CN116777328A - 一种物流车线及装载管理方法、装置、设备及存储介质 - Google Patents
一种物流车线及装载管理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116777328A CN116777328A CN202310704488.5A CN202310704488A CN116777328A CN 116777328 A CN116777328 A CN 116777328A CN 202310704488 A CN202310704488 A CN 202310704488A CN 116777328 A CN116777328 A CN 116777328A
- Authority
- CN
- China
- Prior art keywords
- loading
- data
- information
- logistics
- vehicle
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 32
- 238000013499 data model Methods 0.000 claims abstract description 50
- 230000004927 fusion Effects 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 33
- 230000003993 interaction Effects 0.000 claims abstract description 14
- 230000033001 locomotion Effects 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 29
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013500 data storage Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000531116 Blitum bonus-henricus Species 0.000 description 1
- 235000008645 Chenopodium bonus henricus Nutrition 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000001914 filtration Methods 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
- 230000002085 persistent effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及仓储物流领域，公开了一种物流车线及装载管理方法、装置、设备及存储介质。该方法包括：创建一数据模型，所述数据模型用于存储和管理物流车辆的信息，所述数据模型包括实体和属性；通过与车辆线路各节点进行数据交互，获取物流车辆的装载数据和发车数据；根据收集到的装载数据和发车数据，计算得到物流车辆的装载率；使用贪婪算法对物流车辆的装车配载进行分析和计算，得到装车配载信息；基于所述数据模型和装车配载信息，对收集到的数据信息进行数据融合，得到融合后物流车辆信息；将所述融合后物流车辆信息进行展示。本发明能够及时监控车辆的装载状态和位置。
Description
技术领域
本发明涉及仓储物流领域，尤其涉及一种物流车线及装载管理方法、装置、设备及存储介质。
背景技术
随着电子商务的兴起和发展，人们逐渐将购物习惯从传统线下实体店转移到了在线电子商务网站，推动了物流配送行业的快速发展。物流配送是根据客户订单将货物送到指定的送货地址的过程。在物流配送中，物流车辆起着重要的作用。物流车辆管理是影响运输的主要因素之一，需要实时掌握车辆运输的动态信息。然而，目前许多企业对物流车辆运输情况的信息掌握体验较差，无法及时监控车辆的状态和位置。
发明内容
本发明的主要目的在于解决现有技术中无法及时监控车辆的装载状态和位置的问题。
本发明第一方面提供了一种物流车线及装载管理方法，包括：创建一数据模型，所述数据模型用于存储和管理物流车辆的信息，所述数据模型包括实体和属性；通过与车辆线路各节点进行数据交互，获取物流车辆的装载数据和发车数据；根据收集到的装载数据和发车数据，计算得到物流车辆的装载率；使用贪婪算法对物流车辆的装车配载进行分析和计算，得到装车配载信息；基于所述数据模型和装车配载信息，对收集到的数据信息进行数据融合，得到融合后物流车辆信息；将所述融合后物流车辆信息进行展示。
可选的，在本发明第一方面的一种实现方式中，所述创建一数据模型，所述数据模型用于存储和管理物流车辆的信息，所述数据模型包括实体和属性，包括：创建图数据库，所述图数据库支持节点和关系的存储和查询；根据实体和属性，定义物流车辆节点的标签和属性，所述每个节点定义以下属性：车辆编号：字符串类型，唯一标识符；载重能力：数值类型，表示车辆的最大载重能力；车辆类型：字符串类型，表示车辆的类型；当前装载情况：嵌套结构，用于记录当前车辆已装载的货物信息；使用图数据库提供的API或查询语言，在数据库中创建物流车辆节点，并为每个节点设置相应的属性。
可选的，在本发明第一方面的一种实现方式中，所述根据收集到的装载数据和发车数据，计算得到物流车辆的装载率，包括：获取装载数据，所述装载数据包括每辆物流车辆所装载的货物信息，所述货物信息至少包括货物数量、重量、体积；获取发车数据，所述发车数据包括每辆物流车辆的最大载重能力或最大装载体积；对于每辆物流车辆，根据装载数据计算实际装载的货物总重量或总体积；将实际装载的货物总重量或总体积除以物流车辆的最大载重能力或最大装载体积，得到装载率，所述装载率采用以下公式计算：装载率＝(实际装载的货物总重量或总体积)/(物流车辆的最大载重能力或最大装载体积)*100％；对于每辆物流车辆，重复上述步骤，计算其对应的装载率。
可选的，在本发明第一方面的一种实现方式中，所述使用贪婪算法对物流车辆的装车配载进行分析和计算，得到装车配载信息，包括：创建一个空的装车方案和一个空的解集合；根据装车配载的优化目标，设计一贪婪准则函数来评估每个货物的选择优先级；对于每个货物，计算其贪婪准则函数的值；从剩余的货物中选择具有最高贪婪准则函数值的货物作为当前的候选对象；将选中的货物尝试装载到合适的物流车辆中，并检查是否满足车辆的载重能力和剩余空间的限制；如果装载是可行的，将货物添加到当前的装车方案中，并将该方案添加到解集合中；如果所有货物都被考虑过，或者无法再将货物装载到任何物流车辆中，则结束算法；对解集合中的每个装车方案，计算其目标函数值，所述目标函数值为装载率、效率或成本；从解集合中选择具有最优目标函数值的装车方案作为最终的配载方案；将最优解作为算法的输出，表示物流车辆的装车配载信息。
可选的，在本发明第一方面的一种实现方式中，所述基于所述数据模型和装车配载信息，对收集到的数据信息进行数据融合，得到融合后物流车辆信息，包括：对收集到的数据进行预处理，所述预处理包括去除重复数据、处理缺失值和异常值；对预处理后的数据进行校准和对齐；根据装车配载信息中的目标属性，对数据进行关联，获取每个目标的位置或属性；进行目标区分和追踪，对所述目标进行标识和分类，追踪所述目标的状态、朝向和运动轨迹，得到融合后物流车辆信息。
可选的，在本发明第一方面的一种实现方式中，所述进行目标区分和追踪，对所述目标进行标识和分类，追踪所述目标的状态、朝向和运动轨迹，得到融合后物流车辆信息，包括：获取目标的位置信息；基于检测到的目标位置信息，对目标进行分类；为每个目标分配唯一的标识符；对装载数据中的目标进行追踪，以获得目标的状态、朝向和运动轨迹信息；在每个时间步骤中，将前一时刻的目标位置信息和当前时刻的目标检测结果进行匹配，建立目标之间的关联；对目标进行状态估计，所述状态包括位置、速度、加速度、朝向；根据目标的位置和运动信息，计算目标的运动轨迹；将目标的标识、分类、状态、朝向和运动轨迹信息与实体进行融合，得到融合后的物流车辆信息。
可选的，在本发明第一方面的一种实现方式中，所述在每个时间步骤中，将前一时刻的目标位置信息和当前时刻的目标检测结果进行匹配，建立目标之间的关联，包括：获取上一个时间步骤中检测到的目标的位置信息；获取当前时刻的目标位置信息将前一时刻的目标和当前时刻的目标进行匹配，匹配的标准为位置重叠度、外观相似度、运动一致性；根据目标关联的结果，更新目标的状态信息，如位置、速度、加速度、朝向。
本发明第二方面提供了一种物流车线及装载管理装置，包括：模型创建单元，用于创建一数据模型，所述数据模型用于存储和管理物流车辆的信息，所述数据模型包括实体和属性；数据获取单元，用于通过与车辆线路各节点进行数据交互，获取物流车辆的装载数据和发车数据；装载率计算单元，用于根据收集到的装载数据和发车数据，计算得到物流车辆的装载率；配载计算单元，用于使用贪婪算法对物流车辆的装车配载进行分析和计算，得到装车配载信息；数据融合单元，用于基于所述数据模型和装车配载信息，对收集到的数据信息进行数据融合，得到融合后物流车辆信息；信息展示单元，用于将所述融合后物流车辆信息进行展示。
本发明第三方面提供了一种电子设备，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指令，以使得所述电子设备执行上述的如上所述的物流车线及装载管理方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的如上所述的物流车线及装载管理方法。
本发明通过创建数据模型并与车辆线路各节点进行数据交互，可以实时获取物流车辆的装载数据和发车数据，从而实现对车辆运输情况的实时监控和管理。这样可以提高物流车辆管理的效率，减少信息传递的延迟和错误。
本发明通过计算物流车辆的装载率，可以评估车辆装载的货物总量与最大载重能力或最大装载体积的比例。这样可以及时发现和解决装载不足或超载的问题，提高物流车辆的装载效率，减少空载和货物损坏的情况发生。
本发明使用贪婪算法对物流车辆的装车配载进行分析和计算，可以根据装载优化目标，选择合适的货物进行装载，以达到最优的装车配载方案。这样可以减少空间浪费和运输成本，提高装车效率和配载质量。
本发明通过基于数据模型和装车配载信息的数据融合，可以将收集到的物流车辆信息进行整合和关联，获取融合后的物流车辆信息。这样可以提供全面的物流车辆状态和位置信息，帮助企业实现对物流车辆的可视化管理和监控。
附图说明
图1为本发明实施例提供的物流车线及装载管理方法的第一种流程图；
图2为本发明实施例提供的物流车线及装载管理方法的第二种流程图；
图3为本发明实施例提供的物流车线及装载管理方法的第三种流程图；
图4为本发明实施例提供的物流车线及装载管理方法的第四种流程图；
图5为本发明实施例提供的物流车线及装载管理方法的第五种流程图；
图6为本发明实施例提供的物流车线及装载管理装置的一种结构示意图；
图7为本发明实施例提供的电子设备的结构示意图；
具体实施方式
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，本发明实施例中物流车线及装载管理方法的第一个实施例包括：
101、创建一数据模型，所述数据模型用于存储和管理物流车辆的信息，所述数据模型包括实体和属性；
创建一个数据模型用于存储和管理物流车辆的信息，该模型包括实体和属性。实体可以是物流车辆本身，每辆车辆作为一个实体。属性可以包括车辆编号、载重能力、车辆类型等信息。假设有三辆物流车辆，编号分别为V1、V2、V3，载重能力分别为10吨、8吨、12吨，车辆类型分别为大型货车、中型货车、大型货车。
102、通过与车辆线路各节点进行数据交互，获取物流车辆的装载数据和发车数据；
与车辆线路各节点进行数据交互，获取物流车辆的装载数据和发车数据。
装载数据包括每辆物流车辆所装载的货物信息，发车数据包括每辆物流车辆的最大载重能力或最大装载体积。
例如从车辆线路节点获取装载数据和发车数据，如车辆V1装载了货物A(重量5吨，体积2立方米)、货物B(重量3吨，体积1立方米)，发车数据为V1的最大载重能力为10吨。
103、根据收集到的装载数据和发车数据，计算得到物流车辆的装载率；
根据收集到的装载数据和发车数据，计算物流车辆的装载率。通过计算实际装载的货物总重量或总体积与物流车辆的最大载重能力或最大装载体积的比例来得到装载率。例如对于车辆V1，实际装载的货物总重量为8吨(货物A的重量5吨+货物B的重量3吨)，最大载重能力为10吨，因此装载率为80％。
104、使用贪婪算法对物流车辆的装车配载进行分析和计算，得到装车配载信息；
使用贪婪算法对物流车辆的装车配载进行分析和计算，以得到装车配载信息。设计一个贪婪准则函数来评估每个货物的选择优先级，根据贪婪准则函数的值选择合适的货物进行装载。
105、基于所述数据模型和装车配载信息，对收集到的数据信息进行数据融合，得到融合后物流车辆信息；
基于数据模型和装车配载信息，对收集到的数据信息进行数据融合。将物流车辆的基本信息、装载数据、发车数据以及装车配载信息进行整合和关联，得到融合后的物流车辆信息。例如将车辆V1的基本信息(编号、载重能力、车辆类型)、装载数据(货物A、货物B、货物C)和发车数据(最大载重能力10吨)进行数据融合，得到融合后的物流车辆信息。
106、将所述融合后物流车辆信息进行展示。
将融合后的物流车辆信息进行展示，可以通过可视化方式展示物流车辆的状态、装载情况、位置等信息。通过图表或地图等方式展示物流车辆V1的信息，包括编号、载重能力、车辆类型、装载情况(货物A、货物B、货物C)、装载率、位置等。
通过以上步骤，可以创建数据模型来存储和管理物流车辆信息，通过数据交互获取装载数据和发车数据，计算装载率，使用贪婪算法进行装车配载分析，进行数据融合并展示物流车辆信息。这样可以实现对物流车辆的有效管理和优化装车配载，提高物流运输效率和质量。
请参阅图2，本发明实施例中物流车线及装载管理方法的第二个实施例包括：
201、创建图数据库，所述图数据库支持节点和关系的存储和查询；根据实体和属性，定义物流车辆节点的标签和属性，所述每个节点定义以下属性：车辆编号：字符串类型，唯一标识符；载重能力：数值类型，表示车辆的最大载重能力；车辆类型：字符串类型，表示车辆的类型；当前装载情况：嵌套结构，用于记录当前车辆已装载的货物信息；使用图数据库提供的API或查询语言，在数据库中创建物流车辆节点，并为每个节点设置相应的属性。
选择适合的图数据库：
选择一个符合你需求的图数据库，比如Neo4j、AmazonNeptune、Dgraph等。确保该图数据库支持节点和关系的存储和查询。
定义物流车辆节点的标签和属性：
根据实体和属性的要求，定义物流车辆节点的标签和属性。
标签是节点的类型标识，可以定义为"LogisticsVehicle"。
属性是节点的特征信息，根据要求，为每个节点定义以下属性：
车辆编号(vehicleNumber)：字符串类型，唯一标识符。
载重能力(loadCapacity)：数值类型，表示车辆的最大载重能力。
车辆类型(vehicleType)：字符串类型，表示车辆的类型。
当前装载情况(currentLoad)：嵌套结构，用于记录当前车辆已装载的货物信息。
创建物流车辆节点并设置属性：
使用图数据库提供的API或查询语言，执行以下操作来创建物流车辆节点并为每个节点设置相应的属性：
创建节点：使用图数据库的API或查询语言创建一个新的节点，并指定节点的标签为"LogisticsVehicle"。
设置属性：为每个节点设置相应的属性，包括车辆编号、载重能力、车辆类型和当前装载情况。
数据库中物流车辆节点的创建和属性设置：
执行上述步骤后，物流车辆节点将被成功创建，并且每个节点都具有相应的属性。
本实施例通过定义物流车辆节点的标签和属性，可以根据实际需求对数据进行建模。图数据库的模式灵活，可以根据不同的业务场景和需求动态添加、修改和删除属性，使得数据模型可以随着业务的变化而调整，具有较高的灵活性和可扩展性。
本实施例定义的节点属性可以准确地描述物流车辆的特征和状态。通过车辆编号作为唯一标识符，可以方便地对每辆车辆进行唯一标识和区分。载重能力和车辆类型属性可以提供车辆的基本信息，方便对不同类型的车辆进行分类和分析。当前装载情况属性的嵌套结构可以记录和管理车辆已装载的货物信息，提供实时的装载状态。
202、通过与车辆线路各节点进行数据交互，获取物流车辆的装载数据和发车数据；
203、根据收集到的装载数据和发车数据，计算得到物流车辆的装载率；
204、使用贪婪算法对物流车辆的装车配载进行分析和计算，得到装车配载信息；
205、基于所述数据模型和装车配载信息，对收集到的数据信息进行数据融合，得到融合后物流车辆信息；
206、将所述融合后物流车辆信息进行展示。
请参阅图3，本发明实施例中物流车线及装载管理方法的第三个实施例包括：
301、创建一数据模型，所述数据模型用于存储和管理物流车辆的信息，所述数据模型包括实体和属性；
302、通过与车辆线路各节点进行数据交互，获取物流车辆的装载数据和发车数据；
303、获取装载数据，所述装载数据包括每辆物流车辆所装载的货物信息，所述货物信息至少包括货物数量、重量、体积；获取发车数据，所述发车数据包括每辆物流车辆的最大载重能力或最大装载体积；对于每辆物流车辆，根据装载数据计算实际装载的货物总重量或总体积；将实际装载的货物总重量或总体积除以物流车辆的最大载重能力或最大装载体积，得到装载率，所述装载率采用以下公式计算：装载率＝(实际装载的货物总重量或总体积)/(物流车辆的最大载重能力或最大装载体积)*100％；对于每辆物流车辆，重复上述步骤，计算其对应的装载率。
步骤1:获取装载数据
从车辆线路各节点获取每辆物流车辆所装载的货物信息，确保每个货物信息包括货物数量、重量和体积。
车辆编号:V001；货物信息:货物数量:10；货物重量:500kg；货物体积:10m^3；车辆编号:V002；货物信息:货物数量:5；货物重量:200kg；货物体积:5m^3；
步骤2:获取发车数据
获取每辆物流车辆的最大载重能力或最大装载体积，用于后续计算装载率。
车辆编号:V001；最大载重能力:1000kg；最大装载体积:20m^3；
车辆编号:V002；最大载重能力:500kg；最大装载体积:10m^3；
步骤3:计算装载率
对于每辆物流车辆，根据装载数据计算实际装载的货物总重量或总体积，并将其除以物流车辆的最大载重能力或最大装载体积，最后乘以100％得到装载率。
车辆编号:V001；实际装载的货物总重量:10*500kg＝5000kg；实际装载的货物总体积:10*10m^3＝100m^3
装载率＝(实际装载的货物总重量)/(最大载重能力)*100％＝5000kg/1000kg*100％＝500％；
车辆编号:V002
实际装载的货物总重量:5*200kg＝1000kg；实际装载的货物总体积:5*5m^3＝25m^3；装载率＝(实际装载的货物总重量)/(最大载重能力)*100％＝1000kg/500kg*100％＝200％。
304、使用贪婪算法对物流车辆的装车配载进行分析和计算，得到装车配载信息；
305、基于所述数据模型和装车配载信息，对收集到的数据信息进行数据融合，得到融合后物流车辆信息；
306、将所述融合后物流车辆信息进行展示。
本实施例通过计算装载率，可以识别出装载率较低的车辆，表明它们未能充分利用其装载能力。这为进行车辆配载优化提供了线索。使用配载算法，如贪婪算法，可以重新安排货物的装载顺序，以提高车辆的装载率，并确保更有效的货物配载。
请参阅图4，本发明实施例中物流车线及装载管理方法的第四个实施例包括：
401、创建一数据模型，所述数据模型用于存储和管理物流车辆的信息，所述数据模型包括实体和属性；
402、通过与车辆线路各节点进行数据交互，获取物流车辆的装载数据和发车数据；
403、根据收集到的装载数据和发车数据，计算得到物流车辆的装载率；
404、创建一个空的装车方案和一个空的解集合；根据装车配载的优化目标，设计一贪婪准则函数来评估每个货物的选择优先级；对于每个货物，计算其贪婪准则函数的值；从剩余的货物中选择具有最高贪婪准则函数值的货物作为当前的候选对象；将选中的货物尝试装载到合适的物流车辆中，并检查是否满足车辆的载重能力和剩余空间的限制；如果装载是可行的，将货物添加到当前的装车方案中，并将该方案添加到解集合中；如果所有货物都被考虑过，或者无法再将货物装载到任何物流车辆中，则结束算法；对解集合中的每个装车方案，计算其目标函数值，所述目标函数值为装载率、效率或成本；从解集合中选择具有最优目标函数值的装车方案作为最终的配载方案；将最优解作为算法的输出，表示物流车辆的装车配载信息。
假设有三辆物流车辆和五个货物需要装载。每辆车辆的最大载重能力为1000kg。货物的重量和体积如下：
货物1：重量500kg，体积2m3；货物2：重量400kg，体积1m3；货物3：重量300kg，体积1.5m3；货物4：重量200kg，体积0.5m3；货物5：重量600kg，体积2.5m3；
创建一个空的装车方案和一个空的解集合。
设计贪婪准则函数，例如选择优先级为重量最大的货物。
计算每个货物的贪婪准则函数值：
货物1：500kg；货物2：400kg；货物3：300kg；货物4：200kg；货物5：600kg；选择具有最高贪婪准则函数值的货物，即货物5(600kg)作为当前的候选对象。
尝试将货物5装载到合适的物流车辆中，检查是否满足载重能力和剩余空间的限制。假设将货物5装载到第一辆车辆。
将货物5添加到当前的装车方案中，并将该方案添加到解集合中。
考虑下一个货物，选择具有最高贪婪准则函数值的货物，即货物1(500kg)。
尝试将货物1装载到合适的物流车辆中，检查是否满足载重能力和剩余空间的限制。假设将货物1装载到第二辆车辆。
将货物1添加到当前的装车方案中，并将该方案添加到解集合中。
继续考虑下一个货物，选择具有最高贪婪准则函数值的货物，即货物2(400kg)。
尝试将货物2装载到合适的物流车辆中，检查是否满足载重能力和剩余空间的限制。假设将货物2装载到第三辆车辆。
将货物2添加到当前的装车方案中，并将该方案添加到解集合中。
继续考虑下一个货物，选择具有最高贪婪准则函数值的货物，即货物3(300kg)。
尝试将货物3装载到合适的物流车辆中，检查是否满足载重能力和剩余空间的限制。假设将货物3装载到第一辆车辆。
将货物3添加到当前的装车方案中，并将该方案添加到解集合中。
继续考虑下一个货物，选择具有最高贪婪准则函数值的货物，即货物4(200kg)。
尝试将货物4装载到合适的物流车辆中，检查是否满足载重能力和剩余空间的限制。假设将货物4装载到第二辆车辆。
将货物4添加到当前的装车方案中，并将该方案添加到解集合中。
所有货物都被考虑过，结束算法。
计算每个装车方案的目标函数值，可以计算装载率、效率或成本。
选择具有最优目标函数值的装车方案作为最终的配载方案。
405、基于所述数据模型和装车配载信息，对收集到的数据信息进行数据融合，得到融合后物流车辆信息；
406、将所述融合后物流车辆信息进行展示。
本实施例的贪婪算法是一种简单而高效的算法，易于理解和实现。它以贪婪的方式做出每一步的决策，每次选择局部最优解，而无需考虑全局最优解，因此计算复杂度相对较低。物流车辆的装车配载问题属于组合优化问题，其复杂性往往较高。贪婪算法通过简化问题，将其分解为一系列局部决策，从而减少了问题的复杂性，使问题更易于处理。
请参阅图5，本发明实施例中物流车线及装载管理方法的第五个实施例包括：
501、创建一数据模型，所述数据模型用于存储和管理物流车辆的信息，所述数据模型包括实体和属性；
502、通过与车辆线路各节点进行数据交互，获取物流车辆的装载数据和发车数据；
503、根据收集到的装载数据和发车数据，计算得到物流车辆的装载率；
504、使用贪婪算法对物流车辆的装车配载进行分析和计算，得到装车配载信息；
505、对收集到的数据进行预处理，所述预处理包括去除重复数据、处理缺失值和异常值；对预处理后的数据进行校准和对齐；根据装车配载信息中的目标属性，对数据进行关联，获取每个目标的位置或属性；进行目标区分和追踪，对所述目标进行标识和分类，追踪所述目标的状态、朝向和运动轨迹，得到融合后物流车辆信息。
优选地，所述进行目标区分和追踪，对所述目标进行标识和分类，追踪所述目标的状态、朝向和运动轨迹，得到融合后物流车辆信息，包括：获取目标的位置信息；基于检测到的目标位置信息，对目标进行分类；为每个目标分配唯一的标识符；对装载数据中的目标进行追踪，以获得目标的状态、朝向和运动轨迹信息；在每个时间步骤中，将前一时刻的目标位置信息和当前时刻的目标检测结果进行匹配，建立目标之间的关联；对目标进行状态估计，所述状态包括位置、速度、加速度、朝向；根据目标的位置和运动信息，计算目标的运动轨迹；将目标的标识、分类、状态、朝向和运动轨迹信息与实体进行融合，得到融合后的物流车辆信息。
可选的，在本发明第一方面的一种实现方式中，所述在每个时间步骤中，将前一时刻的目标位置信息和当前时刻的目标检测结果进行匹配，建立目标之间的关联，包括：获取上一个时间步骤中检测到的目标的位置信息；获取当前时刻的目标位置信息将前一时刻的目标和当前时刻的目标进行匹配，匹配的标准为位置重叠度、外观相似度、运动一致性；根据目标关联的结果，更新目标的状态信息，如位置、速度、加速度、朝向。
获取目标的位置信息：使用传感器或其他定位技术获取目标在每个时间步骤中的位置信息。位置信息可以表示目标在二维或三维空间中的坐标。
基于检测到的目标位置信息，对目标进行分类：根据目标的属性、特征或其他可识别的信息，对目标进行分类。为每个目标分配唯一的标识符：为了在后续处理中对目标进行区分和识别，为每个目标分配一个唯一的标识符。这可以是一个独特的标签、ID或数字，以确保每个目标都有唯一的标识。
对装载数据中的目标进行追踪，以获得目标的状态、朝向和运动轨迹信息：使用目标跟踪算法和技术，通过连续的时间步骤追踪目标的位置变化。这样可以得到目标的运动状态、朝向和轨迹信息。
在每个时间步骤中，将前一时刻的目标位置信息和当前时刻的目标检测结果进行匹配，建立目标之间的关联：通过比较前一时刻的目标位置信息和当前时刻的目标检测结果，将相同目标之间的位置进行匹配，建立目标之间的关联。这样可以跟踪目标在时间上的连续性，确保目标的标识和状态的正确性。
对目标进行状态估计，所述状态包括位置、速度、加速度、朝向：基于目标的位置和运动信息，通过运动模型和滤波算法对目标的状态进行估计。状态包括位置(坐标)、速度、加速度和朝向等。这样可以推断目标的当前状态并预测其未来的运动。
根据目标的位置和运动信息，计算目标的运动轨迹：利用目标的位置和运动信息，可以计算目标的运动轨迹，即目标在一段时间内的移动路径。这有助于了解目标的运动模式和行为。
将目标的标识、分类、状态、朝向和运动轨迹信息与实体进行融合：最后，将目标的标识、分类、状态、朝向和运动轨迹信息与其他相关实体(如物流车辆、货物、路线等)进行融合。通过将这些信息整合在一起，可以得到融合后的物流车辆信息，提供全面的视图和理解。
506、将所述融合后物流车辆信息进行展示。
本实施例通过关联装载数据和目标属性，可以获取每个目标的位置或属性信息。目标区分和追踪使得对目标的状态、朝向和运动轨迹进行追踪成为可能。这有助于理解物流车辆的行为和运动模式，为后续分析和规划提供更详细的信息。
本实施例将目标的标识、分类、状态、朝向和运动轨迹信息与实体进行融合，得到融合后的物流车辆信息。这使得整个物流车辆系统的信息更加完整和全面，为决策者提供了更准确的数据支持。
请参阅图6，本发明实施例中物流车线及装载管理装置的实施例包括：
601、模型创建单元，用于创建一数据模型，所述数据模型用于存储和管理物流车辆的信息，所述数据模型包括实体和属性；
602、数据获取单元，用于通过与车辆线路各节点进行数据交互，获取物流车辆的装载数据和发车数据；
603、装载率计算单元，用于根据收集到的装载数据和发车数据，计算得到物流车辆的装载率；
604、配载计算单元，用于使用贪婪算法对物流车辆的装车配载进行分析和计算，得到装车配载信息；
605、数据融合单元，用于基于所述数据模型和装车配载信息，对收集到的数据信息进行数据融合，得到融合后物流车辆信息；
606、信息展示单元，用于将所述融合后物流车辆信息进行展示。
图7是本发明实施例提供的一种电子设备的结构示意图，该电子设备700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 processingunits，CPU)710(例如，一个或一个以上处理器)和存储器720，一个或一个以上存储应用程序733或数据732的存储介质730(例如一个或一个以上海量存储设备)。其中，存储器720和存储介质730可以是短暂存储或持久存储。存储在存储介质730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电子设备700中的一系列指令操作。更进一步地，处理器710可以设置为与存储介质730通信，在电子设备700上执行存储介质730中的一系列指令操作。
电子设备700还可以包括一个或一个以上电源740，一个或一个以上有线或无线网络接口750，一个或一个以上输入输出接口750，和/或，一个或一个以上操作系统731，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图7示出的电子设备结构并不构成对基于电子设备的限定，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，使得计算机执行物流车线及装载管理方法的步骤。
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)
1.一种物流车线及装载管理方法，其特征在于，所述物流车线及装载管理方法包括：
创建一数据模型，所述数据模型用于存储和管理物流车辆的信息，所述数据模型包括实体和属性；
通过与车辆线路各节点进行数据交互，获取物流车辆的装载数据和发车数据；
根据收集到的装载数据和发车数据，计算得到物流车辆的装载率；
使用贪婪算法对物流车辆的装车配载进行分析和计算，得到装车配载信息；
基于所述数据模型和装车配载信息，对收集到的数据信息进行数据融合，得到融合后物流车辆信息；
将所述融合后物流车辆信息进行展示。
2.根据权利要求1所述的一种物流车线及装载管理方法，其特征在于，所述创建一数据模型，所述数据模型用于存储和管理物流车辆的信息，所述数据模型包括实体和属性，包括
创建图数据库，所述图数据库支持节点和关系的存储和查询；
根据实体和属性，定义物流车辆节点的标签和属性，所述每个节点定义以下属性：
车辆编号：字符串类型，唯一标识符；
载重能力：数值类型，表示车辆的最大载重能力；
车辆类型：字符串类型，表示车辆的类型；
当前装载情况：嵌套结构，用于记录当前车辆已装载的货物信息；
使用图数据库提供的API或查询语言，在数据库中创建物流车辆节点，并为每个节点设置相应的属性。
3.根据权利要求1所述的创建一数据模型，一种物流车线及装载管理方法，其特征在于，所述根据收集到的装载数据和发车数据，计算得到物流车辆的装载率，包括：
获取装载数据，所述装载数据包括每辆物流车辆所装载的货物信息，所述货物信息至少包括货物数量、重量、体积；
获取发车数据，所述发车数据包括每辆物流车辆的最大载重能力或最大装载体积；
对于每辆物流车辆，根据装载数据计算实际装载的货物总重量或总体积；
将实际装载的货物总重量或总体积除以物流车辆的最大载重能力或最大装载体积，得到装载率，所述装载率采用以下公式计算：
装载率＝(实际装载的货物总重量或总体积)/(物流车辆的最大载重能力或最大装载体积)*100％；
对于每辆物流车辆，重复上述步骤，计算其对应的装载率。
4.根据权利要求1所述的创建一数据模型，一种物流车线及装载管理方法，其特征在于，所述使用贪婪算法对物流车辆的装车配载进行分析和计算，得到装车配载信息，包括：
创建一个空的装车方案和一个空的解集合；
根据装车配载的优化目标，设计一贪婪准则函数来评估每个货物的选择优先级；
对于每个货物，计算其贪婪准则函数的值；
从剩余的货物中选择具有最高贪婪准则函数值的货物作为当前的候选对象；
将选中的货物尝试装载到合适的物流车辆中，并检查是否满足车辆的载重能力和剩余空间的限制；
如果装载是可行的，将货物添加到当前的装车方案中，并将该方案添加到解集合中；
如果所有货物都被考虑过，或者无法再将货物装载到任何物流车辆中，则结束算法；
对解集合中的每个装车方案，计算其目标函数值，所述目标函数值为装载率、效率或成本；
从解集合中选择具有最优目标函数值的装车方案作为最终的配载方案；
将最优解作为算法的输出，表示物流车辆的装车配载信息。
5.根据权利要求1所述的创建一数据模型，一种物流车线及装载管理方法，其特征在于，所述基于所述数据模型和装车配载信息，对收集到的数据信息进行数据融合，得到融合后物流车辆信息，包括：
对收集到的数据进行预处理，所述预处理包括去除重复数据、处理缺失值和异常值；
对预处理后的数据进行校准和对齐；
根据装车配载信息中的目标属性，对数据进行关联，获取每个目标的位置或属性；
进行目标区分和追踪，对所述目标进行标识和分类，追踪所述目标的状态、朝向和运动轨迹，得到融合后物流车辆信息。
6.根据权利要求5所述的创建一数据模型，一种物流车线及装载管理方法，其特征在于，所述进行目标区分和追踪，对所述目标进行标识和分类，追踪所述目标的状态、朝向和运动轨迹，得到融合后物流车辆信息，包括：
获取目标的位置信息；
基于检测到的目标位置信息，对目标进行分类；
为每个目标分配唯一的标识符；
对装载数据中的目标进行追踪，以获得目标的状态、朝向和运动轨迹信息；
在每个时间步骤中，将前一时刻的目标位置信息和当前时刻的目标检测结果进行匹配，建立目标之间的关联；
对目标进行状态估计，所述状态包括位置、速度、加速度、朝向；
根据目标的位置和运动信息，计算目标的运动轨迹；
将目标的标识、分类、状态、朝向和运动轨迹信息与实体进行融合，得到融合后的物流车辆信息。
7.根据权利要求6所述的创建一数据模型，一种物流车线及装载管理方法，其特征在于，所述在每个时间步骤中，将前一时刻的目标位置信息和当前时刻的目标检测结果进行匹配，建立目标之间的关联，包括：
获取上一个时间步骤中检测到的目标的位置信息；
获取当前时刻的目标位置信息
将前一时刻的目标和当前时刻的目标进行匹配，匹配的标准为位置重叠度、外观相似度、运动一致性；
根据目标关联的结果，更新目标的状态信息，如位置、速度、加速度、朝向。
8.一种物流车线及装载管理装置，其特征在于，包括：
模型创建单元，用于创建一数据模型，所述数据模型用于存储和管理物流车辆的信息，所述数据模型包括实体和属性；
数据获取单元，用于通过与车辆线路各节点进行数据交互，获取物流车辆的装载数据和发车数据；
装载率计算单元，用于根据收集到的装载数据和发车数据，计算得到物流车辆的装载率；
配载计算单元，用于使用贪婪算法对物流车辆的装车配载进行分析和计算，得到装车配载信息；
数据融合单元，用于基于所述数据模型和装车配载信息，对收集到的数据信息进行数据融合，得到融合后物流车辆信息；
信息展示单元，用于将所述融合后物流车辆信息进行展示。
9.一种电子设备，所述电子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，以使得所述电子设备执行如权利要求1-7中任一项所述的物流车线及装载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指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述物流车线及装载管理方法的各个步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310704488.5A CN116777328A (zh) | 2023-06-14 | 2023-06-14 | 一种物流车线及装载管理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310704488.5A CN116777328A (zh) | 2023-06-14 | 2023-06-14 | 一种物流车线及装载管理方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116777328A true CN116777328A (zh) | 2023-09-19 |
Family
ID=87995725
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310704488.5A Pending CN116777328A (zh) | 2023-06-14 | 2023-06-14 | 一种物流车线及装载管理方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116777328A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117528036A (zh) * | 2024-01-05 | 2024-02-06 | 江西众加利高科技股份有限公司 | 货车数据的智能处理方法及相关装置 |
| CN117973989A (zh) * | 2024-04-02 | 2024-05-03 | 安徽轩创智能科技有限公司 | 一种基于5g技术的智造产业园管理系统 |
-
2023
- 2023-06-14 CN CN202310704488.5A patent/CN116777328A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117528036A (zh) * | 2024-01-05 | 2024-02-06 | 江西众加利高科技股份有限公司 | 货车数据的智能处理方法及相关装置 |
| CN117528036B (zh) * | 2024-01-05 | 2024-03-19 | 江西众加利高科技股份有限公司 | 货车数据的智能处理方法及相关装置 |
| CN117973989A (zh) * | 2024-04-02 | 2024-05-03 | 安徽轩创智能科技有限公司 | 一种基于5g技术的智造产业园管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | On-time last-mile delivery: Order assignment with travel-time predictors | |
| CN116777328A (zh) | 一种物流车线及装载管理方法、装置、设备及存储介质 | |
| Wäscher | Order picking: a survey of planning problems and methods | |
| CN110599090B (zh) | 一种仓储出库管理方法、服务器和存储介质 | |
| US20050278062A1 (en) | Time-based warehouse movement maps | |
| CN114331257A (zh) | 物流运输装载管理方法、装置、设备及存储介质 | |
| KR100982622B1 (ko) | 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법 | |
| CN113420928A (zh) | 订单调度方法、装置、设备及存储介质 | |
| CN112925308B (zh) | 路径规划方法、装置及计算机存储介质 | |
| Jiang et al. | A scheme for determining vehicle routes based on Arc-based service network design | |
| CN111680951A (zh) | 一种订单合并处理方法及装置 | |
| Alias et al. | Applying novel Future-Internet-based supply chain control towers to the transport and logistics domain | |
| Lorenc et al. | Improve the Orders Picking in e-Commerce by Using WMS Data and BigData Analysis. | |
| Liu et al. | Artificial intelligence in smart logistics cyber-physical systems: State-of-the-arts and potential applications | |
| CN116569118A (zh) | 信息管理方法及装置 | |
| Zhang et al. | Free-floating bike-sharing systems: New repositioning rules, optimization models and solution algorithms | |
| CN114971481A (zh) | 物流对象运输时效监控方法、装置、设备和存储介质 | |
| Qu et al. | Internet-of-Things-based just-in-time milk-run logistics routing system | |
| Cao et al. | Digital twin-driven warehouse management system for picking path planning problem | |
| CN115907580A (zh) | 城配物流的运输监控方法、装置、设备及存储介质 | |
| Aghamohamadi-Bosjin et al. | A hybrid metaheuristic algorithm for data driven leagile sustainable closed-loop supply chain modeling under disruption risk | |
| Wolfenburg | New version of the BBS method and its usage for determining and scheduling vehicle routes | |
| Nova et al. | Integrative conceptual framework to support decisions on warehousing operations in forward and reverse flow | |
| CN113610466A (zh) | 一种智能仓储设备管理方法及系统 | |
| Duan et al. | Nondominated Sorting Differential Evolution Algorithm to Solve the Biobjective Multi‐AGV Routing Problem in Hazardous Chemicals Warehouse |
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 |