CN116681197B - 一种基于大数据的物流线路搜索方法及系统 - Google Patents
一种基于大数据的物流线路搜索方法及系统 Download PDFInfo
- Publication number
- CN116681197B CN116681197B CN202310971053.7A CN202310971053A CN116681197B CN 116681197 B CN116681197 B CN 116681197B CN 202310971053 A CN202310971053 A CN 202310971053A CN 116681197 B CN116681197 B CN 116681197B
- Authority
- CN
- China
- Prior art keywords
- path
- historical
- transportation
- time length
- line
- 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 53
- 230000002159 abnormal effect Effects 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000005516 engineering process Methods 0.000 claims description 53
- 238000010586 diagram Methods 0.000 claims description 42
- 238000004364 calculation method Methods 0.000 claims description 36
- 238000012163 sequencing technique Methods 0.000 claims description 28
- 238000007726 management method Methods 0.000 claims description 9
- 238000012821 model calculation Methods 0.000 claims description 4
- 230000008901 benefit Effects 0.000 abstract description 12
- 238000012545 processing Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 description 17
- 239000000446 fuel Substances 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004904 shortening 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
- G06Q10/04—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
- G06Q10/08—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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于大数据的物流线路搜索方法及系统,所述系统根据历史运输数据构建历史线路网络,获取历史线路的运输时长,通过运输时长和所述历史线路的不同车次建立线路选择图,通过运输时长获取第一路径;训练第一路径运输时长预测模型,预测第一路径运输时长,通过对第一路径与最优路径进行运输时长长短的比较,获得最终路径,通过建立历史线路网络、选择最优路径、建立线路选择图、处理异常节点和训练预测模型,可以实现对最终路径运输时长的预测,并提高运输行业的决策能力和效益。实现了运输时长最短和车辆耗损最小的兼顾,节约能源的同时节约了运输时间,保障了运输物品的时效性,提高了运输速度。
Description
技术领域
本发明提出了一种基于大数据的物流线路搜索方法及系统,涉及物流线路搜索技术领域,具体涉及基于大数据的物流线路搜索技术领域。
背景技术
在如今的物流领域,随着物流行业的快速发展,物流运输的管理技术也日益成熟,然而在运输时长的预测方面功能尚不完善,物流线路的选择的智能化和时间成本节约能力远远达不到科技发展的要求,运输时长的人工计算误差大,缺少对最终路径的运输时长进行精准计算的技术,导致资源的不必要浪费,运输时长成本高,阻碍了物流线路智能选择的发展。
发明内容
本发明提供了一种基于大数据的物流线路搜索方法及系统,用以解决运输时长的人工计算误差大,缺少对最终路径的运输时长进行精准计算的技术,导致资源的不必要浪费,运输时长成本高,阻碍了物流线路智能选择的发展的问题:
本发明提出的一种基于大数据的物流线路搜索方法,所述方法包括:
S1、根据历史运输数据构建历史线路网络,对历史线路网络中的每条线路设置线路编号,通过所述历史线路网络获取历史线路的运输时长,将历史线路的不同车次与不同运输时长的时长初节点建立对应关系;
S2、根据所述历史线路网络中的历史线路运输信息确定历史车辆损耗,通过所述历史车辆损耗获取最优路径;
S3、通过所述运输时长和所述历史线路的不同车次对应的路径建立线路选择图,在线路选择图中,通过运输时长获得的各个时长终节点获取第一路径;
S4、通过大数据技术查找并删除异常的时长终节点,对第一路径进行信息的特征提取,获得第一路径数据,通过历史车辆耗损、历史运输时长和第一路径数据训练第一路径运输时长预测模型,预测第一路径运输时长,通过对第一路径与最优路径进行运输时长长短的比较,获得最终路径。
进一步地,所述根据历史运输数据构建历史线路网络,对历史线路网络中的每条线路设置线路编号,通过所述历史线路网络获取历史线路的运输时长,将历史线路的不同车次与不同运输时长的时长初节点建立对应关系,包括:
S101、通过大数据搜索历史运输数据,通过所述历史运输数据构建历史线路网络,所述历史线路网络包括多条历史线路;对历史线路网络中的每条历史线路设置线路编号;
S102、每个车次的运输时长均称为时长初节点,每条历史线路的不同车次均与所述不同车次的不同时长初节点一一对应,获得时长初节点对应关系,并对每一个时长初节点对应关系设置专属运输时长关系编号。
进一步地,所述根据所述历史线路网络中的历史线路运输信息确定历史车辆损耗,通过将所述运输时长和所述历史车辆损耗建立对应关系,通过所述对应关系获取最优路径,包括:
S201、所述历史线路运输信息包括运输时间、线路里程、车辆油耗和货物重量;通过所述历史线路运输信息计算历史线路的不同车次的历史车辆损耗;
所述历史车辆损耗的计算公式为:
其中,N为历史车辆损耗,j为车辆停留次数,Y为车辆油耗,M为货物重量,L为线路里程,T1为实际运输时间,T2为标准总运输时间;
S202、搜寻单个历史线路的不同车次,选择不同车次中历史车辆损耗最少的车次对应的路径作为最优路径。
进一步地,所述通过所述运输时长和所述历史线路的不同车次对应的路径建立线路选择图,在线路选择图中,通过运输时长获得的各个时长终节点获取第一路径,包括:
S301、搜寻单个历史线路的不同车次,当多个车次对应同一个路径时,该路径为相同路径,当多个车次对应不同的路径时,该路径为不同路径,以历史线路的起始点为路径起始点,以历史线路的终点为路径终点,在每条路径的中心点设置时长终节点,建立线路选择图;所述相同路径的时长终节点对应的运输时长通过相同路径的运输时长计算公式计算得出,所述不同路径的时长终节点与不同路径的时长初节点相同;
S302、在线路选择图中,搜索每条历史线路的所有路径的时长终节点,将时长终节点的时长从短到长进行排序,获得排序结果,选取排序结果的前1/3的运输时长(向上取整)对应的时长终节点,称为对比节点,以每个对比节点为顶点建立多边形;以历史线路的起始点和终点为端点,以多边形的中心点为路径确定点,建立虚拟路径,通过大数据技术在导航地图中搜索与所述虚拟路径的路径确定点的垂直距离最短的线路作为第一路径。
进一步地,所述通过大数据技术查找并删除异常的时长终节点,对第一路径进行信息的特征提取,获得第一路径数据,通过历史车辆耗损、历史运输时长和第一路径数据训练第一路径运输时长预测模型,预测第一路径运输时长,通过对第一路径与最优路径进行运输时长长短的比较,获得最终路径,包括:
S401、通过大数据技术搜索异常运输时长,对搜索到的异常运输时长对应的时长终节点进行删除;
S402、通过大数据技术对所述第一路径进行路径信息的特征提取,获得第一路径数据,通过历史车辆耗损、历史运输时长和第一路径数据第一路径运输时长预测模型,通过第一路径运输时长预测模型预测第一路径运输时长;
所述第一路径运输时长预测模型的计算公式为:
其中,X为第一路径运输时长预测模型,W1、W2和W3为权重参数,H为第一路径数据,b为偏置项,K为运输时长调节系数;
其中,S为历史运输时长平均值,S1为当前行业运输时长平均值,S2为基准运输时长平均值;
S403、将第一路径与最优路径进行运输时长长短的比较,当第一路径的运输时长短于最优路径时,将第一路径设置为最终路径,当第一路径的运输时长长于最优路径时,将最优路径设置为最终路径。
进一步地,所述系统包括:
线路网络建立模块,用于根据历史运输数据构建历史线路网络,对历史线路网络中的每条线路设置线路编号,通过所述历史线路网络获取历史线路的运输时长,将历史线路的不同车次与不同运输时长的时长初节点建立对应关系;
最优路径获取模块,用于根据所述历史线路网络中的历史线路运输信息确定历史车辆损耗,通过所述历史车辆损耗获取最优路径;
选择图建立模块,用于通过所述运输时长和所述历史线路的不同车次对应的路径建立线路选择图,在线路选择图中,通过运输时长获得的各个时长终节点获取第一路径;
最终路径获取模块,用于通过大数据技术查找并删除异常的时长终节点,对第一路径进行信息的特征提取,获得第一路径数据,通过历史车辆耗损、历史运输时长和第一路径数据训练第一路径运输时长预测模型,预测第一路径运输时长,通过对第一路径与最优路径进行运输时长长短的比较,获得最终路径。
进一步地,所述线路网络建立模块包括:
历史线路模块,用于通过大数据搜索历史运输数据,通过所述历史运输数据构建历史线路网络,所述历史线路网络包括多条历史线路;对历史线路网络中的每条历史线路设置线路编号;
初节点获取模块,用于每个车次的运输时长均称为时长初节点,每条历史线路的不同车次均与所述不同车次的不同时长初节点一一对应,获得时长初节点对应关系,并对每一个时长初节点对应关系设置专属运输时长关系编号。
进一步地,所述最优路径获取模块包括:
损耗计算模块,用于通过所述历史线路运输信息包括运输时间、线路里程、车辆油耗和货物重量;通过所述历史线路运输信息计算历史线路的不同车次的历史车辆损耗;
所述历史车辆损耗的计算公式为:
其中,N为历史车辆损耗,j为车辆停留次数,Y为车辆油耗,M为货物重量,L为线路里程,T1为实际运输时间,T2为标准总运输时间;
最优路径选择模块,用于搜寻单个历史线路的不同车次,选择不同车次中历史车辆损耗最少的车次对应的路径作为最优路径。
进一步地,所述选择图建立模块包括:
路径建立模块,用于搜寻单个历史线路的不同车次,当多个车次对应同一个路径时,该路径为相同路径,当多个车次对应不同的路径时,该路径为不同路径,以历史线路的起始点为路径起始点,以历史线路的终点为路径终点,在每条路径的中心点设置时长终节点,建立线路选择图;所述相同路径的时长终节点对应的运输时长通过相同路径的运输时长计算公式计算得出,所述不同路径的时长终节点与不同路径的时长初节点相同;
第一路径获取模块,用于在线路选择图中,搜索每条历史线路的所有路径的时长终节点,将时长终节点的时长从短到长进行排序,获得排序结果,选取排序结果的前1/3的运输时长(向上取整)对应的时长终节点,称为对比节点,以每个对比节点为顶点建立多边形;以历史线路的起始点和终点为端点,以多边形的中心点为路径确定点,建立虚拟路径,通过大数据技术在导航地图中搜索与所述虚拟路径的路径确定点的垂直距离最短的线路作为第一路径。
进一步地,所述最终路径获取模块包括:
异常删除模块,用于通过大数据技术搜索异常运输时长,对搜索到的异常运输时长对应的时长终节点进行删除;
模型计算模块,用于通过大数据技术对所述第一路径进行路径信息的特征提取,获得第一路径数据,通过历史车辆耗损、历史运输时长和第一路径数据第一路径运输时长预测模型,通过第一路径运输时长预测模型预测第一路径运输时长;
所述第一路径运输时长预测模型的计算公式为:
其中,X为第一路径运输时长预测模型,W1、W2和W3为权重参数,H为第一路径数据,b为偏置项,K为运输时长调节系数;
其中,S为历史运输时长平均值,S1为当前行业运输时长平均值,S2为基准运输时长平均值;
最终路径获取模块,用于将第一路径与最优路径进行运输时长长短的比较,当第一路径的运输时长短于最优路径时,将第一路径设置为最终路径,当第一路径的运输时长长于最优路径时,将最优路径设置为最终路径。
本发明有益效果:
本发明提出了一种基于大数据的物流线路搜索方法及系统,通过构建历史线路网络和运输时长,可以获得对历史运输时长数据的全面理解和描述。这有助于揭示历史运输数据中的模式和趋势,并提供基础数据用于后续建模和预测。通过建立时长初节点和不同车次之间的对应关系,方便查找每个车次的对应运输时长。通过建立线路选择图,可以通过时长终节点的运输时长信息获得第一路径。通过大数据技术,可以快速识别和删除异常的时长终节点。这有助于提高数据的质量和准确性,并避免异常值对运输时长预测结果的影响。通过历史车辆耗损、历史运输时长和第一路径数据,可以第一路径运输时长预测模型。这可以利用机器学习算法和大数据分析技术,对历史数据进行建模和训练,从而实现对第一路径运输时长的预测能力。通过将第一路径与最优路径进行对比运输时长的对比,可以获取最终路径。这有助于根据运输时长情况进行路径调整,进一步提高运输时长预测的准确性和个性化。通过本技术过程可以提供一种有效的方法来进行大数据运输时长预测。通过建立历史线路网络、选择最优路径、建立线路选择图、处理异常节点和训练预测模型,可以实现对最终路径运输时长的预测,并提高运输行业的决策能力和效益。实现了运输时长最短和车辆耗损最小的兼顾,节约能源的同时节约了运输时间,保障了运输物品的时效性,提高了运输速度。
附图说明
图1为一种基于大数据的物流线路搜索方法的示意图;
图2为本发明说明书中的历史线路网络的示意图;
图3为本发明说明书中的线路选择图的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明的一个实施例,本发明提出的一种基于大数据的物流线路搜索方法,所述方法包括:
S1、根据历史运输数据构建历史线路网络,对历史线路网络中的每条线路设置线路编号,通过所述历史线路网络获取历史线路的运输时长,将历史线路的不同车次与不同运输时长的时长初节点建立对应关系;
S2、根据所述历史线路网络中的历史线路运输信息确定历史车辆损耗,通过所述历史车辆损耗获取最优路径;
S3、通过所述运输时长和所述历史线路的不同车次对应的路径建立线路选择图,在线路选择图中,通过运输时长获得的各个时长终节点获取第一路径;
S4、通过大数据技术查找并删除异常的时长终节点,对第一路径进行信息的特征提取,获得第一路径数据,通过历史车辆耗损、历史运输时长和第一路径数据训练第一路径运输时长预测模型,预测第一路径运输时长,通过对第一路径与最优路径进行运输时长长短的比较,获得最终路径。
上述技术方案的工作原理为:首先,根据历史运输数据构建历史线路网络,历史线路网络包括多条历史线路,对历史线路网络中的每条线路设置线路编号,通过所述历史线路网络获取历史线路的运输时长,将历史线路的不同车次与不同运输时长的时长初节点建立对应关系;然后根据所述历史线路网络中的历史线路运输信息确定历史车辆损耗,通过所述历史车辆损耗获取最优路径;通过所述运输时长和所述历史线路的不同车次对应的路径建立线路选择图,在线路选择图中,通过运输时长获得的各个时长终节点获取第一路径;最后通过大数据技术查找并删除异常的时长终节点,对第一路径进行信息的特征提取,获得第一路径数据,通过历史车辆耗损、历史运输时长和第一路径数据训练第一路径运输时长预测模型,预测第一路径运输时长,通过对第一路径与最优路径进行运输时长长短的比较,获得最终路径。时长初节点为所述历史线路的每个车次对应的运输时长,时长终节点是通过时长终节点的计算公式计算出来的运输时长对应的终节点,用于将同一路径上的多个车次对应的不同运输时长集合为一个合理的运输时长。异常的时长终节点为明显不符合常理的时长终节点,如通过公式计算出的运输时长大于或小于同一历史线路运输时长的均值的2倍,则此运输时长对应的时长终节点为异常的时长终节点。
上述技术方案的技术效果为:通过构建历史线路网络和运输时长,可以获得对历史运输时长数据的全面理解和描述。这有助于揭示历史运输数据中的模式和趋势,并提供基础数据用于后续建模和预测。通过建立时长初节点和不同车次之间的对应关系,方便查找每个车次的对应运输时长。通过建立线路选择图,可以通过时长终节点的运输时长信息获得第一路径。与最优路径进行对比运输时长的对比,可以获取最终路径。这有助于根据运输时长情况进行路径调整,进一步提高运输时长预测的准确性和个性化。通过大数据技术,可以快速识别和删除异常的时长终节点。这有助于提高数据的质量和准确性,并避免异常值对运输时长预测结果的影响。通过历史车辆耗损、历史运输时长和第一路径数据,可以第一路径运输时长预测模型。这可以利用机器学习算法和大数据分析技术,对历史数据进行建模和训练,从而实现对最终路径运输时长的预测能力。通过本技术过程可以提供一种有效的方法来进行大数据运输时长预测。通过建立历史线路网络、选择最优路径、建立线路选择图、处理异常节点和训练预测模型,可以实现对最终路径运输时长的预测,并提高运输行业的决策能力和效益。实现了运输时长最短和车辆耗损最小的兼顾,节约能源的同时节约了运输时间,保障了运输物品的时效性,提高了运输速度。
本发明的一个实施例,所述根据历史运输数据构建历史线路网络,对历史线路网络中的每条线路设置线路编号,通过所述历史线路网络获取历史线路的运输时长,将历史线路的不同车次与不同运输时长的时长初节点建立对应关系,包括:
S101、通过大数据搜索历史运输数据,通过所述历史运输数据构建历史线路网络,所述历史线路网络包括多条历史线路;对历史线路网络中的每条历史线路设置线路编号;
S102、搜索每条历史线路的不同车次的历史运输时长,对所述历史运输时长按照时间顺序进行排序,构成运输时长。每条历史线路均对应一条运输时长,将运输时长中的每一个运输时长均称为时长初节点,每条历史线路的不同车次均与所述不同车次的不同时长初节点一一对应,获得时长初节点对应关系,并对每一个时长初节点对应关系设置专属运输时长关系编号。
上述技术方案的工作原理为:通过大数据搜索历史运输数据,通过所述历史运输数据构建历史线路网络,如图2所示,所述历史线路网络包括多条历史线路;对历史线路网络中的每条历史线路设置线路编号;搜索每条历史线路的不同车次的历史运输时长,对所述历史运输时长按照时间顺序进行排序,构成运输时长。每条历史线路均对应一条运输时长,将运输时长中的每一个运输时长均称为时长初节点,每条历史线路的不同车次均与所述不同车次的不同时长初节点一一对应,获得时长初节点对应关系,并对每一个时长初节点对应关系设置专属运输时长关系编号。每条历史线路均对应一条运输时长。对时长初节点对应关系进行举例说明:同一历史线路分为多个车次,每个车次分别对应一个运输时长,车次按照时间排序,运输时长同样按照时间排序,每个运输时长均称为时长初节点,例如8点的车次对应8点车次的运输时长为一个对应关系。当多个车次对应同一条路径时,通过本发明中的相同路径运输时长公式进行计算相同路径的时长初节点的运输时长,此时经过计算的相同路径的时长初节点的运输时长称为时长终节点的时长;时长初节点是通过运输时长直接获取的,时长终节点包括相同路径的运输时长计算结果和不同路径的运输时长。
上述技术方案的技术效果为:通过收集的历史运输数据,可以识别出多条历史线路,并构建历史线路网络。这样可以对不同线路进行分析和比较,了解线路的使用情况和发展趋势。为历史线路网络中的每条历史线路设置唯一的线路编号,可以方便对线路进行标识和进行后续的查询和管理操作。针对每条历史线路中的不同车次,可以通过历史运输数据找到相应的运输时长信息。每条历史线路对应着一个运输时长,将运输时长中的每一个运输时长称为一个时长初节点。不同车次与运输时长中的不同时长初节点一一对应,建立起时长初节点与车次之间的关系。为每一个时长初节点对应关系设置一个独特的运输时长关系编号,以便后续识别和引用。这样可以方便管理和查询特定时长初节点的相关信息和数据。可以将历史运输数据进行结构化和组织化处理,并获取历史线路网络、运输时长以及时长初节点对应关系。这将有助于进行更深入的数据分析、决策支持和业务优化。
本发明的一个实施例,所述根据所述历史线路网络中的历史线路运输信息确定历史车辆损耗,通过将所述运输时长和所述历史车辆损耗建立对应关系,通过所述对应关系获取最优路径,包括:
S201、所述历史线路运输信息包括运输时间、线路里程、车辆油耗和货物重量;通过所述历史线路运输信息计算历史线路的不同车次的历史车辆损耗;
所述历史车辆损耗的计算公式为:
其中,N为历史车辆损耗,j为车辆停留次数,Y为车辆油耗,M为货物重量,L为线路里程,T1为实际运输时间,T2为标准总运输时间;
S202、搜寻单个历史线路的不同车次,选择不同车次中历史车辆损耗最少的车次对应的路径作为最优路径。
上述技术方案的工作原理为:所述历史线路运输信息包括运输时间、线路里程、车辆油耗和货物重量;通过所述历史线路运输信息计算历史线路的不同车次的历史车辆损耗;搜寻单个历史线路的不同车次,选择不同车次中历史车辆损耗最少的车次对应的路径作为最优路径。
上述技术方案的技术效果为:历史线路运输信息包括运输时间、线路里程、车辆油耗和货物重量等关键指标。这些信息对于计算车辆损耗和选择最优路径至关重要。利用历史线路运输信息,可以采用公式来计算历史线路的不同车次的车辆损耗。车辆损耗可以包括燃料消耗、磨损损耗以及相关维修成本等。计算每条历史线路的不同车次的历史车辆损耗后,可以进行比较分析。通过比较不同车次在同一线路上的车辆损耗情况,可以找出其中损耗最少的线路。根据车辆损耗的比较结果,选择车辆损耗最少的历史线路作为最优路径。这样可以在运输过程中降低车辆的燃料消耗、减少磨损和维修成本,并提高整体运输效率和可持续性。
可以根据历史线路运输信息计算历史车辆损耗,并选择最优路径。这将有助于优化运输成本,节约运输时长,提高车辆利用率,并优化物流规划和运输调度决策。计算历史车辆损耗的需要综合考虑多个因素,其中包括车辆油耗、货物重量、线路里程、实际运输时间和标准总运输时间。车辆的油耗是影响运输成本和环境影响的重要因素之一。较高的油耗会导致更多的燃料消耗和排放。因此,通过减少车辆的油耗可以降低成本和环境负担。运输过程中的货物重量对车辆损耗有直接的影响。较重的货物会增加车辆的负荷,使发动机工作更加劳累,从而加速车辆磨损。因此,减少货物重量可以有效减少历史车辆损耗。线路里程是指货物在运输过程中所需行驶的距离。较长的线路里程会导致车辆行驶时间增加,增加燃料消耗和车辆损耗的可能性。因此,缩短线路里程可以减少历史车辆损耗。实际运输时间是指货物在运输过程中实际需要的时间,而标准总运输时间是指根据规定速度和行驶距离计算的理论最短运输时间。如果实际运输时间超过标准总运输时间,就意味着车辆存在停滞或延误,这会增加车辆的运营成本和损耗;通过使用上述内容计算车辆损耗可以进一步优化车辆运输时长,最大程度地减少车辆损耗。
本发明的一个实施例,所述通过所述运输时长和所述历史线路的不同车次对应的路径建立线路选择图,在线路选择图中,通过运输时长获得的各个时长终节点获取第一路径,包括:
S301、搜寻单个历史线路的不同车次,当多个车次对应同一个路径时,该路径为相同路径,当多个车次对应不同的路径时,该路径为不同路径,以历史线路的起始点为路径起始点,以历史线路的终点为路径终点,在每条路径的中心点设置时长终节点,建立线路选择图;所述相同路径的时长终节点的运输时长通过相同路径的运输时长计算公式计算得出,所述不同路径的时长终节点与不同路径的时长初节点相同;
每个不同路径均对应一个运输时长,每个相同路径的运输时长通过相同路径运输时长公式进行计算;
所述相同路径运输时长计算公式为:
其中,J为相同路径运输时长,a为相同路径在单位时间内车辆的通行次数,S4为单位时间内相同路径首个车次的运输时长,S5为单位时间内相同路径所有车次的运输时长总和,U1为相同路径在单位时间内通过的车次总和,U2为在单个历史线路中所有相同路径在单位时间内通过的车次总和,T3为单位时间长度;
S302、在线路选择图中,搜索每条历史线路的所有路径的时长终节点,将时长终节点的时长从短到长进行排序,获得排序结果,选取排序结果的前1/3的运输时长对应的时长终节点,称为对比节点,以每个对比节点为顶点建立多边形;以历史线路的起始点和终点为端点,以多边形的中心点为路径确定点,建立虚拟路径,通过大数据技术在导航地图中搜索与所述虚拟路径的路径确定点的垂直距离最短的线路作为第一路径。
上述技术方案的工作原理为:搜寻单个历史线路的不同车次,当多个车次对应同一个路径时,该路径为相同路径,当多个车次对应不同的路径时,该路径为不同路径,以历史线路的起始点为路径起始点,以历史线路的终点为路径终点,在每条路径的中心点设置时长终节点,相同路径上的时长终节点的时长通过相同路径运输时长计算公式计算,不同路径有与其对应的时长终节点,建立线路选择图;在线路选择图中,搜索每条历史线路的所有路径的时长终节点,将时长终节点的时长从短到长进行排序,获得排序结果,选取排序结果的前1/3的运输时长(向上取整)对应的时长终节点,称为对比节点;选取排序结果的前1/3的运输时长(向上取整)举例说明为,历史线路有8个车次,同样有8个运输时长,将运输时长从低到高排序,计算前1/3为2.7,向上取整为3,也就是选取前3个运输时长排序后运输时长对应的时长终节点作为对比节点。以每个对比节点为顶点建立多边形;以历史线路的起始点和终点为端点,以多边形的中心点为路径确定点,建立虚拟路径,通过大数据技术在导航地图中搜索与所述虚拟路径的路径确定点的垂直距离最短的线路作为第一路径。
上述技术方案的技术效果为:通过建立线路选择图,可以将多条历史线路的路径和时长初节点进行组织和分类,使得搜索过程更加高效。通过定位每条历史线路的起始点和终点,以及时长终节点的中心点,可以快速定位目标节点,减少搜索时间。线路选择图的建立可以通过对历史线路和运输时长信息的更新进行动态调整,使得系统具有良好的扩展性和可维护性。当有新的历史线路或运输时长信息加入时,可以方便地进行修改和更新,保持系统的最新状态。通过将历史线路的路径和时长终节点在线路选择图中进行可视化展示,可以直观地呈现出历史线路的运输时长信息和相关路径之间的关系。这有助于用户更好地理解每条历史线路的运输时长情况,以及路径之间的联系。通过在线路选择图中进行搜索,可以实现多种搜索功能,如按照历史线路、车次、路径、运输时长等条件进行筛选和排序。这样用户可以根据自己的需求快速找到所需要的信息,提高用户体验。通过线路选择图的建立和利用,可以实现对每条历史线路的所有路径的时长终节点的搜索,并带来诸多技术效果,如提高搜索效率、易于修改和更新、可视化展示和支持多种搜索功能等。这些效果能够帮助用户更好地了解和利用历史线路的运输时长信息。可以根据历史线路的运输时长信息和路径建立方法,找到多个对比节点并建立多边形。然后利用大数据技术在导航地图中搜索最短的垂直距离线路作为第一路径。通过根据历史线路的运输时长信息和路径建立方法,找到多个对比节点并建立多边形,可以利用大数据技术在导航地图中搜索最短的垂直距离线路作为第一路径。通过选择最短的垂直距离线路为第一路径,可以减少运输时间和成本。通过根据历史线路的运输时长信息和路径建立方法,找到多个对比节点并建立多边形,利用大数据技术在导航地图中搜索最短的垂直距离线路作为第一路径,可以实现优化运输时长、提高整体运输效率和经济性的技术效果。本申请通过建立线路选择图,将线路和运输时长通过此方式展现出来。使用户对运输时长图的理解更加直观,增加本方法的可视化程度。通过计算相同路径的运输时长,方便后续与不同路径的运输时长进行比较,保障了运输时长比较的公平性和合理性,解决了相同路径存在多个运输时长无法与不同路径的运输时长进行比较的问题。
本发明的一个实施例,所述通过大数据技术查找并删除异常的时长终节点,对第一路径进行信息的特征提取,获得第一路径数据,通过历史车辆耗损、历史运输时长和第一路径数据训练第一路径运输时长预测模型,预测第一路径运输时长,通过对第一路径与最优路径进行运输时长长短的比较,获得最终路径,包括:
S401、通过大数据技术搜索异常运输时长,对搜索到的异常运输时长对应的时长终节点进行删除;
S402、通过大数据技术对所述第一路径进行路径信息的特征提取,获得第一路径数据,通过历史车辆耗损、历史运输时长和第一路径数据第一路径运输时长预测模型,通过第一路径运输时长预测模型预测第一路径运输时长;
所述第一路径运输时长预测模型的计算公式为:
其中,X为第一路径运输时长预测模型,W1、W2和W3为权重参数,H为第一路径数据,b为偏置项,K为运输时长调节系数;
其中,S为历史运输时长平均值,S1为当前行业运输时长平均值,S2为基准运输时长平均值;
S403、将第一路径与最优路径进行运输时长长短的比较,当第一路径的运输时长短于最优路径时,将第一路径设置为最终路径,当第一路径的运输时长长于最优路径时,将最优路径设置为最终路径。
上述技术方案的工作原理为:通过大数据技术搜索异常运输时长,对搜索到的异常运输时长对应的时长终节点进行删除;通过大数据技术对所述第一路径进行路径信息的特征提取,获得第一路径数据,通过历史车辆耗损、历史运输时长和第一路径数据第一路径运输时长预测模型,通过第一路径运输时长预测模型预测第一路径运输时长;将第一路径与最优路径进行运输时长长短的比较,当第一路径的运输时长短于最优路径时,将第一路径设置为最终路径,当第一路径的运输时长长于最优路径时,将最优路径设置为最终路径。
上述技术方案的技术效果为:利用大数据技术对线路选择图中的数据进行分析和处理,搜索可能存在的异常运输时长。一旦发现异常运输时长对应的时长终节点,可以通过删除这些节点来纠正数据的准确性和一致性。利用大数据技术对所述第一路径进行路径信息的特征提取。这可能包括路径长度、路段拥堵情况、地理特征、道路等级等信息。通过提取这些特征,可以将第一路径转化成可用于训练和预测的数据格式。利用历史车辆耗损、历史运输时长和第一路径数据,经过适当的数据预处理和特征工程,可以使用大数据技术训练一个第一路径运输时长预测模型。该模型可以学习历史数据中的模式和规律,从而对第一路径的运输时长进行预测。利用训练好的第一路径运输时长预测模型,可以将第一路径的特征数据输入模型进行预测。模型将根据历史数据中的相关特征和模式,预测出第一路径的运输时长。这样可以在实际操作中,提前了解第一路径的预估运输时长情况,为决策和规划提供参考依据。通过大数据技术搜索异常运输时长、删除异常节点,以及对第一路径进行特征提取、第一路径运输时长预测模型,可以实现对第一路径运输时长的预测和估计。这样可以帮助运输管理者和相关利益方更好地了解第一路径的运输时长情况,做出决策并进行规划。同时,通过精确的运输时长预测,还可以提高运输的经济性和效率。通过第一路径运输时长预测模型准确的预测运输时长能够提供可靠的信息,帮助运输公司做出合理的定价和运营决策,通过在公式中加入可以评估预测模型的响应时间和预测更新频率来评估其实时性。第一路径运输时长预测模型应具有对输入参数变化的敏感性和鲁棒性。模型应能够适应市场因素、成本变化或政策调整等导致运输时长波动的情况。评估技术效果时,可以通过模拟不同场景下的运输时长变化,并观察预测结果的表现来评估模型的敏感性和鲁棒性。通过将第一路径与最优路径进行对比运输时长的对比,可以获取最终路径。这有助于根据运输时长情况进行路径调整,进一步提高运输时长预测的准确性和个性化。通过本技术过程可以提供一种有效的方法来进行大数据运输时长预测。并提高运输行业的决策能力和效益。实现了运输时长最短和车辆耗损最小的兼顾,节约能源的同时节约了运输时间,保障了运输物品的时效性,提高了运输速度。
本发明的一个实施例,所述系统包括:
线路网络建立模块,用于根据历史运输数据构建历史线路网络,对历史线路网络中的每条线路设置线路编号,通过所述历史线路网络获取历史线路的运输时长,将历史线路的不同车次与不同运输时长的时长初节点建立对应关系;
最优路径获取模块,用于根据所述历史线路网络中的历史线路运输信息确定历史车辆损耗,通过所述历史车辆损耗获取最优路径;
选择图建立模块,用于通过所述运输时长和所述历史线路的不同车次对应的路径建立线路选择图,在线路选择图中,通过运输时长获得的各个时长终节点获取第一路径;
最终路径获取模块,用于通过大数据技术查找并删除异常的时长终节点,对第一路径进行信息的特征提取,获得第一路径数据,通过历史车辆耗损、历史运输时长和第一路径数据训练第一路径运输时长预测模型,预测第一路径运输时长,通过对第一路径与最优路径进行运输时长长短的比较,获得最终路径。
上述技术方案的工作原理为:线路网络建立模块用于根据历史运输数据构建历史线路网络,对历史线路网络中的每条线路设置线路编号,通过所述历史线路网络获取历史线路的运输时长,将历史线路的不同车次与不同运输时长的时长初节点建立对应关系;最优路径获取模块用于根据所述历史线路网络中的历史线路运输信息确定历史车辆损耗,通过所述历史车辆损耗获取最优路径;选择图建立模块用于通过所述运输时长和所述历史线路的不同车次对应的路径建立线路选择图,在线路选择图中,通过运输时长获得的各个时长终节点获取第一路径;最终路径获取模块用于通过大数据技术查找并删除异常的时长终节点,对第一路径进行信息的特征提取,获得第一路径数据,通过历史车辆耗损、历史运输时长和第一路径数据训练第一路径运输时长预测模型,预测第一路径运输时长,通过对第一路径与最优路径进行运输时长长短的比较,获得最终路径。
上述技术方案的技术效果为:通过线路网络建立模块构建历史线路网络和运输时长,可以获得对历史运输时长数据的全面理解和描述。这有助于揭示历史运输数据中的模式和趋势,并提供基础数据用于后续建模和预测。通过建立时长初节点和不同车次之间的对应关系,方便查找每个车次的对应运输时长。通过选择图建立模块建立线路选择图,可以通过时长终节点的运输时长信息获得第一路径。这有助于根据运输时长情况进行路径调整,进一步提高运输时长预测的准确性和个性化。最终路径获取模块通过大数据技术,可以快速识别和删除异常的时长终节点。这有助于提高数据的质量和准确性,并避免异常值对运输时长预测结果的影响。通过历史车辆耗损、历史运输时长和第一路径数据,可以第一路径运输时长预测模型。这可以利用机器学习算法和大数据分析技术,对历史数据进行建模和训练,从而实现对最终路径运输时长的预测能力。通过本技术过程可以提供一种有效的方法来进行大数据运输时长预测。通过建立历史线路网络、选择最优路径、建立线路选择图、处理异常节点和训练预测模型,可以实现对最终路径运输时长的预测,并提高运输行业的决策能力和效益。实现了运输时长最短和车辆耗损最小的兼顾,节约能源的同时节约了运输时间,保障了运输物品的时效性,提高了运输速度。
本发明的一个实施例,所述线路网络建立模块包括:
历史线路模块,用于通过大数据搜索历史运输数据,通过所述历史运输数据构建历史线路网络,所述历史线路网络包括多条历史线路;对历史线路网络中的每条历史线路设置线路编号;
初节点获取模块,用于搜索每条历史线路的不同车次的历史运输时长,对所述历史运输时长按照时间顺序进行排序,构成运输时长。每条历史线路均对应一条运输时长,将运输时长中的每一个运输时长均称为时长初节点,每条历史线路的不同车次均与所述不同车次的不同时长初节点一一对应,获得时长初节点对应关系,并对每一个时长初节点对应关系设置专属运输时长关系编号。
上述技术方案的工作原理为:历史线路模块用于通过大数据搜索历史运输数据,通过所述历史运输数据构建历史线路网络,所述历史线路网络包括多条历史线路;对历史线路网络中的每条历史线路设置线路编号;初节点获取模块用于搜索每条历史线路的不同车次的历史运输时长,对所述历史运输时长按照时间顺序进行排序,构成运输时长。每条历史线路均对应一条运输时长,将运输时长中的每一个运输时长均称为时长初节点,每条历史线路的不同车次均与所述不同车次的不同时长初节点一一对应,获得时长初节点对应关系,并对每一个时长初节点对应关系设置专属运输时长关系编号。每条历史线路均对应一条运输时长。
上述技术方案的技术效果为:通过历史线路模块收集的历史运输数据,可以识别出多条历史线路,并构建历史线路网络。这样可以对不同线路进行分析和比较,了解线路的使用情况和发展趋势。为历史线路网络中的每条历史线路设置唯一的线路编号,可以方便对线路进行标识和进行后续的查询和管理操作。初节点获取模块针对每条历史线路中的不同车次,可以通过历史运输数据找到相应的运输时长信息。每条历史线路对应着一个运输时长,将运输时长中的每一个运输时长称为一个时长初节点。不同车次与运输时长中的不同时长初节点一一对应,建立起时长初节点与车次之间的关系。为每一个时长初节点对应关系设置一个独特的运输时长关系编号,以便后续识别和引用。这样可以方便管理和查询特定时长初节点的相关信息和数据。可以将历史运输数据进行结构化和组织化处理,并获取历史线路网络、运输时长以及时长初节点对应关系。这将有助于进行更深入的数据分析、决策支持和业务优化。
本发明的一个实施例,所述最优路径获取模块包括:
损耗计算模块,用于通过所述历史线路运输信息包括运输时间、线路里程、车辆油耗和货物重量;通过所述历史线路运输信息计算历史线路的不同车次的历史车辆损耗;
所述历史车辆损耗的计算公式为:
其中,N为历史车辆损耗,j为车辆停留次数,Y为车辆油耗,M为货物重量,L为线路里程,T1为实际运输时间,T2为标准总运输时间;
最优路径选择模块,用于搜寻单个历史线路的不同车次,选择不同车次中历史车辆损耗最少的车次对应的路径作为最优路径。
上述技术方案的工作原理为:损耗计算模块用于通过所述历史线路运输信息包括运输时间、线路里程、车辆油耗和货物重量;通过所述历史线路运输信息计算历史线路的不同车次的历史车辆损耗;最优路径选择模块用于搜寻单个历史线路的不同车次,选择不同车次中历史车辆损耗最少的车次对应的路径作为最优路径。
上述技术方案的技术效果为:通过损耗计算模块获取历史线路运输信息包括运输时间、线路里程、车辆油耗和货物重量等关键指标。这些信息对于计算车辆损耗和选择最优路径至关重要。利用历史线路运输信息,可以采用公式来计算历史线路的不同车次的车辆损耗。车辆损耗可以包括燃料消耗、磨损损耗以及相关维修成本等。计算每条历史线路的不同车次的历史车辆损耗后,可以进行比较分析。通过比较不同车次在同一线路上的车辆损耗情况,可以找出其中损耗最少的线路。根据车辆损耗的比较结果,选择车辆损耗最少的历史线路作为最优路径。这样可以在运输过程中降低车辆的燃料消耗、减少磨损和维修成本,并提高整体运输效率和可持续性。通过最优路径选择模块,并选择最优路径。这将有助于优化运输成本,节约运输时长,提高车辆利用率,并优化物流规划和运输调度决策。
本发明的一个实施例,所述选择图建立模块包括:
路径建立模块,用于搜寻单个历史线路的不同车次,当多个车次对应同一个路径时,该路径为相同路径,当多个车次对应不同的路径时,该路径为不同路径,以历史线路的起始点为路径起始点,以历史线路的终点为路径终点,在每条路径的中心点设置时长终节点,建立线路选择图;所述相同路径的时长终节点对应的运输时长通过相同路径的运输时长计算公式计算得出,所述不同路径的时长终节点与不同路径的时长初节点相同;
第一路径获取模块,用于在线路选择图中,搜索每条历史线路的所有路径的时长终节点,将时长终节点的时长从短到长进行排序,获得排序结果,选取排序结果的前1/3的运输时长(向上取整)对应的时长终节点,称为对比节点,以每个对比节点为顶点建立多边形;以历史线路的起始点和终点为端点,以多边形的中心点为路径确定点,建立虚拟路径,通过大数据技术在导航地图中搜索与所述虚拟路径的路径确定点的垂直距离最短的线路作为第一路径。
上述技术方案的工作原理为:路径建立模块用于搜寻单个历史线路的不同车次,当多个车次对应同一个路径时,该路径为相同路径,当多个车次对应不同的路径时,该路径为不同路径,以历史线路的起始点为路径起始点,以历史线路的终点为路径终点,在每条路径的中心点设置时长终节点,建立线路选择图;所述相同路径的时长终节点对应的运输时长通过相同路径的运输时长计算公式计算得出,所述不同路径的时长终节点与不同路径的时长初节点相同;第一路径获取模块用于在线路选择图中,搜索每条历史线路的所有路径的时长终节点,将时长终节点的时长从短到长进行排序,获得排序结果,选取排序结果的前1/3的运输时长(向上取整)对应的时长终节点,称为对比节点,以每个对比节点为顶点建立多边形;以历史线路的起始点和终点为端点,以多边形的中心点为路径确定点,建立虚拟路径,通过大数据技术在导航地图中搜索与所述虚拟路径的路径确定点的垂直距离最短的线路作为第一路径。
上述技术方案的技术效果为:通过路径建立模块建立线路选择图,可以将多条历史线路的路径和时长初节点进行组织和分类,使得搜索过程更加高效。通过定位每条历史线路的起始点和终点,以及时长终节点的中心点,可以快速定位目标节点,减少搜索时间。线路选择图的建立可以通过对历史线路和运输时长信息的更新进行动态调整,使得系统具有良好的扩展性和可维护性。当有新的历史线路或运输时长信息加入时,可以方便地进行修改和更新,保持系统的最新状态。通过将历史线路的路径和时长终节点在线路选择图中进行可视化展示,可以直观地呈现出历史线路的运输时长信息和相关路径之间的关系。这有助于用户更好地理解每条历史线路的运输时长情况,以及路径之间的联系。通过在线路选择图中进行搜索,可以实现多种搜索功能,如按照历史线路、车次、路径、运输时长等条件进行筛选和排序。这样用户可以根据自己的需求快速找到所需要的信息,提高用户体验。通过线路选择图的建立和利用,可以实现对每条历史线路的所有路径的时长终节点的搜索,并带来诸多技术效果,如提高搜索效率、易于修改和更新、可视化展示和支持多种搜索功能等。这些效果能够帮助用户更好地了解和利用历史线路的运输时长信息。可以根据历史线路的运输时长信息和路径建立方法,找到多个对比节点并建立多边形。然后第一路径获取模块利用大数据技术在导航地图中搜索最短的垂直距离线路作为第一路径。通过根据历史线路的运输时长信息和路径建立方法,找到多个对比节点并建立多边形,可以利用大数据技术在导航地图中搜索最短的垂直距离线路作为第一路径。通过选择最短的垂直距离线路为第一路径,可以减少运输时间和成本。通过根据历史线路的运输时长信息和路径建立方法,找到多个对比节点并建立多边形,利用大数据技术在导航地图中搜索最短的垂直距离线路作为第一路径,可以实现优化运输时长、提高整体运输效率和经济性的技术效果。本申请通过建立线路选择图,将线路和运输时长通过此方式展现出来。使用户对运输时长图的理解更加直观,增加本方法的可视化程度。
本发明的一个实施例,所述最终路径获取模块包括:
异常删除模块,用于通过大数据技术搜索异常运输时长,对搜索到的异常运输时长对应的时长终节点进行删除;
模型计算模块,用于通过大数据技术对所述第一路径进行路径信息的特征提取,获得第一路径数据,通过历史车辆耗损、历史运输时长和第一路径数据第一路径运输时长预测模型,通过第一路径运输时长预测模型预测第一路径运输时长;
所述第一路径运输时长预测模型的计算公式为:
其中,X为第一路径运输时长预测模型,W1、W2和W3为权重参数,H为第一路径数据,b为偏置项,K为运输时长调节系数;
其中,S为历史运输时长平均值,S1为当前行业运输时长平均值,S2为基准运输时长平均值;
最终路径获取模块,用于将第一路径与最优路径进行运输时长长短的比较,当第一路径的运输时长短于最优路径时,将第一路径设置为最终路径,当第一路径的运输时长长于最优路径时,将最优路径设置为最终路径。
上述技术方案的工作原理为:异常删除模块,用于通过大数据技术搜索异常运输时长,对搜索到的异常运输时长对应的时长终节点进行删除;模型计算模块用于通过大数据技术对所述第一路径进行路径信息的特征提取,获得第一路径数据,通过历史车辆耗损、历史运输时长和第一路径数据第一路径运输时长预测模型,通过第一路径运输时长预测模型预测第一路径运输时长;最终路径获取模块用于将第一路径与最优路径进行运输时长长短的比较,当第一路径的运输时长短于最优路径时,将第一路径设置为最终路径,当第一路径的运输时长长于最优路径时,将最优路径设置为最终路径。
上述技术方案的技术效果为:利用大数据技术对线路选择图中的数据进行分析和处理,搜索可能存在的异常运输时长。一旦发现异常运输时长对应的时长终节点,可以通过删除这些节点来纠正数据的准确性和一致性。通过大数据技术搜索异常运输时长、删除异常节点,以及对第一路径进行特征提取、第一路径运输时长预测模型,可以实现对第一路径运输时长的预测和估计。这样可以帮助运输管理者和相关利益方更好地了解第一路径的运输时长情况,做出决策并进行规划。同时,通过精确的运输时长预测,还可以提高运输的经济性和效率。通过第一路径运输时长预测模型准确的预测运输时长能够提供可靠的信息,帮助运输公司做出合理的定价和运营决策;第一路径运输时长预测模型应具有对输入参数变化的敏感性和鲁棒性。模型应能够适应市场因素、成本变化或政策调整等导致运输时长波动的情况。通过将第一路径与最优路径进行对比运输时长的对比,可以获取最终路径。这有助于根据运输时长情况进行路径调整,进一步提高运输时长预测的准确性和个性化。通过本技术过程可以提供一种有效的方法来进行大数据运输时长预测。并提高运输行业的决策能力和效益。实现了运输时长最短和车辆耗损最小的兼顾,节约能源的同时节约了运输时间,保障了运输物品的时效性,提高了运输速度。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种基于大数据的物流线路搜索方法,其特征在于,所述方法包括:
S1、根据历史运输数据构建历史线路网络,对历史线路网络中的每条线路设置线路编号,通过所述历史线路网络获取历史线路的运输时长,将历史线路的不同车次与不同运输时长的时长初节点建立对应关系;
其中,所述时长初节点为所述历史线路的每个车次对应的运输时长;
S2、根据所述历史线路网络中的历史线路运输信息确定历史车辆损耗,通过所述历史车辆损耗获取最优路径;
其中,所述根据所述历史线路网络中的历史线路运输信息确定历史车辆损耗,通过所述历史车辆损耗获取最优路径,包括:
S201、通过所述历史线路运输信息计算历史线路的不同车次的历史车辆损耗;所述历史线路运输信息包括运输时间、线路里程、车辆油耗和货物重量;
所述历史车辆损耗的计算公式为:
其中,N为历史车辆损耗,j为车辆停留次数,Y为车辆油耗,M为货物重量,L为线路里程,T1为实际运输时间,T2为标准总运输时间;
S202、搜寻单个历史线路的不同车次,选择不同车次中历史车辆损耗最少的车次对应的路径作为最优路径;
S3、通过所述运输时长和所述历史线路的不同车次对应的路径建立线路选择图,在线路选择图中,通过运输时长获得的各个时长终节点获取第一路径;
其中,所述通过所述运输时长和所述历史线路的不同车次对应的路径建立线路选择图,在线路选择图中,通过运输时长获得的各个时长终节点获取第一路径,包括:
S301、搜寻单个历史线路的不同车次,当多个车次对应同一个路径时,该路径为相同路径,当多个车次对应不同的路径时,该路径为不同路径,以历史线路的起始点为路径起始点,以历史线路的终点为路径终点,在每条路径的中心点设置时长终节点,建立线路选择图;
所述相同路径的时长终节点的运输时长通过相同路径运输时长计算公式计算得出,所述不同路径的时长终节点与不同路径的时长初节点相同;
每个不同路径均对应一个运输时长,每个相同路径的运输时长通过相同路径运输时长计算公式进行计算;
所述相同路径运输时长计算公式为:
其中,J为相同路径运输时长,a为相同路径在单位时间内车辆的通行次数,S4为单位时间内相同路径首个车次的运输时长,S5为单位时间内相同路径所有车次的运输时长总和,U1为相同路径在单位时间内通过的车次总和,U2为在单个历史线路中所有相同路径在单位时间内通过的车次总和,T3为单位时间长度;
S302、在线路选择图中,搜索每条历史线路的所有路径的时长终节点,将时长终节点的时长从短到长进行排序,获得排序结果,选取排序结果的前1/3的运输时长对应的时长终节点,称为对比节点,以每个对比节点为顶点建立多边形;以历史线路的起始点和终点为端点,以多边形的中心点为路径确定点,建立虚拟路径,通过大数据技术在导航地图中搜索与所述虚拟路径的路径确定点的垂直距离最短的路径作为第一路径;
其中,时长终节点是通过时长终节点的计算公式计算出来的运输时长,用于将同一路径上的多个车次对应的不同运输时长集合为一个合理的运输时长;
S4、通过大数据技术查找并删除异常的时长终节点,对第一路径进行信息的特征提取,获得第一路径数据,通过历史车辆损耗、历史运输时长和第一路径数据训练第一路径运输时长预测模型,预测第一路径运输时长,通过对第一路径与最优路径进行运输时长长短的比较,获得最终路径。
2.根据权利要求1所述一种基于大数据的物流线路搜索方法,其特征在于,所述根据历史运输数据构建历史线路网络,对历史线路网络中的每条线路设置线路编号,通过所述历史线路网络获取历史线路的运输时长,将历史线路的不同车次与不同运输时长的时长初节点建立对应关系,包括:
S101、通过大数据搜索历史运输数据,通过所述历史运输数据构建历史线路网络,所述历史线路网络包括多条历史线路;对历史线路网络中的每条历史线路设置线路编号;
S102、每个车次的运输时长均称为时长初节点,每条历史线路的不同车次均与所述不同车次的不同时长初节点一一对应,获得时长初节点对应关系,并对每一个时长初节点对应关系设置专属运输时长关系编号。
3.根据权利要求1所述一种基于大数据的物流线路搜索方法,其特征在于,所述通过大数据技术查找并删除异常的时长终节点,对第一路径进行信息的特征提取,获得第一路径数据,通过历史车辆损耗、历史运输时长和第一路径数据训练第一路径运输时长预测模型,预测第一路径运输时长,通过对第一路径与最优路径进行运输时长长短的比较,获得最终路径,包括:
S401、通过大数据技术搜索异常运输时长,对搜索到的异常运输时长对应的时长终节点进行删除;
S402、通过大数据技术对所述第一路径进行路径信息的特征提取,获得第一路径数据,通过历史车辆损耗、历史运输时长和第一路径数据训练第一路径运输时长预测模型,通过第一路径运输时长预测模型预测第一路径运输时长;
所述第一路径运输时长预测模型的计算公式为:
其中,X为第一路径运输时长预测模型,W1、W2和W3为权重参数,H为第一路径数据,b为偏置项,K为运输时长调节系数;
其中,S为历史运输时长平均值,S1为当前行业运输时长平均值,S2为基准运输时长平均值;
S403、将第一路径与最优路径进行运输时长长短的比较,当第一路径的运输时长短于最优路径时,将第一路径设置为最终路径,当第一路径的运输时长长于最优路径时,将最优路径设置为最终路径。
4.一种基于大数据的物流线路搜索系统,其特征在于,所述系统包括:
线路网络建立模块,用于根据历史运输数据构建历史线路网络,对历史线路网络中的每条线路设置线路编号,通过所述历史线路网络获取历史线路的运输时长,将历史线路的不同车次与不同运输时长的时长初节点建立对应关系;
其中,所述时长初节点为所述历史线路的每个车次对应的运输时长;
最优路径获取模块,用于根据所述历史线路网络中的历史线路运输信息确定历史车辆损耗,通过所述历史车辆损耗获取最优路径;
其中,所述最优路径获取模块包括:
损耗计算模块,用于通过所述历史线路运输信息计算历史线路的不同车次的历史车辆损耗;所述历史线路运输信息包括运输时间、线路里程、车辆油耗和货物重量;
所述历史车辆损耗的计算公式为:
其中,N为历史车辆损耗,j为车辆停留次数,Y为车辆油耗,M为货物重量,L为线路里程,T1为实际运输时间,T2为标准总运输时间;
最优路径选择模块,用于搜寻单个历史线路的不同车次,选择不同车次中历史车辆损耗最少的车次对应的路径作为最优路径;
选择图建立模块,用于通过所述运输时长和所述历史线路的不同车次对应的路径建立线路选择图,在线路选择图中,通过运输时长获得的各个时长终节点获取第一路径;
其中,所述选择图建立模块包括:
路径建立模块,用于搜寻单个历史线路的不同车次,当多个车次对应同一个路径时,该路径为相同路径,当多个车次对应不同的路径时,该路径为不同路径,以历史线路的起始点为路径起始点,以历史线路的终点为路径终点,在每条路径的中心点设置时长终节点,建立线路选择图;
所述相同路径的时长终节点的运输时长通过相同路径运输时长计算公式计算得出,所述不同路径的时长终节点与不同路径的时长初节点相同;
每个不同路径均对应一个运输时长,每个相同路径的运输时长通过相同路径运输时长计算公式进行计算;
所述相同路径运输时长计算公式为:
其中,J为相同路径运输时长,a为相同路径在单位时间内车辆的通行次数,S4为单位时间内相同路径首个车次的运输时长,S5为单位时间内相同路径所有车次的运输时长总和,U1为相同路径在单位时间内通过的车次总和,U2为在单个历史线路中所有相同路径在单位时间内通过的车次总和,T3为单位时间长度;
第一路径获取模块,用于在线路选择图中,搜索每条历史线路的所有路径的时长终节点,将时长终节点的时长从短到长进行排序,获得排序结果,选取排序结果的前1/3的运输时长对应的时长终节点,称为对比节点,以每个对比节点为顶点建立多边形;以历史线路的起始点和终点为端点,以多边形的中心点为路径确定点,建立虚拟路径,通过大数据技术在导航地图中搜索与所述虚拟路径的路径确定点的垂直距离最短的路径作为第一路径;
其中,时长终节点是通过时长终节点的计算公式计算出来的运输时长,用于将同一路径上的多个车次对应的不同运输时长集合为一个合理的运输时长;
最终路径获取模块,用于通过大数据技术查找并删除异常的时长终节点,对第一路径进行信息的特征提取,获得第一路径数据,通过历史车辆损耗、历史运输时长和第一路径数据训练第一路径运输时长预测模型,预测第一路径运输时长,通过对第一路径与最优路径进行运输时长长短的比较,获得最终路径。
5.根据权利要求4所述一种基于大数据的物流线路搜索系统,其特征在于,所述线路网络建立模块包括:
历史线路模块,用于通过大数据搜索历史运输数据,通过所述历史运输数据构建历史线路网络,所述历史线路网络包括多条历史线路;对历史线路网络中的每条历史线路设置线路编号;
初节点获取模块,用于每个车次的运输时长均称为时长初节点,每条历史线路的不同车次均与所述不同车次的不同时长初节点一一对应,获得时长初节点对应关系,并对每一个时长初节点对应关系设置专属运输时长关系编号。
6.根据权利要求4所述一种基于大数据的物流线路搜索系统,其特征在于,所述最终路径获取模块包括:
异常删除模块,用于通过大数据技术搜索异常运输时长,对搜索到的异常运输时长对应的时长终节点进行删除;
模型计算模块,用于通过大数据技术对所述第一路径进行路径信息的特征提取,获得第一路径数据,通过历史车辆损耗、历史运输时长和第一路径数据训练第一路径运输时长预测模型,通过第一路径运输时长预测模型预测第一路径运输时长;
所述第一路径运输时长预测模型的计算公式为:
其中,X为第一路径运输时长预测模型,W1、W2和W3为权重参数,H为第一路径数据,b为偏置项,K为运输时长调节系数;
其中,S为历史运输时长平均值,S1为当前行业运输时长平均值,S2为基准运输时长平均值;
最终路径获取模块,用于将第一路径与最优路径进行运输时长长短的比较,当第一路径的运输时长短于最优路径时,将第一路径设置为最终路径,当第一路径的运输时长长于最优路径时,将最优路径设置为最终路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310971053.7A CN116681197B (zh) | 2023-08-03 | 2023-08-03 | 一种基于大数据的物流线路搜索方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310971053.7A CN116681197B (zh) | 2023-08-03 | 2023-08-03 | 一种基于大数据的物流线路搜索方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116681197A CN116681197A (zh) | 2023-09-01 |
CN116681197B true CN116681197B (zh) | 2023-10-24 |
Family
ID=87785926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310971053.7A Active CN116681197B (zh) | 2023-08-03 | 2023-08-03 | 一种基于大数据的物流线路搜索方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116681197B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117474425A (zh) * | 2023-12-11 | 2024-01-30 | 杭州米阳科技有限公司 | 一种供应链数据采集与分析方法和系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203700A (zh) * | 2016-07-11 | 2016-12-07 | 中联物流(中国)有限公司 | 物流管理系统的物流运输方案确定方法和系统 |
CN107944598A (zh) * | 2017-10-31 | 2018-04-20 | 苏宁云商集团股份有限公司 | 一种物流路径配置方法及系统 |
CN109191886A (zh) * | 2018-08-29 | 2019-01-11 | 汽解放汽车有限公司 | 一种基于大数据分析平台的车队路径规划方法 |
CN109947098A (zh) * | 2019-03-06 | 2019-06-28 | 天津理工大学 | 一种基于机器学习策略的距离优先最佳路径选择方法 |
CN110119831A (zh) * | 2018-02-07 | 2019-08-13 | 青岛农业大学 | 一种物流管理系统的运输路径优化系统及方法 |
CN111160665A (zh) * | 2019-12-31 | 2020-05-15 | 科技谷(厦门)信息技术有限公司 | 大件货物运输线路规划系统及方法 |
CN111489549A (zh) * | 2020-03-11 | 2020-08-04 | 北京交通大学 | 一种基于历史行为画像的出行车辆路径选择方法 |
CN113610453A (zh) * | 2021-06-30 | 2021-11-05 | 宁波诺丁汉大学 | 一种多运输方式联合的集装箱运输路径选择方法 |
CN116501049A (zh) * | 2023-04-27 | 2023-07-28 | 苏州庄舟智能科技有限公司 | 基于数据化最优效率的无人船路径规划系统及其方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230004931A1 (en) * | 2021-06-30 | 2023-01-05 | Transportation Ip Holdings, Llc | Systems and methods for estimating time of arrival of vehicle systems |
-
2023
- 2023-08-03 CN CN202310971053.7A patent/CN116681197B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203700A (zh) * | 2016-07-11 | 2016-12-07 | 中联物流(中国)有限公司 | 物流管理系统的物流运输方案确定方法和系统 |
CN107944598A (zh) * | 2017-10-31 | 2018-04-20 | 苏宁云商集团股份有限公司 | 一种物流路径配置方法及系统 |
CN110119831A (zh) * | 2018-02-07 | 2019-08-13 | 青岛农业大学 | 一种物流管理系统的运输路径优化系统及方法 |
CN109191886A (zh) * | 2018-08-29 | 2019-01-11 | 汽解放汽车有限公司 | 一种基于大数据分析平台的车队路径规划方法 |
CN109947098A (zh) * | 2019-03-06 | 2019-06-28 | 天津理工大学 | 一种基于机器学习策略的距离优先最佳路径选择方法 |
CN111160665A (zh) * | 2019-12-31 | 2020-05-15 | 科技谷(厦门)信息技术有限公司 | 大件货物运输线路规划系统及方法 |
CN111489549A (zh) * | 2020-03-11 | 2020-08-04 | 北京交通大学 | 一种基于历史行为画像的出行车辆路径选择方法 |
CN113610453A (zh) * | 2021-06-30 | 2021-11-05 | 宁波诺丁汉大学 | 一种多运输方式联合的集装箱运输路径选择方法 |
CN116501049A (zh) * | 2023-04-27 | 2023-07-28 | 苏州庄舟智能科技有限公司 | 基于数据化最优效率的无人船路径规划系统及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116681197A (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106156898B (zh) | 一种基于MoCD算法的商品配送路径规划方法 | |
Zhang et al. | A framework for passengers demand prediction and recommendation | |
CN110097234B (zh) | 工业卷烟运输智能调度方法及系统 | |
CN105513400A (zh) | 动态规划出行路径的方法 | |
CN110059934A (zh) | 燃油车和新能源车协同配送调度的方法 | |
CN116681197B (zh) | 一种基于大数据的物流线路搜索方法及系统 | |
Sun et al. | Dynamic path planning algorithms with load balancing based on data prediction for smart transportation systems | |
CN108062860B (zh) | 基于拥塞传播分析的道路瓶颈识别方法及其系统 | |
CN104121918A (zh) | 一种实时路径规划的方法和系统 | |
CN112466122A (zh) | 一种公交线网的备选线路集生成、线路规划方法及装置 | |
CN111260172B (zh) | 信息处理方法及系统、计算机设备 | |
CN110309962A (zh) | 基于时间扩展模型的铁路行程路线规划方法及装置 | |
JPH10240799A (ja) | 新規出店評価支援装置 | |
Zhou et al. | A scalable vehicle assignment and routing strategy for real-time on-demand ridesharing considering endogenous congestion | |
TW202107406A (zh) | 處理路線資訊 | |
CN116402420A (zh) | 用于运输车辆的智能网络管理与调度方法及系统 | |
CN110674990B (zh) | 设置滑动窗口更新机制的即时配送路径选择方法及系统 | |
CN111353625A (zh) | 一种网点件量预测方法、装置、设备及存储介质 | |
CN112990575A (zh) | 基于知识图谱的产业发展路径预测方法及其装置 | |
Sarkar et al. | Optimization of ready mixed concrete delivery for commercial batching plants of Ahmedabad, India | |
Cao et al. | Improving the performance of transportation networks: A semi-centralized pricing approach | |
WO2023000671A1 (zh) | 出行方式的推荐方法、装置、电子设备及存储介质 | |
Zhao et al. | Time-dependent vehicle routing problem of perishable product delivery considering the differences among paths on the congested road | |
CN115759347A (zh) | 一种基于特征数据的电动公交车行程能耗快速预测方法 | |
CN115099569A (zh) | 基于模糊逻辑控制器的乘客与出租车匹配方法 |
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 |