CN117114175A - 基于北斗定位技术实现外贸货物交付计划的预测方法 - Google Patents
基于北斗定位技术实现外贸货物交付计划的预测方法 Download PDFInfo
- Publication number
- CN117114175A CN117114175A CN202311019639.XA CN202311019639A CN117114175A CN 117114175 A CN117114175 A CN 117114175A CN 202311019639 A CN202311019639 A CN 202311019639A CN 117114175 A CN117114175 A CN 117114175A
- Authority
- CN
- China
- Prior art keywords
- data
- driver
- order
- driving
- qualification
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000005516 engineering process Methods 0.000 title claims abstract description 20
- 238000012797 qualification Methods 0.000 claims description 61
- 238000012544 monitoring process Methods 0.000 claims description 51
- 230000006399 behavior Effects 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 4
- 230000008676 import Effects 0.000 claims description 3
- 238000004393 prognosis Methods 0.000 claims description 3
- 230000000284 resting effect Effects 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000012876 topography Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003958 fumigation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
-
- 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
- G06Q10/06316—Sequencing of tasks or work
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06398—Performance of employee with respect to a job function
Abstract
本发明公开了基于北斗定位技术实现外贸货物交付计划的预测方法，涉及外贸海运货物交付计划技术领域。为了解决现有的预计到达方法参考恶劣天气情况有滞后性，不能提前掌握，导致预测准确度不高的问题；基于北斗定位技术实现外贸货物交付计划的预测方法，根据历史订单分析当前订单的驾驶员行为习惯，有效为下一次的派单提供数据基础，主动收集各城市道路和天气情况，避免环境数据的滞后性，提高了预测的准确度，通过对待创建计划的读取，实现对订单基于订单类型、订单距离、客户要求和配套业务进行有效准确的分析，基于创建的订单有效提高了订单优先级的排列，便于基于优先级快速有效的匹配驾驶员，提高了派单效率，同时，保证了派单的质量。
Description
技术领域
本发明涉及外贸海运货物交付计划技术领域，特别涉及基于北斗定位技术实现外贸货物交付计划的预测方法。
背景技术
在现有的外贸海运业务的陆运途中，经常会出现因为过了截单时间没有提到柜，过了截关、截港时间，集装箱没有进港导致产生额外费用，严重的上不了船等问题；如果能从集装箱车辆位置和工厂与驾驶员的作业习惯角度出发预测大概能够到达下一个节点的时间，就能为订单操作部门和客户留足很大的提前量，从而提前预判可能的风险，杜绝产生此类问题。而现有的预测方法中，对于方案想的过于简单，单纯根据各个城市的高速优惠政策进行分析，未考虑到驾驶员平时驾驶车辆习惯，驾驶员休息习惯于休息时长，工厂装货情况，路况拥堵情况，因而并不能提供准确的预测数据。
现有的预计到达方法存在的问题可大致概括为以下两个方面：
1、未考虑驾驶员驾车习惯，比如国道平均时速，高速平均时速，遇到类似业务驾驶员的休息时长是多少。已经连续开车时长判断大概休息时间等。在实际的业务运输途中真是发生但并未记录在预测内容中，导致预测准确度不理想。
2、参考恶劣天气情况有滞后性，不能提前掌握，导致预测准确度不高。
3、将一趟运输视为匀速运动，但实际业务运输途中，没有考虑到工厂方面的情况，装货时长，工厂人员上班时间，是否压夜等维度。导致预测失真度很高，导致预测准确度不理想。
发明内容
本发明的目的在于提供基于北斗定位技术实现外贸货物交付计划的预测方法，根据历史订单分析当前订单的驾驶员行为习惯，有效为下一次的派单提供数据基础，主动收集各城市道路和天气情况，避免环境数据的滞后性，提高了预测的准确度，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
基于北斗定位技术实现外贸货物交付计划的预测方法，包括以下步骤：
S1：在数据库中提取所有历史订单数据，分析道路情况、驾驶员行驶习惯、驾驶员休息习惯、作业门点的路线通行效率以及作业门点的装卸货时间情况，将分析结果保存至数据库中；
S2：主动收集各城市道路和天气情况，将获取到的数据基于数据类型保存至数据库中，加入到基础分析数据中；
S3：驾驶员可以根据进港过程中情况，在APP中基于无线信号远程下达指令，公司内部专业部门对APP上传的指令进行核实后，对后续订单进行干预；
S4：调度进行派车后，预测系统根据订单情况建立计算模型，判断订单类型、订单距离、客户的特殊要求和是否有配套业务，根据判断结果将其加入到预测模型中进行预测；
S5：派车后，获取到上一车次业务还未完结数据后，跟踪上一车次业务运行程度，基于获取到的异常情况做出及时预警，并通知调度方和客户方，进行改派；
S6：在作业过程中特殊情况发生时，进行人工介入，人工介入干预后，将人工处理结果带入到预测模型中进行预测；
S7：预测出交付计划时间后，将预测的交付计划时间写入预测结果中；
S8：业务结束后，根据预计结果和真实结果比较，由系统规则判断异常环节，并由人工介入调整参数，并将本次业务数据分析后补充到业务基础数据中。
进一步的，针对S1中，分析历史上所有订单数据，具体包括：
S101：在所述历史订单数据中提取与当前驾驶员信息一致的历史驾驶列表，同时，基于历史驾驶数据在总历史订单数据中的权重值，分析所述驾驶员的驾驶置信度；
S102：基于所述历史驾驶列表获取所述驾驶员的驾驶监控数据，并根据所述驾驶监控数据获取所述驾驶员的驾驶行为，判断所述驾驶员的驾驶行为习惯和驾驶休息习惯。
进一步的，基于历史驾驶数据在总历史订单数据中的权重值，分析所述驾驶员的驾驶置信度，包括：
将所述历史驾驶数据按照驾驶评价指标划分为多组类型驾驶数据，其中一个驾驶评价指标对应一组类型驾驶数据；
基于当前类型驾驶数据中历史驾驶数据值和标准驾驶数据值，并根据如下公式计算当前类型驾驶数据的类型权重值K；
其中，n表示当前类型驾驶数据中历史驾驶数据值的数量，hi表示当前类型驾驶数据中第i个历史驾驶数据值，hi0表示当前类型驾驶数据中第i个标准驾驶数据值，δi表示第i个历史驾驶数据值对应的属性权重；
基于驾驶评价指标及其对应的类型权重值，并根据如下公式计算所述驾驶员高质量驾驶的驾驶置信度P；
其中，m表示类型驾驶数据的组数，Kj表示第j组类型驾驶数据的类型权重值，Kj0表示第j组类型驾驶数据的作为高质量标准的临界类型权重值。
在该实施例中，历史驾驶数据值和标准驾驶数据值的取值均经过标准化，取值均为(0,1)。
进一步的，针对S1中，分析历史上所有订单数据，还包括：
S103：在所述历史订单数据中提取与当前作业任务相同的任务地点，获取所述历史订单数据中的驾驶运行数据和预测数据；
S104：在所述预测数据中提取驾驶员对应的初始位置，基于所述驾驶运行数据确定所述初始位置与实际位置差值，分析该驾驶员的位置特征；
S105：根据初始位置与实际位置差值生成所述驾驶员的移动轨迹，同时，提取所述驾驶员的停顿特征，生成所述驾驶员的移动特征和停顿特征，确定所述当前作业任务对应的作业线路分析结果。
进一步的，针对S2中，主动收集各城市道路和天气情况，还包括：
S201：获取所述当前作业任务中所包括的位置数据，获取所述位置数据所在城市，将所述城市输入至预设城市数据样本数据库中进行匹配，并基于匹配结果输出该城市的基本交通数据；
其中，所述基本交通数据包括道路、道路周边建筑和道路地形的基本数据样本；
S202：获取所述位置数据所在城市的各个天气数据，并与所述城市一一对应，所述天气数据包括温度、风速、风向、恶劣天气的影响范围和恶劣天气的影响程度。
进一步的，针对S4中，预测系统根据订单情况建立计算模型前，还包括创建订单，确定订单类型、订单距离、客户的特殊要求和配套业务，其具体过程包括：
S401：生成待创建订单，并对所述待创建订单进行信息录入，确定所述待创建订单的订单计划，其中，所述待创建订单至少为一个；
S402：对创建的订单进行分析，确定所述订单的优先级，并基于所述优先级对所述订单进行排列，基于订单列表顺序执行创建的订单，当执行所述订单时，基于所述订单始发地和订单终点确定所述订单对应的距离，并基于所述订单要求匹配驾驶员，其中，所述驾驶员至少为一个。
进一步的，基于所述订单要求匹配驾驶员，包括：
对所述订单要求按照要求类型进行划分，得到多组类型要求，提取每组组类型要求中的要求关键词，基于要求关键词建立要求类型对应的类型标签，并为每个类型标签设置标签属性；
基于类型标签及其对应的标签属性建立要求类型对应的驾驶员资质模型，并将所有类型标签的驾驶员资质模型进行整合，对驾驶员资质模型中的相同资质进行合并，对驾驶员资质模型中冲突的资质选取要求类型优先级高对应的资质作为最终的资质，得到综合驾驶员资质模型，并将综合驾驶员资质模型中的资质划分为主观资质和客观资质；
从驾驶员的驾驶信息中提取驾驶关键词，并基于所述驾驶关键词为驾驶员匹配对应的驾驶标签，基于驾驶标签生成驾驶员对应的驾驶员驾驶模型；
对综合驾驶员资质模型和驾驶员驾驶模型进行标准化，得到综合标准驾驶员资质模型和驾驶员标准驾驶模型，将驾驶员标准驾驶模型与综合标准驾驶员资质模型中的客观资质进行第一匹配，选取满足客观要求的第一驾驶员；
将第一驾驶员对应的驾驶员标准驾驶模型与综合标准驾驶员资质模型中的主观资质进行第二匹配，得到第一驾驶员的主观评分，选择主观评分大于预设评分的第一驾驶员作为第二驾驶员；
根据选取数量，从第二驾驶员中选取历史评分靠前的作为最终的驾驶员。
进一步的，所述带创建订单的订单计划包括：待创建订单的类型、订单始发地、订单终点以及所述订单对应的客户要求和配套业务，其中，订单类型包括进口和出口，配套业务包括套班、带货以及带货地址。
进一步的，针对S5中，基于获取到的异常情况做出及时预警，并通知调度方和客户方，包括：
基于所述订单和派单驾驶员之间构建数据互通区块链，同时获取订单对应的客户方以及调度方的IP地址，并基于所述IP地址通过所述数据互通区块链构建所述派单驾驶员、客户方以及调度方的通讯链路；
基于所述通讯链路在所述数据互通区块链中将所述派单驾驶员的订单任务执行进度向客户方以及调度方进行传递，并基于通讯链路将客户方以及调度方的临时派发任务指令发送至派单驾驶员。
进一步的，针对S8中，由系统规则判断异常环节，具体包括：
获取订单执行监控数据，将所述订单执行监控数据的数据标识输入至预设监控数据库中进行匹配；
并基于匹配结果将所述订单执行监控数据进行分类，生成多个连续的驾驶员目标监控数据段与运行目标监控数据段；
分析所述驾驶员目标监控数据段中所述驾驶员的驾驶行为是否符合所述行驶方案；
若不符合，提取所述驾驶员目标监控数据段对应的运行目标监控数据段，基于所述运行目标监控数据段的运行数据判断是否符合所述订单预测数据；
若不符合，基于所述运行目标监控数据段的时间序列提取对应订单执行监控数据，确定为异常环节。
与现有技术相比，本发明的有益效果是：
1.根据历史订单分析当前订单的驾驶员行为习惯，在驾驶员的驾驶过程中以行驶方案为基准，分析驾驶员的操作是否存在异常，在必要时，给予对应的报警提醒，保障驾驶员的生命安全，有效为下一次的派单提供数据基础，主动收集各城市道路和天气情况，避免环境数据的滞后性，提高了预测的准确度，通过对待创建计划的读取，实现对订单基于订单类型、订单距离、客户要求和配套业务进行有效准确的分析，基于创建的订单有效提高了订单优先级的排列，便于基于优先级快速有效的匹配驾驶员，提高了派单效率，同时，保证了派单的质量。
2.通过为派单驾驶员、客户方以及调度方构建数据互通平台，实现对客户方以及调度方的信息进行及时有效的互通，且实时对派单驾驶员任务进度进行同步管理，提高了管理的效率，同时节省了大量的人力物力，将订单的驾驶员行为和运行数据进行分类，并根据分类结果对两类数据分别进行分析和处理，从而得到驾驶员是否执行订单上的任务，最终将二者进行综合，判断驾驶员的行为是否影响任务的执行进度，实现对驾驶员的进行有效评估，提高了对驾驶员行为规范性评估的准确性。
附图说明
图1为本发明的基于北斗定位技术实现外贸货物交付计划的预测方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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。
为了解决参考恶劣天气情况有滞后性，不能提前掌握，导致预测准确度不高的技术问题，请参阅图1，本实施例提供以下技术方案：
基于北斗定位技术实现外贸货物交付计划的预测方法，包括以下步骤：
S1：在数据库中提取所有历史订单数据，分析道路情况、驾驶员行驶习惯、驾驶员休息习惯、作业门点的路线通行效率以及作业门点的装卸货时间情况，将分析结果保存至数据库中；
S2：主动收集各城市道路和天气情况，将获取到的数据基于数据类型保存至数据库中，加入到基础分析数据中；
S3：驾驶员可以根据进港过程中情况，在APP中基于无线信号远程下达指令，公司内部专业部门对APP上传的指令进行核实后，对后续订单进行干预；
S4：调度进行派车后，预测系统根据订单情况建立计算模型，判断订单类型、订单距离、客户的特殊要求和是否有配套业务，根据判断结果将其加入到预测模型中进行预测；
预测系统根据订单情况建立计算模型前，还包括创建订单，确定订单类型、订单距离、客户的特殊要求和配套业务，其具体过程包括：
S401：生成待创建订单，并对所述待创建订单进行信息录入，确定所述待创建订单的订单计划，其中，所述待创建订单至少为一个；
所述带创建订单的订单计划包括：待创建订单的类型、订单始发地、订单终点以及所述订单对应的客户要求和配套业务，其中，订单类型包括进口和出口，配套业务包括套班、带货以及带货地址；
S402：对创建的订单进行分析，确定所述订单的优先级，并基于所述优先级对所述订单进行排列，基于订单列表顺序执行创建的订单，当执行所述订单时，基于所述订单始发地和订单终点确定所述订单对应的距离，并基于所述订单要求匹配驾驶员，其中，所述驾驶员至少为一个；
S5：派车后，获取到上一车次业务还未完结数据后，跟踪上一车次业务运行程度，基于获取到的异常情况做出及时预警，并通知调度方和客户方，进行改派；
S6：在作业过程中特殊情况发生时，进行人工介入，人工介入干预后，将人工处理结果带入到预测模型中进行预测；
S7：预测出交付计划时间后，将预测的交付计划时间写入预测结果中；
S8：业务结束后，根据预计结果和真实结果比较，由系统规则判断异常环节，并由人工介入调整参数，并将本次业务数据分析后补充到业务基础数据中。
该实施例中，进口是指向非本地区居民购买生产或消费所需的原材料、产品、服务；本文指进口的集装箱。
该实施例中，出口指企业将生产的成品从本国出口至其他国家或地区收取外汇的成品事项；本文指出口的集装箱。
该实施例中，套班是将多趟运输业务套在一起，给同一个司机进行作业；需要考虑做箱时间和驾驶员驾驶习惯以及工厂装货时长；
该实施例中，带货是当集装箱运输作业流程中，做箱时间比较充足和集装箱是空箱的情况下，可以匹配一趟从港口城市到作业门点中间的一趟国内货物运输业务；行业内称为带货；目的是降低运输成本，提高驾驶员收入；
该实施例中，客户的特殊要求包括熏蒸(货物出口到特定国家，或者运输特定货物的情况，客户会要求提到空箱后进行熏蒸)，目的是为了杀菌和防止病虫害，洗箱(提到空箱后，假如有损坏或者不卫生，先去修复箱体和对箱体进行清洁)；
该实施例中，开港信息为：航运业，进出口都是从港口出发，根据船舶的航次安排，港区会在船舶靠泊前一定时间范围安排集装箱进港；这些港区信息称之为开港信息。
具体的，根据历史订单分析当前订单的驾驶员行为习惯，在驾驶员的驾驶过程中以行驶方案为基准，分析驾驶员的操作是否存在异常，在必要时，给予对应的报警提醒，保障驾驶员的生命安全，有效为下一次的派单提供数据基础，主动收集各城市道路和天气情况，避免环境数据的滞后性，提高了预测的准确度，通过对待创建计划的读取，实现对订单基于订单类型、订单距离、客户要求和配套业务进行有效准确的分析，基于创建的订单有效提高了订单优先级的排列，便于基于优先级快速有效的匹配驾驶员，提高了派单效率，同时，保证了派单的质量。
进一步的，基于历史驾驶数据在总历史订单数据中的权重值，分析所述驾驶员的驾驶置信度，包括：
将所述历史驾驶数据按照驾驶评价指标划分为多组类型驾驶数据，其中一个驾驶评价指标对应一组类型驾驶数据；
基于当前类型驾驶数据中历史驾驶数据值和标准驾驶数据值，并根据如下公式计算当前类型驾驶数据的类型权重值K；
其中，n表示当前类型驾驶数据中历史驾驶数据值的数量，hi表示当前类型驾驶数据中第i个历史驾驶数据值，hi0表示当前类型驾驶数据中第i个标准驾驶数据值，δi表示第i个历史驾驶数据值对应的属性权重；
基于驾驶评价指标及其对应的类型权重值，并根据如下公式计算所述驾驶员高质量驾驶的驾驶置信度P；
其中，m表示类型驾驶数据的组数，Kj表示第j组类型驾驶数据的类型权重值，Kj0表示第j组类型驾驶数据的作为高质量标准的临界类型权重值。
在该实施例中，历史驾驶数据值和标准驾驶数据值的取值均经过标准化，取值均为(0,1)。
在该实施例中，类型驾驶数据中历史上驾驶数据值用于表征驾驶的特征，标准驾驶数据值根据订单数据中的标准设定得到。
在该实施例中，类型驾驶数据的类型权重值表示驾驶员该类型驾驶下的特征，特征越好越稳定对应的权重值越大。
在该实施例中，历史驾驶数据值对应的属性权重根据驾驶数据值对驾驶表征程度确定，表征程度越大，对应的属性权重值越大，对应的取值为(0,1)。
在该实施例中，类型驾驶数据的作为高质量标准的临界类型权重值根据历史数据分析得到。
上述设计方案的有益效果是：通过将所述历史驾驶数据按照驾驶评价指标划分为多组类型驾驶数据，其中一个驾驶评价指标对应一组类型驾驶数据，然后通过对多组类型驾驶数据的类型权重值的计算，确定类型驾驶数据驾驶员该类型驾驶下的特征情况，进一步根据所有类型驾驶数据的类型权重值，结合预先设定的类型驾驶数据的作为高质量标准的临界类型权重值，计算所述驾驶员高质量驾驶的驾驶置信度，实现了对驾驶员驾驶情况的确定和驾驶员行为习惯的确定，有效为下一次的派单提供数据基础。
为了解决未考虑驾驶员驾车习惯，在实际的业务运输途中真是发生但并未记录在预测内容中，导致预测准确度不理想的技术问题，请参阅图1，本实施例提供以下技术方案：
针对S1中，分析历史上所有订单数据，具体包括：
S101：在所述历史订单数据中提取与当前驾驶员信息一致的历史驾驶列表，同时，基于历史驾驶数据在总历史订单数据中的权重值，分析所述驾驶员的驾驶置信度；
S102：基于所述历史驾驶列表获取所述驾驶员的驾驶监控数据，并根据所述驾驶监控数据获取所述驾驶员的驾驶行为，判断所述驾驶员的驾驶行为习惯和驾驶休息习惯；
S103：在所述历史订单数据中提取与当前作业任务相同的任务地点，获取所述历史订单数据中的驾驶运行数据和预测数据；
S104：在所述预测数据中提取驾驶员对应的初始位置，基于所述驾驶运行数据确定所述初始位置与实际位置差值，分析该驾驶员的位置特征；
S105：根据初始位置与实际位置差值生成所述驾驶员的移动轨迹，同时，提取所述驾驶员的停顿特征，生成所述驾驶员的移动特征和停顿特征，确定所述当前作业任务对应的作业线路分析结果。
针对S2中，主动收集各城市道路和天气情况，还包括：
S201：获取所述当前作业任务中所包括的位置数据，获取所述位置数据所在城市，将所述城市输入至预设城市数据样本数据库中进行匹配，并基于匹配结果输出该城市的基本交通数据；
其中，所述基本交通数据包括道路、道路周边建筑和道路地形的基本数据样本；
S202：获取所述位置数据所在城市的各个天气数据，并与所述城市一一对应，所述天气数据包括温度、风速、风向、恶劣天气的影响范围和恶劣天气的影响程度。
具体的，通过分析驾驶员在执行订单过程中的实际位置和预测位置，可以得知当前在驾驶员实际的移动范围，分析驾驶员的停顿时长，确定驾驶员的驾驶速度、休息频率、作业时间和休息时间占比，同时，基于道路特征及驾驶员的通行时间判断道路的通行效率，从而更加全面的分析驾驶员行为，为后续分析驾驶员行为习惯，以及判断驾驶员的派单量做基础，在一定程度上提高了系统预测的准确性和全面性，结合获取到的天气数据判断是否会影响运输，并基于判断结果对各个运输路段进行调整，保证了各个运输路段的运输安全。
为了解决根据订单需求匹配驾驶员存在误差的情况，本实施例提供以下技术方案：
基于所述订单要求匹配驾驶员，包括：
对所述订单要求按照要求类型进行划分，得到多组类型要求，提取每组组类型要求中的要求关键词，基于要求关键词建立要求类型对应的类型标签，并为每个类型标签设置标签属性；
基于类型标签及其对应的标签属性建立要求类型对应的驾驶员资质模型，并将所有类型标签的驾驶员资质模型进行整合，对驾驶员资质模型中的相同资质进行合并，对驾驶员资质模型中冲突的资质选取要求类型优先级高对应的资质作为最终的资质，得到综合驾驶员资质模型，并将综合驾驶员资质模型中的资质划分为主观资质和客观资质；
从驾驶员的驾驶信息中提取驾驶关键词，并基于所述驾驶关键词为驾驶员匹配对应的驾驶标签，基于驾驶标签生成驾驶员对应的驾驶员驾驶模型；
对综合驾驶员资质模型和驾驶员驾驶模型进行标准化，得到综合标准驾驶员资质模型和驾驶员标准驾驶模型，将驾驶员标准驾驶模型与综合标准驾驶员资质模型中的客观资质进行第一匹配，选取满足客观要求的第一驾驶员；
将第一驾驶员对应的驾驶员标准驾驶模型与综合标准驾驶员资质模型中的主观资质进行第二匹配，得到第一驾驶员的主观评分，选择主观评分大于预设评分的第一驾驶员作为第二驾驶员；
根据选取数量，从第二驾驶员中选取历史评分靠前的作为最终的驾驶员。
在该实施例中，订单要求按照要求类型例如为订单类型、订单距离、客户的特殊要求和配套业务，订单起点终点等。
在该实施例中，标签属性例如为起点，终点，距离，客户要求等。
在该实施例中，要求类型中客观要求的优先级高于主观要求。
在该实施例中，客观资质例如为订单距离，订单起点终点等。主观资质例如为客户的要求(驾驶员驾龄要求，驾驶员性别要求)。
在该实施例中，对综合驾驶员资质模型和驾驶员驾驶模型进行标准化的目的为为两个模型之间的智能匹配的属性执行提供基础。
在该实施例中，所述选取数量根据订单要求确定。
上述设计方案的有益效果是：通过根据订单要求和驾驶员的特征进行双向匹配，并在匹配过程中考录要求类型的优先级，以及资质的主观性和客观性，通过模型建立实现对驾驶员的智能匹配，一稿确定驾驶员的效率，同时保证选取的驾驶员满足订单的客观要求的情况下，选取最满足客户主观要求的驾驶员，保证确定的驾驶员的最优性，给客户带来满意的货物运输体验。
为了解决将一趟运输视为匀速运动，但实际业务运输途中，没有考虑到异常情况，导致预测失真度很高，导致预测准确度不理想的技术问题，请参阅图1，本实施例提供以下技术方案：
针对S5中，基于获取到的异常情况做出及时预警，并通知调度方和客户方，包括：
基于所述订单和派单驾驶员之间构建数据互通区块链，同时获取订单对应的客户方以及调度方的IP地址，并基于所述IP地址通过所述数据互通区块链构建所述派单驾驶员、客户方以及调度方的通讯链路；
基于所述通讯链路在所述数据互通区块链中将所述派单驾驶员的订单任务执行进度向客户方以及调度方进行传递，并基于通讯链路将客户方以及调度方的临时派发任务指令发送至派单驾驶员；
针对S8中，由系统规则判断异常环节，具体包括：
获取订单执行监控数据，将所述订单执行监控数据的数据标识输入至预设监控数据库中进行匹配；
并基于匹配结果将所述订单执行监控数据进行分类，生成多个连续的驾驶员目标监控数据段与运行目标监控数据段；
分析所述驾驶员目标监控数据段中所述驾驶员的驾驶行为是否符合所述行驶方案；
若不符合，提取所述驾驶员目标监控数据段对应的运行目标监控数据段，基于所述运行目标监控数据段的运行数据判断是否符合所述订单预测数据；
若不符合，基于所述运行目标监控数据段的时间序列提取对应订单执行监控数据，确定为异常环节。
具体的，通过为派单驾驶员、客户方以及调度方构建数据互通平台，实现对客户方以及调度方的信息进行及时有效的互通，且实时对派单驾驶员任务进度进行同步管理，提高了管理的效率，同时节省了大量的人力物力，将订单的驾驶员行为和运行数据进行分类，并根据分类结果对两类数据分别进行分析和处理，从而得到驾驶员是否执行订单上的任务，最终将二者进行综合，判断驾驶员的行为是否影响任务的执行进度，实现对驾驶员的进行有效评估，提高了对驾驶员行为规范性评估的准确性。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (10)
1.基于北斗定位技术实现外贸货物交付计划的预测方法，其特征在于：包括以下步骤：
S1：在数据库中提取所有历史订单数据，分析道路情况、驾驶员行驶习惯、驾驶员休息习惯、作业门点的路线通行效率以及作业门点的装卸货时间情况，将分析结果保存至数据库中；
S2：主动收集各城市道路和天气情况，将获取到的数据基于数据类型保存至数据库中，加入到基础分析数据中；
S3：驾驶员可以根据进港过程中情况，在APP中基于无线信号远程下达指令，公司内部专业部门对APP上传的指令进行核实后，对后续订单进行干预；
S4：调度进行派车后，预测系统根据订单情况建立计算模型，判断订单类型、订单距离、客户的特殊要求和是否有配套业务，根据判断结果将其加入到预测模型中进行预测；
S5：派车后，获取到上一车次业务还未完结数据后，跟踪上一车次业务运行程度，基于获取到的异常情况做出及时预警，并通知调度方和客户方，进行改派；
S6：在作业过程中特殊情况发生时，进行人工介入，人工介入干预后，将人工处理结果带入到预测模型中进行预测；
S7：预测出交付计划时间后，将预测的交付计划时间写入预测结果中；
S8：业务结束后，根据预计结果和真实结果比较，由系统规则判断异常环节，并由人工介入调整参数，并将本次业务数据分析后补充到业务基础数据中。
2.如权利要求1所述的基于北斗定位技术实现外贸货物交付计划的预测方法，其特征在于：针对S1中，分析历史上所有订单数据，具体包括：
S101：在所述历史订单数据中提取与当前驾驶员信息一致的历史驾驶列表，同时，基于历史驾驶数据在总历史订单数据中的权重值，分析所述驾驶员的驾驶置信度；
S102：基于所述历史驾驶列表获取所述驾驶员的驾驶监控数据，并根据所述驾驶监控数据获取所述驾驶员的驾驶行为，判断所述驾驶员的驾驶行为习惯和驾驶休息习惯。
3.如权利要求2所述的基于北斗定位技术实现外贸货物交付计划的预测方法，其特征在于：基于历史驾驶数据在总历史订单数据中的权重值，分析所述驾驶员的驾驶置信度，包括：
将所述历史驾驶数据按照驾驶评价指标划分为多组类型驾驶数据，其中一个驾驶评价指标对应一组类型驾驶数据；
基于当前类型驾驶数据中历史驾驶数据值和标准驾驶数据值，并根据如下公式计算当前类型驾驶数据的类型权重值K；
其中，n表示当前类型驾驶数据中历史驾驶数据值的数量，hi表示当前类型驾驶数据中第i个历史驾驶数据值，hi0表示当前类型驾驶数据中第i个标准驾驶数据值，δi表示第i个历史驾驶数据值对应的属性权重；
基于驾驶评价指标及其对应的类型权重值，并根据如下公式计算所述驾驶员高质量驾驶的驾驶置信度P；
其中，m表示类型驾驶数据的组数，Kj表示第j组类型驾驶数据的类型权重值，Kj0表示第j组类型驾驶数据的作为高质量标准的临界类型权重值。
4.如权利要求2所述的基于北斗定位技术实现外贸货物交付计划的预测方法，其特征在于：针对S1中，分析历史上所有订单数据，还包括：
S103：在所述历史订单数据中提取与当前作业任务相同的任务地点，获取所述历史订单数据中的驾驶运行数据和预测数据；
S104：在所述预测数据中提取驾驶员对应的初始位置，基于所述驾驶运行数据确定所述初始位置与实际位置差值，分析该驾驶员的位置特征；
S105：根据初始位置与实际位置差值生成所述驾驶员的移动轨迹，同时，提取所述驾驶员的停顿特征，生成所述驾驶员的移动特征和停顿特征，确定所述当前作业任务对应的作业线路分析结果。
5.如权利要求4所述的基于北斗定位技术实现外贸货物交付计划的预测方法，其特征在于：针对S2中，主动收集各城市道路和天气情况，还包括：
S201：获取所述当前作业任务中所包括的位置数据，获取所述位置数据所在城市，将所述城市输入至预设城市数据样本数据库中进行匹配，并基于匹配结果输出该城市的基本交通数据；
其中，所述基本交通数据包括道路、道路周边建筑和道路地形的基本数据样本；
S202：获取所述位置数据所在城市的各个天气数据，并与所述城市一一对应，所述天气数据包括温度、风速、风向、恶劣天气的影响范围和恶劣天气的影响程度。
6.如权利要求5所述的基于北斗定位技术实现外贸货物交付计划的预测方法，其特征在于：针对S4中，预测系统根据订单情况建立计算模型前，还包括创建订单，确定订单类型、订单距离、客户的特殊要求和配套业务，其具体过程包括：
S401：生成待创建订单，并对所述待创建订单进行信息录入，确定所述待创建订单的订单计划，其中，所述待创建订单至少为一个；
S402：对创建的订单进行分析，确定所述订单的优先级，并基于所述优先级对所述订单进行排列，基于订单列表顺序执行创建的订单，当执行所述订单时，基于所述订单始发地和订单终点确定所述订单对应的距离，并基于所述订单要求匹配驾驶员，其中，所述驾驶员至少为一个。
7.如权利要求6所述的基于北斗定位技术实现外贸货物交付计划的预测方法，其特征在于：基于所述订单要求匹配驾驶员，包括：
对所述订单要求按照要求类型进行划分，得到多组类型要求，提取每组组类型要求中的要求关键词，基于要求关键词建立要求类型对应的类型标签，并为每个类型标签设置标签属性；
基于类型标签及其对应的标签属性建立要求类型对应的驾驶员资质模型，并将所有类型标签的驾驶员资质模型进行整合，对驾驶员资质模型中的相同资质进行合并，对驾驶员资质模型中冲突的资质选取要求类型优先级高对应的资质作为最终的资质，得到综合驾驶员资质模型，并将综合驾驶员资质模型中的资质划分为主观资质和客观资质；
从驾驶员的驾驶信息中提取驾驶关键词，并基于所述驾驶关键词为驾驶员匹配对应的驾驶标签，基于驾驶标签生成驾驶员对应的驾驶员驾驶模型；
对综合驾驶员资质模型和驾驶员驾驶模型进行标准化，得到综合标准驾驶员资质模型和驾驶员标准驾驶模型，将驾驶员标准驾驶模型与综合标准驾驶员资质模型中的客观资质进行第一匹配，选取满足客观要求的第一驾驶员；
将第一驾驶员对应的驾驶员标准驾驶模型与综合标准驾驶员资质模型中的主观资质进行第二匹配，得到第一驾驶员的主观评分，选择主观评分大于预设评分的第一驾驶员作为第二驾驶员；
根据选取数量，从第二驾驶员中选取历史评分靠前的作为最终的驾驶员。
8.如权利要求6所述的基于北斗定位技术实现外贸货物交付计划的预测方法，其特征在于：所述带创建订单的订单计划包括：待创建订单的类型、订单始发地、订单终点以及所述订单对应的客户要求和配套业务，其中，订单类型包括进口和出口，配套业务包括套班、带货以及带货地址。
9.如权利要求8所述的基于北斗定位技术实现外贸货物交付计划的预测方法，其特征在于：针对S5中，基于获取到的异常情况做出及时预警，并通知调度方和客户方，包括：
基于所述订单和派单驾驶员之间构建数据互通区块链，同时获取订单对应的客户方以及调度方的IP地址，并基于所述IP地址通过所述数据互通区块链构建所述派单驾驶员、客户方以及调度方的通讯链路；
基于所述通讯链路在所述数据互通区块链中将所述派单驾驶员的订单任务执行进度向客户方以及调度方进行传递，并基于通讯链路将客户方以及调度方的临时派发任务指令发送至派单驾驶员。
10.如权利要求9所述的基于北斗定位技术实现外贸货物交付计划的预测方法，其特征在于：针对S8中，由系统规则判断异常环节，具体包括：
获取订单执行监控数据，将所述订单执行监控数据的数据标识输入至预设监控数据库中进行匹配；
并基于匹配结果将所述订单执行监控数据进行分类，生成多个连续的驾驶员目标监控数据段与运行目标监控数据段；
分析所述驾驶员目标监控数据段中所述驾驶员的驾驶行为是否符合所述行驶方案；
若不符合，提取所述驾驶员目标监控数据段对应的运行目标监控数据段，基于所述运行目标监控数据段的运行数据判断是否符合所述订单预测数据；
若不符合，基于所述运行目标监控数据段的时间序列提取对应订单执行监控数据，确定为异常环节。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311019639.XA CN117114175B (zh) | 2023-08-14 | 2023-08-14 | 基于北斗定位技术实现外贸货物交付计划的预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311019639.XA CN117114175B (zh) | 2023-08-14 | 2023-08-14 | 基于北斗定位技术实现外贸货物交付计划的预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117114175A true CN117114175A (zh) | 2023-11-24 |
| CN117114175B CN117114175B (zh) | 2024-02-20 |
Family
ID=88795766
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311019639.XA Active CN117114175B (zh) | 2023-08-14 | 2023-08-14 | 基于北斗定位技术实现外贸货物交付计划的预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117114175B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1313504A (zh) * | 2000-03-14 | 2001-09-19 | 曼内斯曼Vdo股份公司 | 路线规划系统 |
| US20150161696A1 (en) * | 2015-02-18 | 2015-06-11 | Cargo Chief | Transportation service matching with arrival estimation adjusted for external factors |
| CN105554059A (zh) * | 2015-11-25 | 2016-05-04 | 北京华油信通科技有限公司 | 基于北斗导航技术的物流运输智能感知与位置服务系统 |
| CN108896064A (zh) * | 2018-07-05 | 2018-11-27 | 晁保锁 | 基于信息共享的应用于gps导航系统的到达时间预估系统 |
| US20180364062A1 (en) * | 2016-02-03 | 2018-12-20 | Kevin Sunlin Wang | Method and system for providing an individualized eta in the transportation industry |
| CN110782064A (zh) * | 2019-09-10 | 2020-02-11 | 浙江工业大学 | 一种集车辆调度优化与任务分配于一体的可视化方法及系统 |
| CN111833600A (zh) * | 2020-06-10 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 通行时间预测方法、装置及数据处理设备 |
| CN112950128A (zh) * | 2021-04-12 | 2021-06-11 | 南京司凯奇汽车科技有限公司 | 一种基于大数据融合的智能物流运输系统及方法 |
| CN112991743A (zh) * | 2021-04-22 | 2021-06-18 | 泰瑞数创科技(北京)有限公司 | 基于行驶路径的实时交通风险ai预测方法及其系统 |
| US20230168092A1 (en) * | 2021-12-01 | 2023-06-01 | Schneider Enterprise Resources, LLC | Systems and methods for predictive feedback analysis based on estimated time of arrival |
-
2023
- 2023-08-14 CN CN202311019639.XA patent/CN117114175B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1313504A (zh) * | 2000-03-14 | 2001-09-19 | 曼内斯曼Vdo股份公司 | 路线规划系统 |
| US20150161696A1 (en) * | 2015-02-18 | 2015-06-11 | Cargo Chief | Transportation service matching with arrival estimation adjusted for external factors |
| CN105554059A (zh) * | 2015-11-25 | 2016-05-04 | 北京华油信通科技有限公司 | 基于北斗导航技术的物流运输智能感知与位置服务系统 |
| US20180364062A1 (en) * | 2016-02-03 | 2018-12-20 | Kevin Sunlin Wang | Method and system for providing an individualized eta in the transportation industry |
| CN108896064A (zh) * | 2018-07-05 | 2018-11-27 | 晁保锁 | 基于信息共享的应用于gps导航系统的到达时间预估系统 |
| CN110782064A (zh) * | 2019-09-10 | 2020-02-11 | 浙江工业大学 | 一种集车辆调度优化与任务分配于一体的可视化方法及系统 |
| CN111833600A (zh) * | 2020-06-10 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 通行时间预测方法、装置及数据处理设备 |
| CN112950128A (zh) * | 2021-04-12 | 2021-06-11 | 南京司凯奇汽车科技有限公司 | 一种基于大数据融合的智能物流运输系统及方法 |
| CN112991743A (zh) * | 2021-04-22 | 2021-06-18 | 泰瑞数创科技(北京)有限公司 | 基于行驶路径的实时交通风险ai预测方法及其系统 |
| US20230168092A1 (en) * | 2021-12-01 | 2023-06-01 | Schneider Enterprise Resources, LLC | Systems and methods for predictive feedback analysis based on estimated time of arrival |
Non-Patent Citations (2)
| Title |
|---|
| ANDRÉS MUÑOZ HERNÁNDEZ; DAVID SCARLATTI; PABLO COSTAS: "Real-Time Estimated Time of Arrival Prediction System using Historical Surveillance Data", 2019 45TH EUROMICRO CONFERENCE ON SOFTWARE ENGINEERING AND ADVANCED APPLICATIONS (SEAA), pages 174 - 177 * |
| 赖永炫;张璐;杨帆;卢卫;王田;: "基于时空相关属性模型的公交到站时间预测算法", 软件学报, no. 03, pages 648 - 660 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117114175B (zh) | 2024-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112884325A (zh) | 一种客站设备应用分析及健康状况评价方法及系统 | |
| Tsamboulas et al. | Decision-making process in intermodal transportation | |
| Baumgartner et al. | Improving computerized routing and scheduling and vehicle telematics: A qualitative survey | |
| Nielsen et al. | Optimizing supply chain waste management through the use of RFID technology | |
| CN116828001B (zh) | 一种基于大数据分析的智慧工厂生产效率优化系统及方法 | |
| Welde et al. | The efficiency of Norwegian road toll companies | |
| CN115375234A (zh) | 基于gnss的运输车辆运行轨迹规划方法 | |
| CN114140040A (zh) | 一种基于大数据的智能物流系统平台 | |
| CN117114175B (zh) | 基于北斗定位技术实现外贸货物交付计划的预测方法 | |
| Zhang et al. | Interpretable and actionable vehicular greenhouse gas emission prediction at road link-level | |
| CN116934200A (zh) | 一种基于大数据的物流运输监管系统和方法 | |
| CN116882673A (zh) | 一种煤炭供应链系统及调度方法 | |
| CN108122045B (zh) | 物流车辆调度装置及物流车辆调度方法 | |
| Cerquitelli et al. | Data-driven estimation of heavy-truck residual value at the buy-back | |
| US20160232542A1 (en) | Forecasting demands for equipment based on road surface conditions | |
| CN110796301A (zh) | 一种基于ic卡数据的乘客流量预测方法及装置 | |
| Mhlanga | Artificial Intelligence and Machine Learning in Making Transport, Safer, Cleaner, More Reliable, and Efficient in Emerging Markets | |
| CN107924423A (zh) | 模型确定设备和模型确定方法 | |
| CN115169985A (zh) | 一种移动充电机器人的远程调度方法和系统 | |
| CN115375237A (zh) | 一种冷链物流智能管理方法、系统、设备和存储介质 | |
| CN104392326A (zh) | 一种用于钢铁企业含铁固废循环利用的监控方法 | |
| CN114048978A (zh) | 一种基于机器学习模型的供需调度策略融合应用 | |
| Barla et al. | Information technology and efficiency in trucking | |
| Smadi et al. | Statewide truck transportation planning: Methodology and case study | |
| Combes | The choice of shipment size in freight transport |
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 |