CN117670182A - 一种基于物联网的物流调度系统 - Google Patents

Abstract

本发明公开了一种基于物联网的物流调度系统，涉及物流车辆调度技术领域，包括调度中心、模型创建模块、路线评估模块；调度中心用于获取配送订单、可调度的物流车辆数据以及调度参考模型进行综合分析，生成对应的调度订单参数，实现物流车辆的智能调度，提高物流调度效率；在运输途中，路线评估模块用于采集各个路段的车流量和路面气象数据进行综合分析，计算得到行车威胁指数Wc，以便驾驶员判断是否需要更换路线，提高物流运输的安全性；路线评估模块还用于将各个路段的行车威胁指数Wc反馈至显示模块，相关人员根据行车威胁指数Wc对物流预计到达时间进行调整，方便关联方提前进行运输或收货上的安排，实现物流链整体效率的提升。

Description

一种基于物联网的物流调度系统

技术领域

本发明涉及物流车辆调度技术领域，具体是一种基于物联网的物流调度系统。

背景技术

随着经济发展和网上购物的不断发展，物流行业也得到了很大的发展，客户对物流企业的配送速度要求越来越高；现有的物流企业以目前的条件已经很难满足客户日益提升的要求。城市交通拥堵对物流企业来说是一个很大的挑战，货物配送的时间成本很难控制，随之而来的是运送效率的降低，而且在外运送的配送车辆的管理也十分困难，由于种种原因，物流企业的车辆和人力资源也不能得到充分的利用。

近年来，物联网以及云端计算技术的不断进步，使得物流管理更加信息化和系统化。信息数据化的物流站点、仓库、货物以及物流车辆信息，令智能调度的实现成为可能。但是以往的调度算法因为缺少完整体系的数据进行支持，大多采用物流车辆装配和物流车辆行驶路线分别考虑的思路进行设计，所给出的调度方案往往缺乏整体性考虑；基于以上不足，本发明提出一种基于物联网的物流调度系统。

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，本发明提出一种基于物联网的物流调度系统。

为实现上述目的，根据本发明的第一方面的实施例提出一种基于物联网的物流调度系统，包括需求录入模块、调度中心、信息采集模块、路线规划模块、交通监测模块和路线评估模块；

所述需求录入模块用于管理人员录入物流需求，并根据物流需求创建配送订单；物流需求包括货物总量、起运地、目的地以及剩余配送时间；

所述信息采集模块用于获取调度中心当前可调度的物流车辆数据并将所述物流车辆数据分享至调度中心；所述物流车辆数据包括物流车辆数量以及每辆车的车辆类型、最大客货运输量以及车辆距离起运地的距离；

所述调度中心用于获取配送订单、可调度的物流车辆数据以及调度参考模型进行综合分析，生成对应的调度订单参数；

所述路线规划模块用于获取配送订单的起运地、目的地以及剩余配送时间，调用GPS地图的道路坐标信息，然后基于剩余配送时间和道路坐标信息采用自适应蚁群算法计算得到最优配送路径信息；

在运输途中，所述路线评估模块用于采集各个路段的车流量和路面气象数据进行综合分析，计算得到行车威胁指数Wc，以便驾驶员判断是否需要更换路线；所述路面气象数据包括路面温度、路面湿度、风力信息、路段能见度以及路面积水量或积雪量；

所述路线评估模块还用于将各个路段的行车威胁指数Wc反馈至显示模块进行显示；相关人员根据行车威胁指数Wc对物流预计到达时间进行调整，并将调整的物流预计到达时间反馈至调度中心，供关联方实时查询。

进一步地，所述路线评估模块的具体分析步骤如下：

获取配送订单的最优配送路径信息，统计所述最优配送路径途经的各个路段；针对某个路段，统计所述路段的车流量信息为L1；

获取所述路段的车道数量为L2；采集所述路段的路面气象数据；

将路面温度、路面湿度、风力信息、路段能见度、积水量以及积雪量依次标记为W1、W2、W3、W4、W5以及W6；

利用公式Qm＝(W2×b2+W3×b3+W5×b5+W6×b6)/(W1×b1+W4×b4)计算得到气象影响系数Qm，其中b1、b2、b3、b4、b5、b6为预设系数因子；

在预设时间段内，统计所述路段的交通事故信息；

根据所述交通事故信息对所述路段的安全偏离指数AL进行评估；所述交通事故信息包括事故时间、牵连人数和财产损失；

利用公式Wc＝f×L1×(Qm×g2+AL×g3)/(L2×g1)计算得到所述路段的行车威胁指数Wc，其中g1、g2、g3均为预设系数因子，f为预设补偿系数。

进一步地，所述路线评估模块还包括：将行车威胁指数Wc与预设威胁阈值相比较；所述预设威胁阈值包括X1、X2；且X1＜X2；

当Wc＞X2，则表示行驶危险极大，针对所述路段发布红色预警指令；

当X1＜Wc≤X2，则表示行驶危险一般，针对该路段发布黄色预警指令；当Wc≤X1，则表示行驶危险极小，针对所述路段发布绿色预警指令；其中，绿色预警指令代表所述路段可安全行驶。

进一步地，所述安全偏离指数AL的具体评估步骤如下：

统计所述路段发生交通事故的总次数为Z1；

获取每个交通事故信息中的牵连人数和财产损失，将牵连人数最大值标记为WR，将财产损失最大值标记为CR；将最近一次交通事故发生时间与系统当前时间进行时间差计算得到缓冲时长HT；

利用公式AL＝Z1×(WR×g4+CR×g5)/(HT×g6)计算得到所述路段的安全偏离指数AL，其中g4、g5、g6为预设系数因子。

进一步地，所述调度中心的具体工作步骤为：

将调度中心获取的配送订单、可调度的物流车辆数据整合成调度参考模型的输入数据；将输入数据输入至调度参考模型中；

输出相应的调度订单参数；所述调度订单参数包括调度车辆数量以及每辆车的车辆类型、最大客货运输量以及车辆距离起运地的距离；

所述调度中心用于根据所述调度订单参数派发相应配送订单，并生成调度事件历史数据至模型创建模块，以对调度参考模型进行迭代优化。

进一步地，所述模型创建模块用于基于AI深度学习识别算法分析得到调度参考模型；所述调度参考模型为LSTM神经网络模型，由调度事件历史数据训练得到；所述调度事件历史数据包括配送订单、可调度的物流车辆数据以及对应的调度订单参数。

进一步地，所述交通监测模块包括分布式部署在道路两侧的路侧基站和路侧传感器；所述路侧基站用于感知汽车位置，车流量；所述路侧传感器用于实时采集路面气象数据。

与现有技术相比，本发明的有益效果是：

1、本发明中需求录入模块用于管理人员录入物流需求，并根据物流需求创建配送订单；信息采集模块用于获取调度中心当前可调度的物流车辆数据；调度中心用于获取配送订单、可调度的物流车辆数据以及调度参考模型进行综合分析，生成对应的调度订单参数，实现物流车辆的智能调度，提高物流调度效率；调度中心还用于生成调度事件历史数据反馈至模型创建模块，以对调度参考模型不断训练，持续改进，达到最佳调度效果；

2、本发明中调度中心可以实时掌握调度车辆位置、时间和经手人员的信息数据，供关联方实时查询物流状态；在运输途中，路线评估模块用于采集各个路段的车流量和路面气象数据进行综合分析，计算得到行车威胁指数Wc，以便驾驶员判断是否更换路线，提高物流运输的安全性；路线评估模块还用于将各个路段的行车威胁指数Wc反馈至显示模块进行显示，相关人员根据行车威胁指数Wc对物流预计到达时间进行调整，方便关联方在物流货物未到达时提前进行运输或收货上的安排，缩短各个环节的衔接时间及运作时间，实现物流链整体效率的提升。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种基于物联网的物流调度系统的系统框图。

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，一种基于物联网的物流调度系统，包括需求录入模块、调度中心、信息采集模块、模型创建模块、路线规划模块、交通监测模块、路线评估模块以及显示模块；

需求录入模块用于管理人员录入物流需求，并根据物流需求创建配送订单分享至调度中心；物流需求包括货物总量、起运地、目的地、剩余配送时间等货运信息；

信息采集模块用于获取调度中心当前可调度的物流车辆数据，并将可调度的物流车辆数据分享至调度中心；其中，可调度的物流车辆数据包括可调度的物流车辆数量以及每辆车的车辆类型、最大客货运输量以及车辆距离起运地的距离；

调度中心用于获取配送订单、可调度的物流车辆数据以及调度参考模型进行综合分析，生成对应的调度订单参数，实现物流车辆的智能调度，提高物流调度效率；具体步骤为：

将调度中心获取的配送订单、可调度的物流车辆数据整合成调度参考模型的输入数据；将输入数据输入至调度参考模型中；

输出相应的调度订单参数；调度订单参数包括调度车辆数量以及每辆车的车辆类型、最大客货运输量以及车辆距离起运地的距离；

调度中心用于根据相应的调度订单参数派发相应配送订单，并生成调度事件历史数据反馈至模型创建模块，对调度参考模型不断训练，持续改进，达到最佳调度效果；

模型创建模块用于基于AI深度学习识别算法分析得到调度参考模型；调度参考模型为LSTM神经网络模型，由调度事件历史数据训练得到；调度事件历史数据包括配送订单、可调度的物流车辆数据以及对应的调度订单参数；

路线规划模块用于获取配送订单的起运地、目的地以及剩余配送时间，并调用GPS地图的道路坐标信息；然后基于剩余配送时间和道路坐标信息采用自适应蚁群算法计算得到最优配送路径信息；

调度中心用于将最优配送路径信息发送至对应调度车辆终端，以便调度车辆按照最优配送路径执行配送任务；

在本实施例中，通过物联网等技术，调度中心可以实时掌握调度车辆位置、时间和经手人员的信息数据，供关联方实时查询物流状态，从而实现精准配货、配送、支付和管理，提高了物流运输的可靠性和安全性；经手人员的信息数据包括经手人员的联系方式和人脸图像数据，若运输过程中出现异常，便于溯源追查，避免发生货物错发和丢包事件；

在本发明的一个实施例中，交通监测模块包括分布式部署在道路两侧的路侧基站和路侧传感器；路侧基站用于感知汽车位置，车流量；路侧传感器用于实时采集路面气象数据；路面气象数据包括路面温度、路面湿度、风力信息、路段能见度以及路面积水量或积雪量；

在运输途中，路线评估模块用于采集各个路段的车流量和路面气象数据进行综合分析，计算得到行车威胁指数Wc，以便驾驶员判断是否更换路线，提高物流运输的安全性；具体分析步骤如下：

获取配送订单的最优配送路径信息，统计最优配送路径途经的各个路段；针对某个路段，统计路段的车流量信息为L1；

获取路段的车道数量为L2；采集路段的路面气象数据，将路面温度、路面湿度、风力信息、路段能见度、积水量以及积雪量依次标记为W1、W2、W3、W4、W5以及W6；

利用公式Qm＝(W2×b2+W3×b3+W5×b5+W6×b6)/(W1×b1+W4×b4)计算得到气象影响系数Qm，其中b1、b2、b3、b4、b5、b6均为预设系数因子；其中气象影响系数Qm越大，则表示对车辆行驶阻碍越大；

例如：现有路段的路面温度为25℃，路面湿度为49％RH，风力信息(风力等级)为3级，路段能见度为500m，积水量5立方米；积雪量为0；其中积水量为路段积水平均深度×路段积水面积；b1取值0.01，b2取值0.3，b3取值0.05；b4取值0.12，b5取值0.22，b6取值0.16；

利用公式Qm＝(49×0.3+3×0.05+5×0.22+0×0.16)/(25×0.01+500×0.12)计算得到所述路段的气象影响系数Qm＝15.95/60.25＝0.2647；上述公式均是去除量纲取其数值计算；

在预设时间段内，统计路段的交通事故信息；根据交通事故信息对路段的安全偏离指数AL进行评估；交通事故信息包括事故时间、牵连人数和财产损失；

将车流量信息、车道数量、气象影响系数以及安全偏离指数进行归一化处理并取其数值，利用公式Wc＝f×L1×(Qm×g2+AL×g3)/(L2×g1)计算得到路段的行车威胁指数Wc，其中g1、g2、g3均为预设系数因子，f为预设补偿系数；

例如：现有路段的车流量信息为20辆/分钟，车道数量为3，气象影响系数Qm＝0.2647，安全偏离指数AL＝24.545；g1取值0.02；g2取值0.05；g3取值0.002；f＝0.1；

则利用公式Wc＝0.1×20×(0.2647×0.05+24.545×0.002)/(3×0.02)计算得到路段的行车威胁指数Wc＝1.6372；

将行车威胁指数Wc与预设威胁阈值相比较；预设威胁阈值包括X1、X2；且X1＜X2；例如X1取值1，X2取值2；

当Wc＞X2，则表示路段行驶危险极大，针对该路段发布红色预警指令；当X1＜Wc≤X2，则表示路段行驶危险一般，针对该路段发布黄色预警指令；当Wc≤X1，则表示路段行驶危险极小，针对该路段发布绿色预警指令；其中，绿色预警指令代表该路段可安全行驶；

通过设置绿色预警指令、黄色预警指令以及红色预警指令，可使驾驶员一眼便可知道对应路段的行驶危险等级，以便驾驶员判断是否需要更换路线，提高物流运输的安全性；

在本发明的一个实施例中，路线评估模块还用于将各个路段的行车威胁指数Wc反馈至显示模块进行显示，相关人员根据行车威胁指数Wc对对应物流预计到达时间进行调整，并将调整的物流预计到达时间反馈至调度中心，供关联方实时查询，方便关联方在物流货物未到达时提前进行运输或收货上的安排，缩短各个环节的衔接时间及运作时间，实现物流链整体效率的提升；

在本发明的一个实施例中，根据交通事故信息对路段的安全偏离指数AL进行评估；具体评估步骤如下：

统计路段发生交通事故的总次数为Z1；

获取每个交通事故信息中的牵连人数和财产损失，将牵连人数最大值标记为WR，将财产损失最大值标记为CR；

将最近一次交通事故发生时间与系统当前时间进行时间差计算得到缓冲时长HT；利用公式AL＝Z1×(WR×g4+CR×g5)/(HT×g6)计算得到路段的安全偏离指数AL，其中g4、g5、g6为预设系数因子；

例如：现有路段发生交通事故的总次数为10次；其中牵连人数最大值为20人，财产损失最大值为20万元；缓冲时长为10天；g4取值0.11，g5取值0.16，g6取值0.22；则利用公式AL＝10×(20×0.11+20×0.16)/(10×0.22)计算得到路段的安全偏离指数AL＝24.545。

上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值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。

本发明的工作原理：

一种基于物联网的物流调度系统，在工作时，需求录入模块用于管理人员录入物流需求，并根据物流需求创建配送订单；信息采集模块用于获取调度中心当前可调度的物流车辆数据；调度中心用于获取配送订单、可调度的物流车辆数据以及调度参考模型进行综合分析，生成对应的调度订单参数，实现物流车辆的智能调度，提高物流调度效率；调度中心还用于生成调度事件历史数据反馈至模型创建模块，以对调度参考模型不断训练，持续改进，达到最佳调度效果；

路线规划模块用于获取配送订单的起运地、目的地以及剩余配送时间，并调用GPS地图的道路坐标信息，采用自适应蚁群算法计算得到最优配送路径信息；调度中心可以实时掌握调度车辆位置、时间和经手人员的信息数据，供关联方实时查询物流状态；在运输途中，路线评估模块用于采集各个路段的车流量和路面气象数据进行综合分析，计算得到行车威胁指数Wc，以便驾驶员判断是否更换路线，提高物流运输的安全性；路线评估模块还用于将各个路段的行车威胁指数Wc反馈至显示模块进行显示，相关人员根据行车威胁指数Wc对物流预计到达时间进行调整，方便关联方在物流货物未到达时提前进行运输或收货上的安排，缩短各个环节的衔接时间及运作时间，实现物流链整体效率的提升。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (7)

1.一种基于物联网的物流调度系统，其特征在于，包括需求录入模块、调度中心、信息采集模块、路线规划模块、交通监测模块和路线评估模块；

所述需求录入模块用于管理人员录入物流需求，并根据物流需求创建配送订单；物流需求包括货物总量、起运地、目的地以及剩余配送时间；

所述信息采集模块用于获取调度中心当前可调度的物流车辆数据并将所述物流车辆数据分享至调度中心；所述物流车辆数据包括物流车辆数量以及每辆车的车辆类型、最大客货运输量以及车辆距离起运地的距离；

所述调度中心用于获取配送订单、可调度的物流车辆数据以及调度参考模型进行综合分析，生成对应的调度订单参数；

所述路线规划模块用于获取配送订单的起运地、目的地以及剩余配送时间，调用GPS地图的道路坐标信息，然后基于剩余配送时间和道路坐标信息采用自适应蚁群算法计算得到最优配送路径信息；

在运输途中，所述路线评估模块用于采集各个路段的车流量和路面气象数据进行综合分析，计算得到行车威胁指数Wc，以便驾驶员判断是否需要更换路线；所述路面气象数据包括路面温度、路面湿度、风力信息、路段能见度以及路面积水量或积雪量；

所述路线评估模块还用于将各个路段的行车威胁指数Wc反馈至显示模块进行显示；相关人员根据行车威胁指数Wc对物流预计到达时间进行调整，并将调整的物流预计到达时间反馈至调度中心，供关联方实时查询。

2.根据权利要求1所述的一种基于物联网的物流调度系统，其特征在于，所述路线评估模块的具体分析步骤如下：

获取配送订单的最优配送路径信息，统计所述最优配送路径途经的各个路段；针对某个路段，统计所述路段的车流量信息为L1；

获取所述路段的车道数量为L2；采集所述路段的路面气象数据；

将路面温度、路面湿度、风力信息、路段能见度、积水量以及积雪量依次标记为W1、W2、W3、W4、W5以及W6；

利用公式Qm＝(W2×b2+W3×b3+W5×b5+W6×b6)/(W1×b1+W4×b4)计算得到气象影响系数Qm，其中b1、b2、b3、b4、b5、b6均为预设系数因子；

在预设时间段内，统计所述路段的交通事故信息；

根据所述交通事故信息对所述路段的安全偏离指数AL进行评估；所述交通事故信息包括事故时间、牵连人数和财产损失；

利用公式Wc＝f×L1×(Qm×g2+AL×g3)/(L2×g1)计算得到所述路段的行车威胁指数Wc，其中g1、g2、g3均为预设系数因子，f为预设补偿系数。

3.根据权利要求2所述的一种基于物联网的物流调度系统，其特征在于，所述路线评估模块还包括：将行车威胁指数Wc与预设威胁阈值相比较；所述预设威胁阈值包括X1、X2；且X1＜X2；

当Wc＞X2，则表示行驶危险极大，针对所述路段发布红色预警指令；

当X1＜Wc≤X2，则表示行驶危险一般，针对该路段发布黄色预警指令；

当Wc≤X1，则表示行驶危险极小，针对所述路段发布绿色预警指令；其中，绿色预警指令代表所述路段可安全行驶。

4.根据权利要求2所述的一种基于物联网的物流调度系统，其特征在于，所述安全偏离指数AL的具体评估步骤如下：

统计所述路段发生交通事故的总次数为Z1；

获取每个交通事故信息中的牵连人数和财产损失，将牵连人数最大值标记为WR，将财产损失最大值标记为CR；将最近一次交通事故发生时间与系统当前时间进行时间差计算得到缓冲时长HT；

利用公式AL＝Z1×(WR×g4+CR×g5)/(HT×g6)计算得到所述路段的安全偏离指数AL，其中g4、g5、g6为预设系数因子。

5.根据权利要求1所述的一种基于物联网的物流调度系统，其特征在于，所述调度中心的具体工作步骤为：

将调度中心获取的配送订单、可调度的物流车辆数据整合成调度参考模型的输入数据；将输入数据输入至调度参考模型中；

输出相应的调度订单参数；所述调度订单参数包括调度车辆数量以及每辆车的车辆类型、最大客货运输量以及车辆距离起运地的距离；

所述调度中心用于根据所述调度订单参数派发相应配送订单，并生成调度事件历史数据至模型创建模块，以对调度参考模型进行迭代优化。

6.根据权利要求5所述的一种基于物联网的物流调度系统，其特征在于，所述模型创建模块用于基于AI深度学习识别算法分析得到调度参考模型；所述调度参考模型为LSTM神经网络模型，由调度事件历史数据训练得到；所述调度事件历史数据包括配送订单、可调度的物流车辆数据以及对应的调度订单参数。

7.根据权利要求1所述的一种基于物联网的物流调度系统，其特征在于，所述交通监测模块包括分布式部署在道路两侧的路侧基站和路侧传感器；所述路侧基站用于感知汽车位置，车流量；所述路侧传感器用于实时采集路面气象数据。