CN115375237A - 一种冷链物流智能管理方法、***、设备和存储介质 - Google Patents
一种冷链物流智能管理方法、***、设备和存储介质 Download PDFInfo
- Publication number
- CN115375237A CN115375237A CN202211031240.9A CN202211031240A CN115375237A CN 115375237 A CN115375237 A CN 115375237A CN 202211031240 A CN202211031240 A CN 202211031240A CN 115375237 A CN115375237 A CN 115375237A
- Authority
- CN
- China
- Prior art keywords
- data
- cold
- road
- information
- target road
- 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
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
- G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods
-
- 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
- G06Q10/0833—Tracking
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及物流管理技术领域,具体涉及一种冷链物流智能管理方法、***、设备和存储介质。该方法根据预设车载记录仪当前目标道路的冷链运输行驶数据;基于大数据同步采集道路路网的通行数据并根据所述冷链运输行驶数据确定当前目标道路的道路信息;根据所述目标道路信息对所述目标道路的车流量进行预测,当所述目标道路发生事故时,根据所述目标道路信息对事故发生位置进行定位,并基于定位的事故发生位置自动规划时限内可通行的避让线路。基于大数据获取车载记录仪采集的道路信息,基于道路信息进行车流量预测、事故发生位置定位,实现冷链物流大数据的综合管理和调度。
Description
技术领域
本发明涉及物流管理技术领域,尤其涉及一种冷链物流智能管理方法、***、设备和存储介质。
背景技术
目前,电子商务和物流业务的不断发展,物流及快递订单量也在不断增加,同时,也给物流管理带来了很大的不便,然而,现有的物流数据量大且物流***涉及诸多因素,导致物流管理难度大。随着科技以及现代信息技术的发展,物流也逐渐实现合理化服务模式和先进的服务流程。物流管理的内容包括如下三个方面:即对物流活动诸要素的管理,包括运输、储存等环节的管理;对物流***诸要素的管理,即对其中人、财、物、设备、方法和信息等六大要素的管理;对物流活动中具体职能的管理,主要包括物流计划、质量、技术、经济等职能的管理等。
其中,冷链运输是物流种类的一种,是指为保持食品新鲜的品质或其他产品的效能以及减少运输损耗,在其加工、贮藏、运输、分销、零售等环节,货物始终保持一定温度的一种物流运输方式。然而现有的冷链运输物流管理较为混乱,不仅难以适用于具有不同低温需求物资的综合运输,在物流运输过程中一旦出现交通事故,后台管理人员难以及时的得知相关信息,不利于及时有效的处理事故,无法保证冷链运输过程中的时效,延迟到达将影响冷链运输的运载物资品质。
发明内容
鉴于此,针对目前绝大部分数据库/平台都存在多数据应用或者多schema的情况,本发明提供了一种冷链物流智能管理方法、***、设备和存储介质,用以基于大数据获取车载记录仪采集的道路信息,基于道路信息进行车流量预测、事故发生位置定位,实现冷链物流大数据的综合管理和调度。
为实现上述目的,本发明实施例提供了如下的技术方案:
第一方面,在本发明提供的一个实施例中,提供了一种冷链物流智能管理方法,包括以下步骤:
根据预设车载记录仪获取当前目标道路的冷链运输行驶数据;
基于大数据同步采集道路路网的通行数据并根据所述冷链运输行驶数据确定当前目标道路的道路信息;
根据所述目标道路信息对所述目标道路的车流量进行预测,当所述目标道路发生事故时,根据所述目标道路信息对事故发生位置进行定位,并基于定位的事故发生位置自动规划时限内可通行的避让线路。
作为本发明的进一步方案,所述预设车载记录仪包括:车载行车记录仪、车载湿度记录仪、车载湿度记录仪、车载光敏记录仪以及车载GPS记录仪中的一种或多种。
作为本发明的进一步方案,根据预设车载记录仪获取目标道路的冷链运输行驶数据后,还包括:
获取所述预设车载记录仪的冷链运输车载信息,并基于所述冷链运输车载信息将所述冷链运输行驶数据按照记录时间间隔划分为若干数据段;
将所述数据段根据所述冷链运输车载信息建立数据段标识,并基于所述数据段标识匹配对应的数据通信通道;
基于所述数据通信通道以及确定的数据段的车载信息地址,获取所述数据段的车载信息地址的地址格式;
将所述地址格式与预设格式进行匹配,判断所述数据段与冷链物流运输车辆后台管理服务器是否适配;
当所述地址格式与所述预设格式相匹配时,则判定所述数据段与所述冷链物流运输车辆后台管理服务器相适配,并通过所述数据通信通道将所述数据段上传至所述冷链物流运输车辆后台管理服务器;
否则,将所述地址格式按照预设规则进行格式修改,直至所述地址格式与所述预设格式相匹配,并将匹配后的所述数据段通过所述数据通信通道上传至所述冷链物流运输车辆后台管理服务器。
作为本发明的进一步方案,基于大数据同步采集道路路网的通行数据并根据所述冷链运输行驶数据确定当前所述目标道路的道路信息的工作过程,包括:
基于大数据获取所述冷链运输行驶数据的数据标识,并根据所述数据标识确定所述目标道路的多个车载冷链采集特征;
将所述多个车载冷链采集特征作为主节点,并将每个冷链运输行驶数据作为从节点建立数据拟合列表;
获取所述数据拟合列表的拟合参数,基于所述拟合参数将所述多个车载冷链采集特征进行拟合,并将拟合结果根据预设网络进行训练;
基于训练结果构建冷链运输行驶数据模型,并基于大数据技术确定所述冷链运输行驶数据模型中的道路信息。
作为本发明的进一步方案,基于大数据技术确定所述冷链运输行驶数据模型中的道路信息后,还包括:
获取确定的道路信息,并按照预设分类标准将所述道路信息进行分类,得到多级道路通行信息;
分别确定多级道路通行信息的数据类型,并基于所述数据类型在预设行驶区域中查找是否存在与所述多级道路通行信息的数据类型相同的目标行驶区域;
若存在,获取所述目标行驶区域的行驶权限,并基于所述行驶权限将所述多级道路通行信息转换为预设格式进行存储,并记录可行驶数据信息,其中,所述可行驶数据信息包括目标行驶区域的存储地址以及存储的道路信息的数据量;
若不存在,在所述预设行驶区域内创建目标行驶区域,并将所述多级道路通行信息进行存储。
作为本发明的进一步方案,根据所述目标道路信息对所述目标道路的车流量进行预测,包括以下步骤:
读取多组所述目标道路信息,其中,所述目标道路信息包括目标道路所处的道路状况信息;
获取目标道路在多个历史时间段中每个时间段内的车流量特征数据,并对每个时间段内的车流量特征数据进行筛选,得到目标有效车流量特征数据;
基于预设规则,确定所述目标有效车流量特征数据与所述道路状况信息之间的相关系数;
将所述相关系数与预设系数阈值进行比较,剔除所述相关系数小于所述预设系数阈值的目标有效车流量特征数据与所述道路状况信息,并将大于或等于所述预设系数阈值的目标有效车流量特征数据与所述道路状况信息构建为训练样本数据集;
基于所述训练样本数据集构建车流量预测模型。
作为本发明的进一步方案,根据所述目标道路信息对所述目标道路的车流量进行预测,还包括以下步骤:
基于读取结果,将所述目标道路信息按照预设时段进行划分,并分别进行记录,获取记录结果;
基于所述记录结果,获取当前时刻的第一子目标道路信息的第一车流量,并基于所述第一车流量确定所述当前时刻的目标道路的第一物流指数;
获取与当前时刻相一致的上一时刻的第二子目标道路信息的第二车流量,并基于所述第二车流量确定所述上一时刻的目标道路的第二物流指数;
并获取节假日对目标道路车流量的影响因素,并将所述影响因素、所述第一物流指数以及所述第二物流指数输入所述车流量预测模型进行数据分析,得到对目标路段车流量的预测结果。
作为本发明的进一步方案,一种冷链物流智能管理方法,得到对目标路段车流量的预测结果后,还包括:
获取对目标路段车流量的预测结果,并将所述预测结果基于预设传输链路传输至智能物流管制终端;
所述智能物流管制终端对接收到的预测结果进行分析,并根据对目标路段车流量的预测结果判断车流量是否会对目标道路造成拥挤;
若判定会造成拥挤,确定造成目标道路拥挤的影响因素,并基于所述影响因素,从预设物流管制方案库中查找目标物流管制方案,并将所述目标物流管制方案下发至各个物流管制终端;
所述物流管制终端基于所述目标物流管制方案对目标道路上的车辆进行疏通管理;
否则,将对目标路段车流量的预测结果进行保存。
作为本发明的进一步方案,当所述目标道路发生事故时,根据所述目标道路信息对事故发生位置进行定位,并基于定位的事故发生位置自动规划时限内可通行的避让线路的工作过程,包括:
基于大数据同步采集道路路网的通行数据,确定所述目标道路上发生事故的事故地理范围,并基于所述事故地理范围确定所述目标道路上的目标路段;
基于所述目标路段触发图像车载记录仪对所述事故地理范围进行图像采集,并获取地理图像;
对所述地理图像进行分析,并基于分析结果确定所述地理图像中发生事故的第一目标车辆;
同时,根据所述事故地理范围确定所述目标道路上发生事故的道路信息;
其中,所述道路信息包括:所述事故地理范围内的路标以及所述事故地理范围内的车辆;
其中,所述事故地理范围内的车辆包括:第一目标车辆和第二目标车辆;
将所述地理图像根据预设网格法进行图像划分,并以所述图像车载记录仪所在的位置作为坐标原点建立坐标系;
分别在所述坐标系中获取所述事故地理范围内的路标坐标以及所述第二目标车辆的坐标;
根据所述目标路段、所述事故地理范围内的路标坐标以及所述第二目标车辆的坐标,确定所述第一目标车辆的位置;
基于所述第一目标车辆的位置,完成对事故发生位置的定位。
作为本发明的进一步方案,读取目标数据库信息成功时,解析查询到的元数据信息,获取查询到的表数及列数,若为空,清空本地保存的表和字段元数据信息,不为空,则进行元数据对比操作。
第二方面,在本发明提供的一个实施例中,提供了一种冷链物流智能管理***,该***包括:
冷链运输行驶数据获取模块,用于根据预设车载记录仪获取目标道路的冷链运输行驶数据;
道路信息获取模块,用于基于大数据同步采集道路路网的通行数据并根据所述冷链运输行驶数据确定当前所述目标道路的道路信息;
道路情况获取模块,根据所述目标道路信息对所述目标道路的车流量进行预测,当所述目标道路发生事故时,根据所述目标道路信息对事故发生位置进行定位,并基于定位的事故发生位置自动规划时限内可通行的避让线路。
第三方面,在本发明提供的又一个实施例中,提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器加载并执行所述计算机程序时实现一种冷链物流智能管理方法的步骤。
第四方面,在本发明提供的再一个实施例中,提供了一种存储介质,存储有计算机程序,所述计算机程序被处理器加载并执行时实现所述一种冷链物流智能管理方法的步骤。
本发明提供的技术方案,与现有的技术方案相比,具有如下有益效果:
本发明提供的一种冷链物流智能管理方法、***、设备和存储介质,根据预设车载记录仪获取当前目标道路的冷链运输行驶数据;基于大数据同步采集道路路网的通行数据并根据所述冷链运输行驶数据确定当前目标道路的道路信息;根据所述目标道路信息对所述目标道路的车流量进行预测,当所述目标道路发生事故时,根据所述目标道路信息对事故发生位置进行定位,并基于定位的事故发生位置自动规划时限内可通行的避让线路,基于大数据获取车载记录仪采集的道路信息,基于道路信息进行车流量预测、事故发生位置定位,实现冷链物流大数据的综合管理和调度。
本发明的这些方面或其他方面在以下实施例的描述中会更加简明易懂。应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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。在附图中:
图1为本发明一个实施例的一种冷链物流智能管理方法的流程图。
图2为本发明一个实施例的一种冷链物流智能管理***的***框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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他实施例,都属于本发明保护的范围。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
应当理解,为了便于清楚描述本发明实施例的技术方案,在本发明的实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。例如,第一回调函数和第二回调函数仅仅是为了区分不同的回调函数,并不对其先后顺序进行限定。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。
由于现有的冷链运输物流管理较为混乱,不仅难以适用于具有不同低温需求物资的综合运输,在物流运输过程中一旦出现交通事故,后台管理人员难以及时的得知相关信息,不利于及时有效的处理事故,无法保证冷链运输过程中的时效,延迟到达将影响冷链运输的运载物资品质。
鉴于此,本发明提供了一种冷链物流智能管理方法、***、设备和存储介质,用以基于大数据获取车载记录仪采集的道路信息,基于道路信息进行车流量预测、事故发生位置定位,实现冷链物流大数据的综合管理和调度。
还应当进理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
具体地,下面结合附图,对本发明实施例作进一步阐述。
请参阅图1,图1是本发明实施例提供的一种冷链物流智能管理方法的流程图,如图1所示,该一种冷链物流智能管理方法包括步骤S10至步骤S30。
S10、根据预设车载记录仪获取当前目标道路的冷链运输行驶数据;
S20、基于大数据同步采集道路路网的通行数据并根据所述冷链运输行驶数据确定当前目标道路的道路信息;
S30、根据所述目标道路信息对所述目标道路的车流量进行预测,当所述目标道路发生事故时,根据所述目标道路信息对事故发生位置进行定位,并基于定位的事故发生位置自动规划时限内可通行的避让线路。
发明实施例中所述预设车载记录仪包括:车载行车记录仪、车载湿度记录仪、车载湿度记录仪、车载光敏记录仪以及车载GPS记录仪中的一种或多种。
该实施例中,目标道路信息可以包括:目标道路的路标、目标道路的宽度、目标道路的斜率、目标道路的十字路口个数、目标道路的道路状况,例如,当遇到下雨下雪道路时,目标道路的道路状况为湿滑等。
本发明实施例的执行主体是执行一种冷链物流智能管理方法的数据库/平台设备,该设备可以是PC、便携计算机、移动终端等具有显示和处理功能的设备。
上述技术方案的有益效果是:基于大数据获取车载记录仪采集的道路信息,基于道路信息进行车流量预测、事故发生位置定位,实现冷链物流大数据的综合管理和调度。
在一些实施例中,根据预设车载记录仪获取目标道路的冷链运输行驶数据后,还包括:
获取所述预设车载记录仪的冷链运输车载信息,并基于所述冷链运输车载信息将所述冷链运输行驶数据按照记录时间间隔划分为若干数据段;
将所述数据段根据所述冷链运输车载信息建立数据段标识,并基于所述数据段标识匹配对应的数据通信通道;
基于所述数据通信通道以及确定的数据段的车载信息地址,获取所述数据段的车载信息地址的地址格式;
将所述地址格式与预设格式进行匹配,判断所述数据段与冷链物流运输车辆后台管理服务器是否适配;
当所述地址格式与所述预设格式相匹配时,则判定所述数据段与所述冷链物流运输车辆后台管理服务器相适配,并通过所述数据通信通道将所述数据段上传至所述冷链物流运输车辆后台管理服务器;
否则,将所述地址格式按照预设规则进行格式修改,直至所述地址格式与所述预设格式相匹配,并将匹配后的所述数据段通过所述数据通信通道上传至所述冷链物流运输车辆后台管理服务器。
该实施例中,数据段中包含的至少一种冷链运输行驶数据的车辆信息相同,例如是一个数据段中的数据全为道路湿度数据等。
该实施例中,标识是根据冷链运输车载信息确定的,例如,冷链运输车载信息为温度信息时,则标识即为温度标识。
该实施例中,数据通信通道可以是对数据段进行上传的链路。
上述技术方案的有益效果是:通过对冷链运输行驶数据按照冷链运输车载信息进行分类可以保证数据的一致性,从而有利于将数据上传至冷链物流运输车辆后台管理服务器时进行专门的处理,提高对数据分析的效率,通过将地址格式进行校正,有利于冷链物流运输车辆后台管理服务器更好的接收数据段。
在一些实施例中,基于大数据同步采集道路路网的通行数据并根据所述冷链运输行驶数据确定当前所述目标道路的道路信息的工作过程,包括:
基于大数据获取所述冷链运输行驶数据的数据标识,并根据所述数据标识确定所述目标道路的多个车载冷链采集特征;
将所述多个车载冷链采集特征作为主节点,并将每个冷链运输行驶数据作为从节点建立数据拟合列表;
获取所述数据拟合列表的拟合参数,基于所述拟合参数将所述多个车载冷链采集特征进行拟合,并将拟合结果根据预设网络进行训练;
基于训练结果构建冷链运输行驶数据模型,并基于大数据技术确定所述冷链运输行驶数据模型中的道路信息。
在一些实施例中,基于大数据技术确定所述冷链运输行驶数据模型中的道路信息后,还包括:
获取确定的道路信息,并按照预设分类标准将所述道路信息进行分类,得到多级道路通行信息;
分别确定多级道路通行信息的数据类型,并基于所述数据类型在预设行驶区域中查找是否存在与所述多级道路通行信息的数据类型相同的目标行驶区域;
若存在,获取所述目标行驶区域的行驶权限,并基于所述行驶权限将所述多级道路通行信息转换为预设格式进行存储,并记录可行驶数据信息,其中,所述可行驶数据信息包括目标行驶区域的存储地址以及存储的道路信息的数据量;
若不存在,在所述预设行驶区域内创建目标行驶区域,并将所述多级道路通行信息进行存储。
该实施例中,预设分类标准提前设定好的,例如可以是道路的长度、宽度以及车道为一类,道路上的限速路牌信息为一类等。
该实施例中,目标行驶区域指的是预设行驶区域中用来存储道路信息的某一块行驶区域,隶属于预设行驶区域。
上述技术方案的有益效果是:通过将道路信息进行预判断,便于根据道路信息进行车流量预测、事故发生位置定位,从而为实现冷链物流大数据的综合管理和调度提供了便利。
在一些实施例中,根据所述目标道路信息对所述目标道路的车流量进行预测,包括以下步骤:
读取多组所述目标道路信息,其中,所述目标道路信息包括目标道路所处的道路状况信息;
获取目标道路在多个历史时间段中每个时间段内的车流量特征数据,并对每个时间段内的车流量特征数据进行筛选,得到目标有效车流量特征数据;
基于预设规则,确定所述目标有效车流量特征数据与所述道路状况信息之间的相关系数;
将所述相关系数与预设系数阈值进行比较,剔除所述相关系数小于所述预设系数阈值的目标有效车流量特征数据与所述道路状况信息,并将大于或等于所述预设系数阈值的目标有效车流量特征数据与所述道路状况信息构建为训练样本数据集;
基于所述训练样本数据集构建车流量预测模型。
在一些实施例中,根据所述目标道路信息对所述目标道路的车流量进行预测,还包括以下步骤:
基于读取结果,将所述目标道路信息按照预设时段进行划分,并分别进行记录,获取记录结果;
基于所述记录结果,获取当前时刻的第一子目标道路信息的第一车流量,并基于所述第一车流量确定所述当前时刻的目标道路的第一物流指数;
获取与当前时刻相一致的上一时刻的第二子目标道路信息的第二车流量,并基于所述第二车流量确定所述上一时刻的目标道路的第二物流指数;
并获取节假日对目标道路车流量的影响因素,并将所述影响因素、所述第一物流指数以及所述第二物流指数输入所述车流量预测模型进行数据分析,得到对目标路段车流量的预测结果。
该实施例中,第一物流指数可以是基于上一时刻的车流量确定的道路网畅通或拥堵的概念性指数值,第二物流指数可以是基于当前时刻的车流量确定的道路网畅通或拥堵的概念性指数值。
通过获取历史车流量数据信息以及对应的道路情况信息,并确定两者之间的相关系数,实现对车流量预测模型进行准确的构建,通过实时获取当前时段内的车流量信息以及当前时刻是否为节假日,确保了对车流量影响因素进行准确的分析,提高了车流量预测的准确性,也为实现对物流数据进行管理提供了便利。
在一些实施例中,一种冷链物流智能管理方法,得到对目标路段车流量的预测结果后,还包括:
获取对目标路段车流量的预测结果,并将所述预测结果基于预设传输链路传输至智能物流管制终端;
所述智能物流管制终端对接收到的预测结果进行分析,并根据对目标路段车流量的预测结果判断车流量是否会对目标道路造成拥挤;
若判定会造成拥挤,确定造成目标道路拥挤的影响因素,并基于所述影响因素,从预设物流管制方案库中查找目标物流管制方案,并将所述目标物流管制方案下发至各个物流管制终端;
所述物流管制终端基于所述目标物流管制方案对目标道路上的车辆进行疏通管理;
否则,将对目标路段车流量的预测结果进行保存。
通过对预测结果进行分析判断,判断出预测结果是否会造成当前道路发生拥挤,且在发生拥挤时查找对应的解决方案,避免了物流事故的发生,也为实现对物流数据的管理提供了方便。
在一些实施例中,当所述目标道路发生事故时,根据所述目标道路信息对事故发生位置进行定位,并基于定位的事故发生位置自动规划时限内可通行的避让线路的工作过程,包括:
基于大数据同步采集道路路网的通行数据,确定所述目标道路上发生事故的事故地理范围,并基于所述事故地理范围确定所述目标道路上的目标路段;
基于所述目标路段触发图像车载记录仪对所述事故地理范围进行图像采集,并获取地理图像;
对所述地理图像进行分析,并基于分析结果确定所述地理图像中发生事故的第一目标车辆;
同时,根据所述事故地理范围确定所述目标道路上发生事故的道路信息;
其中,所述道路信息包括:所述事故地理范围内的路标以及所述事故地理范围内的车辆;
其中,所述事故地理范围内的车辆包括:第一目标车辆和第二目标车辆;
将所述地理图像根据预设网格法进行图像划分,并以所述图像车载记录仪所在的位置作为坐标原点建立坐标系;
分别在所述坐标系中获取所述事故地理范围内的路标坐标以及所述第二目标车辆的坐标;
根据所述目标路段、所述事故地理范围内的路标坐标以及所述第二目标车辆的坐标,确定所述第一目标车辆的位置;
基于所述第一目标车辆的位置,完成对事故发生位置的定位。
在一些实施例中,读取目标数据库信息成功时,解析查询到的元数据信息,获取查询到的表数及列数,若为空,清空本地保存的表和字段元数据信息,不为空,则进行元数据对比操作。
本发明提供的一种冷链物流智能管理方法、***、设备和存储介质,根据预设车载记录仪获取当前目标道路的冷链运输行驶数据;基于大数据同步采集道路路网的通行数据并根据所述冷链运输行驶数据确定当前目标道路的道路信息;根据所述目标道路信息对所述目标道路的车流量进行预测,当所述目标道路发生事故时,根据所述目标道路信息对事故发生位置进行定位,并基于定位的事故发生位置自动规划时限内可通行的避让线路,基于大数据获取车载记录仪采集的道路信息,基于道路信息进行车流量预测、事故发生位置定位,实现冷链物流大数据的综合管理和调度。
应该理解的是,上述虽然是按照某一顺序描述的,但是这些步骤并不是必然按照上述顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,本实施例的一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
参见图2所示,本发明的一个实施例提供一种冷链物流智能管理***,该***包括冷链运输行驶数据获取模块100、道路信息获取模块200以及道路情况获取模块300。
在本发明实施例中,所述冷链运输行驶数据获取模块100用于根据预设车载记录仪获取目标道路的冷链运输行驶数据;。
在本发明实施例中,所述道路信息获取模块200用于基于大数据同步采集道路路网的通行数据并根据所述冷链运输行驶数据确定当前所述目标道路的道路信息。
在本发明实施例中,所述道路情况获取模块300根据所述目标道路信息对所述目标道路的车流量进行预测,当所述目标道路发生事故时,根据所述目标道路信息对事故发生位置进行定位,并基于定位的事故发生位置自动规划时限内可通行的避让线路。
基于大数据获取车载记录仪采集的道路信息,基于道路信息进行车流量预测、事故发生位置定位,实现冷链物流大数据的综合管理和调度。
本发明的一种冷链物流智能管理***,根据预设车载记录仪获取当前目标道路的冷链运输行驶数据;基于大数据同步采集道路路网的通行数据并根据所述冷链运输行驶数据确定当前目标道路的道路信息;根据所述目标道路信息对所述目标道路的车流量进行预测,当所述目标道路发生事故时,根据所述目标道路信息对事故发生位置进行定位,并基于定位的事故发生位置自动规划时限内可通行的避让线路,基于大数据获取车载记录仪采集的道路信息,基于道路信息进行车流量预测、事故发生位置定位,实现冷链物流大数据的综合管理和调度。
需要特别说明的是,一种冷链物流智能管理***进行执行如前述实施例的一种冷链物流智能管理方法,因此,本实施例中对一种冷链物流智能管理方法不再详细介绍。
在一个实施例中,在本发明的实施例中还提供了一种计算机设备,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行所述的一种冷链物流智能管理方法,该处理器执行指令时实现上述各方法实施例中的步骤:
根据预设车载记录仪获取当前目标道路的冷链运输行驶数据;
基于大数据同步采集道路路网的通行数据并根据所述冷链运输行驶数据确定当前目标道路的道路信息;
根据所述目标道路信息对所述目标道路的车流量进行预测,当所述目标道路发生事故时,根据所述目标道路信息对事故发生位置进行定位,并基于定位的事故发生位置自动规划时限内可通行的避让线路。
在上下文中所称“计算机设备”,也称为“电脑”,是指可以通过运行预定程序或指令来执行数值计算和/或逻辑计算等预定处理过程的智能电子设备,其可以包括处理器与存储器,由处理器执行在存储器中预存的存续指令来执行预定处理过程,或是由ASIC、FPGA、DSP等硬件执行预定处理过程,或是由上述二者组合来实现。计算机设备包括但不限于服务器、个人电脑、笔记本电脑、平板电脑、智能手机等。
所述计算机设备包括用户设备与网络设备。其中,所述用户设备包括但不限于电脑、智能手机、PDA等;所述网络设备包括但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(Cloud Computing)的由大量计算机或网络服务器构成的云,其中,云计算是分布式计算的一种,由一群松散耦合的计算机集组成的一个超级虚拟计算机。其中,所述计算机设备可单独运行来实现本发明,也可接入网络并通过与网络中的其他计算机设备的交互操作来实现本发明。其中,所述计算机设备所处的网络包括但不限于互联网、广域网、城域网、局域网、VPN网络等。
在本发明的一个实施例中还提供了一种存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤:
根据预设车载记录仪获取当前目标道路的冷链运输行驶数据;
基于大数据同步采集道路路网的通行数据并根据所述冷链运输行驶数据确定当前目标道路的道路信息;
根据所述目标道路信息对所述目标道路的车流量进行预测,当所述目标道路发生事故时,根据所述目标道路信息对事故发生位置进行定位,并基于定位的事故发生位置自动规划时限内可通行的避让线路。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种冷链物流智能管理方法,其特征在于,该方法包括以下步骤:
根据预设车载记录仪获取当前目标道路的冷链运输行驶数据;
基于大数据同步采集道路路网的通行数据并根据所述冷链运输行驶数据确定当前目标道路的道路信息;
根据所述目标道路信息对所述目标道路的车流量进行预测,当所述目标道路发生事故时,根据所述目标道路信息对事故发生位置进行定位,并基于定位的事故发生位置自动规划时限内可通行的避让线路。
2.如权利要求1所述的一种冷链物流智能管理方法,其特征在于,所述预设车载记录仪包括:车载行车记录仪、车载湿度记录仪、车载湿度记录仪、车载光敏记录仪以及车载GPS记录仪中的一种或多种。
3.如权利要求2所述的一种冷链物流智能管理方法,其特征在于,根据预设车载记录仪获取目标道路的冷链运输行驶数据后,还包括:
获取所述预设车载记录仪的冷链运输车载信息,并基于所述冷链运输车载信息将所述冷链运输行驶数据按照记录时间间隔划分为若干数据段;
将所述数据段根据所述冷链运输车载信息建立数据段标识,并基于所述数据段标识匹配对应的数据通信通道;
基于所述数据通信通道以及确定的数据段的车载信息地址,获取所述数据段的车载信息地址的地址格式;
将所述地址格式与预设格式进行匹配,判断所述数据段与冷链物流运输车辆后台管理服务器是否适配;
当所述地址格式与所述预设格式相匹配时,则判定所述数据段与所述冷链物流运输车辆后台管理服务器相适配,并通过所述数据通信通道将所述数据段上传至所述冷链物流运输车辆后台管理服务器;
否则,将所述地址格式按照预设规则进行格式修改,直至所述地址格式与所述预设格式相匹配,并将匹配后的所述数据段通过所述数据通信通道上传至所述冷链物流运输车辆后台管理服务器。
4.如权利要求3所述的一种冷链物流智能管理方法,其特征在于,基于大数据同步采集道路路网的通行数据并根据所述冷链运输行驶数据确定当前所述目标道路的道路信息的工作过程,包括:
基于大数据获取所述冷链运输行驶数据的数据标识,并根据所述数据标识确定所述目标道路的多个车载冷链采集特征;
将所述多个车载冷链采集特征作为主节点,并将每个冷链运输行驶数据作为从节点建立数据拟合列表;
获取所述数据拟合列表的拟合参数,基于所述拟合参数将所述多个车载冷链采集特征进行拟合,并将拟合结果根据预设网络进行训练;
基于训练结果构建冷链运输行驶数据模型,并基于大数据技术确定所述冷链运输行驶数据模型中的道路信息。
5.如权利要求4所述的一种冷链物流智能管理方法,其特征在于,基于大数据技术确定所述冷链运输行驶数据模型中的道路信息后,还包括:
获取确定的道路信息,并按照预设分类标准将所述道路信息进行分类,得到多级道路通行信息;
分别确定多级道路通行信息的数据类型,并基于所述数据类型在预设行驶区域中查找是否存在与所述多级道路通行信息的数据类型相同的目标行驶区域;
若存在,获取所述目标行驶区域的行驶权限,并基于所述行驶权限将所述多级道路通行信息转换为预设格式进行存储,并记录可行驶数据信息,其中,所述可行驶数据信息包括目标行驶区域的存储地址以及存储的道路信息的数据量;
若不存在,在所述预设行驶区域内创建目标行驶区域,并将所述多级道路通行信息进行存储。
6.如权利要求5所述的一种冷链物流智能管理方法,其特征在于,根据所述目标道路信息对所述目标道路的车流量进行预测,包括以下步骤:
读取多组所述目标道路信息,其中,所述目标道路信息包括目标道路所处的道路状况信息;
获取目标道路在多个历史时间段中每个时间段内的车流量特征数据,并对每个时间段内的车流量特征数据进行筛选,得到目标有效车流量特征数据;
基于预设规则,确定所述目标有效车流量特征数据与所述道路状况信息之间的相关系数;
将所述相关系数与预设系数阈值进行比较,剔除所述相关系数小于所述预设系数阈值的目标有效车流量特征数据与所述道路状况信息,并将大于或等于所述预设系数阈值的目标有效车流量特征数据与所述道路状况信息构建为训练样本数据集;
基于所述训练样本数据集构建车流量预测模型。
7.如权利要求6所述的一种冷链物流智能管理方法,其特征在于,根据所述目标道路信息对所述目标道路的车流量进行预测,还包括以下步骤:
基于读取结果,将所述目标道路信息按照预设时段进行划分,并分别进行记录,获取记录结果;
基于所述记录结果,获取当前时刻的第一子目标道路信息的第一车流量,并基于所述第一车流量确定所述当前时刻的目标道路的第一物流指数;
获取与当前时刻相一致的上一时刻的第二子目标道路信息的第二车流量,并基于所述第二车流量确定所述上一时刻的目标道路的第二物流指数;
并获取节假日对目标道路车流量的影响因素,并将所述影响因素、所述第一物流指数以及所述第二物流指数输入所述车流量预测模型进行数据分析,得到对目标路段车流量的预测结果。
8.一种冷链物流智能管理***,其特征在于,该***包括:
冷链运输行驶数据获取模块,用于根据预设车载记录仪获取目标道路的冷链运输行驶数据;
道路信息获取模块,用于基于大数据同步采集道路路网的通行数据并根据所述冷链运输行驶数据确定当前所述目标道路的道路信息;
道路情况获取模块,根据所述目标道路信息对所述目标道路的车流量进行预测,当所述目标道路发生事故时,根据所述目标道路信息对事故发生位置进行定位,并基于定位的事故发生位置自动规划时限内可通行的避让线路。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的一种冷链物流智能管理程序,其中所述一种冷链物流智能管理程序被所述处理器执行时,实现如权利要求1至7中任一项所述的一种冷链物流智能管理方法的步骤。
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上存储有一种冷链物流智能管理程序,其中所述一种冷链物流智能管理程序被处理器执行时,实现如权利要求1至7中任一项所述的一种冷链物流智能管理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211031240.9A CN115375237A (zh) | 2022-08-26 | 2022-08-26 | 一种冷链物流智能管理方法、***、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211031240.9A CN115375237A (zh) | 2022-08-26 | 2022-08-26 | 一种冷链物流智能管理方法、***、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115375237A true CN115375237A (zh) | 2022-11-22 |
Family
ID=84067232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211031240.9A Pending CN115375237A (zh) | 2022-08-26 | 2022-08-26 | 一种冷链物流智能管理方法、***、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115375237A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116753966A (zh) * | 2023-04-10 | 2023-09-15 | 中核勘察设计研究有限公司 | 一种导航电子地图数据获取方法及设备 |
-
2022
- 2022-08-26 CN CN202211031240.9A patent/CN115375237A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116753966A (zh) * | 2023-04-10 | 2023-09-15 | 中核勘察设计研究有限公司 | 一种导航电子地图数据获取方法及设备 |
CN116753966B (zh) * | 2023-04-10 | 2024-04-12 | 中核勘察设计研究有限公司 | 一种导航电子地图数据获取方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | On-time last-mile delivery: Order assignment with travel-time predictors | |
US11514276B2 (en) | System and method for detecting and classifying recurrent stops of a vehicle fleet | |
Ferreira et al. | The impact of driving styles on fuel consumption: A data-warehouse-and-data-mining-based discovery process | |
US10852152B2 (en) | System and method for deriving operation information of a fleet and analyzing the same | |
Gingerich et al. | Classifying the purpose of stopped truck events: An application of entropy to GPS data | |
Yang et al. | Real-time multivehicle truckload pickup and delivery problems | |
CN111461624A (zh) | 物流线路规划方法、装置、设备及存储介质 | |
CN111582559B (zh) | 一种到达时间的预估方法及装置 | |
US20120075067A1 (en) | Sensor based truth maintenance method and system | |
Liu et al. | Data-driven order assignment for last mile delivery | |
Ma et al. | Public transportation big data mining and analysis | |
CN115375237A (zh) | 一种冷链物流智能管理方法、***、设备和存储介质 | |
Liu et al. | Artificial intelligence in smart logistics cyber-physical systems: State-of-the-arts and potential applications | |
CN116664029A (zh) | 冷链干线与落地配整合方法、装置、设备及存储介质 | |
CN117634926A (zh) | 基于大数据分析的综合港口运营预测方法及*** | |
CN112465384A (zh) | 一种运力调度的方法、装置、计算机设备及计算机可读存储介质 | |
CN116664025A (zh) | 装卸货位置点生成方法、装置及设备 | |
Song et al. | Service time prediction for last-yard delivery | |
CN114220191B (zh) | 行车状态识别方法、装置、计算机设备及可读存储介质 | |
CN115907580A (zh) | 城配物流的运输监控方法、装置、设备及存储介质 | |
CN114564627A (zh) | 基于货车数据的企业关系分析方法、***及存储介质 | |
CN113393011B (zh) | 预测限速信息的方法、装置、计算机设备和介质 | |
Dahl et al. | Understanding association between logged vehicle data and vehicle marketing parameters: Using clustering and rule-based machine learning | |
Andersen et al. | Reoptimisation strategies for dynamic vehicle routing problems with proximity-dependent nodes | |
CN114202272A (zh) | 一种基于电子围栏的车货匹配方法、装置、存储介质及终端 |
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 |