CN116934200A - 一种基于大数据的物流运输监管系统和方法 - Google Patents

一种基于大数据的物流运输监管系统和方法 Download PDF

Info

Publication number
CN116934200A
CN116934200A CN202310917732.6A CN202310917732A CN116934200A CN 116934200 A CN116934200 A CN 116934200A CN 202310917732 A CN202310917732 A CN 202310917732A CN 116934200 A CN116934200 A CN 116934200A
Authority
CN
China
Prior art keywords
information
data
vehicle
module
transportation
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.)
Withdrawn
Application number
CN202310917732.6A
Other languages
English (en)
Inventor
曾志明
林汉锋
王文均
梁志恩
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.)
Guangdong Jingguang Logistics Technology Co ltd
Original Assignee
Guangdong Jingguang Logistics 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 Guangdong Jingguang Logistics Technology Co ltd filed Critical Guangdong Jingguang Logistics Technology Co ltd
Priority to CN202310917732.6A priority Critical patent/CN116934200A/zh
Publication of CN116934200A publication Critical patent/CN116934200A/zh
Withdrawn legal-status Critical Current

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
    • G06Q10/0833—Tracking
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • 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"
    • 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
    • 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
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0841—Registering performance data
    • G07C5/085—Registering performance data using electronic data carriers
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Educational Administration (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运输监管方法和系统，所述方法包括采集物流运输相关的数据；所述数据包括第一信息和第二信息；将采集到的数据通过运输端网络或移动通信网络上传到监管中心数据库系统，供实时监测和分析；设置监控列表进行成本监控；将采集到的数据进行建模，根据模型进行预测和优化运输成本，所述系统包括数据采集模块、数据传输模块、数据分析和监控模块和预测和优化模块：通过此方法和系统；实现对物流运输过程的全监管和管理，该系统利用物流运输数据和相关信息进行实时监测、分析和预测，降低运输成本，提高效率。

Description

一种基于大数据的物流运输监管系统和方法
技术领域
本发明涉及物流运输技术领域，特别涉及一种基于大数据的物流运输监管系统和方法。
背景技术
物流是物品从供应地向接收地的实体流动过程中，根据实际需要，将运输、储存、装卸搬运、包装、流通加工、配送、信息处理等功能有机结合起来实现用户要求的过程。物流是一个控制原材料、制成品、产成品和信息的系统，从供应开始经各种中间环节的转让及拥有而到达最终消费者手中的实物运动，以此实现组织的明确目标；现代物流是经济全球化的产物，也是推动经济全球化的重要服务业。
物流运输是现代经济社会发展中不可或缺的环节，物流成本和效率是物流重要的指标，但传统的物流监管方式存在很难准确地监控和预测成本。
发明内容
本发明提供了一种基于大数据的物流运输监管方法和系统，旨在通过大数据技术和分析方法，实现对物流运输过程的全监管和管理，该系统利用物流运输数据和相关信息进行实时监测、分析和预测，降低运输成本，提高效率。
本发明提出的一种基于大数据的物流运输监管方法，所述方法包括：
S1、采集物流运输相关的数据；所述数据包括第一信息和第二信息；所述第二信息包括多个子类别；
S2、将采集到的数据通过运输端网络或移动通信网络上传到监管中心数据库系统，供实时监测和分析；
S3、将采集到的数据进行分析，并设置监控列表进行成本监控；
S4、将采集到的数据进行建模，根据模型进行预测和优化运输成本。
进一步的，一种基于大数据的物流运输监管方法，所述S1包括：采集第一信息和采集第二信息；所述采集第一信息包括：
采集运输网点拓扑结构、车辆信息和驾驶员信息；所述车辆信息包括车牌号、车辆型号、载重和车况信息；根据网点拓扑结构获得线路信息；所述车况信息包括车辆已行驶里程L、车辆年限Y和车辆性能P；根据所述车况信息获取车况系数；
其中，La为车辆平均行驶里程，Ya为车辆平均使用年限，Pa为车辆平均性能；a1、a2和a3为常数，范围为(0，1)；
采集车辆位置信息、车速信息；所述车辆位置信息并通过电子地图进行显示；
采集环境信息，所述环境信息包括天气环境、地理环境和交通数据；通过车辆位置信息结合气象信息和智慧交通信息，获取运输过程中的气象数据和交通数据；根据所述环境信息计算环境系数zi；
所述环境系数为zi＝b1×Z1+b2×Z2+b3×Z3；
其中，Z1为某一运输过程中恶劣天气在运输过程中的占比，Z2为普通道路和山路在运输过程中的路程占比，Z3某一运输过程中拥堵路段和总路段的占比；b1、b2和b3为常数，范围为[0，1]；b1+b2+b3＝1；不包括0和1；
采集货物信息，所述货物信息包括货物种类、体积和重量，根据货物信息计算商品系数；所述商品系数为Si；其中，wi为货物权重，取值范围为(0，1)，L为货物重量，Lb为设定的标准重量；V为货物的体积，Vb为设定的标准体积；
所述采集第二信息包括：采集支出信息，所述支出信息包括多个子类别：保养支出信息、油耗支出信息、过路费和时间成本。
进一步的，一种基于大数据的物流运输监管方法，所述S2包括：
获取每个运输节点的权重和数据的权重；将同一时间段不同的运输节点按照货物的价值和重要程度进行等级分类，根据分类结果设置不同的节点权重；
将数据先根据节点权重进行排序，权重高的优先上传；同一节点的第一信息优先上传；
在车端对数据进行预处理，去除重复数据，然后上传至监管中心数据库。
进一步的，一种基于大数据的物流运输监管方法，所述S3包括：
将同一车辆同一运输过程中的第一信息和第二信息作为一组数据获得第一分类结果；
将所述第一分类结果按照车量型号和季节进行分类获得第二分类结果；
将第二分类模块下的分类结果按照不同线路分类获得第三分类结果；按照第三分类结果设置监控列表进行监控；
在一个统计周期内，将所述第三分类结果下同一类别的数据进行统计分析，获取某一台车不同组数据在单位重量单位里程下的支出信息的均值获取同一分类下不同车辆单位重量单位里程下的支出信息的均值/>和标准差σ；
将与/>进行对比，
如果则系统进行预警并将此车加入关注列表；其中，n为对比车辆在统计周期内数据的组数，q为调节系数，范围为0<q<1；
在一个统计周期内，将所述第三分类结果下的前一统计周期第二信息的各个子类别均值和标准差为参照，设置监控基准进行监控，并定期进更新。
进一步的，一种基于大数据的物流运输监管方法，所述S4包括：
选择一个统计周期的数据，仅用第一分类结果建立第一多元回归模型，在第二分类结果下建立第二多元回归模型，在第三分类结果下建立第三多元回归模型；
通过将不同模型预测结果与实际结果对比；根据对比结果选取最优模型；误差最小的模型为最优模型；
通过获取第一信息值代入最优模型，预测所述第二信息值；
根据最优模型和第一信息值，找出可优化的项目进行优化；
根据优化结果，调整控制列表中的控制限。
本发明提出一种基于大数据的物流运输监管系统，所述系统包括：
数据采集模块：采集物流运输相关的数据；所述数据包括第一信息和第二信息；所述第二信息包括多个子类别；
数据传输模块：将采集到的数据通过运输端网络或移动通信网络上传到监管中心数据库系统，供实时监测和分析；
数据分析和监控模块：将采集到的数据进行分析，并设置监控列表进行成本监控；
预测和优化模块：将采集到的数据进行建模，根据模型进行预测和优化运输成本。
进一步的，一种基于大数据的物流运输监管系统，所述数据采集模块包括第一信息采集模块和第二信息采集模块，所述第一信息采集模块包括：
综合信息采集模块：采集运输网点拓扑结构、车辆信息和驾驶员信息；所述车辆信息包括车牌号、车辆型号、载重和车况信息；根据网点拓扑结构获得线路信息；所述车况信息包括车辆已行驶里程L、车辆年限Y和车辆性能P；根据所述车况信息获取车况系数；
其中，La为车辆平均行驶里程，Ya为车辆平均使用年限，Pa为车辆平均性能；a1、a2和a3为常数，范围为(0，1)；
车辆信息采集模块：采集车辆位置信息、车速信息；所述车辆位置信息并通过电子地图进行显示；
环境信息采集模块：采集环境信息，所述环境信息包括天气环境、地理环境和交通数据；通过车辆位置信息结合气象信息和智慧交通信息，获取运输过程中的气象数据和交通数据；根据所述环境信息计算环境系数zi；
所述环境系数为zi＝b1×Z1+b2×Z2+b3×Z3；
其中，Z1为某一运输过程中恶劣天气在运输过程中的占比，Z2为普通道路和山路在运输过程中的路程占比，Z3某一运输过程中拥堵路段和总路段的占比；b1、b2和b3为常数，范围为(0，1)；b1+b2+b3＝1；
货物信息采集模块：采集货物信息，所述货物信息包括货物种类、体积和重量，根据货物信息计算商品系数；所述商品系数为Si；其中，wi为货物权重，取值范围为(0，1)，L为货物重量，Lb为设定的标准重量；V为货物的体积，Vb为设定的标准体积；
所述第二信息采集模块为用于采集支出信息，所述支出信息包括多个子类别：保养支出信息、油耗支出信息、过路费和时间成本。
进一步的，一种基于大数据的物流运输监管系统，所述数据传输模块包括：
节点权重模块：获取每个运输节点的权重和数据的权重；将同一时间段不同的运输节点按照货物的价值和重要程度进行等级分类，根据分类结果设置不同的节点权重；
数据排序模块：将数据先根据节点权重进行排序，权重高的优先上传；同一节点的第一信息优先上传；
数据上传模块：在车端对数据进行预处理，去除重复数据，然后上传至监管中心数据库。
进一步的，一种基于大数据的物流运输监管系统，所述数据分析和监控模块包括：
第一分类模块：将同一车辆同一运输过程中的第一信息和第二信息作为一组数据获得第一分类结果；
第二分类模块：将所述第一分类结果按照车量型号和季节进行分类获得第二分类结果；
第三分类模块：将第二分类模块下的分类结果按照不同线路分类获得第三分类结果；按照第三分类结果设置监控列表进行监控；
第一获取模块：在一个统计周期内，将所述第三分类结果下同一类别的数据进行统计分析，获取某一台车不同组数据在单位重量单位里程下的支出信息的均值获取同一分类下不同车辆单位重量单位里程下的支出信息的均值/>和标准差σ；
第一对比模块：将与/>进行对比，如果
则系统进行预警并将此车加入关注列表；其中，n为对比车辆在统计周期内数据的组数，q为调节系数，范围为0<q<1；
监控模块：在一个统计周期内，将所述第三分类结果下的前一统计周期第二信息的各个子类别均值和标准差为参照，设置监控基准进行监控，并定期进更新。
进一步的，一种基于大数据的物流运输监管系统，所述数据预测和优化模块包括：
模型建立模块：选择一个统计周期的数据，仅用第一分类结果建立第一多元回归模型，在第二分类结果下建立第二多元回归模型，在第三分类结果下建立第三多元回归模型；
模型选择模块：通过将不同模型预测结果与实际结果对比；根据对比结果选取最优模型；误差最小的模型为最优模型；
预测模块：通过获取第一信息值代入最优模型，预测所述第二信息值；
优化模块：根据最优模型和第一信息值，找出可优化的项目进行优化；
监控调整模块：根据优化结果，调整控制列表中的控制限。
本发明有益效果：通过数据采集，系统能够实时获取物流运输相关的第一信息和第二信息，包括运输车辆信息、货物信息、司机信息，这些信息可以帮助监管中心对物流运输活动进行实时监测和分析，提高监管效率；通过数据分析和监控模块，监管中心可以针对不同的分类下设置监控列表，并进行成本监控。这样可以发现潜在的风险和问题，提前进行预警，并采取有效的措施保障物流运输的安全性；通过预测和优化模块，系统可以将采集到的数据进行建模，并根据模型进行运输成本的预测和优化；监管中心可以根据这些预测结果，制定合理的运输路线和策略，以降低物流运输的成本；通过数据传输，监管中心可以及时获取到物流运输相关的数据，不仅能够进行实时监测和分析，还可以及时调整和优化运输计划。这样可以提升物流运输的效率，缩短运输时间，提高物流运输服务的质量。
综上所述，该基于大数据的物流运输监管系统可以提高监管效率、提升运输安全性、降低运输成本和提升运输效率，从而达到优化物流运输管理的目的。
附图说明
图1为本发明所述一种基于大数据的物流运输监管方法示意图；
图2为本发明所述一种基于大数据的物流运输监管系统示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
本实施例一种基于大数据的物流运输监管方法，所述方法包括：
S1、采集物流运输相关的数据；所述数据包括第一信息和第二信息；所述第二信息包括多个子类别；
S2、将采集到的数据通过运输端网络或移动通信网络上传到监管中心数据库系统，供实时监测和分析；
S3、将采集到的数据进行分析，并设置监控列表进行成本监控；
S4、将采集到的数据进行建模，根据模型进行预测和优化运输成本。
上述技术方案的工作原理和效果为：通过数据采集，系统能够实时获取物流运输相关的第一信息和第二信息，包括运输车辆信息、货物信息、司机信息，这些信息可以帮助监管中心对物流运输活动进行实时监测和分析，提高监管效率；通过数据分析和监控模块，监管中心可以针对不同的分类下设置监控列表，并进行成本监控。这样可以发现潜在的风险和问题，提前进行预警，并采取有效的措施保障物流运输的安全性；通过预测和优化模块，系统可以将采集到的数据进行建模，并根据模型进行运输成本的预测和优化；监管中心可以根据这些预测结果，制定合理的运输路线和策略，以降低物流运输的成本；通过数据传输，监管中心可以及时获取到物流运输相关的数据，不仅能够进行实时监测和分析，还可以及时调整和优化运输计划。这样可以提升物流运输的效率，缩短运输时间，提高物流运输服务的质量。
综上所述，该基于大数据的物流运输监管系统可以提高监管效率、提升运输安全性、降低运输成本和提升运输效率，从而达到优化物流运输管理的目的。
本实施例一种基于大数据的物流运输监管方法，所述S1包括：采集第一信息和采集第二信息；所述采集第一信息包括：
采集运输网点拓扑结构、车辆信息和驾驶员信息；所述车辆信息包括车牌号、车辆型号、载重和车况信息；根据网点拓扑结构获得线路信息；所述车况信息包括车辆已行驶里程L、车辆年限Y和车辆性能P；根据所述车况信息获取车况系数；
其中，La为车辆平均行驶里程，Ya为车辆平均使用年限，Pa为车辆平均性能；a1、a2和a3为常数，范围为(0，1)；不包括0和1；
采集车辆位置信息、车速信息；所述车辆位置信息并通过电子地图进行显示；
采集环境信息，所述环境信息包括天气环境、地理环境和交通数据；通过车辆位置信息结合气象信息和智慧交通信息，获取运输过程中的气象数据和交通数据；根据所述环境信息计算环境系数zi；计算某一运输过程中恶劣天气在运输过程中的占比、普通道路和山路在运输过程中的路程占比以及拥堵路段和总路段的占比；
所述环境系数为zi＝b1×Z1+b2×Z2+b3×Z3；
其中，Z1为某一运输过程中恶劣天气在运输过程中的占比，Z2为普通道路和山路在运输过程中的路程占比，Z3某一运输过程中拥堵路段和总路段的占比；b1、b2和b3为常数，范围为[0，1]；b1+b2+b3＝1；不包括0和1；
采集货物信息，所述货物信息包括货物种类、体积和重量，根据货物信息计算商品系数；所述商品系数为Si；其中，wi为货物权重，取值范围为(0，1)，L为货物重量，Lb为设定的标准重量；V为货物的体积，Vb为设定的标准体积；根据货物的种类设置类别权重wi；所述货物的种类包括普通货物，易燃易爆品，生鲜货物、易碎货物，其中权重为易燃易爆品>生鲜货物>易碎货物>普通货物,wi为货物权重取值范围为(0，1)，不包括0和1；
所述采集第二信息包括：采集支出信息，所述支出信息包括多个子类别：保养支出信息、油耗支出信息、过路费和时间成本。
上述技术方案的工作原理为：数据采集模块用于采集物流运输相关的数据，包括第一信息和第二信息。第一信息采集模块包括综合信息采集模块、车辆信息采集模块、环境信息采集模块和货物信息采集模块。综合信息采集模块用于采集运输网点拓扑结构、车辆信息和驾驶员信息。车辆信息包括车牌号、车辆型号、载重和车况信息，其中车况信息包括车辆已行驶里程L、车辆年限Y和车辆性能P。根据车况信息计算车辆的车况系数。车辆信息采集模块还采集车辆位置信息和车速信息，通过电子地图进行显示。环境信息采集模块用于采集天气环境、地理环境和交通数据，结合车辆位置信息、气象信息和智慧交通信息，获取运输过程中的气象数据和交通数据。根据环境信息计算环境系数。货物信息采集模块用于采集货物信息，包括货物种类、体积和重量，根据货物信息计算商品系数。
上述技术方案的效果为：通过对相应的信息进行收集和计算，用于评估车辆的车况、环境的影响以及货物特性对运输成本的影响；通过对各项因素的综合考量，提供了客观的指标来评估和优化物流运输的成本，帮助决策者做出准确且有效的决策，降低运输成本，提高物流运输的效率和质量。
本实施例一种基于大数据的物流运输监管方法，所述S2包括：
获取每个运输节点的权重和数据的权重；将同一时间段不同的运输节点按照货物的价值和重要程度进行等级分类，根据分类结果设置不同的节点权重；所述运输节点为在同一时间段运载货物的车辆；
将数据先根据节点权重进行排序，权重高的优先上传；同一节点的第一信息优先上传；
在车端对数据进行预处理，去除重复数据，然后上传至监管中心数据库。
上述技术方案的工作原理为：为每个运输节点分配权重，同时也考虑了数据的权重。在此模块中，系统会获取每个运输节点的权重和数据的权重。权重的分配可以基于多种因素进行，如货物的价值、重要程度等。系统将在同一时间段内不同的运输节点进行等级分类，并根据分类结果为每个节点设置不同的权重。这样可以根据节点的重要性和价值确定数据上传的优先级；根据节点权重对数据进行排序，并遵循一定的上传规则；首先，根据节点权重，权重较高的节点将被优先上传数据。此外，对于同一节点的数据，系统会根据一定的规则确保第一信息(例如最新的数据)优先上传。通过数据排序的处理，可以保证数据传输的顺序性和及时性；数据上传模块位于车辆端，它对数据进行预处理并将其上传至监管中心的数据库。在上传之前，数据上传模块会进行预处理，去除重复的数据，以避免数据库中存在冗余或不必要的信息；然后，经过预处理的数据将按照节点权重和排序规则进行上传，确保数据的有效性和准确性。
上述技术方案的效果为：系统根据节点的重要性和价值对数据进行智能排序和上传，使监管中心能够及时获取最有价值的数据，从而提高物流运输监管的效率。对不同节点的权重进行分类，确保高价值和重要程度的数据优先上传，从而保证监管中心能够及时获得关键数据，进行有效的监管。对数据进行排序，确保最新的数据优先上传，从而提供准确、一致的数据给监管中心，有助于实时监控和决策的准确性；车辆端对数据进行预处理，去除重复数据，避免数据库中存在冗余信息，从而保证数据的干净和高质量。
本实施例一种基于大数据的物流运输监管方法，所述S3包括：
将同一车辆同一运输过程中的第一信息和第二信息作为一组数据获得第一分类结果；例如车辆C1某一次从A地到B地的采集的数据作为一组数据；
将所述第一分类结果按照车量型号和季节进行分类获得第二分类结果；
将第二分类模块下的分类结果按照不同线路分类获得第三分类结果；按照第三分类结果设置监控列表进行监控；
在一个统计周期内，将所述第三分类结果下同一类别的数据进行统计分析，获取某一台车不同组数据在单位重量单位里程下的支出信息的均值获取同一分类下不同车辆单位重量单位里程下的支出信息的均值/>和标准差σ；所述统计周期可以为一个月、一个季度；
将与/>进行对比，如果
则系统进行预警并将此车加入关注列表；其中，n为对比车辆在统计周期内数据的组数，q为调节系数，范围为0<q<1；
在一个统计周期内，将所述第三分类结果下的前一统计周期第二信息的各个子类别均值和标准差为参照，设置监控基准进行监控，并定期进更新；如果成本优化或者行情变化，例如油价上涨，则根据上涨幅度重新设置监控标准。
上述技术方案的工作原理为：将同一车辆在同一运输过程中的第一信息和第二信息作为一组数据。例如，车辆C1在某一次从A地到B地的运输中采集的数据被视为一组数据。这个模块的目的是将数据进行初步分类，为后续的分析和监控做准备。
根据车辆型号和季节对第一分类结果进行进一步的分类；通过对车辆型号和季节的分类，可以更细致地区分不同类型和季节的运输情况，因为季节的不同，车辆启动时间，消耗油耗不同，例如，冬天车辆启动时间长，油耗相对较高，所以根据季节进行分类，为后续的数据分析和监控提供更具体的数据分类结果。
按照不同线路对第二分类结果进行分类，将数据进一步按照线路进行细分；这样可以将相似线路上的运输情况归为一类，便于后续的数据分析和监控。
在一个统计周期内对第三分类结果下的同一类别数据进行统计分析。其中，针对某一台车辆的不同数据组，在单位重量单位里程下的支出信息的均值进行统计获取。同时，还获取了同一分类下不同车辆在单位重量单位里程下的支出信息的均值/>和标准差σ。统计周期可以设置为一个月或一个季度。
将均值与同一分类下不同车辆的均值/>进行对比。如果/>超过了/>进加上一定的阈值的范围，即
那么系统将进行预警并将该车辆加入关注列表；其中，n为对比车辆在统计周期内数据的组数，q为调节系数，取值范围为0<q<1。
一个统计周期内，根据第三分类结果下的前一统计周期中第二信息的各个子类别均值和标准差作为参照，设置监控基准进行监控。监控基准定期进行更新。如果出现成本优化或行情变化，例如油价上涨，系统将根据上涨幅度重新设置监控标准。通过监控模块，可以及时发现异常情况和变动，并采取相应的措施进行调整和管理。
该系统的原理是通过数据分析和监控模块对物流运输数据进行分类、统计和对比，以及设置监控基准，从而实现对运输过程中数据的分析、异常检测和风险管理。
上述技术方案的效果为：通过多级分类，将复杂的物流运输数据细分为不同层级，考虑到季节，车型，线路都成本的影响，方便后续的数据分析和监控。通过对车辆和线路的数据对比和阈值设定，及时发现运输成本异常、效益下降等问题，并进行预警通知，有助于及时采取措施进行处理。通过对数据的统计分析和监控，系统可以识别出成本较高的车辆，并进行关注和优化，以提高物流运输的效益和降低风险。通过监控基准的定期更新和根据行情变化重新设置监控标准，系统能够及时适应外部环境的变化，保持监控的准确性和有效性。
此外，根据前一统计周期的第二信息子类别的均值和标准差来设置监控基准，并可以根据成本优化或行情变化更新监控标准。
通过比较特定车辆的单位重量单位里程下的支出信息均值与同一分类下不同车辆的支出信息均值/>并加上一定调节值后的差异，来进行判断以进行预警和将车辆加入关注列表。如果特定车辆的支出信息均值超过了同一分类下的平均值加上一定范围内的标准差，则系统会触发预警并将该车辆列入关注列表，通过此公式在物流运输监管系统中检测异常支出，特别关注那些支出高于平均水平的车辆；通过对比每辆车的支出信息与整体平均水平的偏差，可以识别出异常或潜在问题车辆，并采取相应的措施进行监控和管理。
值得注意的是，公式中的调节系数q可以根据具体需求进行调整，以便根据统计数据的特点和重要性来平衡预警的灵敏度和准确性。总之，通过这个公式，物流运输监管系统可以有效地识别出潜在的异常支出情况，并及时采取预警和监控措施，以帮助管理者进行合理的决策和管理。
综上所述，该基于大数据的物流运输监管系统的数据分析和监控模块通过数据分类、对比和监控基准的设置，实现了对运输数据的分析、异常检测和风险管理，为物流运输监管提供了支持和决策依据。
本实施例一种基于大数据的物流运输监管方法，所述S4包括：
选择一个统计周期的数据，仅用第一分类结果建立第一多元回归模型，在第二分类结果下建立第二多元回归模型，在第三分类结果下建立第三多元回归模型；其中：多元回归模型如下：
Cθ(x)＝θ0+θ1*x1+θ2*x2+...+θn*xn；
损失函数其中，Cθ(x)为回归模型；m为训练样本数量；
利用梯度下降法最小化损失函数，获得参数θ；
通过将不同模型预测结果与实际结果对比；根据对比结果选取最优模型；误差最小的模型为最优模型；例如：如果第三回归模型误差最小，选择为最优模型，则实际预测中先将数据分类，在第三分类结果下进行预测；
通过获取第一信息值代入最优模型，预测所述第二信息值；
根据最优模型和第一信息值，找出可优化的项目进行优化；
根据优化结果，调整控制列表中的控制限。
上述技术方案的工作原理为：利用统计周期内的数据，在不同分类结果下建立多元回归模型。对于第一分类结果，建立第一多元回归模型；对于第二分类结果，建立第二多元回归模型；对于第三分类结果，建立第三多元回归模型。多元回归模型可以用来描述变量(特征)与目标变量之间的关系。通过将不同模型的预测结果与实际结果进行对比，选取误差最小的模型作为最优模型。如果第三分类结果下的回归模型具有最小的误差，则选择该模型作为最优模型；利用最优模型和第一分类结果的信息，将其代入最优模型中，预测第二信息结果的值。这样可以通过第一分类结果来推断第二信息结果，实现数据预测的功能；基于最优模型和第一分类结果的信息，找出可优化的项目，并进行相应的优化策略。这可以帮助在物流运输中发现潜在的优化机会，并通过合理的调整来提高效率和降低成本。根据优化结果，调整监控列表中的控制限。根据优化后的情况重新设置监控标准和限制条件，以确保监管系统可以及时掌握物流运输的变化情况，并采取适当的控制措施。
上述技术方案的效果为：通过建立多元回归模型并选取最优模型，系统可以准确预测第二信息结果的值；这有助于提前了解物流运输的情况，帮助管理者做出决策和计划。结合最优模型和第一分类结果，系统可以发现可优化的项目，并提供相应的优化策略。这有助于提高物流运输效率，降低成本，并改进运营管理；通过监控调整模块，系统可以根据优化结果和实际情况，及时调整监控列表中的控制限；这可以确保监管系统对物流运输的监控处于一个合理和灵活的状态，以适应不断变化的需求和情况。
总之，该基于大数据的物流运输监管系统的数据预测和优化模块可以通过建立模型、预测数据、优化决策和监管调整，提供准确的数据预测和优化推荐，以提高物流运输的效率和管理水平。
本实施例一种基于大数据的物流运输监管系统，所述系统包括：
数据采集模块：用于采集物流运输相关的数据；所述数据包括第一信息和第二信息；所述第二信息包括多个子类别；
数据传输模块：将采集到的数据通过运输端网络或移动通信网络上传到监管中心数据库系统，供实时监测和分析；
数据分析和监控模块：将采集到的数据进行分析，并设置监控列表进行成本监控；
预测和优化模块：将采集到的数据进行建模，根据模型进行预测和优化运输成本。
上述技术方案的工作原理和效果为：通过数据采集模块，系统能够实时获取物流运输相关的第一信息和第二信息，包括运输车辆信息、货物信息、司机信息，这些信息可以帮助监管中心对物流运输活动进行实时监测和分析，提高监管效率；通过数据分析和监控模块，监管中心可以针对不同的分类下设置监控列表，并进行成本监控。这样可以发现潜在的风险和问题，提前进行预警，并采取有效的措施保障物流运输的安全性；通过预测和优化模块，系统可以将采集到的数据进行建模，并根据模型进行运输成本的预测和优化；监管中心可以根据这些预测结果，制定合理的运输路线和策略，以降低物流运输的成本；通过数据传输模块，监管中心可以及时获取到物流运输相关的数据，不仅能够进行实时监测和分析，还可以及时调整和优化运输计划。这样可以提升物流运输的效率，缩短运输时间，提高物流运输服务的质量。
综上所述，该基于大数据的物流运输监管系统可以提高监管效率、提升运输安全性、降低运输成本和提升运输效率，从而达到优化物流运输管理的目的。
本实施例一种基于大数据的物流运输监管系统，所述数据采集模块包括第一信息采集模块和第二信息采集模块，所述第一信息采集模块包括：
综合信息采集模块：采集运输网点拓扑结构、车辆信息和驾驶员信息；所述车辆信息包括车牌号、车辆型号、载重和车况信息；根据网点拓扑结构获得线路信息；所述车况信息包括车辆已行驶里程L、车辆年限Y和车辆性能P；根据所述车况信息获取车况系数；
其中，La为车辆平均行驶里程，Ya为车辆平均使用年限，Pa为车辆平均性能；a1、a2和a3为常数，范围为(0，1)；不包括0和1；
车辆信息采集模块：采集车辆位置信息、车速信息；所述车辆位置信息并通过电子地图进行显示；
环境信息采集模块：采集环境信息，所述环境信息包括天气环境、地理环境和交通数据；通过车辆位置信息结合气象信息和智慧交通信息，获取运输过程中的气象数据和交通数据；根据所述环境信息计算环境系数zi；计算某一运输过程中恶劣天气在运输过程中的占比、普通道路和山路在运输过程中的路程占比以及拥堵路段和总路段的占比；
所述环境系数为zi＝b1×Z1+b2×Z2+b3×Z3；
其中，Z1为某一运输过程中恶劣天气在运输过程中的占比，Z2为普通道路和山路在运输过程中的路程占比，Z3某一运输过程中拥堵路段和总路段的占比；b1、b2和b3为常数，范围为[0，1]；b1+b2+b3＝1；不包括0和1；
货物信息采集模块：采货物信息，所述货物信息包括货物种类、体积和重量，根据货物信息计算商品系数；所述商品系数为Si；其中，wi为货物权重，取值范围为(0，1)，L为货物重量，Lb为设定的标准重量；V为货物的体积，Vb为设定的标准体积；根据货物的种类设置类别权重wi；所述货物的种类包括普通货物，易燃易爆品，生鲜货物、易碎货物，其中权重为易燃易爆品>生鲜货物>易碎货物>普通货物,wi为货物权重取值范围为(0，1)，不包括0和1；
所述第二信息采集模块为用于采集支出信息，所述支出信息包括多个子类别：保养支出信息、油耗支出信息、过路费和时间成本。
上述技术方案的工作原理为：数据采集模块用于采集物流运输相关的数据，包括第一信息和第二信息。第一信息采集模块包括综合信息采集模块、车辆信息采集模块、环境信息采集模块和货物信息采集模块。综合信息采集模块用于采集运输网点拓扑结构、车辆信息和驾驶员信息。车辆信息包括车牌号、车辆型号、载重和车况信息，其中车况信息包括车辆已行驶里程L、车辆年限Y和车辆性能P。根据车况信息计算车辆的车况系数。车辆信息采集模块还采集车辆位置信息和车速信息，通过电子地图进行显示。环境信息采集模块用于采集天气环境、地理环境和交通数据，结合车辆位置信息、气象信息和智慧交通信息，获取运输过程中的气象数据和交通数据。根据环境信息计算环境系数。货物信息采集模块用于采集货物信息，包括货物种类、体积和重量，根据货物信息计算商品系数。
上述技术方案的效果为：通过对相应的信息进行收集和计算，用于评估车辆的车况、环境的影响以及货物特性对运输成本的影响；通过对各项因素的综合考量，提供了客观的指标来评估和优化物流运输的成本，帮助决策者做出准确且有效的决策，降低运输成本，提高物流运输的效率和质量。
本实施例一种基于大数据的物流运输监管系统，所述数据传输模块包括：
节点权重模块：获取每个运输节点的权重和数据的权重；将同一时间段不同的运输节点按照货物的价值和重要程度进行等级分类，根据分类结果设置不同的节点权重；所述运输节点为在同一时间段运载货物的车辆；
数据排序模块：将数据先根据节点权重进行排序，权重高的优先上传；同一节点的第一信息优先上传；
数据上传模块：在车端对数据进行预处理，去除重复数据，然后上传至监管中心数据库。
上述技术方案的工作原理和效果为：节点权重模块的主要目的是为每个运输节点分配权重，同时也考虑了数据的权重。在此模块中，系统会获取每个运输节点的权重和数据的权重。权重的分配可以基于多种因素进行，如货物的价值、重要程度等。系统将在同一时间段内不同的运输节点进行等级分类，并根据分类结果为每个节点设置不同的权重。这样可以根据节点的重要性和价值确定数据上传的优先级；数据排序模块根据节点权重对数据进行排序，并遵循一定的上传规则；首先，根据节点权重，权重较高的节点将被优先上传数据。此外，对于同一节点的数据，系统会根据一定的规则确保第一信息(例如最新的数据)优先上传。通过数据排序模块的处理，可以保证数据传输的顺序性和及时性；数据上传模块位于车辆端，它对数据进行预处理并将其上传至监管中心的数据库。在上传之前，数据上传模块会进行预处理，去除重复的数据，以避免数据库中存在冗余或不必要的信息；然后，经过预处理的数据将按照节点权重和排序规则进行上传，确保数据的有效性和准确性。
通过以上三个模块的协作，基于大数据的物流运输监管系统可以实现以下效果：
系统根据节点的重要性和价值对数据进行智能排序和上传，使监管中心能够及时获取最有价值的数据，从而提高物流运输监管的效率。
节点权重模块对不同节点的权重进行分类，确保高价值和重要程度的数据优先上传，从而保证监管中心能够及时获得关键数据，进行有效的监管。
数据排序模块对数据进行排序，确保最新的数据优先上传，从而提供准确、一致的数据给监管中心，有助于实时监控和决策的准确性；数据上传模块在车辆端对数据进行预处理，去除重复数据，避免数据库中存在冗余信息，从而保证数据的干净和高质量。
综上所述，基于大数据的物流运输监管系统通过节点权重模块、数据排序模块和数据上传模块的协作，能够实现对物流运输数据的智能管理和优化，提高监管效率，并提供准确、及时、高价值的数据支持监管中心的决策和监控。
本实施例一种基于大数据的物流运输监管系统，所述数据分析和监控模块包括：
第一分类模块：将同一车辆同一运输过程中的第一信息和第二信息作为一组数据获得第一分类结果；例如车辆C1某一次从A地到B地的采集的数据作为一组数据；
第二分类模块：将所述第一分类结果按照车量型号和季节进行分类获得第二分类结果；
第三分类模块：将第二分类模块下的分类结果按照不同线路分类获得第三分类结果；按照第三分类结果设置监控列表进行监控；
第一获取模块：在一个统计周期内，将所述第三分类结果下同一类别的数据进行统计分析，获取某一台车不同组数据在单位重量单位里程下的支出信息的均值获取同一分类下不同车辆单位重量单位里程下的支出信息的均值/>和标准差σ；所述统计周期可以为一个月、一个季度；
第一对比模块：将与/>进行对比，如果
则系统进行预警并将此车加入关注列表；其中，n为对比车辆在统计周期内数据的组数，q为调节系数，范围为0<q<1；
监控模块：在一个统计周期内，将所述第三分类结果下的前一统计周期第二信息的各个子类别均值和标准差为参照，设置监控基准进行监控，并定期进更新；如果成本优化或者行情变化，例如油价上涨，则根据上涨幅度重新设置监控标准。
上述技术方案的工作原理为：第一分类模块将同一车辆在同一运输过程中的第一信息和第二信息作为一组数据。例如，车辆C1在某一次从A地到B地的运输中采集的数据被视为一组数据。这个模块的目的是将数据进行初步分类，为后续的分析和监控做准备。
第二分类模块根据车辆型号和季节对第一分类结果进行进一步的分类。通过对车辆型号和季节的分类，可以更细致地区分不同类型和季节的运输情况，因为季节的不同，车辆启动时间，消耗油耗不同，例如，冬天车辆启动时间长，油耗相对较高，所以根据季节进行分类，为后续的数据分析和监控提供更具体的数据分类结果。
第三分类模块按照不同线路对第二分类结果进行分类，将数据进一步按照线路进行细分。这样可以将相似线路上的运输情况归为一类，便于后续的数据分析和监控。
第一获取模块在一个统计周期内对第三分类结果下的同一类别数据进行统计分析。其中，针对某一台车辆的不同数据组，在单位重量单位里程下的支出信息的均值进行统计获取。同时，还获取了同一分类下不同车辆在单位重量单位里程下的支出信息的均值/>和标准差σ。统计周期可以设置为一个月或一个季度。
第一对比模块将第一获取模块中的均值与同一分类下不同车辆的均值/>进行对比。如果/>超过了/>进加上一定的阈值的范围，即
那么系统将进行预警并将该车辆加入关注列表；其中，n为对比车辆在统计周期内数据的组数，q为调节系数，取值范围为0<q<1。
监控模块在一个统计周期内，根据第三分类结果下的前一统计周期中第二信息的各个子类别均值和标准差作为参照，设置监控基准进行监控。监控基准定期进行更新。如果出现成本优化或行情变化，例如油价上涨，系统将根据上涨幅度重新设置监控标准。通过监控模块，可以及时发现异常情况和变动，并采取相应的措施进行调整和管理。
该系统的原理是通过数据分析和监控模块对物流运输数据进行分类、统计和对比，以及设置监控基准，从而实现对运输过程中数据的分析、异常检测和风险管理。
上述技术方案的效果为：通过多级分类，将复杂的物流运输数据细分为不同层级，考虑到季节，车型，线路都成本的影响，方便后续的数据分析和监控。通过对车辆和线路的数据对比和阈值设定，及时发现运输成本异常、效益下降等问题，并进行预警通知，有助于及时采取措施进行处理。通过对数据的统计分析和监控，系统可以识别出成本较高的车辆，并进行关注和优化，以提高物流运输的效益和降低风险。通过监控基准的定期更新和根据行情变化重新设置监控标准，系统能够及时适应外部环境的变化，保持监控的准确性和有效性。
此外，监控模块根据前一统计周期的第二信息子类别的均值和标准差来设置监控基准，并可以根据成本优化或行情变化更新监控标准。
通过比较特定车辆的单位重量单位里程下的支出信息均值与同一分类下不同车辆的支出信息均值/>并加上一定调节值后的差异，来进行判断以进行预警和将车辆加入关注列表。如果特定车辆的支出信息均值超过了同一分类下的平均值加上一定范围内的标准差，则系统会触发预警并将该车辆列入关注列表，通过此公式在物流运输监管系统中检测异常支出，特别关注那些支出高于平均水平的车辆；通过对比每辆车的支出信息与整体平均水平的偏差，可以识别出异常或潜在问题车辆，并采取相应的措施进行监控和管理。
值得注意的是，公式中的调节系数q可以根据具体需求进行调整，以便根据统计数据的特点和重要性来平衡预警的灵敏度和准确性。总之，通过这个公式，物流运输监管系统可以有效地识别出潜在的异常支出情况，并及时采取预警和监控措施，以帮助管理者进行合理的决策和管理。
综上所述，该基于大数据的物流运输监管系统的数据分析和监控模块通过数据分类、对比和监控基准的设置，实现了对运输数据的分析、异常检测和风险管理，为物流运输监管提供了支持和决策依据。
一种基于大数据的物流运输监管系统，所述数据预测和优化模块包括：
模型建立模块：选择一个统计周期的数据，仅用第一分类结果建立第一多元回归模型，在第二分类结果下建立第二多元回归模型，在第三分类结果下建立第三多元回归模型；其中：多元回归模型如下：
Cθ(x)＝θ0+θ1*x1+θ2*x2+...+θn*xn；
损失函数其中，Cθ(x)为回归模型；m为训练样本数量；
利用梯度下降法最小化损失函数，获得参数θ；
模型选择模块：通过将不同模型预测结果与实际结果对比；根据对比结果选取最优模型；误差最小的模型为最优模型；例如：如果第三回归模型误差最小，选择为最优模型，则实际预测中先将数据分类，在第三分类结果下进行预测；
预测模块：通过获取第一信息值代入最优模型，预测所述第二信息值；
优化模块：根据最优模型和第一信息值，找出可优化的项目进行优化；
监控调整模块：根据优化结果，调整控制列表中的控制限。
上述技术方案的工作原理为：利用统计周期内的数据，在不同分类结果下建立多元回归模型。对于第一分类结果，建立第一多元回归模型；对于第二分类结果，建立第二多元回归模型；对于第三分类结果，建立第三多元回归模型。多元回归模型可以用来描述变量(特征)与目标变量之间的关系。通过将不同模型的预测结果与实际结果进行对比，选取误差最小的模型作为最优模型。如果第三分类结果下的回归模型具有最小的误差，则选择该模型作为最优模型；利用最优模型和第一分类结果的信息，将其代入最优模型中，预测第二信息结果的值。这样可以通过第一分类结果来推断第二信息结果，实现数据预测的功能；基于最优模型和第一分类结果的信息，找出可优化的项目，并进行相应的优化策略。这可以帮助在物流运输中发现潜在的优化机会，并通过合理的调整来提高效率和降低成本。根据优化结果，调整监控列表中的控制限。根据优化后的情况重新设置监控标准和限制条件，以确保监管系统可以及时掌握物流运输的变化情况，并采取适当的控制措施。
上述技术方案的效果为：通过建立多元回归模型并选取最优模型，系统可以准确预测第二信息结果的值；这有助于提前了解物流运输的情况，帮助管理者做出决策和计划。结合最优模型和第一分类结果，系统可以发现可优化的项目，并提供相应的优化策略。这有助于提高物流运输效率，降低成本，并改进运营管理；通过监控调整模块，系统可以根据优化结果和实际情况，及时调整监控列表中的控制限；这可以确保监管系统对物流运输的监控处于一个合理和灵活的状态，以适应不断变化的需求和情况。
总之，该基于大数据的物流运输监管系统的数据预测和优化模块可以通过建立模型、预测数据、优化决策和监管调整，提供准确的数据预测和优化推荐，以提高物流运输的效率和管理水平。
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 (10)

1.一种基于大数据的物流运输监管方法，其特征在于，所述方法包括：
S1、采集物流运输相关的数据；所述数据包括第一信息和第二信息；所述第二信息包括多个子类别；
S2、将采集到的数据通过运输端网络或移动通信网络上传到监管中心数据库系统，供实时监测和分析；
S3、将采集到的数据进行分析，并设置监控列表进行成本监控；
S4、将采集到的数据进行建模，根据模型进行预测和优化运输成本。
2.根据权利要求1所述的一种基于大数据的物流运输监管方法，其特征在于，所述S1包括：采集第一信息和采集第二信息；所述采集第一信息包括：
采集运输网点拓扑结构、车辆信息和驾驶员信息；所述车辆信息包括车牌号、车辆型号、载重和车况信息；根据网点拓扑结构获得线路信息；所述车况信息包括车辆已行驶里程L、车辆年限Y和车辆油耗P；根据所述车况信息获取车况系数；
其中，La为车辆平均行驶里程，Ya为车辆平均使用年限，Pa为车辆平均油耗；a1、a2和a3为常数，范围为(0，1)；
采集车辆位置信息、车速信息；所述车辆位置信息并通过电子地图进行显示；
采集环境信息，所述环境信息包括天气环境、地理环境和交通数据；通过车辆位置信息结合气象信息和智慧交通信息，获取运输过程中的气象数据和交通数据；根据所述环境信息计算环境系数zi；
所述环境系数为zi＝b1×Z1+b2×Z2+b3×Z3；
其中，Z1为某一运输过程中恶劣天气在运输过程中的占比，Z2为普通道路和山路在运输过程中的路程占比，Z3某一运输过程中拥堵路段和总路段的占比；b1、b2和b3为常数，范围为(0，1)；b1+b2+b3＝1；
采集货物信息，所述货物信息包括货物种类、体积和重量，根据货物信息计算商品系数；所述商品系数为Si；其中，wi为货物权重，取值范围为(0，1)，L为货物重量，Lb为设定的标准重量；V为货物的体积，Vb为设定的标准体积；
所述采集第二信息包括：采集支出信息，所述支出信息包括多个子类别：保养支出信息、油耗支出信息、过路费和时间成本。
3.根据权利要求1所述的一种基于大数据的物流运输监管方法，其特征在于，所述S2包括：
获取每个运输节点的权重和数据的权重；将同一时间段不同的运输节点按照货物的价值和重要程度进行等级分类，根据分类结果设置不同的节点权重；
将数据先根据节点权重进行排序，权重高的优先上传；同一节点的第一信息优先上传；
在车端对数据进行预处理，去除重复数据，然后上传至监管中心数据库。
4.根据权利要求1所述的一种基于大数据的物流运输监管方法，其特征在于，所述S3包括：
将同一车辆同一运输过程中的第一信息和第二信息作为一组数据获得第一分类结果；
将所述第一分类结果按照车量型号和季节进行分类获得第二分类结果；
将第二分类模块下的分类结果按照不同线路分类获得第三分类结果；按照第三分类结果设置监控列表进行监控；
在一个统计周期内，将所述第三分类结果下同一类别的数据进行统计分析，获取某一台车不同组数据在单位重量单位里程下的支出信息的均值获取同一分类下不同车辆单位重量单位里程下的支出信息的均值/>和标准差σ；
将与/>进行对比，
如果则系统进行预警并将此车加入关注列表；其中，n为对比车辆在统计周期内数据的组数，q为调节系数，范围为0<q<1；
在一个统计周期内，将所述第三分类结果下的前一统计周期第二信息的各个子类别均值和标准差为参照，设置监控基准进行监控，并定期进更新。
5.根据权利要求1所述的一种基于大数据的物流运输监管方法，其特征在于，所述S4包括：
选择一个统计周期的数据，仅用第一分类结果建立第一多元回归模型，在第二分类结果下建立第二多元回归模型，在第三分类结果下建立第三多元回归模型；其中：多元回归模型如下：
Cθ(x)＝θ0+θ1*x1+θ2*x2+...+θn*xn；
损失函数其中，Cθ(x)为回归模型；m为训练样本数量；
利用梯度下降法最小化损失函数，获得参数θ；
通过将不同模型预测结果与实际结果对比；根据对比结果选取最优模型；误差最小的模型为最优模型；
通过获取第一信息值代入最优模型，预测所述第二信息值；
根据最优模型和第一信息值，找出可优化的项目进行优化；
根据优化结果，调整控制列表中的控制限。
6.一种基于大数据的物流运输监管系统，其特征在于，所述系统包括：
数据采集模块：采集物流运输相关的数据；所述数据包括第一信息和第二信息；所述第二信息包括多个子类别；
数据传输模块：将采集到的数据通过运输端网络或移动通信网络上传到监管中心数据库系统，供实时监测和分析；
数据分析和监控模块：将采集到的数据进行分析，并设置监控列表进行成本监控；
预测和优化模块：将采集到的数据进行建模，根据模型进行预测和优化运输成本。
7.根据权利要求1所述的一种基于大数据的物流运输监管系统，其特征在于，所述数据采集模块包括第一信息采集模块和第二信息采集模块，所述第一信息采集模块包括：
综合信息采集模块：采集运输网点拓扑结构、车辆信息和驾驶员信息；所述车辆信息包括车牌号、车辆型号、载重和车况信息；根据网点拓扑结构获得线路信息；所述车况信息包括车辆已行驶里程L、车辆年限Y和车辆性能P；根据所述车况信息获取车况系数；
其中，La为车辆平均行驶里程，Ya为车辆平均使用年限，Pa为车辆平均性能；a1、a2和a3为常数，范围为(0，1)；
车辆信息采集模块：采集车辆位置信息、车速信息；所述车辆位置信息并通过电子地图进行显示；
环境信息采集模块：采集环境信息，所述环境信息包括天气环境、地理环境和交通数据；通过车辆位置信息结合气象信息和智慧交通信息，获取运输过程中的气象数据和交通数据；根据所述环境信息计算环境系数zi；
所述环境系数为zi＝b1×Z1+b2×Z2+b3×Z3；
其中，Z1为某一运输过程中恶劣天气在运输过程中的占比，Z2为普通道路和山路在运输过程中的路程占比，Z3某一运输过程中拥堵路段和总路段的占比；b1、b2和b3为常数，范围为(0，1)；b1+b2+b3＝1；
货物信息采集模块：采集货物信息，所述货物信息包括货物种类、体积和重量，根据货物信息计算商品系数；所述商品系数为Si；其中，wi为货物权重，取值范围为(0，1)，L为货物重量，Lb为设定的标准重量；V为货物的体积，Vb为设定的标准体积；
所述第二信息采集模块为用于采集支出信息，所述支出信息包括多个子类别：保养支出信息、油耗支出信息、过路费和时间成本。
8.根据权利要求1所述的一种基于大数据的物流运输监管系统，其特征在于，所述数据传输模块包括：
节点权重模块：获取每个运输节点的权重和数据的权重；将同一时间段不同的运输节点按照货物的价值和重要程度进行等级分类，根据分类结果设置不同的节点权重；
数据排序模块：将数据先根据节点权重进行排序，权重高的优先上传；同一节点的第一信息优先上传；
数据上传模块：在车端对数据进行预处理，去除重复数据，然后上传至监管中心数据库。
9.根据权利要求1所述的一种基于大数据的物流运输监管系统，其特征在于，所述数据分析和监控模块包括：
第一分类模块：将同一车辆同一运输过程中的第一信息和第二信息作为一组数据获得第一分类结果；
第二分类模块：将所述第一分类结果按照车量型号和季节进行分类获得第二分类结果；
第三分类模块：将第二分类模块下的分类结果按照不同线路分类获得第三分类结果；按照第三分类结果设置监控列表进行监控；
第一获取模块：在一个统计周期内，将所述第三分类结果下同一类别的数据进行统计分析，获取某一台车不同组数据在单位重量单位里程下的支出信息的均值获取同一分类下不同车辆单位重量单位里程下的支出信息的均值/>和标准差σ；
第一对比模块：将与/>进行对比，如果/> 则系统进行预警并将此车加入关注列表；其中，n为对比车辆在统计周期内数据的组数，q为调节系数，范围为0<q<1；
监控模块：在一个统计周期内，将所述第三分类结果下的前一统计周期第二信息的各个子类别均值和标准差为参照，设置监控基准进行监控，并定期进更新。
10.根据权利要求1所述的一种基于大数据的物流运输监管系统，其特征在于，所述数据预测和优化模块包括：
模型建立模块：选择一个统计周期的数据，仅用第一分类结果建立第一多元回归模型，在第二分类结果下建立第二多元回归模型，在第三分类结果下建立第三多元回归模型；其中：多元回归模型如下：
Cθ(x)＝θ0+θ1*x1+θ2*x2+...+θn*xn；
损失函数其中，Cθ(x)为回归模型；m为训练样本数量；
利用梯度下降法最小化损失函数，获得参数θ；
模型选择模块：通过将不同模型预测结果与实际结果对比；根据对比结果选取最优模型；误差最小的模型为最优模型；
预测模块：通过获取第一信息值代入最优模型，预测所述第二信息值；
优化模块：根据最优模型和第一信息值，找出可优化的项目进行优化；
监控调整模块：根据优化结果，调整控制列表中的控制限。
CN202310917732.6A 2023-07-25 2023-07-25 一种基于大数据的物流运输监管系统和方法 Withdrawn CN116934200A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310917732.6A CN116934200A (zh) 2023-07-25 2023-07-25 一种基于大数据的物流运输监管系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310917732.6A CN116934200A (zh) 2023-07-25 2023-07-25 一种基于大数据的物流运输监管系统和方法

Publications (1)

Publication Number Publication Date
CN116934200A true CN116934200A (zh) 2023-10-24

Family

ID=88378718

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310917732.6A Withdrawn CN116934200A (zh) 2023-07-25 2023-07-25 一种基于大数据的物流运输监管系统和方法

Country Status (1)

Country Link
CN (1) CN116934200A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117744907A (zh) * 2024-02-19 2024-03-22 天津小铁马科技有限公司 一种货源路线规划方法、装置、电子设备以及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117744907A (zh) * 2024-02-19 2024-03-22 天津小铁马科技有限公司 一种货源路线规划方法、装置、电子设备以及存储介质
CN117744907B (zh) * 2024-02-19 2024-04-26 天津小铁马科技有限公司 一种货源路线规划方法、装置、电子设备以及存储介质

Similar Documents

Publication Publication Date Title
CN110097234B (zh) 工业卷烟运输智能调度方法及系统
Zhang et al. A framework for passengers demand prediction and recommendation
US10928277B1 (en) Intelligent telematics system for providing vehicle vocation
JP5782252B2 (ja) 車両ドライバの燃費ランキング方法及びシステム
CN112330057B (zh) 基于大数据的冷链物流冷藏产品运输质量优化管理系统
CN102081846A (zh) 基于高速公路收费数据轨迹匹配的交通状态识别方法
CN110738523B (zh) 一种维修订单量预测方法及装置
CN116934200A (zh) 一种基于大数据的物流运输监管系统和方法
CN110718057B (zh) 路网运行状态评价方法、装置、电子设备及介质
CN109344991B (zh) 一种公交线路最高断面客流预测方法
CN113222387A (zh) 面向氢燃料车辆的多目标调度与协同优化方法
CN115375234A (zh) 基于gnss的运输车辆运行轨迹规划方法
CN110490365B (zh) 一种基于多源数据融合预测网约车订单量的方法
CN114022000A (zh) 基于模糊综合评价的车辆道路运输风险评估方法及系统
Junyou et al. Application of support vector machine in bus travel time prediction
Xu et al. A multi-object decision-making method for location model of manufacturing industry under uncertain environment
CN110119891B (zh) 一种适于大数据的交通安全影响因素辨识方法
CN116882673A (zh) 一种煤炭供应链系统及调度方法
Oklander et al. Minimization of transportation risks in logistics by choosing a cargo delivery route with the minimal projected number of road accidents
Zhang et al. The reliability measures model of multilayer urban distribution network
US20160232542A1 (en) Forecasting demands for equipment based on road surface conditions
CN104392326A (zh) 一种用于钢铁企业含铁固废循环利用的监控方法
CN115375237A (zh) 一种冷链物流智能管理方法、系统、设备和存储介质
CN114297937A (zh) 金属循环利用分析系统及方法
CN114419894A (zh) 一种路内停车泊位设置与使用监测的方法与系统

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20231024

WW01 Invention patent application withdrawn after publication