CN116976774A - 一种基于人工智能的物流信息管理方法及*** - Google Patents

一种基于人工智能的物流信息管理方法及*** Download PDF

Info

Publication number
CN116976774A
CN116976774A CN202311236704.4A CN202311236704A CN116976774A CN 116976774 A CN116976774 A CN 116976774A CN 202311236704 A CN202311236704 A CN 202311236704A CN 116976774 A CN116976774 A CN 116976774A
Authority
CN
China
Prior art keywords
data
optimization
historical
parameter
time sequence
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.)
Withdrawn
Application number
CN202311236704.4A
Other languages
English (en)
Inventor
徐晨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Weishan Tongtong Electronic Information Technology Co ltd
Original Assignee
Weishan Tongtong Electronic Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Weishan Tongtong Electronic Information Technology Co ltd filed Critical Weishan Tongtong Electronic Information Technology Co ltd
Priority to CN202311236704.4A priority Critical patent/CN116976774A/zh
Publication of CN116976774A publication Critical patent/CN116976774A/zh
Withdrawn legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Evolutionary Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于人工智能的物流信息管理方法及***，方法包括：数据采集、基于优化奇异值分解对数据进行高效降噪、基于PCA的特征提取和高效精准的物流量趋势预测。本发明属于物流信息管理技术领域，具体是指一种基于人工智能的物流信息管理方法及***，本方案采用基于标准差优化的奇异值分解进行数据降噪处理，根据实际情况动态调整窗口长度的大小，以适应不同数据类型的降噪要求；采用ROL策略和DE算法优化初始化过程，并在使用SFLA算法进行最差优化参数位置更新的同时，考虑组内最优和全局最优相结合的方法，对优化参数的位置更新方法进行优化。

Description

一种基于人工智能的物流信息管理方法及***
技术领域
本发明属于物流信息管理技术领域，具体是指一种基于人工智能的物流信息管理方法及***。
背景技术
物流信息管理***根据未来短期内的物流量趋势预测结果进行合理的资源调配和运输计划制定，提高物流效率和减少成本。但是现有的物流信息管理***存在采集的数据中含有噪声，导致数据的准确性下降，使得数据无法真实反映实际情况，以及不同数据具有不同的噪声程度，采用固定的窗口长度无法适应不同数据的降噪要求的技术问题；存在优化参数初始化位置选择不合理，导致算法的性能下降，使模型训练和预测的计算成本变高，以及模型容易陷入局部最优的技术问题。
发明内容
针对上述情况，为克服现有技术的缺陷，本发明提供了一种基于人工智能的物流信息管理方法及***，针对采集的数据中含有噪声，导致数据的准确性下降，使得数据无法真实反映实际情况，以及不同数据具有不同的噪声程度，采用固定的窗口长度无法适应不同数据的降噪要求的技术问题，本方案采用基于标准差优化的奇异值分解进行数据降噪处理，根据实际情况动态调整窗口长度的大小，以适应不同数据类型的降噪要求，提取数据的主要特征，保留数据中的重要信息，去除冗余和噪声，使得数据更加准确和可靠，进一步增加降噪效果，提高数据的准确性；针对优化参数初始化位置选择不合理，导致算法的性能下降，使模型训练和预测的计算成本变高，以及模型容易陷入局部最优的技术问题，本方案采用ROL策略和DE算法优化位置初始化过程，扩大搜索范围，增加多样性，并在使用SFLA算法进行最差优化参数位置更新的同时，考虑组内最优和全局最优相结合的方法，以协调算法的局部发展和全局搜索能力，降低算法过早收敛的概率，避免陷入局部最优，从而提高***性能。
本发明采取的技术方案如下：本发明提供的一种基于人工智能的物流信息管理方法，该方法包括以下步骤：
步骤S1：数据采集，采集物流量预测数据，物流量预测数据包括历史物流数据、历史销售数据、历史供应链数据、历史经济数据和对应标签，对应标签包括上升、下降和保持稳定；
步骤S2：基于优化奇异值分解对数据进行高效降噪，采用基于标准差优化的奇异值分解进行数据降噪处理，根据实际情况动态调整窗口长度的大小，以适应不同数据类型的降噪要求，去除噪声，保留数据中的重要信息；
步骤S3：基于PCA的特征提取，使用Z-score标准化方法进行数据标准化处理，再采用PCA方法进行特征提取，形成特征数据集；
步骤S4：高效精准的物流量趋势预测，采用ROL策略和DE算法优化初始化过程，并在使用SFLA算法进行最差优化参数位置更新的同时，考虑组内最优和全局最优相结合的方法，对优化参数的位置更新方法进行优化，构建高效精准型物流量趋势预测模型，对未来短期内的物流量趋势进行预测。
进一步地，在步骤S2中，基于采集的物流量预测数据，对于每个数据类型，构建一个时间序列并进行数据降噪处理，所述基于优化奇异值分解对数据进行高效降噪具体包括以下步骤：
步骤S21：数据初始化，预先设定窗口长度S=2和步长λ=1；
步骤S22：构建时间序列，将历史物流数据按照时间顺序排列，得到一个时间序列，所用公式如下：
P（n1）=[p1，p2，…，pN1]；
式中，P（n1）是历史物流数据的时间序列，N1是历史物流数据的数量；
步骤S23：构建轨迹矩阵，轨迹矩阵的行数为窗口长度S、列数为D，所用公式如下：
D=N1-S+1；
；
式中，PSD是轨迹矩阵；
步骤S24：奇异值分解，步骤如下：
步骤S241：构建协方差矩阵，所用公式如下：
Q=PSD×PSD T；
式中，Q是协方差矩阵，PSD T是轨迹矩阵PSD的转置矩阵，×是乘法运算符；
步骤S242：计算特征值和特征向量，计算出协方差矩阵Q的特征值β1，β2，…，βS（β1≥β2≥…≥βS≥0）和相应的正交特征向量C1，C2，…，CS，所用公式如下：
d=max{i:βi>0}，i=1，2，…，s；
；
；
PSD=PSD，1+…+PSD，d；
式中，是奇异值，d是非零特征值的数量，Mi是右特征矩阵，PSD，i是初等矩阵，Mi T是右特征矩阵Mi的转置矩阵；
步骤S25：计算贡献值，所用公式如下：
；
式中，ω是贡献值；
步骤S26：降噪，将贡献值按照从大到小的顺序进行排列，选择前b个贡献值对应的特征向量Ci和特征值βi，重构轨迹矩阵PSD，得到降噪后的轨迹矩阵PSD’，然后将PSD’的对角线平均值作为一个长度为N1的时间序列Ri（n1），得到降噪后的历史物流数据的时间序列P1（n1），所用公式如下：
S*=min（S，D）；
D*=max（S，D）；
；
；
Ri（n1）=[r1，r2，…，rN1]；
；
式中，P1（n1）是降噪后的历史物流数据的时间序列，S*是轨迹矩阵的行数和列数中的较小值，D*是轨迹矩阵的行数和列数中的较大值，fi，j是轨迹矩阵PSD中的元素，fi，j *是轨迹矩阵PSD’中重构后的元素，rk是轨迹矩阵PSD’中第k个对角线平均值；
步骤S27：计算奇异值标准差，按照步骤S23和步骤S24中的方法计算降噪后的历史物流数据的时间序列的奇异值，并计算奇异值标准差，所用公式如下：
；
式中，σ是奇异值标准差，mean（β）是特征值β的均值；
步骤S28：更新窗口长度，所用公式如下：
S’=S+λ；
式中，S’是更新后的窗口长度；
步骤S29：窗口长度确定，当S’≤时，返回步骤S23，基于更新后的窗口长度再次进行降噪处理，得到一系列降噪后的历史物流数据的时间序列和奇异值标准差；当S’>/>时，将奇异值标准差按照从大到小的顺序进行排序，选择最大的奇异值标准差对应的窗口长度处理得到的降噪后的历史物流数据的时间序列，将其作为最终输出的降噪后的历史物流数据的时间序列；
步骤S210：确定输出，采用步骤S21-步骤S29的相同方法分别对历史销售数据、历史供应链数据和历史经济数据进行处理，得到降噪后的历史销售数据的时间序列、历史供应链数据的时间序列和历史经济数据的时间序列，将其作为最终输出的每个数据类型降噪后的时间序列。
进一步地，在步骤S3中，所述基于PCA的特征提取是基于降噪处理后每个数据类型的时间序列和对应标签，将其组合为降噪数据集，使用Z-score标准化方法对其进行数据标准化处理，再采用PCA方法进行特征提取，形成特征数据集。
进一步地，在步骤S4中，所述高效精准的物流量趋势预测具体包括以下步骤：
步骤S41：构建训练数据集和测试数据集，从特征数据集中随机选取70%的样本数据作为训练数据集，其余30%的样本数据作为测试数据集；
步骤S42：初始化，预先设定优化参数总数量N3、第二最大迭代次数T2、优化参数空间维度A2、第三评估阈值ξ4、突变比例因子Hb、交叉概率Hc、步长因子常数o、物流量趋势预测模型中的惩罚因子F、容错参数E和高斯核函数关键参数Φ的搜索空间范围，搜索空间的下边界为LB2，搜索空间的上边界为UB2，用参数（F，E，Φ）代表优化参数的位置；
步骤S43：构建初始矩阵，步骤如下：
步骤S431：第一种优化参数位置初始化方法，所用公式如下：
G1i，a2 0=rand（0，1）×（UB2a2-LB2a2）+LB2a2，i=1，2，…，N3，a2=1，2，…，A2；
式中，G1i，a2 0是第一种第i个优化参数在第a2维空间的初始化位置，rand（0，1）是生成一个0到1之间的随机数；
步骤S432：第二种优化参数位置初始化方法，所用公式如下：
G2i，a2 0=LB2a2+UB2a2-rand（0，1）×Ga2，i=1，2，…，N3，a2=1，2，…，A2；
式中，G2i，a2 0是第二种第i个优化参数在第a2维空间的初始化位置，LB2a2和UB2a2是第a2维搜索空间的下边界和上边界，Ga2是第a2维搜索空间中的随机位置即Ga2∈[LB2a2，UB2a2]；
步骤S433：初始化位置合并，将步骤S431和步骤S432生成的优化参数的初始化位置进行合并，基于（2×N3）个优化参数的初始化位置形成集合G0，所用公式如下：
G0=（G1 0，G2 0，…，G2×N3 0）；
步骤S434：构建物流量趋势预测模型，利用python导入sklearn库基于当前参数（F，E，Φ）调用SVR函数，基于训练数据集训练物流量趋势预测模型，用训练好的物流量趋势预测模型对测试数据集的样本数据进行预测；
步骤S435：计算最优适应度值和第二全局最优位置，将所有优化参数根据第二适应度值按照从小到大的顺序进行排序，选择最低的适应度值作为最优适应度值，并将其对应的优化参数位置作为第二全局最优位置Gbest 0，所用公式如下：
；
式中，L是优化参数的适应度值，yj是真实标签，是预测标签，N4是测试数据集中样本数据的数量；
步骤S436：位置突变，从2×N3随机选择三个不同优化参数且k≠m≠n≠i，所用公式如下：
Vi=Gi 0+Hb×（Gbest 0-Gk 0+Gm 0-Gn 0），i=1，2，…，2×N3；
式中，Vi是第i个优化参数突变后的位置；
步骤S437：位置交叉，所用公式如下：
；
式中，Oi，a2是第i个优化参数在第a2维空间交叉后的位置；
步骤S438：位置替换，采用步骤S435相同的方法计算位置交叉后优化参数的适应度值，并进行位置替换，所用公式如下：
；
式中，Gi是替换后第i个优化参数的位置，L（Oi）是Oi的适应度值，L（Gi 0）是Gi 0的适应度值；
步骤S439：优化参数选择，采用步骤S435相同的方法计算位置替换后优化参数的适应度值、最优适应度值和第二全局最优位置，并将适应度值按照从小到大的顺序进行排序，选取前N3个低适应度值对应的优化参数，基于贪婪策略构建初始矩阵；
步骤S44：计算位置更新参数，所用公式如下：
；
；
；
；
；
式中，η1、η2、η3和η4是4种不同的位置更新步长方法，RB是服从正态分布的随机数的向量，RL是基于Lévy分布的随机数的向量，是逐项乘法运算符，CF是控制更新步长的自适应参数，t2是当前迭代次数；
步骤S45：第一次位置更新，所用公式如下：
；
式中，是第一次位置更新后的第i个优化参数的位置；
步骤S46：第二次位置更新，采用步骤S435相同的方法计算位置更新后优化参数的适应度值、最优适应度值和第二全局最优位置，根据适应度值将优化参数按照从小到大的顺序进行排序，然后基于循环分配方式将优化参数分为z组，并将每组中的最差即适应度值最高的优化参数位置进行更新，所用公式如下：
；
；
；
；
式中，、/>和/>是3种不同的更新组内最差优化参数位置的方法，Gbest，i是第i组中的最优优化参数位置，Gworst，i是第i组中的最差优化参数位置，/>是/>的适应度值，/>是/>的适应度值，/>是/>的适应度值；
步骤S47：第三次位置更新，将当前第i个优化参数的所有维度中的最大值和最小值调整为搜索空间的上边界和下边界，在调整后的动态搜索空间内进行第三次位置更新，所用公式如下：
；
；
式中，是第i个优化参数第二次位置更新后的位置，/>是第i个优化参数第三次位置更新后的位置，ui是第i个优化参数的动态搜索空间的中点；
步骤S48：位置确定，所用公式如下：
；
式中，是迭代后确定的位置，/>是/>的适应度值，是/>的适应度值；
步骤S49：更新最优适应度值和第二全局最优位置，采用步骤S435相同的方法计算位置确定后的优化参数的适应度值、最优适应度值和第二全局最优位置；
步骤S410：模型确定，当最优适应度值低于第三评估阈值ξ4，则基于当前参数物流量趋势预测模型并转至步骤S411；否则，若达到第二最大迭代次数T2，则转至步骤S43；否则转至步骤S44；
步骤S411：物流量趋势预测，采集实时物流数据、销售数据、供应链数据和经济数据，将其输入至物流量趋势预测模型中，基于物流量趋势预测模型输出的标签对未来短期内的物流量趋势进行预测。
本发明提供的一种基于人工智能的物流信息管理***，包括数据采集模块、数据降噪模块、特征提取模块和物流量趋势预测模块；
所述数据采集模块采集物流量预测数据，物流量预测数据包括历史物流数据、历史销售数据、历史供应链数据、历史经济数据和对应标签，对应标签包括上升、下降和保持稳定，并将物流量预测数据发送到数据降噪模块；
所述数据降噪模块接收数据采集模块发送的物流量预测数据，采用基于标准差优化的奇异值分解进行数据降噪处理，根据实际情况动态调整窗口长度的大小，以适应不同数据类型的降噪要求，去除噪声，保留数据中的重要信息，形成去燥后的时间序列，并将不同数据类型去燥后的时间序列发送至特征提取模块；
所述特征提取模块接收数据降噪模块发送的不同数据类型去燥后的时间序列，使用Z-score标准化方法进行数据标准化处理，再采用PCA方法进行特征提取，形成特征数据集，并将特征数据集发送至物流量趋势预测模块；
所述物流量趋势预测模块接收特征提取模块发送的特征数据集，采用ROL策略和DE算法优化初始化过程，并在使用SFLA算法进行最差优化参数位置更新的同时，考虑组内最优和全局最优相结合的方法，对优化参数的位置更新方法进行优化，构建高效精准型物流量趋势预测模型，对未来短期内的物流量趋势进行预测。
采用上述方案本发明取得的有益效果如下：
（1）针对采集的数据中含有噪声，导致数据的准确性下降，使得数据无法真实反映实际情况，以及不同数据具有不同的噪声程度，采用固定的窗口长度无法适应不同数据的降噪要求的技术问题，本方案采用基于标准差优化的奇异值分解进行数据降噪处理，根据实际情况动态调整窗口长度的大小，以适应不同数据类型的降噪要求，提取数据的主要特征，保留数据中的重要信息，去除冗余和噪声，使得数据更加准确和可靠，进一步增加降噪效果，提高数据的准确性。
（2）针对优化参数初始化位置选择不合理，导致算法的性能下降，使模型训练和预测的计算成本变高，以及模型容易陷入局部最优的技术问题，本方案采用ROL策略和DE算法优化位置初始化过程，扩大搜索范围，增加多样性，并在使用SFLA算法进行最差优化参数位置更新的同时，考虑组内最优和全局最优相结合的方法，以协调算法的局部发展和全局搜索能力，降低算法过早收敛的概率，避免陷入局部最优，从而提高***性能。
附图说明
图1为本发明提供的一种基于人工智能的物流信息管理方法的流程示意图；
图2为本发明提供的一种基于人工智能的物流信息管理***的示意图；
图3为步骤S2的流程示意图；
图4为步骤S4的流程示意图；
图5为优化参数搜索位置示意图；
图6为优化参数搜索曲线图。
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
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。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
实施例一，参阅图1，本发明提供的一种基于人工智能的物流信息管理方法，该方法包括以下步骤：
步骤S1：数据采集，采集物流量预测数据，物流量预测数据包括历史物流数据、历史销售数据、历史供应链数据、历史经济数据和对应标签，对应标签包括上升、下降和保持稳定；
步骤S2：基于优化奇异值分解对数据进行高效降噪，采用基于标准差优化的奇异值分解进行数据降噪处理，根据实际情况动态调整窗口长度的大小，以适应不同数据类型的降噪要求，去除噪声，保留数据中的重要信息；
步骤S3：基于PCA的特征提取，使用Z-score标准化方法进行数据标准化处理，再采用PCA方法进行特征提取，形成特征数据集；
步骤S4：高效精准的物流量趋势预测，采用ROL策略和DE算法优化初始化过程，并在使用SFLA算法进行最差优化参数位置更新的同时，考虑组内最优和全局最优相结合的方法，对优化参数的位置更新方法进行优化，构建高效精准型物流量趋势预测模型，对未来短期内的物流量趋势进行预测。
实施例二，参阅图1和图3，该实施例基于上述实施例，在步骤S2中，基于采集的物流量预测数据，对于每个数据类型，构建一个时间序列并进行数据降噪处理，所述基于优化奇异值分解对数据进行高效降噪具体包括以下步骤：
步骤S21：数据初始化，预先设定窗口长度S=2和步长λ=1；
步骤S22：构建时间序列，将历史物流数据按照时间顺序排列，得到一个时间序列，所用公式如下：
P（n1）=[p1，p2，…，pN1]；
式中，P（n1）是历史物流数据的时间序列，N1是历史物流数据的数量；
步骤S23：构建轨迹矩阵，轨迹矩阵的行数为窗口长度S、列数为D，所用公式如下：
D=N1-S+1；
；
式中，PSD是轨迹矩阵；
步骤S24：奇异值分解，步骤如下：
步骤S241：构建协方差矩阵，所用公式如下：
Q=PSD×PSD T；
式中，Q是协方差矩阵，PSD T是轨迹矩阵PSD的转置矩阵，×是乘法运算符；
步骤S242：计算特征值和特征向量，计算出协方差矩阵Q的特征值β1，β2，…，βS（β1≥β2≥…≥βS≥0）和相应的正交特征向量C1，C2，…，CS，所用公式如下：
d=max{i:βi>0}，i=1，2，…，s；
；
；
PSD=PSD，1+…+PSD，d；
式中，是奇异值，d是非零特征值的数量，Mi是右特征矩阵，PSD，i是初等矩阵，Mi T是右特征矩阵Mi的转置矩阵；
步骤S25：计算贡献值，所用公式如下：
；
式中，ω是贡献值；
步骤S26：降噪，将贡献值按照从大到小的顺序进行排列，选择前b个贡献值对应的特征向量Ci和特征值βi，重构轨迹矩阵PSD，得到降噪后的轨迹矩阵PSD’，然后将PSD’的对角线平均值作为一个长度为N1的时间序列Ri（n1），得到降噪后的历史物流数据的时间序列P1（n1），所用公式如下：
S*=min（S，D）；
D*=max（S，D）；
；
；
Ri（n1）=[r1，r2，…，rN1]；
；
式中，P1（n1）是降噪后的历史物流数据的时间序列，S*是轨迹矩阵的行数和列数中的较小值，D*是轨迹矩阵的行数和列数中的较大值，fi，j是轨迹矩阵PSD中的元素，fi，j *是轨迹矩阵PSD’中重构后的元素，rk是轨迹矩阵PSD’中第k个对角线平均值；
步骤S27：计算奇异值标准差，按照步骤S23和步骤S24中的方法计算降噪后的历史物流数据的时间序列的奇异值，并计算奇异值标准差，所用公式如下：
；
式中，σ是奇异值标准差，mean（β）是特征值β的均值；
步骤S28：更新窗口长度，所用公式如下：
S’=S+λ；
式中，S’是更新后的窗口长度；
步骤S29：窗口长度确定，当S’≤时，返回步骤S23，基于更新后的窗口长度再次进行降噪处理，得到一系列降噪后的历史物流数据的时间序列和奇异值标准差；当S’>/>时，将奇异值标准差按照从大到小的顺序进行排序，选择最大的奇异值标准差对应的窗口长度处理得到的降噪后的历史物流数据的时间序列，将其作为最终输出的降噪后的历史物流数据的时间序列；
步骤S210：确定输出，采用步骤S21-步骤S29的相同方法分别对历史销售数据、历史供应链数据和历史经济数据进行处理，得到降噪后的历史销售数据的时间序列、历史供应链数据的时间序列和历史经济数据的时间序列，将其作为最终输出的降噪后的每个数据类型时间序列。
通过执行上述操作，针对采集的数据中含有噪声，导致数据的准确性下降，使得数据无法真实反映实际情况，以及不同数据具有不同的噪声程度，采用固定的窗口长度无法适应不同数据的降噪要求的技术问题，本方案采用基于标准差优化的奇异值分解进行数据降噪处理，根据实际情况动态调整窗口长度的大小，以适应不同数据类型的降噪要求，提取数据的主要特征，保留数据中的重要信息，去除冗余和噪声，使得数据更加准确和可靠，进一步增加降噪效果，提高数据的准确性。
实施例三，参阅图1，该实施例基于上述实施例，在步骤S3中，所述基于PCA的特征提取是基于降噪处理后每个数据类型的时间序列和对应标签，将其组合为降噪数据集，使用Z-score标准化方法对其进行数据标准化处理，再采用PCA方法进行特征提取，形成特征数据集。
实施例四，参阅图1和图4，该实施例基于上述实施例，在步骤S4中，高效精准的物流量趋势预测具体包括以下步骤：
步骤S41：构建训练数据集和测试数据集，从特征数据集中随机选取70%的样本数据作为训练数据集，其余30%的样本数据作为测试数据集；
步骤S42：初始化，预先设定优化参数总数量N3、第二最大迭代次数T2、优化参数空间维度A2、第三评估阈值ξ4、突变比例因子Hb、交叉概率Hc、步长因子常数o、物流量趋势预测模型中的惩罚因子F、容错参数E和高斯核函数关键参数Φ的搜索空间范围，搜索空间的下边界为LB2，搜索空间的上边界为UB2，用参数（F，E，Φ）代表优化参数的位置；
步骤S43：构建初始矩阵，步骤如下：
步骤S431：第一种优化参数位置初始化方法，所用公式如下：
G1i，a2 0=rand（0，1）×（UB2a2-LB2a2）+LB2a2，i=1，2，…，N3，a2=1，2，…，A2；
式中，G1i，a2 0是第一种第i个优化参数在第a2维空间的初始化位置，rand（0，1）是生成一个0到1之间的随机数；
步骤S432：第二种优化参数位置初始化方法，所用公式如下：
G2i，a2 0=LB2a2+UB2a2-rand（0，1）×Ga2，i=1，2，…，N3，a2=1，2，…，A2；
式中，G2i，a2 0是第二种第i个优化参数在第a2维空间的初始化位置，LB2a2和UB2a2是第a2维搜索空间的下边界和上边界，Ga2是第a2维搜索空间中的随机位置即Ga2∈[LB2a2，UB2a2]；
步骤S433：初始化位置合并，将步骤S431和步骤S432生成的优化参数的初始化位置进行合并，基于（2×N3）个优化参数的初始化位置形成集合G0，所用公式如下：
G0=（G1 0，G2 0，…，G2×N3 0）；
步骤S434：构建物流量趋势预测模型，利用python导入sklearn库基于当前参数（F，E，Φ）调用SVR函数，基于训练数据集训练物流量趋势预测模型，用训练好的物流量趋势预测模型对测试数据集的样本数据进行预测；
步骤S435：计算最优适应度值和第二全局最优位置，将所有优化参数根据第二适应度值按照从小到大的顺序进行排序，选择最低的适应度值作为最优适应度值，并将其对应的优化参数位置作为第二全局最优位置Gbest 0，所用公式如下：
；
式中，L是优化参数的适应度值，yj是真实标签，是预测标签，N4是测试数据集中样本数据的数量；
步骤S436：位置突变，从2×N3随机选择三个不同优化参数且k≠m≠n≠i，所用公式如下：
Vi=Gi 0+Hb×（Gbest 0-Gk 0+Gm 0-Gn 0），i=1，2，…，2×N3；
式中，Vi是第i个优化参数突变后的位置；
步骤S437：位置交叉，所用公式如下：
；
式中，Oi，a2是第i个优化参数在第a2维空间交叉后的位置；
步骤S438：位置替换，采用步骤S435相同的方法计算位置交叉后优化参数的适应度值，并进行位置替换，所用公式如下：
；
式中，Gi是替换后第i个优化参数的位置，L（Oi）是Oi的适应度值，L（Gi 0）是Gi 0的适应度值；
步骤S439：优化参数选择，采用步骤S435相同的方法计算位置替换后优化参数的适应度值、最优适应度值和第二全局最优位置，并将适应度值按照从小到大的顺序进行排序，选取前N3个低适应度值对应的优化参数，基于贪婪策略构建初始矩阵；
步骤S44：计算位置更新参数，所用公式如下：
；
；
；/>
；
；
式中，η1、η2、η3和η4是4种不同的位置更新步长方法，RB是服从正态分布的随机数的向量，RL是基于Lévy分布的随机数的向量，是逐项乘法运算符，CF是控制更新步长的自适应参数，t2是当前迭代次数；
步骤S45：第一次位置更新，所用公式如下：
；
式中，是第一次位置更新后的第i个优化参数的位置；
步骤S46：第二次位置更新，采用步骤S435相同的方法计算位置更新后优化参数的适应度值、最优适应度值和第二全局最优位置，根据适应度值将优化参数按照从小到大的顺序进行排序，然后基于循环分配方式将优化参数分为z组，并将每组中的最差即适应度值最高的优化参数位置进行更新，所用公式如下：
；
；
；
；
式中，、/>和/>是3种不同的更新组内最差优化参数位置的方法，Gbest，i是第i组中的最优优化参数位置，Gworst，i是第i组中的最差优化参数位置，/>是/>的适应度值，/>是/>的适应度值，/>是/>的适应度值；
步骤S47：第三次位置更新，将当前第i个优化参数的所有维度中的最大值和最小值调整为搜索空间的上边界和下边界，在调整后的动态搜索空间内进行第三次位置更新，所用公式如下：
；/>
；
式中，是第i个优化参数第二次位置更新后的位置，/>是第i个优化参数第三次位置更新后的位置，ui是第i个优化参数的动态搜索空间的中点；
步骤S48：位置确定，所用公式如下：
；
式中，是迭代后确定的位置，/>是/>的适应度值，是/>的适应度值；
步骤S49：更新最优适应度值和第二全局最优位置，采用步骤S435相同的方法计算位置确定后的优化参数的适应度值、最优适应度值和第二全局最优位置；
步骤S410：模型确定，当最优适应度值低于第三评估阈值ξ4，则基于当前参数物流量趋势预测模型并转至步骤S411；否则，若达到第二最大迭代次数T2，则转至步骤S43；否则转至步骤S44；
步骤S411：物流量趋势预测，采集实时物流数据、销售数据、供应链数据和经济数据，将其输入至物流量趋势预测模型中，基于物流量趋势预测模型输出的标签对未来短期内的物流量趋势进行预测。
通过执行上述操作，针对优化参数初始化位置选择不合理，导致算法的性能下降，使模型训练和预测的计算成本变高，以及模型容易陷入局部最优的技术问题，本方案采用ROL策略和DE算法优化位置初始化过程，扩大搜索范围，增加多样性，并在使用SFLA算法进行最差优化参数位置更新的同时，考虑组内最优和全局最优相结合的方法，以协调算法的局部发展和全局搜索能力，降低算法过早收敛的概率，避免陷入局部最优，从而提高***性能。
实施例五，参阅图5和图6，该实施例基于上述实施例，在图5中，展示优化参数不断更新所在位置，直到找到第二全局最优位置的过程；在图6中，纵坐标是适应度值，横坐标是迭代次数，展示随着迭代次数的变化适应度值逐渐降低的变化过程，使优化参数向更好的搜索区域靠拢，极大地改善算法的预测效果，避免陷入局部最优而无法找到更优的全局解的问题。
实施例六，参阅图2，该实施例基于上述实施例，本发明提供的一种基于人工智能的物流信息管理***，包括数据采集模块、数据降噪模块、特征提取模块和物流量趋势预测模块；
所述数据采集模块采集物流量预测数据，物流量预测数据包括历史物流数据、历史销售数据、历史供应链数据、历史经济数据和对应标签，对应标签包括上升、下降和保持稳定，并将物流量预测数据发送到数据降噪模块；
所述数据降噪模块接收数据采集模块发送的物流量预测数据，采用基于标准差优化的奇异值分解进行数据降噪处理，根据实际情况动态调整窗口长度的大小，以适应不同数据类型的降噪要求，去除噪声，保留数据中的重要信息，形成去燥后的时间序列，并将不同数据类型去燥后的时间序列发送至特征提取模块；
所述特征提取模块接收数据降噪模块发送的不同数据类型去燥后的时间序列，使用Z-score标准化方法进行数据标准化处理，再采用PCA方法进行特征提取，形成特征数据集，并将特征数据集发送至物流量趋势预测模块；
所述物流量趋势预测模块接收特征提取模块发送的特征数据集，采用ROL策略和DE算法优化初始化过程，并在使用SFLA算法进行最差优化参数位置更新的同时，考虑组内最优和全局最优相结合的方法，对优化参数的位置更新方法进行优化，构建高效精准型物流量趋势预测模型，对未来短期内的物流量趋势进行预测。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (6)

1.一种基于人工智能的物流信息管理方法，其特征在于：该方法包括以下步骤：
步骤S1：数据采集，采集物流量预测数据，物流量预测数据包括历史物流数据、历史销售数据、历史供应链数据、历史经济数据和对应标签，对应标签包括上升、下降和保持稳定；
步骤S2：基于优化奇异值分解对数据进行高效降噪，采用基于标准差优化的奇异值分解进行数据降噪处理，根据实际情况动态调整窗口长度的大小，以适应不同数据类型的降噪要求，去除噪声，保留数据中的重要信息；
步骤S3：基于PCA的特征提取，使用Z-score标准化方法进行数据标准化处理，再采用PCA方法进行特征提取，形成特征数据集；
步骤S4：高效精准的物流量趋势预测，采用ROL策略和DE算法优化初始化过程，并在使用SFLA算法进行最差优化参数位置更新的同时，考虑组内最优和全局最优相结合的方法，对优化参数的位置更新方法进行优化，构建高效精准型物流量趋势预测模型，对未来短期内的物流量趋势进行预测。
2.根据权利要求1所述的一种基于人工智能的物流信息管理方法，其特征在于：在步骤S4中，所述高效精准的物流量趋势预测具体包括以下步骤：
步骤S41：构建训练数据集和测试数据集，从特征数据集中随机选取70%的样本数据作为训练数据集，其余30%的样本数据作为测试数据集；
步骤S42：初始化，预先设定优化参数总数量N3、第二最大迭代次数T2、优化参数空间维度A2、第三评估阈值ξ4、突变比例因子Hb、交叉概率Hc、步长因子常数o、物流量趋势预测模型中的惩罚因子F、容错参数E和高斯核函数关键参数Φ的搜索空间范围，搜索空间的下边界为LB2，搜索空间的上边界为UB2，用参数（F，E，Φ）代表优化参数的位置；
步骤S43：构建初始矩阵，步骤如下：
步骤S431：第一种优化参数位置初始化方法，所用公式如下：
G1i，a2 0=rand（0，1）×（UB2a2-LB2a2）+LB2a2，i=1，2，…，N3，a2=1，2，…，A2；
式中，G1i，a2 0是第一种第i个优化参数在第a2维空间的初始化位置，rand（0，1）是生成一个0到1之间的随机数；
步骤S432：第二种优化参数位置初始化方法，所用公式如下：
G2i，a2 0=LB2a2+UB2a2-rand（0，1）×Ga2，i=1，2，…，N3，a2=1，2，…，A2；
式中，G2i，a2 0是第二种第i个优化参数在第a2维空间的初始化位置，LB2a2和UB2a2是第a2维搜索空间的下边界和上边界，Ga2是第a2维搜索空间中的随机位置即Ga2∈[LB2a2，UB2a2]；
步骤S433：初始化位置合并，将步骤S431和步骤S432生成的优化参数的初始化位置进行合并，基于（2×N3）个优化参数的初始化位置形成集合G0，所用公式如下：
G0=（G1 0，G2 0，…，G2×N3 0）；
步骤S434：构建物流量趋势预测模型，利用python导入sklearn库基于当前参数（F，E，Φ）调用SVR函数，基于训练数据集训练物流量趋势预测模型，用训练好的物流量趋势预测模型对测试数据集的样本数据进行预测；
步骤S435：计算最优适应度值和第二全局最优位置，将所有优化参数根据第二适应度值按照从小到大的顺序进行排序，选择最低的适应度值作为最优适应度值，并将其对应的优化参数位置作为第二全局最优位置Gbest 0，所用公式如下：
；
式中，L是优化参数的适应度值，yj是真实标签，是预测标签，N4是测试数据集中样本数据的数量；
步骤S436：位置突变，从2×N3随机选择三个不同优化参数且k≠m≠n≠i，所用公式如下：
Vi=Gi 0+Hb×（Gbest 0-Gk 0+Gm 0-Gn 0），i=1，2，…，2×N3；
式中，Vi是第i个优化参数突变后的位置；
步骤S437：位置交叉，所用公式如下：
；
式中，Oi，a2是第i个优化参数在第a2维空间交叉后的位置；
步骤S438：位置替换，采用步骤S435相同的方法计算位置交叉后优化参数的适应度值，并进行位置替换，所用公式如下：
；
式中，Gi是替换后第i个优化参数的位置，L（Oi）是Oi的适应度值，L（Gi 0）是Gi 0的适应度值；
步骤S439：优化参数选择，采用步骤S435相同的方法计算位置替换后优化参数的适应度值、最优适应度值和第二全局最优位置，并将适应度值按照从小到大的顺序进行排序，选取前N3个低适应度值对应的优化参数，基于贪婪策略构建初始矩阵；
步骤S44：计算位置更新参数，所用公式如下：
；
；
；
；
；
式中，η1、η2、η3和η4是4种不同的位置更新步长方法，RB是服从正态分布的随机数的向量，RL是基于Lévy分布的随机数的向量，是逐项乘法运算符，CF是控制更新步长的自适应参数，t2是当前迭代次数；
步骤S45：第一次位置更新，所用公式如下：
；
式中，是第一次位置更新后的第i个优化参数的位置；
步骤S46：第二次位置更新，采用步骤S435相同的方法计算位置更新后优化参数的适应度值、最优适应度值和第二全局最优位置，根据适应度值将优化参数按照从小到大的顺序进行排序，然后基于循环分配方式将优化参数分为z组，并将每组中的最差即适应度值最高的优化参数位置进行更新，所用公式如下：
；
；
；
；
式中，、/>和/>是3种不同的更新组内最差优化参数位置的方法，Gbest，i是第i组中的最优优化参数位置，Gworst，i是第i组中的最差优化参数位置，/>是/>的适应度值，/>是/>的适应度值，/>是/>的适应度值；
步骤S47：第三次位置更新，将当前第i个优化参数的所有维度中的最大值和最小值调整为搜索空间的上边界和下边界，在调整后的动态搜索空间内进行第三次位置更新，所用公式如下：
；
；
式中，是第i个优化参数第二次位置更新后的位置，/>是第i个优化参数第三次位置更新后的位置，ui是第i个优化参数的动态搜索空间的中点；
步骤S48：位置确定，所用公式如下：
；
式中，是迭代后确定的位置，/>是/>的适应度值，/>是的适应度值；
步骤S49：更新最优适应度值和第二全局最优位置，采用步骤S435相同的方法计算位置确定后的优化参数的适应度值、最优适应度值和第二全局最优位置；
步骤S410：模型确定，当最优适应度值低于第三评估阈值ξ4，则基于当前参数物流量趋势预测模型并转至步骤S411；否则，若达到第二最大迭代次数T2，则转至步骤S43；否则转至步骤S44；
步骤S411：物流量趋势预测，采集实时物流数据、销售数据、供应链数据和经济数据，将其输入至物流量趋势预测模型中，基于物流量趋势预测模型输出的标签对未来短期内的物流量趋势进行预测。
3.根据权利要求1所述的一种基于人工智能的物流信息管理方法，其特征在于：在步骤S2中，基于采集的物流量预测数据，对于每个数据类型，构建一个时间序列并进行数据降噪处理，所述基于优化奇异值分解对数据进行高效降噪具体包括以下步骤：
步骤S21：数据初始化，预先设定窗口长度S=2和步长λ=1；
步骤S22：构建时间序列，将历史物流数据按照时间顺序排列，得到一个时间序列，所用公式如下：
P（n1）=[p1，p2，…，pN1]；
式中，P（n1）是历史物流数据的时间序列，N1是历史物流数据的数量；
步骤S23：构建轨迹矩阵，轨迹矩阵的行数为窗口长度S、列数为D，所用公式如下：
D=N1-S+1；
；
式中，PSD是轨迹矩阵；
步骤S24：奇异值分解，步骤如下：
步骤S241：构建协方差矩阵，所用公式如下：
Q=PSD×PSD T；
式中，Q是协方差矩阵，PSD T是轨迹矩阵PSD的转置矩阵，×是乘法运算符；
步骤S242：计算特征值和特征向量，计算出协方差矩阵Q的特征值β1，β2，…，βS（β1≥β2≥…≥βS≥0）和相应的正交特征向量C1，C2，…，CS，所用公式如下：
d=max{i:βi>0}，i=1，2，…，s；
；
；
PSD=PSD，1+…+PSD，d；
式中，是奇异值，d是非零特征值的数量，Mi是右特征矩阵，PSD，i是初等矩阵，Mi T是右特征矩阵Mi的转置矩阵；
步骤S25：计算贡献值，所用公式如下：
；
式中，ω是贡献值；
步骤S26：降噪，将贡献值按照从大到小的顺序进行排列，选择前b个贡献值对应的特征向量Ci和特征值βi，重构轨迹矩阵PSD，得到降噪后的轨迹矩阵PSD’，然后将PSD’的对角线平均值作为一个长度为N1的时间序列Ri（n1），得到降噪后的历史物流数据的时间序列P1（n1），所用公式如下：
S*=min（S，D）；
D*=max（S，D）；
；
；
Ri（n1）=[r1，r2，…，rN1]；
；
式中，P1（n1）是降噪后的历史物流数据的时间序列，S*是轨迹矩阵的行数和列数中的较小值，D*是轨迹矩阵的行数和列数中的较大值，fi，j是轨迹矩阵PSD中的元素，fi，j *是轨迹矩阵PSD’中重构后的元素，rk是轨迹矩阵PSD’中第k个对角线平均值；
步骤S27：计算奇异值标准差，按照步骤S23和步骤S24中的方法计算降噪后的历史物流数据的时间序列的奇异值，并计算奇异值标准差，所用公式如下：
；
式中，σ是奇异值标准差，mean（β）是特征值β的均值；
步骤S28：更新窗口长度，所用公式如下：
S’=S+λ；
式中，S’是更新后的窗口长度；
步骤S29：窗口长度确定，当S’≤时，返回步骤S23，基于更新后的窗口长度再次进行降噪处理，得到一系列降噪后的历史物流数据的时间序列和奇异值标准差；当S’>/>时，将奇异值标准差按照从大到小的顺序进行排序，选择最大的奇异值标准差对应的窗口长度处理得到的降噪后的历史物流数据的时间序列，将其作为最终输出的降噪后的历史物流数据的时间序列；
步骤S210：确定输出，采用步骤S21-步骤S29的相同方法分别对历史销售数据、历史供应链数据和历史经济数据进行处理，得到降噪后的历史销售数据的时间序列、历史供应链数据的时间序列和历史经济数据的时间序列，将其作为最终输出的降噪后的每个数据类型时间序列。
4.根据权利要求1所述的一种基于人工智能的物流信息管理方法，其特征在于：在步骤S3中，所述基于PCA的特征提取是基于降噪处理后每个数据类型的时间序列和对应标签，将其组合为降噪数据集，使用Z-score标准化方法对其进行数据标准化处理，再采用PCA方法进行特征提取，形成特征数据集。
5.一种基于人工智能的物流信息管理***，用于实现如权利要求1-4中任一项所述的一种基于人工智能的物流信息管理方法，其特征在于：包括数据采集模块、数据降噪模块、特征提取模块和物流量趋势预测模块。
6.根据权利要求5所述的一种基于人工智能的物流信息管理***，其特征在于：所述数据采集模块采集物流量预测数据，物流量预测数据包括历史物流数据、历史销售数据、历史供应链数据、历史经济数据和对应标签，对应标签包括上升、下降和保持稳定，并将物流量预测数据发送到数据降噪模块；
所述数据降噪模块接收数据采集模块发送的物流量预测数据，采用基于标准差优化的奇异值分解进行数据降噪处理，根据实际情况动态调整窗口长度的大小，以适应不同数据类型的降噪要求，去除噪声，保留数据中的重要信息，形成去燥后的时间序列，并将不同数据类型去燥后的时间序列发送至特征提取模块；
所述特征提取模块接收数据降噪模块发送的不同数据类型去燥后的时间序列，使用Z-score标准化方法进行数据标准化处理，再采用PCA方法进行特征提取，形成特征数据集，并将特征数据集发送至物流量趋势预测模块；
所述物流量趋势预测模块接收特征提取模块发送的特征数据集，采用ROL策略和DE算法优化初始化过程，并在使用SFLA算法进行最差优化参数位置更新的同时，考虑组内最优和全局最优相结合的方法，对优化参数的位置更新方法进行优化，构建高效精准型物流量趋势预测模型，对未来短期内的物流量趋势进行预测。
CN202311236704.4A 2023-09-25 2023-09-25 一种基于人工智能的物流信息管理方法及*** Withdrawn CN116976774A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311236704.4A CN116976774A (zh) 2023-09-25 2023-09-25 一种基于人工智能的物流信息管理方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311236704.4A CN116976774A (zh) 2023-09-25 2023-09-25 一种基于人工智能的物流信息管理方法及***

Publications (1)

Publication Number Publication Date
CN116976774A true CN116976774A (zh) 2023-10-31

Family

ID=88483567

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311236704.4A Withdrawn CN116976774A (zh) 2023-09-25 2023-09-25 一种基于人工智能的物流信息管理方法及***

Country Status (1)

Country Link
CN (1) CN116976774A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120008458A1 (en) * 2010-07-08 2012-01-12 Nicolae Moldoveanu Method to attenuate strong marine seismic noise
CN105243458A (zh) * 2015-11-10 2016-01-13 河海大学 一种基于多目标混合蛙跳差分算法的水库调度方法
CN108121999A (zh) * 2017-12-10 2018-06-05 北京工业大学 基于混合蝙蝠算法的支持向量机参数选择方法
CN111581596A (zh) * 2020-05-29 2020-08-25 广东电网有限责任公司 一种变压器油中溶解气体浓度预测方法
CN112115754A (zh) * 2019-07-30 2020-12-22 嘉兴学院 基于烟花差分进化混合算法-极限学习机的短时交通流预测模型
CN112348246A (zh) * 2020-11-02 2021-02-09 大连理工大学 一种基于ssa的标准化降噪方法及其在山区流域洪水预报中的应用
CN114065626A (zh) * 2021-11-16 2022-02-18 福州大学 求解复杂约束优化问题的多策略混合麻雀搜索方法
CN115952924A (zh) * 2023-03-09 2023-04-11 南京信息工程大学 一种基于优化vmd与特征热力图的短期风电功率预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120008458A1 (en) * 2010-07-08 2012-01-12 Nicolae Moldoveanu Method to attenuate strong marine seismic noise
CN105243458A (zh) * 2015-11-10 2016-01-13 河海大学 一种基于多目标混合蛙跳差分算法的水库调度方法
CN108121999A (zh) * 2017-12-10 2018-06-05 北京工业大学 基于混合蝙蝠算法的支持向量机参数选择方法
CN112115754A (zh) * 2019-07-30 2020-12-22 嘉兴学院 基于烟花差分进化混合算法-极限学习机的短时交通流预测模型
CN111581596A (zh) * 2020-05-29 2020-08-25 广东电网有限责任公司 一种变压器油中溶解气体浓度预测方法
CN112348246A (zh) * 2020-11-02 2021-02-09 大连理工大学 一种基于ssa的标准化降噪方法及其在山区流域洪水预报中的应用
CN114065626A (zh) * 2021-11-16 2022-02-18 福州大学 求解复杂约束优化问题的多策略混合麻雀搜索方法
CN115952924A (zh) * 2023-03-09 2023-04-11 南京信息工程大学 一种基于优化vmd与特征热力图的短期风电功率预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
于霄洋: "基于奇异谱分析的地空瞬变电磁信号的去噪研究" *
陈雯琦等: "基于粒子群优化算法的多无人机多目标航迹路径规划", 《微 电 子 学 与 计 算 机》, vol. 40, no. 9, pages 21 - 28 *

Similar Documents

Publication Publication Date Title
CN116596044B (zh) 基于多源数据的发电负荷预测模型训练方法及装置
CN107092812B (zh) 一种在ppi网络中基于遗传算法识别关键蛋白质的方法
CN117541026B (zh) 一种智能物流运输车辆调度方法及***
CN112115264B (zh) 面向数据分布变化的文本分类模型调整方法
CN111160459A (zh) 超参数的优化装置和方法
CN114580762A (zh) 一种基于XGBoost的水文预报误差校正方法
CN112308161A (zh) 一种基于人工智能半监督聚类目标下的粒子群算法
CN116976774A (zh) 一种基于人工智能的物流信息管理方法及***
CN113706285A (zh) 一种***欺诈检测方法
Mateo et al. Approximate k-NN delta test minimization method using genetic algorithms: Application to time series
CN110471854B (zh) 一种基于高维数据混合约简的缺陷报告指派方法
CN104200073A (zh) 一种基于局部Lipschitz估计的自适应群体全局优化方法
CN116305939A (zh) 陆地生态***碳水通量高精度反演方法、***及电子设备
CN115795035A (zh) 基于进化神经网络的科技服务资源分类方法、***及其计算机可读存储介质
CN116542356A (zh) 基于特征提取与优化算法的新能源组合预测方法及***
CN112990285B (zh) 一种面向大规模图结构的简化攻击方法
CN114996781A (zh) 一种基于演员-评论家的二维不规则零件排样方法和***
CN114155097A (zh) 股票预测与投资组合优化方法、***、计算机及存储介质
CN112365067A (zh) 一种snap-drift布谷鸟搜索算法优化灰色神经网络的预测方法
CN117235448B (zh) 数据清洗方法、终端设备及存储介质
CN117236649B (zh) 一种用于宠物饲料加工原料需求量的调度方法
CN114399152B (zh) 产业园区综合能源调度优化方法及装置
Farzi The design of self-organizing evolved polynomial neural networks based on learnable evolution model 3.
CN116523439B (zh) 一种仓储物资调用方法及装置
Satpathy Real-coded GA for parameter optimization in short-term load forecasting

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20231031