CN117807412A - 一种基于车载传感器和大数据的货损预测系统 - Google Patents
一种基于车载传感器和大数据的货损预测系统 Download PDFInfo
- Publication number
- CN117807412A CN117807412A CN202410231811.6A CN202410231811A CN117807412A CN 117807412 A CN117807412 A CN 117807412A CN 202410231811 A CN202410231811 A CN 202410231811A CN 117807412 A CN117807412 A CN 117807412A
- Authority
- CN
- China
- Prior art keywords
- data
- cargo
- loss
- evaluation
- model
- 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.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 claims abstract description 49
- 238000013480 data collection Methods 0.000 claims abstract description 18
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 238000004140 cleaning Methods 0.000 claims abstract description 6
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 238000005311 autocorrelation function Methods 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 20
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000005520 cutting process Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 238000013075 data extraction Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 238000013210 evaluation model Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 208000012661 Dyskinesia Diseases 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000002759 z-score normalization Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000001816 cooling Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003648 Ljung–Box test Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于车载传感器和大数据的货损预测系统，物流运输领域中的货损预测技术领域，包括：车载传感器网络、数据收集与分析中心、预测模块、货损评价模块、模型评估和优化模块以及显示模块；系统用于实时监测货物冷链运输中的关键指标数据，并对数据进行清洗和去噪后，依据时间序列数据，根据ARIMA模型，对未来的货损情况进行预测，同时通过设置异动告警阈值，对预测结果进行告警，并将预测得到的货损结果、告警信息以及处理后的所述关键指标数据进行显示；本发明用于实时监测货物状态，结合历史货损数据，利用大数据分析技术，实现对货损的准确预测。
Description
技术领域
本发明涉及物流运输领域中的货损预测技术领域，具体而言，涉及一种基于车载传感器和大数据的货损预测系统。
背景技术
随着居民生活水平提升、对物质生活要求变高，冷链行业产值逐年递增，冷链运输领域也呈现逐年递增的趋势；但货品冷链覆盖率不高，因失温导致的货损水平仍然较大，导致冷链运输成本居高不下，现有技术因无法实时监测货物状态，难以发现潜在的货损风险，导致运输成本较高，对于货损预测准确性较低，无法满足实际应用的需求，影响客户满意度，以及现有技术中缺乏数据安全性、系统稳定性和用户友好性等辅助功能，使用受限，因此如何避免在货运过程中导致的失温货损成为冷链行业的重要命题。
发明内容
为了解决上述问题，本发明的目的是提出一种能够实时监测货物状态、准确预测货损情况和降低运输成本的货损预测系统，以提高现有的冷链运输中的货损预测的准确性，进而能够提高客户满意度。
为了实现上述技术目的，本申请提供了一种基于车载传感器和大数据的货损预测系统，包括：
车载传感器网络，用于实时监测货物冷链运输中的关键指标数据；
数据收集与分析中心，与车载传感器网络进行数据交互，用于对关键指标数据进行数据清洗和去噪处理，用于去除无效值、虚点、重影、横向和纵向漂移的噪声数据；
预测模块，与数据收集与分析中心进行数据交互，用于基于ARIMA模型，通过获取处理后的关键指标数据的时间序列数据进行模型训练，构建货损预测模型，对未来的货损情况进行预测；
货损评价模块，分别与数据收集与分析中心和预测模块进行数据交互，用于对处理后关键指标数据进行分类，获取评价指标，并利用变异系数法确定每个评价指标的权重，获取异动告警阈值，并依据货损预测模型，对未来时间序列内存在的异动风险数据进行告警；
模型评估和优化模块，用于根据模型的评估预测误差，对预测模型进行优化；
显示模块，用于显示预测得到的货损结果以及处理后的关键指标数据。
优选地，数据收集与分析中心，还用于对关键指标数据进行缺失值填充和异常值处理，提高数据质量。
优选地，数据收集与分析中心，还用于对温度数据、湿度数据和轨迹数据进行去噪处理，并对去噪处理后的数据采用Z-Score标准化方法，进行标准化处理后，形成用于模型训练的数据集，生成处理后的关键指标数据。
优选地，数据收集与分析中心，用于通过空值数据祛除、重影数据抽希和异动数据平滑滤波对温度数据和湿度数据进行去噪处理。
优选地，数据收集与分析中心，用于通过空值数据祛除、重影数据抽希和漂移数据识别与祛除对轨迹数据进行去噪处理，其中，通过基于速度的算法来检测和识别轨迹数据存在的漂移或偏差。
优选地，预测模块，用于对时间序列数据进行d阶差分操作，将非平稳序列转化为平稳序列，以消除季节性和趋势性。
优选地，预测模块，还用于基于ARIMA模型，根据差分后的数据，利用自相关函数ACF或偏自相关函数PACF，识别ARIMA模型的阶数p、d和q，其中，当ACF图像呈现拖尾、且PACF图像呈现截尾状态时，当前时间序列适用AR模型，且PACF截尾的滞后阶数d为超参数p值；当PACF图像呈现拖尾、且ACF图像呈现截尾状态时，当前时间序列适用MA模型，且ACF截尾的滞后阶数d为超参数q值。
优选地，货损评价模块，还用于根据温度，湿度，速度与轨迹三个维度，对处理后关键指标数据进行分类，获取评价指标；
根据评价指标的平均值和标准差，生成评价指标的变异系数，并根据变异系数，获取评价指标的权重，其中，权重表示为：
；
；
式中，表示变异系数，/>表示平均值，/>表示标准差，其中j表示评价指标，m表示评价指标数目。
优选地，货损评价模块，还用于根据评价指标的权重，构建货损综合评价模型，获取货损综合评价指数，并依据温度，湿度，速度与轨迹三个维度，划分异动告警阈值，其中，货损综合评价模型表示为：
，
式中，F代表货损综合评价指数，代表/>在数据无量纲化后的数值，/>代表评价指标权重，j代表评价指标，m 代表评价指标数目。
优选地，货损预测系统还包括辅助功能模块，用于系统的数据传输与通信、预测模型更新以及为系统用户提供用户界面。
本发明公开了以下技术效果：
本发明能够实时监测货物状态，及时发现潜在的货损风险，从而采取相应的措施进行干预；
本发明能够更准确地预测货损情况，提高货损预测的准确性；
本发明能够降低运输成本，减少因货损导致的经济损失；
本发明能够确保数据的安全性和隐私性；
本发明具有友好的用户界面，易于使用和操作。
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是本发明所述的系统结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
如图1所示，本发明涉及物流运输领域中的货损预测技术，具体为基于车载传感器和大数据的货损预测系统。该系统主要用于实时监测货物状态，结合历史货损数据，利用大数据分析技术，实现对货损的准确预测。
本发明提出的基于车载传感器和大数据的货损预测系统，包括以下主要组成部分：
1、车载传感器网络：该网络由各种传感器组成，能够实时监测货物的温度、湿度、加速度等关键指标，并将这些数据发送到数据收集与分析中心。
1.1、车载传感器设备：
采集数据：温度、湿度、光照、倾角
1.2、数据采集后数据展示&分析平台：传感器设备进行数据采集后，可以在监控云平台对数据进行展示，实时监控数据
监控平台：冷链监控云平台软件部署在云服务器，用户只需要用户名与密码就可以远程登录查看温湿度数据、报警信息、定位信息、设备管理、导出数据等操作。如温湿度超标，系统可发送短信给相关管理人员。
2、数据收集与分析中心：算法结合历史司机、货主、车辆及传感器采集信息，可对订单的货损概率进行实时预测；具体操作包括对历史货损数据的整理、清洗和预处理，建立货损预测模型，对未来货损进行预测。
2.1、数据清洗：主要针对车载传感器采集的原始数据进行清洗和去噪，包括去除无效值、虚点、重影、横向和纵向漂移等噪声数据。同时，对数据进行缺失值填充和异常值处理，提高数据质量。按照获取数据类型的不同，细分为温度数据去噪、湿度数据去噪、轨迹数据去噪，具体说明如下：
2.1.1、温度数据去噪：
空值数据祛除： 依据设备上报的温度信息，将仅包含上报时间，没有具体温度的空值数据祛除。
重影数据抽希：依据设备上报的温度信息，将仅包含上报时间间隔在30秒以内（时间可配），温度数据相同的重影数据抽希去重。
异动数据平滑滤波：依据设备上报的温度信息，针对突然的极端值或异常波动，使用平滑滤波的方法。具体来说，我们可以计算每个上报时间与其相邻上报时间的温度平均值，以获得更平滑的温度曲线。例如，前一个点的温度数据20°C，当前点的温度数据90°C，后一个点的温度数据30°C，90℃超过温度阈值（阈值上限取当地实时最高气温，阈值下限取冷机打冷设置温度，数值可配），视为异常数据，取前后两点的平均值25°C作为去噪后的数据。
2.1.2、湿度数据去噪：
空值数据祛除： 依据设备上报的湿度信息，将仅包含上报时间，没有具体湿度的空值数据祛除。
重影数据抽希：依据设备上报的湿度信息，将上报时间间隔在30秒以内（时间可配），湿度数据相同的重影数据抽希去重。
异动数据平滑滤波：依据设备上报的湿度信息，针对突然的极端值或异常波动，使用平滑滤波的方法。具体来说，我们可以计算每个上报时间与其相邻上报时间的湿度平均值，以获得更平滑的湿度曲线。例如，前一个点的湿度数据40%，当前点的湿度数据100%，后一个点的湿度数据50%，湿度100%超过阈值（阈值上限取车厢湿度范围40%～90%，数值可配），视为异常数据，取前后两点的平均值45%作为去噪后的数据。
2.1.3、轨迹数据去噪：
空值数据祛除： 依据设备上报的温度信息，将仅包含上报时间，没有具体经纬度的空值数据祛除。
重影数据抽希：依据设备上报的温度信息，将仅包含上报时间间隔在30秒以内（时间可配），经纬度数据相同的重影数据抽希去重。
漂移数据识别与祛除：车辆行驶过程中上报的轨迹数据，存在突然的漂移或偏差，产生了噪点，可使用基于速度的算法来检测和识别这些异常值。通过计算（每个坐标点与上一个坐标点之间的经纬度距离）/（每个坐标点与上一个坐标点之间的上报时间差值），算出两点之间的速度值，识别出速度值超过阈值的点，并将这些噪点数据祛除，以获得更平滑的轨迹曲线。例如，当前上报定位与上一个定位距离100km，上报时间差值1分钟，求得速度为6000km/h，远超货车速度阈值90km/h（阈值支持可配），判定当前定位点为噪点数据，予以祛除。
2.2、数据标准化：对清洗后的数据进行标准化处理，将不同量纲的数据转化为统一尺度。具体采用Z-Score标准化方法，利用具体数据减去均值再除以标准差（，μ表示数据样本均值，/>表示数据样本标准差），将每个特征的值转换为标准化的数值，使得每个特征的均值为0，标准差为1。这样做的目的是使得不同特征之间的数值可以在同一尺度上进行比较和分析，避免因特征差异导致的模型训练偏差。
3、建立预测模型：
3.1、差分：对时间序列数据进行d阶差分操作，将非平稳序列转化为平稳序列，以消除季节性和趋势性。
，
B为滞后运算（lag operator），为当前正在观察的时间序列数据，d为阶数，以d作为ARIMA中的d参数。
3.2、识别：根据差分后的数据，利用ACF（自相关函数）和PACF（偏自相关函数）等统计方法，识别ARIMA模型的阶数p、d和q。
AR（自回归模型）用于处理时间序列自回归部分，考虑过去若干时间观测值对于当前值的影响，。
，B为滞后运算（lag operator），/>为当前正在观察的时间序列数据，d为阶数，以d作为ARIMA中的d参数。
ACF（自相关函数）：，d为阶数，Cov代表协方差，Var代表方差。
PACF（偏自相关系数）：
其中，d为阶数；
当ACF图像呈现拖尾、且PACF图像呈现截尾状态时，当前时间序列适用AR模型，且PACF截尾的滞后阶数d为超参数p值。
当PACF图像呈现拖尾、且ACF图像呈现截尾状态时，当前时间序列适用MA模型，且ACF截尾的滞后阶数d为超参数q值。
3.3、估计参数：根据识别得到的阶数p、D和q，利用最小二乘法等估计参数。
3.4、检验残差：对ARIMA模型的残差进行检验，判断模型是否符合假设。
Ljung-box检验检验模型是否为白噪声；
QQ图观察散点是否分布大致在一条直线上。
3.5、预测：利用训练好的ARIMA模型对未来的货损数据进行预测。
4、建立货损评价体系：
4.1、区分温度，湿度，速度与轨迹三个维度；
4.2、确定所需的指标；
4.3、利用变异系数法确定权重的步骤如下：
计算各指标的平均值（σ）和标准差（μ）；
计算各指标的变异系数：
；
计算各指标权重：
，其中j代表评价指标，m代表评价指标数目。
4.4、货损综合评价模型
，
其中F代表货损综合评价指数，代表/>在数据无量纲化后的数值，/>代表评价指标权重，j代表评价指标，m 代表评价指标数目。
4.5异动预警：
货损综合得分可以按照温度、湿度和速度与轨迹进行下钻，持续观测数据，划分异动告警阈值，举例说明温度异动告警阈值，下限为冷机打冷温度，上限为当前所在城市最高气温。货损综合得分持续观测数据后，得出异动告警阈值，并按照预测模型，针对未来时间序列内有异动风险数据进行告警。
5、模型评估和优化：
预测误差评估：利用均方误差（MSE）、平均绝对误差（MAE）、R2系数等评估预测误差。
模型优化：根据评估结果，对ARIMA模型进行优化，例如调整阶数p、D和q、增加或减少特征等。
6、预测货损：使用优化后的ARIMA模型对新的数据进行预测，得到货损的预测结果。
7、货损预测与显示模块：该模块接收数据收集与分析中心的结果，根据预设的货损预测模型，对货损进行预测，并将预测结果展示给用户。
此外，本发明提出的货损预测系统还包括以下辅助功能：
数据传输与通信：通过可靠的数据传输与通信技术，系统能够实时接收并处理车载传感器网络发送的数据。
预测模型更新：根据新的历史数据和预测结果，系统能够自动更新货损预测模型，提高预测准确性。
用户界面：通过友好的用户界面，用户可以方便地查看货损预测结果，同时也可以对系统进行设置和调整。
本发明能够实时监测货物状态、准确预测货损情况、降低运输成本并提高客户满意度，具有实际应用的价值。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于车载传感器和大数据的货损预测系统，其特征在于，包括：
车载传感器网络，用于实时监测货物冷链运输中的关键指标数据；
数据收集与分析中心，与所述车载传感器网络进行数据交互，用于对所述关键指标数据进行数据清洗和去噪处理，用于去除无效值、虚点、重影、横向和纵向漂移的噪声数据；
预测模块，与所述数据收集与分析中心进行数据交互，用于基于ARIMA模型，通过获取处理后的所述关键指标数据的时间序列数据进行模型训练，构建货损预测模型，对未来的货损情况进行预测；
货损评价模块，分别与所述数据收集与分析中心和所述预测模块进行数据交互，用于对处理后所述关键指标数据进行分类，获取评价指标，并利用变异系数法确定每个评价指标的权重，获取异动告警阈值，并依据所述货损预测模型，对未来时间序列内存在的异动风险数据进行告警；
模型评估和优化模块，用于根据模型的评估预测误差，对预测模型进行优化；
显示模块，用于显示预测得到的货损结果、告警信息以及处理后的所述关键指标数据。
2.根据权利要求1所述一种基于车载传感器和大数据的货损预测系统，其特征在于：
所述数据收集与分析中心，还用于对所述关键指标数据进行缺失值填充和异常值处理，提高数据质量。
3.根据权利要求2所述一种基于车载传感器和大数据的货损预测系统，其特征在于：
所述数据收集与分析中心，还用于对温度数据、湿度数据和轨迹数据进行去噪处理，并对去噪处理后的数据采用Z-Score标准化方法，进行标准化处理后，形成用于模型训练的数据集，生成处理后的所述关键指标数据。
4.根据权利要求3所述一种基于车载传感器和大数据的货损预测系统，其特征在于：
所述数据收集与分析中心，用于通过空值数据祛除、重影数据抽希和异动数据平滑滤波对所述温度数据和所述湿度数据进行去噪处理。
5.根据权利要求4所述一种基于车载传感器和大数据的货损预测系统，其特征在于：
所述数据收集与分析中心，用于通过所述空值数据祛除、所述重影数据抽希和漂移数据识别与祛除对所述轨迹数据进行去噪处理，其中，通过基于速度的算法来检测和识别所述轨迹数据存在的漂移或偏差。
6.根据权利要求5所述一种基于车载传感器和大数据的货损预测系统，其特征在于：
所述预测模块，用于对时间序列数据进行d阶差分操作，将非平稳序列转化为平稳序列，以消除季节性和趋势性。
7.根据权利要求6所述一种基于车载传感器和大数据的货损预测系统，其特征在于：
所述预测模块，还用于基于所述ARIMA模型，根据差分后的数据，利用自相关函数ACF或偏自相关函数PACF，识别ARIMA模型的阶数p、d和q，其中，当ACF图像呈现拖尾、且PACF图像呈现截尾状态时，当前时间序列适用AR模型，且PACF截尾的滞后阶数d为超参数p值；当PACF图像呈现拖尾、且ACF图像呈现截尾状态时，当前时间序列适用MA模型，且ACF截尾的滞后阶数d为超参数q值。
8.根据权利要求7所述一种基于车载传感器和大数据的货损预测系统，其特征在于：
所述货损评价模块，还用于根据温度，湿度，速度与轨迹三个维度，对处理后所述关键指标数据进行分类，获取评价指标；
根据评价指标的平均值和标准差，生成所述评价指标的变异系数，并根据所述变异系数，获取所述评价指标的权重，其中，所述权重表示为：
；
；
式中，表示变异系数，/>表示平均值，/>表示标准差，其中j表示评价指标，m表示评价指标数目。
9.根据权利要求8所述一种基于车载传感器和大数据的货损预测系统，其特征在于：
所述货损评价模块，还用于根据所述评价指标的权重，构建货损综合评价模型，获取货损综合评价指数，并依据温度，湿度，速度与轨迹三个维度，划分所述异动告警阈值，其中，所述货损综合评价模型表示为：
，
式中，F代表货损综合评价指数，代表/>在数据无量纲化后的数值，/>代表评价指标权重，j代表评价指标，m 代表评价指标数目。
10.根据权利要求9所述一种基于车载传感器和大数据的货损预测系统，其特征在于：
货损预测系统还包括辅助功能模块，用于系统的数据传输与通信、预测模型更新以及为系统用户提供用户界面。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410231811.6A CN117807412B (zh) | 2024-03-01 | 2024-03-01 | 一种基于车载传感器和大数据的货损预测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410231811.6A CN117807412B (zh) | 2024-03-01 | 2024-03-01 | 一种基于车载传感器和大数据的货损预测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117807412A true CN117807412A (zh) | 2024-04-02 |
| CN117807412B CN117807412B (zh) | 2024-04-30 |
Family
ID=90420127
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410231811.6A Active CN117807412B (zh) | 2024-03-01 | 2024-03-01 | 一种基于车载传感器和大数据的货损预测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117807412B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111815348A (zh) * | 2020-05-28 | 2020-10-23 | 杭州览众数据科技有限公司 | 一种基于各门店商品相似度聚类的区域商品生产计划方法 |
| US20220222571A1 (en) * | 2021-01-12 | 2022-07-14 | Optum Technology, Inc. | Column classification machine learning models |
| CN115759500A (zh) * | 2022-11-17 | 2023-03-07 | 黄河科技学院 | 一种基于优化效率评价算法的智能物流运输方法和系统 |
| CN116882755A (zh) * | 2023-07-28 | 2023-10-13 | 鱼快创领智能科技(南京)有限公司 | 一种基于车载Tbox数据预测货车运输路线偷油风险的方法 |
| CN116934383A (zh) * | 2023-08-04 | 2023-10-24 | 滴灌通科技(深圳)有限公司 | 一种基于动态优化的深度门店销售额预测方法 |
| US20230401468A1 (en) * | 2022-05-17 | 2023-12-14 | Dell Products L.P. | Methods and systems for generating forecasts using an ensemble online demand generation forecaster |
-
2024
- 2024-03-01 CN CN202410231811.6A patent/CN117807412B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111815348A (zh) * | 2020-05-28 | 2020-10-23 | 杭州览众数据科技有限公司 | 一种基于各门店商品相似度聚类的区域商品生产计划方法 |
| US20220222571A1 (en) * | 2021-01-12 | 2022-07-14 | Optum Technology, Inc. | Column classification machine learning models |
| US20230401468A1 (en) * | 2022-05-17 | 2023-12-14 | Dell Products L.P. | Methods and systems for generating forecasts using an ensemble online demand generation forecaster |
| CN115759500A (zh) * | 2022-11-17 | 2023-03-07 | 黄河科技学院 | 一种基于优化效率评价算法的智能物流运输方法和系统 |
| CN116882755A (zh) * | 2023-07-28 | 2023-10-13 | 鱼快创领智能科技(南京)有限公司 | 一种基于车载Tbox数据预测货车运输路线偷油风险的方法 |
| CN116934383A (zh) * | 2023-08-04 | 2023-10-24 | 滴灌通科技(深圳)有限公司 | 一种基于动态优化的深度门店销售额预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117807412B (zh) | 2024-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106314438B (zh) | 一种司机驾驶轨迹中异常轨迹的检测方法和系统 | |
| CN109000940B (zh) | 一种机车车辆异常轴温诊断方法及系统 | |
| KR101699884B1 (ko) | Obd와 gps 정보를 이용한 맞춤형 차량정비 관리 시스템 및 방법 | |
| EP3017972B1 (en) | Wheel diagnostic monitoring | |
| KR20140031435A (ko) | 운전 습관 분석 진단 시스템 및 방법 | |
| CN109374631B (zh) | 一种隧道状态评测方法 | |
| CN116110012B (zh) | 用于智慧工地的危险违规动作识别方法及系统 | |
| CN112116023B (zh) | 基于机器学习的轮胎漏气的实时检测方法及存储介质 | |
| KR101823994B1 (ko) | 고위험군 운전자 운행행태 분석시스템 | |
| CN112488995A (zh) | 列车自动化检修的智能判伤方法及系统 | |
| JP2019505892A (ja) | ビッグデータに基づいて道路状態を予測する方法及び装置 | |
| CN114419880A (zh) | 一种基于人车和环境的驾驶行为分析方法及系统 | |
| CN115496386A (zh) | 设备巡检方法、系统及计算机可读存储介质 | |
| CN116911610A (zh) | 运输车辆驾驶安全风险监控及评估预警的方法和系统 | |
| CN107257913A (zh) | 用于更新在导航系统中的停车场信息的方法和导航系统 | |
| CN117807412B (zh) | 一种基于车载传感器和大数据的货损预测系统 | |
| JP6449401B1 (ja) | 点呼・点検支援装置、点呼・点検支援システム及び点呼・点検支援プログラム | |
| CN109625025B (zh) | Btm设备预警系统 | |
| CN112561579A (zh) | 一种基于大数据的线上商品价格评估云计算平台 | |
| JP4044837B2 (ja) | 移動体の異常検出システム、及び移動体の異常検出方法 | |
| CN114066288A (zh) | 一种基于智慧数据中心的营运道路应急检测方法及系统 | |
| CN114004268A (zh) | 一种牵引系统故障的在线诊断方法及装置 | |
| CN108491855B (zh) | 一种信号机故障识别方法 | |
| CN115938120A (zh) | 一种车联网车辆异常行为识别方法及系统 | |
| US20230258534A1 (en) | Tire observation apparatus |
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 |