CN117350615B - 一种国际物流轨迹追踪系统及方法 - Google Patents
一种国际物流轨迹追踪系统及方法 Download PDFInfo
- Publication number
- CN117350615B CN117350615B CN202311205022.7A CN202311205022A CN117350615B CN 117350615 B CN117350615 B CN 117350615B CN 202311205022 A CN202311205022 A CN 202311205022A CN 117350615 B CN117350615 B CN 117350615B
- Authority
- CN
- China
- Prior art keywords
- data
- logistics
- goods
- border
- tracking unit
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000013523 data management Methods 0.000 claims abstract description 26
- 239000010410 layer Substances 0.000 claims description 91
- 238000013528 artificial neural network Methods 0.000 claims description 45
- 238000004422 calculation algorithm Methods 0.000 claims description 31
- 239000002245 particle Substances 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 30
- 238000012502 risk assessment Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 24
- 238000005457 optimization Methods 0.000 claims description 23
- 238000012546 transfer Methods 0.000 claims description 19
- 230000005540 biological transmission Effects 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 14
- 230000001133 acceleration Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 239000000243 solution Substances 0.000 claims description 10
- 230000006399 behavior Effects 0.000 claims description 9
- 230000002452 interceptive effect Effects 0.000 claims description 9
- 239000002355 dual-layer Substances 0.000 claims description 8
- 238000002347 injection Methods 0.000 claims description 8
- 239000007924 injection Substances 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 238000012800 visualization Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000012098 association analyses Methods 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 4
- 238000002203 pretreatment Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004260 weight control 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0831—Overseas transactions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- 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
- G06Q10/0833—Tracking
Abstract
本发明公开了一种国际物流轨迹追踪系统及方法，涉及国际物流领域，包含货物标识模块、数据追踪模块、跨境数据管理模块、云服务平台、报告生成模块和安全保护模块，所述货物标识模块的输出端与所述数据追踪模块的输入端连接，所述数据追踪模块的输出端与所述跨境数据管理模块的输入端连接，所述数据追踪模块和跨境数据管理模块的输出端与所述云服务平台的输入端连接，所述货物标识模块、数据追踪模块和跨境数据管理模块的输出端与所述报告生成模块的输入端连接，所述安全保护模块全程工作，本发明能够对国际物流货物的实时跟踪和识别，并进行风险评估，同时确保数据的安全性，自动化、智能化程度高。
Description
技术领域
本发明涉及国际物流领域，且更具体地涉及一种国际物流轨迹追踪系统及方法。
背景技术
随着全球贸易和跨境电商的快速发展，国际物流运输需求不断增加。各种商品和货物需要在不同国家之间进行运输，在国际物流运输中，货物可能面临各种安全风险，如偷盗、损坏或灭失，传统的物流管理方式往往依赖于纸质文档和人工操作，容易导致信息延误、丢失和错误。因此需要一个有效的轨迹追踪系统来监控和管理这些运输过程。
现有的国际物流轨迹追踪系统及方法缺乏一个统一的标准来规范国际物流轨迹追踪系统中数据的格式、接口和交互方式，导致不同供应链环节之间的数据集成困难，并限制了系统与其他相关系统的无缝连接；并且安全性方面仍然存在漏洞，无法提供有效的安全保障措施；现有系统主要关注位置和状态数据的采集和传输，并未充分发挥数据分析和挖掘的潜力。
因此，本发明公开了一种国际物流轨迹追踪系统及方法，能够对国际物流货物的实时跟踪和识别，管理跨境物流数据并进行风险评估，同时确保数据的安全性。
发明内容
针对现有技术的不足，本发明公开了一种国际物流轨迹追踪系统及方法，能够对国际物流货物的实时跟踪和识别，管理跨境物流数据并进行风险评估，同时确保数据的安全性；引入了货物标识模块，对国际物流货物进行标识，以便实现对货物的实时跟踪和识别，提高货物的可追溯性和安全性；通过位置追踪单元、环境追踪单元和状态追踪单元，能够获取货物在运输过程中的各种物流信息，提供更全面、准确的物流信息，帮助用户更好地监控和管理货物；通过跨境数据管理模块统一管理跨境物流数据，简化数据管理流程，提高跨境物流效率和准确性；对跨境物流数据进行统计分析，并生成货物追踪报告、费用统计报告和风险评估报告等，帮助用户更好地了解和评估物流运输过程中的情况，支持决策和优化物流策略；配备安全保护模块，防止未授权的访问和数据泄露，确保企业和客户的数据安全；自动化、智能化程度高。
本发明采用以下技术方案：
一种国际物流轨迹追踪系统，所述系统包括：
货物标识模块，用于对国际物流货物进行标识，以便对货物进行实时跟踪和识别；
数据追踪模块，用于与多源物流数据源进行连接和通信，获取货物的运输过程信息，所述数据追踪模块包括位置追踪单元、环境追踪单元、状态追踪单元和数据中转平台，所述位置追踪单元、环境追踪单元和状态追踪单元的输出端与所述数据中转平台的输入端连接；
跨境数据管理模块，用于管理跨境物流数据，以获取国际物流运输的关键节点，所述跨境数据包括海关编码、报关信息、跨境费用支付信息和跨境文件调用信息，所述跨境数据管理模块通过实时湖仓一体平台Skylab协同供应商、物流服务商和海关实时共享和更新跨境物流数据，并记录和跟踪跨境物流的费用项目、支付状态和金额，以便进行费用控制和核算；
云服务平台，用于对获取的货物数据和物流数据进行云储存、处理和分析，所述云服务平台通过PSO优化算法和BP神经网络结合对国际物流轨迹进行风险评估；
报告生成模块，用于对跨境物流数据进行统计和分析，并生成货物追踪报告、费用统计报告和风险评估报告，所述报告生成模块通过集成智能可视化平台Tableau将数据转化为交互式的图表、仪表板和报告，并进行可视化显示；
安全保护模块，用于保护数据在传输和存储过程中的安全性，所述安全保护模块通过双层安全防火墙保护系统安全、内核平台安全和服务安全；
其中，所述货物标识模块的输出端与所述数据追踪模块的输入端连接，所述数据追踪模块的输出端与所述跨境数据管理模块的输入端连接，所述数据追踪模块的输出端与所述云服务平台的输入端连接，所述跨境数据管理模块的输出端与所述云服务平台的输入端连接，所述货物标识模块的输出端与所述报告生成模块的输入端连接，所述数据追踪模块的输出端与所述报告生成模块的输入端连接，所述跨境数据管理模块的输出端与所述报告生成模块的输入端连接，所述安全保护模块全程工作。
作为本发明进一步的技术方案，所述货物标识模块采用电子射频RFID标签标记货物信息，并将电子射频RFID标签与EDI电子数据交换系统集成，实时货物信息的自动化采集和传输，所述货物信息包括货物的来源、目的地、规格、重量和关键节点，所述电子射频RFID标签通过无线电波被读写设备激活并获取货物信息，以追踪货物的移动和记录货物的装车、卸货和中转关节点。
作为本发明进一步的技术方案，所述位置追踪单元通过在车辆或货品上安装全球卫星定位导航GNSS接收器，实现对货物位置的实时跟踪和监控，并通过无人机摄像头或激光雷达对货物位置和状态进行实时监测，所述环境追踪单元通过无线传感器网络监测货物所处环境的温度、湿度和气压，所述状态追踪单元通过加速度计、陀螺仪检测货物的震动和倾斜状态，以监测货物在运输过程中的状态变化，所述数据中转平台通过物联网IoT网关接收位置追踪单元、环境追踪单元、状态追踪单元和运输追踪单元获取数据，并对获取数据进行预处理，所述物联网IoT网关通过开放API接口实现数据交互共享，所述位置追踪单元、环境追踪单元、状态追踪单元和运输追踪单元获取的数据通过数据转换工具将获取数据格式标准化。
作为本发明进一步的技术方案，所述数据中转平台将物流数据整合为3个维度的数据集合进行预处理，数据集合表示为：
在公式(1)中，X、Y、Z分别表示物流数据的准确性、完整性和一致性维度，n为物流数据X、Y、Z维度的数据个数，n≥1，物流数据实时更新变化，对物流数据分维度进行平滑处理表示为：
在公式(2)中，Pd(X,Y,Z)表示多维度物流数据的滤波数值，i为多维度物流数据邻域的更新参数，根据多维度物流数据的时间状态，离散得到平滑数据表示为：
在公式(4)中，hk+1表示k+1时刻多维度物流数据的状态参数，Fk+1表示多维物流数据的变换矩阵，Bk+1表示更新输入的物流数据，通过滤波迭代处理离散过程，多维物流数据增益的计算公式为：
在公式(4)中，Kgk+1表示时刻多维物流数据增益，Hk+1表示k+1时刻多维物流数据的状态量，H′表示多维物流数据状态量的测量值，R表示滤波偏差。
作为本发明进一步的技术方案，所述PSO优化算法通过迭代更新寻求风险评估的最优解，并根据输入参数粒子的个体极值与全局极值的范围，对迭代更新的速度和位置进行更新，第j个粒子搜寻到的个体极值表示为：
Ebest＝(pj1,pj2,...,pjN) (5)
在公式(5)中，Ebest表示风险评估过程中待优化参数的个体极值，pjN表示粒子群中第j个粒子的位置，N≥1，通过公式(5)得出待优化参数的个体极值，使用个体极值和全局极值对粒子的速度进行更新公式表示为：
Vj＝W*Vj+C1*R1*Ebest+C2*R2*Gbest (6)
在公式(6)中，Vj表示第j个粒子的更新速度，C1、C2表示粒子群的加速度量，W表示惯性常数，R1、R2表示随机数概率，Gbest表示粒子群搜寻到的全局极值，通过公式(6)完成对粒子群速度的更新，所述PSO优化算法通过经验模态分解法将待分解信号项进行展开分解，获取到相同频带的数据分量，公式表示为：
在公式(7)中，c(t)表示t时刻综合国际物流轨迹的数据分量，M表示本征模态分量数，cm(t)为t时刻国际物流轨迹第m个本征模态分量，1≤m≤M；
所述BP神经网络将误差进行反向传播，并通过参考不同层的误差返回前一层进行误差更新，所述BP神经网络中的a个控制节点的分布向量为UC＝(u1,u2,...,ua)T，输出层中b个控制节点的目标分布向量为YC＝(y1,y2,...,yb)T，C表示控制节点，隐藏层的输出向量表示为：
在公式(8)中，sp表示输入到第p层隐藏层的综合国际物流轨迹数据的分布向量，wp表示第p层隐藏层的权重向量，θp表示第p层隐藏层神经元阈值，bp表示第p层隐藏层输出到数据特征，P表示BP神经网络隐藏层的数量，1≤p≤P，f表示BP神经网络的激活函数，通过公式(8)计算所述BP神经网络隐藏层的输出向量，校正误差公式表示为：
dt＝(Y-ct)f(lt),t＝1,2,...,T (9)
在公式(9)中，dt表示t时刻的校正误差，Y表示综合国际物流轨迹数据的分布向量，ct表示t时刻BP神经网络输出层的输出向量，lt表示t时刻BP神经网络输出层的输入向量，1≤t≤T，修正连接权重和阈值公式表示为：
在公式(10)中，Δwp、Δθp表示修正后的BP神经网络的连接权重和阈值，β表示BP神经网络的学习因子，ep表示第p层隐藏层的校正误差，up表示第p层隐藏层输出的初始学习样本，BP神经网络自动更新调整，输出层节点的输出表示为：
GL＝f(∑SWQ+B) (11)
在公式(11)中，GL表示BP神经网络输出的风险评估值，S表示输出层，L表示输出层节点序号，Q表示节点的输出向量，B表示输出到综合数据特征。
作为本发明进一步的技术方案，所述智能可视化平台Tableau基于关联性数据模型获取多数据源关联数据，以实现多维度数据关联分析，并采用交互式图表、热点图、报告、地图和仪表板实现数据的趋势、关系及变化规律的实时监控，所述智能可视化平台Tableau采用Token用户身份验证机制验证访问用户的身份，以提高信息访问的安全性。
作为本发明进一步的技术方案，所述双层安全防火墙采用SSL安全套接字层协议加速卡提高安全访问速度和设备性能处理能力，所述SSL安全套接字层协议加速卡通过加速安全套接字层和传输层连接的处理过程，以缩短用户访问时间和减轻防火墙内部服务器的负载，所述双层安全防火墙通过与防漏洞攻击APT和数据安全服务平台安全设备协同工作，对内部网络中的敏感数据进行分类、监视和保护，并通过智能安全引擎识别SQL注入、跨站脚本攻击XSS和命令注入攻击行为，并识别未知威胁及无补丁漏洞攻击行为，以提高网络安全性和系统稳定性。
作为本发明进一步的技术方案，一种国际物流轨迹追踪方法，所述方法包括步骤：
步骤一、通过货物标识模块对国际物流货物进行标识，以便追踪货物的移动和记录货物的装车、卸货和中转关节点；
步骤二、通过位置追踪单元、环境追踪单元、状态追踪单元和数据中转平台与多源物流数据源进行连接和通信，获取货物的运输过程信息；
步骤三、通过跨境数据管理模块获取国际物流运输的跨境数据节点，所述跨境数据管理模块通过实时湖仓一体平台Skylab协同供应商、物流服务商和海关实时共享和更新跨境物流数据，并记录和跟踪跨境物流的费用项目、支付状态和金额，以便进行费用控制和核算；
步骤四、通过云服务平台对获取的货物数据和物流数据进行云储存、处理和分析，所述云服务平台通过PSO优化算法和BP神经网络结合对国际物流轨迹进行风险评估；
步骤五、通过报告生成模块对跨境物流数据进行统计和分析，并生成货物追踪报告、费用统计报告和风险评估报告，所述报告生成模块通过集成智能可视化平台Tableau将数据转化为交互式的图表、仪表板和报告，并进行可视化显示；
步骤六、通过安全保护模块保护数据在传输和存储过程中的安全性，所述安全保护模块通过双层安全防火墙保护系统安全、内核平台安全和服务安全。
积极有益效果：
本发明公开了一种国际物流轨迹追踪系统及方法，能够对国际物流货物的实时跟踪和识别，管理跨境物流数据并进行风险评估，同时确保数据的安全性；引入了货物标识模块，对国际物流货物进行标识，以便实现对货物的实时跟踪和识别，提高货物的可追溯性和安全性；通过位置追踪单元、环境追踪单元和状态追踪单元，能够获取货物在运输过程中的各种物流信息，提供更全面、准确的物流信息，帮助用户更好地监控和管理货物；通过跨境数据管理模块统一管理跨境物流数据，简化数据管理流程，提高跨境物流效率和准确性；对跨境物流数据进行统计分析，并生成货物追踪报告、费用统计报告和风险评估报告等，帮助用户更好地了解和评估物流运输过程中的情况，支持决策和优化物流策略；配备安全保护模块，防止未授权的访问和数据泄露，确保企业和客户的数据安全；自动化、智能化程度高。
附图说明
图1为本发明一种国际物流轨迹追踪系统的整体架构示意图；
图2为本发明一种国际物流轨迹追踪方法的流程架构图；
图3为本发明一种国际物流轨迹追踪系统中PSO优化算法和BP神经网络结合计算流程示意图；
图4本发明一种国际物流轨迹追踪系统中报告生成模块控制电路图。
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。
一种国际物流轨迹追踪系统，所述系统包括：
货物标识模块，用于对国际物流货物进行标识，以便对货物进行实时跟踪和识别；
数据追踪模块，用于与多源物流数据源进行连接和通信，获取货物的运输过程信息，所述数据追踪模块包括位置追踪单元、环境追踪单元、状态追踪单元和数据中转平台，所述位置追踪单元、环境追踪单元和状态追踪单元的输出端与所述数据中转平台的输入端连接；
跨境数据管理模块，用于管理跨境物流数据，以获取国际物流运输的关键节点，所述跨境数据包括海关编码、报关信息、跨境费用支付信息和跨境文件调用信息，所述跨境数据管理模块通过实时湖仓一体平台Skylab协同供应商、物流服务商和海关实时共享和更新跨境物流数据，并记录和跟踪跨境物流的费用项目、支付状态和金额，以便进行费用控制和核算；
云服务平台，用于对获取的货物数据和物流数据进行云储存、处理和分析，所述云服务平台通过PSO优化算法和BP神经网络结合对国际物流轨迹进行风险评估；
报告生成模块，用于对跨境物流数据进行统计和分析，并生成货物追踪报告、费用统计报告和风险评估报告，所述报告生成模块通过集成智能可视化平台Tableau将数据转化为交互式的图表、仪表板和报告，并进行可视化显示；
安全保护模块，用于保护数据在传输和存储过程中的安全性，所述安全保护模块通过双层安全防火墙保护系统安全、内核平台安全和服务安全；
其中，所述货物标识模块的输出端与所述数据追踪模块的输入端连接，所述数据追踪模块的输出端与所述跨境数据管理模块的输入端连接，所述数据追踪模块的输出端与所述云服务平台的输入端连接，所述跨境数据管理模块的输出端与所述云服务平台的输入端连接，所述货物标识模块的输出端与所述报告生成模块的输入端连接，所述数据追踪模块的输出端与所述报告生成模块的输入端连接，所述跨境数据管理模块的输出端与所述报告生成模块的输入端连接，所述安全保护模块全程工作。
在上述实施例中，所述货物标识模块采用电子射频RFID标签标记货物信息，并将电子射频RFID标签与EDI电子数据交换系统集成，实时货物信息的自动化采集和传输，所述货物信息包括货物的来源、目的地、规格、重量和关键节点，所述电子射频RFID标签通过无线电波被读写设备激活并获取货物信息，以追踪货物的移动和记录货物的装车、卸货和中转关节点。
在具体实施例中，将每个货物附着上电子射频RFID标签，并在标签上编码相应的货物信息。安装读写设备，这些设备可以通过无线电波与附着在货物上的RFID标签进行通信。当读写设备接近并与RFID标签发生交互时，无线电波会激活RFID标签，并从中获取到存储的货物信息。将获取到的货物信息传输到EDI系统，确保数据及时性和准确性。通过对关键节点处的RFID标签进行读取，可以追踪货物的移动，并记录货物经过的装车、卸货和中转等关键节点。
通过将电子射频RFID标签与EDI系统集成，实现了货物信息的自动化采集和传输。这样可以提高货物管理的效率和准确性，同时也提供了对货物移动轨迹和关键节点的全程可追溯性。
在上述实施例中，所述位置追踪单元通过在车辆或货品上安装全球卫星定位导航GNSS接收器，实现对货物位置的实时跟踪和监控，并通过无人机摄像头或激光雷达对货物位置和状态进行实时监测，所述环境追踪单元通过无线传感器网络监测货物所处环境的温度、湿度和气压，所述状态追踪单元通过加速度计、陀螺仪检测货物的震动和倾斜状态，以监测货物在运输过程中的状态变化，所述数据中转平台通过物联网IoT网关接收位置追踪单元、环境追踪单元、状态追踪单元和运输追踪单元获取数据，并对获取数据进行预处理，所述物联网IoT网关通过开放API接口实现数据交互共享，所述位置追踪单元、环境追踪单元、状态追踪单元和运输追踪单元获取的数据通过数据转换工具将获取数据格式标准化。
在具体实施例中，通过安装全球卫星定位导航(GNSS)接收器在车辆或货品上，实现对货物位置的实时跟踪和监控。同时，使用无人机摄像头或激光雷达对货物位置和状态进行实时监测。所述环境追踪单元通过无线传感器网络监测货物所处环境的温度、湿度和气压等参数。这些传感器将获取到的环境数据传输到数据中转平台。所述状态追踪单元通过加速度计、陀螺仪等传感器检测货物的震动和倾斜状态，以监测货物在运输过程中的状态变化。同样地，状态追踪单元将获取到的状态数据传输到数据中转平台。数据中转平台作为一个集成平台，通过物联网(IoT)网关接收来自位置追踪单元、环境追踪单元、状态追踪单元和运输追踪单元的数据，并对这些数据进行预处理。预处理包括数据清洗、去噪、校正等操作，以确保数据质量和可用性。物联网(IoT)网关通过开放API接口实现与其他系统之间的数据交互共享。这样，可以将位置追踪单元、环境追踪单元、状态追踪单元和运输追踪单元获取的数据与其他系统进行无缝集成和共享。最后，通过数据转换工具对获取的数据进行格式标准化，以方便后续的数据处理和分析。数据转换工具能够将不同传感器获取到的原始数据转换为统一格式的数据，以提高数据的一致性和可比性。
综上所述，位置追踪单元、环境追踪单元、状态追踪单元和运输追踪单元通过数据中转平台实现了对货物位置、环境和状态等信息的采集、监测和传输。这样可以实时掌握货物的情况，并为后续的运输管理和决策提供有价值的信息支持。
在上述实施例中，所述数据中转平台将物流数据整合为3个维度的数据集合进行预处理，数据集合表示为：
在公式(1)中，X、Y、Z分别表示物流数据的准确性、完整性和一致性维度，n为物流数据X、Y、Z维度的数据个数，n≥1，物流数据实时更新变化，对物流数据分维度进行平滑处理表示为：
在公式(2)中，Pd(X,Y,Z)表示多维度物流数据的滤波数值，i为多维度物流数据邻域的更新参数，根据多维度物流数据的时间状态，离散得到平滑数据表示为：
在公式(4)中，hk+1表示k+1时刻多维度物流数据的状态参数，Fk+1表示多维物流数据的变换矩阵，Bk+1表示更新输入的物流数据，通过滤波迭代处理离散过程，多维物流数据增益的计算公式为：
在公式(4)中，Kgk+1表示时刻多维物流数据增益，Hk+1表示k+1时刻多维物流数据的状态量，H′表示多维物流数据状态量的测量值，R表示滤波偏差。
在具体实施例中，去除无效或错误数据，例如异常值、重复数据等，确保数据的准确性和完整性。将不同传感器或设备获取的原始数据转换为统一的格式，方便后续的分析和处理。根据需求和设定的规则，对数据进行筛选和过滤，选择出符合条件的数据进行进一步处理和分析。将获取的数据进行聚合和汇总，以便更好地理解和分析数据。将数据转换为统一的标准单位或表达形式，以便于不同系统之间的交互和集成。对数据进行验证和修复，确保数据的一致性和正确性。对数据进行异常检测，及时发现和处理异常情况，例如设备故障、数据丢失等。
通过对获取的数据进行预处理，可以提高数据的质量和可用性，为后续的数据分析和应用提供更好的基础。利用matlab2018a对数据进行仿真，分别采用本预处理方法和对比方法A、B进行实验，效果如表1所示。
表1预处理效果统计
如表1所示，利用matlab2018a对数据进行仿真，分别采用本预处理方法和对比方法A、B进行实验，实验内容分别为20min内处理相似复杂程度数据对比预处理信息总量和处理8100MB的相似复杂程度数据对比预处理时间，并对本预处理方法和对比方法A、B处理准确度进行统计，分别将实验结果记录在表1内，对比发现本预处理方法的处理数据总量、处理速度和处理准确度远大于对比方法A、B，证明经过改进和优化，本算法在预处理数据方面具有较好的应用效果和实用价值。
在上述实施例中，所述PSO优化算法通过迭代更新寻求风险评估的最优解，并根据输入参数粒子的个体极值与全局极值的范围，对迭代更新的速度和位置进行更新，第j个粒子搜寻到的个体极值表示为：
Ebest＝(pj1,pj2,...,pjN) (5)
在公式(5)中，Ebest表示风险评估过程中待优化参数的个体极值，pjN表示粒子群中第j个粒子的位置，N≥1，通过公式(5)得出待优化参数的个体极值，使用个体极值和全局极值对粒子的速度进行更新公式表示为：
Vj＝W*Vj+C1*R1*Ebest+C2*R2*Gbest (6)
在公式(6)中，Vj表示第j个粒子的更新速度，C1、C2表示粒子群的加速度量，W表示惯性常数，R1、R2表示随机数概率，Gbest表示粒子群搜寻到的全局极值，通过公式(6)完成对粒子群速度的更新，所述PSO优化算法通过经验模态分解法将待分解信号项进行展开分解，获取到相同频带的数据分量，公式表示为：
在公式(7)中，c(t)表示t时刻综合国际物流轨迹的数据分量，M表示本征模态分量数，cm(t)为t时刻国际物流轨迹第m个本征模态分量，1≤m≤M；
所述BP神经网络将误差进行反向传播，并通过参考不同层的误差返回前一层进行误差更新，所述BP神经网络中的a个控制节点的分布向量为UC＝(u1,u2,...,ua)T，输出层中b个控制节点的目标分布向量为YC＝(y1,y2,...,yb)T，C表示控制节点，隐藏层的输出向量表示为：
在公式(8)中，sp表示输入到第p层隐藏层的综合国际物流轨迹数据的分布向量，wp表示第p层隐藏层的权重向量，θp表示第p层隐藏层神经元阈值，bp表示第p层隐藏层输出到数据特征，P表示BP神经网络隐藏层的数量，1≤p≤P，f表示BP神经网络的激活函数，通过公式(8)计算所述BP神经网络隐藏层的输出向量，校正误差公式表示为：
dt＝(Y-ct)f(lt),t＝1,2,...,T (9)
在公式(9)中，dt表示t时刻的校正误差，Y表示综合国际物流轨迹数据的分布向量，ct表示t时刻BP神经网络输出层的输出向量，lt表示t时刻BP神经网络输出层的输入向量，1≤t≤T，修正连接权重和阈值公式表示为：
在公式(10)中，Δwp、Δθp表示修正后的BP神经网络的连接权重和阈值，β表示BP神经网络的学习因子，ep表示第p层隐藏层的校正误差，up表示第p层隐藏层输出的初始学习样本，BP神经网络自动更新调整，输出层节点的输出表示为：
GL＝f(∑SWQ+B) (11)
在公式(11)中，GL表示BP神经网络输出的风险评估值，S表示输出层，L表示输出层节点序号，Q表示节点的输出向量，B表示输出到综合数据特征。
在上述实施例中，所述智能可视化平台Tableau基于关联性数据模型获取多数据源关联数据，以实现多维度数据关联分析，并采用交互式图表、热点图、报告、地图和仪表板实现数据的趋势、关系及变化规律的实时监控，所述智能可视化平台Tableau采用Token用户身份验证机制验证访问用户的身份，以提高信息访问的安全性。
在具体实施例中，所述的云服务平台通过PSO优化算法和BP神经网络结合对国际物流轨迹进行风险评估，是基于传统的BP神经网络模型进行改进。在传统的BP神经网络模型中，权重和偏置值是通过随机初始化并利用反向传播算法进行更新。这种方法存在着局部最优解、收敛速度慢以及易受初始参数选择影响等问题。为了改进这些问题，引入了PSO优化算法来提高BP神经网络模型的训练效果。PSO算法是一种基于群体智能的优化算法，通过模拟鸟群觅食行为，全局搜索最优解。在该云服务平台中，PSO算法用于调整BP神经网络中的权重和偏置值，以提高模型的拟合能力和泛化能力。
此外，在增加PSO优化算法之后，粒子群大小决定了PSO算法中搜索空间的广度。较大的粒子群大小可以增加搜索范围，但也会增加计算复杂度。迭代次数表示PSO算法的收敛速度。较多的迭代次数可以增加模型优化的机会，但也会增加计算时间。惯性权重控制了粒子在搜索空间中的移动。适当调整惯性权重可以平衡全局搜索和局部搜索之间的权衡。
通过以上参数的调整和PSO优化算法的引入，PSO优化算法能够帮助调整BP神经网络中的参数，使其更好地拟合实际数据，提高模型准确性。PSO算法能够有效地搜索全局最优解，有助于加快模型训练速度，提高效率。通过PSO优化算法对BP神经网络进行训练，可以提高模型的泛化能力，使其对未知数据具有更好的预测能力。传统BP神经网络容易陷入局部最优解，而PSO算法可以通过全局搜索来避免这个问题，并找到更优的解决方案。
综上所述，通过引入PSO优化算法并调整相关参数，该云服务平台可以提高国际物流轨迹风险评估模型的性能和效果，从而为用户提供更准确、可靠的风险评估结果。采用MATLAB对算法的有效性进行验证，粒子群进行10次迭代，得到问题的优解。数据分析效果如表2所示
表2数据分析效果
在上述实施例中，所述双层安全防火墙采用SSL安全套接字层协议加速卡提高安全访问速度和设备性能处理能力，所述SSL安全套接字层协议加速卡通过加速安全套接字层和传输层连接的处理过程，以缩短用户访问时间和减轻防火墙内部服务器的负载，所述双层安全防火墙通过与防漏洞攻击APT和数据安全服务平台安全设备协同工作，对内部网络中的敏感数据进行分类、监视和保护，并通过智能安全引擎识别SQL注入、跨站脚本攻击XSS和命令注入攻击行为，并识别未知威胁及无补丁漏洞攻击行为，以提高网络安全性和系统稳定性。
在具体实施例中，所述的双层安全防火墙采用SSL安全套接字层协议加速卡，主要是为了提高安全访问速度和设备性能处理能力。SSL安全套接字层协议加速卡通过优化和加速安全套接字层和传输层连接的处理过程，可以缩短用户的访问时间，并减轻防火墙内部服务器的负载压力。SSL安全套接字层协议加速通过硬件加速技术，对SSL/TLS连接进行处理，提高传输效率和数据吞吐量。它可以在硬件级别上执行SSL握手、密钥交换、数据加密解密等操作，从而大幅度减少CPU负载，并提高网络传输性能。通过使用SSL安全套接字层协议加速卡，双层防火墙可以在保证数据安全的同时，提供更快的访问速度。它可以有效地处理SSL/TLS连接的建立和维护过程，减少握手延迟，并提供更快的响应时间。由于SSL安全套接字层协议加速卡可以分担防火墙内部服务器的SSL/TLS连接处理负荷，因此可以提高设备的处理能力。这样可以保证系统在面对大量并发连接时，能够更好地应对和处理。
此外，双层安全防火墙还与防漏洞攻击APT和数据安全服务平台安全设备协同工作，以提高网络安全性和系统稳定性。具通过与数据安全服务平台协同工作，双层安全防火墙可以对内部网络中的敏感数据进行分类、监视和保护。它可以识别出潜在的数据泄露风险，并采取相应的措施进行保护。双层安全防火墙配备了智能安全引擎，可以识别常见的攻击行为，如SQL注入、跨站脚本攻击XSS和命令注入攻击等。它使用先进的算法和模式匹配技术来检测恶意行为，并及时采取相应的防御措施。双层安全防火墙还具备识别未知威胁和无补丁漏洞攻击行为的能力。通过实时监测和分析网络流量，它可以发现新型的攻击方式，并及时做出响应，提高系统的安全性。
综上所述，双层安全防火墙通过采用SSL安全套接字层协议加速卡和与其他安全设备协同工作，可以提供更快的安全访问速度、增强设备处理能力，并保护内部网络中的敏感数据，识别并应对各种攻击行为，从而提高网络安全性和系统稳定性。
在上述实施例中，一种国际物流轨迹追踪方法，所述方法包括步骤：
步骤一、通过货物标识模块对国际物流货物进行标识，以便追踪货物的移动和记录货物的装车、卸货和中转关节点；
步骤二、通过位置追踪单元、环境追踪单元、状态追踪单元和数据中转平台与多源物流数据源进行连接和通信，获取货物的运输过程信息；
步骤三、通过跨境数据管理模块获取国际物流运输的跨境数据节点，所述跨境数据管理模块通过实时湖仓一体平台Skylab协同供应商、物流服务商和海关实时共享和更新跨境物流数据，并记录和跟踪跨境物流的费用项目、支付状态和金额，以便进行费用控制和核算；
步骤四、通过云服务平台对获取的货物数据和物流数据进行云储存、处理和分析，所述云服务平台通过PSO优化算法和BP神经网络结合对国际物流轨迹进行风险评估；
步骤五、通过报告生成模块对跨境物流数据进行统计和分析，并生成货物追踪报告、费用统计报告和风险评估报告，所述报告生成模块通过集成智能可视化平台Tableau将数据转化为交互式的图表、仪表板和报告，并进行可视化显示；
步骤六、通过安全保护模块保护数据在传输和存储过程中的安全性，所述安全保护模块通过双层安全防火墙保护系统安全、内核平台安全和服务安全。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。
Claims (7)
1.一种国际物流轨迹追踪系统，其特征在于：所述系统包括：
货物标识模块，用于对国际物流货物进行标识，以便对货物进行实时跟踪和识别；
数据追踪模块，用于与多源物流数据源进行连接和通信，获取货物的运输过程信息，所述数据追踪模块包括位置追踪单元、环境追踪单元、状态追踪单元和数据中转平台，所述位置追踪单元、环境追踪单元和状态追踪单元的输出端与所述数据中转平台的输入端连接；
跨境数据管理模块，用于管理跨境物流数据，以获取国际物流运输的关键节点，所述跨境数据包括海关编码、报关信息、跨境费用支付信息和跨境文件调用信息，所述跨境数据管理模块通过实时湖仓一体平台Skylab协同供应商、物流服务商和海关实时共享和更新跨境物流数据，并记录和跟踪跨境物流的费用项目、支付状态和金额，以便进行费用控制和核算；
云服务平台，用于对获取的货物数据和物流数据进行云储存、处理和分析，所述云服务平台通过PSO优化算法和BP神经网络结合对国际物流轨迹进行风险评估；
报告生成模块，用于对跨境物流数据进行统计和分析，并生成货物追踪报告、费用统计报告和风险评估报告，所述报告生成模块通过集成智能可视化平台Tableau将数据转化为交互式的图表、仪表板和报告，并进行可视化显示；
安全保护模块，用于保护数据在传输和存储过程中的安全性，所述安全保护模块通过双层安全防火墙保护系统安全、内核平台安全和服务安全；
其中，所述货物标识模块的输出端与所述数据追踪模块的输入端连接，所述数据追踪模块的输出端与所述跨境数据管理模块的输入端连接，所述数据追踪模块的输出端与所述云服务平台的输入端连接，所述跨境数据管理模块的输出端与所述云服务平台的输入端连接，所述货物标识模块的输出端与所述报告生成模块的输入端连接，所述数据追踪模块的输出端与所述报告生成模块的输入端连接，所述跨境数据管理模块的输出端与所述报告生成模块的输入端连接，所述安全保护模块全程工作；
所述PSO优化算法通过迭代更新寻求风险评估的最优解，并根据输入参数粒子的个体极值与全局极值的范围，对迭代更新的速度和位置进行更新，第j个粒子搜寻到的个体极值表示为：
（1）
在公式（1）中，表示风险评估过程中待优化参数的个体极值，/>表示粒子群中第j个粒子的位置，N/>，通过公式（1）得出待优化参数的个体极值，使用个体极值和全局极值对粒子的速度进行更新公式表示为：
（2）
在公式（2）中，表示第j个粒子的更新速度，/>、/>表示粒子群的加速度量，/>表示惯性常数，/>、/>表示随机数概率，/>表示粒子群搜寻到的全局极值，通过公式（2）完成对粒子群速度的更新，所述PSO优化算法通过经验模态分解法将待分解信号项进行展开分解，获取到相同频带的数据分量，公式表示为：
（3）
在公式（3）中，表示t时刻综合国际物流轨迹的数据分量，M表示本征模态分量数，为t时刻国际物流轨迹第m个本征模态分量，1/>；
所述BP神经网络将误差进行反向传播，并通过参考不同层的误差返回前一层进行误差更新，所述BP神经网络中的a个控制节点的分布向量为，输出层中b个控制节点的目标分布向量为/>，C表示控制节点，隐藏层的输出向量表示为：
（4）
在公式（4）中，表示输入到第p层隐藏层的综合国际物流轨迹数据的分布向量，/>表示第p层隐藏层的权重向量，/>表示第p层隐藏层神经元阈值，/>表示第p层隐藏层输出到数据特征，/>表示BP神经网络隐藏层的数量，/>，/>表示BP神经网络的激活函数，通过公式（5）计算所述BP神经网络隐藏层的输出向量，校正误差公式表示为：
（5）
在公式（5）中，表示t时刻的校正误差，/>表示综合国际物流轨迹数据的分布向量，/>表示t时刻BP神经网络输出层的输出向量，/>表示t时刻BP神经网络输出层的输入向量，，修正连接权重和阈值公式表示为：
（6）
在公式（6）中，、/>表示修正后的BP神经网络的连接权重和阈值，/>表示BP神经网络的学习因子，/>表示第p层隐藏层的校正误差，/>表示第p层隐藏层输出的初始学习样本，BP神经网络自动更新调整，输出层节点的输出表示为：
（7）
在公式（7）中，表示BP神经网络输出的风险评估值，S表示输出层，L表示输出层节点序号，Q表示节点的输出向量，B表示输出到综合数据特征。
2.根据权利要求1所述的一种国际物流轨迹追踪系统，其特征在于：所述货物标识模块采用电子射频RFID标签标记货物信息，并将电子射频RFID标签与EDI电子数据交换系统集成，实时货物信息的自动化采集和传输，所述货物信息包括货物的来源、目的地、规格、重量和关键节点，所述电子射频RFID标签通过无线电波被读写设备激活并获取货物信息，以追踪货物的移动和记录货物的装车、卸货和中转关节点。
3.根据权利要求1所述的一种国际物流轨迹追踪系统，其特征在于：所述位置追踪单元通过在车辆或货品上安装全球卫星定位导航GNSS接收器，实现对货物位置的实时跟踪和监控，并通过无人机摄像头或激光雷达对货物位置和状态进行实时监测，所述环境追踪单元通过无线传感器网络监测货物所处环境的温度、湿度和气压，所述状态追踪单元通过加速度计、陀螺仪检测货物的震动和倾斜状态，以监测货物在运输过程中的状态变化，所述数据中转平台通过物联网IoT网关接收位置追踪单元、环境追踪单元、状态追踪单元和运输追踪单元获取数据，并对获取数据进行预处理，所述物联网IoT网关通过开放API接口实现数据交互共享，所述位置追踪单元、环境追踪单元、状态追踪单元和运输追踪单元获取的数据通过数据转换工具将获取数据格式标准化。
4.根据权利要求3所述的一种国际物流轨迹追踪系统，其特征在于：所述数据中转平台将物流数据整合为3个维度的数据集合进行预处理，数据集合表示为：
（8）
在公式（8）中，X、Y、Z分别表示物流数据的准确性、完整性和一致性维度，n为物流数据X、Y、Z维度的数据个数，n，物流数据实时更新变化，对物流数据分维度进行平滑处理表示为：
（9）
在公式（9）中，表示多维度物流数据的滤波数值，i为多维度物流数据邻域的更新参数，根据多维度物流数据的时间状态，离散得到平滑数据表示为：
（10）
在公式（10）中，表示/>时刻多维度物流数据的状态参数，/>表示多维物流数据的变换矩阵，/>表示更新输入的物流数据，通过滤波迭代处理离散过程，多维物流数据增益的计算公式为：
（11）
在公式（11）中，表示时刻多维物流数据增益，/>表示/>时刻多维物流数据的状态量，/>表示多维物流数据状态量的测量值，/>表示滤波偏差。
5.根据权利要求1所述的一种国际物流轨迹追踪系统，其特征在于：所述智能可视化平台Tableau基于关联性数据模型获取多数据源关联数据，以实现多维度数据关联分析，并采用交互式图表、热点图、报告、地图和仪表板实现数据的趋势、关系及变化规律的实时监控，所述智能可视化平台Tableau采用Token用户身份验证机制验证访问用户的身份，以提高信息访问的安全性。
6.根据权利要求1所述的一种国际物流轨迹追踪系统，其特征在于：所述双层安全防火墙采用SSL安全套接字层协议加速卡提高安全访问速度和设备性能处理能力，所述SSL安全套接字层协议加速卡通过加速安全套接字层和传输层连接的处理过程，以缩短用户访问时间和减轻防火墙内部服务器的负载，所述双层安全防火墙通过与防漏洞攻击APT和数据安全服务平台安全设备协同工作，对内部网络中的敏感数据进行分类、监视和保护，并通过智能安全引擎识别SQL注入、跨站脚本攻击XSS和命令注入攻击行为，并识别未知威胁及无补丁漏洞攻击行为，以提高网络安全性和系统稳定性。
7.一种国际物流轨迹追踪方法，其特征在于：应用于权利要求1-6中任意一项权利要求所述的一种国际物流轨迹追踪系统，所述方法包括步骤：
步骤一、通过货物标识模块对国际物流货物进行标识，以便追踪货物的移动和记录货物的装车、卸货和中转关节点；
步骤二、通过位置追踪单元、环境追踪单元、状态追踪单元和数据中转平台与多源物流数据源进行连接和通信，获取货物的运输过程信息；
步骤三、通过跨境数据管理模块获取国际物流运输的跨境数据节点，所述跨境数据管理模块通过实时湖仓一体平台Skylab协同供应商、物流服务商和海关实时共享和更新跨境物流数据，并记录和跟踪跨境物流的费用项目、支付状态和金额，以便进行费用控制和核算；
步骤四、通过云服务平台对获取的货物数据和物流数据进行云储存、处理和分析，所述云服务平台通过PSO优化算法和BP神经网络结合对国际物流轨迹进行风险评估；
步骤五、通过报告生成模块对跨境物流数据进行统计和分析，并生成货物追踪报告、费用统计报告和风险评估报告，所述报告生成模块通过集成智能可视化平台Tableau将数据转化为交互式的图表、仪表板和报告，并进行可视化显示；
步骤六、通过安全保护模块保护数据在传输和存储过程中的安全性，所述安全保护模块通过双层安全防火墙保护系统安全、内核平台安全和服务安全。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311205022.7A CN117350615B (zh) | 2023-09-18 | 2023-09-18 | 一种国际物流轨迹追踪系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311205022.7A CN117350615B (zh) | 2023-09-18 | 2023-09-18 | 一种国际物流轨迹追踪系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117350615A CN117350615A (zh) | 2024-01-05 |
| CN117350615B true CN117350615B (zh) | 2024-04-19 |
Family
ID=89365810
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311205022.7A Active CN117350615B (zh) | 2023-09-18 | 2023-09-18 | 一种国际物流轨迹追踪系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117350615B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117590444B (zh) * | 2024-01-16 | 2024-04-12 | 深圳市奇果物联科技有限公司 | 基于资产货物定位信息的实时追踪方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107688921A (zh) * | 2017-11-17 | 2018-02-13 | 沈阳铁路局科学技术研究所 | 一种铁路物流基地运输组织系统 |
| CN108647753A (zh) * | 2018-05-04 | 2018-10-12 | 桂林电子科技大学 | 一种基于bim和rfid技术的施工现场风险预警方法 |
| CN110472839A (zh) * | 2019-07-25 | 2019-11-19 | 上海电力大学 | 基于sa-pso-ahp的火电厂控制系统信息安全评估系统 |
| CN111445190A (zh) * | 2020-03-30 | 2020-07-24 | 南宁职业技术学院 | 一种国际物流追踪系统 |
| CN113487403A (zh) * | 2021-06-29 | 2021-10-08 | 百维金科(上海)信息科技有限公司 | 一种信用风险评估系统、方法、设备及介质 |
| DE202022100358U1 (de) * | 2022-01-22 | 2022-02-01 | Manoranjan Das | Auf dem Internet der Dinge basierendes intelligentes Logistik- und Lieferkettensystem für die Verwaltung von Produktion und Transport |
| CN114090967A (zh) * | 2021-10-25 | 2022-02-25 | 广州大学 | 一种基于pso-msvm的apt组织追踪溯源方法及系统 |
| CN115018352A (zh) * | 2022-06-22 | 2022-09-06 | 长沙争渡网络科技有限公司 | 一种物流货物溯源及防疫追踪方法、系统 |
| CN115186803A (zh) * | 2022-07-29 | 2022-10-14 | 武汉理工大学 | 一种考虑pue的数据中心算力负荷需求组合预测方法和系统 |
| CN116090825A (zh) * | 2023-01-29 | 2023-05-09 | 上海第二工业大学 | 一种基于K-means聚类和神经网络的危险废物出口风险预警方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10542046B2 (en) * | 2018-06-07 | 2020-01-21 | Unifyvault LLC | Systems and methods for blockchain security data intelligence |
| US20220405129A1 (en) * | 2021-06-22 | 2022-12-22 | Nanjing University Of Posts And Telecommunications | Workflow scheduling method and system based on multi-target particle swarm algorithm, and storage medium |
-
2023
- 2023-09-18 CN CN202311205022.7A patent/CN117350615B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107688921A (zh) * | 2017-11-17 | 2018-02-13 | 沈阳铁路局科学技术研究所 | 一种铁路物流基地运输组织系统 |
| CN108647753A (zh) * | 2018-05-04 | 2018-10-12 | 桂林电子科技大学 | 一种基于bim和rfid技术的施工现场风险预警方法 |
| CN110472839A (zh) * | 2019-07-25 | 2019-11-19 | 上海电力大学 | 基于sa-pso-ahp的火电厂控制系统信息安全评估系统 |
| CN111445190A (zh) * | 2020-03-30 | 2020-07-24 | 南宁职业技术学院 | 一种国际物流追踪系统 |
| CN113487403A (zh) * | 2021-06-29 | 2021-10-08 | 百维金科(上海)信息科技有限公司 | 一种信用风险评估系统、方法、设备及介质 |
| CN114090967A (zh) * | 2021-10-25 | 2022-02-25 | 广州大学 | 一种基于pso-msvm的apt组织追踪溯源方法及系统 |
| DE202022100358U1 (de) * | 2022-01-22 | 2022-02-01 | Manoranjan Das | Auf dem Internet der Dinge basierendes intelligentes Logistik- und Lieferkettensystem für die Verwaltung von Produktion und Transport |
| CN115018352A (zh) * | 2022-06-22 | 2022-09-06 | 长沙争渡网络科技有限公司 | 一种物流货物溯源及防疫追踪方法、系统 |
| CN115186803A (zh) * | 2022-07-29 | 2022-10-14 | 武汉理工大学 | 一种考虑pue的数据中心算力负荷需求组合预测方法和系统 |
| CN116090825A (zh) * | 2023-01-29 | 2023-05-09 | 上海第二工业大学 | 一种基于K-means聚类和神经网络的危险废物出口风险预警方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117350615A (zh) | 2024-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117350615B (zh) | 一种国际物流轨迹追踪系统及方法 | |
| CA3120888C (en) | Enforcing data consistency in a transportation network | |
| CN115063454B (zh) | 多目标跟踪匹配方法、装置、终端及存储介质 | |
| Karimibiuki et al. | Drones' face off: authentication by machine learning in autonomous IoT systems | |
| Lopes et al. | Detecting robotic anomalies using robotchain | |
| Kheddar et al. | Deep transfer learning for intrusion detection in industrial control networks: A comprehensive review | |
| EP3151153B1 (en) | Cyber security system with differentiated capacity to deal with complex cyber attacks | |
| CN111126504A (zh) | 多源不完备信息融合图像目标分类方法 | |
| US20210374247A1 (en) | Utilizing data provenance to defend against data poisoning attacks | |
| CN115640755A (zh) | 一种基于极限学习机的空战非完备信息数据处理方法 | |
| US20210264153A1 (en) | Machine learning method and apparatus for detection and continuous feature comparison | |
| CN115640828A (zh) | 一种基于对抗生成网络的车载数字孪生欺骗检测方法 | |
| Spirito et al. | Autonomous System Subversion Tactics: Prototypes and Recommended Countermeasures | |
| Barik et al. | Adversarial attack detection framework based on optimized weighted conditional stepwise adversarial network | |
| Anitha et al. | Fault Diagnosis of Tenessee Eastman Process with Detection Quality Using IMVOA with Hybrid DL Technique in IIOT | |
| Van Bossuyt et al. | Model based resilience engineering for design and assessment of mission critical systems containing AI components | |
| Astaras et al. | Deep learning analytics for IoT security over a configurable BigData platform: Data-driven IoT systems | |
| US11960283B1 (en) | Drone authorization and management | |
| US11961172B1 (en) | Advanced image enhancements for accurate processing, exploitation, and dissemination | |
| Solaas et al. | Systematic Review: Anomaly Detection in Connected and Autonomous Vehicles | |
| Yin et al. | Decision-based iterative fragile watermarking for model integrity verification | |
| Rawat et al. | Enhancement of UAV Data Security and Privacy via Ethereum Blockchain Technology. | |
| Wei et al. | RODAD: Resilience Oriented Decentralized Anomaly Detection for Urban Air Mobility Networks | |
| Ogasawara et al. | Deep robust neural networks inspired by human cognitive bias against transfer-based attacks | |
| Jadhav | Advanced data mining for defense and security applications |
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 |