CN117649116B - 一种大数据物流管理系统 - Google Patents
一种大数据物流管理系统 Download PDFInfo
- Publication number
- CN117649116B CN117649116B CN202410121434.0A CN202410121434A CN117649116B CN 117649116 B CN117649116 B CN 117649116B CN 202410121434 A CN202410121434 A CN 202410121434A CN 117649116 B CN117649116 B CN 117649116B
- Authority
- CN
- China
- Prior art keywords
- module
- time
- goods
- logistics
- data
- 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
- 238000007726 management method Methods 0.000 claims abstract description 73
- 238000004806 packaging method and process Methods 0.000 claims abstract description 60
- 238000013439 planning Methods 0.000 claims abstract description 48
- 238000003860 storage Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 239000000945 filler Substances 0.000 claims description 73
- 238000000034 method Methods 0.000 claims description 46
- 238000012549 training Methods 0.000 claims description 28
- 238000012384 transportation and delivery Methods 0.000 claims description 27
- 238000009826 distribution Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 22
- 238000010146 3D printing Methods 0.000 claims description 21
- 238000007405 data analysis Methods 0.000 claims description 20
- 238000005516 engineering process Methods 0.000 claims description 19
- 238000013135 deep learning Methods 0.000 claims description 18
- 238000004519 manufacturing process Methods 0.000 claims description 16
- 238000011176 pooling Methods 0.000 claims description 15
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000012856 packing Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012502 risk assessment Methods 0.000 claims description 9
- 239000002699 waste material Substances 0.000 claims description 7
- 206010039203 Road traffic accident Diseases 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000003042 antagnostic effect Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 230000008034 disappearance Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 238000012797 qualification Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000011161 development Methods 0.000 abstract description 3
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000005022 packaging material Substances 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 238000013068 supply chain management 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
- G06Q10/06—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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/08—Learning methods
- G06N3/094—Adversarial 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
- G06Q10/08—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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种大数据物流管理系统,属于物流管理领域,包括订单管理模块、风险管理与规划模块、仓储与运输管理模块、货物跟踪模块、路线规划模块、用户意见反馈模块、客制化包装模块、运力协调运转模块、优化决策辅助模块,所述订单管理模块,该模块用于接收、处理以及跟踪所收到的订单信息。本发明提供一种大数据物流管理系统,整个大数据物流管理系统能够实现订单管理、风险预警、货物追踪、路线规划、客制化包装、运力协调运转、关键节点优化,有助于对物流流程进行管理与优化,对贵重且形状复杂的货物进行客制化包装,降低损坏风险并提高客户满意度,对于闲置返程空货车进行调度,最大化物流资源的利用效率并满足节能环保可持续发展理念。
Description
技术领域
本发明属于物流管理领域,具体是一种大数据物流管理系统。
背景技术
物流是指在现代供应链管理中,对产品或货物的运输、仓储、包装、配送和信息流的全过程管理,涉及货物从生产地通过各种运输方式运送至消费者手中的整个过程,而物流管理是指对物流活动进行计划、组织、实施和控制的过程,包括对供应链中的运输、仓储、包装、配送和信息流等各个环节进行全面的管理,以实现物流活动的高效运作和优化;
公开号为“CN112926915A”的中国专利公开了“本发明公开了一种物流大数据统计管理系统,包括管理系统主体,其特征在于,管理系统主体包含有区域计算模块、区域分割模块、物流统计模块、数据服务器模块、物流分配模块、路线规划模块、管理终端、用户终端和配送终端,区域分隔模块分别与区域计算模块和物流统计模块相连接,物流统计模块分别与物流分配模块和数据服务器模块相连接,物流分配模块和路线规划模块相连接”其虽然可以实现对物流过程的管理,但在现有物流管理系统中,对于货运货物常采用接近规格的纸箱与填充物进行包装,而在面对贵重且形状复杂的货物时,纸箱与贵重货物之间容易产生空隙,增加物流运输过程中贵重货物损坏的风险,并且在运力紧张与订单加急时,由于受到货运车辆的限制不能及时对于加急物流订单进行运输,存在效率低下的问题;
针对上述,本案提出一种大数据物流管理系统,通过增加客制化包装模块、运力协调运转模块和优化决策辅助模块以解决上述技术问题。
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,本发明提出一种大数据物流管理系统,通过改善检测方式和处理方式以解决上述技术问题。
为了实现上述目的,本发明采用了如下技术方案:
一种大数据物流管理系统,包括订单管理模块、风险管理与规划模块、仓储与运输管理模块、货物跟踪模块、路线规划模块、用户意见反馈模块、客制化包装模块、运力协调运转模块、优化决策辅助模块;
所述订单管理模块,用于接收、处理以及跟踪所收到的订单信息;
所述风险管理与规划模块,通过大数据分析对物流过程中的各类风险进行监测和分析;
所述仓储与运输管理模块,用于管理仓储设施和运输车辆的信息;
所述货物跟踪模块,通过整合GPS与RFID技术,实现对货物的实时跟踪和监控;
所述路线规划模块,用于对货运路线进行规划,并对送达时间进行预测;
所述用户意见反馈模块,用于收集用户对于该次物流运输的满意度;
所述客制化包装模块,用于对贵重且形状复杂的货物进行扫描,获得填充物图纸并制造,并同时生成匹配的包装纸箱尺寸图纸;
所述运力协调运转模块,建立线上平台,用于在运力紧张或订单加急时发布任务,利用省内送货返程闲置货车,构建新的运输网络;
所述优化决策辅助模块,用于对包装、出库、运输、派送时间进行分析并设定评级,并通过算法对该次物流的包装、出库、运输、派送时间结合评级进行评估,并辅助优化。
进一步的,所述订单管理模块,用于接收、处理以及跟踪所收到的订单信息,包括订单生成、订单状态更新、订单分配,对于订单的状态进行实时监控,并对出现的异常进行上报;
所述风险管理与规划模块,通过大数据分析对物流过程中的各类风险进行监测和分析,包括交通状况、天气情况、自然灾害,并进行及时预警,对于所要运输的货物价值进行评估,并对贵重货物进行价保建议;
所述仓储与运输管理模块,用于管理仓储设施和运输车辆的信息,包括货物入库和出库流程管理、货物包装管理、货运车辆调度,并通过大数据分析优化入库出库效率并改善运输车辆的调度和利用效率;
所述货物跟踪模块,通过整合GPS与RFID技术,实现对货物的实时跟踪和监控,对于货物包装上的RFID电子标签进行扫描,并通过货运车辆上的GPS装置对于货车位置进行实时追踪,并将货物位置信息提交以方便客户进行实时查询;
所述路线规划模块,通过货运路线上的实时天气情况、路面状况以及驾驶员的驾驶习惯,并结合大数据分析,对于货运路线进行规划,并对送达时间进行预测;
所述用户意见反馈模块,通过在货物运送完成后,将一份满意度调查问卷发送给客户,以收集用户对于该次物流运输的满意程度,并根据结果对于物流流程进行优化。
进一步的,所述客制化包装模块,通过深度学习以及生成对抗网络技术,对于人工智能进行训练,在学习大量3D打印的数据之后,通过对于贵重且形状复杂货物的进行扫描,针对不同的贵重货物形状生成填充物模型图纸,并经由3D打印设备进行生产,同时将图纸内容上传至存储库,方便对于后续其他贵重货物有类似托举角度时进行快速提取与套用,结合客户意愿以及贵重货物价值进行客制化包装,并根据填充物体积大小生成包装纸箱尺寸图纸并制造,其具体的步骤为:
数据收集:先收集大量的3D打印数据,包括各种形状、各种尺寸的3D打印填充物的模型数据,这些数据为深度学习和生成对抗网络技术训练所使用;
深度学习训练:利用卷积神经网络,对所收集的3D打印填充物模型数据进行训练,以学习贵重货物不同形状对应的填充物模型;
生成对抗网络训练:利用生成对抗网络技术,训练模型来生成逼真的填充物模型图纸,以逼真地模拟3D打印填充物的外形和结构,生成器负责生成填充物模型图纸,而判别器则负责判断生成的图纸,生成器和判别器互相学习,最终生成符合条件的填充物模型图纸;
实时扫描与填充物生成:当有贵重货物需要包装时,通过扫描贵重货物的3D形状数据,使用经训练的深度学习和生成对抗网络模型,实时生成符合贵重货物形状的填充物模型图纸;
填充物制造:将填充物模型图纸传输至3D打印设备,进行快速生产;
建库保存:将生成的填充物模型图纸内容上传至图纸库,便于后续快速提取并套用;
包装纸箱尺寸图纸生成与制造:根据填充物的大小,获得所需要的包装纸箱尺寸大小,并依据纸箱的大小对纸箱进行生产制造。
进一步的,所述客制化包装模块,利用卷积神经网络进行深度学习,对所收集的3D打印填充物模型数据进行训练,以学习贵重货物不同形状对应的填充物模型,其具体的算法公式为:设定输入的3D填充物模型数据为,其尺寸为/>,其中,/>代表模型数据的高度,/>代表模型数据的宽度,/>代表模型数据的深度;
该模型的3D卷积核为,其尺寸为/>,其中,/>代表卷积核的高度,代表卷积核的宽度,/>代表卷积核的深度,3D卷积层的输出特征图为:
;
其中,代表卷积层的输出特征图上的某一位置,/>代表输入3D模型数据上的某一位置,/>代表卷积核上的权重,/>代表偏置项,/>代表激活函数ReLU;
采用ReLU函数,在卷积层的特征映射上应用非线性激活函数,从而引入非线性变换,来增加模型的表达能力,其计算公式如下:
;
ReLU函数将输入值小于0的部分置为0,大于0的部分保持不变,从而减轻梯度消失的现象;
通过平均池化,来降低特征映射的空间维度,进而减少模型的参算量与计算量,其具体的操作方法为:
在输入特征映射上定义一个池化窗口,在每个池化窗口上均计算窗口内像素的平均值,来作为输出特征映射中对应位置的值,并让池化窗口按照指定的步幅在输入特征映射上滑动,重复上述操作直至覆盖整个特征映射,通过平均池化操作,将输入特征图的尺寸减小,同时保留主要的特征信息。
进一步的,所述客制化包装模块,将每次生成的填充物图纸进行上传保存,以方便后续的提取复用,其具体的步骤为:
创建图纸库:首先在云端存储中创建一个专门用于存储图纸的库;
保存图纸内容:将生成的填充物模型图纸内容以数字化的方式保存在图纸库中,图纸的格式包括CAD格式文件、图片文件或者其他具有图纸信息的文件格式,确保文件命名清晰明了,便于后续快速查找和提取;
建立索引:为了后续快速提取图纸,给每个图纸设置一个索引,以记录每份图纸的关键信息,包括图纸长度、图纸宽度、图纸高度以及图纸形状,在需要时快速地通过关键信息查找到对应的图纸文件;
数据备份:定期将库中的图纸进行备份储存,防止数据丢失造成损失。
进一步的,所述客制化包装模块中设置有损失函数,用于对比深度学习时所生成的预测值与真实值之间的差异,其具体方法为:
采用交叉熵损失函数对于模型进行衡量,其具体的公式为:
;
其中,代表真实值的概率分布,/>代表深度学习模型的预测概率分布,通过交叉熵损失函数最小化真实值与模型预测值之间的差异,模型更好地学习到数据的分布和特征,得到更准确的分类边界。
进一步的,所述运力协调运转模块,通过网络搭建线上接单平台,并结合个人征信,通过符合条件的注册司机,在运力紧张或订单加急时发布任务,对平台注册的司机进行调度,并根据他们的位置、能力和可用时间,进行合理的运力分配,通过闲置的返程货车进行省内物流的运输,利用省内送货返程闲置的货车,构建新的运输网络,具体的步骤为:
搭建线上平台:通过搭建一个在线平台,并将征信系统集成到该在线平台上,对于注册的货车司机进行筛选与评级,该征信系统还包括驾驶记录、违法违规记录、交通事故记录;
发布任务和调度:当出现运力紧张或订单加急时,平台发布任务,分析平台上的空闲货车资源,尤其是省内运输完成后的返程空货车,实现省内物流的调度,合理安排任务,将闲置的返程空车与需要运输的加急订单进行匹配,最大化利用资源,来减少运力浪费,实现物流的快速响应;
实时位置追踪和信息交流:该平台中集成实时位置追踪系统,使监管人员实时监控司机的位置和工作情况,同时平台中提供了司机和监管人员之间的信息交流渠道,便于实时沟通和问题解决。
进一步的,所述运力协调运转模块中还设置有风险评估与赔偿系统,用于处理丢件以及各类问题,确保问题得到妥善处理并最大限度地减少损失,其具体的方法为:
建立合同和责任制度:在每次给司机派单之前,与司机签订合同,明确双方的权利和责任,包括丢失货物的责任、赔偿标准,让司机明确自己的责任,也确保在发生货物丢失问题时有相关法律依据和可执行的措施;
进行风险评估和监控:在每次任务指派前,先对货物的价值进行评估,并结合司机的信用记录、行驶记录和驾驶水平,确保所接单的司机具备合理的资质和信用,并结合线上平台的实时位置追踪对货物进行实时跟踪和监控,以避免货物丢失的情况发生;
提供培训和指导:设立培训课程,用于教导司机妥善保管货物、处理突发状况进行培训,对于完成培训课程的司机,在线上平台上设置特殊标签,对于运力紧张以及订单加急时的任务进行优先参考。
进一步的,所述优化决策辅助模块,通过以往数据对包装、出库、运输、派送时间进行分析并设定评级,通过算法对于该次物流的包装、出库、运输、派送时间进行评估,并据此提供改进建议和决策支持,其具体的步骤为:
结合历史大数据,对于以往相同环节的耗时进行求均值,其具体的算法公式为:
;
其中,代表历史耗时的平均值,/>个数据内每次耗时的总和;
通过上述均值公式,获得包装、出库、运输、派送的平均耗时分别为、/>、/>、/>,并结合包装、出库、运输、派送的平均耗时分别设定阈值/> 、 、/>,结合该次物流过程中包装、出库、运输、派送的耗时进行评级,具体的算法公式为:
当 ,/> ,/> ,/>时,则判定为优秀,即为/>级;
当 ,/> ,/> ,/>时,则判定为良好,即为/>级;
当 ,/> ,/> ,/>时,则判定为一般,即为/>级;
当 ,/> ,/> ,/>时,则判定为较慢,即为/>级;
结合上述评级A、B、C、D,对于该次物流进行评定,并根据该次物流的综合评定对于各个环节进行优化,让企业更好地了解物流过程的质量和效率,并据此提供改进建议和决策支持,对于处于C、D评级的流程进行分析与优化,对于处于A、B评级的流程进行总结和保持。
进一步的,所述路线规划模块,根据货运路线上的实时天气情况、路面状况以及驾驶员的驾驶习惯,并结合大数据分析,对于货运路线进行规划,并对送达时间进行预测,其具体方法为:
各类信息整合:通过整合气象局、交通管理部门机构提供的实时天气和路面状况数据,包括降雨量、道路湿滑情况、能见度、自然灾害,以及交通管理部门的实时交通信息,包括拥堵情况、交通事故,通过这些数据辅助路线规划模块做出针对性的调整,设计路线以避开恶劣、拥堵路况;
驾驶员驾驶习惯考量:结合驾驶员的个人驾驶习惯和行车数据,包括平均时速、停车频率、加速、减速习惯,参考驾驶员的个体差异,根据实际情况调整路线规划,来保证驾驶员在舒适和安全的情况下完成运输任务;
大数据分析:利用大数据技术对历史路线数据进行分析,包括不同时间段和不同天气、路况条件下的路线行驶时间统计、拥堵情况分析,通过大数据分析挖掘出货运路线规划最优解,为以后路线规划提供参考依据。
与现有技术相比,本发明的有益效果是:
1、在本发明中,通过设置客制化包装模块,可以根据贵重且形状复杂的货物进行填充物的定制,并生成特定的纸箱,定制化填充物能够从多角度托举保护贵重且形状复杂的货物,为其提供量身定制的保护,减少在运输过程中的碰撞,降低货物受损的风险,增强客户的满意度;
2、在本发明中,客制化包装模块中生产的定制的纸箱可以充分利用货物的形状和尺寸,结合定制化填充物可以避免空间浪费,从而减少运输过程中的摇晃,并且定制包装可以减少填充物和包装材料的浪费,从而降低包装成本,避免材料过度使用所带来的成本浪费;
3、在本发明中,通过设置运力协调运转模块,针对省内运输时的返程空货车,在运力紧张或订单加急时进行任务发布,通过返程空货车进行省内物流的运输,利用省内送货返程闲置的货车,构建新的运输网络,避免空载而产生的资源浪费,从而最大化物流资源的利用效率;
4、在本发明中,利用返程空货车进行省内物流运输,可以提高物流的灵活性和响应速度,特别是在运力紧张或订单加急时,能够更快速地满足客户需求,并且通过合理利用返程空货车,减少空载行驶,有助于减少能源消耗和环境污染,符合可持续发展的环保理念,通过利用省内送货返程闲置的货车,可以构建新的运输网络,优化省内物流配送体系,提高整体物流效率;
5、在本发明中,通过运力协调运转模块中的风险评估与赔偿系统,通过建立合同和责任制度、进行风险评估和监控、提供培训和指导,对于可能发生的丢件以及其他问题进行妥善解决,预防潜在的风险和纠纷,提高整体运输安全性和可靠性,从而保障货物的安全和完整性,通过妥善解决问题,及时赔偿损失,增强用户对物流服务的信任感和满意度;
6、在本发明中,通过设置优化决策辅助模块,通过大数据对以往类似线路物流的包装、出库、运输、派送时间进行分析并设定阈值,通过结合该次物流的包装、出库、运输、派送时间进行分析并评级,根据评级对物流流程中的关键节点进行优化,提高整体物流效率,缩短物流周期;
综上,整个大数据物流管理系统能够实现订单管理、风险预警、货物追踪、路线规划、客制化包装、运力协调运转、关键节点优化,有助于对物流流程进行管理与优化,并能够对贵重且形状复杂的货物进行客制化包装,降低损坏风险并提高客户满意度,对于闲置返程空货车进行调度,最大化物流资源的利用效率并满足节能环保可持续发展理念。
附图说明
图1为本发明的一种大数据物流管理系统框图。
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。
如图1所示,本实施例提供一种大数据物流管理系统,包括订单管理模块、风险管理与规划模块、仓储与运输管理模块、货物跟踪模块、路线规划模块、用户意见反馈模块、客制化包装模块、运力协调运转模块、优化决策辅助模块;
订单管理模块,用于接收、处理以及跟踪所收到的订单信息,包括订单生成、订单状态更新、订单分配,对于订单的状态进行实时监控,并对出现的异常进行上报。
需要说明的是,订单管理模块接收来自客户订单信息,包括商品名称、数量、价格、收货地址,将订单信息存储在信息库中,并分配一个唯一的订单号用于标识该订单,根据该订单号实时监控该订单的状态,包括货运位置信息、货物配送情况。
风险管理与规划模块,通过大数据分析对物流过程中的各类风险进行监测和分析,包括交通状况、天气情况、自然灾害,并进行及时预警,对于所要运输的货物价值进行评估,并对贵重货物进行价保建议。
需要说明的是,风险管理与规划模块通过整合实时交通信息、天气数据、地理信息系统数据源,对于物流路线上的各类风险进行监测,利用大数据分析技术,对历史数据和实时数据进行深入分析,识别和评估潜在的风险,并生成风险报告和预警信息,当监测到潜在风险时,风险管理与规划模块将发出预警,提醒相关人员对受影响的物流路线或运输计划进行调整和优化,来避免潜在的风险。
仓储与运输管理模块,用于管理仓储设施和运输车辆的信息,包括货物入库和出库流程管理、货物包装管理、货运车辆调度,并通过大数据分析优化入库出库效率并改善运输车辆的调度和利用效率;
货物跟踪模块,通过整合GPS与RFID技术,实现对货物的实时跟踪和监控,对于货物包装上的RFID电子标签进行扫描,并通过货运车辆上的GPS装置对于货车位置进行实时追踪,并将货物位置信息提交以方便客户进行实时查询。
需要说明的是,当货物离开或到达特定的位置时,货物跟踪模块扫描对应货物包装上的RFID电子标签,通过扫描RFID电子标签,可以读取标签中的信息,并记录货物的运输历史和当前位置,货运车辆上的GPS装置允许货物跟踪模块实时追踪车辆的位置,每辆货车都配备了GPS装置,该装置定期发送车辆的位置信息给货物跟踪模块,准确地追踪和记录货车的行进轨迹、速度和停留时间。
路线规划模块,根据货运路线上的实时天气情况、路面状况以及驾驶员的驾驶习惯,并结合大数据分析,对于货运路线进行规划,并对送达时间进行预测,其具体方法为:
各类信息整合:通过整合气象局、交通管理部门机构提供的实时天气和路面状况数据,包括降雨量、道路湿滑情况、能见度、自然灾害,以及交通管理部门的实时交通信息,包括拥堵情况、交通事故,通过这些数据辅助路线规划模块做出针对性的调整,设计路线以避开恶劣、拥堵路况;
驾驶员驾驶习惯考量:结合驾驶员的个人驾驶习惯和行车数据,包括平均时速、停车频率、加速、减速习惯,参考驾驶员的个体差异,根据实际情况调整路线规划,来保证驾驶员在舒适和安全的情况下完成运输任务;
大数据分析:利用大数据技术对历史路线数据进行分析,包括不同时间段和不同天气、路况条件下的路线行驶时间统计、拥堵情况分析,通过大数据分析挖掘出货运路线规划最优解,为以后路线规划提供参考依据。
需要说明的是,路线规划模块需要实时获取和处理各类数据,并结合大数据分析技术进行综合判断和决策,需要与气象局、交通管理部门建立合作关系,确保数据的准确性和及时性,同时路线规划模块还需要考虑货物特性、客户需求和运输成本因素,综合权衡进行最佳的路线规划,路线规划模块有助于提高运输效率、降低运输风险,并提供更准确的送达时间预测和更优化的货物配送方案。
用户意见反馈模块,在货物运送完成后,将一份满意度调查问卷发送给客户,以收集用户对于该次物流运输的满意程度,并根据结果对于物流流程进行优化。
需要说明的是,满意度调查问卷包含一系列问题,包括货物状态、送达时间、服务态度,客户可以根据自身的实际体验,对物流运输进行评价和反馈,根据客户的意见反馈和分析结果,用户意见反馈模块可以识别出物流流程中的问题,并提供建议和方案进行改进,包括优化货运路线、提高配送效率。
客制化包装模块,通过深度学习以及生成对抗网络技术,对于人工智能进行训练,在学习大量3D打印的数据之后,通过对于贵重且形状复杂货物的进行扫描,针对不同的贵重货物形状生成填充物模型图纸,并经由3D打印设备进行生产,同时将图纸内容上传至存储库,方便对于后续其他贵重货物有类似托举角度时进行快速提取与套用,结合客户意愿以及贵重货物价值进行客制化包装,并根据填充物体积大小生成包装纸箱尺寸图纸并制造,其具体的步骤为:
数据收集:先收集大量的3D打印数据,包括各种形状、各种尺寸的3D打印填充物的模型数据,这些数据为深度学习和生成对抗网络技术训练所使用;
深度学习训练:利用卷积神经网络,对所收集的3D打印填充物模型数据进行训练,以学习贵重货物不同形状对应的填充物模型;
生成对抗网络训练:利用生成对抗网络技术,训练模型来生成逼真的填充物模型图纸,以逼真地模拟3D打印填充物的外形和结构,生成器负责生成填充物模型图纸,而判别器则负责判断生成的图纸,生成器和判别器互相学习,最终生成符合条件的填充物模型图纸;
实时扫描与填充物生成:当有贵重货物需要包装时,通过扫描贵重货物的3D形状数据,使用经训练的深度学习和生成对抗网络模型,实时生成符合贵重货物形状的填充物模型图纸;
填充物制造:将填充物模型图纸传输至3D打印设备,进行快速生产;
建库保存:将生成的填充物模型图纸内容上传至图纸库,便于后续快速提取并套用;
包装纸箱尺寸图纸生成与制造:根据填充物的大小,获得所需要的包装纸箱尺寸大小,并依据纸箱的大小对纸箱进行生产制造;
客制化包装模块,利用卷积神经网络进行深度学习,对所收集的3D打印填充物模型数据进行训练,以学习贵重货物不同形状对应的填充物模型,其具体的算法公式为:设定输入的3D填充物模型数据为,其尺寸为/>,其中/>代表模型数据的高度,/>代表模型数据的宽度,/>代表模型数据的深度;
该模型的3D卷积核为,其尺寸为/>,其中/>代表卷积核的高度,代表卷积核的宽度,/>代表卷积核的深度,3D卷积层的输出特征图为:
;
其中,代表卷积层的输出特征图上的某一位置,/>代表输入3D模型数据上的某一位置,/>代表卷积核上的权重,/>代表偏置项,/>代表激活函数ReLU;
采用ReLU函数,在卷积层的特征映射上应用非线性激活函数,从而引入非线性变换,来增加模型的表达能力,其计算公式如下:
;
ReLU函数将输入值小于0的部分置为0,大于0的部分保持不变,从而减轻梯度消失的现象;
通过平均池化,来降低特征映射的空间维度,进而减少模型的参算量与计算量,其具体的操作方法为:
在输入特征映射上定义一个池化窗口,在每个池化窗口上均计算窗口内像素的平均值,来作为输出特征映射中对应位置的值,并让池化窗口按照指定的步幅在输入特征映射上滑动,重复上述操作直至覆盖整个特征映射,通过平均池化操作,将输入特征图的尺寸减小,同时保留主要的特征信息;
客制化包装模块,将每次生成的填充物图纸进行上传保存,以方便后续的提取复用,其具体的步骤为:
创建图纸库:首先在云端存储中创建一个专门用于存储图纸的库;
保存图纸内容:将生成的填充物模型图纸内容以数字化的方式保存在图纸库中,图纸的格式包括CAD格式文件、图片文件或者其他具有图纸信息的文件格式,确保文件命名清晰明了,便于后续快速查找和提取;
建立索引:为了后续快速提取图纸,给每个图纸设置一个索引,以记录每份图纸的关键信息,包括图纸长度、图纸宽度、图纸高度以及图纸形状,在需要时快速地通过关键信息查找到对应的图纸文件;
数据备份:定期将库中的图纸进行备份储存,防止数据丢失造成损失;
客制化包装模块中设置有损失函数,用于对比深度学习时所生成的预测值与真实值之间的差异,其具体方法为:
采用交叉熵损失函数对于模型进行衡量,其具体的公式为:
;
其中,代表真实值的概率分布,/>代表深度学习模型的预测概率分布,通过交叉熵损失函数最小化真实值与模型预测值之间的差异,模型更好地学习到数据的分布和特征,得到更准确的分类边界;
需要说明的是,对于贵重且形状复杂的货运货物,通过客制化包装模块进行客制化包装,从而生产符合贵重货物形状的定制填充物,使得贵重货物在货运过程中可以获得更好的保护,减少贵重货物在运输过程中受到损坏的风险,定制的填充物模型能够紧密包裹贵重货物,减少在运输过程中的移动和碰撞,提高货物的安全性和完整性,通过客制化包装模块可以根据不同贵重货物的形状和特点,提供个性化的保护解决方案,为物流运输提供更可靠的保障。
运力协调运转模块,通过网络搭建线上接单平台,并结合个人征信,通过符合条件的注册司机,在运力紧张或订单加急时发布任务,对平台注册的司机进行调度,并根据他们的位置、能力和可用时间,进行合理的运力分配,通过闲置的返程货车进行省内物流的运输,利用省内送货返程闲置的货车,构建新的运输网络;
运力协调运转模块,通过网络搭建线上接单平台,并结合个人征信,通过符合条件的注册司机,在运力紧张或订单加急时发布任务,对平台注册的司机进行调度,并根据他们的位置、能力和可用时间,进行合理的运力分配,通过闲置的返程货车进行省内物流的运输,利用省内送货返程闲置的货车,构建新的运输网络,具体的步骤为:
搭建线上平台:通过搭建一个在线平台,并将征信系统集成到该在线平台上,对于注册的货车司机进行筛选与评级,该征信系统还包括驾驶记录、违法违规记录、交通事故记录;
发布任务和调度:当出现运力紧张或订单加急时,平台发布任务,分析平台上的空闲货车资源,尤其是省内运输完成后的返程空货车,实现省内物流的调度,合理安排任务,将闲置的返程空车与需要运输的加急订单进行匹配,最大化利用资源,来减少运力浪费,实现物流的快速响应;
实时位置追踪和信息交流:该平台中集成实时位置追踪系统,使监管人员实时监控司机的位置和工作情况,同时平台中提供了司机和监管人员之间的信息交流渠道,便于实时沟通和问题解决;
运力协调运转模块中还设置有风险评估与赔偿系统,用于处理丢件以及各类问题,确保问题得到妥善处理并最大限度地减少损失,其具体的方法为:
建立合同和责任制度:在每次给司机派单之前,与司机签订合同,明确双方的权利和责任,包括丢失货物的责任、赔偿标准,让司机明确自己的责任,也确保在发生货物丢失问题时有相关法律依据和可执行的措施;
进行风险评估和监控:在每次任务指派前,先对货物的价值进行评估,并结合司机的信用记录、行驶记录和驾驶水平,确保所接单的司机具备合理的资质和信用,并结合线上平台的实时位置追踪对货物进行实时跟踪和监控,以避免货物丢失的情况发生;
提供培训和指导:设立培训课程,用于教导司机妥善保管货物、处理突发状况进行培训,对于完成培训课程的司机,在线上平台上设置特殊标签,对于运力紧张以及订单加急时的任务进行优先参考;
需要说明的是,运力协调运转模块通过网络搭建线上接单平台,结合个人征信并注册合格司机,可以在运力紧张或订单加急时发布任务,调度注册的司机,并根据他们的位置、能力和可用时间进行合理的运力分配,利用闲置的返程货车进行省内物流的运输,以构建新的运输网络,并且通过实时位置追踪和信息交流,以便监管人员监控司机的位置和工作情况,并实现实时沟通和问题解决,通过设有的风险评估与赔偿系统可以有效解决货运过程中出现的丢件等问题。
优化决策辅助模块,通过以往数据对包装、出库、运输、派送时间进行分析并设定评级,通过算法对于该次物流的包装、出库、运输、派送时间结合评级进行评估,并进行分数整合,并据此提供改进建议和决策支持;
优化决策辅助模块,通过以往数据对包装、出库、运输、派送时间进行分析并设定评级,通过算法对于该次物流的包装、出库、运输、派送时间进行评估,其具体的步骤为:
结合历史大数据,对于以往相同环节的耗时进行求均值,其具体的算法公式为:
;
其中,代表历史耗时的平均值,/>个数据内每次耗时的总和;
通过上述均值公式,获得包装、出库、运输、派送的平均耗时分别为、/>、/>、/>,并结合包装、出库、运输、派送的平均耗时分别设定阈值/> 、 、/>,结合该次物流过程中包装、出库、运输、派送的耗时进行评级,具体的算法公式为:
当 ,/> ,/> ,/>时,则判定为优秀,即为/>级;
当 ,/> ,/> ,/>时,则判定为良好,即为/>级;
当 ,/> ,/> ,/>时,则判定为一般,即为/>级;
当 ,/> ,/> ,/>时,则判定为较慢,即为/>级;
结合上述评级A、B、C、D,对于该次物流进行评定,并根据该次物流的综合评定对于各个环节进行优化,让企业更好地了解物流过程的质量和效率,并据此提供改进建议和决策支持,对于处于C、D评级的流程进行分析与优化,对于处于A、B评级的流程进行总结和保持。
需要说明的是,通过大数据分析历史相同或类似订单时的物流过程中各流程的耗时,来设定评级的阈值 、/> 、/>,通过结合阈值对于每次物流流程进行评级,以便发现物流过程中出现问题的流程,并对该流程进行优化与改进,对于表现优秀的流程可以进行分析总结并以此优化其他流程。
在本发明所提供的实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式;作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方法的目的。
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 (6)
1.一种大数据物流管理系统,其特征在于:包括订单管理模块、风险管理与规划模块、仓储与运输管理模块、货物跟踪模块、路线规划模块、用户意见反馈模块、客制化包装模块、运力协调运转模块、优化决策辅助模块;
所述订单管理模块,用于接收、处理以及跟踪所收到的订单信息;
所述风险管理与规划模块,通过大数据分析对物流过程中的各类风险进行监测和分析;
所述仓储与运输管理模块,用于管理仓储设施和运输车辆的信息;
所述货物跟踪模块,通过整合GPS与RFID技术,实现对货物的实时跟踪和监控;
所述路线规划模块,用于对货运路线进行规划,并对送达时间进行预测;
所述用户意见反馈模块,用于收集用户对于本次物流运输的满意程度;
所述客制化包装模块,用于对贵重且形状复杂的货物进行扫描,获得填充物图纸并制造,并同时生成匹配的包装纸箱尺寸图纸;
所述客制化包装模块,通过深度学习以及生成对抗网络技术,对于人工智能进行训练,在学习大量3D打印的数据之后,通过对于贵重且形状复杂货物的进行扫描,针对不同的贵重货物形状生成填充物模型图纸,并经由3D打印设备进行生产,同时将图纸内容上传至存储库,方便对于后续其他贵重货物进行快速提取与套用,结合客户意愿以及贵重货物价值进行客制化包装,并根据填充物体积大小生成包装纸箱尺寸图纸并制造,其具体的步骤为:
数据收集:先收集大量的3D打印数据,包括各种形状、各种尺寸的3D打印填充物的模型数据,这些数据为深度学习和生成对抗网络技术训练所使用;
深度学习训练:利用卷积神经网络,对所收集的3D打印填充物模型数据进行训练,以学习贵重货物不同形状对应的填充物模型;
生成对抗网络训练:利用生成对抗网络技术,训练模型来生成逼真的填充物模型图纸,以逼真地模拟3D打印填充物的外形和结构,生成器负责生成填充物模型图纸,而判别器则负责判断生成的图纸,生成器和判别器互相学习,最终生成符合条件的填充物模型图纸;
实时扫描与填充物生成:当有贵重货物需要包装时,通过扫描贵重货物的3D形状数据,使用经训练的深度学习和生成对抗网络模型,实时生成符合贵重货物形状的填充物模型图纸;
填充物制造:将填充物模型图纸传输至3D打印设备,进行快速生产;
建库保存:将生成的填充物模型图纸内容上传至图纸库,便于后续快速提取并套用;
包装纸箱尺寸图纸生成与制造:根据填充物的大小,获得所需要的包装纸箱尺寸大小,并依据纸箱的大小对纸箱进行生产制造;
所述客制化包装模块,利用卷积神经网络进行深度学习,对所收集的3D打印填充物模型数据进行训练,以学习贵重货物不同形状对应的填充物模型,其具体的算法公式为:设定输入的3D填充物模型数据为,其尺寸为/>,其中,/>代表模型数据的高度,/>代表模型数据的宽度,/>代表模型数据的深度;
该模型的3D卷积核为,其尺寸为/>,其中,/>代表卷积核的高度,/>代表卷积核的宽度,/>代表卷积核的深度,3D卷积层的输出特征图为:
;
其中,代表卷积层的输出特征图上的某一位置,/>代表输入3D模型数据上的某一位置,/>代表卷积核上的权重,/>代表偏置项,/>代表激活函数ReLU;
采用ReLU函数,在卷积层的特征映射上应用非线性激活函数,从而引入非线性变换,来增加模型的表达能力,其计算公式如下:
;
ReLU函数将输入值小于0的部分置为0,大于0的部分保持不变,从而减轻梯度消失的现象;
通过平均池化,来降低特征映射的空间维度,进而减少模型的参算量与计算量,其具体的操作方法为:
在输入特征映射上定义一个池化窗口,在每个池化窗口上均计算窗口内像素的平均值,来作为输出特征映射中对应位置的值,并让池化窗口按照指定的步幅在输入特征映射上滑动,重复上述操作直至覆盖整个特征映射,通过平均池化操作,将输入特征图的尺寸减小,同时保留主要的特征信息;
所述客制化包装模块,将每次生成的填充物图纸进行上传保存,以方便后续的提取复用,其具体的步骤为:
创建图纸库:首先在云端存储中创建一个专门用于存储图纸的库;
保存图纸内容:将生成的填充物模型图纸内容以数字化的方式保存在图纸库中,图纸的格式包括CAD格式文件、图片文件或者其他具有图纸信息的文件格式,确保文件命名清晰明了,便于后续快速查找和提取;
建立索引:为了后续快速提取图纸,给每个图纸设置一个索引,以记录每份图纸的关键信息,包括图纸长度、图纸宽度、图纸高度以及图纸形状,在需要时快速地通过关键信息查找到对应的图纸文件;
数据备份:定期将库中的图纸进行备份储存,防止数据丢失造成损失;
所述客制化包装模块中设置有损失函数,用于对比深度学习时所生成的预测值与真实值之间的差异,其具体方法为:
采用交叉熵损失函数对于模型进行衡量,其具体的公式为:
;
其中,代表真实值的概率分布,/>代表深度学习模型的预测概率分布,通过交叉熵损失函数最小化真实值与模型预测值之间的差异,模型更好地学习到数据的分布和特征,得到更准确的分类边界;
所述运力协调运转模块,建立线上平台,用于在运力紧张或订单加急时发布任务,利用省内送货返程闲置的货车,构建新的运输网络;
所述优化决策辅助模块,用于对包装、出库、运输、派送时间进行分析并设定评级,并通过算法对本次物流的包装、出库、运输、派送时间结合评级进行评估。
2.根据权利要求1所述的一种大数据物流管理系统,其特征在于:所述订单管理模块,用于接收、处理以及跟踪所收到的订单信息,包括订单生成、订单状态更新、订单分配,对于订单的状态进行实时监控,并对出现的异常进行上报;
所述风险管理与规划模块,通过大数据分析对物流过程中的各类风险进行监测和分析,包括交通状况、天气情况、自然灾害,并进行及时预警,对于所要运输的货物价值进行评估,并对贵重货物进行价保建议;
所述仓储与运输管理模块,用于管理仓储设施和运输车辆的信息,包括货物入库和出库流程管理、货物包装管理、货运车辆调度,并通过大数据分析优化入库出库效率并改善运输车辆的调度和利用效率;
所述货物跟踪模块,通过整合GPS与RFID技术,实现对货物的实时跟踪和监控,对于货物包装上的RFID电子标签进行扫描,并通过货运车辆上的GPS装置对于货车位置进行实时追踪,并将货物位置信息提交以方便客户进行实时查询;
所述路线规划模块,根据货运路线上的实时天气情况、路面状况以及驾驶员的驾驶习惯,并结合大数据分析,对于货运路线进行规划,并对送达时间进行预测;
所述用户意见反馈模块,在货物运送完成后,将一份满意度调查问卷发送给客户,以收集用户对于本次物流运输的满意程度,并根据结果对于物流流程进行优化。
3.根据权利要求1所述的一种大数据物流管理系统,其特征在于:所述运力协调运转模块,通过网络搭建线上接单平台,并结合个人征信,通过符合条件的注册司机,在运力紧张或订单加急时发布任务,对平台注册的司机进行调度,并根据他们的位置、能力和可用时间,进行合理的运力分配,通过闲置的返程货车进行省内物流的运输,利用省内送货返程闲置的货车,构建新的运输网络,具体的步骤为:
搭建线上平台:通过搭建一个在线平台,并将征信系统集成到该在线平台上,对于注册的货车司机进行筛选与评级,该征信系统还包括驾驶记录、违法违规记录、交通事故记录;
发布任务和调度:当出现运力紧张或订单加急时,平台发布任务,分析平台上的空闲货车资源,针对省内运输完成后的返程空货车,实现省内物流的调度,合理安排任务,将闲置的返程空车与需要运输的加急订单进行匹配,最大化利用资源,来减少运力浪费,实现物流的快速响应;
实时位置追踪和信息交流:该平台中集成实时位置追踪系统,使监管人员实时监控司机的位置和工作情况,同时平台中提供了司机和监管人员之间的信息交流渠道,便于实时沟通和问题解决。
4.根据权利要求3所述的一种大数据物流管理系统,其特征在于:所述运力协调运转模块中还设置有风险评估与赔偿系统,用于处理丢件以及各类问题,确保问题得到妥善处理并最大限度地减少损失,其具体的方法为:
建立合同和责任制度:在每次给司机派单之前,与司机签订合同,明确双方的权利和责任,包括丢失货物的责任、赔偿标准,让司机明确自己的责任,也确保在发生货物丢失问题时有相关法律依据和可执行的措施;
进行风险评估和监控:在每次任务指派前,先对货物的价值进行评估,并结合司机的信用记录、行驶记录和驾驶水平,确保所接单的司机具备合理的资质和信用,并结合线上平台的实时位置追踪对货物进行实时跟踪和监控,以避免货物丢失的情况发生;
提供培训和指导:设立培训课程,用于教导司机妥善保管货物、处理突发状况进行培训,对于完成培训课程的司机,在线上平台上设置特殊标签,对于运力紧张以及订单加急时的任务进行优先参考。
5.根据权利要求1所述的一种大数据物流管理系统,其特征在于:所述优化决策辅助模块,通过以往数据对包装、出库、运输、派送时间进行分析并设定评级,通过算法对于本次物流的包装、出库、运输、派送时间进行评估,并据此提供改进建议和决策支持,其具体的步骤为:
结合历史大数据,对于以往相同环节的耗时进行求均值,其具体的算法公式为:
;
其中,代表历史耗时的平均值,/>个数据内每次耗时的总和;
通过上述均值公式,获得包装、出库、运输、派送的平均耗时分别为、/>、/>、/>,并结合包装、出库、运输、派送的平均耗时分别设定阈值/> 、 、/>,结合本次物流过程中包装、出库、运输、派送的耗时/>进行评级,具体的算法公式为:
当 ,/> ,/> ,/>时,则判定为优秀,即为/>级;
当 ,/> ,/> ,/>时,则判定为良好,即为/>级;
当 ,/> ,/> ,/>时,则判定为一般,即为/>级;
当 ,/> ,/> ,/>时,则判定为较慢,即为/>级;
结合上述评级A、B、C、D,对于本次物流进行评定,并根据本次物流的综合评定对于各个环节进行优化,让企业更好地了解物流过程的质量和效率,并据此提供改进建议和决策支持,对于处于C、D评级的流程进行分析与优化,对于处于A、B评级的流程进行总结和保持。
6.根据权利要求2所述的一种大数据物流管理系统,其特征在于:所述路线规划模块,根据货运路线上的实时天气情况、路面状况以及驾驶员的驾驶习惯,并结合大数据分析,对于货运路线进行规划,并对送达时间进行预测,其具体方法为:
各类信息整合:通过整合气象局、交通管理部门机构提供的实时天气和路面状况数据,包括降雨量、道路湿滑情况、能见度、自然灾害,以及交通管理部门的实时交通信息,包括拥堵情况、交通事故,通过这些数据辅助路线规划模块做出针对性的调整,设计路线以避开恶劣、拥堵路况;
驾驶员驾驶习惯考量:结合驾驶员的个人驾驶习惯和行车数据,包括平均时速、停车频率、加速、减速习惯,参考驾驶员的个体差异,根据实际情况调整路线规划,来保证驾驶员在舒适和安全的情况下完成运输任务;
大数据分析:利用大数据技术对历史路线数据进行分析,包括不同时间段和不同天气、路况条件下的路线行驶时间统计、拥堵情况分析,通过大数据分析挖掘出货运路线规划最优解,为以后路线规划提供参考依据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410121434.0A CN117649116B (zh) | 2024-01-30 | 2024-01-30 | 一种大数据物流管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410121434.0A CN117649116B (zh) | 2024-01-30 | 2024-01-30 | 一种大数据物流管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117649116A CN117649116A (zh) | 2024-03-05 |
CN117649116B true CN117649116B (zh) | 2024-04-16 |
Family
ID=90045427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410121434.0A Active CN117649116B (zh) | 2024-01-30 | 2024-01-30 | 一种大数据物流管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117649116B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118569446A (zh) * | 2024-07-31 | 2024-08-30 | 江苏佳利达国际物流股份有限公司 | 基于物联网的物流规划管理系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764785A (zh) * | 2018-05-15 | 2018-11-06 | 惠龙易通国际物流股份有限公司 | 物流服务方法及平台 |
CN109074540A (zh) * | 2016-04-18 | 2018-12-21 | 高通股份有限公司 | 用于无人自主运输工具物品递送的定制包装 |
CN111738570A (zh) * | 2020-06-05 | 2020-10-02 | 苏州华易通物流有限公司 | 一种基于互联网的物流管理系统 |
CN113222704A (zh) * | 2021-05-21 | 2021-08-06 | 刘天琼 | 智慧供应链数字DaaS跨境电商服务平台 |
CN115619066A (zh) * | 2022-02-08 | 2023-01-17 | 上海泰康物流有限公司 | 一种高效公路运输车货匹配调度管理系统 |
EP4195117A1 (en) * | 2021-10-27 | 2023-06-14 | Rakuten Group, Inc. | Logistics management system, logistics management method, and program |
CN116739455A (zh) * | 2023-06-25 | 2023-09-12 | 深圳前海中外运物流有限公司 | 一种人工智能物流货运跟踪计算终端 |
CN116843135A (zh) * | 2023-06-22 | 2023-10-03 | 江苏数农芯通数字科技有限公司 | 一种短驳车辆集群管理与调度的系统、架构及方法 |
CN117217662A (zh) * | 2023-09-13 | 2023-12-12 | 义乌保税物流中心有限公司 | 一种仓库物流管理系统 |
CN117236818A (zh) * | 2023-10-17 | 2023-12-15 | 九江江州司马电商产业发展有限公司 | 一种电商服务的物流管理系统 |
CN117408592A (zh) * | 2023-12-14 | 2024-01-16 | 上海文景信息科技有限公司 | 一种基于区块链的多式联运一单制物流追溯方法及系统 |
-
2024
- 2024-01-30 CN CN202410121434.0A patent/CN117649116B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109074540A (zh) * | 2016-04-18 | 2018-12-21 | 高通股份有限公司 | 用于无人自主运输工具物品递送的定制包装 |
CN108764785A (zh) * | 2018-05-15 | 2018-11-06 | 惠龙易通国际物流股份有限公司 | 物流服务方法及平台 |
CN111738570A (zh) * | 2020-06-05 | 2020-10-02 | 苏州华易通物流有限公司 | 一种基于互联网的物流管理系统 |
CN113222704A (zh) * | 2021-05-21 | 2021-08-06 | 刘天琼 | 智慧供应链数字DaaS跨境电商服务平台 |
EP4195117A1 (en) * | 2021-10-27 | 2023-06-14 | Rakuten Group, Inc. | Logistics management system, logistics management method, and program |
CN115619066A (zh) * | 2022-02-08 | 2023-01-17 | 上海泰康物流有限公司 | 一种高效公路运输车货匹配调度管理系统 |
CN116843135A (zh) * | 2023-06-22 | 2023-10-03 | 江苏数农芯通数字科技有限公司 | 一种短驳车辆集群管理与调度的系统、架构及方法 |
CN116739455A (zh) * | 2023-06-25 | 2023-09-12 | 深圳前海中外运物流有限公司 | 一种人工智能物流货运跟踪计算终端 |
CN117217662A (zh) * | 2023-09-13 | 2023-12-12 | 义乌保税物流中心有限公司 | 一种仓库物流管理系统 |
CN117236818A (zh) * | 2023-10-17 | 2023-12-15 | 九江江州司马电商产业发展有限公司 | 一种电商服务的物流管理系统 |
CN117408592A (zh) * | 2023-12-14 | 2024-01-16 | 上海文景信息科技有限公司 | 一种基于区块链的多式联运一单制物流追溯方法及系统 |
Non-Patent Citations (2)
Title |
---|
Martin Hart 等.DRAWING OF LAYOUT DOCUMENTATION AS THE BASIS OF LOGISTICS MANAGEMENT SYSTEM OF A COMPANY LITERATURE REVIEW, NEW METHODICS, CASE STUDY.《International Conference on Advanced Logistics and Transport》.2014,356-361. * |
张孟娜.光伏企业智慧物流系统设计与实现.《信息系统工程》.2022,124-127. * |
Also Published As
Publication number | Publication date |
---|---|
CN117649116A (zh) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Siikavirta et al. | Effects of e‐commerce on greenhouse gas emissions: a case study of grocery home delivery in Finland | |
CN117649116B (zh) | 一种大数据物流管理系统 | |
Taniguchi et al. | Predicting the effects of city logistics schemes | |
Pitakaso et al. | Hybrid PSO and ALNS algorithm for software and mobile application for transportation in ice manufacturing industry 3.5 | |
Baumgartner et al. | Improving computerized routing and scheduling and vehicle telematics: A qualitative survey | |
CN117273600A (zh) | 一种智慧电子供应链物流大数据ai管理平台 | |
Sindi et al. | Autonomous goods vehicles for last-mile delivery: Evaluation of impact and barriers | |
CN116308000B (zh) | 物流方案评估方法、装置、电子设备及可读存储介质 | |
Elbert et al. | Urban freight transportation systems: current trends and prospects for the future | |
Mhlanga | Artificial intelligence and machine learning in making transport, safer, cleaner, more reliable, and efficient in emerging markets | |
CN116882673A (zh) | 一种煤炭供应链系统及调度方法 | |
Xu | Dynamic freight traffic simulation providing real-time information | |
Gorman et al. | Emerging practices and research issues for big data analytics in freight transportation | |
Razghonov et al. | BUILDING MODELS TO OPTIMIZE VEHICLE DOWNTIME IN MULTIMODAL TRANSPORTATION. | |
CN116862353A (zh) | 用于为现实物料供应生成统一数字化物料供应链的系统、方法及计算机存储介质 | |
US20220335351A1 (en) | Resource Operation Planning Assistance Apparatus and Resource Operation Planning Assistance Method | |
CN111080202B (zh) | 一种面向油量节省的作业车辆的效能管理方法及系统 | |
Verma | How the Use of 5G in Supply Chain Operations Can Prevent Future Disruptions | |
Graham | Using an AHP/ANP hybrid methodology for freight transport networks selection towards sustainable transportation | |
Yi | Research on the Influencing Factors of Last-Mile Delivery Service Quality Based on Service Quality Scale (SERVQUAL) | |
Sharman | Behavioural modelling of urban freight transportation: Activity and inter-arrival duration models estimated using GPS data | |
Trofimova | System planning the motor transport enterprise functioning in freighting in interurban communication | |
Lebedeva et al. | Effectiveness of the Implementation of Information Technologies in Solving Problems of Transport and Logistics Sector | |
Rabe et al. | Evaluating the Benefits of Collaborative Distribution with Supply Chain Simulation | |
Gillett | Monetizing truck freight and the cost of delay for major truck routes in Georgia |
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 |