CN117689300A - 基于人工智能的提货任务智能管理方法、系统及介质 - Google Patents
基于人工智能的提货任务智能管理方法、系统及介质 Download PDFInfo
- Publication number
- CN117689300A CN117689300A CN202311452832.2A CN202311452832A CN117689300A CN 117689300 A CN117689300 A CN 117689300A CN 202311452832 A CN202311452832 A CN 202311452832A CN 117689300 A CN117689300 A CN 117689300A
- Authority
- CN
- China
- Prior art keywords
- truck
- information
- task
- cargo
- time
- 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.)
- Pending
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 39
- 238000007726 management method Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 48
- 230000007613 environmental effect Effects 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 230000002068 genetic effect Effects 0.000 claims description 19
- 238000012163 sequencing technique Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 16
- 238000012384 transportation and delivery Methods 0.000 claims description 15
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000013439 planning Methods 0.000 claims description 4
- 238000013468 resource allocation Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于人工智能的提货任务智能管理方法、系统及介质，属于任务管理技术领域，本发明通过对货车的货物卸货时间信息进行修正，生成修正后的卸货时间信息，进而根据货车达到提货任务地点的预估时间信息以及修正后的卸货时间信息生成货车的预估状态信息，并基于预估状态信息生成提货任务优先级排序结果，从而获取当前待分配的提货任务信息，根据提货任务优先级排序结果以及当前待分配的提货任务信息生成当前货车提货任务的分配结果。本发明通过融合多源数据对货车的运行情况进行预测，从而根据预测结果来对货车的提货任务进行资源分配，能够提高货车的资源分配合理性，降低物流的运营成本。
Description
技术领域
本发明涉及任务管理技术领域，尤其涉及一种基于人工智能的提货任务智能管理方法、系统及介质。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用，如深度学习算法、机器学习算法等。电子商务城市物流需求和能力增长对城市物流管理提出了更新要求和更高挑战。货车是物流的重要载体，现如今货车在提货任务中运输资源的分配还不够合理，不能最大化的利用资源，往往是货车在到达提货地点之后再进行货物的人工的任务分配，导致浪费了大量的物力以及人力资源，导致了物流成本居高不下。
发明内容
本发明克服了现有技术的不足，提供了一种基于人工智能的提货任务智能管理方法、系统及介质。
为达上述目的，本发明采用的技术方案为：
本发明第一方面提供了一种基于人工智能的提货任务智能管理方法，包括以下步骤：
获取货车的实时行驶信息以及环境因子数据信息，并根据货车的实时行驶信息以及环境因子数据信息进行智能预估，生成每一货车达到提货任务地点的预估时间信息；
获取每一货车装载的货物类型信息，并根据货车装载的货物类型信息计算出每一货车的货物卸货时间信息，通过对货车的货物卸货时间信息进行修正，生成修正后的卸货时间信息；
根据货车达到提货任务地点的预估时间信息以及修正后的卸货时间信息生成货车的预估状态信息，并基于预估状态信息生成提货任务优先级排序结果；
获取当前待分配的提货任务信息，根据提货任务优先级排序结果以及当前待分配的提货任务信息生成当前货车提货任务的分配结果。
进一步地，在本方法中，获取货车的实时行驶信息以及环境因子数据信息，并根据货车的实时行驶信息以及环境因子数据信息进行智能预估，生成每一货车达到提货任务地点的预估时间信息，具体包括：
获取货车的实时行驶信息以及环境因子数据信息，并通过大数据获取各环境因子数据之下的货车行驶信息，引入灰色关联分析法，通过灰色关联分析法计算各环境因子与货车行驶信息之间关联系数；
根据环境因子与汽车行驶信息之间关联系数构建货车行驶时间预测模型，并获取货车所在的行驶位置信息以及提货任务的地理位置信息；
根据货车所在的行驶位置信息以及提货任务的地理位置信息通过地图软件进行最优行驶路径规划，获取最优的行驶路线信息，并获取最优的行驶路线信息的行驶预估时间信息；
根据货车行驶时间预测模型以及最优的行驶路线信息的行驶预估时间信息进行行驶预测，获取每一货车达到提货任务地点的预估时间信息。
进一步地，在本方法中，获取每一货车装载的货物类型信息，并根据货车装载的货物类型信息计算出每一货车的货物卸货时间信息，具体包括：
通过大数据获取每一货物类型的卸货效率信息，并构建知识图谱，将每一货物类型的卸货效率信息输入到知识图谱中进行存储；
获取每一货车装载的货物类型信息，将每一货车装载的货物类型信息输入到知识图谱中进行数据匹配，获取每一货车装载的货物类型对应的卸货效率信息；
获取每一货车的货物装载量信息，并根据货车的货物装载量信息以及货车装载的货物类型对应的卸货效率信息计算出每一货车的货物卸货时间信息。
进一步地，在本方法中，通过对货车的货物卸货时间信息进行修正，生成修正后的卸货时间信息，具体包括：
通过大数据获取各气象类型之下的货车的货物卸货时间，并通过对各气象类型之下的货车的货物卸货时间机进行数据分析，获取气象类型与货车的货物卸货时间的影响相关性；
基于卷积神经网络构建货物卸货时间预测模型，并将气象类型与货车的货物卸货时间的影响相关性输入到货物卸货时间预测模型中进行训练；将气象类型与货车的货物卸货时间的影响相关性输入到卷积层、全连接层中；
通过利用Softmax进行分类，保存模型参数，并输出货物卸货时间预测模型，并获取当前的气象特征信息将当前的气象特征信息输入到货物卸货时间预测模型中；
获取当前气象类型与货车的货物卸货时间的影响相关性，根据当前气象类型与货车的货物卸货时间的影响相关性对货车的货物卸货时间信息进行修正，生成修正后的卸货时间信息。
进一步地，在本方法中，根据货车达到提货任务地点的预估时间信息以及修正后的卸货时间信息生成货车的预估状态信息，并基于预估状态信息生成提货任务优先级排序结果，具体包括：
根据货车达到提货任务地点的预估时间信息以及修正后的卸货时间信息计算出货车转为空闲状态时所需的预估时间信息，并将货车转为空闲状态时所需的预估时间信息作为货车的预估状态信息；
构建虚拟场景信息，并将货车的预估状态信息输入到虚拟场景信息中，生成货车的预估状态信息的可视化显示场景，并通过可视化显示场景获取每一货车转为空闲状态时所需的预估时间信息；
构建预估时间排序表，并将每一货车转为空闲状态时所需的预估时间信息输入到预估时间排序表中进行从小到大的时间值排序；
通过排序，获取货车转为空闲状态时所需的预估时间排序结果，并根据货车转为空闲状态时所需的预估时间排序结果生成提货任务优先级排序结果。
进一步地，在本方法中，获取当前待分配的提货任务信息，根据提货任务优先级排序结果以及当前待分配的提货任务信息生成当前货车提货任务的分配结果，具体包括：
获取当前待分配的提货任务信息，并根据当前待分配的提货任务信息获取每一提货任务的货物装载量信息，获取每一货车的装载容量信息，并引入遗传算法；
通过遗传算法设置迭代代数，并将每一货车的装载容量信息以及每一提货任务的货物装载量信息输入到遗传算法中，获取最优的货车类型-数量组合；
设置相关时间间隔阈值信息，根据最优的货车类型-数量组合以及提货任务优先级排序结果初选出当前货车提货任务的分配结果，并获取当前货车提货任务的分配结果中每一货车转为空闲状态时所需的预估时间；
计算每一货车转为空闲状态时所需的预估时间之间的时间间隔数据信息，当时间间隔数据信息不大于相关时间间隔阈值信息时，将当前货车提货任务的分配结果输出；
当时间间隔数据信息大于相关时间间隔阈值信息时，则重新筛选出当前相关时间间隔阈值信息之内的货车类型-数量组合。
本发明第二方面提供了一种基于人工智能的提货任务智能管理系统，系统包括存储器以及处理器，存储器中包括基于人工智能的提货任务智能管理方法程序，基于人工智能的提货任务智能管理方法程序被处理器执行时，实现如下步骤：
获取货车的实时行驶信息以及环境因子数据信息，并根据货车的实时行驶信息以及环境因子数据信息进行智能预估，生成每一货车达到提货任务地点的预估时间信息；
获取每一货车装载的货物类型信息，并根据货车装载的货物类型信息计算出每一货车的货物卸货时间信息，通过对货车的货物卸货时间信息进行修正，生成修正后的卸货时间信息；
根据货车达到提货任务地点的预估时间信息以及修正后的卸货时间信息生成货车的预估状态信息，并基于预估状态信息生成提货任务优先级排序结果；
获取当前待分配的提货任务信息，根据提货任务优先级排序结果以及当前待分配的提货任务信息生成当前货车提货任务的分配结果。
进一步的，在本方法中，通过对货车的货物卸货时间信息进行修正，生成修正后的卸货时间信息，具体包括：
通过大数据获取各气象类型之下的货车的货物卸货时间，并通过对各气象类型之下的货车的货物卸货时间机进行数据分析，获取气象类型与货车的货物卸货时间的影响相关性；
基于卷积神经网络构建货物卸货时间预测模型，并将气象类型与货车的货物卸货时间的影响相关性输入到货物卸货时间预测模型中进行训练；将气象类型与货车的货物卸货时间的影响相关性输入到卷积层、全连接层中；
通过利用Softmax进行分类，保存模型参数，并输出货物卸货时间预测模型，并获取当前的气象特征信息将当前的气象特征信息输入到货物卸货时间预测模型中；
获取当前气象类型与货车的货物卸货时间的影响相关性，根据当前气象类型与货车的货物卸货时间的影响相关性对货车的货物卸货时间信息进行修正，生成修正后的卸货时间信息。
进一步的，在本方法中，获取当前待分配的提货任务信息，根据提货任务优先级排序结果以及当前待分配的提货任务信息生成当前货车提货任务的分配结果，具体包括：
获取当前待分配的提货任务信息，并根据当前待分配的提货任务信息获取每一提货任务的货物装载量信息，获取每一货车的装载容量信息，并引入遗传算法；
通过遗传算法设置迭代代数，并将每一货车的装载容量信息以及每一提货任务的货物装载量信息输入到遗传算法中，获取最优的货车类型-数量组合；
设置相关时间间隔阈值信息，根据最优的货车类型-数量组合以及提货任务优先级排序结果初选出当前货车提货任务的分配结果，并获取当前货车提货任务的分配结果中每一货车转为空闲状态时所需的预估时间；
计算每一货车转为空闲状态时所需的预估时间之间的时间间隔数据信息，当时间间隔数据信息不大于相关时间间隔阈值信息时，将当前货车提货任务的分配结果输出；
当时间间隔数据信息大于相关时间间隔阈值信息时，则重新筛选出当前相关时间间隔阈值信息之内的货车类型-数量组合。
本发明第二方面提供了一种计算机可读存储介质，计算机可读存储介质包括基于人工智能的提货任务智能管理方法程序，基于人工智能的提货任务智能管理方法程序被处理器执行时，实现任一项的基于人工智能的提货任务智能管理方法的步骤。
本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：
本发明通过获取货车的实时行驶信息以及环境因子数据信息，并根据货车的实时行驶信息以及环境因子数据信息进行智能预估，生成每一货车达到提货任务地点的预估时间信息，进而获取每一货车装载的货物类型信息，并根据货车装载的货物类型信息计算出每一货车的货物卸货时间信息，通过对货车的货物卸货时间信息进行修正，生成修正后的卸货时间信息，进而根据货车达到提货任务地点的预估时间信息以及修正后的卸货时间信息生成货车的预估状态信息，并基于预估状态信息生成提货任务优先级排序结果，从而获取当前待分配的提货任务信息，根据提货任务优先级排序结果以及当前待分配的提货任务信息生成当前货车提货任务的分配结果。本发明通过融合多源数据以及人工智能技术对货车的运行情况进行预测，从而根据预测结果来对货车的提货任务进行资源分配，能够提高货车的资源分配合理性，降低物流的运营成本。
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实施例的附图。
图1示出了基于人工智能的提货任务智能管理方法的整体方法流程图；
图2示出了基于人工智能的提货任务智能管理方法的第一方法流程图；
图3示出了基于人工智能的提货任务智能管理方法的第二方法流程图；
图4示出了基于人工智能的提货任务智能管理系统的系统框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
本发明第一方面提供了一种基于人工智能的提货任务智能管理方法，包括以下步骤：
S102:获取货车的实时行驶信息以及环境因子数据信息，并根据货车的实时行驶信息以及环境因子数据信息进行智能预估，生成每一货车达到提货任务地点的预估时间信息；
S104:获取每一货车装载的货物类型信息，并根据货车装载的货物类型信息计算出每一货车的货物卸货时间信息，通过对货车的货物卸货时间信息进行修正，生成修正后的卸货时间信息；
S106:根据货车达到提货任务地点的预估时间信息以及修正后的卸货时间信息生成货车的预估状态信息，并基于预估状态信息生成提货任务优先级排序结果；
S108:获取当前待分配的提货任务信息，根据提货任务优先级排序结果以及当前待分配的提货任务信息生成当前货车提货任务的分配结果。
需要说明的是，本发明通过融合多源数据以及人工智能技术对货车的运行情况进行预测，从而根据预测结果来对货车的提货任务进行资源分配，能够提高货车的资源分配合理性，降低物流的运营成本。
如图2所示，进一步地，在本方法中，获取货车的实时行驶信息以及环境因子数据信息，并根据货车的实时行驶信息以及环境因子数据信息进行智能预估，生成每一货车达到提货任务地点的预估时间信息，具体包括：
S202:获取货车的实时行驶信息以及环境因子数据信息，并通过大数据获取各环境因子数据之下的货车行驶信息，引入灰色关联分析法，通过灰色关联分析法计算各环境因子与货车行驶信息之间关联系数；
S204:根据环境因子与汽车行驶信息之间关联系数构建货车行驶时间预测模型，并获取货车所在的行驶位置信息以及提货任务的地理位置信息；
S206:根据货车所在的行驶位置信息以及提货任务的地理位置信息通过地图软件进行最优行驶路径规划，获取最优的行驶路线信息，并获取最优的行驶路线信息的行驶预估时间信息；
S208:根据货车行驶时间预测模型以及最优的行驶路线信息的行驶预估时间信息进行行驶预测，获取每一货车达到提货任务地点的预估时间信息。
需要说明的是，环境因子数据包括天气因素、温度因素、湿度因素、能见度因素等，其中，由于被诸多因子影响，货车行驶时间预测模型满足以下关系式：
需要说明的是，T为货车达到提货任务地点的预估时间信息，T0为最优的行驶路线信息的行驶预估时间信息，ri表示通过灰色关联分析法计算得到的第i个关联系数，N表示关联系数的个数。
需要说明的是，通过本方法能够计算出运载货的货车到达提货任务的预估时间信息。
进一步地，在本方法中，获取每一货车装载的货物类型信息，并根据货车装载的货物类型信息计算出每一货车的货物卸货时间信息，具体包括：
通过大数据获取每一货物类型的卸货效率信息，并构建知识图谱，将每一货物类型的卸货效率信息输入到知识图谱中进行存储；
获取每一货车装载的货物类型信息，将每一货车装载的货物类型信息输入到知识图谱中进行数据匹配，获取每一货车装载的货物类型对应的卸货效率信息；
获取每一货车的货物装载量信息，并根据货车的货物装载量信息以及货车装载的货物类型对应的卸货效率信息计算出每一货车的货物卸货时间信息。
需要说明的是，货车可能是在运载货物的，而且运载不同货物类型的货车的卸货效率是不一致的，如体积一样的条件之下，重物越重，卸货的效率越低，还需要考虑卸货的时间，通过本方法能够进一步精确的计算出每一货车的货物卸货时间信息，从而来更准确的预测出到达提货地点的时间信息。
如图3所示，进一步地，在本方法中，通过对货车的货物卸货时间信息进行修正，生成修正后的卸货时间信息，具体包括：
S302:通过大数据获取各气象类型之下的货车的货物卸货时间，并通过对各气象类型之下的货车的货物卸货时间机进行数据分析，获取气象类型与货车的货物卸货时间的影响相关性；
S304:基于卷积神经网络构建货物卸货时间预测模型，并将气象类型与货车的货物卸货时间的影响相关性输入到货物卸货时间预测模型中进行训练；将气象类型与货车的货物卸货时间的影响相关性输入到卷积层、全连接层中；
S306:通过利用Softmax进行分类，保存模型参数，并输出货物卸货时间预测模型，并获取当前的气象特征信息将当前的气象特征信息输入到货物卸货时间预测模型中；
S308:获取当前气象类型与货车的货物卸货时间的影响相关性，根据当前气象类型与货车的货物卸货时间的影响相关性对货车的货物卸货时间信息进行修正，生成修正后的卸货时间信息。
需要说明的是，不同的气象类型对于货车的卸货有着一定的影响，如雨天的卸货效率比晴天的卸货效率要低下，通过本方法能够进一步提高卸货效率的预测精度，从而更有利于后期的提货任务资源分配。
进一步地，在本方法中，根据货车达到提货任务地点的预估时间信息以及修正后的卸货时间信息生成货车的预估状态信息，并基于预估状态信息生成提货任务优先级排序结果，具体包括：
根据货车达到提货任务地点的预估时间信息以及修正后的卸货时间信息计算出货车转为空闲状态时所需的预估时间信息，并将货车转为空闲状态时所需的预估时间信息作为货车的预估状态信息；
构建虚拟场景信息，并将货车的预估状态信息输入到虚拟场景信息中，生成货车的预估状态信息的可视化显示场景，并通过可视化显示场景获取每一货车转为空闲状态时所需的预估时间信息；
构建预估时间排序表，并将每一货车转为空闲状态时所需的预估时间信息输入到预估时间排序表中进行从小到大的时间值排序；
通过排序，获取货车转为空闲状态时所需的预估时间排序结果，并根据货车转为空闲状态时所需的预估时间排序结果生成提货任务优先级排序结果。
需要说明的是，通过本方法能够根据货车转为空闲状态时所需的预估时间排序结果生成提货任务优先级排序结果，融合机器学习的人工智能技术，能够提高提货任务分配的合理性。
进一步地，在本方法中，获取当前待分配的提货任务信息，根据提货任务优先级排序结果以及当前待分配的提货任务信息生成当前货车提货任务的分配结果，具体包括：
获取当前待分配的提货任务信息，并根据当前待分配的提货任务信息获取每一提货任务的货物装载量信息，获取每一货车的装载容量信息，并引入遗传算法；
通过遗传算法设置迭代代数，并将每一货车的装载容量信息以及每一提货任务的货物装载量信息输入到遗传算法中，获取最优的货车类型-数量组合；
设置相关时间间隔阈值信息，根据最优的货车类型-数量组合以及提货任务优先级排序结果初选出当前货车提货任务的分配结果，并获取当前货车提货任务的分配结果中每一货车转为空闲状态时所需的预估时间；
计算每一货车转为空闲状态时所需的预估时间之间的时间间隔数据信息，当时间间隔数据信息不大于相关时间间隔阈值信息时，将当前货车提货任务的分配结果输出；
当时间间隔数据信息大于相关时间间隔阈值信息时，则重新筛选出当前相关时间间隔阈值信息之内的货车类型-数量组合。
需要说明的是，由于不同的货车类型能够载不同的货物量的货物，而提货到送货这个阶段一般都会有着时间限制，通过遗传算法能够计算出最佳的货车类型-数量组合，当时间间隔数据信息不大于相关时间间隔阈值信息时，由于货车的到达时间是不一致的，说明提货任务优先级排序结果中部分货车类型是能够组合的；当时间间隔数据信息大于相关时间间隔阈值信息时，由于送达时间的影响，说明提货任务优先级排序结果中部分货车类型是不能够组合的，通过本方法充分考虑了该情况，提高了提货任务分配的合理性。
此外，本方法还可以包括以下步骤：
获取每一货车的服役数据信息，并基于深度学习网络构建货车故障预测模型，引入随机森林模型，通过所述随机森林模型对所述货车的服役数据信息进行特征分类，获取相关性最高的特征数据；
根据所述相关性最高的特征数据构建特征矩阵，将所述特征矩阵输入到所述货车故障预测模型中进行训练，获取训练完成的货车故障预测模型；
基于所述训练完成的货车故障预测模型预测每一货车的故障时间节点，并获取货车的在提货完成时的预估运输时间段，并判断所述货车的故障时间节点是否落入到货车的在提货完成时的预估运输时间段之内；
当所述货车的故障时间节点落入到货车的在提货完成时的预估运输时间段之内时，获取货车的故障类型，并根据所述货车的故障类型对提货任务优先级排序结果进行修正。
需要说明的是，通过本方法能够进一步提高货车提货时的任务分配合理性。
此外，获取货车的故障类型，并根据所述货车的故障类型对提货任务优先级排序结果进行修正，包括以下步骤：
获取货车的故障类型，并根据所述货车的故障类型构建检索标签，根据所述检索标签通过大数据获取所述货车故障类型的历史预估维修时间；
判断所述货车故障类型的历史预估维修时间是否大于所述相关时间间隔阈值信息；
当所述货车故障类型的历史预估维修时间大于所述相关时间间隔阈值信息时，从所述提货任务优先级排序结果中降低所述货车故障类型的历史预估维修时间大于所述相关时间间隔阈值信息所对应货车的优先级；
当所述货车故障类型的历史预估维修时间不大于所述相关时间间隔阈值信息时，维持所述提货任务优先级排序结果，并输出所述提货任务优先级排序结果。
需要说明的是，通过本方法能够进一步提高货车提货时的任务分配合理性。
本发明第二方面提供了一种基于人工智能的提货任务智能管理系统4，系统4包括存储器41以及处理器42，存储器41中包括基于人工智能的提货任务智能管理方法程序，基于人工智能的提货任务智能管理方法程序被处理器42执行时，实现如下步骤：
获取货车的实时行驶信息以及环境因子数据信息，并根据货车的实时行驶信息以及环境因子数据信息进行智能预估，生成每一货车达到提货任务地点的预估时间信息；
获取每一货车装载的货物类型信息，并根据货车装载的货物类型信息计算出每一货车的货物卸货时间信息，通过对货车的货物卸货时间信息进行修正，生成修正后的卸货时间信息；
根据货车达到提货任务地点的预估时间信息以及修正后的卸货时间信息生成货车的预估状态信息，并基于预估状态信息生成提货任务优先级排序结果；
获取当前待分配的提货任务信息，根据提货任务优先级排序结果以及当前待分配的提货任务信息生成当前货车提货任务的分配结果。
进一步的，在本方法中，通过对货车的货物卸货时间信息进行修正，生成修正后的卸货时间信息，具体包括：
通过大数据获取各气象类型之下的货车的货物卸货时间，并通过对各气象类型之下的货车的货物卸货时间机进行数据分析，获取气象类型与货车的货物卸货时间的影响相关性；
基于卷积神经网络构建货物卸货时间预测模型，并将气象类型与货车的货物卸货时间的影响相关性输入到货物卸货时间预测模型中进行训练；将气象类型与货车的货物卸货时间的影响相关性输入到卷积层、全连接层中；
通过利用Softmax进行分类，保存模型参数，并输出货物卸货时间预测模型，并获取当前的气象特征信息将当前的气象特征信息输入到货物卸货时间预测模型中；
获取当前气象类型与货车的货物卸货时间的影响相关性，根据当前气象类型与货车的货物卸货时间的影响相关性对货车的货物卸货时间信息进行修正，生成修正后的卸货时间信息。
进一步的，在本方法中，获取当前待分配的提货任务信息，根据提货任务优先级排序结果以及当前待分配的提货任务信息生成当前货车提货任务的分配结果，具体包括：
获取当前待分配的提货任务信息，并根据当前待分配的提货任务信息获取每一提货任务的货物装载量信息，获取每一货车的装载容量信息，并引入遗传算法；
通过遗传算法设置迭代代数，并将每一货车的装载容量信息以及每一提货任务的货物装载量信息输入到遗传算法中，获取最优的货车类型-数量组合；
设置相关时间间隔阈值信息，根据最优的货车类型-数量组合以及提货任务优先级排序结果初选出当前货车提货任务的分配结果，并获取当前货车提货任务的分配结果中每一货车转为空闲状态时所需的预估时间；
计算每一货车转为空闲状态时所需的预估时间之间的时间间隔数据信息，当时间间隔数据信息不大于相关时间间隔阈值信息时，将当前货车提货任务的分配结果输出；
当时间间隔数据信息大于相关时间间隔阈值信息时，则重新筛选出当前相关时间间隔阈值信息之内的货车类型-数量组合。
本发明第二方面提供了一种计算机可读存储介质，计算机可读存储介质包括基于人工智能的提货任务智能管理方法程序，基于人工智能的提货任务智能管理方法程序被处理器执行时，实现任一项的基于人工智能的提货任务智能管理方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本发明实施例的技术方案本质上或者说对现有技术做出贡献的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方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.基于人工智能的提货任务智能管理方法，其特征在于，包括以下步骤：
获取货车的实时行驶信息以及环境因子数据信息，并根据所述货车的实时行驶信息以及环境因子数据信息进行智能预估，生成每一货车达到提货任务地点的预估时间信息；
获取每一货车装载的货物类型信息，并根据所述货车装载的货物类型信息计算出每一货车的货物卸货时间信息，通过对所述货车的货物卸货时间信息进行修正，生成修正后的卸货时间信息；
根据所述货车达到提货任务地点的预估时间信息以及修正后的卸货时间信息生成货车的预估状态信息，并基于所述预估状态信息生成提货任务优先级排序结果；
获取当前待分配的提货任务信息，根据所述提货任务优先级排序结果以及当前待分配的提货任务信息生成当前货车提货任务的分配结果。
2.根据权利要求1所述的基于人工智能的提货任务智能管理方法，其特征在于，获取货车的实时行驶信息以及环境因子数据信息，并根据所述货车的实时行驶信息以及环境因子数据信息进行智能预估，生成每一货车达到提货任务地点的预估时间信息，具体包括：
获取货车的实时行驶信息以及环境因子数据信息，并通过大数据获取各环境因子数据之下的货车行驶信息，引入灰色关联分析法，通过灰色关联分析法计算各环境因子与货车行驶信息之间关联系数；
根据所述环境因子与汽车行驶信息之间关联系数构建货车行驶时间预测模型，并获取货车所在的行驶位置信息以及提货任务的地理位置信息；
根据所述货车所在的行驶位置信息以及提货任务的地理位置信息通过地图软件进行最优行驶路径规划，获取最优的行驶路线信息，并获取所述最优的行驶路线信息的行驶预估时间信息；
根据所述货车行驶时间预测模型以及所述最优的行驶路线信息的行驶预估时间信息进行行驶预测，获取每一货车达到提货任务地点的预估时间信息。
3.根据权利要求1所述的基于人工智能的提货任务智能管理方法，其特征在于，获取每一货车装载的货物类型信息，并根据所述货车装载的货物类型信息计算出每一货车的货物卸货时间信息，具体包括：
通过大数据获取每一货物类型的卸货效率信息，并构建知识图谱，将所述每一货物类型的卸货效率信息输入到所述知识图谱中进行存储；
获取每一货车装载的货物类型信息，将所述每一货车装载的货物类型信息输入到所述知识图谱中进行数据匹配，获取每一货车装载的货物类型对应的卸货效率信息；
获取每一货车的货物装载量信息，并根据所述货车的货物装载量信息以及货车装载的货物类型对应的卸货效率信息计算出每一货车的货物卸货时间信息。
4.根据权利要求1所述的基于人工智能的提货任务智能管理方法，其特征在于，通过对所述货车的货物卸货时间信息进行修正，生成修正后的卸货时间信息，具体包括：
通过大数据获取各气象类型之下的货车的货物卸货时间，并通过对所述各气象类型之下的货车的货物卸货时间机进行数据分析，获取气象类型与货车的货物卸货时间的影响相关性；
基于卷积神经网络构建货物卸货时间预测模型，并将所述气象类型与货车的货物卸货时间的影响相关性输入到所述货物卸货时间预测模型中进行训练；将所述气象类型与货车的货物卸货时间的影响相关性输入到卷积层、全连接层中；
通过利用Softmax进行分类，保存模型参数，并输出货物卸货时间预测模型，并获取当前的气象特征信息将所述当前的气象特征信息输入到所述货物卸货时间预测模型中；
获取当前气象类型与货车的货物卸货时间的影响相关性，根据所述当前气象类型与货车的货物卸货时间的影响相关性对所述货车的货物卸货时间信息进行修正，生成修正后的卸货时间信息。
5.根据权利要求1所述的基于人工智能的提货任务智能管理方法，其特征在于，根据所述货车达到提货任务地点的预估时间信息以及修正后的卸货时间信息生成货车的预估状态信息，并基于所述预估状态信息生成提货任务优先级排序结果，具体包括：
根据所述货车达到提货任务地点的预估时间信息以及修正后的卸货时间信息计算出货车转为空闲状态时所需的预估时间信息，并将所述货车转为空闲状态时所需的预估时间信息作为货车的预估状态信息；
构建虚拟场景信息，并将所述货车的预估状态信息输入到所述虚拟场景信息中，生成货车的预估状态信息的可视化显示场景，并通过所述可视化显示场景获取每一货车转为空闲状态时所需的预估时间信息；
构建预估时间排序表，并将所述每一货车转为空闲状态时所需的预估时间信息输入到所述预估时间排序表中进行从小到大的时间值排序；
通过排序，获取货车转为空闲状态时所需的预估时间排序结果，并根据所述货车转为空闲状态时所需的预估时间排序结果生成提货任务优先级排序结果。
6.根据权利要求1所述的基于人工智能的提货任务智能管理方法，其特征在于，获取当前待分配的提货任务信息，根据所述提货任务优先级排序结果以及当前待分配的提货任务信息生成当前货车提货任务的分配结果，具体包括：
获取当前待分配的提货任务信息，并根据所述当前待分配的提货任务信息获取每一提货任务的货物装载量信息，获取每一货车的装载容量信息，并引入遗传算法；
通过所述遗传算法设置迭代代数，并将所述每一货车的装载容量信息以及每一提货任务的货物装载量信息输入到所述遗传算法中，获取最优的货车类型-数量组合；
设置相关时间间隔阈值信息，根据所述最优的货车类型-数量组合以及提货任务优先级排序结果初选出当前货车提货任务的分配结果，并获取所述当前货车提货任务的分配结果中每一货车转为空闲状态时所需的预估时间；
计算所述每一货车转为空闲状态时所需的预估时间之间的时间间隔数据信息，当所述时间间隔数据信息不大于所述相关时间间隔阈值信息时，将当前货车提货任务的分配结果输出；
当所述时间间隔数据信息大于所述相关时间间隔阈值信息时，则重新筛选出当前相关时间间隔阈值信息之内的货车类型-数量组合。
7.基于人工智能的提货任务智能管理系统，其特征在于，所述系统包括存储器以及处理器，所述存储器中包括基于人工智能的提货任务智能管理方法程序，所述基于人工智能的提货任务智能管理方法程序被所述处理器执行时，实现如下步骤：
获取货车的实时行驶信息以及环境因子数据信息，并根据所述货车的实时行驶信息以及环境因子数据信息进行智能预估，生成每一货车达到提货任务地点的预估时间信息；
获取每一货车装载的货物类型信息，并根据所述货车装载的货物类型信息计算出每一货车的货物卸货时间信息，通过对所述货车的货物卸货时间信息进行修正，生成修正后的卸货时间信息；
根据所述货车达到提货任务地点的预估时间信息以及修正后的卸货时间信息生成货车的预估状态信息，并基于所述预估状态信息生成提货任务优先级排序结果；
获取当前待分配的提货任务信息，根据所述提货任务优先级排序结果以及当前待分配的提货任务信息生成当前货车提货任务的分配结果。
8.根据权利要求7所述的基于人工智能的提货任务智能管理系统，其特征在于，通过对所述货车的货物卸货时间信息进行修正，生成修正后的卸货时间信息，具体包括：
通过大数据获取各气象类型之下的货车的货物卸货时间，并通过对所述各气象类型之下的货车的货物卸货时间机进行数据分析，获取气象类型与货车的货物卸货时间的影响相关性；
基于卷积神经网络构建货物卸货时间预测模型，并将所述气象类型与货车的货物卸货时间的影响相关性输入到所述货物卸货时间预测模型中进行训练；将所述气象类型与货车的货物卸货时间的影响相关性输入到卷积层、全连接层中；
通过利用Softmax进行分类，保存模型参数，并输出货物卸货时间预测模型，并获取当前的气象特征信息将所述当前的气象特征信息输入到所述货物卸货时间预测模型中；
获取当前气象类型与货车的货物卸货时间的影响相关性，根据所述当前气象类型与货车的货物卸货时间的影响相关性对所述货车的货物卸货时间信息进行修正，生成修正后的卸货时间信息。
9.根据权利要求7所述的基于人工智能的提货任务智能管理系统，其特征在于，获取当前待分配的提货任务信息，根据所述提货任务优先级排序结果以及当前待分配的提货任务信息生成当前货车提货任务的分配结果，具体包括：
获取当前待分配的提货任务信息，并根据所述当前待分配的提货任务信息获取每一提货任务的货物装载量信息，获取每一货车的装载容量信息，并引入遗传算法；
通过所述遗传算法设置迭代代数，并将所述每一货车的装载容量信息以及每一提货任务的货物装载量信息输入到所述遗传算法中，获取最优的货车类型-数量组合；
设置相关时间间隔阈值信息，根据所述最优的货车类型-数量组合以及提货任务优先级排序结果初选出当前货车提货任务的分配结果，并获取所述当前货车提货任务的分配结果中每一货车转为空闲状态时所需的预估时间；
计算所述每一货车转为空闲状态时所需的预估时间之间的时间间隔数据信息，当所述时间间隔数据信息不大于所述相关时间间隔阈值信息时，将当前货车提货任务的分配结果输出；
当所述时间间隔数据信息大于所述相关时间间隔阈值信息时，则重新筛选出当前相关时间间隔阈值信息之内的货车类型-数量组合。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括基于人工智能的提货任务智能管理方法程序，所述基于人工智能的提货任务智能管理方法程序被处理器执行时，实现如权利要求1-6任一项所述的基于人工智能的提货任务智能管理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311452832.2A CN117689300A (zh) | 2023-11-03 | 2023-11-03 | 基于人工智能的提货任务智能管理方法、系统及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311452832.2A CN117689300A (zh) | 2023-11-03 | 2023-11-03 | 基于人工智能的提货任务智能管理方法、系统及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117689300A true CN117689300A (zh) | 2024-03-12 |
Family
ID=90130812
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311452832.2A Pending CN117689300A (zh) | 2023-11-03 | 2023-11-03 | 基于人工智能的提货任务智能管理方法、系统及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117689300A (zh) |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020082893A1 (en) * | 2000-02-29 | 2002-06-27 | Dennis Barts | Delivery system and method for vehicles and the like |
| CN101620694A (zh) * | 2008-07-02 | 2010-01-06 | 中冶宝钢技术服务有限公司 | 物流运输决策支持系统及方法、运输管理系统 |
| KR20160044280A (ko) * | 2014-10-15 | 2016-04-25 | 삼성에스디에스 주식회사 | 창고 작업 스케줄링 방법 및 그 장치 |
| WO2016209052A1 (ko) * | 2015-06-26 | 2016-12-29 | 주식회사 조아로지스 | 금속 스크랩 납품을 위한 방통차 하화 대기 시간 최소화 방법 |
| CN107392523A (zh) * | 2017-06-27 | 2017-11-24 | 王帆 | 智能云配货方法及系统 |
| CN108510227A (zh) * | 2018-03-23 | 2018-09-07 | 东华大学 | 一种基于机器学习的车载物流配送实时规划系统 |
| KR101910045B1 (ko) * | 2018-06-12 | 2018-10-22 | 네오시스템즈(주) | 동적 라우팅 기능 및 안전운행 요건을 구비한 클라우드 허브 중심의 화물정보 공유 커뮤니티를 통한 화물 운송 정보의 실시간 공유 방법 |
| CN109948818A (zh) * | 2019-02-18 | 2019-06-28 | 天津五八到家科技有限公司 | 配送请求分配方法、装置、设备和存储介质 |
| CN110447045A (zh) * | 2017-01-23 | 2019-11-12 | 优步技术公司 | 用于设定路线和控制货运车辆的系统 |
| CN110826957A (zh) * | 2019-10-08 | 2020-02-21 | 浙江数链科技有限公司 | 车辆卸货调度方法、装置、设备和存储介质 |
| WO2020054490A1 (ja) * | 2018-09-10 | 2020-03-19 | 村田機械株式会社 | 物流システムおよび物流方法 |
| US20200273133A1 (en) * | 2019-02-25 | 2020-08-27 | Walmart Apollo, Llc | Systems and methods for prioritizing trailers at receiving facility |
| WO2021085874A1 (ko) * | 2019-10-29 | 2021-05-06 | 김민규 | O2o 기반 빅데이터 및 인공지능을 이용한 화물 배차 서비스 제공 방법 |
| WO2021162161A1 (ko) * | 2020-02-10 | 2021-08-19 | 주식회사 와이엘피 | 실시간 차량관제 시스템 기반의 화물배차 네비게이션 장치 및 방법 |
| JP2021163004A (ja) * | 2020-03-31 | 2021-10-11 | Ａｓｓｅｓｔ株式会社 | 荷物配送計画プログラム |
| KR20220006726A (ko) * | 2020-07-09 | 2022-01-18 | 주식회사 와이엘피 | 경로 빅데이터 기반 밀크런 자동배차 제공 장치 및 방법 |
| CN114162141A (zh) * | 2021-12-09 | 2022-03-11 | 阿波罗智联(北京)科技有限公司 | 控制方法、装置、系统、电子设备、存储介质及车辆 |
| CN114358468A (zh) * | 2021-11-22 | 2022-04-15 | 南京宝和大数据研究院有限公司 | 一种基于人工智能的物流车辆动态调度方法 |
| KR20220148642A (ko) * | 2021-04-29 | 2022-11-07 | 현대자동차주식회사 | 물류 차량의 관리 시스템 및 방법 |
| WO2023119567A1 (ja) * | 2021-12-23 | 2023-06-29 | 本田技研工業株式会社 | 搬送システム |
| CN116579692A (zh) * | 2023-05-22 | 2023-08-11 | 创兴世纪(深圳)跨境网络技术有限公司 | 一种基于人工智能的物流信息动态监管系统及方法 |
-
2023
- 2023-11-03 CN CN202311452832.2A patent/CN117689300A/zh active Pending
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020082893A1 (en) * | 2000-02-29 | 2002-06-27 | Dennis Barts | Delivery system and method for vehicles and the like |
| CN101620694A (zh) * | 2008-07-02 | 2010-01-06 | 中冶宝钢技术服务有限公司 | 物流运输决策支持系统及方法、运输管理系统 |
| KR20160044280A (ko) * | 2014-10-15 | 2016-04-25 | 삼성에스디에스 주식회사 | 창고 작업 스케줄링 방법 및 그 장치 |
| WO2016209052A1 (ko) * | 2015-06-26 | 2016-12-29 | 주식회사 조아로지스 | 금속 스크랩 납품을 위한 방통차 하화 대기 시간 최소화 방법 |
| CN110447045A (zh) * | 2017-01-23 | 2019-11-12 | 优步技术公司 | 用于设定路线和控制货运车辆的系统 |
| CN107392523A (zh) * | 2017-06-27 | 2017-11-24 | 王帆 | 智能云配货方法及系统 |
| CN108510227A (zh) * | 2018-03-23 | 2018-09-07 | 东华大学 | 一种基于机器学习的车载物流配送实时规划系统 |
| KR101910045B1 (ko) * | 2018-06-12 | 2018-10-22 | 네오시스템즈(주) | 동적 라우팅 기능 및 안전운행 요건을 구비한 클라우드 허브 중심의 화물정보 공유 커뮤니티를 통한 화물 운송 정보의 실시간 공유 방법 |
| WO2020054490A1 (ja) * | 2018-09-10 | 2020-03-19 | 村田機械株式会社 | 物流システムおよび物流方法 |
| CN109948818A (zh) * | 2019-02-18 | 2019-06-28 | 天津五八到家科技有限公司 | 配送请求分配方法、装置、设备和存储介质 |
| US20200273133A1 (en) * | 2019-02-25 | 2020-08-27 | Walmart Apollo, Llc | Systems and methods for prioritizing trailers at receiving facility |
| CN110826957A (zh) * | 2019-10-08 | 2020-02-21 | 浙江数链科技有限公司 | 车辆卸货调度方法、装置、设备和存储介质 |
| WO2021085874A1 (ko) * | 2019-10-29 | 2021-05-06 | 김민규 | O2o 기반 빅데이터 및 인공지능을 이용한 화물 배차 서비스 제공 방법 |
| WO2021162161A1 (ko) * | 2020-02-10 | 2021-08-19 | 주식회사 와이엘피 | 실시간 차량관제 시스템 기반의 화물배차 네비게이션 장치 및 방법 |
| JP2021163004A (ja) * | 2020-03-31 | 2021-10-11 | Ａｓｓｅｓｔ株式会社 | 荷物配送計画プログラム |
| KR20220006726A (ko) * | 2020-07-09 | 2022-01-18 | 주식회사 와이엘피 | 경로 빅데이터 기반 밀크런 자동배차 제공 장치 및 방법 |
| KR20220148642A (ko) * | 2021-04-29 | 2022-11-07 | 현대자동차주식회사 | 물류 차량의 관리 시스템 및 방법 |
| CN114358468A (zh) * | 2021-11-22 | 2022-04-15 | 南京宝和大数据研究院有限公司 | 一种基于人工智能的物流车辆动态调度方法 |
| CN114162141A (zh) * | 2021-12-09 | 2022-03-11 | 阿波罗智联(北京)科技有限公司 | 控制方法、装置、系统、电子设备、存储介质及车辆 |
| WO2023119567A1 (ja) * | 2021-12-23 | 2023-06-29 | 本田技研工業株式会社 | 搬送システム |
| CN116579692A (zh) * | 2023-05-22 | 2023-08-11 | 创兴世纪(深圳)跨境网络技术有限公司 | 一种基于人工智能的物流信息动态监管系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| BOWEL XU ETC.: "Dynamic Appointment Rescheduling of Trucks under Uncertainty of Arrival Time", JOURNAL OF MARINE SCIENCE AND ENGINEERING, 19 May 2022 (2022-05-19), pages 1 - 20 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yan et al. | Reinforcement learning for logistics and supply chain management: Methodologies, state of the art, and future opportunities | |
| Vahdani | Assignment and scheduling trucks in cross-docking system with energy consumption consideration and trucks queuing | |
| Burinskiene et al. | A simulation study for the sustainability and reduction of waste in warehouse logistics | |
| CN110659839A (zh) | 一种物流智能配载调度方法 | |
| Luo et al. | A last-mile drone-assisted one-to-one pickup and delivery problem with multi-visit drone trips | |
| CN107798423A (zh) | 基于多种智能算法的车辆路径规划仿真实验平台 | |
| CN114548861A (zh) | 基于数字孪生的仓库管理方法 | |
| CN112150237B (zh) | 多模型融合的订单逾期预警方法、装置、设备及存储介质 | |
| CN115860645B (zh) | 一种基于大数据的物流仓储管理方法及系统 | |
| CN115619198B (zh) | 库位移动规划方法、装置、电子设备及存储介质 | |
| US20220129840A1 (en) | System And Method For Reinforcement-Learning Based On-Loading Optimization | |
| CN116051004A (zh) | 一种基于大数据的智能管理方法、系统及介质 | |
| Yu et al. | Door allocations to origins and destinations at less-than-truckload trucking terminals | |
| Lu et al. | Improving the efficiency of last-mile delivery with the flexible drones traveling salesman problem | |
| CN114548880A (zh) | 物流规划方法、设备、装置和存储介质 | |
| Zhang et al. | Vehicle dynamic dispatching using curriculum-driven reinforcement learning | |
| CN117495236A (zh) | 一种电力物资仓库的调度方法及装置 | |
| CN117689300A (zh) | 基于人工智能的提货任务智能管理方法、系统及介质 | |
| CN112016750A (zh) | 一种改进的解决带约束车辆路径问题的方法 | |
| CN116468521A (zh) | 一种优化拣货人员拣货的方法、装置、设备及存储介质 | |
| Abbas et al. | A constrained fuzzy knowledge-based system for the management of container yard operations | |
| CN114662853A (zh) | 一种运输车的分配方法、设备、产品及介质 | |
| Kotenko et al. | Supervised Machine Learning Models for Forecasting Fuel Consumption by Vehicles During the Grain Crops Delivery | |
| CN112001646A (zh) | 一种物料调度方法、装置、存储介质及电子设备 | |
| Cooper et al. | Evaluating cost-to-serve for a retail supply chain |
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 |