CN116681373B - 一种物流供应链管理方法 - Google Patents
一种物流供应链管理方法 Download PDFInfo
- Publication number
- CN116681373B CN116681373B CN202310960789.4A CN202310960789A CN116681373B CN 116681373 B CN116681373 B CN 116681373B CN 202310960789 A CN202310960789 A CN 202310960789A CN 116681373 B CN116681373 B CN 116681373B
- Authority
- CN
- China
- Prior art keywords
- logistics
- distribution
- layer
- delivery
- supply chain
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013068 supply chain management Methods 0.000 title claims abstract description 15
- 238000012384 transportation and delivery Methods 0.000 claims abstract description 89
- 239000011159 matrix material Substances 0.000 claims description 59
- 230000004927 fusion Effects 0.000 claims description 31
- 238000000605 extraction Methods 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 abstract description 2
- 239000002699 waste material Substances 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process 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
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种物流供应链管理方法,属于物流管理技术领域,其方法包括以下步骤:S1:获取各个物流订单在电子地图中的发货地址和收货地址,并确定各个物流订单的配送偏好系数;S2:根据各个物流订单的配送偏好系数,对各个物流订单进行分类,生成若干个物流供应链配送集合;S3:根据物流供应链配送集合,进行物流订单配送,并对各个物流订单进行验收。本发明通过物流订单的收发货地址,确定可以一同配送的物流供应链集合,完成物流供应链集合中各个物流订单的配送,确保物流订单高效送达且避免资源浪费的同时,还对物流编码图像进行验证,保证物流订单送达的准确度。
Description
技术领域
本发明属于物流管理技术领域,具体涉及一种物流供应链管理方法。
背景技术
随着互联网技术的发展和互联网应用用户的普及,物流种类和物流地域也随之扩大。物流供应链运输在各行业中发挥的作用越来越重要,物流运输配送任务也更加繁重,并且对运输配送的效率要求也更高。传统的物流供应链管理方法中,往往通过人工来对多个物流订单进行分配,使收发地在同一区域的物流订单形成一条供应链,同时配送。但该方法出错率较高,且人工成本昂贵。因此,单单依靠以往的人工来确定配送路线已经不适合目前物流供应链管理。
发明内容
本发明为了解决以上问题,提出了一种物流供应链管理方法。
本发明的技术方案是:一种物流供应链管理方法包括以下步骤:
S1:获取各个物流订单在电子地图中的发货地址和收货地址,并确定各个物流订单的配送偏好系数;
S2:根据各个物流订单的配送偏好系数,对各个物流订单进行分类,生成若干个物流供应链配送集合;
S3:根据物流供应链配送集合,进行物流订单配送,并对各个物流订单进行验收。
进一步地,S1包括以下子步骤:
S11、获取各个物流订单在电子地图中的发货地址和收货地址;
S12、判断是否存在与发货地址和收货地址相同的历史物流订单,若是则进入S13,否则进入S14;
S13、根据各个物流订单在电子地图中的发货地址和收货地址,在电子地图中生成若干条标准配送路径;获取历史物流订单的若干条历史配送路径,将若干条标准配送路径和若干条历史配送路径的集合作为可选配送路径样本集,并进入S15;
S14、根据各个物流订单在电子地图中的发货地址和收货地址,在电子地图中生成若干条标准配送路径,将若干条标准配送路径的集合作为可选配送路径样本集,并进入S15;
S15、计算可选配送路径样本集中各条配送路径的配送权重;
S16、根据物流订单中各条配送路径的配送权重,确定物流订单的配送偏好系数。
进一步地,S15中,配送路径的配送权重R的计算公式为:
;式中,mod(·)表示取余数运算,t0表示初始配送时刻,L表示配送路径的行驶距离,v表示配送路径的行驶速度,sk1表示第k个无效时间窗的终止时刻,sk0表示第k个无效时间窗的起始时刻,K表示无效时间窗个数,mk表示第k个无效时间窗产生的损失费,Q0表示配送路径中每小时车流量,C0表示配送路径中每小时油费,Qk表示第k个无效时间窗的车流量,T表示配送路径的行驶时长,λ1表示0-1的第一决策变量。
上述进一步方案的有益效果是:在本发明中,若配送路径为历史配送路径,则λ1=1;若配送路径为标准配送路径,则λ1=0。
在可选配送路径样本集中配送路径可能为标准配送路径,也可能为历史配送路径。若配送路径为历史配送路径时,则可以清楚地知道在配送过程中由于等待红绿灯等不确定因素产生的未行驶时段,将这些未行驶时段作为无效时间窗,无效时间窗的个数以及各个无效时间窗的时长都会影响配送路径的配送权重,所以在计算配送权重时也应重点考虑,在配送路径为历史配送路径时,令决策权重λ1=1,带入时间窗因素进行运算。
进一步地,S16中,物流订单的配送偏好系数μ的计算公式为:
;式中,λ2表示0-1的第二决策变量,P表示所有历史配送路径的行驶距离集合,Q表示所有标准配送路径的行驶距离集合,Rm表示第m条配送路径的配送权重,M表示所有配送路径个数。
上述进一步方案的有益效果是:在本发明中,若物流订单的可选配送路径样本集中存在历史配送路径,则λ2=1;若物流订单的配送路径中不存在历史配送路径,则λ2=0。历史配送路径与标准配送路径存在相同行驶距离时,表示该路径的适配性较高。因此,在配送偏好系数的计算公式中,0-1的第二决策变量λ2的作用是在历史配送路径与标准配送路径有相同行驶距离时,将相同行驶距离作为影响配送偏好系数的因素之一,增大配送偏好系数的数值。两个物流订单的配送偏好系数越接近,表示两个物流订单作为同一个物流供应链配送集合的子集产生的配送成本越低。
进一步地,S2中,生成若干个物流供应链配送集合的具体方法为:将所有物流订单的配送偏好系数从大到小排列,生成配送偏好系数序列,将配送偏好系数序列均分若干个子序列,将各个子序列中配送偏好系数对应的所有物流订单作为一个物流供应链配送集合。
上述进一步方案的有益效果是:在本发明中,由于两个物流订单的配送偏好系数越接近,表示两个物流订单作为同一个物流供应链配送集合的子集产生的配送成本越低,因此,一个物流供应量配送集合中的子集应配送偏好系数高度关联,这样才可以保证一个配送集合中的配送订单可以同时进行配送。
进一步地,S3包括以下子步骤:
S31、根据物流供应链配送集合,进行物流订单配送;
S32、获取完成配送的物流订单的物流编码图像;
S33、构建物流订单验收模型;
S34、将物流编码图像输入至物流订单验收模型中,进行验收。
上述进一步方案的有益效果是:在本发明中,将物流编码图像输入至构建的物流订单验收模型中,进行特征提取和特征处理,其验收精度高,且物流订单验收模型因其采用神经网络结构,具有较高的容错性,可以丰富编码图像的特征。
进一步地,S33中,物流订单验收模型包括卷积层、第一特征提取层、第二特征提取层、第一降维层、第二降维层、特征融合层和自注意力解码层;
卷积层作为物流订单验收模型的输入端,其第一输出端和第一特征提取层的输入端连接,其第二输出端和第二特征提取层的输入端连接;
第一特征提取层的输出端和第一降维层的输入端连接;第二特征提取层的输出端和第二降维层的输入端连接;
第一降维层的输出端和特征融合层的第一输入端连接;第二降维层的输出端和特征融合层的第二输入端连接;
特征融合层的输出端和自注意力解码层的输入端连接;自注意力解码层的输出端作为物流订单验收模型的输出端。
进一步地,卷积层用于将N通道的物流编码图像输入至物流订单验收模型中,并将N通道的物流编码图像转换为16N通道的物流编码图像;
第一特征提取层用于提取物流编码图像的灰度特征矩阵;
第二特征提取层用于提取物流编码图像的亮度特征矩阵;
第一降维层用于对灰度特征矩阵进行降维处理,生成降维灰度特征矩阵;
第二降维层用于对亮度特征矩阵进行降维处理,生成降维亮度特征矩阵;
特征融合层用于对降维灰度特征矩阵和降维亮度特征矩阵进行融合,生成融合特征矩阵;
自注意力解码层用于根据融合特征矩阵,生成验收结果。
上述进一步方案的有益效果是:在本发明中,将物流编码图像各个像素点的灰度值和亮度值分别按照像素点位置进行排列,即可生成对应的灰度特征矩阵和亮度特征矩阵。物流订单验收模型通过卷积层完成对物流编码图像的采样处理,拓宽图像的通道,便于后期进行特征提取;通过结构上相互对称的特征提取层和降维层来提取并降维特征矩阵,对称结构便于两个层之间共享参数;特征融合层对两个降维后的特征矩阵进行融合,自注意力解码层利用内部判别器,生成判别结果,即验收结果。
进一步地,融合特征矩阵Z的表达式为:
;式中,softmax(·)表示归一化指数函数,/>表示矩阵乘法,X表示降维灰度特征矩阵,x表示灰度特征矩阵,Y表示降维亮度特征矩阵,y表示降维亮度特征矩阵,I表示单位矩阵。
进一步地,自注意力编码层的损失函数Loss的表达式为:
;式中,Wl表示自注意力编码层中第l次训练的权重,al表示自注意力编码层中第l次训练的卷积核参数,Wl-1表示自注意力编码层中第l-1次训练的权重,al-1表示自注意力编码层中第l-1次训练的卷积核参数,Up(·)表示上采样函数,σ(·)表示激活函数,Z表示融合特征矩阵。
上述进一步方案的有益效果是:在本发明中,利用自注意力编码层的损失函数对融合特征进行运算,将损失函数值作为验收值,若验收值属于设定验收阈值区间,则验收通过,否则验收不通过。验收阈值区间可以人为设定。
本发明的有益效果是:本发明通过物流订单的收发货地址,确定可以一同配送的物流供应链集合,完成物流供应链集合中各个物流订单的配送,确保物流订单高效送达且避免资源浪费的同时,还对物流编码图像进行验证,保证物流订单送达的准确度。
附图说明
图1为物流供应链管理方法的流程图;
图2为物流订单验收模型的结构图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
如图1所示,本发明提供了一种物流供应链管理方法,包括以下步骤:
S1:获取各个物流订单在电子地图中的发货地址和收货地址,并确定各个物流订单的配送偏好系数;
S2:根据各个物流订单的配送偏好系数,对各个物流订单进行分类,生成若干个物流供应链配送集合;
S3:根据物流供应链配送集合,进行物流订单配送,并对各个物流订单进行验收。
在本发明实施例中,S1包括以下子步骤:
S11、获取各个物流订单在电子地图中的发货地址和收货地址;
S12、判断是否存在与发货地址和收货地址相同的历史物流订单,若是则进入S13,否则进入S14;
S13、根据各个物流订单在电子地图中的发货地址和收货地址,在电子地图中生成若干条标准配送路径;获取历史物流订单的若干条历史配送路径,将若干条标准配送路径和若干条历史配送路径的集合作为可选配送路径样本集,并进入S15;
S14、根据各个物流订单在电子地图中的发货地址和收货地址,在电子地图中生成若干条标准配送路径,将若干条标准配送路径的集合作为可选配送路径样本集,并进入S15;
S15、计算可选配送路径样本集中各条配送路径的配送权重;
S16、根据物流订单中各条配送路径的配送权重,确定物流订单的配送偏好系数。
在本发明实施例中,S15中,配送路径的配送权重R的计算公式为:
;式中,mod(·)表示取余数运算,t0表示初始配送时刻,L表示配送路径的行驶距离,v表示配送路径的行驶速度,sk1表示第k个无效时间窗的终止时刻,sk0表示第k个无效时间窗的起始时刻,K表示无效时间窗个数,mk表示第k个无效时间窗产生的损失费,Q0表示配送路径中每小时车流量,C0表示配送路径中每小时油费,Qk表示第k个无效时间窗的车流量,T表示配送路径的行驶时长,λ1表示0-1的第一决策变量。
在本发明中,若配送路径为历史配送路径,则λ1=1;若配送路径为标准配送路径,则λ1=0。
在可选配送路径样本集中配送路径可能为标准配送路径,也可能为历史配送路径。若配送路径为历史配送路径时,则可以清楚地知道在配送过程中由于等待红绿灯等不确定因素产生的未行驶时段,将这些未行驶时段作为无效时间窗,无效时间窗的个数以及各个无效时间窗的时长都会影响配送路径的配送权重,所以在计算配送权重时也应重点考虑,在配送路径为历史配送路径时,令决策权重λ1=1,带入时间窗因素进行运算。
在本发明实施例中,S16中,物流订单的配送偏好系数μ的计算公式为:
;式中,λ2表示0-1的第二决策变量,P表示所有历史配送路径的行驶距离集合,Q表示所有标准配送路径的行驶距离集合,Rm表示第m条配送路径的配送权重,M表示所有配送路径个数。
在本发明中,若物流订单的可选配送路径样本集中存在历史配送路径,则λ2=1;若物流订单的配送路径中不存在历史配送路径,则λ2=0。历史配送路径与标准配送路径存在相同行驶距离时,表示该路径的适配性较高。因此,在配送偏好系数的计算公式中,0-1的第二决策变量λ2的作用是在历史配送路径与标准配送路径有相同行驶距离时,将相同行驶距离作为影响配送偏好系数的因素之一,增大配送偏好系数的数值。两个物流订单的配送偏好系数越接近,表示两个物流订单作为同一个物流供应链配送集合的子集产生的配送成本越低。
在本发明实施例中,S2中,生成若干个物流供应链配送集合的具体方法为:将所有物流订单的配送偏好系数从大到小排列,生成配送偏好系数序列,将配送偏好系数序列均分若干个子序列,将各个子序列中配送偏好系数对应的所有物流订单作为一个物流供应链配送集合。
在本发明中,由于两个物流订单的配送偏好系数越接近,表示两个物流订单作为同一个物流供应链配送集合的子集产生的配送成本越低,因此,一个物流供应量配送集合中的子集应配送偏好系数高度关联,这样才可以保证一个配送集合中的配送订单可以同时进行配送。
在本发明实施例中,S3包括以下子步骤:
S31、根据物流供应链配送集合,进行物流订单配送;
S32、获取完成配送的物流订单的物流编码图像;
S33、构建物流订单验收模型;
S34、将物流编码图像输入至物流订单验收模型中,进行验收。
在本发明中,将物流编码图像输入至构建的物流订单验收模型中,进行特征提取和特征处理,其验收精度高,且物流订单验收模型因其采用神经网络结构,具有较高的容错性,可以丰富编码图像的特征。
在本发明实施例中,S33中,如图2所示,物流订单验收模型包括卷积层、第一特征提取层、第二特征提取层、第一降维层、第二降维层、特征融合层和自注意力解码层;
卷积层作为物流订单验收模型的输入端,其第一输出端和第一特征提取层的输入端连接,其第二输出端和第二特征提取层的输入端连接;
第一特征提取层的输出端和第一降维层的输入端连接;第二特征提取层的输出端和第二降维层的输入端连接;
第一降维层的输出端和特征融合层的第一输入端连接;第二降维层的输出端和特征融合层的第二输入端连接;
特征融合层的输出端和自注意力解码层的输入端连接;自注意力解码层的输出端作为物流订单验收模型的输出端。
在本发明实施例中,卷积层用于将N通道的物流编码图像输入至物流订单验收模型中,并将N通道的物流编码图像转换为16N通道的物流编码图像;
第一特征提取层用于提取物流编码图像的灰度特征矩阵;
第二特征提取层用于提取物流编码图像的亮度特征矩阵;
第一降维层用于对灰度特征矩阵进行降维处理,生成降维灰度特征矩阵;
第二降维层用于对亮度特征矩阵进行降维处理,生成降维亮度特征矩阵;
特征融合层用于对降维灰度特征矩阵和降维亮度特征矩阵进行融合,生成融合特征矩阵;
自注意力解码层用于根据融合特征矩阵,生成验收结果。
在本发明中,将物流编码图像各个像素点的灰度值和亮度值分别按照像素点位置进行排列,即可生成对应的灰度特征矩阵和亮度特征矩阵。物流订单验收模型通过卷积层完成对物流编码图像的采样处理,拓宽图像的通道,便于后期进行特征提取;通过结构上相互对称的特征提取层和降维层来提取并降维特征矩阵,对称结构便于两个层之间共享参数;特征融合层对两个降维后的特征矩阵进行融合,自注意力解码层利用内部判别器,生成判别结果,即验收结果。
在本发明实施例中,融合特征矩阵Z的表达式为:
;式中,softmax(·)表示归一化指数函数,/>表示矩阵乘法,X表示降维灰度特征矩阵,x表示灰度特征矩阵,Y表示降维亮度特征矩阵,y表示降维亮度特征矩阵,I表示单位矩阵。
在本发明实施例中,自注意力编码层的损失函数Loss的表达式为:
;式中,Wl表示自注意力编码层中第l次训练的权重,al表示自注意力编码层中第l次训练的卷积核参数,Wl-1表示自注意力编码层中第l-1次训练的权重,al-1表示自注意力编码层中第l-1次训练的卷积核参数,Up(·)表示上采样函数,σ(·)表示激活函数,Z表示融合特征矩阵。
在本发明中,利用自注意力编码层的损失函数对融合特征进行运算,将损失函数值作为验收值,若验收值属于设定验收阈值区间,则验收通过,否则验收不通过。验收阈值区间可以人为设定。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (7)
1.一种物流供应链管理方法,其特征在于,包括以下步骤:
S1:获取各个物流订单在电子地图中的发货地址和收货地址,并确定各个物流订单的配送偏好系数;
S2:根据各个物流订单的配送偏好系数,对各个物流订单进行分类,生成若干个物流供应链配送集合;
S3:根据物流供应链配送集合,进行物流订单配送,并对各个物流订单进行验收;
所述S1包括以下子步骤:
S11、获取各个物流订单在电子地图中的发货地址和收货地址;
S12、判断是否存在与发货地址和收货地址相同的历史物流订单,若是则进入S13,否则进入S14;
S13、根据各个物流订单在电子地图中的发货地址和收货地址,在电子地图中生成若干条标准配送路径;获取历史物流订单的若干条历史配送路径,将若干条标准配送路径和若干条历史配送路径的集合作为可选配送路径样本集,并进入S15;
S14、根据各个物流订单在电子地图中的发货地址和收货地址,在电子地图中生成若干条标准配送路径,将若干条标准配送路径的集合作为可选配送路径样本集,并进入S15;
S15、计算可选配送路径样本集中各条配送路径的配送权重;
S16、根据物流订单中各条配送路径的配送权重,确定物流订单的配送偏好系数;
所述S15中,配送路径的配送权重R的计算公式为:
;式中,mod(·)表示取余数运算,t0表示初始配送时刻,L表示配送路径的行驶距离,v表示配送路径的行驶速度,sk1表示第k个无效时间窗的终止时刻,sk0表示第k个无效时间窗的起始时刻,K表示无效时间窗个数,mk表示第k个无效时间窗产生的损失费,Q0表示配送路径中每小时车流量,C0表示配送路径中每小时油费,Qk表示第k个无效时间窗的车流量,T表示配送路径的行驶时长,λ1表示0-1的第一决策变量;
所述S16中,物流订单的配送偏好系数μ的计算公式为:
;式中,λ2表示0-1的第二决策变量,P表示所有历史配送路径的行驶距离集合,Q表示所有标准配送路径的行驶距离集合,Rm表示第m条配送路径的配送权重,M表示所有配送路径个数。
2.根据权利要求1所述的物流供应链管理方法,其特征在于,所述S2中,生成若干个物流供应链配送集合的具体方法为:将所有物流订单的配送偏好系数从大到小排列,生成配送偏好系数序列,将配送偏好系数序列均分若干个子序列,将各个子序列中配送偏好系数对应的所有物流订单作为一个物流供应链配送集合。
3.根据权利要求1所述的物流供应链管理方法,其特征在于,所述S3包括以下子步骤:
S31、根据物流供应链配送集合,进行物流订单配送;
S32、获取完成配送的物流订单的物流编码图像;
S33、构建物流订单验收模型;
S34、将物流编码图像输入至物流订单验收模型中,进行验收。
4.根据权利要求3所述的物流供应链管理方法,其特征在于,所述S33中,物流订单验收模型包括卷积层、第一特征提取层、第二特征提取层、第一降维层、第二降维层、特征融合层和自注意力解码层;
所述卷积层作为物流订单验收模型的输入端,其第一输出端和第一特征提取层的输入端连接,其第二输出端和第二特征提取层的输入端连接;
所述第一特征提取层的输出端和第一降维层的输入端连接;所述第二特征提取层的输出端和第二降维层的输入端连接;
所述第一降维层的输出端和特征融合层的第一输入端连接;所述第二降维层的输出端和特征融合层的第二输入端连接;
所述特征融合层的输出端和自注意力解码层的输入端连接;所述自注意力解码层的输出端作为物流订单验收模型的输出端。
5.根据权利要求4所述的物流供应链管理方法,其特征在于,所述卷积层用于将N通道的物流编码图像输入至物流订单验收模型中,并将N通道的物流编码图像转换为16N通道的物流编码图像;
所述第一特征提取层用于提取物流编码图像的灰度特征矩阵;
所述第二特征提取层用于提取物流编码图像的亮度特征矩阵;
所述第一降维层用于对灰度特征矩阵进行降维处理,生成降维灰度特征矩阵;
所述第二降维层用于对亮度特征矩阵进行降维处理,生成降维亮度特征矩阵;
所述特征融合层用于对降维灰度特征矩阵和降维亮度特征矩阵进行融合,生成融合特征矩阵;
所述自注意力解码层用于根据融合特征矩阵,生成验收结果。
6.根据权利要求5所述的物流供应链管理方法,其特征在于,所述融合特征矩阵Z的表达式为:
;式中,softmax(·)表示归一化指数函数,/>表示矩阵乘法,X表示降维灰度特征矩阵,x表示灰度特征矩阵,Y表示降维亮度特征矩阵,y表示降维亮度特征矩阵,I表示单位矩阵。
7.根据权利要求5所述的物流供应链管理方法,其特征在于,所述自注意力编码层的损失函数Loss的表达式为:
;式中,Wl表示自注意力编码层中第l次训练的权重,al表示自注意力编码层中第l次训练的卷积核参数,Wl-1表示自注意力编码层中第l-1次训练的权重,al-1表示自注意力编码层中第l-1次训练的卷积核参数,Up(·)表示上采样函数,σ(·)表示激活函数,Z表示融合特征矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310960789.4A CN116681373B (zh) | 2023-08-02 | 2023-08-02 | 一种物流供应链管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310960789.4A CN116681373B (zh) | 2023-08-02 | 2023-08-02 | 一种物流供应链管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116681373A CN116681373A (zh) | 2023-09-01 |
CN116681373B true CN116681373B (zh) | 2023-10-20 |
Family
ID=87791340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310960789.4A Active CN116681373B (zh) | 2023-08-02 | 2023-08-02 | 一种物流供应链管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116681373B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117252322B (zh) * | 2023-11-10 | 2024-02-02 | 青岛冠成软件有限公司 | 一种物流供应链管理方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376984A (zh) * | 2018-09-03 | 2019-02-22 | 杭州医好网络科技有限公司 | 一种基于医院后勤分类运送任务的员工排序方法 |
CN109948981A (zh) * | 2019-03-18 | 2019-06-28 | 康美药业股份有限公司 | 选择配送方案的方法、终端及计算机可读存储介质 |
CN111461624A (zh) * | 2020-04-20 | 2020-07-28 | 上海东普信息科技有限公司 | 物流线路规划方法、装置、设备及存储介质 |
CN111724086A (zh) * | 2019-03-18 | 2020-09-29 | 北京京东尚科信息技术有限公司 | 物流订单的配送方法、***、存储介质及电子设备 |
CN113554387A (zh) * | 2021-06-28 | 2021-10-26 | 杭州拼便宜网络科技有限公司 | 基于司机偏好的电商物流订单分配方法、装置、设备及存储介质 |
CN114926062A (zh) * | 2022-05-31 | 2022-08-19 | 上海壹佰米网络科技有限公司 | 一种确定配送时长的方法、装置、计算机可读存储介质 |
CN115330300A (zh) * | 2022-07-26 | 2022-11-11 | 上海东普信息科技有限公司 | 采购单处理方法、装置、设备及存储介质 |
CN116308684A (zh) * | 2023-05-18 | 2023-06-23 | 和元达信息科技有限公司 | 一种网购平台店铺信息推送方法及*** |
CN116433339A (zh) * | 2023-06-15 | 2023-07-14 | 全屋优品科技(深圳)有限公司 | 订单数据的处理方法、装置、设备及存储介质 |
-
2023
- 2023-08-02 CN CN202310960789.4A patent/CN116681373B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376984A (zh) * | 2018-09-03 | 2019-02-22 | 杭州医好网络科技有限公司 | 一种基于医院后勤分类运送任务的员工排序方法 |
CN109948981A (zh) * | 2019-03-18 | 2019-06-28 | 康美药业股份有限公司 | 选择配送方案的方法、终端及计算机可读存储介质 |
CN111724086A (zh) * | 2019-03-18 | 2020-09-29 | 北京京东尚科信息技术有限公司 | 物流订单的配送方法、***、存储介质及电子设备 |
CN111461624A (zh) * | 2020-04-20 | 2020-07-28 | 上海东普信息科技有限公司 | 物流线路规划方法、装置、设备及存储介质 |
CN113554387A (zh) * | 2021-06-28 | 2021-10-26 | 杭州拼便宜网络科技有限公司 | 基于司机偏好的电商物流订单分配方法、装置、设备及存储介质 |
CN114926062A (zh) * | 2022-05-31 | 2022-08-19 | 上海壹佰米网络科技有限公司 | 一种确定配送时长的方法、装置、计算机可读存储介质 |
CN115330300A (zh) * | 2022-07-26 | 2022-11-11 | 上海东普信息科技有限公司 | 采购单处理方法、装置、设备及存储介质 |
CN116308684A (zh) * | 2023-05-18 | 2023-06-23 | 和元达信息科技有限公司 | 一种网购平台店铺信息推送方法及*** |
CN116433339A (zh) * | 2023-06-15 | 2023-07-14 | 全屋优品科技(深圳)有限公司 | 订单数据的处理方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
4PL模式下网购供应链资源整合决策;姚建明;;***管理学报(第02期);308-316+325 * |
Also Published As
Publication number | Publication date |
---|---|
CN116681373A (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109325116B (zh) | 一种基于深度学习的城市事件自动分类派发方法及装置 | |
CN116681373B (zh) | 一种物流供应链管理方法 | |
CN107133645B (zh) | 预估乘客取消订单行为的方法、设备及存储介质 | |
CN109961248B (zh) | 运单投诉预测方法、装置、设备及其存储介质 | |
CN110459051B (zh) | 路段特征模型训练方法、装置、终端设备及存储介质 | |
CN114202120A (zh) | 一种针对多源异构数据的城市交通行程时间预测方法 | |
CN111860989A (zh) | 一种基于蚁群算法优化的lstm神经网络短时交通流量预测方法 | |
CN114676353B (zh) | 一种基于分节推断的地址匹配方法 | |
CN113642758A (zh) | 一种共享电动汽车的供需预测及调度方法和装置 | |
CN116452280A (zh) | 一种电动汽车充电桩订单异常的清分结算方法及装置 | |
CN116933125A (zh) | 时间序列数据预测方法、装置、设备及存储介质 | |
CN113706291A (zh) | 欺诈风险预测方法、装置、设备及存储介质 | |
CN114528395A (zh) | 一种文本字词特征双线注意力融合的风险预测方法 | |
CN116932919A (zh) | 信息推送方法、装置、电子设备和计算机可读介质 | |
CN114936627A (zh) | 一种改进的分节推断地址匹配方法 | |
CN113283222B (zh) | 自动化报表生成方法、装置、计算机设备及存储介质 | |
CN114420168A (zh) | 情绪识别方法、装置、设备及存储介质 | |
CN114418606A (zh) | 基于时空卷积网络的网约车订单需求预测方法 | |
CN112784831B (zh) | 融合多层特征增强注意力机制的文字识别方法 | |
CN111209979A (zh) | 监控车辆电压的方法、装置及电子设备 | |
CN113095515A (zh) | 业务故障信息处理方法及装置 | |
CN116757476A (zh) | 一种风险预测模型的构建、风险防控方法和装置 | |
CN113704407B (zh) | 基于类别分析的投诉量分析方法、装置、设备及存储介质 | |
CN114610871B (zh) | 基于人工智能算法的情报***建模分析方法 | |
CN111209399A (zh) | 文本分类方法、装置和电子设备 |
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 |