CN116957174B - 基于数据融合的货运线路集成规划方法及系统 - Google Patents
基于数据融合的货运线路集成规划方法及系统 Download PDFInfo
- Publication number
- CN116957174B CN116957174B CN202311219477.4A CN202311219477A CN116957174B CN 116957174 B CN116957174 B CN 116957174B CN 202311219477 A CN202311219477 A CN 202311219477A CN 116957174 B CN116957174 B CN 116957174B
- Authority
- CN
- China
- Prior art keywords
- freight
- vehicle
- personnel
- information
- path
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013439 planning Methods 0.000 title claims abstract description 87
- 230000004927 fusion Effects 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000007726 management method Methods 0.000 claims abstract description 91
- 238000012546 transfer Methods 0.000 claims abstract description 72
- 230000006978 adaptation Effects 0.000 claims abstract description 38
- 238000012216 screening Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 11
- 230000010354 integration Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000010365 information processing Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 13
- 238000004458 analytical method Methods 0.000 abstract description 9
- 238000012545 processing Methods 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 description 15
- 238000010276 construction Methods 0.000 description 3
- 238000004925 denaturation Methods 0.000 description 3
- 230000036425 denaturation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000003020 moisturizing effect Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002522 swelling effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063118—Staff planning in a project environment
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了基于数据融合的货运线路集成规划方法及系统,涉及数据处理技术领域,该方法包括:调用货源订单管理模块获取中转货运订单,采集所述中转货运订单的货源起始地、货源目标地和货源物品属性信息;建立分段规划路径;将适配度满足预设适配度的车辆纳入车辆空间集合;获取所述车辆空间集合对应的人员空间集合;对所述分段规划路径进行风险寻优决策,输出寻优决策结果;按照所述寻优决策结果,生成所述中转货运订单的货运线路,解决了现有技术中存在的由于对于货运中转站的人员和车辆的分析不足,导致货运线路的安全风险较高,货运效率不佳的技术问题,达到提升货运效率的同时,提升货运安全性的技术效果。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及基于数据融合的货运线路集成规划方法及系统。
背景技术
随着科技不断发展,数据融合分析逐渐成为各个领域的重要工具,物流运输行业也不例外。在过去,物流运输主要靠人工规划路线与调度,但这种方法效率低、容易出错,不适应现代高速、高效的物流运输需求。因此,智能化的货运路线规划应运而生,且发展迅速。
现有的货运线路规划方法大多只是根据交通情况对货运路程进行优化,减小货运路程或者防止拥堵,但是其对于货运中转站的人员和车辆的分析不足,导致货运线路的安全风险较高,货运效率不佳。
发明内容
本发明提供了基于数据融合的货运线路集成规划方法及系统,用以解决现有技术中存在的由于对于货运中转站的人员和车辆的分析不足,导致货运线路的安全风险较高,货运效率不佳的技术问题。
根据本发明的第一方面,提供了基于数据融合的货运线路集成规划方法,包括:连接网络货运平台的业务中台,调用货源订单管理模块获取中转货运订单,采集所述中转货运订单的货源起始地、货源目标地和货源物品属性信息,其中,货源物品属性信息为表征货源在运输过程中的状态属性信息;获取所述中转货运订单的中转节点,以所述货源起始地、所述货源目标地以及所述中转节点,建立分段规划路径;连接所述业务中台调用车辆状态管理模块,按照所述货源物品属性信息进行车辆适配,将适配度满足预设适配度的车辆纳入车辆空间集合;连接所述业务中台调用人员信息管理模块,将所述人员信息管理模块与所述车辆状态管理模块进行连接后进行人员驾驶权限识别,获取所述车辆空间集合中各个车辆驾驶权限人员对应的人员空间集合;按照所述车辆空间集合和所述人员空间集合对所述分段规划路径进行风险寻优决策,输出寻优决策结果,其中,所述寻优决策结果为损失风险最小的路径;按照所述寻优决策结果,生成所述中转货运订单的货运线路。
进一步而言,所述方法还包括:
连接历史订单管理系统,根据所述货源起始地和所述货源目标地之间的历史最短路径,确定预规划路径;在所述预规划路径上确定所述中转货运订单的可中转分布节点,其中,所述可中转分布节点为满足所述货源物品属性信息的存放中转站点;引入第一损失函数对所有的可中转分布节点中每个节点的待选取节点进行因运输偏离所导致的时间成本损失识别,确定损失最小的标识中转节点,将所述标识中转节点作为所述中转货运订单的运输中转点;以所述标识中转节点对所述预规划路径进行分段,输出分段规划路径,其中,所述分段规划路径中的每段规划路径为与所述预规划路径的路径偏离度最小。
进一步而言,所述方法还包括:
根据所述车辆状态管理模块对所述网络货运平台的车辆资源进行分类,获取多类车辆;采集每一类车辆的车辆基础信息,包括车辆检修信息、车辆证件信息以及车辆保险信息,通过筛选机制生成车辆状态记忆库;根据所述人员信息管理模块对所述网络货运平台的驾驶人员进行基础信息采集,包括人员疲劳信息、人员证件信息以及人员历史接单率,通过筛选机制生成人员状态记忆库;基于所述车辆状态记忆库和所述人员状态记忆库,对所述车辆空间集合和所述人员空间集合进行寻优。
进一步而言,所述方法还包括:
根据所述车辆空间集合和所述车辆状态记忆库,识别所述车辆空间集合中任一车辆在所述车辆状态记忆库中被调用的概率,得到与所述车辆空间集合对应的第一被调概率集合;根据所述人员空间集合和所述人员状态记忆库,识别所述人员空间集合中任一人员在所述人员状态记忆库中被调用的概率,得到与所述车辆空间集合对应的第二被调概率集合;通过对所述第一被调概率集合和所述第二被调概率集合进行加权融合计算,输出融合被调概率集合;在所述融合被调概率集合中进行寻优,输出寻优决策结果。
进一步而言,所述方法还包括:
获取所述分段规划路径,其中,所述分段规划路径包括第一分段路径、第二分段路径…第N分段路径,其中,N为分段规划路径中的分段数量;获取每个分段路径所对应的融合被调概率集合,从每个分段路径所对应的融合被调概率集合中得到对应的标识车辆和标识人员,作为所述中转货运订单的分段接单信息;按照所述分段接单信息自动生成所述中转货运订单的货运线路。
进一步而言,所述方法还包括:
通过与评分模块连接获取所述车辆状态记忆库和所述车辆状态记忆库,所述车辆状态记忆库为基于车辆基础信息的评分达到预设评分指标的信息组成的数据库,且所述车辆状态记忆库为分类存储的数据库,所述人员状态记忆库为基于人员基础信息的评分达到所述预设评分指标的信息组成的数据库;其中,所述评分模块包括信息识别单元,所述信息识别单元包括用于识别证件图像信息的图像识别通道,以及用于识别数据的数据识别通道。
进一步而言,所述方法还包括:
通过对所述融合被调概率集合进行风险转换,输出融合风险概率集合;在所述融合风险概率集合中进行寻优,输出融合风险概率处于预设风险概率区间的标识风险概率集合;对所述标识风险概率集合进行平稳性密度概率寻优,输出所述寻优决策结果。
根据本发明的第二方面,提供了基于数据融合的货运线路集成规划系统,包括:货运订单信息调取单元,所述货运订单信息调取单元用于连接网络货运平台的业务中台,调用货源订单管理模块获取中转货运订单,采集所述中转货运订单的货源起始地、货源目标地和货源物品属性信息,其中,货源物品属性信息为表征货源在运输过程中的状态属性信息;分段规划路径建立单元,所述分段规划路径建立单元用于获取所述中转货运订单的中转节点,以所述货源起始地、所述货源目标地以及所述中转节点,建立分段规划路径;车辆适配单元,所述车辆适配单元用于连接所述业务中台调用车辆状态管理模块,按照所述货源物品属性信息进行车辆适配,将适配度满足预设适配度的车辆纳入车辆空间集合;人员空间集合获取单元,所述人员空间集合获取单元用于连接所述业务中台调用人员信息管理模块,将所述人员信息管理模块与所述车辆状态管理模块进行连接后进行人员驾驶权限识别,获取所述车辆空间集合中各个车辆驾驶权限人员对应的人员空间集合;风险寻优决策单元,所述风险寻优决策单元用于按照所述车辆空间集合和所述人员空间集合对所述分段规划路径进行风险寻优决策,输出寻优决策结果,其中,所述寻优决策结果为损失风险最小的路径;货运线路生成单元,所述货运线路生成单元用于按照所述寻优决策结果,生成所述中转货运订单的货运线路。
根据本发明采用的一个或多个技术方案,可达到的有益效果如下:
1.连接网络货运平台的业务中台,调用货源订单管理模块获取中转货运订单,采集中转货运订单的货源起始地、货源目标地和货源物品属性信息,获取中转货运订单的中转节点,以货源起始地、货源目标地以及中转节点,建立分段规划路径,连接业务中台调用车辆状态管理模块,按照货源物品属性信息进行车辆适配,将适配度满足预设适配度的车辆纳入车辆空间集合,连接业务中台调用人员信息管理模块,将人员信息管理模块与车辆状态管理模块进行连接,获取车辆空间集合对应的人员空间集合,按照车辆空间集合和人员空间集合进行对分段规划路径进行风险寻优决策,输出寻优决策结果,按照寻优决策结果,生成中转货运订单的货运线路,达到提升货运效率,同时提升货运安全性的技术效果。
2.根据货源起始地和货源目标地,确定预规划路径,在预规划路径上确定中转货运订单的可中转分布节点,其中,可中转分布节点为满足货源物品属性信息的存放中转站点,对所有的可中转分布节点进行路径损失识别,确定标识中转节点,将标识中转节点作为中转货运订单的运输中转点,以标识中转节点对预规划路径进行分段,输出分段规划路径,由此通过路径损失识别,筛选出其中,与预规划路径的路径偏离度最小的分段规划路径,降低货运的路径长度,达到提升货运效率的技术效果。
3.根据车辆空间集合和车辆状态记忆库,识别车辆空间集合中任一车辆在车辆状态记忆库中被调用的概率,得到与车辆空间集合对应的第一被调概率集合,根据人员空间集合和人员状态记忆库,识别人员空间集合中任一人员在人员状态记忆库中被调用的概率,得到与车辆空间集合对应的第二被调概率集合,通过对第一被调概率集合和第二被调概率集合进行加权融合计算,输出融合被调概率集合,在融合被调概率集合中进行寻优,输出寻优决策结果。由此通过对分段路径进行车辆和人员状态的寻优,便于筛选出状态最佳的车辆和人员,达到降低货运风险,提升货运安全性的技术效果。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的基于数据融合的货运线路集成规划方法的流程示意图;
图2为本发明实施例提供的基于数据融合的货运线路集成规划系统的结构示意图。
附图标记说明:货运订单信息调取单元11,分段规划路径建立单元12,车辆适配单元13,人员空间集合获取单元14,风险寻优决策单元15,货运线路生成单元16。
具体实施方式
为了使得本发明的目的、技术方案和优点更为明显,下面将参照附图详细描述本发明的示例实施例。显然,所描述的实施例仅仅是本发明的一部分实施例,而不是本发明的全部实施例,应理解,本发明不受这里描述的示例实施例的限制。
说明书中使用的术语用于描述实施例,而不是限制本发明。如在说明书中所使用的,单数术语“一”“一个”和“该”旨在也包括复数形式,除非上下文另有清楚指示。当在说明书中使用时,术语“包括”和/或“包含”指定了步骤、操作、元件和/或组件的存在,但是不排除一个或多个其他步骤、操作、元件、组件和/或其组的存在或添加。
除非另有定义,本说明书中使用的所有术语(包括技术和科学术语)应具有与本发明所属领域的技术人员通常理解的相同含义。术语,如常用词典中定义的术语,不应以理想化或过于正式的意义来解释,除非在此明确定义。在整个说明书中,相同的附图标记表示相同的元件。
需要说明的是,本发明所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
实施例一
图1为本发明实施例提供的基于数据融合的货运线路集成规划方法的流程示意图,所述方法包括:
连接网络货运平台的业务中台,调用货源订单管理模块获取中转货运订单,采集所述中转货运订单的货源起始地、货源目标地和货源物品属性信息,其中,货源物品属性信息为表征货源在运输过程中的状态属性信息;
所述网络货运平台是指用户所使用的用于进行货运管理的系统平台,一般包含前台多角色多端口、业务中台财税及基础数据管理、分润体系、车后市场商城、风控预警体系及内外部系统对接等内容,连接其中的业务中台,业务中台是指网络货运平台中用于进行货物运输管理、财税管理、车后市场管理的模块。通过连接网络货运平台的业务中台可直接调用其中的货源订单管理模块(用于进行货运订单管理,比如订单录入、确认等的端口)获取中转货运订单,中转运输是指在物流运输的过程中,通过改变运输工具、转运站、转运方式等手段将货物从起点运输至中转站,通过中转站,再将货物转运至达到终点站,中转货运订单是指需要中转的订单。进一步通过货源订单管理模块直接提取中转货运订单的货源起始地(即起点)、货源目标地(终点站)和货源物品属性信息,其中,货源物品属性信息为表征货源在运输过程中的状态属性信息,简单来说,在运输过程中,运输不当,货源状态可能发生变化,比如湿性和散湿性、挥发性、热变性、冻结性、胀缩性、物理爆炸性、放射性、自热自燃性等,正常情况下,在接收货运订单时,工作人员会对货源进行物品属性分析后将其录入货运订单管理模块,因此,可直接调用。
获取所述中转货运订单的中转节点,以所述货源起始地、所述货源目标地以及所述中转节点,建立分段规划路径;
在一个优选实施例中,还包括:
连接历史订单管理系统,根据所述货源起始地和所述货源目标地之间的历史最短路径,确定预规划路径;在所述预规划路径上确定所述中转货运订单的可中转分布节点,其中,所述可中转分布节点为满足所述货源物品属性信息的存放中转站点;引入第一损失函数对所有的可中转分布节点中每个节点的待选取节点进行因运输偏离所导致的时间成本损失识别,确定损失最小的标识中转节点,将所述标识中转节点作为所述中转货运订单的运输中转点;以所述标识中转节点对所述预规划路径进行分段,输出分段规划路径,其中,所述分段规划路径中的每段规划路径为与所述预规划路径的路径偏离度最小。
中转节点是指中转货运订单的货源起始地与货源目标地之间的中转站,需要通过对货源起始地与货源目标地之间的路径进行分析确定,一般情况下,货源起始地与货源目标地之间的路径长度越长,需要的中转节点越多,比如可能需要在途经的多个城市进行中转,然后以所述货源起始地、所述货源目标地以及所述中转节点,建立分段规划路径,具体过程如下:
连接历史订单管理系统,根据所述货源起始地和所述货源目标地之间的历史最短路径,确定预规划路径,历史订单管理系统是指用于存储历史货运订单的系统平台,所述网络货运平台所进行的每一次货运订单的货运记录(包括货运路线)都会存储在其中,因此,根据所述货源起始地和所述货源目标地,在历史订单管理系统中存储的进行遍历匹配,获取所有的从所述货源起始地至所述货源目标地的历史货运路线,通过进行比较分析,选择路径长度最短的货运路线作为所述预规划路径。
在所述预规划路径上确定所述中转货运订单的可中转分布节点,其中,所述可中转分布节点为满足所述货源物品属性信息的存放中转站点,可中转分布节点即为所述中转节点中的可以对货源进行暂时存放的中转站点,具体需要根据实际物流公司在所述中转节点所建立的中转站确定,比如所述中转节点涵盖了几个城市,其中任意一个城市如果有建立的且满足所述货源物品属性信息的存放中转站点,其就可作为可中转分布节点,比如,具有热变性的货源需要在可以调控存放温度、湿度的仓库里存放,那么只要包含可以调控存放温度、湿度的仓库的存放中转站点即可作为可中转分布节点。一般情况下,存放中转站点都会标明可存放的货源的物品属性,因此可根据所述货源物品属性信息直接进行匹配得到可中转分布节点,也就是说,一个中转节点可对应有多个可中转分布节点,比如一个城市内的多个存放中转站点。
进一步引入第一损失函数对所有的可中转分布节点中每个节点的待选取节点进行因运输偏离所导致的时间成本损失识别,简单来说,就是调取所有的可中转分布节点中的任意一个可中转分布节点作为中转站,计算由预规划路径至可中转分布节点,再由可中转分布节点至预规划路径的中转路径长度,因为时间成本损失与中转路径长度直接相关,中转路径长度与车辆行驶速度的比值即为时间成本损失,即无论车辆的行驶速度如何,中转路径长度越长,时间成本损失就越高,可以根据历史订单获取货运车辆的平均行驶速度,然后用计算中转路径长度与平均行驶速度的比值作为第一损失函数,获取函数值最小的可中转分布节点作为标识中转节点。将所述标识中转节点作为所述中转货运订单的运输中转点,以所述标识中转节点对所述预规划路径进行分段,输出分段规划路径,简单来说,分段规划路径包括多段规划路径,比如由货源起始地至运输中转点的规划路径、运输中转点至所述货源目标地的规划路径,其中,运输中转点可能有多个,那么分段规划路径还包括一个运输中转点至另一个运输中转点的规划路径。其中,所述分段规划路径中的每段规划路径为与所述预规划路径的路径偏离度最小,简单来说,就是保证运输中转点至预规划路径的长度最小,即路径损失最小,从而降低货运线路的路径损失,达到节能降耗,保证货运效率的技术效果。
连接所述业务中台调用车辆状态管理模块,按照所述货源物品属性信息进行车辆适配,将适配度满足预设适配度的车辆纳入车辆空间集合;
连接所述业务中台调用车辆状态管理模块,车辆状态管理模块是指用于对货运车辆进行管理的模块,包括车辆类型、车辆使用状态、车辆可载货物类型等,不同类型的车辆可装载的货物不同,车辆状态管理模块内部存储着所有可中转分布节点处的用于进行物流运输的车辆类型、车辆使用状态、车辆可载货物类型等信息,需要结合所述货源物品属性信息进行车辆适配,将适配度满足预设适配度的车辆纳入车辆空间集合,比如对于具有热变性的货源需要使用保冷车、保温箱车来运输,具有易燃易爆性的货源需要用罐式车运输,基于此,通过车辆状态管理模块直接调用所有车辆的可装载货物属性信息,对比可装载货物属性信息与货源物品属性信息的相似度作为适配度,当适配度达到预设适配度,就将该车辆加入车辆空间集合,车辆空间集合内包括多个满足预设适配度的车辆,预设适配度由本领域技术人员结合实际情况自行设定,比如90%。需要说明的是,车辆空间集合泛指每一个分段规划路径中的每段规划路径对应的运输中转点的车辆空间集合,简单来说,每一个运输中转点都对应于有一个车辆空间集合。
连接所述业务中台调用人员信息管理模块,将所述人员信息管理模块与所述车辆状态管理模块进行连接后进行人员驾驶权限识别,获取所述车辆空间集合中各个车辆驾驶权限人员对应的人员空间集合;
人员信息管理模块是用于对货运人员(可以理解为车辆的驾驶人员)进行管理的模块,将所述人员信息管理模块与所述车辆状态管理模块进行连接,获取所述车辆空间集合对应的人员空间集合,简单来说,所述车辆空间集合与人员空间集合具有对应关系,就是每个车辆都有其对应的驾驶人员,即不是每一个驾驶人员对车辆都有权限,可能一个车辆只有一个驾驶人员具有人员驾驶权限,获取车辆空间集合中各个车辆驾驶权限人员对应的驾驶人员组成所述人员空间集合。可以理解的,所述人员信息管理模块与所述车辆状态管理模块是网络货运平台的业务中台中用于进行人员管理和车辆管理的功能模块,所述人员信息管理模块中存储着用于进行物流运输的驾驶人员,且每个驾驶人员具备对应的人员驾驶权限标识,比如某一驾驶人员指对某一类型、某一车牌号的车辆具有人员驾驶权限,所述人员驾驶权限由网络货运平台的管理人员根据实际情况设定后存储至所述人员信息管理模块,可通过所述人员信息管理模块与所述车辆状态管理模块进行连接后按照存储的人员驾驶权限直接进行人员驾驶权限识别,从而获取所述车辆空间集合中各个车辆驾驶权限人员对应的人员空间集合,可以认为所述人员信息管理模块与所述车辆状态管理模块中的人员与车辆具有人员驾驶权限的对应关系,基于此,通过蓝牙、WIFI等连接方式,建立所述人员信息管理模块与所述车辆状态管理模块的连接,即可在所述人员信息管理模块中直接筛选出对所述车辆空间集合中的车辆具有车辆驾驶权限的人员组成所述人员空间集合,每一个运输中转点都对应于有一个车辆空间集合和一个人员空间集合。
按照所述车辆空间集合和所述人员空间集合对所述分段规划路径进行风险寻优决策,输出寻优决策结果,其中,所述寻优决策结果为损失风险最小的路径;
在一个优选实施例中,还包括:
根据所述车辆状态管理模块对所述网络货运平台的车辆资源进行分类,获取多类车辆;采集每一类车辆的车辆基础信息,包括车辆检修信息、车辆证件信息以及车辆保险信息,通过筛选机制生成车辆状态记忆库;根据所述人员信息管理模块对所述网络货运平台的驾驶人员进行基础信息采集,包括人员疲劳信息、人员证件信息以及人员历史接单率,通过筛选机制生成人员状态记忆库;基于所述车辆状态记忆库和所述人员状态记忆库,对所述车辆空间集合和所述人员空间集合进行寻优。
在一个优选实施例中,还包括:
通过与评分模块连接获取所述车辆状态记忆库和所述车辆状态记忆库,所述车辆状态记忆库为基于车辆基础信息的评分达到预设评分指标的信息组成的数据库,且所述车辆状态记忆库为分类存储的数据库,所述人员状态记忆库为基于人员基础信息的评分达到所述预设评分指标的信息组成的数据库;其中,所述评分模块包括信息识别单元,所述信息识别单元包括用于识别证件图像信息的图像识别通道,以及用于识别数据的数据识别通道。
在一个优选实施例中,还包括:
根据所述车辆空间集合和所述车辆状态记忆库,识别所述车辆空间集合中任一车辆在所述车辆状态记忆库中被调用的概率,得到与所述车辆空间集合对应的第一被调概率集合;根据所述人员空间集合和所述人员状态记忆库,识别所述人员空间集合中任一人员在所述人员状态记忆库中被调用的概率,得到与所述车辆空间集合对应的第二被调概率集合;通过对所述第一被调概率集合和所述第二被调概率集合进行加权融合计算,输出融合被调概率集合;在所述融合被调概率集合中进行寻优,输出寻优决策结果。
在一个优选实施例中,还包括:
通过对所述融合被调概率集合进行风险转换,输出融合风险概率集合;在所述融合风险概率集合中进行寻优,输出融合风险概率处于预设风险概率区间的标识风险概率集合;对所述标识风险概率集合进行平稳性密度概率寻优,输出所述寻优决策结果。
按照所述车辆空间集合和所述人员空间集合对所述分段规划路径进行风险寻优决策,输出寻优决策结果,其中,所述寻优决策结果为损失风险最小的路径,具体过程如下:
首先根据所述车辆状态管理模块对所述网络货运平台的车辆资源进行分类,获取多类车辆,比如保温车、罐式车、厢式车、普通货车等,具体可采用现有的分类算法进行分类,比如KNN、k-means等。采集每一类车辆的车辆基础信息,车辆基础信息包括车辆检修信息、车辆证件信息以及车辆保险信息,通过筛选机制生成车辆状态记忆库,筛选机制就是通过评分模块基于车辆基础信息对各个车辆进行评分,将评分达到预设评分指标的车辆基础信息组成的数据库作为车辆状态记忆库,且所述车辆状态记忆库为分类存储的数据库,就是按照多类车辆,每一类车辆均进行筛选得到的每一类车辆的数据库。所述评分模块包括信息识别单元,所述信息识别单元包括用于识别证件图像信息的图像识别通道,以及用于识别数据的数据识别通道,图像识别通道用于对车辆证件信息(比如机动车登记证、车辆营运证的图像)进行识别,可以获得车辆的行驶时间,数据识别通道则是用于对车辆检修信息和车辆保险信息进行识别,就是数字信息的识别转换,其是本领域技术人员常用技术手段,故在此不进行展开,由此得到车辆的检修情况和保险缴纳情况,比如车辆检修过几次、检修部件、保险到期时间等,然后基于车辆的行驶时间、车辆的检修情况和保险缴纳情况对车辆状态进行评分,车辆检修次数越少、行驶时间越少,且保险到期时间距离现在越远,评分就越高,具体来说,可利用现有的机器学习模型对车辆状态进行评分,比如可通过专家系统进行自定评分,所述专家系统存储了大量的历史车辆的检修情况、历史保险缴纳情况、历史行驶时间的评分结果,通过根据专家系统中的知识和经验,可以通过模拟本领域人类专家决策的方式进行推理,得到车辆的评分。进一步,将评分达到预设评分指标的信息组成车辆状态记忆库,预设评分指标由本领域技术人员自行设定,一般情况下,只从每一类车辆中筛选出少部分车辆组成车辆状态记忆库,比如筛选出5%的车辆组建车辆状态记忆库,因此,预设评分指标可根据所有车辆的评分确定。由此实现对车辆状态记忆库的构建,为后续的风险寻优决策提供支持,达到降低货运风险的效果。
根据所述人员信息管理模块对所述网络货运平台的驾驶人员进行基础信息采集,包括人员疲劳信息、人员证件信息以及人员历史接单率,其中,人员疲劳信息可用人员目前的连续驾车时间表示,比如连续驾车运输5个小时等,通过筛选机制生成人员状态记忆库,所述人员状态记忆库为基于人员基础信息的评分达到所述预设评分指标的信息组成的数据库,与车辆状态记忆库的组建方式基本相同,通过图像识别通道用于对人员证件信息(比如驾驶证)进行识别,可以获得人员的驾龄,数据识别通道则是用于对人员疲劳信息和人员历史接单率进行识别,得到人员的连续运输时间和接单率,简单来说就是将基础信息转换为计算机可以识别的数字信息,其是本领域技术人员常用技术手段,故在此不进行展开。然后基于驾驶人员的基础信息,即驾龄、人员疲劳信息和人员历史接单率对人员状态进行评分,连续驾车时间越少、人员历史接单率越高,且驾龄越长,评分就越高,就是利用现有的机器学习模型,通过历史数据训练评分模型,举例如,也可通过专家系统进行自定评分,所述专家系统存储了大量的历史人员基础信息的评分结果,通过根据专家系统中的知识和经验,可以通过模拟本领域人类专家决策的方式进行推理,得到驾驶人员的评分。进一步,将评分达到预设评分指标的人员的基础信息组成人员状态记忆库,预设评分指标由本领域技术人员自行设定,一般情况下,只从所有人员中筛选出少部分状态最好的人员组成人员状态记忆库,比如筛选出5%的人员组建车辆状态记忆库,因此,预设评分指标可根据所有人员的评分确定。由此实现对人员状态记忆库的构建,为后续的风险寻优决策提供支持,保证货运人员状态,达到降低货运风险的效果。
基于所述车辆状态记忆库和所述人员状态记忆库,对所述车辆空间集合和所述人员空间集合进行寻优,筛选出状态最佳的车辆和人员作为寻优决策结果,达到降低货运风险,提升货运效率和安全性的技术效果。
需要说明的是,每一个分段规划路径中的每段规划路径对应的运输中转点均对应一个车辆状态记忆库和人员状态记忆库,便于对多个分段规划路径中的每段规划路径进行风险寻优决策。
基于所述车辆状态记忆库和所述人员状态记忆库,对所述车辆空间集合和所述人员空间集合进行寻优的具体过程如下:根据所述车辆空间集合和所述车辆状态记忆库,识别所述车辆空间集合中任一车辆在所述车辆状态记忆库中被调用的概率,得到与所述车辆空间集合对应的第一被调概率集合,因为所述车辆状态记忆库中的车辆是状态评分较高的车辆,车辆空间集合中任一车辆的状态越好,其在所述车辆状态记忆库中被调用的概率就越高,具体来说,可调用所述评分模块采用相同的方法对车辆空间集合中任一车辆进行评分,以评分结果进行百分处理得到车辆空间集合中所有车辆的被调概率组建第一被调概率集合。
根据所述人员空间集合和所述人员状态记忆库,识别所述人员空间集合中任一人员在所述人员状态记忆库中被调用的概率,得到与所述车辆空间集合对应的第二被调概率集合,所述人员空间集合中任一人员的状态越好,其对应的被调用的概率就越高,可调用所述评分模块采用相同的方法对人员空间集合中任一人员进行评分,以评分结果进行百分处理得到人员空间集合中所有人员的被调概率组建第二被调概率集合。
通过对所述第一被调概率集合和所述第二被调概率集合进行加权融合计算,输出融合被调概率集合,简单来说,车辆空间集合和人员空间集合具有对应关系,因此所述第一被调概率集合和所述第二被调概率集合中的每一个车辆的第一被调概率对应该车辆的驾驶人员的第二被调概率,依次将两个对应的第一被调概率和第二被调概率进行加权计算,即可得到融合被调概率集合。需要说明的是,第一被调概率和第二被调概率的权重可由本领域技术人员自行设定,比如可均设为0.5,就是求平均值,也可获取历史运输事故中的车辆状态和人员状态,通过现有的变异系数法获取车辆状态和人员状态对事故的影响性作为第一被调概率和第二被调概率的权重,对此不做限制,且权重分析是本领域技术人员常用技术手段,故不进行展开。在所述融合被调概率集合中进行寻优,输出寻优决策结果,达到降低货运风险,提升安全性的效果。
具体地,在所述融合被调概率集合中进行寻优的过程如下:需要说明的是,每一个分段规划路径中的每段规划路径均对应一个融合被调概率集合,包括该段规划路径的车辆和人员的融合被调概率。通过对所述融合被调概率集合进行风险转换,输出融合风险概率集合,融合被调概率越高,说明驾驶人员和车辆的状态越好,融合风险概率就越低,融合风险概率表征分段规划路径的风险程度,因此,可用1减去融合被调概率集合中的融合被调概率作为融合风险概率集合。在所述融合风险概率集合中进行寻优,输出融合风险概率处于预设风险概率区间的标识风险概率集合,预设风险概率区间由本领域技术人员自行设定,一般设置较低,比如0至3%,在融合风险概率集合中筛选出融合风险概率处于预设风险概率区间的融合风险概率组成标识风险概率集合。每一个分段规划路径中的每段规划路径均对应一个标识风险概率集合。
对所述标识风险概率集合进行平稳性密度概率寻优,输出所述寻优决策结果,简单来说,对每一个标识风险概率集合中的标识风险概率进行数据平稳性分析,每个标识风险概率集合包括一个分段规划路径中的每段规划路径对应的车辆和人员状态的融合风险概率,比如可求取标识风险概率集合中的概率的方差,选取方差最小即平稳性最优的标识风险概率集合及其对应的分段规划路径,作为寻优决策结果,即可得到损失风险最小的路径,达到提升货运效率的同时,提升货运安全性,降低风险的效果。
按照所述寻优决策结果,生成所述中转货运订单的货运线路。
在一个优选实施例中,还包括:
获取所述分段规划路径,其中,所述分段规划路径包括第一分段路径、第二分段路径…第N分段路径,其中,N为分段规划路径中的分段数量;获取每个分段路径所对应的融合被调概率集合,从每个分段路径所对应的融合被调概率集合中得到对应的标识车辆和标识人员,作为所述中转货运订单的分段接单信息;按照所述分段接单信息自动生成所述中转货运订单的货运线路。
获取所述分段规划路径,所述分段规划路径是指寻优决策结果中对应的分段规划路径,即平稳性最优的标识风险概率集合对应的分段规划路径,其中,所述分段规划路径包括第一分段路径、第二分段路径…第N分段路径,其中,N为分段规划路径中的分段数量具体需要根据运输中转点的数量确定,如果有一个运输中转点,分段数量为2,也就是说,第一分段路径是由货源起始地至第一个运输中转点的路径。进一步获取每个分段路径所对应的融合被调概率集合,从每个分段路径所对应的融合被调概率集合中得到对应的标识车辆和标识人员,标识车辆和标识人员是指融合风险概率处于预设风险概率区间的车辆和人员,以标识车辆和标识人员作为所述中转货运订单的分段接单信息,每段规划路径均对应一个分段接单信息,按照所述分段接单信息自动生成所述中转货运订单的货运线路,简单来说,就是以每一个分段接单信息对应的标识人员和标识车辆处的分段路径连接而成所述中转货运订单的货运线路。由此实现对货运线路的规划,达到提升货运效率,同时降低货运安全风险的技术效果。
基于上述分析可知,本发明提供的一个或多个技术方案,可达到的有益效果如下:
1.连接网络货运平台的业务中台,调用货源订单管理模块获取中转货运订单,采集中转货运订单的货源起始地、货源目标地和货源物品属性信息,获取中转货运订单的中转节点,以货源起始地、货源目标地以及中转节点,建立分段规划路径,连接业务中台调用车辆状态管理模块,按照货源物品属性信息进行车辆适配,将适配度满足预设适配度的车辆纳入车辆空间集合,连接业务中台调用人员信息管理模块,将人员信息管理模块与车辆状态管理模块进行连接,获取车辆空间集合对应的人员空间集合,按照车辆空间集合和人员空间集合进行对分段规划路径进行风险寻优决策,输出寻优决策结果,按照寻优决策结果,生成中转货运订单的货运线路,达到提升货运效率,同时提升货运安全性的技术效果。
2.根据货源起始地和货源目标地,确定预规划路径,在预规划路径上确定中转货运订单的可中转分布节点,其中,可中转分布节点为满足货源物品属性信息的存放中转站点,对所有的可中转分布节点进行路径损失识别,确定标识中转节点,将标识中转节点作为中转货运订单的运输中转点,以标识中转节点对预规划路径进行分段,输出分段规划路径,由此通过路径损失识别,筛选出其中,与预规划路径的路径偏离度最小的分段规划路径,降低货运的路径长度,达到提升货运效率的技术效果。
3.根据车辆空间集合和车辆状态记忆库,识别车辆空间集合中任一车辆在车辆状态记忆库中被调用的概率,得到与车辆空间集合对应的第一被调概率集合,根据人员空间集合和人员状态记忆库,识别人员空间集合中任一人员在人员状态记忆库中被调用的概率,得到与车辆空间集合对应的第二被调概率集合,通过对第一被调概率集合和第二被调概率集合进行加权融合计算,输出融合被调概率集合,在融合被调概率集合中进行寻优,输出寻优决策结果。由此通过对分段路径进行车辆和人员状态的寻优,便于筛选出状态最佳的车辆和人员,达到降低货运风险,提升货运安全性的技术效果。
实施例二
基于与前述实施例中基于数据融合的货运线路集成规划方法同样的发明构思,如图2所示,本发明还提供了基于数据融合的货运线路集成规划系统,所述系统包括:
货运订单信息调取单元11,所述货运订单信息调取单元11用于连接网络货运平台的业务中台,调用货源订单管理模块获取中转货运订单,采集所述中转货运订单的货源起始地、货源目标地和货源物品属性信息,其中,货源物品属性信息为表征货源在运输过程中的状态属性信息;
分段规划路径建立单元12,所述分段规划路径建立单元12用于获取所述中转货运订单的中转节点,以所述货源起始地、所述货源目标地以及所述中转节点,建立分段规划路径;
车辆适配单元13,所述车辆适配单元13用于连接所述业务中台调用车辆状态管理模块,按照所述货源物品属性信息进行车辆适配,将适配度满足预设适配度的车辆纳入车辆空间集合;
人员空间集合获取单元14,所述人员空间集合获取单元14用于连接所述业务中台调用人员信息管理模块,将所述人员信息管理模块与所述车辆状态管理模块进行连接后进行人员驾驶权限识别,获取所述车辆空间集合中各个车辆驾驶权限人员对应的人员空间集合;
风险寻优决策单元15,所述风险寻优决策单元15用于按照所述车辆空间集合和所述人员空间集合对所述分段规划路径进行风险寻优决策,输出寻优决策结果,其中,所述寻优决策结果为损失风险最小的路径;
货运线路生成单元16,所述货运线路生成单元16用于按照所述寻优决策结果,生成所述中转货运订单的货运线路。
进一步而言,所述分段规划路径建立单元12还用于:
连接历史订单管理系统,根据所述货源起始地和所述货源目标地之间的历史最短路径,确定预规划路径;
在所述预规划路径上确定所述中转货运订单的可中转分布节点,其中,所述可中转分布节点为满足所述货源物品属性信息的存放中转站点;
引入第一损失函数对所有的可中转分布节点中每个节点的待选取节点进行因运输偏离所导致的时间成本损失识别,确定损失最小的标识中转节点,将所述标识中转节点作为所述中转货运订单的运输中转点;
以所述标识中转节点对所述预规划路径进行分段,输出分段规划路径,其中,所述分段规划路径中的每段规划路径为与所述预规划路径的路径偏离度最小。
进一步而言,所述风险寻优决策单元15还用于:
根据所述车辆状态管理模块对所述网络货运平台的车辆资源进行分类,获取多类车辆;
采集每一类车辆的车辆基础信息,包括车辆检修信息、车辆证件信息以及车辆保险信息,通过筛选机制生成车辆状态记忆库;
根据所述人员信息管理模块对所述网络货运平台的驾驶人员进行基础信息采集,包括人员疲劳信息、人员证件信息以及人员历史接单率,通过筛选机制生成人员状态记忆库;
基于所述车辆状态记忆库和所述人员状态记忆库,对所述车辆空间集合和所述人员空间集合进行寻优。
进一步而言,所述风险寻优决策单元15还用于:
根据所述车辆空间集合和所述车辆状态记忆库,识别所述车辆空间集合中任一车辆在所述车辆状态记忆库中被调用的概率,得到与所述车辆空间集合对应的第一被调概率集合;
根据所述人员空间集合和所述人员状态记忆库,识别所述人员空间集合中任一人员在所述人员状态记忆库中被调用的概率,得到与所述车辆空间集合对应的第二被调概率集合;
通过对所述第一被调概率集合和所述第二被调概率集合进行加权融合计算,输出融合被调概率集合;
在所述融合被调概率集合中进行寻优,输出寻优决策结果。
进一步而言,所述货运线路生成单元16还用于:
获取所述分段规划路径,其中,所述分段规划路径包括第一分段路径、第二分段路径…第N分段路径,其中,N为分段规划路径中的分段数量;
获取每个分段路径所对应的融合被调概率集合,从每个分段路径所对应的融合被调概率集合中得到对应的标识车辆和标识人员,作为所述中转货运订单的分段接单信息;
按照所述分段接单信息自动生成所述中转货运订单的货运线路。
进一步而言,所述风险寻优决策单元15还用于:
通过与评分模块连接获取所述车辆状态记忆库和所述车辆状态记忆库,所述车辆状态记忆库为基于车辆基础信息的评分达到预设评分指标的信息组成的数据库,且所述车辆状态记忆库为分类存储的数据库,所述人员状态记忆库为基于人员基础信息的评分达到所述预设评分指标的信息组成的数据库;
其中,所述评分模块包括信息识别单元,所述信息识别单元包括用于识别证件图像信息的图像识别通道,以及用于识别数据的数据识别通道。
进一步而言,所述风险寻优决策单元15还用于:
通过对所述融合被调概率集合进行风险转换,输出融合风险概率集合;
在所述融合风险概率集合中进行寻优,输出融合风险概率处于预设风险概率区间的标识风险概率集合;
对所述标识风险概率集合进行平稳性密度概率寻优,输出所述寻优决策结果。
前述实施例一中的基于数据融合的货运线路集成规划方法具体实例同样适用于本实施例的基于数据融合的货运线路集成规划系统,通过前述对基于数据融合的货运线路集成规划方法的详细描述,本领域技术人员可以清楚地知道本实施例中基于数据融合的货运线路集成规划系统,所以为了说明书的简洁,在此不再详述。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤,只要能够实现本发明公开的技术方案所期望的结果,本文在此不进行限制。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (4)
1.基于数据融合的货运线路集成规划方法,其特征在于,所述方法包括:
连接网络货运平台的业务中台,调用货源订单管理模块获取中转货运订单,采集所述中转货运订单的货源起始地、货源目标地和货源物品属性信息,其中,货源物品属性信息为表征货源在运输过程中的状态属性信息;
获取所述中转货运订单的中转节点,以所述货源起始地、所述货源目标地以及所述中转节点,建立分段规划路径;
连接所述业务中台调用车辆状态管理模块,按照所述货源物品属性信息进行车辆适配,将适配度满足预设适配度的车辆纳入车辆空间集合;
连接所述业务中台调用人员信息管理模块,将所述人员信息管理模块与所述车辆状态管理模块进行连接后进行人员驾驶权限识别,获取所述车辆空间集合中各个车辆驾驶权限人员对应的人员空间集合;
按照所述车辆空间集合和所述人员空间集合对所述分段规划路径进行风险寻优决策,输出寻优决策结果,其中,所述寻优决策结果为损失风险最小的路径,包括:
根据所述车辆状态管理模块对所述网络货运平台的车辆资源进行分类,获取多类车辆;
采集每一类车辆的车辆基础信息,包括车辆检修信息、车辆证件信息以及车辆保险信息,通过筛选机制生成车辆状态记忆库;
根据所述人员信息管理模块对所述网络货运平台的驾驶人员进行基础信息采集,包括人员疲劳信息、人员证件信息以及人员历史接单率,通过筛选机制生成人员状态记忆库;
通过与评分模块连接获取所述车辆状态记忆库和所述车辆状态记忆库,所述车辆状态记忆库为基于车辆基础信息的评分达到预设评分指标的信息组成的数据库,且所述车辆状态记忆库为分类存储的数据库,所述人员状态记忆库为基于人员基础信息的评分达到所述预设评分指标的信息组成的数据库;
其中,所述评分模块包括信息识别单元,所述信息识别单元包括用于识别证件图像信息的图像识别通道,以及用于识别数据的数据识别通道;
基于所述车辆状态记忆库和所述人员状态记忆库,对所述车辆空间集合和所述人员空间集合进行寻优;
根据所述车辆空间集合和所述车辆状态记忆库,识别所述车辆空间集合中任一车辆在所述车辆状态记忆库中被调用的概率,得到与所述车辆空间集合对应的第一被调概率集合;
根据所述人员空间集合和所述人员状态记忆库,识别所述人员空间集合中任一人员在所述人员状态记忆库中被调用的概率,得到与所述车辆空间集合对应的第二被调概率集合;
通过对所述第一被调概率集合和所述第二被调概率集合进行加权融合计算,输出融合被调概率集合;
通过对所述融合被调概率集合进行风险转换,输出融合风险概率集合;
在所述融合风险概率集合中进行寻优,输出融合风险概率处于预设风险概率区间的标识风险概率集合;
对所述标识风险概率集合进行平稳性密度概率寻优,输出所述寻优决策结果;
按照所述寻优决策结果,生成所述中转货运订单的货运线路。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
连接历史订单管理系统,根据所述货源起始地和所述货源目标地之间的历史最短路径,确定预规划路径;
在所述预规划路径上确定所述中转货运订单的可中转分布节点,其中,所述可中转分布节点为满足所述货源物品属性信息的存放中转站点;
引入第一损失函数对所有的可中转分布节点中每个节点的待选取节点进行因运输偏离所导致的时间成本损失识别,确定损失最小的标识中转节点,将所述标识中转节点作为所述中转货运订单的运输中转点;
以所述标识中转节点对所述预规划路径进行分段,输出分段规划路径,其中,所述分段规划路径中的每段规划路径为与所述预规划路径的路径偏离度最小。
3.如权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述分段规划路径,其中,所述分段规划路径包括第一分段路径、第二分段路径…第N分段路径,其中,N为分段规划路径中的分段数量;
获取每个分段路径所对应的融合被调概率集合,从每个分段路径所对应的融合被调概率集合中得到对应的标识车辆和标识人员,作为所述中转货运订单的分段接单信息;
按照所述分段接单信息自动生成所述中转货运订单的货运线路。
4.基于数据融合的货运线路集成规划系统,其特征在于,用于执行权利要求1至3所述的基于数据融合的货运线路集成规划方法中任意一项方法的步骤,所述系统包括:
货运订单信息调取单元,所述货运订单信息调取单元用于连接网络货运平台的业务中台,调用货源订单管理模块获取中转货运订单,采集所述中转货运订单的货源起始地、货源目标地和货源物品属性信息,其中,货源物品属性信息为表征货源在运输过程中的状态属性信息;
分段规划路径建立单元,所述分段规划路径建立单元用于获取所述中转货运订单的中转节点,以所述货源起始地、所述货源目标地以及所述中转节点,建立分段规划路径;
车辆适配单元,所述车辆适配单元用于连接所述业务中台调用车辆状态管理模块,按照所述货源物品属性信息进行车辆适配,将适配度满足预设适配度的车辆纳入车辆空间集合;
人员空间集合获取单元,所述人员空间集合获取单元用于连接所述业务中台调用人员信息管理模块,将所述人员信息管理模块与所述车辆状态管理模块进行连接后进行人员驾驶权限识别,获取所述车辆空间集合中各个车辆驾驶权限人员对应的人员空间集合;
风险寻优决策单元,所述风险寻优决策单元用于按照所述车辆空间集合和所述人员空间集合对所述分段规划路径进行风险寻优决策,输出寻优决策结果,其中,所述寻优决策结果为损失风险最小的路径;
货运线路生成单元,所述货运线路生成单元用于按照所述寻优决策结果,生成所述中转货运订单的货运线路。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311219477.4A CN116957174B (zh) | 2023-09-21 | 2023-09-21 | 基于数据融合的货运线路集成规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311219477.4A CN116957174B (zh) | 2023-09-21 | 2023-09-21 | 基于数据融合的货运线路集成规划方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116957174A CN116957174A (zh) | 2023-10-27 |
CN116957174B true CN116957174B (zh) | 2023-11-28 |
Family
ID=88449648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311219477.4A Active CN116957174B (zh) | 2023-09-21 | 2023-09-21 | 基于数据融合的货运线路集成规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116957174B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117217650B (zh) * | 2023-11-07 | 2024-02-06 | 广州拓威天海国际物流有限公司 | 一种国际运输散货全程订单轨迹系统 |
CN117875825A (zh) * | 2024-03-11 | 2024-04-12 | 万联易达物流科技有限公司 | 一种运输循环线路匹配货源的方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107871175A (zh) * | 2016-09-27 | 2018-04-03 | 传化物流集团有限公司 | 一种车货匹配派单方法及装置 |
CN108197875A (zh) * | 2018-01-23 | 2018-06-22 | 浙江大仓信息科技股份有限公司 | 一种危化品运输管理系统 |
CN109816214A (zh) * | 2018-12-29 | 2019-05-28 | 张嘉敏 | 周期运行图混合速度列车流结构优化模型与算法 |
CN110659839A (zh) * | 2019-09-29 | 2020-01-07 | 杭州货天下物流科技有限公司 | 一种物流智能配载调度方法 |
CN112633555A (zh) * | 2020-11-30 | 2021-04-09 | 科技谷(厦门)信息技术有限公司 | 一种物流运输方案的优化方法及系统 |
CN112668964A (zh) * | 2020-12-23 | 2021-04-16 | 北京京东振世信息技术有限公司 | 运输凭证路由方法、装置、设备及计算机可读存储介质 |
CN114037114A (zh) * | 2021-09-27 | 2022-02-11 | 中冶南方工程技术有限公司 | 一种基于物料输送路径寻优的方法、装置及电子设备 |
CN116128392A (zh) * | 2022-09-27 | 2023-05-16 | 陕西省君凯电子科技有限公司 | 一种全流程的物流管控系统 |
CN116342021A (zh) * | 2023-03-09 | 2023-06-27 | 井冈山市振武物流园有限责任公司 | 一种基于网络货运综合平台管理方法及系统 |
CN116402309A (zh) * | 2023-05-10 | 2023-07-07 | 上海文景信息科技有限公司 | 港口集疏运车辆调度匹配方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11282016B2 (en) * | 2017-05-23 | 2022-03-22 | Uatc, Llc | Individualized risk vehicle matching for an on-demand transportation service |
WO2019209947A1 (en) * | 2018-04-24 | 2019-10-31 | Indigo Ag, Inc. | Interaction management in an online agricultural system |
-
2023
- 2023-09-21 CN CN202311219477.4A patent/CN116957174B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107871175A (zh) * | 2016-09-27 | 2018-04-03 | 传化物流集团有限公司 | 一种车货匹配派单方法及装置 |
CN108197875A (zh) * | 2018-01-23 | 2018-06-22 | 浙江大仓信息科技股份有限公司 | 一种危化品运输管理系统 |
CN109816214A (zh) * | 2018-12-29 | 2019-05-28 | 张嘉敏 | 周期运行图混合速度列车流结构优化模型与算法 |
CN110659839A (zh) * | 2019-09-29 | 2020-01-07 | 杭州货天下物流科技有限公司 | 一种物流智能配载调度方法 |
CN112633555A (zh) * | 2020-11-30 | 2021-04-09 | 科技谷(厦门)信息技术有限公司 | 一种物流运输方案的优化方法及系统 |
CN112668964A (zh) * | 2020-12-23 | 2021-04-16 | 北京京东振世信息技术有限公司 | 运输凭证路由方法、装置、设备及计算机可读存储介质 |
CN114037114A (zh) * | 2021-09-27 | 2022-02-11 | 中冶南方工程技术有限公司 | 一种基于物料输送路径寻优的方法、装置及电子设备 |
CN116128392A (zh) * | 2022-09-27 | 2023-05-16 | 陕西省君凯电子科技有限公司 | 一种全流程的物流管控系统 |
CN116342021A (zh) * | 2023-03-09 | 2023-06-27 | 井冈山市振武物流园有限责任公司 | 一种基于网络货运综合平台管理方法及系统 |
CN116402309A (zh) * | 2023-05-10 | 2023-07-07 | 上海文景信息科技有限公司 | 港口集疏运车辆调度匹配方法及系统 |
Non-Patent Citations (4)
Title |
---|
Multi-route planning of multimodal transportation for oversize and heavyweight cargo based on reconstruction;Yan Luo 等;《Computers & Operations Research》;第128卷;第1-13页 * |
不确定因素下配送路径优化问题研究;高飞;《中国博士学位论文全文数据库 信息科技辑》(第11期);第I140-13页 * |
基于DGA算法的智能物流车辆集配平台的研究与实现;吴江;《中国优秀硕士学位论文全文数据库 信息科技辑》(第2期);第I138-606页 * |
基于车站与线路能力协调的路网天窗优化方案研究;宋凯文;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》(第2期);第C033-609页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116957174A (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116957174B (zh) | 基于数据融合的货运线路集成规划方法及系统 | |
Meyer | Decarbonizing road freight transportation–A bibliometric and network analysis | |
Jin et al. | Disruption response planning for an urban mass rapid transit network | |
Žunić et al. | An adaptive data-driven approach to solve real-world vehicle routing problems in logistics | |
CN106157621A (zh) | 一种基于数据分析的智能路况管理系统 | |
CN110119831A (zh) | 一种物流管理系统的运输路径优化系统及方法 | |
Bousonville et al. | Data driven analysis and forecasting of medium and heavy truck fuel consumption | |
Huang et al. | Real-time energy-saving metro train rescheduling with primary delay identification | |
Cheng et al. | Integrated people-and-goods transportation systems: from a literature review to a general framework for future research | |
Schmid et al. | Modeling train route decisions during track works | |
Huang et al. | Drone stations-aided beyond-battery-lifetime flight planning for parcel delivery | |
Khouadjia et al. | Metaheuristics for dynamic vehicle routing | |
US20210125300A1 (en) | Transportation operator collaboration for enhanced user experience and operational efficiency | |
Samaranayake et al. | Ridepooling with trip-chaining in a shared-vehicle mobility-on-demand system | |
CN110347937B (zh) | 一种出租车智能寻客方法 | |
Kim et al. | Integrated design framework for on-demand transit system based on spatiotemporal mobility patterns | |
Liu et al. | Forecasting estimated times of arrival of US freight trains | |
US11631095B2 (en) | Information processing method and information processing apparatus | |
US20220164722A1 (en) | Systems and methods for data-driven energy management of a vehicle fleet with electric vehicles | |
Bai et al. | Rollout-based charging strategy for electric trucks with hours-of-service regulations | |
US20220335351A1 (en) | Resource Operation Planning Assistance Apparatus and Resource Operation Planning Assistance Method | |
Zhang et al. | Distribution path optimization method of gas cylinder based on Genetic-Tabu hybrid algorithm | |
CN112613701A (zh) | 一种成品卷烟物流调度方法 | |
JUHÁSZ et al. | DESCRIPTION OF PACKAGE DELIVERY TASK WITH MATHEMATICAL MODEL. | |
Kou et al. | Last-mile shuttle planning for improving bus commuters’ travel time reliability: a case study of Beijing |
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 |