CN116720803B - 一种基于智能设备的云配送任务处理方法及系统 - Google Patents

一种基于智能设备的云配送任务处理方法及系统 Download PDF

Info

Publication number
CN116720803B
CN116720803B CN202311002651.XA CN202311002651A CN116720803B CN 116720803 B CN116720803 B CN 116720803B CN 202311002651 A CN202311002651 A CN 202311002651A CN 116720803 B CN116720803 B CN 116720803B
Authority
CN
China
Prior art keywords
distribution
order
site
delivery
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202311002651.XA
Other languages
English (en)
Other versions
CN116720803A (zh
Inventor
龙明录
李斌
李涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Lanyang Technology Co ltd
Original Assignee
Shenzhen Lanyang Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Lanyang Technology Co ltd filed Critical Shenzhen Lanyang Technology Co ltd
Priority to CN202311002651.XA priority Critical patent/CN116720803B/zh
Publication of CN116720803A publication Critical patent/CN116720803A/zh
Application granted granted Critical
Publication of CN116720803B publication Critical patent/CN116720803B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及数据处理领域，公开了一种基于智能设备的云配送任务处理方法及系统，用于提高燃气瓶配送的效率。方法包括：对多个待处理配送订单进行订单信息提取，得到目标订单信息，并将目标订单信息输入第一配送站点分布模型进行配送站点关联匹配，得到多个第一燃气瓶配送站点；进行主成分关系分析，得到主成分关系分析结果并进行订单划分，得到多个配送订单集合；构建站点智能体并进行订单负载分析，得到订单负载数据，并获取燃气瓶状态监控数据；根据订单负载数据和燃气瓶状态监控数据进行配送站点筛选，生成多个第二燃气瓶配送站点，并构建第二配送站点分布模型；进行配送路径优化，生成目标云配送任务处理结果。

Description

一种基于智能设备的云配送任务处理方法及系统
技术领域
本发明涉及数据处理领域，尤其涉及一种基于智能设备的云配送任务处理方法及系统。
背景技术
随着数字化和智能化技术的飞速发展，物流配送行业也面临着新的挑战和机遇。在传统物流配送中，燃气瓶配送作为一种特殊的配送任务，涉及到燃气安全、配送效率等方面的问题，对配送服务提出了更高的要求。
传统的燃气瓶配送通常由人工操作和调度，存在着配送效率低、成本高、资源浪费等问题。为了提高燃气瓶配送的效率和质量，以及实现更加智能化和便捷化的配送服务，基于智能设备的云配送任务处理方法应运而生。
发明内容
本发明提供了一种基于智能设备的云配送任务处理方法及系统，用于提高燃气瓶配送的效率。
本发明第一方面提供了一种基于智能设备的云配送任务处理方法，所述基于智能设备的云配送任务处理方法包括：
基于预置的云配送管理平台获取燃气瓶云配送任务，并对所述燃气瓶云配送任务进行任务订单查询，得到多个待处理配送订单；
对所述多个待处理配送订单进行订单信息提取，得到每个待处理配送订单的目标订单信息，并将所述目标订单信息输入预置的第一配送站点分布模型进行配送站点关联匹配，得到多个第一燃气瓶配送站点；
对所述目标订单信息进行主成分关系分析，得到主成分关系分析结果，并根据所述主成分关系分析结果对所述多个第一燃气瓶配送站点进行订单划分，得到多个配送订单集合；
构建每个第一燃气瓶配送站点的站点智能体，并根据所述多个配送订单集合对所述站点智能体进行订单负载分析，得到每个站点智能体的订单负载数据，并通过预置的智能设备获取每个站点智能体的燃气瓶状态监控数据；
根据所述订单负载数据和所述燃气瓶状态监控数据对每个站点智能体进行配送站点筛选，生成多个第二燃气瓶配送站点，并构建所述多个第二燃气瓶配送站点对应的第二配送站点分布模型；
对所述第二配送站点分布模型进行配送路径优化，生成目标云配送任务处理结果。
结合第一方面，在本发明第一方面的第一种实现方式中，所述基于预置的云配送管理平台获取燃气瓶云配送任务，并对所述燃气瓶云配送任务进行任务订单查询，得到多个待处理配送订单，包括：
基于预置的云配送管理平台获取燃气瓶云配送任务，并对所述燃气瓶云配送任务进行任务解析和任务拆分，得到多个子云配送任务；
对所述多个子云配送任务进行任务数据解析，得到多个第一订单数据，并对所述多个第一订单数据进行特征数据处理，得到多个第二订单数据；
将所述多个第二订单数据输入预置的订单分析模型进行订单取消概率预测，得到每个第二订单数据的取消概率值；
根据所述取消概率值和预置概率预置，对所述第二订单数据进行订单分类，得到多个待处理配送订单。
结合第一方面，在本发明第一方面的第二种实现方式中，所述对所述多个待处理配送订单进行订单信息提取，得到每个待处理配送订单的目标订单信息，并将所述目标订单信息输入预置的第一配送站点分布模型进行配送站点关联匹配，得到多个第一燃气瓶配送站点，包括：
设置订单配送位置对应的第一标识字段，并设置订单优先级对应的第二标识字段；
对所述多个待处理配送订单与所述第一标识字段进行字段匹配，得到每个待处理配送订单的第一字段匹配结果，并对所述多个待处理配送订单与所述第二标识字段进行字段匹配，得到每个待处理配送订单的第二字段匹配结果；
根据每个待处理配送订单的第一字段匹配结果和第二字段匹配结果生成对应的目标订单信息；
通过所述云配送管理平台对所述燃气瓶云配送任务进行订单区域划分，得到目标订单区域，并获取所述目标订单区域中的多个第一燃气瓶配送站点，以及根据所述多个第一燃气瓶配送站点构建对应的第一配送站点分布模型
根据所述目标订单信息中的订单配送位置生成第一站点匹配规则，以及根据所述目标订单信息中的订单优先级生成第二站点匹配规则；
根据所述第一站点匹配规则和所述第二站点匹配规则，对所述第一配送站点分布模型进行配送站点关联匹配，得到多个第一燃气瓶配送站点。
结合第一方面，在本发明第一方面的第三种实现方式中，所述对所述目标订单信息进行主成分关系分析，得到主成分关系分析结果，并根据所述主成分关系分析结果对所述多个第一燃气瓶配送站点进行订单划分，得到多个配送订单集合，包括：
对所述燃气瓶云配送任务进行任务特征提取，得到多个任务特征，并对所述目标订单信息进行订单特征提取，得到多个订单特征；
对所述多个任务特征进行特征映射，得到多个第一特征映射值，并对所述多个订单特征进行特征映射，得到多个第二特征映射值；
构建所述多个第一特征映射值和所述多个第二特征映射值的协方差矩阵，并对所述协方差矩阵进行特征降维和主成分提取，得到主成分关系分析结果；
根据所述主成分关系分析结果对所述多个第一燃气瓶配送站点进行订单划分，得到多个配送订单集合。
结合第一方面，在本发明第一方面的第四种实现方式中，所述构建每个第一燃气瓶配送站点的站点智能体，并根据所述多个配送订单集合对所述站点智能体进行订单负载分析，得到每个站点智能体的订单负载数据，并通过预置的智能设备获取每个站点智能体的燃气瓶状态监控数据，包括：
构建每个第一燃气瓶配送站点的站点智能体，得到多个站点智能体；
基于预设的流量平衡模型，对所述多个配送订单集合进行订单量分析，得到订单量分析数据；
基于所述订单量分析数据分别计算所述站点智能体的订单配置数据；
根据所述订单配置数据对所述站点智能体进行订单负载分析，得到每个站点智能体的订单负载数据；
通过预置的智能设备获取每个站点智能体的燃气瓶状态监控数据，其中，所述燃气瓶状态监控数据包括燃气瓶的存量、使用情况及剩余容量。
结合第一方面，在本发明第一方面的第五种实现方式中，所述根据所述订单负载数据和所述燃气瓶状态监控数据对每个站点智能体进行配送站点筛选，生成多个第二燃气瓶配送站点，并构建所述多个第二燃气瓶配送站点对应的第二配送站点分布模型，包括：
对所述订单负载数据进行向量编码，得到每个站点智能体的第一编码向量；
对所述燃气瓶状态监控数据进行向量转换，得到每个站点智能体的第二编码向量；
对所述第一编码向量和所述第二编码向量进行向量融合，得到每个站点智能体的目标编码向量；
将所述目标编码向量输入预置的智能体分析网络进行网络参数计算，得到目标参数数据；
根据所述目标参数数据对所述站点智能体进行筛选，得到配送站点筛选结果，并根据所述配送站点筛选结果，生成多个第二燃气瓶配送站点；
通过所述多个第二燃气瓶配送站点对所述第一配送站点分布模型进行分布更新，生成对应的第二配送站点分布模型。
结合第一方面，在本发明第一方面的第六种实现方式中，所述对所述第二配送站点分布模型进行配送路径优化，生成目标云配送任务处理结果，包括：
获取所述第二配送站点分布模型中的多个分布节点和多个分布边，并根据所述多个分布节点和所述多个分布边设置路径约束条件；
根据所述路径约束条件，对初始路径图分析模型进行参数优化，得到目标路径图分析模型；
通过所述目标路径图分析模型对所述第二配送站点分布模型进行最优路径规划，得到最优路径规划数据；
根据所述最优路径规划数据生成对应的目标云配送任务处理结果。
本发明第二方面提供了一种基于智能设备的云配送任务处理系统，所述基于智能设备的云配送任务处理系统包括：
获取模块，用于基于预置的云配送管理平台获取燃气瓶云配送任务，并对所述燃气瓶云配送任务进行任务订单查询，得到多个待处理配送订单；
匹配模块，用于对所述多个待处理配送订单进行订单信息提取，得到每个待处理配送订单的目标订单信息，并将所述目标订单信息输入预置的第一配送站点分布模型进行配送站点关联匹配，得到多个第一燃气瓶配送站点；
划分模块，用于对所述目标订单信息进行主成分关系分析，得到主成分关系分析结果，并根据所述主成分关系分析结果对所述多个第一燃气瓶配送站点进行订单划分，得到多个配送订单集合；
分析模块，用于构建每个第一燃气瓶配送站点的站点智能体，并根据所述多个配送订单集合对所述站点智能体进行订单负载分析，得到每个站点智能体的订单负载数据，并通过预置的智能设备获取每个站点智能体的燃气瓶状态监控数据；
构建模块，用于根据所述订单负载数据和所述燃气瓶状态监控数据对每个站点智能体进行配送站点筛选，生成多个第二燃气瓶配送站点，并构建所述多个第二燃气瓶配送站点对应的第二配送站点分布模型；
生成模块，用于对所述第二配送站点分布模型进行配送路径优化，生成目标云配送任务处理结果。
本发明第三方面提供了一种基于智能设备的云配送任务处理设备，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，以使得所述基于智能设备的云配送任务处理设备执行上述的基于智能设备的云配送任务处理方法。
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基于智能设备的云配送任务处理方法。
本发明提供的技术方案中，对多个待处理配送订单进行订单信息提取，得到目标订单信息，并将目标订单信息输入第一配送站点分布模型进行配送站点关联匹配，得到多个第一燃气瓶配送站点；进行主成分关系分析，得到主成分关系分析结果并进行订单划分，得到多个配送订单集合；构建站点智能体并进行订单负载分析，得到订单负载数据，并获取燃气瓶状态监控数据；根据订单负载数据和燃气瓶状态监控数据进行配送站点筛选，生成多个第二燃气瓶配送站点，并构建第二配送站点分布模型；进行配送路径优化，生成目标云配送任务处理结果，本发明通过智能调度和路径优化，配送任务能够更加高效地分配给合适的配送站点和车辆，减少空驶和重复配送，从而提高配送效率。通过实时监控燃气瓶状态和配送过程，可以确保燃气瓶的安全运输和准确配送，提升配送质量，并且结合配送站点的筛选、订单优先级的确定等，提高配送管理水平，此外，采用云配送管理平台可以实时监控配送任务和站点状况，及时响应异常情况，实现对配送过程的实时管理和调整，进而提高了燃气瓶配送的效率。
附图说明
图1为本发明实施例中基于智能设备的云配送任务处理方法的一个实施例示意图；
图2为本发明实施例中主成分关系分析的流程图；
图3为本发明实施例中订单负载分析的流程图；
图4为本发明实施例中配送站点筛选的流程图；
图5为本发明实施例中基于智能设备的云配送任务处理系统的一个实施例示意图；
图6为本发明实施例中基于智能设备的云配送任务处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基于智能设备的云配送任务处理方法及系统，用于提高燃气瓶配送的效率。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，本发明实施例中基于智能设备的云配送任务处理方法的一个实施例包括：
S101、基于预置的云配送管理平台获取燃气瓶云配送任务，并对燃气瓶云配送任务进行任务订单查询，得到多个待处理配送订单；
可以理解的是，本发明的执行主体可以为基于智能设备的云配送任务处理系统，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，建立一个预置的云配送管理平台，用于管理和调度燃气瓶的配送任务。该平台应具备任务接收、解析、拆分、数据解析、特征处理、概率预测和订单分类等功能。平台从外部或其他系统接收燃气瓶云配送任务，对任务进行解析，确定任务的属性和子任务数量。然后将任务拆分成多个子云配送任务，以便进行更细粒度的处理。对每个子任务的数据进行解析，提取关键信息，如目标地点、配送时间、燃气瓶数量等。对每个子任务的订单数据进行特征处理，包括数据清洗、转换、标准化等，以便后续的概率预测和分类分析。利用预置的订单分析模型，输入处理后的特征数据，并进行订单取消概率预测。该模型可以是机器学习模型或其他预测算法，用于估计每个订单被取消的概率。根据预测的取消概率值和预置的概率阈值，将订单进行分类，可以分为高风险取消订单、低风险取消订单和不可取消订单等。例如，假设云配送管理平台收到一个燃气瓶配送任务，其中包含两个子任务：子任务1需要将5个燃气瓶配送至A区域，明天上午9点；子任务2需要将10个燃气瓶配送至B区域，后天上午10点。平台对这两个子任务的订单数据进行特征处理，然后使用预置的模型进行订单取消概率预测。结果显示，子任务1的取消概率为0.15，而子任务2的取消概率为0.85。根据预置的概率阈值，平台将子任务1划分为低风险取消订单，子任务2划分为高风险取消订单。最终，平台会优先处理低风险取消订单，确保高风险取消订单对整体配送计划的影响降到最低。
S102、对多个待处理配送订单进行订单信息提取，得到每个待处理配送订单的目标订单信息，并将目标订单信息输入预置的第一配送站点分布模型进行配送站点关联匹配，得到多个第一燃气瓶配送站点；
具体的，对每个待处理配送订单进行订单信息提取，提取的信息包括订单配送位置和订单优先级。为了方便后续的配送站点关联匹配，需要设置订单配送位置对应的第一标识字段和订单优先级对应的第二标识字段。将每个待处理配送订单的第一标识字段与预置的第一配送站点分布模型中的配送位置进行字段匹配。这将得到每个待处理配送订单的第一字段匹配结果。将每个待处理配送订单的第二标识字段与预置的第一配送站点分布模型中的优先级字段进行字段匹配。这将得到每个待处理配送订单的第二字段匹配结果。根据每个待处理配送订单的第一字段匹配结果和第二字段匹配结果，生成对应的目标订单信息。目标订单信息包括每个订单应该分配到的第一燃气瓶配送站点的位置和优先级。通过云配送管理平台对燃气瓶云配送任务进行订单区域划分，得到目标订单区域。在目标订单区域中，有多个第一燃气瓶配送站点可供选择。所以，需要获取目标订单区域中的多个第一燃气瓶配送站点，并根据这些站点构建对应的第一配送站点分布模型。根据目标订单信息中的订单配送位置，生成第一站点匹配规则。这些规则可以根据实际情况制定，例如，如果订单的配送位置属于某个特定区域，那么将其分配到距离最近的第一燃气瓶配送站点。根据目标订单信息中的订单优先级，生成第二站点匹配规则。这些规则可以根据实际情况制定，例如，如果订单的优先级为高，那么将其分配到有更多资源和更高效率的第一燃气瓶配送站点。根据第一站点匹配规则和第二站点匹配规则，对预置的第一配送站点分布模型进行配送站点关联匹配。这将得到多个第一燃气瓶配送站点，它们与目标订单信息中的订单配送位置和优先级相匹配。例如，假设云配送管理平台接收了三个待处理配送订单，订单信息如下：订单1：配送位置-区域A，优先级-高；订单2：配送位置-区域B，优先级-中；订单3：配送位置-区域C，优先级-低。对这三个订单进行订单信息提取，并设置第一标识字段和第二标识字段。根据预置的第一配送站点分布模型，将订单1分配到第一燃气瓶配送站点A，订单2分配到第一燃气瓶配送站点B，订单3分配到第一燃气瓶配送站点C。根据第一站点匹配规则和第二站点匹配规则，对第一配送站点分布模型进行配送站点关联匹配。假设根据规则，高优先级的订单优先选择距离最近的站点，中优先级订单其次，低优先级订单再次。根据这样的规则，的配送站点分配如下：订单1：分配到第一燃气瓶配送站点A；订单2：分配到第一燃气瓶配送站点B；订单3：分配到第一燃气瓶配送站点C。通过这样的配送站点关联匹配，每个订单都被分配到与其配送位置和优先级相匹配的第一燃气瓶配送站点，从而实现了配送任务的优化和智能化处理。
S103、对目标订单信息进行主成分关系分析，得到主成分关系分析结果，并根据主成分关系分析结果对多个第一燃气瓶配送站点进行订单划分，得到多个配送订单集合；
需要说明的是，对燃气瓶云配送任务进行任务特征提取，得到多个任务特征。这些任务特征可以包括任务的地理位置、配送时间、任务类型等信息。接着，对目标订单信息进行订单特征提取，得到多个订单特征。订单特征包括订单的配送位置、燃气瓶数量、优先级等信息。对多个任务特征进行特征映射，得到多个第一特征映射值。特征映射可以是一种降维技术，将多维的任务特征映射到一个较低维度的向量空间中。同样地，对多个订单特征进行特征映射，得到多个第二特征映射值。这将把多维的订单特征映射到另一个较低维度的向量空间中。构建多个第一特征映射值和多个第二特征映射值的协方差矩阵。协方差矩阵反映了不同特征之间的相关性和变化趋势。对协方差矩阵进行特征降维和主成分提取，得到主成分关系分析结果。这将帮助服务器找到任务特征和订单特征中最重要的主要成分，从而更好地理解它们之间的关系。根据主成分关系分析结果，对多个第一燃气瓶配送站点进行订单划分，得到多个配送订单集合。这里采用聚类或者其他算法，根据主成分关系将具有相似特征的订单归类到同一配送站点中。例如，假设云配送管理平台收到一组燃气瓶云配送任务，其中包含三个订单，订单信息如下：订单1：配送位置-区域A，燃气瓶数量-5个，优先级-高；订单2：配送位置-区域B，燃气瓶数量-10个，优先级-中；订单3：配送位置-区域C，燃气瓶数量-8个，优先级-低。对这三个订单进行订单特征提取，提取的特征包括配送位置、燃气瓶数量和优先级。对这三个订单的特征进行特征映射，得到三个订单的第二特征映射值。这里为了简化示例，假设特征映射后得到以下结果：订单1的第二特征映射值：[0.8,0.3,0.9]；订单2的第二特征映射值：[0.4,0.6,0.5]；订单3的第二特征映射值：[0.2,0.1,0.4]。接着，构建第一特征映射值和第二特征映射值的协方差矩阵，以及进行特征降维和主成分提取。假设主成分关系分析结果显示，第一主成分与燃气瓶数量和优先级相关，第二主成分与配送位置相关。这说明燃气瓶数量和优先级在订单特征中具有较高的权重，而配送位置在任务特征中较为突出。根据主成分关系分析结果，可以对第一燃气瓶配送站点进行订单划分。由于订单1的第一特征映射值较大，表明其在主成分关系中与任务特征更为相关。因此，将订单1分配到第一燃气瓶配送站点。订单2和订单3在主成分关系中与任务特征关联较小，所以将它们分配到其他第一燃气瓶配送站点。通过这样的主成分关系分析和订单划分过程，可以实现对燃气瓶配送任务的优化管理，将相似特征的订单分配到同一配送站点，提高配送效率和服务质量。
S104、构建每个第一燃气瓶配送站点的站点智能体，并根据多个配送订单集合对站点智能体进行订单负载分析，得到每个站点智能体的订单负载数据，并通过预置的智能设备获取每个站点智能体的燃气瓶状态监控数据；
具体的，为每个第一燃气瓶配送站点构建一个站点智能体。站点智能体是一个虚拟的实体，用于模拟和管理该配送站点的运营情况。每个站点智能体可以具备一些智能决策能力，例如根据订单情况进行配送计划优化。基于预设的流量平衡模型，对多个配送订单集合进行订单量分析，得到订单量分析数据。这将帮助判断不同站点的订单量情况，从而进行后续的订单负载分析和调度优化。基于订单量分析数据，计算每个站点智能体的订单配置数据。订单配置数据可以包括每个站点能够处理的订单数量、配送时间窗口、燃气瓶库存情况等信息。站点智能体就可以知道自己应该承担多少订单，并在合理的范围内进行配送计划。对每个站点智能体进行订单负载分析，得到每个站点智能体的订单负载数据。这将告诉站点智能体当前的订单处理情况，是否存在过载或低负载的情况。通过这些数据，站点智能体可以进行配送计划的调整和优化，以保持良好的运营状态。通过预置的智能设备获取每个站点智能体的燃气瓶状态监控数据。燃气瓶状态监控数据可以包括燃气瓶的存量、使用情况和剩余容量等信息。这将帮助站点智能体了解当前燃气瓶的情况，以便在配送计划中考虑燃气瓶的补充和替换。例如，假设有三个第一燃气瓶配送站点：站点A、站点B和站点C。系统为每个站点构建了相应的站点智能体。根据预设的流量平衡模型，分析了一段时间内的订单量情况，得到以下订单量分析数据：站点A订单量：20个、站点B订单量：30个、站点C订单量：15个。基于订单量分析数据，计算每个站点智能体的订单配置数据，例如，设置站点A可以处理20个订单，站点B可以处理30个订单，站点C可以处理15个订单。同时，设置每个站点的配送时间窗口，以便有效地进行配送。随后，站点智能体根据订单配置数据对每个站点的订单负载进行分析。出现站点A负载较轻，站点B负载适中，站点C负载较重的情况。同时，通过预置的智能设备，站点智能体获取燃气瓶状态监控数据，例如，站点A的燃气瓶库存充足，站点B的燃气瓶剩余容量较低，站点C的燃气瓶存量紧张。基于订单负载数据和燃气瓶状态监控数据，站点智能体可以进行相应的决策和调整，例如，将一部分订单从站点C调度到站点A，以平衡订单负载和保证燃气瓶库存充足。
S105、根据订单负载数据和燃气瓶状态监控数据对每个站点智能体进行配送站点筛选，生成多个第二燃气瓶配送站点，并构建多个第二燃气瓶配送站点对应的第二配送站点分布模型；
具体的，对订单负载数据进行向量编码。将每个站点智能体的订单负载数据转化为数值向量表示。例如，可以使用最近一段时间内的订单数量、配送时间窗口、优先级等信息构成向量编码，得到每个站点智能体的第一编码向量。其次，对燃气瓶状态监控数据进行向量转换。将每个站点智能体的燃气瓶状态监控数据转化为数值向量表示。例如，可以包括燃气瓶库存量、使用情况、剩余容量等信息构成向量编码，得到每个站点智能体的第二编码向量。将第一编码向量和第二编码向量进行向量融合。可以使用加权平均或其他融合方法，将两个向量融合成一个目标编码向量。目标编码向量包含了订单负载和燃气瓶状态信息的综合特征。将目标编码向量输入预置的智能体分析网络进行网络参数计算。智能体分析网络可以是一个神经网络或其他机器学习模型。通过智能体分析网络，得到目标参数数据，这些数据反映了每个站点智能体的适应性和优势程度。根据目标参数数据对站点智能体进行筛选。目标参数数据可以作为评估指标，用于衡量每个站点智能体的性能和适应能力。通过筛选，得到配送站点筛选结果，即选出适合作为第二燃气瓶配送站点的站点智能体。根据配送站点筛选结果，从原先的第一燃气瓶配送站点中选择适合作为第二燃气瓶配送站点的智能体，形成多个第二燃气瓶配送站点。通过多个第二燃气瓶配送站点，对原先的第一配送站点分布模型进行更新和调整，形成对应的第二配送站点分布模型。更新后的分布模型可以更好地反映新的配送站点布局和优化方案。例如，假设有三个第一燃气瓶配送站点：站点A、站点B和站点C。服务器收集了它们的订单负载数据和燃气瓶状态监控数据。站点A的订单负载数据：订单数量高，配送时间窗口较宽，优先级高。站点A的燃气瓶状态监控数据：库存量较大，剩余容量充足。站点B的订单负载数据：订单数量中等，配送时间窗口适中，优先级中等。站点B的燃气瓶状态监控数据：库存量较大，剩余容量一般。站点C的订单负载数据：订单数量较低，配送时间窗口较窄，优先级低。站点C的燃气瓶状态监控数据：库存量紧张，剩余容量较小。通过向量编码和向量转换，服务器得到每个站点智能体的第一编码向量和第二编码向量。例如，站点A的目标编码向量是[0.8,0.9]，反映了订单负载较大和燃气瓶状态充足的特征。站点B的目标编码向量是[0.5,0.6]，反映了订单负载适中和燃气瓶状态一般的特征。站点C的目标编码向量是[0.3,0.2]，反映了订单负载较小和燃气瓶状态紧张的特征。服务器将目标编码向量输入智能体分析网络进行网络参数计算。假设智能体分析网络根据目标参数数据分别给出站点A的适应性得分为0.9，站点B的适应性得分为0.7，站点C的适应性得分为0.5。根据适应性得分进行筛选，服务器选择适应性较高的站点A和站点B作为第二燃气瓶配送站点。通过对原先的第一配送站点分布模型进行更新，形成对应的第二配送站点分布模型，这样服务器就得到了多个第二燃气瓶配送站点，并优化了配送站点的布局和方案。
S106、对第二配送站点分布模型进行配送路径优化，生成目标云配送任务处理结果。
具体的，获取多个分布节点和分布边后，根据实际情况设置路径约束条件。这些约束条件可以包括配送站点之间的最大距离限制、配送车辆的最大载重量、配送时间窗口等。这些约束条件有助于确保路径规划的合理性和可行性。根据设定的路径约束条件，对初始路径图分析模型进行参数优化。路径图分析模型可以是一个图论算法，如Dijkstra算法，或者是其他优化算法。通过参数优化，得到目标路径图分析模型，该模型可以更好地反映配送任务的特点和约束条件。利用目标路径图分析模型，对第二配送站点分布模型进行最优路径规划。通过有效的算法和优化技术，找到满足约束条件的最优路径，使得配送车辆能够高效地在各个配送站点之间进行运输，并且满足时间和容量等限制。根据最优路径规划数据，生成对应的目标云配送任务处理结果。这些结果可以包括每个配送车辆的行驶路线、配送站点的访问顺序、配送时间等信息。同时，可以将这些结果输出到智能设备或云配送管理平台，使得配送任务能够实时跟踪和监控。例如，假设有一个燃气公司需要配送燃气瓶到不同的客户家中。公司有多个配送站点，每个站点负责一定范围内的客户配送。在每天早上，公司需要根据当天的订单量和客户位置进行配送路径规划。根据当天的订单数据和客户位置，构建第二配送站点分布模型，其中包括多个分布节点和分布边，表示各个配送站点之间的距离和连接关系。根据配送车辆的最大载重量和配送时间窗口等限制，设置路径约束条件。例如，每辆配送车的最大载重量不能超过一定数值，每个客户的配送时间窗口必须在一定范围内。通过路径图分析模型进行参数优化，得到目标路径图分析模型。这个模型能够考虑到各个站点之间的距离和配送限制，从而更准确地进行路径规划。利用目标路径图分析模型，进行最优路径规划。本实施例中，优化的目标是使得配送车辆行驶距离最短，同时满足所有客户的配送时间窗口和车辆的载重限制。根据最优路径规划数据，生成目标云配送任务处理结果。这些结果可以包括每辆配送车的行驶路线，每个客户的配送时间，以及配送车辆的载重情况等信息。通过这些结果，公司可以高效地进行配送任务，节省成本，提升配送效率，并提供更好的服务体验给客户。
本发明实施例中，对多个待处理配送订单进行订单信息提取，得到目标订单信息，并将目标订单信息输入第一配送站点分布模型进行配送站点关联匹配，得到多个第一燃气瓶配送站点；进行主成分关系分析，得到主成分关系分析结果并进行订单划分，得到多个配送订单集合；构建站点智能体并进行订单负载分析，得到订单负载数据，并获取燃气瓶状态监控数据；根据订单负载数据和燃气瓶状态监控数据进行配送站点筛选，生成多个第二燃气瓶配送站点，并构建第二配送站点分布模型；进行配送路径优化，生成目标云配送任务处理结果，本发明通过智能调度和路径优化，配送任务能够更加高效地分配给合适的配送站点和车辆，减少空驶和重复配送，从而提高配送效率。通过实时监控燃气瓶状态和配送过程，可以确保燃气瓶的安全运输和准确配送，提升配送质量，并且结合配送站点的筛选、订单优先级的确定等，提高配送管理水平，此外，采用云配送管理平台可以实时监控配送任务和站点状况，及时响应异常情况，实现对配送过程的实时管理和调整，进而提高了燃气瓶配送的效率。
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）基于预置的云配送管理平台获取燃气瓶云配送任务，并对燃气瓶云配送任务进行任务解析和任务拆分，得到多个子云配送任务；
（2）对多个子云配送任务进行任务数据解析，得到多个第一订单数据，并对多个第一订单数据进行特征数据处理，得到多个第二订单数据；
（3）将多个第二订单数据输入预置的订单分析模型进行订单取消概率预测，得到每个第二订单数据的取消概率值；
（4）根据取消概率值和预置概率预置，对第二订单数据进行订单分类，得到多个待处理配送订单。
具体的，服务器从预置的云配送管理平台获取燃气瓶云配送任务。这些任务包括一系列需要配送的燃气瓶订单，每个订单涉及不同的客户地址、配送时间窗口、燃气瓶数量等信息。对燃气瓶云配送任务进行任务解析和拆分，将大的配送任务拆分成多个子云配送任务。这个步骤考虑到各个任务的时效性、客户位置、燃气瓶种类等因素，确保每个子任务的配送工作能够在合理的时间内完成，提高配送效率。对多个子云配送任务进行任务数据解析，将每个子任务的订单数据提取出来。得到多个第一订单数据，每个第一订单数据代表一个子任务所涉及的燃气瓶订单信息。接着，对多个第一订单数据进行特征数据处理，包括数据清洗、特征提取、标准化等步骤。这些处理将确保每个子任务的数据都具有一致性和可用性，为后续的订单分类和取消概率预测做准备。将多个第二订单数据输入预置的订单分析模型进行订单取消概率预测。订单分析模型是一个机器学习模型，它根据历史数据和特征数据，对每个第二订单数据进行预测，得到其取消概率值。取消概率值表示该订单被取消的概率，用于后续订单分类和处理决策。根据取消概率值和预置概率阈值，对第二订单数据进行订单分类。如果取消概率值高于预置阈值，则将该订单标记为会取消的订单，需要特殊处理。如果取消概率值低于预置阈值，则将该订单标记为正常订单，可以继续进行配送。例如，假设云配送管理平台收到一批燃气瓶配送任务，其中包括三个子任务：任务A、任务B和任务C。任务A涉及到客户甲和客户乙的燃气瓶配送，任务B涉及到客户丙和客户丁的配送，任务C涉及到客户戊和客户己的配送。服务器对任务A进行数据解析，得到第一订单数据：订单1：客户甲，配送时间窗口：9:00-12:00，燃气瓶数量：5个；订单2：客户乙，配送时间窗口：10:00-14:00，燃气瓶数量：3个。然后对任务B进行数据解析，得到第一订单数据：订单3：客户丙，配送时间窗口：8:00-11:00，燃气瓶数量：2个；订单4：客户丁，配送时间窗口：13:00-17:00，燃气瓶数量：4个。最后对任务C进行数据解析，得到第一订单数据：订单5：客户戊，配送时间窗口：11:30-14:30，燃气瓶数量：1个；订单6：客户己，配送时间窗口：15:00-18:00，燃气瓶数量：2个。接着，对第一订单数据进行特征处理，将每个订单的特征数据提取出来，例如配送时间窗口的时间段、燃气瓶数量的归一化处理等。然后将特征处理后的第二订单数据输入订单分析模型进行订单取消概率预测。假设模型预测得到以下结果：订单1：取消概率0.1（低于阈值，正常订单）；订单2：取消概率0.8（高于阈值，会取消）；订单3：取消概率0.3（低于阈值，正常订单）；订单4：取消概率0.2（低于阈值，正常订单）；订单5：取消概率0.9（高于阈值，会取消）；订单6：取消概率0.6（高于阈值，会取消）。根据取消概率值和预置概率阈值（假设阈值设为0.5），服务器对第二订单数据进行订单分类：正常订单：订单1、订单3、订单4；会取消的订单：订单2、订单5、订单6。服务器成功将多个子云配送任务拆分成多个第二订单数据，并根据取消概率进行了订单分类，方便后续的配送任务处理。
在一具体实施例中，执行步骤S102的过程可以具体包括如下步骤：
（1）设置订单配送位置对应的第一标识字段，并设置订单优先级对应的第二标识字段；
（2）对多个待处理配送订单与第一标识字段进行字段匹配，得到每个待处理配送订单的第一字段匹配结果，并对多个待处理配送订单与第二标识字段进行字段匹配，得到每个待处理配送订单的第二字段匹配结果；
（3）根据每个待处理配送订单的第一字段匹配结果和第二字段匹配结果生成对应的目标订单信息；
（4）通过云配送管理平台对燃气瓶云配送任务进行订单区域划分，得到目标订单区域，并获取目标订单区域中的多个第一燃气瓶配送站点，以及根据多个第一燃气瓶配送站点构建对应的第一配送站点分布模型
（5）根据目标订单信息中的订单配送位置生成第一站点匹配规则，以及根据目标订单信息中的订单优先级生成第二站点匹配规则；
（6）根据第一站点匹配规则和第二站点匹配规则，对第一配送站点分布模型进行配送站点关联匹配，得到多个第一燃气瓶配送站点。
具体的，针对待处理配送订单，设置订单配送位置对应的第一标识字段和订单优先级对应的第二标识字段。这些标识字段可以用于标记订单的特定信息，方便后续的匹配和处理。对多个待处理配送订单与第一标识字段进行字段匹配，得到每个订单的第一字段匹配结果。同时，对多个待处理配送订单与第二标识字段进行字段匹配，得到每个订单的第二字段匹配结果。这些匹配结果将反映订单的位置和优先级信息。根据每个待处理配送订单的第一字段匹配结果和第二字段匹配结果，生成对应的目标订单信息。目标订单信息包含了每个订单的配送位置和优先级，为后续的站点匹配提供依据。通过云配送管理平台对燃气瓶云配送任务进行订单区域划分，得到目标订单区域。在这个区域内，有多个第一燃气瓶配送站点，它们负责处理该区域内的配送任务。根据这些配送站点，构建对应的第一配送站点分布模型。这个分布模型可以反映站点的位置和分布情况。根据目标订单信息中的订单配送位置生成第一站点匹配规则，以及根据目标订单信息中的订单优先级生成第二站点匹配规则。这些匹配规则包括规定优先级高的订单应该分配给距离更近的站点，或者考虑站点的配送能力来匹配订单。根据第一站点匹配规则和第二站点匹配规则，对第一配送站点分布模型进行配送站点关联匹配。通过算法和模型，将待处理订单合理地分配给第一燃气瓶配送站点，确保每个站点可以高效地处理自己负责的订单。就得到了多个第一燃气瓶配送站点。例如，假设有一个城市的燃气公司，服务器收到了一批燃气瓶的配送任务。这些任务分布在整个城市的不同区域，每个订单有不同的配送地址和优先级。现在需要将这些订单合理地分配给第一燃气瓶配送站点，以确保配送的高效性和满足优先级要求。每个订单都带有配送地址和优先级信息。这些信息被设置为订单配送位置对应的第一标识字段和订单优先级对应的第二标识字段。对每个订单进行字段匹配，得到第一字段匹配结果和第二字段匹配结果。例如，订单A的第一字段匹配结果是区域A，第二字段匹配结果是优先级高。接着，根据匹配结果，生成目标订单信息。例如，订单A的目标订单信息包括配送到区域A的地址，并且优先级较高。通过云配送管理平台，将城市划分成不同的配送区域，并得到目标订单区域。在目标订单区域内，有多个第一燃气瓶配送站点，这些站点位于不同的区域。根据目标订单信息中的订单配送位置生成第一站点匹配规则，比如规定订单应该分配给所属区域内的站点。再根据目标订单信息中的订单优先级生成第二站点匹配规则，比如规定优先级高的订单应该分配给距离更近的站点。根据站点匹配规则，对第一配送站点分布模型进行配送站点关联匹配。订单A根据规则被分配给了区域A内的第一燃气瓶配送站点。
在一具体实施例中，如图2所示，执行步骤S103的过程可以具体包括如下步骤：
S201、对燃气瓶云配送任务进行任务特征提取，得到多个任务特征，并对目标订单信息进行订单特征提取，得到多个订单特征；
S202、对多个任务特征进行特征映射，得到多个第一特征映射值，并对多个订单特征进行特征映射，得到多个第二特征映射值；
S203、构建多个第一特征映射值和多个第二特征映射值的协方差矩阵，并对协方差矩阵进行特征降维和主成分提取，得到主成分关系分析结果；
S204、根据主成分关系分析结果对多个第一燃气瓶配送站点进行订单划分，得到多个配送订单集合。
具体的，对燃气瓶云配送任务进行任务特征提取。这些任务特征包括每个任务的配送区域、任务的时效性、任务涉及的燃气瓶种类、任务的紧急程度等信息。对于每个任务，提取相应的特征值，形成多个任务特征。接着，对目标订单信息进行订单特征提取。目标订单信息包含了每个订单的配送位置、订单的优先级、配送时间窗口等信息。对于每个订单，提取相应的特征值，形成多个订单特征。对多个任务特征进行特征映射。特征映射是将高维度的任务特征映射到低维度的特征空间，以减少计算复杂性和提取更重要的特征。通过特征映射，得到多个第一特征映射值。对多个订单特征进行特征映射。同样地，特征映射将订单特征映射到低维度的特征空间，得到多个第二特征映射值。构建多个第一特征映射值和多个第二特征映射值的协方差矩阵。协方差矩阵用于衡量不同特征之间的相关性。通过计算协方差矩阵，可以获得任务特征和订单特征之间的关系。对协方差矩阵进行特征降维和主成分提取。主成分分析（PCA）是一种常用的降维技术，它可以从协方差矩阵中提取最重要的主成分，将高维度数据降低到较低维度的空间。通过PCA，得到主成分关系分析结果，这些主成分代表了任务特征和订单特征的主要关系。根据主成分关系分析结果对多个第一燃气瓶配送站点进行订单划分。根据主成分的重要程度，将任务特征和订单特征进行组合，形成多个配送订单集合。每个集合包含相似特征的订单，这些订单可以在同一个第一燃气瓶配送站点处理，从而提高配送效率。例如，假设一个燃气公司收到了一批燃气瓶的配送任务。任务特征包括任务的配送区域（城市不同区域）、任务的时效性（早上、下午、晚上）、任务涉及的燃气瓶种类（标准型、大型、小型）、任务的紧急程度（紧急、普通）等。订单特征包括每个订单的配送位置（地址）、订单的优先级（高、中、低）、配送时间窗口等。对于任务1，它的任务特征是：配送区域为城市A，时效性为早上，涉及的燃气瓶种类为标准型，紧急程度为紧急。对于任务2，它的任务特征是：配送区域为城市B，时效性为下午，涉及的燃气瓶种类为大型，紧急程度为普通。对于订单A，它的订单特征是：配送位置在城市A的街道1号，优先级为高，配送时间窗口为8:00-10:00。对于订单B，它的订单特征是：配送位置在城市B的街道2号，优先级为中，配送时间窗口为14:00-16:00。通过特征映射和PCA分析，服务器得到主成分关系分析结果。假设任务特征和订单特征分别映射到了二维的特征空间，并通过PCA得到两个主成分。主成分1代表时效性和紧急程度的重要性，主成分2代表配送区域和燃气瓶种类的重要性。根据主成分关系分析结果，服务器将任务1和订单A划分到配送订单集合1，因为它们在特征空间中比较接近，都注重紧急程度。同时，任务2和订单B可以划分到配送订单集合2，因为它们在特征空间中比较接近，都涉及大型燃气瓶且优先级较低。通过这样的划分，服务器成功地将多个第一燃气瓶配送站点进行了订单划分，实现了任务特征和订单特征之间的关联，提高了配送效率和满足了不同订单的优先级要求。
在一具体实施例中，如图3所示，执行步骤S104的过程可以具体包括如下步骤：
S301、构建每个第一燃气瓶配送站点的站点智能体，得到多个站点智能体；
S302、基于预设的流量平衡模型，对多个配送订单集合进行订单量分析，得到订单量分析数据；
S303、基于订单量分析数据分别计算站点智能体的订单配置数据；
S304、根据订单配置数据对站点智能体进行订单负载分析，得到每个站点智能体的订单负载数据；
S305、通过预置的智能设备获取每个站点智能体的燃气瓶状态监控数据，其中，燃气瓶状态监控数据包括燃气瓶的存量、使用情况及剩余容量。
具体的，对每个第一燃气瓶配送站点构建对应的站点智能体。每个站点智能体是一个独立的计算单元，具备处理配送任务和监控燃气瓶状态的能力。智能体可以基于预置的规则或者学习算法来进行任务分配和决策，确保站点的高效配送和资源利用。其次，基于预设的流量平衡模型，对多个配送订单集合进行订单量分析。流量平衡模型是一个数学模型，可以根据历史配送数据、季节性变化、以及其他因素，预测不同时间段的订单量。通过订单量分析，可以了解每个站点在不同时间段的配送需求。基于订单量分析数据，分别计算每个站点智能体的订单配置数据。订单配置数据包括每个站点应该处理的订单数量和类型，以及相应的时间分布。这些数据有助于智能体合理地规划订单处理顺序，避免资源的浪费和拥堵。接着，对每个站点智能体进行订单负载分析。订单负载分析是通过模拟和计算来评估每个站点的负载情况。通过分析订单配置数据和预测的订单量，智能体可以评估站点在不同时间段的订单处理能力，从而更好地安排任务和资源。通过预置的智能设备获取每个站点智能体的燃气瓶状态监控数据。这些监控数据包括燃气瓶的存量、使用情况以及剩余容量等信息。智能设备可以通过传感器等技术实时监测燃气瓶的状态，并将数据传输给站点智能体。例如，假设某燃气公司拥有多个配送站点，每个站点负责燃气瓶的配送任务。为了提高配送效率，公司决定引入智能化管理系统。针对每个配送站点，公司构建了相应的站点智能体。每个站点智能体能够接收配送任务，并根据任务特点和站点情况进行合理的任务分配和路径规划。智能体还能监控燃气瓶的状态，预测更换燃气瓶的时间。其次，公司采集了历史配送数据，并建立了流量平衡模型。通过对历史数据的分析，系统可以预测不同时间段的订单量，包括早上、中午和晚上等不同时段的需求情况。基于流量平衡模型的预测结果，系统计算了每个站点的订单配置数据。例如，某个站点在早上会接收更多的订单，而在晚上订单量较少。订单配置数据帮助智能体做出更加合理的任务分配决策。接着，智能体进行订单负载分析。根据订单配置数据和预测的订单量，智能体评估每个站点在不同时间段的订单处理能力。如果某个站点负载过重，系统会调整任务分配，避免造成拥堵和延误。每个站点智能体配备了智能设备，实时监控燃气瓶的状态。传感器可以实时检测燃气瓶的存量和使用情况，并将这些数据传输给智能体。智能体可以及时判断是否需要更换燃气瓶，保证配送任务的连续性和准时性。
在一具体实施例中，如图4所示，执行步骤S105的过程可以具体包括如下步骤：
S401、对订单负载数据进行向量编码，得到每个站点智能体的第一编码向量；
S402、对燃气瓶状态监控数据进行向量转换，得到每个站点智能体的第二编码向量；
S403、对第一编码向量和第二编码向量进行向量融合，得到每个站点智能体的目标编码向量；
S404、将目标编码向量输入预置的智能体分析网络进行网络参数计算，得到目标参数数据；
S405、根据目标参数数据对站点智能体进行筛选，得到配送站点筛选结果，并根据配送站点筛选结果，生成多个第二燃气瓶配送站点；
S406、通过多个第二燃气瓶配送站点对第一配送站点分布模型进行分布更新，生成对应的第二配送站点分布模型。
具体的，对订单负载数据进行向量编码，将每个站点智能体的订单负载数据转换为第一编码向量。可以采用常见的向量编码方法，例如将订单数量、处理时间等信息映射为数值，形成一个向量。其次，对燃气瓶状态监控数据进行向量转换，将每个站点智能体的燃气瓶状态数据转换为第二编码向量。可以通过对燃气瓶存量、使用情况和剩余容量等数据进行处理，生成一个与燃气瓶状态相关的向量。将第一编码向量和第二编码向量进行向量融合，得到每个站点智能体的目标编码向量。融合过程可以采用加权平均、连接等方式，将订单负载和燃气瓶状态的信息综合起来，形成一个综合性的目标编码向量。将目标编码向量输入预置的智能体分析网络进行网络参数计算。智能体分析网络可以是一个经过训练的神经网络或其他机器学习模型，它能够根据输入的目标编码向量计算出相应的网络参数数据。根据计算得到的目标参数数据，对站点智能体进行筛选。智能体的筛选过程可以根据预设的阈值或条件，比如只选择那些目标编码向量中某些特定属性符合要求的智能体。根据筛选结果，生成多个第二燃气瓶配送站点。这些第二站点是根据目标编码向量的特征而筛选出的，从而更好地适应配送任务的需求。通过多个第二燃气瓶配送站点对第一配送站点分布模型进行分布更新。根据第二站点的分布情况，可以对第一配送站点的布局和资源配置进行调整，以达到更好的配送效果和资源利用。例如，假设某燃气公司有多个配送站点，每个站点都配备了智能化的配送系统。公司希望根据订单负载和燃气瓶状态来优化配送资源和站点布局。对每个站点智能体的订单负载数据进行向量编码。例如，假设站点A在早上接收了10个订单，处理时间平均为30分钟，那么可以将这些数据转换为一个向量[10,30]，表示订单数量和处理时间的信息。其次，对燃气瓶状态监控数据进行向量转换。假设站点A目前有50个燃气瓶，已使用30个，剩余容量为70%，那么可以将这些数据转换为一个向量[50,30,70]，表示燃气瓶存量、使用情况和剩余容量的信息。将第一编码向量和第二编码向量进行向量融合。假设对于站点A，服务器使用简单的加权平均融合方法，权重分别为0.6和0.4，那么融合后的目标编码向量为[0.6*10+0.4*50,0.6*30+0.4*30,0.6*70+0.4*70]=[34,30,70]。将目标编码向量输入智能体分析网络进行网络参数计算。假设智能体分析网络经过训练，能够根据输入的目标编码向量计算出一个综合性的指标值。对于站点A的目标编码向量[34,30,70]，智能体分析网络计算得到指标值为0.85。根据智能体分析网络计算的指标值，对站点智能体进行筛选。公司设定筛选阈值为0.8，只选择指标值大于0.8的智能体。由于站点A的指标值为0.85，所以站点A被筛选入选。根据筛选结果，站点A成为一个第二燃气瓶配送站点。其他符合筛选条件的站点也加入到第二燃气瓶配送站点的集合中。通过多个第二燃气瓶配送站点对第一配送站点分布模型进行分布更新。根据第二站点的分布情况，公司可以重新优化第一配送站点的布局和资源配置，以实现更加高效的燃气瓶配送服务。
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）获取第二配送站点分布模型中的多个分布节点和多个分布边，并根据多个分布节点和多个分布边设置路径约束条件；
（2）根据路径约束条件，对初始路径图分析模型进行参数优化，得到目标路径图分析模型；
（3）通过目标路径图分析模型对第二配送站点分布模型进行最优路径规划，得到最优路径规划数据；
（4）根据最优路径规划数据生成对应的目标云配送任务处理结果。
具体的，从第二配送站点分布模型中获取多个分布节点和多个分布边。这些分布节点可以表示不同的燃气瓶配送站点，而分布边则表示这些站点之间的连接或路径。接着，根据获取的分布节点和分布边，设置路径约束条件。路径约束条件可以包括限制配送车辆的行驶距离、时间窗口限制、道路通行条件等。这些约束条件是为了确保配送过程的合理性和高效性。基于设定的路径约束条件，对初始路径图分析模型进行参数优化。路径图分析模型可以是一个图论算法或者启发式算法，用于计算出满足约束条件的初始路径规划方案。通过参数优化，得到目标路径图分析模型。该目标模型将更加符合实际配送需求，并且能够在满足约束条件的前提下，实现较优的路径规划。运用目标路径图分析模型对第二配送站点分布模型进行最优路径规划。这个过程将基于分布节点和边的信息，结合实际路径规划需求，计算出最佳的配送路径方案。根据最优路径规划数据，生成对应的目标云配送任务处理结果。这些结果包括每个配送站点的配送顺序、配送路径、配送车辆分配等，以确保整个燃气瓶配送任务能够高效完成。例如，假设一个燃气公司需要将燃气瓶从中央仓库分配给不同的配送站点。该公司有20个配送站点，每个站点有不同数量的燃气瓶需求。现在，公司希望通过云配送管理平台进行优化配送路径规划，以降低运输成本和提高配送效率。从第二配送站点分布模型中获取20个分布节点，分别表示20个配送站点，并获取不同站点之间的距离信息作为分布边。设置路径约束条件，例如限制配送车辆的行驶距离不超过50公里，要求配送在每个站点的时间窗口内完成，以及考虑城市交通限制等。对初始路径图分析模型进行参数优化，基于图论算法和启发式算法，计算出初始的路径规划方案。通过参数优化，得到目标路径图分析模型。该模型将考虑到路径约束条件，因此得到的路径规划方案更加合理和高效。使用目标路径图分析模型对第二配送站点分布模型进行最优路径规划。算法将考虑不同配送站点之间的距离、配送需求以及路径约束条件，计算出使得整个配送过程最优的路径方案。根据最优路径规划数据，生成对应的目标云配送任务处理结果。这些结果可以告诉配送员每个站点的配送顺序、配送路径以及需要配备的配送车辆，从而帮助服务器高效地完成配送任务。
上面对本发明实施例中基于智能设备的云配送任务处理方法进行了描述，下面对本发明实施例中基于智能设备的云配送任务处理系统进行描述，请参阅图5，本发明实施例中基于智能设备的云配送任务处理系统一个实施例包括：
获取模块501，用于基于预置的云配送管理平台获取燃气瓶云配送任务，并对所述燃气瓶云配送任务进行任务订单查询，得到多个待处理配送订单；
匹配模块502，用于对所述多个待处理配送订单进行订单信息提取，得到每个待处理配送订单的目标订单信息，并将所述目标订单信息输入预置的第一配送站点分布模型进行配送站点关联匹配，得到多个第一燃气瓶配送站点；
划分模块503，用于对所述目标订单信息进行主成分关系分析，得到主成分关系分析结果，并根据所述主成分关系分析结果对所述多个第一燃气瓶配送站点进行订单划分，得到多个配送订单集合；
分析模块504，用于构建每个第一燃气瓶配送站点的站点智能体，并根据所述多个配送订单集合对所述站点智能体进行订单负载分析，得到每个站点智能体的订单负载数据，并通过预置的智能设备获取每个站点智能体的燃气瓶状态监控数据；
构建模块505，用于根据所述订单负载数据和所述燃气瓶状态监控数据对每个站点智能体进行配送站点筛选，生成多个第二燃气瓶配送站点，并构建所述多个第二燃气瓶配送站点对应的第二配送站点分布模型；
生成模块506，用于对所述第二配送站点分布模型进行配送路径优化，生成目标云配送任务处理结果。
通过上述各个组成部分的协同合作，对多个待处理配送订单进行订单信息提取，得到目标订单信息，并将目标订单信息输入第一配送站点分布模型进行配送站点关联匹配，得到多个第一燃气瓶配送站点；进行主成分关系分析，得到主成分关系分析结果并进行订单划分，得到多个配送订单集合；构建站点智能体并进行订单负载分析，得到订单负载数据，并获取燃气瓶状态监控数据；根据订单负载数据和燃气瓶状态监控数据进行配送站点筛选，生成多个第二燃气瓶配送站点，并构建第二配送站点分布模型；进行配送路径优化，生成目标云配送任务处理结果，本发明通过智能调度和路径优化，配送任务能够更加高效地分配给合适的配送站点和车辆，减少空驶和重复配送，从而提高配送效率。通过实时监控燃气瓶状态和配送过程，可以确保燃气瓶的安全运输和准确配送，提升配送质量，并且结合配送站点的筛选、订单优先级的确定等，提高配送管理水平，此外，采用云配送管理平台可以实时监控配送任务和站点状况，及时响应异常情况，实现对配送过程的实时管理和调整，进而提高了燃气瓶配送的效率。
上面图5从模块化功能实体的角度对本发明实施例中的基于智能设备的云配送任务处理系统进行详细描述，下面从硬件处理的角度对本发明实施例中基于智能设备的云配送任务处理设备进行详细描述。
图6是本发明实施例提供的一种基于智能设备的云配送任务处理设备的结构示意图，该基于智能设备的云配送任务处理设备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基于智能设备的云配送任务处理设备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，在基于智能设备的云配送任务处理设备600上执行存储介质630中的一系列指令操作。
基于智能设备的云配送任务处理设备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 Server，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的基于智能设备的云配送任务处理设备结构并不构成对基于智能设备的云配送任务处理设备的限定，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。
本发明还提供一种基于智能设备的云配送任务处理设备，所述基于智能设备的云配送任务处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基于智能设备的云配送任务处理方法的步骤。
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基于智能设备的云配送任务处理方法的步骤。
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（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 (4)

1.一种基于智能设备的云配送任务处理方法，其特征在于，所述基于智能设备的云配送任务处理方法包括：
基于预置的云配送管理平台获取燃气瓶云配送任务，并对所述燃气瓶云配送任务进行任务订单查询，得到多个待处理配送订单；具体包括：基于预置的云配送管理平台获取燃气瓶云配送任务，并对所述燃气瓶云配送任务进行任务解析和任务拆分，得到多个子云配送任务；对所述多个子云配送任务进行任务数据解析，得到多个第一订单数据，并对所述多个第一订单数据进行特征数据处理，得到多个第二订单数据；将所述多个第二订单数据输入预置的订单分析模型进行订单取消概率预测，得到每个第二订单数据的取消概率值；根据所述取消概率值和预置概率预置，对所述第二订单数据进行订单分类，得到多个待处理配送订单；
对所述多个待处理配送订单进行订单信息提取，得到每个待处理配送订单的目标订单信息，并将所述目标订单信息输入预置的第一配送站点分布模型进行配送站点关联匹配，得到多个第一燃气瓶配送站点；具体包括：设置订单配送位置对应的第一标识字段，并设置订单优先级对应的第二标识字段；对所述多个待处理配送订单与所述第一标识字段进行字段匹配，得到每个待处理配送订单的第一字段匹配结果，并对所述多个待处理配送订单与所述第二标识字段进行字段匹配，得到每个待处理配送订单的第二字段匹配结果；根据每个待处理配送订单的第一字段匹配结果和第二字段匹配结果生成对应的目标订单信息；通过所述云配送管理平台对所述燃气瓶云配送任务进行订单区域划分，得到目标订单区域，并获取所述目标订单区域中的多个第一燃气瓶配送站点，以及根据所述多个第一燃气瓶配送站点构建对应的第一配送站点分布模型；根据所述目标订单信息中的订单配送位置生成第一站点匹配规则，以及根据所述目标订单信息中的订单优先级生成第二站点匹配规则；根据所述第一站点匹配规则和所述第二站点匹配规则，对所述第一配送站点分布模型进行配送站点关联匹配，得到多个第一燃气瓶配送站点；
对所述目标订单信息进行主成分关系分析，得到主成分关系分析结果，并根据所述主成分关系分析结果对所述多个第一燃气瓶配送站点进行订单划分，得到多个配送订单集合；具体包括：对所述燃气瓶云配送任务进行任务特征提取，得到多个任务特征，并对所述目标订单信息进行订单特征提取，得到多个订单特征；对所述多个任务特征进行特征映射，得到多个第一特征映射值，并对所述多个订单特征进行特征映射，得到多个第二特征映射值；构建所述多个第一特征映射值和所述多个第二特征映射值的协方差矩阵，并对所述协方差矩阵进行特征降维和主成分提取，得到主成分关系分析结果；根据所述主成分关系分析结果对所述多个第一燃气瓶配送站点进行订单划分，得到多个配送订单集合；
构建每个第一燃气瓶配送站点的站点智能体，并根据所述多个配送订单集合对所述站点智能体进行订单负载分析，得到每个站点智能体的订单负载数据，并通过预置的智能设备获取每个站点智能体的燃气瓶状态监控数据；具体包括：构建每个第一燃气瓶配送站点的站点智能体，得到多个站点智能体；基于预设的流量平衡模型，对所述多个配送订单集合进行订单量分析，得到订单量分析数据；基于所述订单量分析数据分别计算所述站点智能体的订单配置数据；根据所述订单配置数据对所述站点智能体进行订单负载分析，得到每个站点智能体的订单负载数据；通过预置的智能设备获取每个站点智能体的燃气瓶状态监控数据，其中，所述燃气瓶状态监控数据包括燃气瓶的存量、使用情况及剩余容量；
根据所述订单负载数据和所述燃气瓶状态监控数据对每个站点智能体进行配送站点筛选，生成多个第二燃气瓶配送站点，并构建所述多个第二燃气瓶配送站点对应的第二配送站点分布模型；具体包括：对所述订单负载数据进行向量编码，得到每个站点智能体的第一编码向量；对所述燃气瓶状态监控数据进行向量转换，得到每个站点智能体的第二编码向量；对所述第一编码向量和所述第二编码向量进行向量融合，得到每个站点智能体的目标编码向量；将所述目标编码向量输入预置的智能体分析网络进行网络参数计算，得到目标参数数据；根据所述目标参数数据对所述站点智能体进行筛选，得到配送站点筛选结果，并根据所述配送站点筛选结果，生成多个第二燃气瓶配送站点；通过所述多个第二燃气瓶配送站点对所述第一配送站点分布模型进行分布更新，生成对应的第二配送站点分布模型；
对所述第二配送站点分布模型进行配送路径优化，生成目标云配送任务处理结果；具体包括：获取所述第二配送站点分布模型中的多个分布节点和多个分布边，并根据所述多个分布节点和所述多个分布边设置路径约束条件；根据所述路径约束条件，对初始路径图分析模型进行参数优化，得到目标路径图分析模型；通过所述目标路径图分析模型对所述第二配送站点分布模型进行最优路径规划，得到最优路径规划数据；根据所述最优路径规划数据生成对应的目标云配送任务处理结果。
2.一种基于智能设备的云配送任务处理系统，其特征在于，所述基于智能设备的云配送任务处理系统包括：
获取模块，用于基于预置的云配送管理平台获取燃气瓶云配送任务，并对所述燃气瓶云配送任务进行任务订单查询，得到多个待处理配送订单；具体包括：基于预置的云配送管理平台获取燃气瓶云配送任务，并对所述燃气瓶云配送任务进行任务解析和任务拆分，得到多个子云配送任务；对所述多个子云配送任务进行任务数据解析，得到多个第一订单数据，并对所述多个第一订单数据进行特征数据处理，得到多个第二订单数据；将所述多个第二订单数据输入预置的订单分析模型进行订单取消概率预测，得到每个第二订单数据的取消概率值；根据所述取消概率值和预置概率预置，对所述第二订单数据进行订单分类，得到多个待处理配送订单；
匹配模块，用于对所述多个待处理配送订单进行订单信息提取，得到每个待处理配送订单的目标订单信息，并将所述目标订单信息输入预置的第一配送站点分布模型进行配送站点关联匹配，得到多个第一燃气瓶配送站点；具体包括：设置订单配送位置对应的第一标识字段，并设置订单优先级对应的第二标识字段；对所述多个待处理配送订单与所述第一标识字段进行字段匹配，得到每个待处理配送订单的第一字段匹配结果，并对所述多个待处理配送订单与所述第二标识字段进行字段匹配，得到每个待处理配送订单的第二字段匹配结果；根据每个待处理配送订单的第一字段匹配结果和第二字段匹配结果生成对应的目标订单信息；通过所述云配送管理平台对所述燃气瓶云配送任务进行订单区域划分，得到目标订单区域，并获取所述目标订单区域中的多个第一燃气瓶配送站点，以及根据所述多个第一燃气瓶配送站点构建对应的第一配送站点分布模型；根据所述目标订单信息中的订单配送位置生成第一站点匹配规则，以及根据所述目标订单信息中的订单优先级生成第二站点匹配规则；根据所述第一站点匹配规则和所述第二站点匹配规则，对所述第一配送站点分布模型进行配送站点关联匹配，得到多个第一燃气瓶配送站点；
划分模块，用于对所述目标订单信息进行主成分关系分析，得到主成分关系分析结果，并根据所述主成分关系分析结果对所述多个第一燃气瓶配送站点进行订单划分，得到多个配送订单集合；具体包括：对所述燃气瓶云配送任务进行任务特征提取，得到多个任务特征，并对所述目标订单信息进行订单特征提取，得到多个订单特征；对所述多个任务特征进行特征映射，得到多个第一特征映射值，并对所述多个订单特征进行特征映射，得到多个第二特征映射值；构建所述多个第一特征映射值和所述多个第二特征映射值的协方差矩阵，并对所述协方差矩阵进行特征降维和主成分提取，得到主成分关系分析结果；根据所述主成分关系分析结果对所述多个第一燃气瓶配送站点进行订单划分，得到多个配送订单集合；
分析模块，用于构建每个第一燃气瓶配送站点的站点智能体，并根据所述多个配送订单集合对所述站点智能体进行订单负载分析，得到每个站点智能体的订单负载数据，并通过预置的智能设备获取每个站点智能体的燃气瓶状态监控数据；具体包括：构建每个第一燃气瓶配送站点的站点智能体，得到多个站点智能体；基于预设的流量平衡模型，对所述多个配送订单集合进行订单量分析，得到订单量分析数据；基于所述订单量分析数据分别计算所述站点智能体的订单配置数据；根据所述订单配置数据对所述站点智能体进行订单负载分析，得到每个站点智能体的订单负载数据；通过预置的智能设备获取每个站点智能体的燃气瓶状态监控数据，其中，所述燃气瓶状态监控数据包括燃气瓶的存量、使用情况及剩余容量；
构建模块，用于根据所述订单负载数据和所述燃气瓶状态监控数据对每个站点智能体进行配送站点筛选，生成多个第二燃气瓶配送站点，并构建所述多个第二燃气瓶配送站点对应的第二配送站点分布模型；具体包括：对所述订单负载数据进行向量编码，得到每个站点智能体的第一编码向量；对所述燃气瓶状态监控数据进行向量转换，得到每个站点智能体的第二编码向量；对所述第一编码向量和所述第二编码向量进行向量融合，得到每个站点智能体的目标编码向量；将所述目标编码向量输入预置的智能体分析网络进行网络参数计算，得到目标参数数据；根据所述目标参数数据对所述站点智能体进行筛选，得到配送站点筛选结果，并根据所述配送站点筛选结果，生成多个第二燃气瓶配送站点；通过所述多个第二燃气瓶配送站点对所述第一配送站点分布模型进行分布更新，生成对应的第二配送站点分布模型；
生成模块，用于对所述第二配送站点分布模型进行配送路径优化，生成目标云配送任务处理结果；具体包括：获取所述第二配送站点分布模型中的多个分布节点和多个分布边，并根据所述多个分布节点和所述多个分布边设置路径约束条件；根据所述路径约束条件，对初始路径图分析模型进行参数优化，得到目标路径图分析模型；通过所述目标路径图分析模型对所述第二配送站点分布模型进行最优路径规划，得到最优路径规划数据；根据所述最优路径规划数据生成对应的目标云配送任务处理结果。
3.一种基于智能设备的云配送任务处理设备，其特征在于，所述基于智能设备的云配送任务处理设备包括：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，以使得所述基于智能设备的云配送任务处理设备执行如权利要求1所述的基于智能设备的云配送任务处理方法。
4.一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所述的基于智能设备的云配送任务处理方法。
CN202311002651.XA 2023-08-10 2023-08-10 一种基于智能设备的云配送任务处理方法及系统 Active CN116720803B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311002651.XA CN116720803B (zh) 2023-08-10 2023-08-10 一种基于智能设备的云配送任务处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311002651.XA CN116720803B (zh) 2023-08-10 2023-08-10 一种基于智能设备的云配送任务处理方法及系统

Publications (2)

Publication Number Publication Date
CN116720803A CN116720803A (zh) 2023-09-08
CN116720803B true CN116720803B (zh) 2024-01-12

Family

ID=87870125

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311002651.XA Active CN116720803B (zh) 2023-08-10 2023-08-10 一种基于智能设备的云配送任务处理方法及系统

Country Status (1)

Country Link
CN (1) CN116720803B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108876232A (zh) * 2018-03-31 2018-11-23 广东顺德科顺电子商务有限公司 一种气瓶配送交易系统
CN109558986A (zh) * 2018-12-10 2019-04-02 北京顺丰同城科技有限公司 一种同城站点配送顺序的排序方法及装置
CN110135665A (zh) * 2018-02-02 2019-08-16 北京京东尚科信息技术有限公司 一种动态划分配送区域的方法和装置
CN110858347A (zh) * 2018-08-23 2020-03-03 北京京东尚科信息技术有限公司 一种用于物流配送分单的方法和装置
CN111950950A (zh) * 2019-05-17 2020-11-17 北京京东尚科信息技术有限公司 订单配送路径的规划方法、装置、计算机介质及电子设备
CN112215473A (zh) * 2020-09-18 2021-01-12 拉扎斯网络科技（上海）有限公司 一种配送压力数据的获得方法、装置、电子设备
CN113947449A (zh) * 2020-07-17 2022-01-18 引众传媒(苏州)有限公司 一种电子商务的区域站点订单规划系统及其工作方法
CN115018294A (zh) * 2022-05-27 2022-09-06 深圳市多知技术有限公司 一种钢瓶燃气订单与配送管理系统及方法
CN115564312A (zh) * 2022-11-21 2023-01-03 深圳市普燃计算机软件科技有限公司 基于物联网数据的液化气配送管理系统和方法
CN116300540A (zh) * 2023-05-25 2023-06-23 深圳市兰洋科技有限公司 一种基于智能设备的控制方法及系统
CN116307306A (zh) * 2023-05-25 2023-06-23 广钢气体(广州)有限公司 基于大数据的智能调度方法、装置、设备以及存储介质
CN116415882A (zh) * 2023-03-08 2023-07-11 同济大学 一种骑手-无人车协同配送的即时配送订单分配系统
CN116432880A (zh) * 2023-03-29 2023-07-14 深圳市讯鸟流通科技有限公司 一种共享云仓物流城配路线智能选择及运费报价系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110135665A (zh) * 2018-02-02 2019-08-16 北京京东尚科信息技术有限公司 一种动态划分配送区域的方法和装置
CN108876232A (zh) * 2018-03-31 2018-11-23 广东顺德科顺电子商务有限公司 一种气瓶配送交易系统
CN110858347A (zh) * 2018-08-23 2020-03-03 北京京东尚科信息技术有限公司 一种用于物流配送分单的方法和装置
CN109558986A (zh) * 2018-12-10 2019-04-02 北京顺丰同城科技有限公司 一种同城站点配送顺序的排序方法及装置
CN111950950A (zh) * 2019-05-17 2020-11-17 北京京东尚科信息技术有限公司 订单配送路径的规划方法、装置、计算机介质及电子设备
CN113947449A (zh) * 2020-07-17 2022-01-18 引众传媒(苏州)有限公司 一种电子商务的区域站点订单规划系统及其工作方法
CN112215473A (zh) * 2020-09-18 2021-01-12 拉扎斯网络科技（上海）有限公司 一种配送压力数据的获得方法、装置、电子设备
CN115018294A (zh) * 2022-05-27 2022-09-06 深圳市多知技术有限公司 一种钢瓶燃气订单与配送管理系统及方法
CN115564312A (zh) * 2022-11-21 2023-01-03 深圳市普燃计算机软件科技有限公司 基于物联网数据的液化气配送管理系统和方法
CN116415882A (zh) * 2023-03-08 2023-07-11 同济大学 一种骑手-无人车协同配送的即时配送订单分配系统
CN116432880A (zh) * 2023-03-29 2023-07-14 深圳市讯鸟流通科技有限公司 一种共享云仓物流城配路线智能选择及运费报价系统
CN116300540A (zh) * 2023-05-25 2023-06-23 深圳市兰洋科技有限公司 一种基于智能设备的控制方法及系统
CN116307306A (zh) * 2023-05-25 2023-06-23 广钢气体(广州)有限公司 基于大数据的智能调度方法、装置、设备以及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
专业化的液化气配送系统;李斌;;上海煤气(第01期);第44-46页 *

Also Published As

Publication number Publication date
CN116720803A (zh) 2023-09-08

Similar Documents

Publication Publication Date Title
Wallar et al. Vehicle rebalancing for mobility-on-demand systems with ride-sharing
Hua et al. Joint infrastructure planning and fleet management for one-way electric car sharing under time-varying uncertain demand
CN111401808A (zh) 一种基于混合模型的物资协议库存需求预测方法
Maciejewski et al. Large-scale microscopic simulation of taxi services
US11823101B2 (en) Adaptive dispatching engine for advanced taxi management
CN113037877B (zh) 云边端架构下时空数据及资源调度的优化方法
CN115099543B (zh) 电池更换的路径规划方法、装置、设备及存储介质
CN111539590A (zh) 一种基于后悔理论的应急资源配置优化方法
Ruffieux et al. Bike usage forecasting for optimal rebalancing operations in bike-sharing systems
Luo et al. Dynamic intra-cell repositioning in free-floating bike-sharing systems using approximate dynamic programming
Zhou et al. A scalable vehicle assignment and routing strategy for real-time on-demand ridesharing considering endogenous congestion
Gao et al. BM-DDPG: An integrated dispatching framework for ride-hailing systems
Madasamy et al. Predictive EQCi-Optimized Load Scheduling for Heterogeneous IoT-Data in Fog Computing Environments
CN116720803B (zh) 一种基于智能设备的云配送任务处理方法及系统
CN113191533A (zh) 仓库用工预测方法、装置、设备及存储介质
Yang et al. Disturbance management for vehicle routing with time window changes
Sharif et al. Context Aware-Resource Optimality in Electric Vehicle Smart2Charge Application. A Deep Reinforcement Learning Base Approach
Yu et al. Coordinating matching, rebalancing and charging of electric ride-hailing fleet under hybrid requests
CN116109058A (zh) 一种基于深度强化学习的变电站巡视管理方法和装置
KR102273270B1 (ko) 시공간 특성에 따른 긱 서비스 예측 시스템 및 그 방법
Alizadeh et al. On modeling and marketing the demand flexibility of deferrable loads at the wholesale level
Javed et al. Fog paradigm for local energy management systems
Tabatabai et al. Opportunistic selection of vehicular data brokers as relay nodes to the cloud
Darko et al. A Proactive Dynamic-Distributed Constraint Optimization Framework for Unmanned Aerial and Ground Vehicles in Traffic Incident Management
Lu et al. An experimental model of deep learning logistics distribution based on internet of things

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