部实时温度和内部实时湿度,包括:
将处理后物流数据导入Python pandas库;
使用布尔索引从导入Python pandas库的处理后物流数据中提取物流车辆的位置信息、车速、内部实时温度和内部实时湿度,得到监测数据集;
对所述监测数据集进行无效行删除处理和缺失值填充处理,并将处理后的所述监测数据集存储到MySQL数据库。
4.根据权利要求1所述的冷链全链路数据信息管理方法,其特征在于,所述根据所述监测数据集对物流车辆的内部温度和内部湿度的变化情况进行预测,得到车辆预测温度和车辆预测湿度,包括:
构建用于预测车辆预测温度的第一线性回归模型和用于预测车辆预测湿度的第二线性回归模型,第一线性回归模型和第二线性回归模型分别表示为:
T=-5.2+0.8Tin-1.2RHin+0.3v+ε1
RH=46.6+2.1RHin-0.3Tin-0.15v+ε2
其中,式中,T表示车辆预测温度,RH表示车辆预测湿度,Tin表示物流车辆的内部实时温度,RHin表示物流车辆的内部实时湿度,v表示物流车辆的车速,ε1和ε2分别表示误差项;
提取监测数据集中物流车辆的车速、内部实时温度和内部实时湿度,并将物流车辆的车速、内部实时温度和内部实时湿度代入第一线性回归模型,得到车辆预测温度;
将监测数据集中物流车辆的车速、内部实时温度和内部实时湿度代入第二线性回归模型,得到车辆预测湿度。
5.根据权利要求4所述的冷链全链路数据信息管理方法,其特征在于,所述第一线性回归模型的构建方法包括:
构建温度初始线性回归模型,所述温度初始线性回归模型表示为:
T=β0+β1Tin+β2RHin+β3v+ε1
其中,式中,T表示车辆预测温度,Tin表示物流车辆的内部实时温度,RHin表示物流车辆的内部实时湿度,v表示物流车辆的车速,β0、β1、β2和β3表示待求解的参数,ε1表示误差项;
获取温度样本数据集,并基于所述温度样本数据集利用最小二乘法求解得到β0、β1、β2和β3的值;
将β0、β1、β2和β3的值代入温度初始线性回归模型,得到第一线性回归模型T=-5.2+0.8Tin-1.2RHin+0.3v+ε1;
所述第二线性回归模型的构建方法包括:
构建湿度初始线性回归模型,所述湿度初始线性回归模型表示为:
RH=β4+β5RHin+β6Tin+β7v+ε2
其中,式中,RH表示车辆预测湿度,Tin表示物流车辆的内部实时温度,RHin表示物流车辆的内部实时湿度,v表示物流车辆的车速,β4、β5、β6和β7表示待求解的参数,ε2表示误差项;
获取湿度样本数据集,并基于所述湿度样本数据集利用最小二乘法求解得到β4、β5、β6和β7的值;
将β4、β5、β6和β7的值代入湿度初始线性回归模型,得到第二线性回归模型RH=46.6+2.1RHin-0.3Tin-0.15v+ε2。
6.根据权利要求1所述的冷链全链路数据信息管理方法,其特征在于,所述根据所述监测数据集、所述车辆预测温度和所述车辆预测湿度生成物流订单可视化图表,包括:
根据物流车辆的位置信息使用地图工具绘制物流订单对应的物流路线图;
根据物流车辆的内部实时温度、物流车辆的内部实时湿度、车辆预测温度和车辆预测湿度使用Plotly绘制车辆内部温度散点图、车辆内部湿度散点图、车辆预测温度散点图和车辆预测湿度散点图;
使用Plotly将车辆内部温度散点图、车辆内部湿度散点图、车辆预测温度散点图和车辆预测湿度散点图叠加在物流路线图上,生成物流订单可视化图表。
7.根据权利要求1所述的冷链全链路数据信息管理方法,其特征在于,所述分别判断所述车辆预测温度和所述车辆预测湿度是否异常,若车辆预测温度或车辆预测湿度存在异常,则发出预警信息,包括:
将车辆预测温度与预设温度阈值进行比较,若车辆预测温度超出预设温度阈值,则判断下一时刻的车辆预测温度是否超出预设温度阈值;
若判断结果为是,则计算得到当前车辆预测温度与预设温度阈值的差值和下一时刻的车辆预测温度与预设温度阈值的差值的第一均值;
将计算得到的第一均值与各预警等级的温度预警范围值进行比较,得到对应的温度预警等级,并根据温度预警等级发出第一预警信息;
将车辆预测湿度与预设湿度阈值进行比较,若车辆预测湿度超出预设湿度阈值,则判断下一时刻的车辆预测湿度是否超出预设湿度阈值;
若判断结果为是,则计算得到当前车辆预测湿度与预设湿度阈值的差值和下一时刻的车辆预测湿度与预设湿度阈值的差值的第二均值;
将计算得到的第二均值与各湿度预警等级的预警范围值进行比较,得到对应的湿度预警等级,并根据湿度预警等级发出第二预警信息。
8.一种冷链全链路数据信息管理装置,其特征在于,包括:
处理模块,用于实时获取物流订单各个物流环节中的物流数据,并对所述物流数据进行处理,得到处理后物流数据;
提取模块,用于对所述处理后物流数据进行提取,得到监测数据集,所述监测数据集包括物流车辆的位置信息、车速、内部实时温度和内部实时湿度;
预测模块,用于根据所述监测数据集对物流车辆的内部温度和内部湿度内的变化情况进行预测,得到车辆预测温度和车辆预测湿度;
生成模块,用于根据所述监测数据集、所述车辆预测温度和所述车辆预测湿度生成物流订单可视化图表;
预警模块,用于分别判断所述车辆预测温度和所述车辆预测湿度是否异常,若车辆预测温度或车辆预测湿度存在异常,则发出预警信息。
9.一种冷链全链路数据信息管理设备,其特征在于,包括存储器和至少一个处理器,所述存储器中存储有计算机可读指令;
所述至少一个处理器调用所述存储器中的所述计算机可读指令,以执行如权利要求1-7中任一项所述冷链全链路数据信息管理方法的各个步骤。
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计算机可读指令,其特征在于,所述计算机可读指令被处理器执行时实现如权利要求1-7中任一项所述冷链全链路数据信息管理方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310592722.XA CN116579697A (zh) | 2023-05-24 | 2023-05-24 | 冷链全链路数据信息管理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310592722.XA CN116579697A (zh) | 2023-05-24 | 2023-05-24 | 冷链全链路数据信息管理方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116579697A true CN116579697A (zh) | 2023-08-11 |
Family
ID=87535527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310592722.XA Pending CN116579697A (zh) | 2023-05-24 | 2023-05-24 | 冷链全链路数据信息管理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116579697A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117196447A (zh) * | 2023-11-06 | 2023-12-08 | 青岛冠成软件有限公司 | 一种冷链物流数据管理方法 |
CN117611031A (zh) * | 2023-12-04 | 2024-02-27 | 冻冻(北京)网络科技有限公司 | 一种冷链物联网物流温度实时监控方法及系统 |
-
2023
- 2023-05-24 CN CN202310592722.XA patent/CN116579697A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117196447A (zh) * | 2023-11-06 | 2023-12-08 | 青岛冠成软件有限公司 | 一种冷链物流数据管理方法 |
CN117196447B (zh) * | 2023-11-06 | 2024-01-26 | 青岛冠成软件有限公司 | 一种冷链物流数据管理方法 |
CN117611031A (zh) * | 2023-12-04 | 2024-02-27 | 冻冻(北京)网络科技有限公司 | 一种冷链物联网物流温度实时监控方法及系统 |
CN117611031B (zh) * | 2023-12-04 | 2024-05-28 | 冻冻(北京)网络科技有限公司 | 一种冷链物联网物流温度实时监控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116579697A (zh) | 冷链全链路数据信息管理方法、装置、设备及存储介质 | |
US10474932B2 (en) | Detection of anomalies in multivariate data | |
US7676522B2 (en) | Method and system for including data quality in data streams | |
Jones-Farmer et al. | Applying control chart methods to enhance data quality | |
US20180060149A1 (en) | Interface Tool for Asset Fault Analysis | |
CN109074255A (zh) | 用于提供资产事件和信号数据的可视化的计算机系统和方法 | |
US20080263096A1 (en) | Method and system for managing data quality | |
US20190122138A1 (en) | Computer System & Method for Detecting Anomalies in Multivariate Data | |
US10579961B2 (en) | Method and system of identifying environment features for use in analyzing asset operation | |
WO2018170397A1 (en) | Homogeneous model of hetergeneous product lifecycle data | |
CN108780526A (zh) | 基于资产定位的预测模型的处置 | |
CN109643256A (zh) | 用于推荐资产修复的计算机架构和方法 | |
CN111445597B (zh) | 用于机器学习的数据拼接和整合 | |
KR20180042865A (ko) | 네트워크 상의 데이터 플랫폼들 사이에서 자산-관련된 정보를 공유하기 위한 컴퓨터 시스템들 및 방법들 | |
CN112541729A (zh) | 基于大数据的生产全流程可视化智能管控方法及系统 | |
CN114882696B (zh) | 道路容量的确定方法、装置及存储介质 | |
CN111949646A (zh) | 基于大数据的设备运行状况分析方法、装置、设备及介质 | |
CN116257663A (zh) | 面向无人地面车辆的异常检测与关联分析方法及相关设备 | |
CN116703303A (zh) | 基于多层感知机与rbf的仓储可视化监管系统及方法 | |
CN116203352A (zh) | 一种配电网的故障预警方法、装置、设备及介质 | |
EP4020263A1 (en) | Platform for detecting anomalies | |
JP7095988B2 (ja) | 異常監視システム、異常監視方法及びプログラム | |
CN108463806A (zh) | 用于基于预测模型修改数据采集参数的计算机体系结构和方法 | |
Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
EP4020264A1 (en) | Method for detecting anomalies |
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 |