CN114331257A - 物流运输装载管理方法、装置、设备及存储介质 - Google Patents

Abstract

本发明涉及计算机技术领域，公开了一种物流运输装载管理方法、装置、设备及存储介质，方法包括：接收运输指令，并根据运输指令确定对应的目标运输路线和始发发车时间，目标运输路线为物流数据库中预先存储的固定发车路线；判断目标运输路线为直达路线还是中转路线，并获取目标运输路线上各物流网点信息，其中各物流网点信息包括网点位置、运输任务；将各物流网点信息输入到预置的任务分配模型，输出执行运输任务的目标货车的车辆信息；获取约束数据，以确定各待装货物的装载位置和装载顺序，并计算目标货车的货物装载率；本发明提高目标货车车厢的空间利用率，从而提高了运输效率，降低了物流成本；提高目标货车的运行安全性和可靠性。

Description

物流运输装载管理方法、装置、设备及存储介质

技术领域

本发明涉及计算机技术领域，尤其涉及一种物流运输装载管理方法、装置、设备及存储介质。

背景技术

随着电子商务快速发展，国民经济加快转型，我国的物流行业得到长足的发展；物流货车是物流仓库管理中重要的部分，提高货车的车厢装载率有助于提高货物流通效率；车辆装载率是指运输车辆装载货物的体积占可用体积的比率，通常用来表示车辆空间的利用率，车辆装载率反映车辆和快递包裹配置的合理性。

目前物流装载仍采用人工的方式，全靠装载工人的经验来进行装载，装载工人一般随意摆放包裹，这样会造成对车辆装载空间一定程度的浪费，这样物流企业需要多派车才能完成运输，导致交通资源的浪费，货车装载率不均衡，导致货物配送效率低，造成了物流资源的浪费，增加了物流成本。

发明内容

有鉴于此，有必要针对货车装载率不均衡等的问题，提供一种物流运输装载管理方法、装置、设备及存储介质。

一种物流运输装载管理方法，所述物流运输装载管理方法包括以下步骤：

接收运输指令，并根据所述运输指令确定对应的目标运输路线和始发发车时间，所述目标运输路线为物流数据库中预先存储的固定发车路线；

判断所述目标运输路线为直达路线还是中转路线，并获取所述目标运输路线上各物流网点信息，其中各物流网点信息包括网点位置、运输任务；

将各物流网点信息输入到预置的任务分配模型，输出执行运输任务的目标货车的车辆信息；

获取约束数据，以确定各待装货物的装载位置和装载顺序，并计算所述目标货车的货物装载率。

在其中一个实施例中，获取所述目标运输路线中的各物流网点以及对应的网点位置，其中所述物流网点至少包括起始网点和末端网点；

根据所述网点位置计算相邻物流网点之间的距离，并根据所述始发发车时间确定各物流网点的到达时间节点，其中所述始发发车时间为所述目标货车从所述起始网点发出的时间；

根据各物流网点的到达时间节点，确定各物流网点的接单截止时间；

获取各物流网点在所述接单截止时间之前生成的货物运输订单，并确定每个所述货物运输订单中待装货物的运输数据，以生成各物流网点对应的运输任务。

在其中一个实施例中，获取多条带有待运输标签的运输任务，将所述运输任务中的每一个运输数据按照数量、重量和体积进行分类，形成多个训练样本子集；

将每个所述训练样本子集采用机器学习算法进行训练得到对应的任务分配子模型，基于所述运输任务中对应的数量、重量和体积之间的映射关系，将所述多个任务分配子模型，利用决策树算法进行决策融合形成任务分配模型。

在其中一个实施例中，获取各物流网点信息中的运输任务，提取所述运输任务中对应的运输数据，所述运输数据包括待装货物的数量、重量和体积；

将所述运输数据输入至所述任务分配模型，通过对应的任务分配子模型分析得到各物流网点对应的和值数据，所述和值数据包括数量和值、重量和值和体积和值；

基于所述和值数据，通过所述任务分配模型输出目标货车的车辆信息，所述车辆信息至少包括车辆长度、车辆宽度、车辆高度、承载能力。

在其中一个实施例中，基于所述目标货车的车辆信息，确定所述约束数据，所述约束数据包括底面积约束、长宽高约束、体积约束、载重约束、承载能力约束和稳定性约束；

根据所述目标运输路线和各物流网点的运输任务，确定各待装货物的卸载顺序；

根据所述约束数据和所述卸载顺序，确定各待装货物的装载位置和装载顺序；

将各待装货物的装载位置和装载顺序上传至区块链节点中进行存储。

在其中一个实施例中，获取所述目标货车的车厢体积；

当所述目标货车在各物流网点装载完成后，获取所述目标货车的多张车厢内部图像；

采用边缘检测算法检测多张所述车厢内部图像，获取已装载货物的边缘信息，结合所述已装载货物的边缘信息计算货物体积；

根据货物体积和车厢体积的比值，确定所述目标货车的货物装载率。

一种物流运输装载管理装置，所述物流运输装载管理装置包括：

接收模块，用于接收运输指令，并根据所述运输指令确定对应的目标运输路线和始发发车时间，所述目标运输路线为物流数据库中预先存储的固定发车路线；

判断模块，用于判断所述目标运输路线为直达路线还是中转路线，并获取所述目标运输路线上各物流网点信息，其中各物流网点信息包括网点位置、运输任务；

输出模块，用于将各物流网点信息输入到预置的任务分配模型，输出执行运输任务的目标货车的车辆信息；

计算模块，用于获取约束数据，以确定各待装货物的装载位置和装载顺序，并计算所述目标货车的货物装载率。

在其中一个实施例中，所述判断模块，包括：

获取子模块，用于获取所述目标运输路线中的各物流网点以及对应的网点位置，其中所述物流网点至少包括起始网点和末端网点；

计算子模块，用于根据所述网点位置计算相邻物流网点之间的距离，并根据所述始发发车时间确定各物流网点的到达时间节点，其中所述始发发车时间为所述目标货车从所述起始网点发出的时间；

确定子模块，用于根据各物流网点的到达时间节点，确定各物流网点的接单截止时间；

生成子模块，用于获取各物流网点在所述接单截止时间之前生成的货物运输订单，并确定每个所述货物运输订单中待装货物的运输数据，以生成各物流网点对应的运输任务。

一种物流运输装载管理装置，所述物流运输装载管理装置包括：

一种物流运输装载管理设备，所述物流运输装载管理设备包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中的所述指令，以使得所述物流运输装载管理设备执行上述所述的物流运输装载管理方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的物流运输装载管理方法的步骤。

上述物流运输装载管理方法、装置、设备及存储介质，通过接收运输指令，并根据所述运输指令确定对应的目标运输路线和始发发车时间，所述目标运输路线为物流数据库中预先存储的固定发车路线；判断所述目标运输路线为直达路线还是中转路线，并获取所述目标运输路线上各物流网点信息，其中各物流网点信息包括网点位置、运输任务；将各物流网点信息输入到预置的任务分配模型，输出执行运输任务的目标货车的车辆信息；获取约束数据，以确定各待装货物的装载位置和装载顺序，并计算所述目标货车的货物装载率；本发明提高目标货车车厢的空间利用率，从而提高了运输效率，降低了物流成本；能够保证货物在车厢内的合理布置和重量均衡分布，避免车辆出现超载、偏载的现象，提高目标货车的运行安全性和可靠性。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。

图1为本发明物流运输装载管理方法的第一个实施例示意图；

图2为本发明物流运输装载管理方法的第二个实施例示意图；

图3为本发明物流运输装载管理装置的第一个实施例示意图；

图4为本发明物流运输装载管理装置的第二个实施例示意图；

图5为本发明物流运输装载管理设备的一个实施例示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。

作为一个较好的实施例，如图1所示，一种物流运输装载管理方法，用于物流运输装载管理，该物流运输装载管理方法包括以下步骤：

步骤101、接收运输指令，并根据运输指令确定对应的目标运输路线和始发发车时间；

可以理解的是，本发明的执行主体可以为物流运输装载管理装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。

本实施例中，快速提高交付效率的理想和物流运营难度增加的现实，其间横亘不止这一个难点，主要包括：调度排线和城市道路情况复杂，最大装载率和最优配送路径平衡等等。采用智能云自动排单排线智能调度，借助路网矩阵的算法，提供了可选择的路径最优或者里程最短的场景选择，解决人工调度排线所带来的问题，提高基于运输指令排线效率，智能云输出目标运输路线和始发发车时间，目标运输路线为物流数据库中预先存储的固定发车路线。

步骤102、判断目标运输路线为直达路线还是中转路线，并获取目标运输路线上各物流网点信息；

本实施例中，该步骤的目的是确定目标运输路线线上网点数量，以便于对运输装载规划，例如若目标运输路线为中转路线，则说明在该目标运输路线上会经过一个或多个中转网点，确定各物流网点后，便于针对物流网点进行物流网点信息统计，各物流网点信息包括网点位置、运输任务，运输任务该物流网点对应的待装货物总和；在一个实施例中物流网点信息确定包括步骤1021-步骤1024。

步骤1021、获取目标运输路线中的各物流网点以及对应的网点位置；

具体的，物流网点至少包括起始网点和末端网点，若目标运输路线为中转路线，则物流网点包括起始网点、一个或多个中转网点和末端网点，对应的网点位置通过电子地图获得。

步骤1022、根据网点位置计算相邻物流网点之间的距离，并根据始发发车时间确定各物流网点的到达时间节点；

具体的，在目标运输路线上各物流网点的网点位置确定之后，服务器可以计算任意相邻的两个物流网点之间的距离，由于始发发车时间为目标货车从起始网点发出的时间，即服务器可以根据始发发车时间确定各物流网点的到达时间节点；例如，物流网点A与物流网点B之间的距离为500米。

步骤1023、根据各物流网点的到达时间节点，确定各物流网点的接单截止时间；

具体的，为了给拣选作业人员以及后续的复核、打包等作业人员预留一定的作业时间，为每个货车的到达时间节点确定对应的接单截止时间。示例性的，可将到达时间节点的前1个小时(可根据实际情况进行调整)对应的时间作为该接单截止时间。

步骤1024、获取各物流网点在接单截止时间之前生成的货物运输订单，并确定每个货物运输订单中待装货物的运输数据，以生成各物流网点对应的运输任务。

具体的，当当前时间为接单截止时间时，***停止接单，每个物流网点的服务器统计自己网点在接单截止时间所接收到的多个货物运输订单，货物运输订单上包括收件地址、寄件地址、运输数据等信息，其中运输数据为寄件的货物信息，包括货物的待装货物的数量、重量和体积，每个物流网点统计所有的运输数据，生成每个物流网点对应的运输任务。

步骤103、将各物流网点信息输入到预置的任务分配模型，输出执行运输任务的目标货车的车辆信息；

本实施例中，该步骤的目的是基于目标运输路线上物流网点的运输任务以及网点位置，确定对应的目标货车，以及获取目标货车的车辆信息；在一个实施例中，具体过程如步骤1031-步骤1033所示。

步骤1031、获取各物流网点信息中的运输任务，提取运输任务中对应的运输数据；

具体的，服务器获取各物流网点信息中的运输任务，并从运输任务中对应的运输数据，运输数据包括待装货物的数量、重量和体积。

步骤1032、将运输数据输入至任务分配模型，通过对应的任务分配子模型分析得到各物流网点对应的和值数据，和值数据包括数量和值、重量和值和体积和值；

具体的，任务分配模型基于机器学习算法训练得到，和值数据为物流网点中待装货物的最优数值，例如体积和值考虑到左右/前后/上下空间合并，空间划分过程中会不断地出现小空间，过多的小空间不利于货物的继续装载，可通过空间合并形成新的较大空间，以使待装货物的体积最小，从而提高装载率。

步骤1033、基于和值数据，通过任务分配模型输出目标货车的车辆信息。

具体的，根据数量和值、重量和值和体积和值，通过任务分配模型输出目标货车的车辆信息；例如4.2米全封闭厢车载重5吨、9.6米前四后四全封闭厢车载重15吨、8.6米全封闭厢车载重15吨等；目标货车的车辆信息至少包括车辆长度、车辆宽度、车辆高度、承载能力。

步骤104、获取约束数据，以确定各待装货物的装载位置和装载顺序，并计算目标货车的货物装载率。

本实施例中，在运输过程中保证装载重量利用率最大、空间利用率最大、面积利用率最大、运输总成本最低等条件，可以降低物流成本，提高运输效率，所以需要合理规划和利用目标货车的车厢空间；基于目标运输路线，若目标运输路线为中转路线，则目标货车在到达中转网点时就需要甩货、交货，那么规划装载货物就很有必要，同时更新目标的货物装载率。在一个实施例中，确定各待装货物的装载位置和装载顺序如步骤1041-步骤1044所示。

步骤1041、基于目标货车的车辆信息，确定约束数据；

具体的，约束数据包括底面积约束、长宽高约束、体积约束、载重约束、承载能力约束和稳定性约束；例如：∑_il_i≤L、∑_iw_i≤W、∑_ih_i≤H、∑_il_i×w_i×h_i≤L×W×H，式中待装货物长l_i、宽w_i、高h_i(i＝1,2,...,n)，目标货车长L、宽W、高H，装入目标货车车厢的货物长、宽、高均不超过货车车厢的长、宽、高，货物总体积不超过货车车厢体积。

步骤1042、根据目标运输路线和各物流网点的运输任务，确定各待装货物的卸载顺序；

具体的，若目标运输路线为中转路线，则目标货车在到达中转网点时就需要甩货、交货，所以在中转网点的时候就存在有些货物需要卸货的问题；例如根据目标运输路线和各物流网点的运输任务确定各待装货物的卸载顺序的实现可以为：根据各待装货物对应的物流网点在目标运输路线中的顺序确定为卸载顺序。

步骤1043、根据约束数据和卸载顺序，确定各待装货物的装载位置和装载顺序；

具体的，装载位置和装载顺序的规划可以提高目标货车车厢的利用率；货物装载位置和装载顺序的实现可以为：将每个货物的箱子依次按照体积a₁(l×w×h)、底面积a₂(l×w)、高度a₃(h)的降序规则进行排序，即根据装载空间剩余的变化，优先装载体积较大的箱子；当2个货物的箱子体积相同时，优先装载底面积较大的箱子，为后续装载的货物提供较大的底面支撑面积，最后为了有效利用空间，优先装载高度较高的货物，货物挤压不变；货物装载位置和装载顺序的实现可以为：当一个箱子装进车厢后，该车厢的剩余空间被分为前方(Y轴方向)、上方(Z轴方向)和右方(X轴方向)3个部分，为最大限度地防止空间浪费，剩余体积最小的空间优先被选择；本发明中对装载位置和装载顺序的实现方式具体不做限定。

步骤1044、将各待装货物的装载位置和装载顺序上传至区块链节点中进行存储。

具体的，将各待装货物的装载位置和装载顺序上传至区块链网络中进行存储，由于区块链技术具有不可篡改性使得信息的真实性得到了保证，从而实现确认信息的准确来源，保证各待装货物的装载位置和装载顺序可追溯性。

在一个实施例中，计算目标货车的货物装载率如步骤1045-步骤1048所示。

步骤1045、获取目标货车的车厢体积；

具体的，根据目标货车的长l、宽w、高h，计算得到目标货车的车厢体积。

步骤1046、当目标货车在各物流网点装载完成后，获取目标货车的多张车厢内部图像；

具体的，如装入车厢时，目标货车停靠的位置设置摄像头，将每个摄像头采集的数据接入到服务器，为每一路视频实例化一个行为监控***，从监控视频中可以截取视频流中的一帧图片，并经过处理得到目标货车的多张车厢内部图像。

步骤1047、采用边缘检测算法检测多张车厢内部图像，获取已装载货物的边缘信息，结合已装载货物的边缘信息计算货物体积；

具体的，实现图像的边缘检测，就是要用离散化梯度逼近函数根据二维灰度矩阵梯度向量来寻找图像灰度矩阵的灰度跃变位置，然后在图像中将这些位置的点连起来就构成了所谓的图像边缘，所以具体的边缘检测过程在此不做阐述；在高阈值图像中把边缘链接成轮廓，当到达轮廓的端点时，该算法会在断点的8邻域点中寻找满足低阈值的点，再根据此点收集新的边缘，直到整个图像边缘闭合，结合已装载货物的边缘信息计算货物体积。

步骤1048、根据货物体积和车厢体积的比值，确定目标货车的货物装载率。

具体的，货物装载率基于到达的物流网点实时更新，便于物流智能规划，提高目标货车司机的交底效率。

本发明实施例中，通过接收运输指令，并根据运输指令确定对应的目标运输路线和始发发车时间，目标运输路线为物流数据库中预先存储的固定发车路线；判断目标运输路线为直达路线还是中转路线，并获取目标运输路线上各物流网点信息，其中各物流网点信息包括网点位置、运输任务；将各物流网点信息输入到预置的任务分配模型，输出执行运输任务的目标货车的车辆信息；获取约束数据，以确定各待装货物的装载位置和装载顺序，并计算目标货车的货物装载率；本发明提高目标货车车厢的空间利用率，从而提高了运输效率，降低了物流成本；能够保证货物在车厢内的合理布置和重量均衡分布，避免车辆出现超载、偏载的现象，提高目标货车的运行安全性和可靠性。

请参阅图2，本发明实施例中物流运输装载管理方法的第二个实施例包括：

步骤201、获取多条带有待运输标签的运输任务，将运输任务中的每一个运输数据按照数量、重量和体积进行分类，形成多个训练样本子集；

本实施例中，在进行机器学习时，根据处理问题的不同，所需要的训练样本不同，根据要解决的问题的实际需要，形成多个训练样本子集。服务器获取运输任务，由于运输任务是各物流网点的数据总和，所以服务器需要提取运输任务中的运输数据，再对运输数据里的每个数据进行分类，在装载过程中，货物的数量、重量和体积具有决定因素，所以可以将运输数据分为数量、重量和体积三类，以形成对应的训练样本子集。

步骤202、将每个训练样本子集采用机器学习算法进行训练得到对应的任务分配子模型，基于运输任务中对应的数量、重量和体积之间的映射关系，将多个任务分配子模型，利用决策树算法进行决策融合形成任务分配模型。

本实施例中，机器学习算法可以为：Spark(火花)机器学习、XGBoost(eXtremeGradient Boosting，极端梯度提升)机器学习，由于每个运输任务中包含多个订单的运输数据，所以通过对应的任务分配子模型可以分别计算出每个物流网点的运输任务中数量、重量和体积的和值，建立数量、重量和体积之间的映射关系，可以提高待装货物数量、重量和体积之间的关联的准确度；所谓决策树，就是一个类似于流程图的树形结构，树内部的每一个节点代表的是对一个特征的测试，树的分支代表该特征的每一个测试结果，而树的每一个叶子节点代表一个类别。树的最高层是就是根节点。使用决策树进行决策的过程就是从根节点开始，测试待分类项中相应的特征属性，并按照其值选择输出分支，直到到达叶子节点，将叶子节点存放的类别作为决策结果。决策树的判定过程就相当于树中从根结点到某一个叶子结点的遍历。每一步如何遍历是由数据各个特征的具体特征属性决定。将多个任务分配子模型，基于加权或者简单投票的集成算法进行融合形成任务分配模型。

本发明实施例中，通过获取多条带有待运输标签的运输任务，将运输任务中的每一个运输数据按照数量、重量和体积进行分类，形成多个训练样本子集；将每个训练样本子集采用机器学习算法进行训练得到对应的任务分配子模型，基于运输任务中对应的数量、重量和体积之间的映射关系，将多个任务分配子模型，利用决策树算法进行决策融合形成任务分配模型；本发明形成任务分配模型，用于确定执行运输任务的目标货车，有效为运输提供定制化服务，提高司机配送的准确性和及时性。

请参阅图3，在一个实施例中，提出了一种物流运输装载管理装置，物流运输装载管理装置包括：

接收模块301，用于接收运输指令，并根据运输指令确定对应的目标运输路线和始发发车时间，目标运输路线为物流数据库中预先存储的固定发车路线；

判断模块302，用于判断目标运输路线为直达路线还是中转路线，并获取目标运输路线上各物流网点信息，其中各物流网点信息包括网点位置、运输任务；

输出模块303，用于将各物流网点信息输入到预置的任务分配模型，输出执行运输任务的目标货车的车辆信息；

计算模块304，用于获取约束数据，以确定各待装货物的装载位置和装载顺序，并计算目标货车的货物装载率。

请参阅图4，本发明实施例中物流运输装载管理装置的第二个实施例，上述判断模块302，具体包括：

获取子模块3021，用于获取目标运输路线中的各物流网点以及对应的网点位置，其中物流网点至少包括起始网点和末端网点；

计算子模块3022，用于根据网点位置计算相邻物流网点之间的距离，并根据始发发车时间确定各物流网点的到达时间节点，其中始发发车时间为目标货车从起始网点发出的时间；

确定子模块3023，用于根据各物流网点的到达时间节点，确定各物流网点的接单截止时间；

生成子模块3024，用于获取各物流网点在接单截止时间之前生成的货物运输订单，并确定每个货物运输订单中待装货物的运输数据，以生成各物流网点对应的运输任务。

本发明实施例中，通过接收运输指令，并根据运输指令确定对应的目标运输路线和始发发车时间，目标运输路线为物流数据库中预先存储的固定发车路线；判断目标运输路线为直达路线还是中转路线，并获取目标运输路线上各物流网点信息，其中各物流网点信息包括网点位置、运输任务；将各物流网点信息输入到预置的任务分配模型，输出执行运输任务的目标货车的车辆信息；获取约束数据，以确定各待装货物的装载位置和装载顺序，并计算目标货车的货物装载率；本发明提高目标货车车厢的空间利用率，从而提高了运输效率，降低了物流成本；能够保证货物在车厢内的合理布置和重量均衡分布，避免车辆出现超载、偏载的现象，提高目标货车的运行安全性和可靠性。

上面图3-4从模块化功能实体的角度对本发明实施例中的物流运输装载管理装置进行详细描述，下面从硬件处理的角度对本发明实施例中物流运输装载管理设备进行详细描述。

图5是本发明实施例提供的一种物流运输装载管理设备的结构示意图，该物流运输装载管理设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)510(例如，一个或一个以上处理器)和存储器520，一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对物流运输装载管理设备500中的一系列指令操作。更进一步地，处理器510可以设置为与存储介质530通信，在物流运输装载管理设备500上执行存储介质530中的一系列指令操作。

物流运输装载管理设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个以上操作***531，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图5示出的物流运输装载管理设备结构并不构成对本申请提供的物流运输装载管理设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

一种物流运输装载管理设备以实现以下物流运输装载管理方法，所述物流运输装载管理方法具体包括以下步骤：

接收运输指令，并根据所述运输指令确定对应的目标运输路线和始发发车时间，所述目标运输路线为物流数据库中预先存储的固定发车路线；

判断所述目标运输路线为直达路线还是中转路线，并获取所述目标运输路线上各物流网点信息，其中各物流网点信息包括网点位置、运输任务；

将各物流网点信息输入到预置的任务分配模型，输出执行运输任务的目标货车的车辆信息；

获取约束数据，以确定各待装货物的装载位置和装载顺序，并计算所述目标货车的货物装载率。

在一个实施例中，获取所述目标运输路线中的各物流网点以及对应的网点位置，其中所述物流网点至少包括起始网点和末端网点；

根据所述网点位置计算相邻物流网点之间的距离，并根据所述始发发车时间确定各物流网点的到达时间节点，其中所述始发发车时间为所述目标货车从所述起始网点发出的时间；

根据各物流网点的到达时间节点，确定各物流网点的接单截止时间；

获取各物流网点在所述接单截止时间之前生成的货物运输订单，并确定每个所述货物运输订单中待装货物的运输数据，以生成各物流网点对应的运输任务。

在一个实施例中，获取多条带有待运输标签的运输任务，将所述运输任务中的每一个运输数据按照数量、重量和体积进行分类，形成多个训练样本子集；

将每个所述训练样本子集采用机器学习算法进行训练得到对应的任务分配子模型，基于所述运输任务中对应的数量、重量和体积之间的映射关系，将所述多个任务分配子模型，利用决策树算法进行决策融合形成任务分配模型。

在一个实施例中，获取各物流网点信息中的运输任务，提取所述运输任务中对应的运输数据，所述运输数据包括待装货物的数量、重量和体积；

将所述运输数据输入至所述任务分配模型，通过对应的任务分配子模型分析得到各物流网点对应的和值数据，所述和值数据包括数量和值、重量和值和体积和值；

基于所述和值数据，通过所述任务分配模型输出目标货车的车辆信息，所述车辆信息至少包括车辆长度、车辆宽度、车辆高度、承载能力。

在一个实施例中，基于所述目标货车的车辆信息，确定所述约束数据，所述约束数据包括底面积约束、长宽高约束、体积约束、载重约束、承载能力约束和稳定性约束；

根据所述目标运输路线和各物流网点的运输任务，确定各待装货物的卸载顺序；

根据所述约束数据和所述卸载顺序，确定各待装货物的装载位置和装载顺序；

将各待装货物的装载位置和装载顺序上传至区块链节点中进行存储。

在一个实施例中，获取所述目标货车的车厢体积；

当所述目标货车在各物流网点装载完成后，获取所述目标货车的多张车厢内部图像；

采用边缘检测算法检测多张所述车厢内部图像，获取已装载货物的边缘信息，结合所述已装载货物的边缘信息计算货物体积；

根据货物体积和车厢体积的比值，确定所述目标货车的货物装载率。

本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行以下物流运输装载管理方法，所述物流运输装载管理方法具体包括以下步骤：

接收运输指令，并根据所述运输指令确定对应的目标运输路线和始发发车时间，所述目标运输路线为物流数据库中预先存储的固定发车路线；

判断所述目标运输路线为直达路线还是中转路线，并获取所述目标运输路线上各物流网点信息，其中各物流网点信息包括网点位置、运输任务；

将各物流网点信息输入到预置的任务分配模型，输出执行运输任务的目标货车的车辆信息；

获取约束数据，以确定各待装货物的装载位置和装载顺序，并计算所述目标货车的货物装载率。

在一个实施例中，获取所述目标运输路线中的各物流网点以及对应的网点位置，其中所述物流网点至少包括起始网点和末端网点；

根据所述网点位置计算相邻物流网点之间的距离，并根据所述始发发车时间确定各物流网点的到达时间节点，其中所述始发发车时间为所述目标货车从所述起始网点发出的时间；

根据各物流网点的到达时间节点，确定各物流网点的接单截止时间；

获取各物流网点在所述接单截止时间之前生成的货物运输订单，并确定每个所述货物运输订单中待装货物的运输数据，以生成各物流网点对应的运输任务。

在一个实施例中，获取多条带有待运输标签的运输任务，将所述运输任务中的每一个运输数据按照数量、重量和体积进行分类，形成多个训练样本子集；

将每个所述训练样本子集采用机器学习算法进行训练得到对应的任务分配子模型，基于所述运输任务中对应的数量、重量和体积之间的映射关系，将所述多个任务分配子模型，利用决策树算法进行决策融合形成任务分配模型。

在一个实施例中，获取各物流网点信息中的运输任务，提取所述运输任务中对应的运输数据，所述运输数据包括待装货物的数量、重量和体积；

将所述运输数据输入至所述任务分配模型，通过对应的任务分配子模型分析得到各物流网点对应的和值数据，所述和值数据包括数量和值、重量和值和体积和值；

基于所述和值数据，通过所述任务分配模型输出目标货车的车辆信息，所述车辆信息至少包括车辆长度、车辆宽度、车辆高度、承载能力。

在一个实施例中，基于所述目标货车的车辆信息，确定所述约束数据，所述约束数据包括底面积约束、长宽高约束、体积约束、载重约束、承载能力约束和稳定性约束；

根据所述目标运输路线和各物流网点的运输任务，确定各待装货物的卸载顺序；

根据所述约束数据和所述卸载顺序，确定各待装货物的装载位置和装载顺序；

将各待装货物的装载位置和装载顺序上传至区块链节点中进行存储。

在一个实施例中，获取所述目标货车的车厢体积；

当所述目标货车在各物流网点装载完成后，获取所述目标货车的多张车厢内部图像；

采用边缘检测算法检测多张所述车厢内部图像，获取已装载货物的边缘信息，结合所述已装载货物的边缘信息计算货物体积；

根据货物体积和车厢体积的比值，确定所述目标货车的货物装载率。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

所述领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种物流运输装载管理方法，其特征在于，所述物流运输装载管理方法包括以下步骤：

接收运输指令，并根据所述运输指令确定对应的目标运输路线和始发发车时间，所述目标运输路线为物流数据库中预先存储的固定发车路线；

判断所述目标运输路线为直达路线还是中转路线，并获取所述目标运输路线上各物流网点信息，其中各物流网点信息包括网点位置、运输任务；

将各物流网点信息输入到预置的任务分配模型，输出执行运输任务的目标货车的车辆信息；

获取约束数据，以确定各待装货物的装载位置和装载顺序，并计算所述目标货车的货物装载率。

2.根据权利要求1所述的货车物流运输装载管理方法，其特征在于，所述判断所述目标运输路线为直达路线还是中转路线，并获取所述目标运输路线上各物流网点信息，包括：

获取所述目标运输路线中的各物流网点以及对应的网点位置，其中所述物流网点至少包括起始网点和末端网点；

根据所述网点位置计算相邻物流网点之间的距离，并根据所述始发发车时间确定各物流网点的到达时间节点，其中所述始发发车时间为所述目标货车从所述起始网点发出的时间；

根据各物流网点的到达时间节点，确定各物流网点的接单截止时间；

获取各物流网点在所述接单截止时间之前生成的货物运输订单，并确定每个所述货物运输订单中待装货物的运输数据，以生成各物流网点对应的运输任务。

3.根据权利要求1所述的物流运输装载管理方法，其特征在于，所述将各物流网点信息输入到预置的任务分配模型，输出执行运输任务的目标货车的车辆信息之前，还包括：

获取多条带有待运输标签的运输任务，将所述运输任务中的每一个运输数据按照数量、重量和体积进行分类，形成多个训练样本子集；

将每个所述训练样本子集采用机器学习算法进行训练得到对应的任务分配子模型，基于所述运输任务中对应的数量、重量和体积之间的映射关系，将所述多个任务分配子模型，利用决策树算法进行决策融合形成任务分配模型。

4.根据权利要求1所述的物流运输装载管理方法，其特征在于，所述将各物流网点信息输入到预置的任务分配模型，输出执行运输任务的目标货车的车辆信息，包括：

获取各物流网点信息中的运输任务，提取所述运输任务中对应的运输数据，所述运输数据包括待装货物的数量、重量和体积；

将所述运输数据输入至所述任务分配模型，通过对应的任务分配子模型分析得到各物流网点对应的和值数据，所述和值数据包括数量和值、重量和值和体积和值；

基于所述和值数据，通过所述任务分配模型输出目标货车的车辆信息，所述车辆信息至少包括车辆长度、车辆宽度、车辆高度、承载能力。

5.根据权利要求1所述的物流运输装载管理方法，其特征在于，所述获取约束数据，以确定各待装货物的装载位置和装载顺序，包括：

基于所述目标货车的车辆信息，确定所述约束数据，所述约束数据包括底面积约束、长宽高约束、体积约束、载重约束、承载能力约束和稳定性约束；

根据所述目标运输路线和各物流网点的运输任务，确定各待装货物的卸载顺序；

根据所述约束数据和所述卸载顺序，确定各待装货物的装载位置和装载顺序；

将各待装货物的装载位置和装载顺序上传至区块链节点中进行存储。

6.根据权利要求1所述的物流运输装载管理方法，其特征在于，所述计算所述目标货车的货物装载率，包括：

获取所述目标货车的车厢体积；

当所述目标货车在各物流网点装载完成后，获取所述目标货车的多张车厢内部图像；

采用边缘检测算法检测多张所述车厢内部图像，获取已装载货物的边缘信息，结合所述已装载货物的边缘信息计算货物体积；

根据货物体积和车厢体积的比值，确定所述目标货车的货物装载率。

7.一种物流运输装载管理装置，其特征在于，所述物流运输装载管理装置包括：

接收模块，用于接收运输指令，并根据所述运输指令确定对应的目标运输路线和始发发车时间，所述目标运输路线为物流数据库中预先存储的固定发车路线；

判断模块，用于判断所述目标运输路线为直达路线还是中转路线，并获取所述目标运输路线上各物流网点信息，其中各物流网点信息包括网点位置、运输任务；

输出模块，用于将各物流网点信息输入到预置的任务分配模型，输出执行运输任务的目标货车的车辆信息；

计算模块，用于获取约束数据，以确定各待装货物的装载位置和装载顺序，并计算所述目标货车的货物装载率。

8.根据权利要求7所述的物流运输装载管理装置，其特征在于，所述判断模块，包括：

获取子模块，用于获取所述目标运输路线中的各物流网点以及对应的网点位置，其中所述物流网点至少包括起始网点和末端网点；

计算子模块，用于根据所述网点位置计算相邻物流网点之间的距离，并根据所述始发发车时间确定各物流网点的到达时间节点，其中所述始发发车时间为所述目标货车从所述起始网点发出的时间；

确定子模块，用于根据各物流网点的到达时间节点，确定各物流网点的接单截止时间；

生成子模块，用于获取各物流网点在所述接单截止时间之前生成的货物运输订单，并确定每个所述货物运输订单中待装货物的运输数据，以生成各物流网点对应的运输任务。

9.一种物流运输装载管理设备，其特征在于，所述物流运输装载管理设备包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中的所述指令，以使得所述物流运输装载管理设备执行如权利要求1-6中任一项所述的物流运输装载管理方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的物流运输装载管理方法的步骤。

Images