CN116452099B - 一种基于大数据的冷链食品运输智能管理*** - Google Patents
一种基于大数据的冷链食品运输智能管理*** Download PDFInfo
- Publication number
- CN116452099B CN116452099B CN202310691744.1A CN202310691744A CN116452099B CN 116452099 B CN116452099 B CN 116452099B CN 202310691744 A CN202310691744 A CN 202310691744A CN 116452099 B CN116452099 B CN 116452099B
- Authority
- CN
- China
- Prior art keywords
- value
- transportation
- preset
- cold chain
- vehicle
- 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.)
- Active
Links
- 235000013305 food Nutrition 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 claims abstract description 71
- 238000004458 analytical method Methods 0.000 claims abstract description 70
- 238000003860 storage Methods 0.000 claims abstract description 52
- 238000012423 maintenance Methods 0.000 claims description 93
- 238000007726 management method Methods 0.000 claims description 72
- 230000002159 abnormal effect Effects 0.000 claims description 26
- 206010039203 Road traffic accident Diseases 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 20
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 18
- 230000006399 behavior Effects 0.000 claims description 17
- 238000012544 monitoring process Methods 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 16
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 15
- 229910052760 oxygen Inorganic materials 0.000 claims description 15
- 239000001301 oxygen Substances 0.000 claims description 15
- 238000011835 investigation Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
-
- 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
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W90/00—Enabling technologies or technologies with a potential or indirect contribution to greenhouse gas [GHG] emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Multimedia (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Time Recorders, Dirve Recorders, Access Control (AREA)
Abstract
本发明属于冷链运输管理技术领域,具体是一种基于大数据的冷链食品运输智能管理***,包括冷链运输管理平台、冷链运输前端分析模块、人车匹配性监管模块、车载实时管控模块以及冷链运输后端分析模块;本发明是通过将空闲运输车辆进行分析,以方便调度人员进行冷链运输车辆的合理快速选择,保障对应冷链食品运输过程的安全稳定,并在确定运输对应冷链食品的空闲运输车辆时通过分析建立优选人员集合,使最终所确定的驾驶人员与目标车辆具有良好的匹配性,保证对应冷链食品运输过程的稳定性和高效安全性,且通过将目标车辆的食品存放端和驾驶端分别进行实时分析,保证驾驶过程的安全稳定,对所储存的冷链食品进行有效保护。
Description
技术领域
本发明涉及冷链运输管理技术领域,具体是一种基于大数据的冷链食品运输智能管理***。
背景技术
冷链食品是指在冷藏冷冻环境下保持其品质和安全性的食品,是由易腐食品构成,在生产、加工、贮藏、运输、分销和零售过程中必须保持在一定温度下,以保证食品质量和安全,冷链食品的运输通常需要特殊的设备和技术,如冷藏车、冷库等,以保证其低温环境,冷链食品的储存和交付过程同样需要严格的质量控制,以确保食品的安全性和质量;
目前在进行冷链食品运输时,对进行冷链食品运输的冷链运输车辆选择和进行输送任务的驾驶人员选择均较为随意,无法合理快速的确定冷链运输车辆以及与其相匹配的驾驶人员,不利于保证冷链食品运输过程的安全稳定,并且在运输过程中难以实现对食品存放端和驾驶端的有效监测和管控,对冷链食品的保护效果和运输过程安全性造成不利影响;
针对上述的技术缺陷,现提出一种解决方案。
发明内容
本发明的目的在于提供一种基于大数据的冷链食品运输智能管理***,解决了现有技术无法合理快速的确定冷链运输车辆以及与其相匹配的驾驶人员,不利于保证冷链食品运输过程的安全稳定,且在运输过程中难以实现对食品存放端和驾驶端的有效监测和管控,对冷链食品保护效果和运输过程安全性造成不利影响的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于大数据的冷链食品运输智能管理***,包括冷链运输管理平台、冷链运输前端分析模块、人车匹配性监管模块、车载实时管控模块以及冷链运输后端分析模块;在进行冷链食品运输前,冷链运输管理平台采集到所有空闲运输车辆并将空闲运输车辆发送至冷链运输前端分析模块,冷链运输前端分析模块将空闲运输车辆分析,通过分析生成对应空闲车辆的报废信号或维护信号,并通过分析获取到合格车辆,将所有合格车辆建立优选车辆集合,将优选车辆集合经冷链运输管理平台发送至运输调度终端,运输调度终端的调度人员进行对应冷链食品运输前的车辆调度选择,并将报废信号或维护信号以及所对应的空闲运输车辆经冷链运输管理平台发送至车辆管理终端,车辆管理终端的管理人员进行对应空闲运输车辆的报废或维护保养;
运输调度终端在确定运输对应冷链食品的空闲运输车辆时将对应空闲运输车辆标记为目标车辆,并安排人员将对应冷链食品进行装货,且将目标车辆经冷链运输管理平台发送至人车匹配性监管模块,人车匹配性监管模块将对应空闲驾驶人员进行分析,通过分析确定合格人员,将所有合格人员建立优选人员集合,将优选人员集合经冷链运输管理平台发送至运输调度终端,运输调度终端的调度人员进行对应冷链食品运输前的人员调度选择;运输调度终端在确定运输对应冷链食品的空闲驾驶人员时将对应空闲驾驶人员标记为目标人员,目标人员在目标车辆装货完成后进行目标车辆的驾驶以运输对应冷链食品;
车载实时管控模块用于在进行对应冷链食品的运输时将目标车辆的食品存放端和驾驶端分别进行分析,通过分析以判断食品存放端是否异常和判断驾驶端是否异常,在生成存放端异常信号或驾驶端异常信号时发出对应预警以提醒驾驶室的目标人员;冷链运输后端分析模块用于在对应冷链食品的运输结束时将当次运输过程进行分析,通过分析以判断是否生成运输不合格信号,将运输不合格信号经冷链运输管理平台发送至运输管控终端,运输管控终端的管理人员进行目标人员和目标车辆的追溯调查。
进一步的,冷链运输前端分析模块的具体运行过程包括:
采集到对应空闲运输车辆的报废间隔时长和实际行驶里程,将报废间隔时长和实际行驶里程与预设报废间隔时长阈值和预设行驶里程阈值分别进行数值比较,若报废间隔时长未超过预设报废间隔时长阈值或实际行驶里程超过预设行驶里程阈值,则生成对应空闲运输车辆的报废信号;
若报废间隔时长超过预设报废间隔时长阈值且实际行驶里程未超过预设行驶里程阈值,则采集到对应空闲运输车辆的维护保养次数和每次维护保养的持续时长,将每次维护保养的持续时长进行求和计算得到养时总值,将养时总值与维护保养次数进行比值计算得到维护时况值,以及采集相邻两次维护保养的间隔时长并标记为单次维护间隔时长,将所有当次维护间隔时长进行求和计算并取均值得到维护间表值,将维护时况值、维护间表值、报废间隔时长和实际行驶里程进行归一化计算并取其数值,将其数值标记为前端安全值,将前端安全值与预设前端安全范围进行数值比较,若前端安全值未超过预设前端安全范围的最小值,则生成对应空闲运输车辆的报废信号;
若前端安全值位于预设前端安全范围内,则将对应空闲运输车辆标记为风险车辆,若前端安全值超过预设前端安全范围的最大值,则将对应空闲运输车辆标记为安全车辆,将风险车辆与安全车辆分别赋予维护间时阈值WX1和WX2,且1<WX1<WX2,采集到对应风险车辆以及对应安全车辆相较于对应相邻上次维护保养日期的间隔时长并标记为当前维护间时值,将对应风险车辆的当前维护间时值与维护间时阈值WX1以及将对应安全车辆的当前维护间时值与维护间时阈值WX2分别进行数值比较,将未超过对应维护间时阈值的风险车辆和安全车辆标记为合格车辆,否则生成对应风险车辆或对应安全车辆的维护信号。
进一步的,人车匹配性监管模块的具体运行过程包括:
采集到空闲驾驶人员,将单位时间内对应空闲驾驶人员进行对应目标车辆的驾驶次数和驾驶里程分别标记为操频值和操距值,将操频值和操距值与预设操频阈值和预设操距阈值分别进行数值比较,若操频值未超过预设操频阈值且操距值未超过预设操距阈值,则将对应空闲驾驶人员剔除,若操频值超过预设操频阈值或操距值超过预设操距阈值,则将对应空闲驾驶人员标记为可选人员;
采集到单位时间内对应可选人员驾驶目标车辆时出现交通事故的次数,将出现交通事故的次数与操频值进行比值计算得到运输事故值,以及通过刹车急迫性分析获取到对应可选人员的运输追溯值,将运输事故值和运输追溯值与预设运输事故阈值和预设运输追溯阈值分别进行数值比较,若运输事故值超过预设运输事故阈值或运输追溯值超过预设运输追溯阈值,则将对应可选人员剔除,若运输事故值未超过预设运输事故阈值且运输追溯值未超过预设运输追溯阈值,则将对应可选人员标记为合格人员。
进一步的,刹车急迫性分析的具体分析过程如下:
采集到对应可选人员驾驶目标车辆每次运输过程的刹车信息,刹车信息包括每次刹车时的刹车速度和刹车距离,将对应刹车距离与对应刹车速度进行比值计算得到刹车紧急值,将刹车紧急值与预设刹车紧急阈值进行数值比较,若刹车紧急值未超过预设刹车紧急阈值,则将对应刹车紧急值标记为风险刹车值,将风险刹车值的数量与对应可选人员驾驶目标车辆进行对应运输过程的路程距离进行比值计算得到刹车不良值;
将刹车不良值与预设刹车不良阈值进行数值比较,若刹车不良值超过预设刹车不良阈值,则将对应运输过程标记为风险运输,否则将对应运输过程标记为安全运输,采集到单位时间内对应可选人员驾驶目标车辆的风险运输次数和安全运输次数,将风险运输次数与安全运输次数进行比值计算得到风险运占值,将风险运占值与风险运输次数进行数值计算得到对应可选人员的运输追溯值。
进一步的,车载实时管控模块的具体运行过程包括:
在进行对应冷链食品的运输时,通过传感器组实时采集目标车辆的食品存放端的存放数据,存放数据包括食品存放车厢内的温度数据、湿度数据、氧气数据以及车体振动数据,将温度数据、湿度数据、氧气数据和车体振动数据与预设温度范围、预设湿度范围、预设氧气范围和预设车体振动范围分别进行数值比较,若温度数据、湿度数据、氧气数据和车体振动数据中存在至少一项未处于对应预设范围内,则生成存放端异常信号;
否则采集到食品存放端的存放区域,将存放区域划分为若干个分析区域,将对应分析区域的初始图像标记为参考图像,将对应分析区域的实时图像标记为检测图像,将检测图像与对应参考图像进行图像比对以获取到对应分析区域的图像重合度,将图像重合度与预设图像重合度阈值进行数值比较,若图像重合度未超过预设图像重合度阈值,则将对应分析区域标记为错位区域,将错位区域的图像重合度与预设图像重合度阈值进行差值计算并取绝对值以得到对应错位区域的错位偏离值,将所有错位偏离值进行求和计算并取均值以得到错偏均值,将错位区域的数量与错偏均值进行数值计算得到错位风险值,若错位风险值超过预设错位风险阈值,则生成存放端异常信号;
以及在进行对应冷链食品的运输时通过监控摄像头实时采集目标车辆的驾驶端的目标人员监控画面,基于目标人员的监控画面和预设风险行为模型以捕捉到目标人员的异常行为,设定监控时段,采集到监控时段内目标人员的所有异常行为并进行异常行为分类,事先将每种类型的异常行为分配相应的预设类型参数,将对应类型的异常行为数量与对应预设类型参数进行乘积计算得到对应类型异常行为的实时风险值,将所有实时风险值进行求和计算得到行为预警值,若行为预警值超过预设行为预警阈值,则生成驾驶端异常信号。
进一步的,冷链运输后端分析模块的具体分析过程如下:
采集到目标车辆的到达时刻以及对应冷链食品的运输期限时刻,将运输期限时刻与到达时刻进行时间差计算以得到提前时长,若提前时长未超过预设提前时长阈值,则生成运输不合格信号,若提前时长超过预设提前时长阈值,则采集到当前运输过程中对应冷链食品的受损量占比值,若受损量占比值超过预设受损量占比阈值,则生成运输不合格信号;
若受损量占比值未超过预设受损量占比阈值,则采集到当次运输过程的行程路径距离值以及油耗数据,将油耗数据与行程路径距离值进行比值计算得到能量转化值,将能量转化值与预设能量转化阈值进行数值比较,若能量转化值超过预设能量转化阈值,则生成运输不合格信号。
与现有技术相比,本发明的有益效果是:
1、本发明中,通过在进行冷链食品运输前将空闲运输车辆进行分析以生成对应空闲车辆的报废信号或维护信号,并通过分析建立优选车辆集合,方便调度人员进行冷链运输车辆的合理快速选择,保障对应冷链食品运输过程的安全稳定,并将报废信号或维护信号以及所对应的空闲运输车辆经冷链运输管理平台发送至车辆管理终端,以便及时进行对应报废信号或维护信号的空闲运输车辆的报废或维护保养,保证后续运输安全;在确定运输对应冷链食品的空闲运输车辆时将对应空闲运输车辆标记为目标车辆,将对应空闲驾驶人员进行分析以建立优选人员集合,方便进行驾驶人员的合理快速选择,使最终所确定的驾驶人员与目标车辆具有良好的匹配性,保证对应冷链食品运输过程的稳定性和高效安全性;
2、本发明中,通过在进行对应冷链食品的运输时将目标车辆的食品存放端和驾驶端分别进行分析,以判断食品存放端和驾驶端是否异常,以便驾驶室内的目标人员及时进行存放端的环境调查和环境调控,并及时纠正自身的异常驾驶行为,保证后续驾驶过程的安全稳定,并对所储存的冷链食品进行有效保护;在对应冷链食品运输结束时将当次运输过程进行分析以判断是否生成运输不合格信号,将运输不合格信号经冷链运输管理平台发送至运输管控终端,运输管控终端的管理人员及时进行目标人员和目标车辆的追溯调查,以保证后续冷链食品的稳定准时到达。
附图说明
为了便于本领域技术人员理解,下面结合附图对本发明作进一步的说明;
图1为本发明中实施例一的***框图;
图2为本发明中实施例二的***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,所描述的实施例仅仅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。
实施例一:如图1所示,本发明提出的一种基于大数据的冷链食品运输智能管理***,包括冷链运输管理平台、冷链运输前端分析模块、人车匹配性监管模块、车载实时管控模块以及冷链运输后端分析模块,且冷链运输管理平台与冷链运输前端分析模块、人车匹配性监管模块、车载实时管控模块以及冷链运输后端分析模块均通信连接,冷链运输管理平台还通信连接运输调度终端和车辆管理终端;
在进行冷链食品运输前,冷链运输管理平台采集到所有空闲运输车辆并将空闲运输车辆发送至冷链运输前端分析模块,冷链运输前端分析模块将空闲运输车辆分析,通过分析生成对应空闲车辆的报废信号或维护信号,并通过分析获取到合格车辆,将所有合格车辆建立优选车辆集合,将优选车辆集合经冷链运输管理平台发送至运输调度终端,运输调度终端的调度人员进行对应冷链食品运输前的车辆调度选择,方便调度人员进行冷链运输车辆的合理快速选择,并保障对应冷链食品运输过程的安全稳定,并将报废信号或维护信号以及所对应的空闲运输车辆经冷链运输管理平台发送至车辆管理终端,车辆管理终端的管理人员及时进行对应空闲运输车辆的报废或维护保养,保证后续运输安全;冷链运输前端分析模块的具体运行过程如下:
采集到对应空闲运输车辆的报废间隔时长和实际行驶里程,将报废间隔时长和实际行驶里程与预设报废间隔时长阈值和预设行驶里程阈值分别进行数值比较,若报废间隔时长未超过预设报废间隔时长阈值或实际行驶里程超过预设行驶里程阈值,则生成对应空闲运输车辆的报废信号;若报废间隔时长超过预设报废间隔时长阈值且实际行驶里程未超过预设行驶里程阈值,则采集到对应空闲运输车辆的维护保养次数和每次维护保养的持续时长,将每次维护保养的持续时长进行求和计算得到养时总值,将养时总值与维护保养次数进行比值计算得到维护时况值,以及采集相邻两次维护保养的间隔时长并标记为单次维护间隔时长,将所有当次维护间隔时长进行求和计算并取均值得到维护间表值;
通过公式将维护时况
值QY1、维护间表值QY2、报废间隔时长QY3和实际行驶里程QY4进行归一化计算并取其数值,
将其数值标记为前端安全值QF,其中,c1、c2、c3、c4为预设比例系数,c1、c2、c3、c4的取值均
大于零,并且,由上公式可知,前端安全值QF的数值大小与维护时况值QY1和报废间隔时长
QY3均呈正比关系,与维护间表值QY2和实际行驶里程QY4均呈反比关系,前端安全值QF的数
值越小,表明对应空闲运输车辆的车辆安全状况越差;将前端安全值QF与预设前端安全范
围进行数值比较,若前端安全值QF未超过预设前端安全范围的最小值,表明对应空闲运输
车辆越趋向于报废,则生成对应空闲运输车辆的报废信号;
若前端安全值QF位于预设前端安全范围内,则将对应空闲运输车辆标记为风险车辆,若前端安全值QF超过预设前端安全范围的最大值,则将对应空闲运输车辆标记为安全车辆,事先将风险车辆与安全车辆分别赋予维护间时阈值WX1和WX2,且1<WX1<WX2,采集到对应风险车辆以及对应安全车辆相较于对应相邻上次维护保养日期的间隔时长并标记为当前维护间时值,将对应风险车辆的当前维护间时值与维护间时阈值WX1以及将对应安全车辆的当前维护间时值与维护间时阈值WX2分别进行数值比较,将未超过对应维护间时阈值的风险车辆和安全车辆标记为合格车辆,否则生成对应风险车辆或对应安全车辆的维护信号,应当及时进行对应风险车辆或对应安全车辆的维护保养,以保障后续对应运输车辆的安全运输。
运输调度终端在确定运输对应冷链食品的空闲运输车辆时将对应空闲运输车辆标记为目标车辆,并安排人员将对应冷链食品进行装货,且将目标车辆经冷链运输管理平台发送至人车匹配性监管模块,人车匹配性监管模块将对应空闲驾驶人员进行分析,通过分析确定合格人员,将所有合格人员建立优选人员集合,将优选人员集合经冷链运输管理平台发送至运输调度终端,运输调度终端的调度人员进行对应冷链食品运输前的人员调度选择,方便进行驾驶人员的合理快速选择,使最终所确定的驾驶人员与目标车辆具有良好的匹配性,保证对应冷链食品运输过程的稳定性和高效安全性;运输调度终端在确定运输对应冷链食品的空闲驾驶人员时将对应空闲驾驶人员标记为目标人员,目标人员在目标车辆装货完成后进行目标车辆的驾驶以运输对应冷链食品;人车匹配性监管模块的具体运行过程如下:
采集到空闲驾驶人员,将单位时间内对应空闲驾驶人员进行对应目标车辆的驾驶次数和驾驶里程分别标记为操频值和操距值,将操频值和操距值与预设操频阈值和预设操距阈值分别进行数值比较,若操频值未超过预设操频阈值且操距值未超过预设操距阈值,表明对应空闲驾驶人员进行目标车辆的驾驶熟练度越差,驾驶过程相较而言难以安全顺利进行,则将对应空闲驾驶人员剔除,若操频值超过预设操频阈值或操距值超过预设操距阈值,则将对应空闲驾驶人员标记为可选人员;
采集到单位时间内对应可选人员驾驶目标车辆时出现交通事故的次数,将出现交通事故的次数与操频值进行比值计算得到运输事故值,以及采集到对应可选人员驾驶目标车辆每次运输过程的刹车信息,刹车信息包括每次刹车时的刹车速度和刹车距离,将对应刹车距离与对应刹车速度进行比值计算得到刹车紧急值,将刹车紧急值与预设刹车紧急阈值进行数值比较,若刹车紧急值未超过预设刹车紧急阈值,则将对应刹车紧急值标记为风险刹车值,将风险刹车值的数量与对应可选人员驾驶目标车辆进行对应运输过程的路程距离进行比值计算得到刹车不良值;
将刹车不良值与预设刹车不良阈值进行数值比较,若刹车不良值超过预设刹车不良阈值,则将对应运输过程标记为风险运输,否则将对应运输过程标记为安全运输,采集到单位时间内对应可选人员驾驶目标车辆的风险运输次数和安全运输次数,需要说明的是,风险运输次数与安全运输次数两者的和值为对应可选人员的操频值;将风险运输次数与安全运输次数进行比值计算得到风险运占值,通过公式YZ3=rp1*YZ1+rp2*YZ2将风险运占值YZ1与风险运输次数YZ2进行数值计算后得到对应可选人员的运输追溯值YZ3;其中,rp1、rp2为预设权重系数,rp1>rp2>1;并且,运输追溯值YZ3的数值大小与风险运占值YZ1与风险运输次数YZ2均呈正比关系,运输追溯值YZ3的数值越大,表明对应可选人员进行目标车辆驾驶时的风险越大;
将运输事故值和运输追溯值与预设运输事故阈值和预设运输追溯阈值分别进行数值比较,若运输事故值超过预设运输事故阈值或运输追溯值超过预设运输追溯阈值,则将对应可选人员剔除,若运输事故值未超过预设运输事故阈值且运输追溯值未超过预设运输追溯阈值,则将对应可选人员标记为合格人员,实现对空闲驾驶人员的合理选择,使最终所选定的驾驶人员与目标车辆更加匹配,保证了冷链食品运输过程的安全稳定。
车载实时管控模块用于在进行对应冷链食品的运输时将目标车辆的食品存放端和驾驶端分别进行分析,通过分析以判断食品存放端是否异常和判断驾驶端是否异常,在生成存放端异常信号或驾驶端异常信号时发出对应预警以提醒驾驶室的目标人员,驾驶室内的目标人员及时进行存放端的环境调查和环境调控,以及及时纠正自身的异常驾驶行为,保证后续驾驶过程的安全稳定,并对所储存的冷链食品进行有效保护;车载实时管控模块的具体运行过程如下:
在进行对应冷链食品的运输时,通过传感器组实时采集目标车辆的食品存放端的存放数据,存放数据包括食品存放车厢内的温度数据、湿度数据、氧气数据以及车体振动数据,其中,温度数据、湿度数据和氧气数据是表示存放车厢内温度大小、湿度大小和氧气浓度大小的数据量值,车体振动数据是表示存放车厢内振动幅度和振动频率两者和值大小的数据量值;将温度数据、湿度数据、氧气数据和车体振动数据与预设温度范围、预设湿度范围、预设氧气范围和预设车体振动范围分别进行数值比较,若温度数据、湿度数据、氧气数据和车体振动数据中存在至少一项未处于对应预设范围内,则生成存放端异常信号;
若温度数据、湿度数据、氧气数据和车体振动数据均处于对应预设范围内,则采集到食品存放端的存放区域,将存放区域划分为若干个分析区域,将对应分析区域的初始图像标记为参考图像,将对应分析区域的实时图像标记为检测图像,将检测图像与对应参考图像进行图像比对以获取到对应分析区域的图像重合度,将图像重合度与预设图像重合度阈值进行数值比较,若图像重合度未超过预设图像重合度阈值,表明当前对应分析区域的物品摆放位置相较于初始摆放状况的偏差较大,即在运输过程中对应分析区域的物品摆放位置发生较大变化,则将对应分析区域标记为错位区域;
将错位区域的图像重合度与预设图像重合度阈值进行差值计算并取绝对值以得到对应错位区域的错位偏离值,将所有错位偏离值进行求和计算并取均值以得到错偏均值,通过公式CF=bp1*CH1+bp2*CH2将错位区域的数量CH1与错偏均值CH2进行数值计算得到错位风险值CF,其中,bp1、bp2为预设权重系数,bp1>bp2>0;并且,由上式可知,错位风险值CF的数值大小与错位区域的数量CH1与错偏均值CH2均呈正比关系,错位风险值CF的数值越大,表明食品存放端的位置变化所带来的运输风险越大,将错位风险值与预设错位风险阈值进行数值比较,若错位风险值超过预设错位风险阈值,则生成存放端异常信号;
以及在进行对应冷链食品的运输时通过监控摄像头实时采集目标车辆的驾驶端的目标人员监控画面,基于目标人员的监控画面和预设风险行为模型(由对应管理人员事先录入并存储至冷链运输管理平台)以捕捉到目标人员的异常行为,设定监控时段,采集到监控时段内目标人员的所有异常行为并进行异常行为分类,事先将每种类型的异常行为分配相应的预设类型参数,预设类型参数的数值均大于零,预设类型参数的数值越大,表明对应类型异常行为所带来的安全隐患越大;将对应类型的异常行为数量与对应预设类型参数进行乘积计算得到对应类型异常行为的实时风险值,将所有实时风险值进行求和计算得到行为预警值,将行为预警值与预设行为预警阈值进行数值比较,若行为预警值超过预设行为预警阈值,则生成驾驶端异常信号。
实施例二:如图2所示,本实施例与实施例1的区别在于,冷链运输管理平台与冷链运输后端分析模块通信连接,且冷链运输管理平台通信连接运输管控终端;冷链运输后端分析模块用于在对应冷链食品的运输结束时将当次运输过程进行分析,通过分析以判断是否生成运输不合格信号,将运输不合格信号经冷链运输管理平台发送至运输管控终端,运输管控终端的管理人员进行目标人员和目标车辆的追溯调查,以及时提醒管理人员进行原因调查判断,并保证后续冷链食品的稳定准时到达;冷链运输后端分析模块的具体分析过程如下:
采集到目标车辆的到达时刻以及对应冷链食品的运输期限时刻,将运输期限时刻与到达时刻进行时间差计算以得到提前时长,提前时长的数值越大,表明当次运输过程的运输效率越高,对应冷链食品的到达越及时;将提前时长与预设提前时长阈值进行数值比较,若提前时长未超过预设提前时长阈值,则生成运输不合格信号,若提前时长超过预设提前时长阈值,则采集到当前运输过程中对应冷链食品的受损量占比值,受损量占比值是表示当次运输过程造成损坏的冷链食品重量与所运输冷链食品总重量两者比值大小的数据量值,受损量占比值的数值越大,表明当次运输过程对冷链食品造成的损害较大,所带来的损失越大,将受损量占比值与预设受损量占比阈值进行数值比较,若受损量占比值超过预设受损量占比阈值,则生成运输不合格信号;
若受损量占比值未超过预设受损量占比阈值,则采集到当次运输过程的行程路径距离值以及油耗数据,油耗数据是表示当次运输过程目标车辆耗油量大小的数据量值,油耗数据的数值越大,表明当次运输过程所消耗的油量越多;将油耗数据与行程路径距离值进行比值计算得到能量转化值,需要说明的是,能量转化值的数值越大,表明当次运输过程中单位距离内目标车辆消耗的油量越多,运输过程存在异常的可能性越大,将能量转化值与预设能量转化阈值进行数值比较,若能量转化值超过预设能量转化阈值,则生成运输不合格信号。
本发明的工作原理:使用时,在进行冷链食品运输前将空闲运输车辆进行分析以生成对应空闲车辆的报废信号或维护信号,并通过分析获取到合格车辆,将所有合格车辆建立优选车辆集合,将优选车辆集合经冷链运输管理平台发送至运输调度终端,方便调度人员进行冷链运输车辆的合理快速选择,并保障对应冷链食品运输过程的安全稳定,并将报废信号或维护信号以及所对应的空闲运输车辆经冷链运输管理平台发送至车辆管理终端,以便及时进行对应空闲运输车辆的报废或维护保养,保证后续运输安全;在确定运输对应冷链食品的空闲运输车辆时将对应空闲运输车辆标记为目标车辆,将对应空闲驾驶人员进行分析以确定目标车辆的合格人员,将所有合格人员建立优选人员集合,将优选人员集合经冷链运输管理平台发送至运输调度终端,方便进行驾驶人员的合理快速选择,使最终所确定的驾驶人员与目标车辆具有良好的匹配性,保证对应冷链食品运输过程的稳定性和高效安全性;且在进行对应冷链食品的运输时将目标车辆的食品存放端和驾驶端分别进行分析,以判断食品存放端和驾驶端是否异常,以便驾驶室内的目标人员及时进行存放端的环境调查和环境调控,并及时纠正自身的异常驾驶行为,保证后续驾驶过程的安全稳定,并对所储存的冷链食品进行有效保护。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数由本领域的技术人员根据实际情况进行设置。以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (2)
1.一种基于大数据的冷链食品运输智能管理***,包括冷链运输管理平台、冷链运输前端分析模块、人车匹配性监管模块、车载实时管控模块以及冷链运输后端分析模块;在进行冷链食品运输前,冷链运输管理平台采集到所有空闲运输车辆并将空闲运输车辆发送至冷链运输前端分析模块,冷链运输前端分析模块将空闲运输车辆分析,通过分析生成对应空闲车辆的报废信号或维护信号,并通过分析获取到合格车辆,将所有合格车辆建立优选车辆集合,将优选车辆集合经冷链运输管理平台发送至运输调度终端,运输调度终端的调度人员进行对应冷链食品运输前的车辆调度选择,并将报废信号或维护信号以及所对应的空闲运输车辆经冷链运输管理平台发送至车辆管理终端,车辆管理终端的管理人员进行对应空闲运输车辆的报废或维护保养;
运输调度终端在确定运输对应冷链食品的空闲运输车辆时将对应空闲运输车辆标记为目标车辆,并安排人员将对应冷链食品进行装货,且将目标车辆经冷链运输管理平台发送至人车匹配性监管模块,人车匹配性监管模块将对应空闲驾驶人员进行分析,通过分析确定合格人员,将所有合格人员建立优选人员集合,将优选人员集合经冷链运输管理平台发送至运输调度终端,运输调度终端的调度人员进行对应冷链食品运输前的人员调度选择;运输调度终端在确定运输对应冷链食品的空闲驾驶人员时将对应空闲驾驶人员标记为目标人员,目标人员在目标车辆装货完成后进行目标车辆的驾驶以运输对应冷链食品;
车载实时管控模块用于在进行对应冷链食品的运输时将目标车辆的食品存放端和驾驶端分别进行分析,通过分析以判断食品存放端是否异常和判断驾驶端是否异常,在生成存放端异常信号或驾驶端异常信号时发出对应预警以提醒驾驶室的目标人员;冷链运输后端分析模块用于在对应冷链食品的运输结束时将当次运输过程进行分析,通过分析以判断是否生成运输不合格信号,将运输不合格信号经冷链运输管理平台发送至运输管控终端,运输管控终端的管理人员进行目标人员和目标车辆的追溯调查;
冷链运输前端分析模块的具体运行过程包括:
采集到对应空闲运输车辆的报废间隔时长和实际行驶里程,将报废间隔时长和实际行驶里程与预设报废间隔时长阈值和预设行驶里程阈值分别进行数值比较,若报废间隔时长未超过预设报废间隔时长阈值或实际行驶里程超过预设行驶里程阈值,则生成对应空闲运输车辆的报废信号;
若报废间隔时长超过预设报废间隔时长阈值且实际行驶里程未超过预设行驶里程阈值,则采集到对应空闲运输车辆的维护保养次数和每次维护保养的持续时长,将每次维护保养的持续时长进行求和计算得到养时总值,将养时总值与维护保养次数进行比值计算得到维护时况值,以及采集相邻两次维护保养的间隔时长并标记为单次维护间隔时长,将所有当次维护间隔时长进行求和计算并取均值得到维护间表值,将维护时况值、维护间表值、报废间隔时长和实际行驶里程进行归一化计算并取其数值,将其数值标记为前端安全值,将前端安全值与预设前端安全范围进行数值比较,若前端安全值未超过预设前端安全范围的最小值,则生成对应空闲运输车辆的报废信号;
若前端安全值位于预设前端安全范围内,则将对应空闲运输车辆标记为风险车辆,若前端安全值超过预设前端安全范围的最大值,则将对应空闲运输车辆标记为安全车辆,将风险车辆与安全车辆分别赋予维护间时阈值WX1和WX2,且1<WX1<WX2,采集到对应风险车辆以及对应安全车辆相较于对应相邻上次维护保养日期的间隔时长并标记为当前维护间时值,将对应风险车辆的当前维护间时值与维护间时阈值WX1以及将对应安全车辆的当前维护间时值与维护间时阈值WX2分别进行数值比较,将未超过对应维护间时阈值的风险车辆和安全车辆标记为合格车辆,否则生成对应风险车辆或对应安全车辆的维护信号;
人车匹配性监管模块的具体运行过程包括:
采集到空闲驾驶人员,将单位时间内对应空闲驾驶人员进行对应目标车辆的驾驶次数和驾驶里程分别标记为操频值和操距值,将操频值和操距值与预设操频阈值和预设操距阈值分别进行数值比较,若操频值未超过预设操频阈值且操距值未超过预设操距阈值,则将对应空闲驾驶人员剔除,若操频值超过预设操频阈值或操距值超过预设操距阈值,则将对应空闲驾驶人员标记为可选人员;
采集到单位时间内对应可选人员驾驶目标车辆时出现交通事故的次数,将出现交通事故的次数与操频值进行比值计算得到运输事故值,以及通过刹车急迫性分析获取到对应可选人员的运输追溯值,将运输事故值和运输追溯值与预设运输事故阈值和预设运输追溯阈值分别进行数值比较,若运输事故值超过预设运输事故阈值或运输追溯值超过预设运输追溯阈值,则将对应可选人员剔除,若运输事故值未超过预设运输事故阈值且运输追溯值未超过预设运输追溯阈值,则将对应可选人员标记为合格人员;
车载实时管控模块的具体运行过程包括:
在进行对应冷链食品的运输时,通过传感器组实时采集目标车辆的食品存放端的存放数据,存放数据包括食品存放车厢内的温度数据、湿度数据、氧气数据以及车体振动数据,将温度数据、湿度数据、氧气数据和车体振动数据与预设温度范围、预设湿度范围、预设氧气范围和预设车体振动范围分别进行数值比较,若温度数据、湿度数据、氧气数据和车体振动数据中存在至少一项未处于对应预设范围内,则生成存放端异常信号;
否则采集到食品存放端的存放区域,将存放区域划分为若干个分析区域,将对应分析区域的初始图像标记为参考图像,将对应分析区域的实时图像标记为检测图像,将检测图像与对应参考图像进行图像比对以获取到对应分析区域的图像重合度,将图像重合度与预设图像重合度阈值进行数值比较,若图像重合度未超过预设图像重合度阈值,则将对应分析区域标记为错位区域,将错位区域的图像重合度与预设图像重合度阈值进行差值计算并取绝对值以得到对应错位区域的错位偏离值,将所有错位偏离值进行求和计算并取均值以得到错偏均值,将错位区域的数量与错偏均值进行数值计算得到错位风险值,若错位风险值超过预设错位风险阈值,则生成存放端异常信号;
以及在进行对应冷链食品的运输时通过监控摄像头实时采集目标车辆的驾驶端的目标人员监控画面,基于目标人员的监控画面和预设风险行为模型以捕捉到目标人员的异常行为,设定监控时段,采集到监控时段内目标人员的所有异常行为并进行异常行为分类,事先将每种类型的异常行为分配相应的预设类型参数,将对应类型的异常行为数量与对应预设类型参数进行乘积计算得到对应类型异常行为的实时风险值,将所有实时风险值进行求和计算得到行为预警值,若行为预警值超过预设行为预警阈值,则生成驾驶端异常信号;
冷链运输后端分析模块的具体分析过程如下:
采集到目标车辆的到达时刻以及对应冷链食品的运输期限时刻,将运输期限时刻与到达时刻进行时间差计算以得到提前时长,若提前时长未超过预设提前时长阈值,则生成运输不合格信号,若提前时长超过预设提前时长阈值,则采集到当前运输过程中对应冷链食品的受损量占比值,若受损量占比值超过预设受损量占比阈值,则生成运输不合格信号;
若受损量占比值未超过预设受损量占比阈值,则采集到当次运输过程的行程路径距离值以及油耗数据,将油耗数据与行程路径距离值进行比值计算得到能量转化值,将能量转化值与预设能量转化阈值进行数值比较,若能量转化值超过预设能量转化阈值,则生成运输不合格信号。
2.根据权利要求1所述的一种基于大数据的冷链食品运输智能管理***,其特征在于,刹车急迫性分析的具体分析过程如下:
采集到对应可选人员驾驶目标车辆每次运输过程的刹车信息,刹车信息包括每次刹车时的刹车速度和刹车距离,将对应刹车距离与对应刹车速度进行比值计算得到刹车紧急值,将刹车紧急值与预设刹车紧急阈值进行数值比较,若刹车紧急值未超过预设刹车紧急阈值,则将对应刹车紧急值标记为风险刹车值,将风险刹车值的数量与对应可选人员驾驶目标车辆进行对应运输过程的路程距离进行比值计算得到刹车不良值;
将刹车不良值与预设刹车不良阈值进行数值比较,若刹车不良值超过预设刹车不良阈值,则将对应运输过程标记为风险运输,否则将对应运输过程标记为安全运输,采集到单位时间内对应可选人员驾驶目标车辆的风险运输次数和安全运输次数,将风险运输次数与安全运输次数进行比值计算得到风险运占值,将风险运占值与风险运输次数进行数值计算得到对应可选人员的运输追溯值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310691744.1A CN116452099B (zh) | 2023-06-13 | 2023-06-13 | 一种基于大数据的冷链食品运输智能管理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310691744.1A CN116452099B (zh) | 2023-06-13 | 2023-06-13 | 一种基于大数据的冷链食品运输智能管理*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116452099A CN116452099A (zh) | 2023-07-18 |
CN116452099B true CN116452099B (zh) | 2023-09-19 |
Family
ID=87124042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310691744.1A Active CN116452099B (zh) | 2023-06-13 | 2023-06-13 | 一种基于大数据的冷链食品运输智能管理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116452099B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116608907B (zh) * | 2023-07-20 | 2023-09-22 | 北京华欣供应链管理有限公司 | 一种用于医药冷链的故障监测*** |
CN116823068B (zh) * | 2023-08-29 | 2023-11-07 | 四川集鲜数智供应链科技有限公司 | 一种餐饮食品供应链管理*** |
CN117132183B (zh) * | 2023-08-29 | 2024-06-21 | 太仓泽远供应链管理有限公司 | 基于大数据分析的物流供应链配送智能化监测*** |
CN117151332B (zh) * | 2023-08-31 | 2024-05-07 | 山东每日好农业发展有限公司 | 一种基于大数据的智能食品运输监测*** |
CN117114544B (zh) * | 2023-09-01 | 2024-05-17 | 上海中通蓝网信息科技有限公司 | 一种端到端的全程冷链运输管理平台 |
CN117350614B (zh) * | 2023-12-04 | 2024-02-13 | 四川唯鲜生活宅配供应链管理有限公司 | 一种基于物联网分析的食品包裹集货运输管理*** |
CN117474425A (zh) * | 2023-12-11 | 2024-01-30 | 杭州米阳科技有限公司 | 一种供应链数据采集与分析方法和*** |
CN117669997B (zh) * | 2024-02-01 | 2024-06-18 | 山东新云鹏电气有限公司 | 一种基于人工智能的矿用运输调度管理*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950901A (zh) * | 2020-08-12 | 2020-11-17 | 广州立信电子科技有限公司 | 一种基于远程监控的物流运输行驶安全监测管理*** |
CN113327083A (zh) * | 2021-06-23 | 2021-08-31 | 上海康展物流有限公司 | 一种用于冷链物流平台的车辆监控方法、***及存储介质 |
CN113762711A (zh) * | 2021-07-23 | 2021-12-07 | 郑全军 | 一种智慧冷链物流优化调度方法 |
CN115923829A (zh) * | 2022-11-17 | 2023-04-07 | 郑州铁路职业技术学院 | 一种基于毫米波雷达的车辆行驶****** |
CN116070984A (zh) * | 2023-04-06 | 2023-05-05 | 成都运荔枝科技有限公司 | 一种基于数据分析的冷链物流车辆的运输评估*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190333015A1 (en) * | 2016-07-22 | 2019-10-31 | Carrier Corporation | Risk management system for perishable good transport |
-
2023
- 2023-06-13 CN CN202310691744.1A patent/CN116452099B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950901A (zh) * | 2020-08-12 | 2020-11-17 | 广州立信电子科技有限公司 | 一种基于远程监控的物流运输行驶安全监测管理*** |
CN113327083A (zh) * | 2021-06-23 | 2021-08-31 | 上海康展物流有限公司 | 一种用于冷链物流平台的车辆监控方法、***及存储介质 |
CN113762711A (zh) * | 2021-07-23 | 2021-12-07 | 郑全军 | 一种智慧冷链物流优化调度方法 |
CN115923829A (zh) * | 2022-11-17 | 2023-04-07 | 郑州铁路职业技术学院 | 一种基于毫米波雷达的车辆行驶****** |
CN116070984A (zh) * | 2023-04-06 | 2023-05-05 | 成都运荔枝科技有限公司 | 一种基于数据分析的冷链物流车辆的运输评估*** |
Non-Patent Citations (3)
Title |
---|
"Application of cold chain logistics safety reliability in fresh food distribution optimization";Yifeng, Z.等;《Advance Journal of Food Science & Technology》;第5卷(第3期);第356-360页 * |
"H公司冷链物流配送管理优化策略研究";张栩菁;《中国优秀硕士学位论文全文数据库经济与管理科学辑》(第2期);第J145-314页 * |
"基于GIS的高原夏菜冷链物流配送***设计与实验研究";刁鹏 等;《南方农机》;第54卷(第5期);第34-37、41页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116452099A (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116452099B (zh) | 一种基于大数据的冷链食品运输智能管理*** | |
US11468715B2 (en) | Cloud-based vehicle fault diagnosis method, apparatus, and system | |
CN109177982A (zh) | 考虑驾驶风格的车辆行驶危险度评价方法 | |
CN110110960A (zh) | 一种商用车智能风控平台 | |
CN113838227B (zh) | 一种车辆异常停留监控方法及*** | |
CN116579619B (zh) | 一种货运运单的风控方法和*** | |
CN116863708B (zh) | 一种智慧城市调度分配*** | |
CN103606247B (zh) | 利用车况和驾驶员生理参数进行交通预警的方法及*** | |
CN107316458A (zh) | 基于车联网的安全监测节点及*** | |
CN117132183B (zh) | 基于大数据分析的物流供应链配送智能化监测*** | |
CN114566050B (zh) | 一种面向交通运行安全的隧道机器人巡检速度控制方法 | |
CN116882865B (zh) | 一种基于生鲜配送的智能物流装车***及装车方法 | |
CN117392855B (zh) | 基于卫星定位数据的车辆超限超载概率识别方法及*** | |
CN102622883A (zh) | 判定交通事件解除的方法及装置 | |
CN117391894A (zh) | 一种巡逻机器人协同违章取证方法、***及介质 | |
CN117523891A (zh) | 一种应用于智慧交通的应急调度导航*** | |
CN110443211A (zh) | 基于车载gpu的列车驾驶盹睡检测***及方法 | |
CN115049992A (zh) | 基于大数据的物流监控***及方法 | |
CN114819845A (zh) | 基于大数据的秸秆车辆协同调度*** | |
CN113022557A (zh) | 一种基于主动安全预警的车载监控***及方法 | |
CN111339142A (zh) | 数据监控响应方法、计算机可读存储介质及数据驱动平台 | |
CN111917874A (zh) | 一种新能源汽车车队的管理***及方法 | |
CN116931496B (zh) | 一种基于数据采集的无人驾驶车辆控制*** | |
CN114278420B (zh) | 车辆scr***预测性维护方法及预测性维护*** | |
Alooeff | ML Based Methodology of the Truck Driving Evaluation |
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 |