CN117114581B - 基于人工智能的粮库存储与物流优化方法 - Google Patents

基于人工智能的粮库存储与物流优化方法 Download PDF

Info

Publication number
CN117114581B
CN117114581B CN202311329099.5A CN202311329099A CN117114581B CN 117114581 B CN117114581 B CN 117114581B CN 202311329099 A CN202311329099 A CN 202311329099A CN 117114581 B CN117114581 B CN 117114581B
Authority
CN
China
Prior art keywords
storage
logistics
spoilage
historical
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.)
Active
Application number
CN202311329099.5A
Other languages
English (en)
Other versions
CN117114581A (zh
Inventor
孙广芝
隋媛
王淑敏
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.)
China National Institute of Standardization
Original Assignee
China National Institute of Standardization
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 China National Institute of Standardization filed Critical China National Institute of Standardization
Priority to CN202311329099.5A priority Critical patent/CN117114581B/zh
Publication of CN117114581A publication Critical patent/CN117114581A/zh
Application granted granted Critical
Publication of CN117114581B publication Critical patent/CN117114581B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q10/06—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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Educational Administration (AREA)
  • Accounting & Taxation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Finance (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于人工智能的粮库存储与物流优化方法，涉及粮食存储物流优化技术领域，通过对于每个运输目的地，收集对应的历史物流特征数据以及历史物流腐坏率数据，收集粮库内的历史存储特征数据以及历史存储腐坏率数据，训练物流腐坏率预测模型和存储腐坏率预测模型，在向粮库内进行粮食存储时，预先收集各个运输目的地的采购计划，基于各个运输目的地的采购计划、历史物流特征数据、历史存储特征数据、物流腐坏率预测模型以及存储腐坏率预测模型，生成存储量建议；在满足采购需求的基础上，避免了粮食因储存过多导致的浪费。

Description

基于人工智能的粮库存储与物流优化方法
技术领域
本发明涉及粮食存储物流优化技术领域，具体是基于人工智能的粮库存储与物流优化方法。
背景技术
粮库管理在现代粮食供应链中起着至关重要的作用。长期存储和物流运输过程中可能导致粮食腐坏，因此需要精心规划粮食存储量，以满足市场需求并确保粮食质量。
长期存储对于储存在粮库中的粮食来说是一个不断引起担忧的问题。粮食在储存过程中容易受到湿度、温度等因素的影响，从而导致腐坏和损失。另外，粮食在物流运输过程中也面临温度变化以及潮湿等风险，这可能加速粮食腐坏的过程。
而目前粮库管理中，因为管理者往往是基于主观经验对粮食存储量进行规划，而经常出现不能根据未来的粮食需求量提前进行粮食存储量规划，从而导致存储过少导致不能满足需求或存储过多导致粮食腐坏浪费的问题；
为此，本发明提出基于人工智能的粮库存储与物流优化方法。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出基于人工智能的粮库存储与物流优化方法，在满足采购需求的基础上，避免了粮食因储存过多导致的浪费。
为实现上述目的，根据本发明的实施例1提出基于人工智能的粮库存储与物流优化方法，包括以下步骤：
步骤一：收集运输目的地数据集合；
步骤二：对于每个运输目的地，收集对应的历史物流特征数据以及历史物流腐坏率数据；
步骤三：收集粮库内的历史存储特征数据以及历史存储腐坏率数据；
步骤四：对于每个运输目的地，以历史物流特征数据为输入，以历史物流腐坏率数据为输出，训练物流腐坏率预测模型；以历史存储特征数据为输入，以历史存储腐坏率数据，训练存储腐坏率预测模型；
步骤五：在向粮库内进行粮食存储时，预先收集各个运输目的地的采购计划，基于各个运输目的地的采购计划、历史物流特征数据和历史存储特征数据，获得物流预测特征集合以及存储预测特征集合；
步骤六：基于采购计划、物流预测特征集合、存储预测特征集合、物流腐坏率预测模型以及存储腐坏率预测模型，生成存储量建议；
所述运输目的地数据集合的方式为：
收集所有与粮库具有物流运输关系的单位的运输目的地数据；所有单位的目的地数据组成运输目的地数据集合；
所述收集对应的历史物流特征数据以及历史物流腐坏率数据的方式为：
对于每个运输目的地，将每次从粮库运输粮食至该运输目的地的物流过程作为一次运输过程；
对于每次运输过程，收集该次运输过程的粮库存储特征集合、运输时长以及运输环境特征集合；
每次运输过程的粮库存储特征集合、运输时长以及运输环境特征集合组成一组物流特征向量，所有物流特征向量组成历史物流特征数据；
所述历史物流腐坏率数据包括每次运输过程在到达运输目的地后的物流腐坏率；其中，所述物流腐坏率为运输的粮食在运输过程中产生的腐坏率；
所述收集粮库内的历史存储特征数据以及历史存储腐坏率数据的方式为：
在每次向粮库内补充粮食时，将补充的粮食标记为补充粮食；
收集每次对补充粮食进行运输的运输过程时，所述补充粮食在粮库内的粮食存储时长以及粮库内的存储环境特征集合；
所述存储环境特征集合为粮库内存储环境的若干环境特征的统计值；
每次运输过程的粮食存储时长以及存储环境特征集合组成一组存储特征向量，所有存储特征向量组成历史存储特征数据；
每次运输过程开始时，对应的补充粮食的存储腐坏率组成历史存储腐坏率数据；所述存储腐坏率为补充粮食在粮库内存储产生的腐坏率；
所述训练物流腐坏率预测模型的方式为：
对于每个运输目的地：
将历史物流特征数据中，每次运输过程对应的物流特征向量作为物流腐坏率预测模型的输入，所述物流腐坏率预测模型以对物流特征向量对应的物流腐坏率的预测值为输出，所述物流腐坏率的预测值的取值范围为[0,1]；以历史物流腐坏率数据中，对应的运输过程的物流腐坏率为预测目标，以最小化物流腐坏率的预测值对物流腐坏率的第一预测误差之和作为训练目标；对物流腐坏率预测模型进行训练，直至第一预测误差之和达到收敛时停止训练；
所述训练存储腐坏率预测模型的方式为：
将历史存储特征数据中，每次运输过程对应的存储特征向量作为存储腐坏率预测模型的输入，所述存储腐坏率预测模型以对存储特征向量对应的存储腐坏率的预测值为输出，所述存储腐坏率的预测值的取值范围为[0,1]；以历史存储腐坏率数据中，对应运输过程的存储腐坏率为预测目标，以最小化存储腐坏率的预测值对存储腐坏率的第二预测误差之和作为训练目标；对存储腐坏率预测模型进行训练，直至第二预测误差之和达到收敛时停止训练；
所述预先收集各个运输目的地的采购计划的方式为：
收集每个运输目的地的未来最近一次的收购粮食时长以及收购粮食数量；所述采购计划包括所有所述收购粮食时间以及收购粮食数量；
所述获得物流预测特征集合以及存储预测特征集合的方式为：
将每年划分为若干个环境周期；
收集在向粮库内进行粮食存储时对应的环境周期，作为存储环境周期；
从历史存储特征数据中筛选所有对应存储环境周期的存储特征向量，并从筛选出的所有存储特征向量中，计算出每个存储环境的环境特征的平均值，所有存储环境的环境特征的平均值作为存储预测特征集合；
对于每个运输目的地，从对应的物流预测特征集合中筛选出所有对应环境周期的物流特征向量，并从筛选出的物流特征向量种，计算出运输时长的平均值，以及各个运输环境的环境特征的平均值，所有运输市场的平均值和运输环境的环境特征的平均值组成物流预测特征集合；
所述生成存储量建议的方式为：
将运输目的地地编号标记为i；
将第i个运输目的地的收购粮食时长标记为Ti，将第i个运输目的地的收购粮食数量标记为Ni；
将每个收购粮食时长Ti以及存储预测特征集合组成一组存储特征向量，输入至存储腐坏率预测模型中，获得存储腐坏率的预测值Ci；
将第i个粮库存储特征集合以及第i个物流预测特征集合组成一组物流特征向量，输入至第i个物流腐坏率预测模型中，获得物流腐坏率的预测值Wi；
则所述存储量建议为：
计算建议粮食存储量S，所述建议粮食存储量S的计算公式为:；其中，b为预设的偏置系数。
根据本发明的实施例2提出的一种电子设备，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行上述的基于人工智能的粮库存储与物流优化方法。
根据本发明的实施例3提出的一种计算机可读存储介质，其上存储有可擦写的计算机程序；
当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行上述的基于人工智能的粮库存储与物流优化方法。
与现有技术相比，本发明的有益效果是：
本发明通过收集运输目的地数据集合，对于每个运输目的地，收集对应的历史物流特征数据以及历史物流腐坏率数据，收集粮库内的历史存储特征数据以及历史存储腐坏率数据，对于每个运输目的地，以历史物流特征数据为输入，以历史物流腐坏率数据为输出，训练物流腐坏率预测模型；以历史存储特征数据为输入，以历史存储腐坏率数据，训练存储腐坏率预测模型，在向粮库内进行粮食存储时，预先收集各个运输目的地的采购计划，基于各个运输目的地的采购计划、历史物流特征数据和历史存储特征数据，获得物流预测特征集合以及存储预测特征集合，基于采购计划、物流预测特征集合、存储预测特征集合、物流腐坏率预测模型以及存储腐坏率预测模型，生成存储量建议；通过根据历史存储和物流数据，对粮食存储量进行智能规划，在满足采购需求的基础上，避免了粮食因储存过多导致的浪费。
附图说明
图1为本发明的实施例1中的基于人工智能的粮库存储与物流优化方法的流程图；
图2为本发明实施例2中的电子设备结构示意图；
图3为本发明实施例3中的计算机可读存储介质结构示意图。
具体实施方式
下面将结合实施例对本发明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它实施例，都属于本发明保护的范围。
实施例1
如图1所示，基于人工智能的粮库存储与物流优化方法，包括以下步骤：
步骤一：收集运输目的地数据集合；
步骤二：对于每个运输目的地，收集对应的历史物流特征数据以及历史物流腐坏率数据；
步骤三：收集粮库内的历史存储特征数据以及历史存储腐坏率数据；
步骤四：对于每个运输目的地，以历史物流特征数据为输入，以历史物流腐坏率数据为输出，训练物流腐坏率预测模型；以历史存储特征数据为输入，以历史存储腐坏率数据，训练存储腐坏率预测模型；
步骤五：在向粮库内进行粮食存储时，预先收集各个运输目的地的采购计划，基于各个运输目的地的采购计划、历史物流特征数据和历史存储特征数据，获得物流预测特征集合以及存储预测特征集合；
步骤六：基于采购计划、物流预测特征集合、存储预测特征集合、物流腐坏率预测模型以及存储腐坏率预测模型，生成存储量建议；
其中，所述运输目的地数据集合的方式为：
收集所有与粮库具有物流运输关系的单位的运输目的地数据；所有单位的目的地数据组成运输目的地数据集合；
其中，所述运输目的地数据包括但不限于单位的编号、单位与粮库之间的位置关系以及运输路线等；
所述具有物流运输关系的单位可以是粮食加工厂、粮食分销商、学校、企事业机关等对粮食具有需求的单位；
进一步的，所述收集对应的历史物流特征数据以及历史物流腐坏率数据的方式为：
对于每个运输目的地，将每次从粮库运输粮食至该运输目的地的物流过程作为一次运输过程；
对于每次运输过程，收集该次运输过程的粮库存储特征集合、运输时长以及运输环境特征集合；
其中，所述粮库存储特征集合可以包括但不限于粮食初始存储时长以及运输前腐坏率等；
其中，粮食初始存储时长为在该次运输过程运输的粮食在装载上运输车辆前，在粮库内存储的时长；
其中，所述运输前腐坏率为在运输过程开始时，粮食在粮库内存储导致的腐坏率；
其中，所述运输时长为该次运输过程所运输的时长；
其中，所述运输环境特征集合包括在该次运输过程中，运输的粮食所处运输车辆中运输环境的若干环境特征的统计值；
在一个优选的实施例中，所述环境特征的统计值可以包括但不限于温度平均值、温度方差、最大温度差值、湿度平均值、湿度方差、最大湿度差值；
在另一个优选的实施例中，所述环境特征的统计值还可以通过将温度以及湿度进行范围划分，统计每个温度范围以及湿度范围的时长获得；例如，统计运输过程中，温度在0oC-2oC范围内的运输时长；
每次运输过程的粮库存储特征集合、运输时长以及运输环境特征集合组成一组物流特征向量，所有物流特征向量组成历史物流特征数据；
进一步地，所述历史物流腐坏率数据包括每次运输过程在到达运输目的地后的物流腐坏率；其中，所述物流腐坏率为运输的粮食在运输过程中产生的腐坏率；
其中，所述收集粮库内的历史存储特征数据以及历史存储腐坏率数据的方式为：
在每次向粮库内补充粮食时，将补充的粮食标记为补充粮食；
收集每次对补充粮食进行运输的运输过程时，所述补充粮食在粮库内的粮食存储时长以及粮库内的存储环境特征集合；
其中，所述存储环境特征集合为粮库内存储环境的若干环境特征的统计值；可以理解的是，所述存储环境的若干环境特征的统计值的收集方式可以和运输环境的若干环境特征的统计值的收集方式保持一致；
每次运输过程的粮食存储时长以及存储环境特征集合组成一组存储特征向量，所有存储特征向量组成历史存储特征数据；
每次运输过程开始时，对应的补充粮食的存储腐坏率组成历史存储腐坏率数据；所述存储腐坏率为补充粮食在粮库内存储产生的腐坏率；
进一步地，所述以历史物流特征数据为输入，以历史物流腐坏率数据为输出，训练物流腐坏率预测模型的方式为：
对于每个运输目的地：
将历史物流特征数据中，每次运输过程对应的物流特征向量作为物流腐坏率预测模型的输入，所述物流腐坏率预测模型以对物流特征向量对应的物流腐坏率的预测值为输出，所述物流腐坏率的预测值的取值范围为[0,1]；以历史物流腐坏率数据中，对应的运输过程的物流腐坏率为预测目标，以最小化物流腐坏率的预测值对物流腐坏率的第一预测误差之和作为训练目标；对物流腐坏率预测模型进行训练，直至第一预测误差之和达到收敛时停止训练，训练出根据物流特征向量输出物流腐坏率预测值的物流腐坏率预测模型；所述物流腐坏率预测模型可以是多项式回归模型或SVR模型中的任意一个；
进一步地，所述以历史存储特征数据为输入，以历史存储腐坏率数据，训练存储腐坏率预测模型的方式为：
将历史存储特征数据中，每次运输过程对应的存储特征向量作为存储腐坏率预测模型的输入，所述存储腐坏率预测模型以对存储特征向量对应的存储腐坏率的预测值为输出，所述存储腐坏率的预测值的取值范围为[0,1]；以历史存储腐坏率数据中，对应运输过程的存储腐坏率为预测目标，以最小化存储腐坏率的预测值对存储腐坏率的第二预测误差之和作为训练目标；对存储腐坏率预测模型进行训练，直至第二预测误差之和达到收敛时停止训练，训练出根据存储特征向量输出存储腐坏率的存储腐坏率预测模型；所述存储腐坏率预测模型可以是多项式回归模型或SVR模型中的任意一个；
进一步优选的是，所述第一预测误差之和以及第二预测误差之和可以为均方误差或交叉熵等损失函数中的任意一种；
其中，所述预先收集各个运输目的地的采购计划的方式为：
收集每个运输目的地的未来最近一次的收购粮食时长以及收购粮食数量；所述采购计划包括所有所述收购粮食时间以及收购粮食数量；所述收购粮食时长为从向粮库内进行粮食存储开始，至向运输目的地进行粮食的时间之间的时长；
需要说明的是，所述收购粮食时长以及收购粮食数量可以通过从运输目的地与粮库方签订的采购计划单中获得，也可以根据每个运输目的地的过去的采购计划，使用人工智能技术进行预测获得；
可以理解地是，在完成每个运输目的地的采购计划时，需要考虑粮食在粮库内的腐坏率以及在运输过程中的腐坏率，从而提前预先准备更为充足的粮食，以满足运输目的地的采购计划中的粮食需求量；
进一步地，所述基于各个运输目的地的采购计划、历史物流特征数据和历史存储特征数据，获得物流预测特征集合以及存储预测特征集合的方式为：
将每年划分为若干个环境周期；优选地，所述环境周期可以是按月份或按季度进行划分，从而保证每年相同的环境周期中，存储环境以及运输环境的相近性；
收集在向粮库内进行粮食存储时对应的环境周期，作为存储环境周期；
从历史存储特征数据中筛选所有对应存储环境周期的存储特征向量，并从筛选出的所有存储特征向量中，计算出每个存储环境的环境特征的平均值，所有存储环境的环境特征的平均值作为存储预测特征集合；
对于每个运输目的地，从对应的物流预测特征集合中筛选出所有对应环境周期的物流特征向量，并从筛选出的物流特征向量种，计算出运输时长的平均值，以及各个运输环境的环境特征的平均值，所有运输市场的平均值和运输环境的环境特征的平均值组成物流预测特征集合；
进一步地，所述基于采购计划、物流预测特征集合、存储预测特征集合、物流腐坏率预测模型以及存储腐坏率预测模型，生成存储量建议的方式为：
将运输目的地地编号标记为i；
将第i个运输目的地的收购粮食时长标记为Ti，将第i个运输目的地的收购粮食数量标记为Ni；
将每个收购粮食时长Ti以及存储预测特征集合组成一组存储特征向量，输入至存储腐坏率预测模型中，获得存储腐坏率的预测值Ci；
将第i个粮库存储特征集合以及第i个物流预测特征集合组成一组物流特征向量，输入至第i个物流腐坏率预测模型中，获得物流腐坏率的预测值Wi；
优选的，所述第i个粮库存储特征集合可以包括但不限于第i个收购粮食时长Ti，以及第i个存储腐坏率的预测值Ci等；
则所述存储量建议为：
计算建议粮食存储量S，所述建议粮食存储量S的计算公式为:；其中，b为预设的偏置系数；可以理解的是，所述偏置系数用于保证在采购计划出现变化或其他突发情况下，抵抗一定程度的风险。
实施例2
图2是本申请一个实施例提供的电子设备结构示意图。如图2所示，根据本申请的又一方面还提供了一种电子设备100。该电子设备100可包括一个或多个处理器以及一个或多个存储器。其中，存储器中存储有计算机可读代码，计算机可读代码当由一个或多个处理器运行时，可以执行如上所述的基于人工智能的粮库存储与物流优化方法。
根据本申请实施方式的方法也可以借助于图2所示的电子设备电子设备的架构来实现。如图2所示，电子设备100可包括总线101、一个或多个CPU102、只读存储器(ROM)103、随机存取存储器(RAM)104、连接到网络的通信端口105、输入/输出组件106、硬盘107等。电子设备100中的存储设备，例如ROM103或硬盘107可存储本申请提供的基于人工智能的粮库存储与物流优化方法。基于人工智能的粮库存储与物流优化方法可例如包括以下步骤：步骤一：收集运输目的地数据集合；步骤二：对于每个运输目的地，收集对应的历史物流特征数据以及历史物流腐坏率数据；步骤三：收集粮库内的历史存储特征数据以及历史存储腐坏率数据；步骤四：对于每个运输目的地，以历史物流特征数据为输入，以历史物流腐坏率数据为输出，训练物流腐坏率预测模型；以历史存储特征数据为输入，以历史存储腐坏率数据，训练存储腐坏率预测模型；步骤五：在向粮库内进行粮食存储时，预先收集各个运输目的地的采购计划，基于各个运输目的地的采购计划、历史物流特征数据和历史存储特征数据，获得物流预测特征集合以及存储预测特征集合；步骤六：基于采购计划、物流预测特征集合、存储预测特征集合、物流腐坏率预测模型以及存储腐坏率预测模型，生成存储量建议；
进一步地，电子设备100还可包括用户界面108。当然，图2所示的架构只是示例性的，在实现不同的设备时，根据实际需要，可以省略图2示出的电子设备中的一个或多个组件。
实施例3
图3是本申请一个实施例提供的计算机可读存储介质结构示意图。如图3所示，是根据本申请一个实施方式的计算机可读存储介质200。计算机可读存储介质200上存储有计算机可读指令。当计算机可读指令由处理器运行时，可执行参照以上附图描述的根据本申请实施方式的基于人工智能的粮库存储与物流优化方法。计算机可读存储介质200包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器例如可包括随机存取存储器(RAM)和高速缓冲存储器(cache)等。非易失性存储器例如可包括只读存储器(ROM)、硬盘、闪存等。
另外，根据本申请的实施方式，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请提供了一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质存储有机器可读指令，所述机器可读指令能够由处理器运行以执行与本申请提供的方法步骤对应的指令，在该计算机程序被中央处理单元(CPU)执行时，执行本申请的方法中限定的上述功能。
可能以许多方式来实现本申请的方法和装置、设备。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本申请的方法和装置、设备。用于方法的步骤的上述顺序仅是为了进行说明，本申请的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本申请实施为记录在记录介质中的程序，这些程序包括用于实现根据本申请的方法的机器可读指令。因而，本申请还覆盖存储用于执行根据本申请的方法的程序的记录介质。
另外，本申请的实施方式中提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。
如上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明。应理解的是，以上所述仅为本发明的具体实施方式，并不用于限制本发明。凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等均应包含在本发明的保护范围之内。
以上的预设的参数或预设的阈值均由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (8)

1.基于人工智能的粮库存储与物流优化方法，其特征在于，包括以下步骤：
步骤一：收集运输目的地数据集合；
步骤二：对于每个运输目的地，收集对应的历史物流特征数据以及历史物流腐坏率数据；
步骤三：收集粮库内的历史存储特征数据以及历史存储腐坏率数据；
步骤四：对于每个运输目的地，以历史物流特征数据为输入，以历史物流腐坏率数据为输出，训练物流腐坏率预测模型；以历史存储特征数据为输入，以历史存储腐坏率数据，训练存储腐坏率预测模型；
步骤五：在向粮库内进行粮食存储时，预先收集各个运输目的地的采购计划，基于各个运输目的地的采购计划、历史物流特征数据和历史存储特征数据，获得物流预测特征集合以及存储预测特征集合；
步骤六：基于采购计划、物流预测特征集合、存储预测特征集合、物流腐坏率预测模型以及存储腐坏率预测模型，生成存储量建议；
所述获得物流预测特征集合以及存储预测特征集合的方式为：
将每年划分为若干个环境周期；
收集在向粮库内进行粮食存储时对应的环境周期，作为存储环境周期；
从历史存储特征数据中筛选所有对应存储环境周期的存储特征向量，并从筛选出的所有存储特征向量中，计算出每个存储环境的环境特征的平均值，所有存储环境的环境特征的平均值作为存储预测特征集合；
对于每个运输目的地，从对应的物流预测特征集合中筛选出所有对应环境周期的物流特征向量，并从筛选出的物流特征向量种，计算出运输时长的平均值，以及各个运输环境的环境特征的平均值，所有运输市场的平均值和运输环境的环境特征的平均值组成物流预测特征集合；
所述生成存储量建议的方式为：
将运输目的地的编号标记为i；
将第i个运输目的地的收购粮食时长标记为Ti，将第i个运输目的地的收购粮食数量标记为Ni；
将每个收购粮食时长Ti以及存储预测特征集合组成一组存储特征向量，输入至存储腐坏率预测模型中，获得存储腐坏率的预测值Ci；
将第i个粮库存储特征集合以及第i个物流预测特征集合组成一组物流特征向量，输入至第i个物流腐坏率预测模型中，获得物流腐坏率的预测值Wi；
则所述存储量建议为：
计算建议粮食存储量S，所述建议粮食存储量S的计算公式为:
；其中，b为预设的偏置系数。
2.根据权利要求1所述的基于人工智能的粮库存储与物流优化方法，其特征在于，所述收集对应的历史物流特征数据以及历史物流腐坏率数据的方式为：
对于每个运输目的地，将每次从粮库运输粮食至该运输目的地的物流过程作为一次运输过程；
对于每次运输过程，收集该次运输过程的粮库存储特征集合、运输时长以及运输环境特征集合；
每次运输过程的粮库存储特征集合、运输时长以及运输环境特征集合组成一组物流特征向量，所有物流特征向量组成历史物流特征数据；
所述历史物流腐坏率数据包括每次运输过程在到达运输目的地后的物流腐坏率；其中，所述物流腐坏率为运输的粮食在运输过程中产生的腐坏率。
3.根据权利要求2所述的基于人工智能的粮库存储与物流优化方法，其特征在于，所述收集粮库内的历史存储特征数据以及历史存储腐坏率数据的方式为：
在每次向粮库内补充粮食时，将补充的粮食标记为补充粮食；
收集每次对补充粮食进行运输的运输过程时，所述补充粮食在粮库内的粮食存储时长以及粮库内的存储环境特征集合；
所述存储环境特征集合为粮库内存储环境的若干环境特征的统计值；
每次运输过程的粮食存储时长以及存储环境特征集合组成一组存储特征向量，所有存储特征向量组成历史存储特征数据；
每次运输过程开始时，对应的补充粮食的存储腐坏率组成历史存储腐坏率数据；所述存储腐坏率为补充粮食在粮库内存储产生的腐坏率。
4.根据权利要求3所述的基于人工智能的粮库存储与物流优化方法，其特征在于，所述训练物流腐坏率预测模型的方式为：
对于每个运输目的地：
将历史物流特征数据中，每次运输过程对应的物流特征向量作为物流腐坏率预测模型的输入，所述物流腐坏率预测模型以对物流特征向量对应的物流腐坏率的预测值为输出，所述物流腐坏率的预测值的取值范围为[0,1]；以历史物流腐坏率数据中，对应的运输过程的物流腐坏率为预测目标，以最小化物流腐坏率的预测值对物流腐坏率的第一预测误差之和作为训练目标；对物流腐坏率预测模型进行训练，直至第一预测误差之和达到收敛时停止训练。
5.根据权利要求4所述的基于人工智能的粮库存储与物流优化方法，其特征在于，所述训练存储腐坏率预测模型的方式为：
将历史存储特征数据中，每次运输过程对应的存储特征向量作为存储腐坏率预测模型的输入，所述存储腐坏率预测模型以对存储特征向量对应的存储腐坏率的预测值为输出，所述存储腐坏率的预测值的取值范围为[0,1]；以历史存储腐坏率数据中，对应运输过程的存储腐坏率为预测目标，以最小化存储腐坏率的预测值对存储腐坏率的第二预测误差之和作为训练目标；对存储腐坏率预测模型进行训练，直至第二预测误差之和达到收敛时停止训练。
6.根据权利要求5所述的基于人工智能的粮库存储与物流优化方法，其特征在于，所述预先收集各个运输目的地的采购计划的方式为：
收集每个运输目的地的未来最近一次的收购粮食时长以及收购粮食数量；所述采购计划包括所有收购粮食时间以及收购粮食数量。
7.一种电子设备，其特征在于，包括：处理器和存储器，其中，
所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，在后台中执行权利要求1-6任意一项所述基于人工智能的粮库存储与物流优化方法。
8.一种计算机可读存储介质，其特征在于，其上存储有可擦写的计算机程序；
当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行在后台中执行权利要求1-6任意一项所述基于人工智能的粮库存储与物流优化方法。
CN202311329099.5A 2023-10-16 2023-10-16 基于人工智能的粮库存储与物流优化方法 Active CN117114581B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311329099.5A CN117114581B (zh) 2023-10-16 2023-10-16 基于人工智能的粮库存储与物流优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311329099.5A CN117114581B (zh) 2023-10-16 2023-10-16 基于人工智能的粮库存储与物流优化方法

Publications (2)

Publication Number Publication Date
CN117114581A CN117114581A (zh) 2023-11-24
CN117114581B true CN117114581B (zh) 2024-02-06

Family

ID=88813056

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311329099.5A Active CN117114581B (zh) 2023-10-16 2023-10-16 基于人工智能的粮库存储与物流优化方法

Country Status (1)

Country Link
CN (1) CN117114581B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106485413A (zh) * 2016-10-09 2017-03-08 河南工业大学 一种粮食最优储备量确定的方法及装置
CN206584246U (zh) * 2017-02-24 2017-10-24 淮阴师范学院 一种粮食仓储环境远程监测和控制系统
CN108960712A (zh) * 2018-06-13 2018-12-07 厦门七智厨房科技有限公司 一种谷物物流服务系统
CN114240985A (zh) * 2022-02-25 2022-03-25 天云软件技术有限公司 粮食储量的确定方法、装置、设备、介质和产品
KR20220100250A (ko) * 2021-01-08 2022-07-15 최보규 지능형 양곡 생산 관리 시스템
KR102507492B1 (ko) * 2022-08-18 2023-03-09 주식회사 키친스탠다드 자재명세서 기반 레시피 통합 식자재 관리 시스템 및 그 방법
CN116151723A (zh) * 2023-04-21 2023-05-23 交通运输部水运科学研究所 一种粮食综合储备基地多重计量方法及系统
CN116757575A (zh) * 2023-06-16 2023-09-15 佛山市朗全电器有限公司 一种基于物联网的粮食调度管理方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3176247A1 (en) * 2021-09-29 2023-03-29 Cargill, Incorporated Systems and methods for optimizing grain supply network

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106485413A (zh) * 2016-10-09 2017-03-08 河南工业大学 一种粮食最优储备量确定的方法及装置
CN206584246U (zh) * 2017-02-24 2017-10-24 淮阴师范学院 一种粮食仓储环境远程监测和控制系统
CN108960712A (zh) * 2018-06-13 2018-12-07 厦门七智厨房科技有限公司 一种谷物物流服务系统
KR20220100250A (ko) * 2021-01-08 2022-07-15 최보규 지능형 양곡 생산 관리 시스템
CN114240985A (zh) * 2022-02-25 2022-03-25 天云软件技术有限公司 粮食储量的确定方法、装置、设备、介质和产品
KR102507492B1 (ko) * 2022-08-18 2023-03-09 주식회사 키친스탠다드 자재명세서 기반 레시피 통합 식자재 관리 시스템 및 그 방법
CN116151723A (zh) * 2023-04-21 2023-05-23 交通运输部水运科学研究所 一种粮食综合储备基地多重计量方法及系统
CN116757575A (zh) * 2023-06-16 2023-09-15 佛山市朗全电器有限公司 一种基于物联网的粮食调度管理方法及系统

Also Published As

Publication number Publication date
CN117114581A (zh) 2023-11-24

Similar Documents

Publication Publication Date Title
CN108647914B (zh) 生产排程方法、装置、计算机设备和存储介质
US9747560B2 (en) Method and system for combination of independent demand data streams
US11126957B2 (en) Supply chain forecasting system
CN110363476B (zh) 货物入仓分配处理方法及装置
CN111429048A (zh) 确定补货信息的方法、装置及设备
CN107958297B (zh) 一种产品需求预测方法及产品需求预测装置
CN108629436B (zh) 一种估算仓库拣货能力的方法和电子设备
CN109961198B (zh) 关联信息生成方法和装置
CN111368887A (zh) 雷雨天气预测模型的训练方法及雷雨天气预测方法
CN112036631A (zh) 采购量确定方法、装置、设备及存储介质
CN113762885A (zh) 补货量确定方法、装置、设备、存储介质及程序产品
van der Laan et al. The data-driven newsvendor problem: Achieving on-target service-levels using distributionally robust chance-constrained optimization
CN117114581B (zh) 基于人工智能的粮库存储与物流优化方法
CN114282872A (zh) 珠宝店库存管理方法、装置、设备及存储介质
CN114925919A (zh) 业务资源处理方法、装置、计算机设备和存储介质
CN112001666A (zh) 一种保留库存量的确定方法、装置、设备和存储介质
CN111783487B (zh) 一种读卡器设备的故障预警方法及装置
JP6679491B2 (ja) 小売における追加カレンダー期間の管理のためのシステムおよび方法
CN117132196A (zh) 仓库管理方法及装置、设备及存储介质
CN113935673A (zh) 基于库存的仓网优化方法、装置、计算机设备和存储介质
CN115545250A (zh) 发车时间规划方法、装置、电子设备及存储介质
US20230325764A1 (en) Optimization of maximum quantity allowed per large order
Feiring Production planning in stochastic demand environments
CN113762884B (zh) 补货量确定方法、装置、设备、存储介质及程序产品
CN117236824B (zh) 一种用于农产品在线交易平台的物流调度方法

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
GR01 Patent grant
GR01 Patent grant