CN110991974A - 基于gps的运输成本智能核算***及方法 - Google Patents
基于gps的运输成本智能核算***及方法 Download PDFInfo
- Publication number
- CN110991974A CN110991974A CN201911328703.6A CN201911328703A CN110991974A CN 110991974 A CN110991974 A CN 110991974A CN 201911328703 A CN201911328703 A CN 201911328703A CN 110991974 A CN110991974 A CN 110991974A
- Authority
- CN
- China
- Prior art keywords
- transportation cost
- gps
- server
- data
- expense 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013178 mathematical model Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 230000001419 dependent effect Effects 0.000 claims abstract description 8
- 238000012314 multivariate regression analysis Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 19
- 238000012015 optical character recognition Methods 0.000 claims description 7
- 238000003064 k means clustering Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000007620 mathematical function Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 4
- 239000004566 building material Substances 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06Q10/0834—Choice of carriers
- G06Q10/08345—Pricing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及物流成本核算领域，具体涉及一种基于GPS的运输成本智能核算***及方法，包括GPS模块、服务器、远程控制模块、显示屏，GPS模块安装在运输工具或重要的货物上，通过无线网络与服务器连接；服务器通过无线网络与远程控制模块连接；服务器核算步骤包括，S1：提取花费数据，S2：采用聚类分析算法以距离指标为基础对花费数据进行分类，S3：采用多元回归分析以分类后的花费数据为自变量、运输成本为因变量建立数学模型，确定各类花费的影响因子，S4：输出数据到显示屏。本发明可以确定各类花费的影响因子，以便针对性采取措施降低运输成本；通过GPS实时定位，可以实时监督各种花费产生的位置。
Description
技术领域
本发明涉及物流成本核算领域，具体涉及一种基于GPS的运输成本智能核算***及方法。
背景技术
近几年，房地产市场大规模发展，新农村的建设也如火如佘的进行着，这意味着对建筑材料的需求也越来越大。目前工地上大部分建材的运输过程都采用手工整理、手工票据以及人工装卸作业，信息***难以及时跟踪产品以及取得在途信息，不能使客户的需求得到有效满足，同时也使得运输成本管理面临新的挑战。对此，文件CN109993483A公开了一种用于产品生产环节的物流配送***及其物流成本核算方法，包括配送中心、物流中心、位于运输车辆上的GPS定位终端、贴于产品上的RFID电子标签和不同人员使用的移动智能终端；移动智能终端包括发件人移动智能终端、收件人移动智能终端和配送人移动智能终端；配送中心包括配送服务器和在线拣选子***；物流中心包括物流服务器和出仓RFID读卡器。该发明通过创建由生产线、配送中心和物流中心组成的多层次物流构成的服务体系，利用采集设备实时采集产品生产运输过程中各个部门的费用以及运输途中车辆费用信息，提高了物流成本核算进度，提升了产品的管理力度。
由于运输过程中产生的花费零散、种类繁多，有的花费在分类时存在集合交叉的部分。因此，现有的运输成本核算***难以根据花费的本质特点对建材运输过程中产生的花费精确分类；也不能以影响运输成本的因素为自变量、运输成本为因变量建立数学模型，确定各类花费的影响因子，从而针对性采取措施降低运输成本。
发明内容
本发明提供一种基于GPS的运输成本智能核算***及方法对运输过程中的成本进行精确分类后，以影响运输成本的因素为自变量、运输成本为因变量建立数学模型，确定各类花费的影响因子；解决了现有的运输成本核算***不能以影响运输成本的因素为自变量、运输成本为自变量建立数学模型，确定各类花费的影响因子，从而便于针对性采取措施降低运输成本的技术问题。
本发明提供的基础方案为：一种基于GPS的运输成本智能核算***，包括GPS模块、服务器、远程控制模块、显示屏，GPS模块安装在运输工具或重要的货物上，通过无线网络与服务器连接；服务器通过无线网络与远程控制模块连接；服务器核算步骤包括，S1：提取花费数据，S2：采用聚类分析算法以距离指标为基础对花费数据进行分类，S3：采用多元回归分析以分类后的花费数据为自变量、运输成本为因变量建立数学模型，确定各类花费的影响因子，S4：输出数据到显示屏。
本发明的工作原理在于：当货物在运输的过程中产生某种花费时，服务器提取花费数据后，采用聚类分析算法以距离指标为基础对收到的花费数据进行分类，并通过多元回归分析以分类后的花费数据为自变量、运输成本为因变量建立数学模型，确定各类花费的影响因子，然后输出所需要的图表；GPS模块将运输工具的实时位置通过无线网络发送到远程控制模块。本发明的优点在于：以分类后的花费数据为自变量、运输成本为因变量建立数学模型，确定各类花费的影响因子，便于针对性采取措施降低运输成本；通过GPS模块的实时定位，可以快速地发现各种花费所发生的位置从而实时监督。
本发明基于GPS的运输成本智能核算***，采用多元回归分析建立数学模型确定各类花费的影响因子，通过影响因子可以直观地知道各类花费所占的相对比重，从而便于针对性采取措施降低运输成本。除此之外，GPS模块的实时定位可以快速地发现各种花费所发生的位置，从而便于实时进行监督。
进一步，服务器核算步骤还包括反馈、处理和执行；具体步骤如下：S5：反馈，以建立的数学模型计算的运输成本作为反馈；S6：处理，确定数学模型计算的运输成本和实际的运输成本的相对误差；S7：执行，若相对误差大于预设的百分比，则返回步骤S2；若相对误差小于预设的百分比，停止迭代。当花费数据较多时，在大量的数据集合样本上进行聚类可能会导致有偏的结果，这样会使得后续回归分析确定的数学模型不够准确。因此，当回归分析确定的数学模型计算出的运输成本相对误差超过预设值时，有必要重新进行聚类，然后再进行回归。
进一步，步骤S2对花费数据进行分类时采用k均值聚类算法(k-means clusteringalgorithm)；具体步骤包括：S21：输入花费数据；S22：随机选取K个花费数据作为初始的聚类中心；S23：把每个对象分配给距离它最近的聚类中心；S24：重新计算聚类中心；S25：若收敛，输出聚类结果；若不收敛，返回步骤S22。k均值聚类算法是一种经典的迭代求解的聚类分析算法，可以将物理或抽象对象的集合分组为由类似的对象组成的多个类。运输过程中产生的花费，采用传统的分类方法会使得类别繁多，甚至出现不同类别相互交叉的情形，不便于针对性统计与分析。k均值聚类算法分出的同一个类别的对象有很大的相似性，相似的花费皆被并入到同一类别中，这有利于后续对花费数据进行数学建模，从而进行统计与分析。
进一步，服务器将花费数据先转化为标准分，再进行线性回归；具体步骤如下：S31：将所有花费数据变量转化为标准分，Z＝(X-X0)/S；式中X为原始花费，X0为原始花费的平均数，S为原始花费的标准差；S32：初步设定回归方程；S33：求出回归系数；S34：得到运输成本与花费的数学函数；S35：输出数据到显示屏。由于每种花费数据的单位可能不一样，变量前系数的大小并不能说明该因素的重要程度。比如工资支出，如果用元为单位就比用百元为单位所得的回归系数要小，但是工资支出对运输成本的影响程度并没有变。因此，将所有花费数据先转化为标准分再进行线性回归，得到的回归系数就能准确地反映对应花费的重要程度。
进一步，服务器搭载有扫描软件，用于获取花费数据。扫描是利用光电技术和数字处理技术，将图形或图像信息转换为数字信号的装置。扫描***、合同时，不受外界光线的影响，精度和还原度都比较高。而用相机拍摄，会受到外界环境尤其是光线的影响，拍摄出来的照片光线不均匀、还原度较低。
进一步，服务器搭载有光学字符识别(OCR)软件，用于提取花费数据；具体步骤如下：S11：图片输入与预处理；S12：二值化；S13：图像降噪；S14：倾斜校正；S15：文字特征抽取；S16：对比数据库；S17：对比识别；S18：结果输出。OCR(Optical CharacterRecognition，光学字符识别)是指电子设备检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程。目前OCR技术已经非常成熟，市面上有很多款商用软件，采用OCR软件能够快速、精确地提取各种***、合同的数据。
进一步，远程控制模块采用网络计算机。网络计算机与传统的PC、无盘站构建的网络***相比，***整体安全性得到提高；升级换代的成本低于PC或无盘站，只需服务器端升级即可，终端本身不再需要任何升级；数据全部保存在服务器端，具有安全、高效的数据保护机制。
进一步，还包括云摄像头，云摄像头通过网络与远程控制模块连接。云摄像头安装在运输工具上，可以实时观察驾驶人员的动态从而防止弄虚作假。
进一步，显示屏包括第一显示屏和第二显示屏；第一显示屏，用于实时显示服务器输出的各种图表和数据；第二显示屏，用于实时显示GPS定位的位置、运输记录、车辆轨迹记录和云摄像头传来的视频。两个显示屏分别显示实时的图表和运输过程中的位置和视频，既能定量了解货物运输过程中产生花费的具体数据，又能通过云摄像头的视频观察到花费产生的具***置和情况。
附图说明
图1为本发明基于GPS的运输成本智能核算***实施例的***结构框图。
具体实施方式
下面通过具体实施方式进一步详细的说明：
实施例1
本发明基于GPS的运输成本智能核算***实施例基本如附图1所示，包括GPS模块、云摄像头、服务器、远程控制模块、第一显示屏和第二显示屏。
GPS模块采用佳明GPSMAP 62sc***，安装在运输工具或重要的货物上；通过无线网络与服务器连接将运输工具的实时位置通过无线网络发送到服务器。服务器采用戴尔(DELL)R730/R740 2U机架式服务器，将获取的实时位置信息发送到远程控制模块，远程控制模块采用华为FusionServer 2288H V5型号的服务器。戴尔(DELL)R730/R740 2U机架式服务器安装在运输工具上，搭载有微软公司开发的Office Lens软件和厦门云脉技术有限公司开发的云脉OCR软件，也安装有SPSS软件；该服务器通过无线网络与远程控制模块连接。云摄像头采用海康威视DS-2DC6220IW-A型云摄像头，安装在运输工具的驾驶室内，通过无线网络将拍摄的实时视频发送给远程控制模块的服务器。
当货物在运输的过程中产生某种花费时，对方会开出***或者合同。工作人员拿到***或者合同后，启动戴尔(DELL)R730/R740 2U机架式服务器上的Office Lens软件，扫描相应的***、合同等资料。Office Lens完成对***和合同等材料的扫描后，启动OCR软件提取***、合同上的文字与数据。OCR软件提取***、合同上的文字与数据的具体步骤如下：步骤一，输入扫描的***、合同等图片，对图片进行影像预处理，将图片中的表格及文字区域分离出来。以降低特征提取算法的难度，并提高识别的精度。步骤二，二值化。由于***或者合同书可能包含彩色图像，彩色图像所含的信息量很大。在对图片中的文字进行识别处理前，对图像进行二值化处理使其只包含黑色的前景信息和白色的背景信息，有利于提升识别处理的效率和精确度。步骤三，图像降噪。由于运输途中的客观条件以及文档自身印刷质量限制，在进行文字识别处理前根据噪声的特征对待识别图像去噪，有利于提升识别处理的精确度。步骤四，倾斜校正。扫描的***或合同由于或多或少都会存在一些倾斜，在进行文字识别处理前进行图像方向检测并校正图像方向，有利于提升识别处理的精确度。步骤五，文字特征抽取。文字影像细线化后，取得字的笔划端点、交叉点之数量及位置，或以笔划段为特征，配合特殊的比对方法，进行比对。步骤六，对比数据库。当输入文字算完特征后，与比对数据库或特征数据库来进行比对。步骤七，对比识别。利用各种特征比对方法识别出结果。步骤八，结果输出。与Excel软件结合，将提取的数据生成为表格形式。
花费数据提取完毕后，SPSS软件读取OCR软件提取的Excel表格形式的花费数据，采用k均值聚类算法对花费数据进行分类。具体步骤如下：步骤一，输入OCR软件提取的花费数据。步骤二，随机选取K个花费数据作为初始的聚类中心。步骤三，把每个对象分配给距离它最近的聚类中心。步骤四，重新计算聚类中心。步骤五，若收敛，输出聚类结果；若不收敛，返回步骤二。
花费数据分类完毕后，SPSS软件将聚类后的各类花费数据先转化为标准分，然后进行多元线性回归。具体步骤如下：步骤一，将所有花费数据变量转化为标准分Z，Z＝(X-X0)/S；式中X为原始花费，X0为原始花费的平均数，S为原始花费的标准差。步骤二，初步设定回归方程。步骤三，求出回归系数。步骤四，得到运输成本与花费的数学函数。步骤五，以建立的数学模型计算的运输成本作为反馈。步骤六，确定数学模型计算的运输成本云实和实际的运输成本的相对误差。步骤七，若相对误差大于预设的百分比，则执行步骤二；若相对误差小于预设的百分比，停止迭代。步骤八，输出各种图表。如扇形图，用扇形的面积表示部分在总体中所占的百分比，易于显示每种花费相对于运输成本的大小。
各种图表输出后，戴尔(DELL)R730/R740 2U机架式服务器将SPSS软件输出的各种图表发送到华为FusionServer 2288H V5型号的服务器，该服务器通过第一显示屏实时显示各种图表和数据。GPS模块采集的实时位置和云摄像头拍摄的实时视频被发送到华为FusionServer 2288H V5型号的服务器，该服务器通过第二显示屏实时显示GPS定位的位置、运输记录、车辆轨迹记录和云摄像头传来的视频。第一显示片与第二显示屏均采用三星S27R750QEC型显示屏，两个显示屏分别显示实时的图表和运输过程中的位置和视频，既能定量了解货物运输过程中产生花费的具体数据，又能通过云摄像头的视频观察到花费产生的具***置和情况。
实施例2
与实施例1相比，不同之处仅在于：
服务器采用SAS软件，该软件把数据存取、管理、分析和展现有机地融为一体，具有功能强大、统计方法齐全，使用简便、操作灵活，能够提供联机帮助功能等优点。该软件可实现对花费数据的准确归类并生成工作人员需要的图表等，从而为工作人员提供可视化的数据。第一显示屏和第二显示屏可合并为一块显示屏，一部分显示SAS软件输出的图表和数据，另一部分显示实时的定位和视频。这样更加方便工作人员同时查看运输过程的动态，从而确定各种花费产生的具体地点。
实施例3
与实施例1相比，不同之处仅在于：
在运输工具上还安装有压力传感器，压力传感器获取运输工具与所运输的货物的总重量随时间的变化曲线，并将该变化曲线发送到戴尔(DELL)R730/R740 2U机架式服务器。
由于运输途中会经过减速坎、凹凸不平的路况，同时也会出现司机急刹车、急加速的情形。因此，由于惯性力的作用，压力传感器获取到的运输工具与所运输的货物的总重量会随着时间有一定幅度的波动。但这个幅度通常很小，比如在1％以内；持续的时间也很短，比如几分钟。当戴尔(DELL)R730/R740 2U机架式服务器检测到总重量在振荡状态下的波峰超过预设的阈值(比如2％)，就控制海康威视DS-2DC6220IW-A型云摄像头打开，拍摄视频。总重量的波动幅度过大，很可能不是由于行驶途中的惯性力引起的，这种情况下可能出现有人私自将货物卸下或者将货物掉包的情形。因此，这个时候打开云摄像头很容易观察到总重量的大幅度波动是不是有人私自将货物卸下或者将货物掉包所引起的；从而防止工作人员监守自盗，增加额外的花费。
以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (10)
1.基于GPS的运输成本智能核算***，其特征在于：包括GPS模块、服务器、远程控制模块、显示屏，GPS模块安装在运输工具或重要的货物上，通过无线网络与服务器连接；服务器通过无线网络与远程控制模块连接；服务器核算步骤包括，S1：提取花费数据，S2：采用聚类分析算法以距离指标为基础对花费数据进行分类，S3：采用多元回归分析以分类后的花费数据为自变量、运输成本为因变量建立数学模型，确定各类花费的影响因子，S4：输出数据到显示屏。
2.根据权利要求1所述的基于GPS的运输成本智能核算***，其特征在于：服务器的核算步骤还包括反馈、处理和执行；具体步骤如下：S5：反馈，以建立的数学模型计算的运输成本作为反馈；S6：处理，确定数学模型计算的运输成本和实际的运输成本的相对误差；S7：执行，若相对误差大于预设的百分比，则返回步骤S2；若相对误差小于预设的百分比，停止迭代。
3.根据权利要求2所述的基于GPS的运输成本智能核算***，其特征在于：步骤S2对花费数据进行分类时采用k均值聚类算法；具体步骤包括：S21：输入花费数据；S22：随机选取K个花费数据作为初始的聚类中心；S23：把每个对象分配给距离它最近的聚类中心；S24：重新计算聚类中心；S25：若收敛，输出聚类结果；若不收敛，返回步骤S22。
4.根据权利要求3所述的基于GPS的运输成本智能核算***，其特征在于：服务器将花费数据先转化为标准分，再进行线性回归；具体步骤包括：S31：将所有花费数据变量转化为标准分Z，Z＝(X-X0)/S；式中X为原始花费，X0为原始花费的平均数，S为原始花费的标准差；S32：初步设定回归方程；S33：求出回归系数；S34：得到运输成本与花费的数学函数；S35：输出数据。
5.根据权利要求4所述的基于GPS的运输成本智能核算***，其特征在于：服务器搭载有扫描软件，用于获取花费数据。
6.根据权利要求5所述的基于GPS的运输成本智能核算***，其特征在于：服务器搭载有光学字符识别(OCR)软件，用于提取花费数据；具体步骤包括：S11：图片输入与预处理；S12：二值化；S13：图像降噪；S14：倾斜校正；S15：文字特征抽取；S16：对比数据库；S17：对比识别；S18：结果输出。
7.根据权利要求6所述的基于GPS的运输成本智能核算***，其特征在于：远程控制模块采用网络计算机。
8.根据权利要求7所述的基于GPS的运输成本智能核算***，其特征在于：还包括云摄像头，云摄像头通过网络与远程控制模块连接。
9.根据权利要求8所述的基于GPS的运输成本智能核算***，其特征在于：显示屏包括第一显示屏和第二显示屏；第一显示屏，用于实时显示服务器输出的各种图表和数据；第二显示屏，用于实时显示GPS定位的位置、运输记录、车辆轨迹记录和云摄像头传来的视频。
10.基于GPS的运输成本智能核算方法，其特征在于：包括以下步骤：
S01：提取花费数据，
S02：采用聚类分析算法以距离指标为基础对花费数据进行分类，
S03：将花费数据先转化为标准分，再采用多元回归分析以分类后的花费数据为自变量、运输成本为因变量建立数学模型，确定各类花费的影响因子；
S04：以建立的数学模型计算的运输成本作为反馈；
S05：确定数学模型计算的运输成本和实际的运输成本的相对误差；
S06：若相对误差大于预设的百分比，则返回步骤S02；若相对误差小于预设的百分比，停止迭代；
S07：输出各种图表；
S08：通过屏幕显示图表。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911328703.6A CN110991974A (zh) | 2019-12-20 | 2019-12-20 | 基于gps的运输成本智能核算***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911328703.6A CN110991974A (zh) | 2019-12-20 | 2019-12-20 | 基于gps的运输成本智能核算***及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110991974A true CN110991974A (zh) | 2020-04-10 |
Family
ID=70074386
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911328703.6A Pending CN110991974A (zh) | 2019-12-20 | 2019-12-20 | 基于gps的运输成本智能核算***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110991974A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10340368A (ja) * | 1997-06-06 | 1998-12-22 | Omron Corp | 金券処理システムとこの金券処理システムに用いられる端末装置及びホスト装置 |
| CN104386337A (zh) * | 2014-10-31 | 2015-03-04 | 浙江工商大学 | 一种托盘储运防盗***及其方法 |
| CN105329206A (zh) * | 2014-08-12 | 2016-02-17 | 重庆能凯科技有限公司 | 货车用防盗监控报警装置 |
| CN106650774A (zh) * | 2016-10-11 | 2017-05-10 | 国云科技股份有限公司 | 一种数据分析中获取因变量与自变量回归关系的方法 |
| CN106875546A (zh) * | 2017-02-10 | 2017-06-20 | 大连海事大学 | 一种增值税***的识别方法 |
| CN107194400A (zh) * | 2017-05-31 | 2017-09-22 | 北京天宇星空科技有限公司 | 一种财务报销全票据图片识别处理方法 |
| CN109993483A (zh) * | 2019-03-15 | 2019-07-09 | 安徽省司尔特肥业股份有限公司 | 用于产品生产环节的物流配送***及其物流成本核算方法 |
| CN110147973A (zh) * | 2019-05-22 | 2019-08-20 | 上海云粟数据技术服务有限公司 | 基于物联网设备的运费核算方法及装置 |
| CN110533357A (zh) * | 2019-06-06 | 2019-12-03 | 上海凯京信达科技集团有限公司 | 一种基于大数据的货运成本的计算方法 |
-
2019
- 2019-12-20 CN CN201911328703.6A patent/CN110991974A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10340368A (ja) * | 1997-06-06 | 1998-12-22 | Omron Corp | 金券処理システムとこの金券処理システムに用いられる端末装置及びホスト装置 |
| CN105329206A (zh) * | 2014-08-12 | 2016-02-17 | 重庆能凯科技有限公司 | 货车用防盗监控报警装置 |
| CN104386337A (zh) * | 2014-10-31 | 2015-03-04 | 浙江工商大学 | 一种托盘储运防盗***及其方法 |
| CN106650774A (zh) * | 2016-10-11 | 2017-05-10 | 国云科技股份有限公司 | 一种数据分析中获取因变量与自变量回归关系的方法 |
| CN106875546A (zh) * | 2017-02-10 | 2017-06-20 | 大连海事大学 | 一种增值税***的识别方法 |
| CN107194400A (zh) * | 2017-05-31 | 2017-09-22 | 北京天宇星空科技有限公司 | 一种财务报销全票据图片识别处理方法 |
| CN109993483A (zh) * | 2019-03-15 | 2019-07-09 | 安徽省司尔特肥业股份有限公司 | 用于产品生产环节的物流配送***及其物流成本核算方法 |
| CN110147973A (zh) * | 2019-05-22 | 2019-08-20 | 上海云粟数据技术服务有限公司 | 基于物联网设备的运费核算方法及装置 |
| CN110533357A (zh) * | 2019-06-06 | 2019-12-03 | 上海凯京信达科技集团有限公司 | 一种基于大数据的货运成本的计算方法 |
Non-Patent Citations (1)
| Title |
|---|
| 马昕;张雅雄;: "K-最近邻、K均值聚类法和投影寻踪模式识别方法用于有机物熔点的定量构效关系研究" * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10205871B1 (en) | Focus specification and focus stabilization | |
| US11030442B1 (en) | Associating events with actors based on digital imagery | |
| US9830704B1 (en) | Predicting performance metrics for algorithms | |
| US11861927B1 (en) | Generating tracklets from digital imagery | |
| JP6687364B2 (ja) | 画像署名をフィッシャーベクトルとマッチングするための適応型語彙 | |
| CN108229297B (zh) | 人脸识别方法和装置、电子设备、计算机存储介质 | |
| US8645216B2 (en) | Enrollment apparatus, system, and method | |
| US20130163822A1 (en) | Airborne Image Capture and Recognition System | |
| US11284041B1 (en) | Associating items with actors based on digital imagery | |
| US20140369566A1 (en) | Perimeter Image Capture and Recognition System | |
| CN105528604A (zh) | 一种基于ocr的票据自动识别与处理*** | |
| Türkyılmaz et al. | License plate recognition system using artificial neural networks | |
| CN101989327A (zh) | 图像分析装置及图像分析方法 | |
| DE112020004597T5 (de) | Elektronische vorrichtung zur automatisierten benutzeridentifizierung | |
| US10956744B2 (en) | Methods for categorizing input images for use e.g. as a gateway to authentication systems | |
| CN110929626A (zh) | 确定库存货物件数的方法、仓库盘点方法、装置及设备 | |
| CN114550051A (zh) | 一种车损检测方法、装置、计算机设备及存储介质 | |
| CN115862113A (zh) | 陌生人异常识别方法、装置、设备及存储介质 | |
| CN111738199A (zh) | 图像信息验证方法、装置、计算装置和介质 | |
| Pinthong et al. | The License Plate Recognition system for tracking stolen vehicles | |
| CN110991974A (zh) | 基于gps的运输成本智能核算***及方法 | |
| Thaiparnit et al. | Tracking vehicles system based on license plate recognition | |
| Gomathy et al. | Face recognition based student detail collection using opencv | |
| CN114187476A (zh) | 基于图像分析的车险信息核对方法、装置、设备及介质 | |
| CN114840748A (zh) | 基于人脸识别的信息推送方法、装置、设备及存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200410 |