CN117114355A - 基于大数据的冷链物流管理方法及系统 - Google Patents

基于大数据的冷链物流管理方法及系统 Download PDF

Info

Publication number
CN117114355A
CN117114355A CN202311230350.2A CN202311230350A CN117114355A CN 117114355 A CN117114355 A CN 117114355A CN 202311230350 A CN202311230350 A CN 202311230350A CN 117114355 A CN117114355 A CN 117114355A
Authority
CN
China
Prior art keywords
cold chain
distribution
task
chain transfer
logistics
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Withdrawn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
CN202311230350.2A
Other languages
English (en)
Inventor
丁军
范耀军
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.)
Youdingte Technology Co ltd
Original Assignee
Youdingte 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 Youdingte Technology Co ltd filed Critical Youdingte Technology Co ltd
Priority to CN202311230350.2A priority Critical patent/CN117114355A/zh
Publication of CN117114355A publication Critical patent/CN117114355A/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Withdrawn legal-status Critical Current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
    • G06Q10/06—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
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—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
    • G06Q10/063114—Status monitoring or status determination 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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • 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
    • 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
    • G06Q30/00—Commerce
    • G06Q30/01—Customer relationship services
    • G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及物流管理领域，公开了一种基于大数据的冷链物流管理方法及系统，用于提高冷链物流的配送效率并提高冷链物流的温度管理准确率。方法包括：对冷链物流配送任务进行任务解析，得到配送时效、配送起点以及配送终点；将冷链物流配送任务输入配送任务处理模型进行冷链转运站点匹配，得到多个第一冷链转运站点；进行配送任务关联关系分析，得到配送任务关联关系；确定至少两个第二冷链转运站点，并获取冷链转运量以及冷链配送量；进行评价指标映射，得到目标评价指标；进行冷链配送和温度监控，得到目标物流流转信息和温度异常分析结果。

Description

基于大数据的冷链物流管理方法及系统
技术领域
本发明涉及物流管理领域，尤其涉及一种基于大数据的冷链物流管理方法及系统。
背景技术
冷链物流是一种特殊的物流领域，用于运输和储存需要在特定温度条件下保持质量和安全的产品，如食品、药品和生化制品。这些产品对温度的敏感性使得冷链物流至关重要，因为温度波动或异常导致产品变质、损失和安全问题。近年来，大数据技术的快速发展为冷链物流提供了新的机会。大数据技术可以用于收集、存储和分析大量的物流数据，包括温度监控、任务分配、车辆追踪等。这些数据可以用于提高冷链物流的效率和质量。冷链物流具有复杂性，因为它需要有效的温度控制、任务分配、路线规划和监控。不同的任务和产品类型需要不同的处理方式，而且需要考虑到时效性、成本和质量等多个因素。
在复杂的冷链物流环境中，需要一种智能的方法来分析和优化任务分配、中转站点选择、路线规划等问题。传统的手工方法难以满足这些需求，因此需要基于大数据的自动化管理方法。
发明内容
本发明提供了一种基于大数据的冷链物流管理方法及系统，用于提高冷链物流的配送效率并提高冷链物流的温度管理准确率。
本发明第一方面提供了一种基于大数据的冷链物流管理方法，所述基于大数据的冷链物流管理方法包括：
通过预置的大数据物流监控平台获取冷链物流配送任务，并对所述冷链物流配送任务进行任务解析，得到配送时效、配送起点以及配送终点；
将所述冷链物流配送任务输入预置的配送任务处理模型进行冷链转运站点匹配，得到多个第一冷链转运站点；
对所述多个第一冷链转运站点与所述冷链物流配送任务进行配送任务关联关系分析，得到每个第一冷链转运站点与所述冷链物流配送任务之间的配送任务关联关系；
根据所述配送任务关联关系和所述配送时效从所述多个第一冷链转运站点中确定至少两个第二冷链转运站点，并获取每个第二冷链转运站点对应的冷链转运量以及冷链配送量；
根据所述冷链转运量以及所述冷链配送量，分别对每个第二冷链转运站点进行评价指标映射，得到每个第二冷链转运站点对应的目标评价指标；
根据每个第二冷链转运站点对应的目标评价指标，对所述配送起点、所述配送终点以及所述至少两个第二冷链转运站点进行冷链配送和温度监控，得到目标物流流转信息和温度异常分析结果。
结合第一方面，在本发明第一方面的第一种实现方式中，所述通过预置的大数据物流监控平台获取冷链物流配送任务，并对所述冷链物流配送任务进行任务解析，得到配送时效、配送起点以及配送终点，包括：
通过预置的大数据物流监控平台获取冷链物流配送任务，并对所述冷链物流配送任务进行任务订单匹配，得到多个冷链物流配送订单数据；
通过所述多个冷链物流配送订单数据进行配送区域匹配，得到配送关联区域，并对所述多个冷链物流配送订单数据进行时效信息提取，得到配送时效；
调用预置的配送点识别模型，对所述配送关联区域进行配送点识别，得到配送起点以及配送终点。
结合第一方面，在本发明第一方面的第二种实现方式中，所述将所述冷链物流配送任务输入预置的配送任务处理模型进行冷链转运站点匹配，得到多个第一冷链转运站点，包括：
将所述冷链物流配送任务输入预置的配送任务处理模型，通过所述配送任务处理模型将所述冷链物流配送任务划分为N个子物流配送任务；
获取每个子物流配送任务对应的第一影响因素，其中，所述第一影响因素包括：运输效率、运输时间以及运输成本；
根据所述影响因素设置每个子物流配送任务对应的冷链转运站点，得到多个候选冷链转运站点；
获取每个候选冷链转运站点的第二影响因素，其中，所述第二影响因素包括：车辆数量、仓库存货量以及货物种类；
根据所述第二影响因素和所述多个候选冷链转运站点，对所述冷链物流配送任务进行冷链转运站点匹配，得到多个第一冷链转运站点。
结合第一方面，在本发明第一方面的第三种实现方式中，所述对所述多个第一冷链转运站点与所述冷链物流配送任务进行配送任务关联关系分析，得到每个第一冷链转运站点与所述冷链物流配送任务之间的配送任务关联关系，包括：
对所述冷链物流配送任务进行任务特征提取，得到多个任务特征，并对所述多个第一冷链转运站点进行站点特征提取，得到多个站点特征；
对所述多个任务特征进行特征映射，得到每个任务特征对应的第一特征映射值，并对所述多个站点特征进行特征映射，得到每个站点特征对应的第二特征映射值；
构建每个任务特征对应的第一特征映射值对应的任务特征向量，以及构建每个站点特征对应的第二特征映射值对应的站点特征向量；
对所述任务特征向量以及所述站点特征向量进行关联关系计算，得到每个第一冷链转运站点与所述冷链物流配送任务之间的配送任务关联关系。
结合第一方面，在本发明第一方面的第四种实现方式中，所述根据所述配送任务关联关系和所述配送时效从所述多个第一冷链转运站点中确定至少两个第二冷链转运站点，并获取每个第二冷链转运站点对应的冷链转运量以及冷链配送量，包括：
对所述多个第一冷链转运站点进行负载量分析，得到每个第一冷链转运站点对应的冷链转运量以及冷链配送量；
基于所述配送任务关联关系分别计算所述多个第一冷链转运站点的关联性参数；
根据所述关联性参数对所述多个第一冷链转运站点进行关系图构建，得到目标冷链转运站点关系图；
根据所述目标冷链转运站点关系图从所述多个第一冷链转运站点中确定多个候选冷链转运站点；
根据所述配送时效对所述多个候选冷链转运站点进行筛选，得到至少两个第二冷链转运站点，获取每个第二冷链转运站点对应的冷链转运量以及冷链配送量。
结合第一方面，在本发明第一方面的第五种实现方式中，所述根据所述冷链转运量以及所述冷链配送量，分别对每个第二冷链转运站点进行评价指标映射，得到每个第二冷链转运站点对应的目标评价指标，包括：
构建评价指标体系，其中，所述评价指标体系包括：转运时间、配送时间、时间利用率、冷链配送质量以及客户满意度；
根据所述评价指标体系，对所述冷链转运量以及所述冷链配送量进行评价指标映射，得到初始评价指标；
对所述初始评价指标进行指标权重分配以及综合评价，得到每个第二冷链转运站点对应的目标评价指标。
结合第一方面，在本发明第一方面的第六种实现方式中，所述根据每个第二冷链转运站点对应的目标评价指标，对所述配送起点、所述配送终点以及所述至少两个第二冷链转运站点进行冷链配送和温度监控，得到目标物流流转信息和温度异常分析结果，包括：
将所述配送起点、所述配送终点以及每个第二冷链转运站点对应的目标评价指标输入预置的冷链配送处理算法；
通过所述冷链配送处理算法进行最优路线规划以及站点负载均衡分析，得到目标物流流转信息，其中，所述目标物流流转信息包括配送起点、配送终点、中转站点、运输路线、运输时间以及运输成本；
根据所述目标物流流转信息，对所述冷链物流配送任务进行温度监控，得到温度监控数据，并将所述温度监控数据传输至所述大数据物流监控平台进行温度异常分析，得到温度异常分析结果。
本发明第二方面提供了一种基于大数据的冷链物流管理系统，所述基于大数据的冷链物流管理系统包括：
获取模块，用于通过预置的大数据物流监控平台获取冷链物流配送任务，并对所述冷链物流配送任务进行任务解析，得到配送时效、配送起点以及配送终点；
匹配模块，用于将所述冷链物流配送任务输入预置的配送任务处理模型进行冷链转运站点匹配，得到多个第一冷链转运站点；
分析模块，用于对所述多个第一冷链转运站点与所述冷链物流配送任务进行配送任务关联关系分析，得到每个第一冷链转运站点与所述冷链物流配送任务之间的配送任务关联关系；
处理模块，用于根据所述配送任务关联关系和所述配送时效从所述多个第一冷链转运站点中确定至少两个第二冷链转运站点，并获取每个第二冷链转运站点对应的冷链转运量以及冷链配送量；
映射模块，用于根据所述冷链转运量以及所述冷链配送量，分别对每个第二冷链转运站点进行评价指标映射，得到每个第二冷链转运站点对应的目标评价指标；
监控模块，用于根据每个第二冷链转运站点对应的目标评价指标，对所述配送起点、所述配送终点以及所述至少两个第二冷链转运站点进行冷链配送和温度监控，得到目标物流流转信息和温度异常分析结果。
本发明第三方面提供了一种基于大数据的冷链物流管理设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于大数据的冷链物流管理设备执行上述的基于大数据的冷链物流管理方法。
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基于大数据的冷链物流管理方法。
本发明提供的技术方案中，对冷链物流配送任务进行任务解析，得到配送时效、配送起点以及配送终点；将冷链物流配送任务输入配送任务处理模型进行冷链转运站点匹配，得到多个第一冷链转运站点；进行配送任务关联关系分析，得到配送任务关联关系；确定至少两个第二冷链转运站点，并获取冷链转运量以及冷链配送量；进行评价指标映射，得到目标评价指标；进行冷链配送和温度监控，得到目标物流流转信息和温度异常分析结果，本发明通过大数据技术，可以对冷链物流配送任务进行更精确的分析和优化，包括任务的时效性。这有助于减少配送时间、提高任务的时效性，大数据分析可以帮助选择最优的中转站点和路线，以最小化运输成本。降低冷链物流的整体成本，提高运营的经济效益。实时监控运输过程中的温度，以确保产品在整个物流过程中保持在所需的温度范围内。通过任务解析和智能任务分配模型，可以确保每个任务都被分配给最合适的中转站点，减少任务之间的重复工作，进而提高了冷链物流的配送效率，并提高了冷链物流的温度管理准确率。
附图说明
图1为本发明实施例中基于大数据的冷链物流管理方法的一个实施例示意图；
图2为本发明实施例中冷链转运站点匹配的流程图；
图3为本发明实施例中配送任务关联关系分析的流程图；
图4为本发明实施例中确定至少两个第二冷链转运站点的流程图；
图5为本发明实施例中基于大数据的冷链物流管理系统的一个实施例示意图；
图6为本发明实施例中基于大数据的冷链物流管理设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于大数据的冷链物流管理方法及系统，用于提高冷链物流的配送效率并提高冷链物流的温度管理准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中基于大数据的冷链物流管理方法的一个实施例包括：
S101、通过预置的大数据物流监控平台获取冷链物流配送任务，并对冷链物流配送任务进行任务解析，得到配送时效、配送起点以及配送终点；
可以理解的是，本发明的执行主体可以为基于大数据的冷链物流管理系统，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，服务器通过预置的大数据物流监控平台获取冷链物流配送任务，并对冷链物流配送任务进行任务订单匹配，得到多个冷链物流配送订单数据。物流管理系统通过连接到预置的大数据物流监控平台，实时获取冷链物流配送任务。这个监控平台可以与各个供应商、仓库和配送中心的系统集成，以便获取最新的任务信息。当任务被获取，系统会对任务进行订单匹配，将相关的订单数据整合在一起，形成多个冷链物流配送订单数据的列表。例如，考虑一个食品供应链公司管理冷链物流，通过监控平台连接到不同的食品供应商和分销商系统，实时获取各种订单，包括生鲜食品、冷冻食品等。这些订单包含了产品类型、数量、交付要求等信息。系统会将这些订单数据整理成一个任务清单，以便后续的处理和分析。通过多个冷链物流配送订单数据进行配送区域匹配，得到配送关联区域，并对多个冷链物流配送订单数据进行时效信息提取，得到配送时效。系统需要对多个冷链物流配送订单数据进行分析，以确定它们的配送区域。这可以通过使用地理信息系统（GIS）和区域划分算法来实现。同时，系统也会提取出每个订单的交付时效信息，即从订单生成到交付完成所需的时间。例如，考虑一个冷链物流任务，其中包含多个不同地区的订单。系统可以使用GIS技术将这些订单与地图数据关联起来，自动识别出每个订单所属的配送区域，同时计算出交付时效。这有助于更好地了解配送范围，为后续的配送规划提供基础数据。调用预置的配送点识别模型，对配送关联区域进行配送点识别，得到配送起点以及配送终点。系统需要利用先前建立的配送点识别模型，对配送关联区域进行分析，以确定最佳的配送起点和终点。这个模型可以综合考虑多个因素，如交通拥堵情况、历史数据、配送任务的紧急性等。例如，假设一个冷链物流任务需要将冷冻食品从仓库运送到多个零售店。系统可以调用配送点识别模型，考虑每个订单的配送要求，以及仓库和零售店的位置，以找到最佳的配送起点和终点。模型会优先选择距离近、交通畅通的点作为起点和终点，以确保物流过程的高效性。
S102、将冷链物流配送任务输入预置的配送任务处理模型进行冷链转运站点匹配，得到多个第一冷链转运站点；
具体的，服务器将冷链物流配送任务输入预置的配送任务处理模型。通过这个模型，冷链物流配送任务被细分为多个子物流配送任务。例如，考虑一个冷链物流任务，需要将生鲜食品从中央仓库配送到多个零售店。这个任务可以被分解成多个子任务，每个子任务对应一个零售店的订单，以更好地管理每个订单的配送过程。获取每个子物流配送任务对应的第一影响因素，包括运输效率、运输时间和运输成本等。这些因素用于决定每个子任务的关键需求。例如，对于某个子任务，运输效率是最重要的，因为食品需要在最短时间内送达以保持新鲜度。对另一个子任务来说，更关注运输成本，因为它需要在成本可控的前提下完成配送。根据第一影响因素为每个子物流配送任务选择候选冷链转运站点。这些候选站点是根据已有的站点信息和需求的匹配性来确定的。例如，对于需要高效配送的子任务，系统会选择距离目的地较近且交通便利的冷链转运站点。而对于成本关键的子任务，会选择能够提供低成本运输的站点。获取每个候选冷链转运站点的第二影响因素，如车辆数量、仓库存货量和货物种类等。这些因素有助于评估站点的可用性和适用性。例如，如果某个候选站点车辆数量不足以满足大量配送需求，那么它不适合需要大批量运输的子任务。而如果一个站点的仓库存货量较低，不适合需要大量存储空间的子任务。最终，通过综合考虑第一和第二影响因素，系统可以为每个子物流配送任务智能地匹配冷链转运站点，得到多个第一冷链转运站点。这些站点被认为是最适合处理特定子任务的站点，充分考虑了效率、时效性、成本和资源可用性等多个因素。
S103、对多个第一冷链转运站点与冷链物流配送任务进行配送任务关联关系分析，得到每个第一冷链转运站点与冷链物流配送任务之间的配送任务关联关系；
需要说明的是，服务器要分析多个第一冷链转运站点与冷链物流配送任务之间的关联关系。服务器考虑任务特征和站点特征。任务特征是指每个冷链物流配送任务的关键特性，如产品类型、数量、时效要求等。而站点特征则是指每个冷链转运站点的特性，如存储能力、设备设施、地理位置等。服务器将任务特征和站点特征结合起来进行关联关系分析。服务器对冷链物流配送任务进行任务特征提取，得到多个任务特征。这可以通过分析任务的订单数据和要求来完成。例如，对于一个配送任务，任务特征包括需要配送的产品种类、数量、配送地点等。服务器对多个第一冷链转运站点进行站点特征提取，得到多个站点特征。这可以通过分析每个站点的属性和能力来实现。例如，站点特征包括站点的存储容量、温度控制能力、设备设施等。服务器将任务特征和站点特征映射到一个统一的特征空间，以便进行后续的关联关系计算。这可以通过特征映射和数据标准化等技术来实现。例如，将不同任务特征和站点特征的值映射到一个0到1的范围内，以确保它们具有可比性。服务器构建每个任务特征对应的第一特征映射值对应的任务特征向量，以及构建每个站点特征对应的第二特征映射值对应的站点特征向量。这些特征向量将用于后续的关联关系计算。服务器对任务特征向量和站点特征向量进行关联关系计算，以确定每个第一冷链转运站点与冷链物流配送任务之间的配送任务关联关系。这可以使用各种关联分析方法来实现，如余弦相似度计算、聚类分析等。例如，假设有一个冷链物流配送任务需要将多种冷藏食品送往不同城市的餐厅。每个任务特征包括食品种类、数量和时效要求，而站点特征包括不同城市的冷链转运站点的存储能力和设备设施。通过任务特征和站点特征的分析和关联关系计算，系统可以确定哪个冷链转运站点最适合执行每个任务，以最大程度地满足时效性和成本效益。这可以帮助物流管理者更好地规划配送路线和资源分配。
S104、根据配送任务关联关系和配送时效从多个第一冷链转运站点中确定至少两个第二冷链转运站点，并获取每个第二冷链转运站点对应的冷链转运量以及冷链配送量；
具体的，服务器了解每个第一冷链转运站点的工作负载情况。这包括分析每个站点的冷链转运量和冷链配送量。这可以通过物流监控系统和历史数据来获取。例如，服务器知道站点A每天处理100吨的冷链货物，站点B每天处理150吨，站点C每天处理200吨。其次，服务器计算每个第一冷链转运站点与不同配送任务的关联性参数。这些参数反映了站点与任务之间的匹配程度。例如，站点A与某一类型的任务具有高关联性参数，表示该站点在执行这种任务时表现出色。服务器构建一个目标冷链转运站点关系图，该图反映了各站点之间的关系强度。这有助于可视化站点之间的联系。例如，如果站点C与目标任务的关联性最高，那么与站点C相连的线条会更加粗壮。服务器利用目标站点关系图来选择候选冷链转运站点。通过分析图中的关系，服务器确定哪些第一冷链转运站点与目标站点有更紧密的关联。这些站点被选为候选站点。服务器考虑配送任务的时效要求。根据任务的交付时间、距离和其他因素，服务器筛选候选站点，以确定最终的第二冷链转运站点。这些站点将能够满足任务的时效性要求，并执行冷链转运任务。例如，假设一家冷链物流公司需要将冷冻食品送到不同城市的餐厅。通过分析负载量，他们了解到各个站点的处理能力。根据历史数据，他们计算了每个站点与不同任务的关联性参数。基于目标站点关系图，他们选择了站点X和站点Y作为候选站点，因为这两个站点与目标任务有更高的关联性。根据任务的时效要求，他们确定了站点X和站点Y作为第二冷链转运站点，并确保它们能够满足任务的交付时间和冷链转运需求。这有助于提高物流效率和保证食品的质量。
S105、根据冷链转运量以及冷链配送量，分别对每个第二冷链转运站点进行评价指标映射，得到每个第二冷链转运站点对应的目标评价指标；
具体的，服务器构建了一个评价指标体系，包括转运时间、配送时间、时间利用率、冷链配送质量以及客户满意度等指标。这些指标涵盖了冷链物流的各个关键方面，从时间效率到服务质量以及客户满意度。服务器根据评价指标体系，对每个第二冷链转运站点的冷链转运量和冷链配送量进行评价指标映射，得到初始评价指标。这一步骤的目的是将具体的数据与评价指标联系起来，以便进行后续的分析。例如，假设站点X每天平均完成配送任务所需的时间为6小时，而站点Y为8小时。站点X的平均客户满意度评分为9.2，而站点Y为8.5。这些数据将成为初始评价指标的一部分。随后，服务器考虑不同评价指标的重要性，为它们分配权重。这一步骤涉及业务需求和目标的考虑，以决定哪些指标对于综合评价更为关键。例如，如果时间效率对业务非常关键，那么可以给予转运时间和配送时间较高的权重。而如果客户满意度是首要考虑因素，那么可以给予客户满意度较高的权重。通过将初始评价指标与其相应的权重相乘，并将所有指标的结果相加，得出每个第二冷链转运站点的目标评价指标分数。这个分数将反映站点在不同指标下的综合表现。例如，如果站点X的综合评价指标分数为0.85，站点Y的分数为0.75，那么站点X在综合表现上更优秀，因此更适合执行冷链物流任务。
S106、根据每个第二冷链转运站点对应的目标评价指标，对配送起点、配送终点以及至少两个第二冷链转运站点进行冷链配送和温度监控，得到目标物流流转信息和温度异常分析结果。
具体的，服务器将配送起点、配送终点以及每个第二冷链转运站点对应的目标评价指标输入预置的冷链配送处理算法。这些信息包括任务的起点和终点，以及与每个站点相关的评价指标。例如，任务是从冷冻仓库A到超市B的配送任务，还需要考虑到站点X和Y，它们的目标评价指标分别为0.85和0.75。通过冷链配送处理算法，进行最优路线规划和站点负载均衡分析，以得到目标物流流转信息。这一步骤旨在确定最佳的物流路线，以最小化运输成本和时间，同时确保货物的冷链质量。算法会考虑距离、交通状况、目标评价指标等因素。例如，如果算法分析后建议从仓库A出发，先到达站点X，然后到达站点Y，最后再将货物送到超市B，以最小化总成本和运输时间，同时考虑到站点X和Y的负载均衡。随后，根据目标物流流转信息，对冷链物流配送任务进行温度监控。在整个运输过程中实时监测货物的温度。这可以通过温度传感器和监控设备来实现。监测到的温度数据会被记录，并传输至大数据物流监控平台进行温度异常分析。这个平台可以实时监测各个站点的温度数据，并与预设的温度范围进行比较。如果发现任何温度异常，系统会生成相应的温度异常分析结果，并发送警报通知相关工作人员。例如，假设有一家冷链物流公司需要将冷冻食品从仓库A配送到超市B，途中需要经过站点X和Y。根据目标评价指标和算法的分析，最优路线被确定为：从仓库A到站点X，然后到站点Y，最后到超市B。这个路线将最小化运输时间和成本，同时确保货物的冷链质量。在整个配送过程中，温度传感器会不断监测货物的温度，并将数据传输到大数据物流监控平台。如果在站点Y的冷藏过程中出现温度异常，系统将生成温度异常分析结果，发出警报，以便工作人员采取措施，确保货物的质量和安全性。
本发明实施例中，对冷链物流配送任务进行任务解析，得到配送时效、配送起点以及配送终点；将冷链物流配送任务输入配送任务处理模型进行冷链转运站点匹配，得到多个第一冷链转运站点；进行配送任务关联关系分析，得到配送任务关联关系；确定至少两个第二冷链转运站点，并获取冷链转运量以及冷链配送量；进行评价指标映射，得到目标评价指标；进行冷链配送和温度监控，得到目标物流流转信息和温度异常分析结果，本发明通过大数据技术，可以对冷链物流配送任务进行更精确的分析和优化，包括任务的时效性。这有助于减少配送时间、提高任务的时效性，大数据分析可以帮助选择最优的中转站点和路线，以最小化运输成本。降低冷链物流的整体成本，提高运营的经济效益。实时监控运输过程中的温度，以确保产品在整个物流过程中保持在所需的温度范围内。通过任务解析和智能任务分配模型，可以确保每个任务都被分配给最合适的中转站点，减少任务之间的重复工作，进而提高了冷链物流的配送效率，并提高了冷链物流的温度管理准确率。
在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：
（1）通过预置的大数据物流监控平台获取冷链物流配送任务，并对冷链物流配送任务进行任务订单匹配，得到多个冷链物流配送订单数据；
（2）通过多个冷链物流配送订单数据进行配送区域匹配，得到配送关联区域，并对多个冷链物流配送订单数据进行时效信息提取，得到配送时效；
（3）调用预置的配送点识别模型，对配送关联区域进行配送点识别，得到配送起点以及配送终点。
具体的，服务器通过预置的大数据物流监控平台，服务器获取冷链物流配送任务。这些任务包括从不同供应商到不同目的地的货物配送请求。例如，供应商A需要将冷冻食品配送到市场B，供应商C需要将药品配送到医院D。获取到任务后，需要对冷链物流配送任务进行任务订单匹配，以便将相关的订单组合成冷链物流配送订单数据。将来自不同供应商的订单组合成一次有效的配送任务。例如，来自供应商A和供应商C的订单可以组合成一次任务，以优化资源利用。当任务订单匹配完成，接下来需要进行配送区域匹配。这一步骤将任务订单分组，并将它们分配到不同的配送区域。这有助于优化路线规划和资源分配，以最大程度地减少运输时间和成本。例如，如果市场B和医院D位于相同的城市，那么可以将来自供应商A和供应商C的订单分配到同一配送区域，以便一次性配送。在完成配送区域匹配后，服务器从多个冷链物流配送订单数据中提取时效信息。时效信息包括了每个配送任务的截止时间或要求的送达时间。这有助于确保物流配送在规定的时间内完成。例如，如果供应商A的订单要求在下午3点之前送达市场B，而供应商C的订单没有特定的送达时间要求，那么服务器知道这些信息以便合理规划配送。需要调用预置的配送点识别模型，对配送关联区域进行配送点识别，以确定确切的配送起点和配送终点。这一步骤将确保物流配送的准确性和效率。例如，配送点识别模型可以帮助确定市场B的具体地址以及医院D的准确位置，以便配送员能够精确地找到配送点。
在一具体实施例中，如图2所示，执行步骤S102的过程可以具体包括如下步骤：
S201、将冷链物流配送任务输入预置的配送任务处理模型，通过配送任务处理模型将冷链物流配送任务划分为N个子物流配送任务；
S202、获取每个子物流配送任务对应的第一影响因素，其中，第一影响因素包括：运输效率、运输时间以及运输成本；
S203、根据影响因素设置每个子物流配送任务对应的冷链转运站点，得到多个候选冷链转运站点；
S204、获取每个候选冷链转运站点的第二影响因素，其中，第二影响因素包括：车辆数量、仓库存货量以及货物种类；
S205、根据第二影响因素和多个候选冷链转运站点，对冷链物流配送任务进行冷链转运站点匹配，得到多个第一冷链转运站点。
具体的，服务器将冷链物流配送任务输入配送任务处理模型。模型会将大型任务划分为多个子物流配送任务，以便更好地管理和执行。这个划分过程考虑了各种因素，如目的地、货物种类、时效性要求等。对于每个子任务，模型会获取第一影响因素，包括运输效率、运输时间和运输成本。这些因素有助于确定如何最优地执行每个子任务。例如，如果一个子任务要求在最短时间内完成，那么运输效率和运输时间将成为关键考虑因素。基于第一影响因素，模型会选择每个子任务对应的冷链转运站点。这些站点被视为物流任务的关键节点，它们可以是物流中心、转运站、仓库等。选择站点时，模型会优化决策，以满足任务的特定需求。例如，如果一个子任务的时间要求非常紧迫，模型会选择距离起点最近、运输效率高且运输时间短的冷链转运站点。同时，模型还会获取每个候选冷链转运站点的第二影响因素，包括车辆数量、仓库存货量和货物种类。这些因素有助于进一步优化站点的选择。例如，如果一个子任务需要运输大量货物，模型会选择具有足够储存容量和足够多车辆的站点。模型会综合考虑第一和第二影响因素，并对每个子任务选择最合适的冷链转运站点。这个匹配过程是一个复杂的决策过程，需要考虑多个因素的权衡。通过算法和优化技术，模型可以确定最佳的站点选择，以确保冷链物流任务的高效执行。例如，假设一个冷链物流任务涉及将冷冻食品从仓库A配送到不同的超市B、C和D。模型将任务划分为三个子任务：A到B、A到C、A到D。对于子任务A到B，由于时效性要求较高，模型选择了距离最近的冷链转运站点X。对于子任务A到C，由于货物量较大，模型选择了拥有大型仓库和足够多冷链运输车辆的站点Y。对于子任务A到D，模型考虑到了综合因素，选择了站点Z，以满足任务的要求。
在一具体实施例中，如图3所示，执行步骤S103的过程可以具体包括如下步骤：
S301、对冷链物流配送任务进行任务特征提取，得到多个任务特征，并对多个第一冷链转运站点进行站点特征提取，得到多个站点特征；
S302、对多个任务特征进行特征映射，得到每个任务特征对应的第一特征映射值，并对多个站点特征进行特征映射，得到每个站点特征对应的第二特征映射值；
S303、构建每个任务特征对应的第一特征映射值对应的任务特征向量，以及构建每个站点特征对应的第二特征映射值对应的站点特征向量；
S304、对任务特征向量以及站点特征向量进行关联关系计算，得到每个第一冷链转运站点与冷链物流配送任务之间的配送任务关联关系。
具体的，服务器对冷链物流配送任务进行任务特征提取。这涉及从每个任务中提取关键信息和特征，以便更好地理解任务的性质和要求。任务特征可以包括目的地数量、货物类型、时效性要求等。例如，一个任务特征是将冷冻食品从仓库A分发到不同的超市B、C和D。同时，对多个第一冷链转运站点进行站点特征提取。这包括从每个站点获取相关信息，如站点的位置、冷链设备、容量等。站点特征有助于了解每个站点的性质和能力。例如，一个站点特征是站点X位于城市中心，拥有大型冷库，能够满足高容量的冷链配送需求。对任务特征和站点特征进行特征映射。特征映射是将原始特征映射到一个共同的空间，以便进行后续的关联关系计算。这可以通过各种技术和算法来完成，如主成分分析（PCA）或t-分布随机邻近嵌入（t-SNE）。特征映射会将任务特征和站点特征转化为数值化的表示形式，以便进行计算。基于特征映射的结果，构建每个任务特征对应的第一特征映射值对应的任务特征向量，以及构建每个站点特征对应的第二特征映射值对应的站点特征向量。这些特征向量将用于后续的关联关系计算。特征向量的维度通常较高，以捕捉任务和站点的复杂性。利用任务特征向量和站点特征向量，进行关联关系计算，以确定每个第一冷链转运站点与冷链物流配送任务之间的配送任务关联关系。这可以通过各种方法来实现，如聚类分析、神经网络模型等。计算的结果可以是一个相关性分数，反映了每个站点与每个任务之间的匹配程度。例如，假设服务器有一个冷链物流配送任务，其中包括将冷冻食品从仓库A分发到不同的超市B、C和D。任务特征包括目的地数量、货物类型和时效性要求。同时，服务器有三个第一冷链转运站点X、Y和Z，它们各自具有不同的站点特征，如位置、设备和容量。通过特征提取和映射，服务器将任务特征和站点特征转化为特征向量。服务器计算每个站点与每个任务之间的关联关系，例如，站点X与任务1的关联性更高，因为它位于任务1的目的地附近，并具有适当的冷链设备。
在一具体实施例中，如图4所示，执行步骤S104的过程可以具体包括如下步骤：
S401、对多个第一冷链转运站点进行负载量分析，得到每个第一冷链转运站点对应的冷链转运量以及冷链配送量；
S402、基于配送任务关联关系分别计算多个第一冷链转运站点的关联性参数；
S403、根据关联性参数对多个第一冷链转运站点进行关系图构建，得到目标冷链转运站点关系图；
S404、根据目标冷链转运站点关系图从多个第一冷链转运站点中确定多个候选冷链转运站点；
S405、根据配送时效对多个候选冷链转运站点进行筛选，得到至少两个第二冷链转运站点，获取每个第二冷链转运站点对应的冷链转运量以及冷链配送量。
具体的，服务器对多个第一冷链转运站点进行负载量分析。服务器了解每个站点的冷链转运量（即站点用于冷链物流的运输能力）以及冷链配送量（实际配送到站点的货物数量）。这些数据可用于确定站点的负载状态和可用容量。基于配送任务关联关系，计算多个第一冷链转运站点的关联性参数。这些参数可以包括站点与任务之间的距离、配送时效性要求、货物种类匹配度等。这些参数有助于确定哪个站点与哪个任务更相匹配。基于关联性参数，构建目标冷链转运站点关系图。这个图表示了不同站点之间以及站点与任务之间的关联关系。关系图可以是一个网络图，其中站点和任务表示为节点，边表示它们之间的关系。这有助于可视化和理解不同元素之间的联系。根据目标冷链转运站点关系图，从多个第一冷链转运站点中确定多个候选冷链转运站点。这些候选站点是在关系图中表现出与任务关联性较高的站点。它们被视为潜在的第二冷链转运站点。根据配送时效性要求对多个候选冷链转运站点进行筛选，以确定至少两个第二冷链转运站点。筛选过程会考虑站点到目的地的距离、配送时效性等因素。最终选择的第二冷链转运站点将用于冷链物流任务的执行。例如，假设有三个第一冷链转运站点X、Y和Z，它们的冷链转运量和冷链配送量如下：站点X：冷链转运量1000千克，冷链配送量800千克；站点Y：冷链转运量1200千克，冷链配送量1000千克；站点Z：冷链转运量800千克，冷链配送量600千克。根据关联性参数计算，站点X与任务1有更高的关联性，因为距离近、货物匹配度高。站点Y与任务2关联性较高，因为它具有较高的转运量和配送量。站点Z与任务3有一定关联性，但因为配送量较低，关联性较低。通过关系图构建，服务器可视化站点之间和站点与任务之间的关系。在筛选过程中，根据任务的时效性要求，服务器选择站点X和站点Y作为至少两个第二冷链转运站点。这两个站点满足任务的要求，并具有足够的冷链转运量和配送量，以确保任务的高效执行。
在一具体实施例中，执行步骤S105的过程可以具体包括如下步骤：
（1）构建评价指标体系，其中，评价指标体系包括：转运时间、配送时间、时间利用率、冷链配送质量以及客户满意度；
（2）根据评价指标体系，对冷链转运量以及冷链配送量进行评价指标映射，得到初始评价指标；
（3）对初始评价指标进行指标权重分配以及综合评价，得到每个第二冷链转运站点对应的目标评价指标。
具体的，服务器构建评价指标体系。例如：转运时间：表示从冷链物流配送任务启动到完成所需的时间。较短的转运时间通常更受欢迎，因为它可以减少货物在转运过程中的暴露时间，降低货物的风险；配送时间：指将货物从起点送达目的地所需的时间。它包括所有途中的停留和中转时间。准时的配送时间对于冷链物流非常重要，以确保货物的质量和安全性；时间利用率：衡量站点冷链设备和人力资源的有效利用率。高时间利用率表示站点资源得到了充分利用，而低时间利用率意味着资源浪费；冷链配送质量：评估冷链物流过程中货物的质量和温度控制情况。这可以通过监测温度数据、货物损坏率等方式来衡量；客户满意度：反映客户对冷链物流服务的满意程度。这可以通过客户反馈、投诉率和重复业务等指标来衡量。对于每个第二冷链转运站点，将评价指标体系映射到冷链转运量和冷链配送量。为每个站点计算上述评价指标的值，以了解它们在执行冷链物流任务时的表现。例如，对于站点X，可以计算其转运时间、配送时间、时间利用率、冷链配送质量和客户满意度的具体数值。为了综合评价每个第二冷链转运站点的性能，需要为每个评价指标分配权重。这些权重反映了不同指标在整体性能评估中的相对重要性。通常，权重分配需要根据特定的业务需求和优先级进行调整。例如，如果配送时间对于冷链物流的成功至关重要，那么可以为配送时间指标分配较高的权重。在另一方面，如果客户满意度对于业务成功更为重要，那么可以为客户满意度指标分配较高的权重。权重分配需要综合考虑多个因素，以确保最终的目标评价指标能够全面反映站点的性能。例如，假设有两个第二冷链转运站点，站点A和站点B。服务器使用上述评价指标体系对它们进行评估，并为每个指标分配了如下的权重：转运时间：权重0.2、配送时间：权重0.3、时间利用率：权重0.1、冷链配送质量：权重0.2、客户满意度：权重0.2。服务器计算站点A和站点B在每个指标下的得分，并使用权重分配公式综合计算它们的目标评价指标。最终的评价指标值可以帮助决策者选择最适合执行冷链物流任务的第二冷链转运站点。例如，如果站点A的目标评价指标得分较高，那么它成为首选站点用于特定任务的冷链物流。这样的方法有助于提高冷链物流的效率和质量，并满足客户的需求。
在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：
（1）将配送起点、配送终点以及每个第二冷链转运站点对应的目标评价指标输入预置的冷链配送处理算法；
（2）通过冷链配送处理算法进行最优路线规划以及站点负载均衡分析，得到目标物流流转信息，其中，目标物流流转信息包括配送起点、配送终点、中转站点、运输路线、运输时间以及运输成本；
（3）根据目标物流流转信息，对冷链物流配送任务进行温度监控，得到温度监控数据，并将温度监控数据传输至大数据物流监控平台进行温度异常分析，得到温度异常分析结果。
具体的，将配送起点、配送终点和每个第二冷链转运站点对应的目标评价指标输入冷链配送处理算法。这些指标提供了执行冷链物流任务所需的关键信息。例如，起点和终点可以确定货物的起始和目标位置，而评价指标可以指导算法优化任务执行。通过冷链配送处理算法，进行最优路线规划。这包括确定最佳的运输路线，以最小化时间和成本，同时满足评价指标的要求。这涉及到路线优化算法，考虑到站点之间的距离、交通状况、评价指标权重等因素。站点负载均衡分析是确保每个站点的冷链资源充分利用的关键步骤。算法会考虑每个站点的冷链转运量、配送量和时间利用率等指标，以确定是否需要调整任务分配，以使站点的负载更加均衡。通过冷链配送处理算法，得到目标物流流转信息。这包括了冷链物流任务的配送起点、配送终点、中转站点、运输路线、预计运输时间和运输成本等信息。这些信息对于任务执行的监控和控制非常重要。根据目标物流流转信息，对冷链物流任务进行温度监控。这涉及在货物运输过程中实时监测温度，以确保冷链质量得到维持。传感器和监控设备可以用于记录温度数据。温度监控数据将被传输至大数据物流监控平台，用于进行温度异常分析。这个分析可以检测是否有温度异常事件发生，例如货物温度超出了预定范围。如果发生异常，系统可以立即采取行动，例如发送警报或调整任务。例如，假设有一个冷链物流任务，需要将生鲜食品从城市A的仓库送到城市B的超市，并涉及两个第二冷链转运站点X和Y。评价指标体系包括转运时间、配送时间、时间利用率、冷链配送质量和客户满意度。通过冷链配送处理算法，系统确定了最佳的运输路线，包括在站点X进行中转。站点X具有充足的冷链转运量和配送量，因此被选为中转站点。运输路线考虑了距离、交通情况和评价指标权重。在运输过程中，温度监控设备定期记录货物的温度数据。如果在运输过程中检测到任何温度异常，系统会立即触发警报，并采取措施来调整温度控制设备，以确保货物的质量不受损害。根据目标物流流转信息，系统生成了完整的任务报告，包括配送起点、配送终点、中转站点、运输路线、预计运输时间和运输成本。这个报告可以用于监控任务的执行情况，以及对未来冷链物流任务的改进和优化。
上面对本发明实施例中基于大数据的冷链物流管理方法进行了描述，下面对本发明实施例中基于大数据的冷链物流管理系统进行描述，请参阅图5，本发明实施例中基于大数据的冷链物流管理系统一个实施例包括：
获取模块501，用于通过预置的大数据物流监控平台获取冷链物流配送任务，并对所述冷链物流配送任务进行任务解析，得到配送时效、配送起点以及配送终点；
匹配模块502，用于将所述冷链物流配送任务输入预置的配送任务处理模型进行冷链转运站点匹配，得到多个第一冷链转运站点；
分析模块503，用于对所述多个第一冷链转运站点与所述冷链物流配送任务进行配送任务关联关系分析，得到每个第一冷链转运站点与所述冷链物流配送任务之间的配送任务关联关系；
处理模块504，用于根据所述配送任务关联关系和所述配送时效从所述多个第一冷链转运站点中确定至少两个第二冷链转运站点，并获取每个第二冷链转运站点对应的冷链转运量以及冷链配送量；
映射模块505，用于根据所述冷链转运量以及所述冷链配送量，分别对每个第二冷链转运站点进行评价指标映射，得到每个第二冷链转运站点对应的目标评价指标；
监控模块506，用于根据每个第二冷链转运站点对应的目标评价指标，对所述配送起点、所述配送终点以及所述至少两个第二冷链转运站点进行冷链配送和温度监控，得到目标物流流转信息和温度异常分析结果。
通过上述各个组成部分的协同合作，对冷链物流配送任务进行任务解析，得到配送时效、配送起点以及配送终点；将冷链物流配送任务输入配送任务处理模型进行冷链转运站点匹配，得到多个第一冷链转运站点；进行配送任务关联关系分析，得到配送任务关联关系；确定至少两个第二冷链转运站点，并获取冷链转运量以及冷链配送量；进行评价指标映射，得到目标评价指标；进行冷链配送和温度监控，得到目标物流流转信息和温度异常分析结果，本发明通过大数据技术，可以对冷链物流配送任务进行更精确的分析和优化，包括任务的时效性。这有助于减少配送时间、提高任务的时效性，大数据分析可以帮助选择最优的中转站点和路线，以最小化运输成本。降低冷链物流的整体成本，提高运营的经济效益。实时监控运输过程中的温度，以确保产品在整个物流过程中保持在所需的温度范围内。通过任务解析和智能任务分配模型，可以确保每个任务都被分配给最合适的中转站点，减少任务之间的重复工作，进而提高了冷链物流的配送效率，并提高了冷链物流的温度管理准确率。
上面图5从模块化功能实体的角度对本发明实施例中的基于大数据的冷链物流管理系统进行详细描述，下面从硬件处理的角度对本发明实施例中基于大数据的冷链物流管理设备进行详细描述。
图6是本发明实施例提供的一种基于大数据的冷链物流管理设备的结构示意图，该基于大数据的冷链物流管理设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）610（例如，一个或一个以上处理器）和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630（例如一个或一个以上海量存储设备）。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对基于大数据的冷链物流管理设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在基于大数据的冷链物流管理设备600上执行存储介质630中的一系列指令操作。
基于大数据的冷链物流管理设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如Windows Server，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的基于大数据的冷链物流管理设备结构并不构成对基于大数据的冷链物流管理设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种基于大数据的冷链物流管理设备，所述基于大数据的冷链物流管理设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述基于大数据的冷链物流管理方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述基于大数据的冷链物流管理方法的步骤。
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，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于大数据的冷链物流管理方法，其特征在于，所述基于大数据的冷链物流管理方法包括：
通过预置的大数据物流监控平台获取冷链物流配送任务，并对所述冷链物流配送任务进行任务解析，得到配送时效、配送起点以及配送终点；
将所述冷链物流配送任务输入预置的配送任务处理模型进行冷链转运站点匹配，得到多个第一冷链转运站点；
对所述多个第一冷链转运站点与所述冷链物流配送任务进行配送任务关联关系分析，得到每个第一冷链转运站点与所述冷链物流配送任务之间的配送任务关联关系；
根据所述配送任务关联关系和所述配送时效从所述多个第一冷链转运站点中确定至少两个第二冷链转运站点，并获取每个第二冷链转运站点对应的冷链转运量以及冷链配送量；
根据所述冷链转运量以及所述冷链配送量，分别对每个第二冷链转运站点进行评价指标映射，得到每个第二冷链转运站点对应的目标评价指标；
根据每个第二冷链转运站点对应的目标评价指标，对所述配送起点、所述配送终点以及所述至少两个第二冷链转运站点进行冷链配送和温度监控，得到目标物流流转信息和温度异常分析结果。
2.根据权利要求1所述的基于大数据的冷链物流管理方法，其特征在于，所述通过预置的大数据物流监控平台获取冷链物流配送任务，并对所述冷链物流配送任务进行任务解析，得到配送时效、配送起点以及配送终点，包括：
通过预置的大数据物流监控平台获取冷链物流配送任务，并对所述冷链物流配送任务进行任务订单匹配，得到多个冷链物流配送订单数据；
通过所述多个冷链物流配送订单数据进行配送区域匹配，得到配送关联区域，并对所述多个冷链物流配送订单数据进行时效信息提取，得到配送时效；
调用预置的配送点识别模型，对所述配送关联区域进行配送点识别，得到配送起点以及配送终点。
3.根据权利要求1所述的基于大数据的冷链物流管理方法，其特征在于，所述将所述冷链物流配送任务输入预置的配送任务处理模型进行冷链转运站点匹配，得到多个第一冷链转运站点，包括：
将所述冷链物流配送任务输入预置的配送任务处理模型，通过所述配送任务处理模型将所述冷链物流配送任务划分为N个子物流配送任务；
获取每个子物流配送任务对应的第一影响因素，其中，所述第一影响因素包括：运输效率、运输时间以及运输成本；
根据所述影响因素设置每个子物流配送任务对应的冷链转运站点，得到多个候选冷链转运站点；
获取每个候选冷链转运站点的第二影响因素，其中，所述第二影响因素包括：车辆数量、仓库存货量以及货物种类；
根据所述第二影响因素和所述多个候选冷链转运站点，对所述冷链物流配送任务进行冷链转运站点匹配，得到多个第一冷链转运站点。
4.根据权利要求1所述的基于大数据的冷链物流管理方法，其特征在于，所述对所述多个第一冷链转运站点与所述冷链物流配送任务进行配送任务关联关系分析，得到每个第一冷链转运站点与所述冷链物流配送任务之间的配送任务关联关系，包括：
对所述冷链物流配送任务进行任务特征提取，得到多个任务特征，并对所述多个第一冷链转运站点进行站点特征提取，得到多个站点特征；
对所述多个任务特征进行特征映射，得到每个任务特征对应的第一特征映射值，并对所述多个站点特征进行特征映射，得到每个站点特征对应的第二特征映射值；
构建每个任务特征对应的第一特征映射值对应的任务特征向量，以及构建每个站点特征对应的第二特征映射值对应的站点特征向量；
对所述任务特征向量以及所述站点特征向量进行关联关系计算，得到每个第一冷链转运站点与所述冷链物流配送任务之间的配送任务关联关系。
5.根据权利要求1所述的基于大数据的冷链物流管理方法，其特征在于，所述根据所述配送任务关联关系和所述配送时效从所述多个第一冷链转运站点中确定至少两个第二冷链转运站点，并获取每个第二冷链转运站点对应的冷链转运量以及冷链配送量，包括：
对所述多个第一冷链转运站点进行负载量分析，得到每个第一冷链转运站点对应的冷链转运量以及冷链配送量；
基于所述配送任务关联关系分别计算所述多个第一冷链转运站点的关联性参数；
根据所述关联性参数对所述多个第一冷链转运站点进行关系图构建，得到目标冷链转运站点关系图；
根据所述目标冷链转运站点关系图从所述多个第一冷链转运站点中确定多个候选冷链转运站点；
根据所述配送时效对所述多个候选冷链转运站点进行筛选，得到至少两个第二冷链转运站点，获取每个第二冷链转运站点对应的冷链转运量以及冷链配送量。
6.根据权利要求1所述的基于大数据的冷链物流管理方法，其特征在于，所述根据所述冷链转运量以及所述冷链配送量，分别对每个第二冷链转运站点进行评价指标映射，得到每个第二冷链转运站点对应的目标评价指标，包括：
构建评价指标体系，其中，所述评价指标体系包括：转运时间、配送时间、时间利用率、冷链配送质量以及客户满意度；
根据所述评价指标体系，对所述冷链转运量以及所述冷链配送量进行评价指标映射，得到初始评价指标；
对所述初始评价指标进行指标权重分配以及综合评价，得到每个第二冷链转运站点对应的目标评价指标。
7.根据权利要求1所述的基于大数据的冷链物流管理方法，其特征在于，所述根据每个第二冷链转运站点对应的目标评价指标，对所述配送起点、所述配送终点以及所述至少两个第二冷链转运站点进行冷链配送和温度监控，得到目标物流流转信息和温度异常分析结果，包括：
将所述配送起点、所述配送终点以及每个第二冷链转运站点对应的目标评价指标输入预置的冷链配送处理算法；
通过所述冷链配送处理算法进行最优路线规划以及站点负载均衡分析，得到目标物流流转信息，其中，所述目标物流流转信息包括配送起点、配送终点、中转站点、运输路线、运输时间以及运输成本；
根据所述目标物流流转信息，对所述冷链物流配送任务进行温度监控，得到温度监控数据，并将所述温度监控数据传输至所述大数据物流监控平台进行温度异常分析，得到温度异常分析结果。
8.一种基于大数据的冷链物流管理系统，其特征在于，所述基于大数据的冷链物流管理系统包括：
获取模块，用于通过预置的大数据物流监控平台获取冷链物流配送任务，并对所述冷链物流配送任务进行任务解析，得到配送时效、配送起点以及配送终点；
匹配模块，用于将所述冷链物流配送任务输入预置的配送任务处理模型进行冷链转运站点匹配，得到多个第一冷链转运站点；
分析模块，用于对所述多个第一冷链转运站点与所述冷链物流配送任务进行配送任务关联关系分析，得到每个第一冷链转运站点与所述冷链物流配送任务之间的配送任务关联关系；
处理模块，用于根据所述配送任务关联关系和所述配送时效从所述多个第一冷链转运站点中确定至少两个第二冷链转运站点，并获取每个第二冷链转运站点对应的冷链转运量以及冷链配送量；
映射模块，用于根据所述冷链转运量以及所述冷链配送量，分别对每个第二冷链转运站点进行评价指标映射，得到每个第二冷链转运站点对应的目标评价指标；
监控模块，用于根据每个第二冷链转运站点对应的目标评价指标，对所述配送起点、所述配送终点以及所述至少两个第二冷链转运站点进行冷链配送和温度监控，得到目标物流流转信息和温度异常分析结果。
9.一种基于大数据的冷链物流管理设备，其特征在于，所述基于大数据的冷链物流管理设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于大数据的冷链物流管理设备执行如权利要求1-7中任一项所述的基于大数据的冷链物流管理方法。
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中任一项所述的基于大数据的冷链物流管理方法。
CN202311230350.2A 2023-09-22 2023-09-22 基于大数据的冷链物流管理方法及系统 Withdrawn CN117114355A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311230350.2A CN117114355A (zh) 2023-09-22 2023-09-22 基于大数据的冷链物流管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311230350.2A CN117114355A (zh) 2023-09-22 2023-09-22 基于大数据的冷链物流管理方法及系统

Publications (1)

Publication Number Publication Date
CN117114355A true CN117114355A (zh) 2023-11-24

Family

ID=88811081

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311230350.2A Withdrawn CN117114355A (zh) 2023-09-22 2023-09-22 基于大数据的冷链物流管理方法及系统

Country Status (1)

Country Link
CN (1) CN117114355A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117993809A (zh) * 2024-02-23 2024-05-07 北京中农亿家资源科技有限公司 基于大数据信息进行分析的猪肉冷链配送系统
CN118313748A (zh) * 2024-06-07 2024-07-09 成都秦川物联网科技股份有限公司 基于工业物联网的仓储配送方法、系统、设备及介质
CN118428837A (zh) * 2024-06-28 2024-08-02 杭州吉客云网络技术有限公司 基于采购管理系统的供应链物流运输管理方法和系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117993809A (zh) * 2024-02-23 2024-05-07 北京中农亿家资源科技有限公司 基于大数据信息进行分析的猪肉冷链配送系统
CN118313748A (zh) * 2024-06-07 2024-07-09 成都秦川物联网科技股份有限公司 基于工业物联网的仓储配送方法、系统、设备及介质
CN118313748B (zh) * 2024-06-07 2024-08-16 成都秦川物联网科技股份有限公司 基于工业物联网的仓储配送方法、系统、设备及介质
CN118428837A (zh) * 2024-06-28 2024-08-02 杭州吉客云网络技术有限公司 基于采购管理系统的供应链物流运输管理方法和系统

Similar Documents

Publication Publication Date Title
CN117114355A (zh) 基于大数据的冷链物流管理方法及系统
Wang et al. Two-echelon location-routing optimization with time windows based on customer clustering
Hsiao et al. Last-mile distribution planning for fruit-and-vegetable cold chains
US10937084B2 (en) Tracking business performance impact of optimized sourcing algorithms
Veinott Jr Optimal policy in a dynamic, single product, nonstationary inventory model with several demand classes
CN109598368B (zh) 路径决策评估、订单分配方法及装置、电子设备及介质
CN111105084B (zh) 物流信息处理方法、装置、设备及计算机存储介质
US20200364630A1 (en) System and method for managing transportation vessels
US20140098677A1 (en) Network spares audit optimization and maintenance systems and methods
CN110751501B (zh) 商品导购方法、装置、设备及存储介质
US20220156680A1 (en) Methods and apparatus for automatic route assignment
CN117634926B (zh) 基于大数据分析的综合港口运营预测方法及系统
CN111325509A (zh) 数据处理方法及装置、存储介质、电子装置
CN116569118A (zh) 信息管理方法及装置
CN113657824A (zh) 一种冷链物流调度管理方法、系统、装置以及存储介质
CN117236835A (zh) 智慧物流共享中心管理系统
Flamini et al. The value of real-time traffic information in urban freight distribution
Carlsson et al. Provably good region partitioning for on-time last-mile delivery
CN117217667A (zh) 一种基于物联网的冷库智能调度平台
CN111754181A (zh) 一种物资供应系统及物资供应方法
CN115545307A (zh) 货物调配方法、装置、设备及存储介质
Rizzoli et al. Planning and optimisation of vehicle routes for fuel oil distribution
CN113822634A (zh) 冷链库存分配方法、装置、计算机设备和存储介质
KR20220135435A (ko) 빅데이터 기반 주문량 예측 시스템
CN118333531B (zh) 一种基于人工智能的智慧供应链管理方法

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: 20231124

WW01 Invention patent application withdrawn after publication