CN117079220A - 一种基于物联网的供应链智能监管***及方法 - Google Patents

一种基于物联网的供应链智能监管***及方法 Download PDF

Info

Publication number
CN117079220A
CN117079220A CN202311321653.5A CN202311321653A CN117079220A CN 117079220 A CN117079220 A CN 117079220A CN 202311321653 A CN202311321653 A CN 202311321653A CN 117079220 A CN117079220 A CN 117079220A
Authority
CN
China
Prior art keywords
transportation
parameter
commodity
state change
route
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.)
Granted
Application number
CN202311321653.5A
Other languages
English (en)
Other versions
CN117079220B (zh
Inventor
黎文彬
刘可
华宝成
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.)
Lingxiong Technology Shenzhen Co ltd
Original Assignee
Lingxiong Technology Shenzhen 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 Lingxiong Technology Shenzhen Co ltd filed Critical Lingxiong Technology Shenzhen Co ltd
Priority to CN202311321653.5A priority Critical patent/CN117079220B/zh
Publication of CN117079220A publication Critical patent/CN117079220A/zh
Application granted granted Critical
Publication of CN117079220B publication Critical patent/CN117079220B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063114—Status monitoring or status determination for a person or group
    • 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
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • 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
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及供应链技术领域，具体为一种基于物联网的供应链智能监管***及方法，包括：采集运输到目标区域的所有路线信息和所有商品信息，目标商品的所有历史运输记录；根据各道路节点对应的位置信息分别提取各相邻道路节点之间形成的运输状态变化区间；根据状态变化区间中各时间节点的车速变化，分析各运输状态变化区间的异常程度；分析发生重叠的运输状态变化区间，构建参数影响模型；根据各运输状态变化区间的状态变化相似度和节点参数相似度分析发生重叠的运输状态变化区间，构建参数影响模型；实时监测利用最优运输模型将商品信息集运输到目标区域时商品状况信息，针对不同消费者对相应商品的不同运输需求筛选出最优运输路线。

Description

一种基于物联网的供应链智能监管***及方法
技术领域
本发明涉及供应链技术领域，具体为一种基于物联网的供应链智能监管***及方法。
背景技术
供应链是指围绕核心企业，从配套零件开始，制成中间产品以及最终产品，最后由销售网络把产品送到消费者手中的，将供应商、制造商、分销商直到最终用户连成一个整体的功能网链结构。
在供应链的物流传输部分，商家会根据消费者的目的地进行商品运输，这就导致将不同类型的商品放入同一运输线路的现象普遍发生。现有技术中，商家会根据消费者购买的各个商品的种类进行物流运输路线模拟，从而实现物流收益的最大化；然而，从消费者的角度出发，不同的运输路线一定程度上会导致部分商品发生超出预计的破损，无法满足相应消费者对商品的需求；针对不同消费者对相应商品的不同运输需求，对运输路线如何进行选择成为亟待解决的问题。
发明内容
本发明的目的在于提供一种基于物联网的供应链智能监管***及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种基于物联网的供应链智能监管方法，包括以下步骤：
步骤S100：采集运输到目标区域的所有路线信息和所有商品信息，分别形成路线集和商品信息集；将商品信息集中任意商品设为目标商品，则采集目标商品的所有历史运输记录，进一步对各历史运输记录下目标商品的受损程度和相应运输记录的实时路况视频进行捕捉，分别形成目标商品的状态集和路况视频集；
上述步骤中路况视频集中各路况视频是对各运输商品在运输过程中进行全过程的视频摄取，从而形成各路况视频；而由于相同的运输商品运输的目的地不同，则相应所产生的路况视频也不同；
步骤S200：根据各运输记录的路况视频对目标商品构建运输状态变化图；将路况视频中各路线停靠点作为道路节点，并根据各道路节点对应的位置信息分别提取各相邻道路节点之间形成的运输状态变化区间；根据状态变化区间中各时间节点的车速变化，分析各运输状态变化区间的异常程度；
步骤S300：捕捉异常程度大于异常阈值的各运输状态变化区间，并根据各运输状态变化区间的状态变化相似度和节点参数相似度分析发生重叠的运输状态变化区间，构建参数影响模型；
步骤S400：获取目标商品各类受损程度的参数影响模型，并将受损程度低于程度阈值的各参数影响模型作为目标商品的路线评估参数集；获取路线集中各路线对应道路节点的参数信息，则根据商品信息集中各商品的路线评估参数集分析各商品的参数权重，进一步筛选出最优运输路线；
步骤S500：实时监测利用最优运输模型将商品信息集运输到目标区域时商品状况信息，预测是否符合商品需求，及时反馈并调整最优运输路线。
进一步的，步骤S200包括：
步骤S210：根据状态集中目标商品的受损程度分别对各历史运输记录进行分类，形成记录分类集，其中a1,a2,…,an分别表示目标商品在第1、2、…、n类受损程度下，对各历史运输记录进行归类的第1、2、…、n个历史运输记录集合；捕捉任意一类历史运输记录集合中各运输记录的路况视频，则以路况视频的各个时间节点为横坐标，各个时间节点对应的实时车速为纵坐标，对目标商品构建运输状态变化图；
上述步骤中的受损程度是利用受损程度评价机制进行获取的，相应的受损程度评价机制则是利用各商品在运输过程中的受损面积占比确认相应的受损程度值，并根据受损程度值进行范围区间的划分；此时，根据各受损程度值的范围区间对各商品的历史运输记录进行归类，从而形成不同类别的历史运输记录集合；
步骤S220：将路况视频中各路线停靠点作为道路节点，则分别标记各道路节点在运输状态变化图中对应的位置信息，进一步根据各道路节点对应的位置信息分别提取各相邻道路节点之间形成的运输状态变化区间；捕捉运输状态变化区间中各时间节点的车速，则根据各时间节点的车速，依次确认由两个相邻时间节点组成的时间段的斜率值；当任意两个相邻的斜率差值的绝对值大于阈值α时，则对相应的时间段进行捕捉并确认相应时间节点的数量为M；进一步根据时间节点的数量M确认对应运输状态变化区间中行驶车速的异常程度；其中/>表示运输状态参数，v表示运输状态变化区间内的车速均值，N表示运输状态变化区间内时间节点的个数；上述步骤中相邻两个不同的道路节点对应的路况不同，例如由公路转变为高速、由高速转变为小道等；此时相应的各道路节点的参数对应的是各路况视频中车辆行驶的参数和路况参数；
通过根据各历史运输记录构建运输状态变化图，对运输状态变化图中各道路节点对应的运输状态变化区间进行捕捉，分别计算运输状态变化区间各时间节点相邻斜率差值的绝对值，分析相应车速变化的异常程度，有利于根据发生异常的运输状态变化区间对相应道路节点的节点参数信息进行捕捉，便于后续分析节点参数对车辆行驶速度的影响程度。
进一步的，步骤S300包括：
步骤S310：对异常程度V大于异常阈值β的各运输状态变化区间进行提取，形成异常区间集C；分别匹配异常区间集中各运输状态变化区间的轨迹相似度，则对任意两个轨迹相似度大于相似度阈值的运输状态变化区间进行捕捉，形成轨迹相似集合；分别获取任意两个运输状态变化区间对应道路节点的节点参数信息B1、B2，则对满足大于参数阈值x的各运输状态变化区间进行捕捉，形成节点参数集合；分别获取轨迹相似集合和节点参数集合中发生重叠的运输状态变化区间数量G，并利用数据整合算法将发生重叠的各运输状态变化区间的节点参数信息整合成新的参数信息B；此时分别将运输状态变化图中各整合成的新的参数信息B设置权重为/>；其中|C|表示异常区间集C中运输状态变化区间的数量，/>表示参数信息B的权重因子；
上述步骤中一个道路节点对应一个节点参数信息，而节点参数信息是根据路况视频显示的道路状况得到的；其中节点参数信息包括路线坡度、路线颠簸程度、风速、路线时长、车流量等；
上述步骤中利用数据整合算法的原理是将各个相似内容的节点参数信息进行信息整合，所产生的新的参数信息仍是和原本的参数信息相关；
通过分别分析各相似的异常运输状态变化区间和相应各变化区间的节点参数相似度，对发生重叠的各变化区间进行捕捉，表示在发生重叠的各变化区间中相应道路节点的节点参数对车辆的行驶状态产生影响，从而对各产生影响的节点参数构建权重因子，确认各节点参数对行驶状态变化的重要程度，有利于后续对各商品运输路线的选择；
步骤S320：捕捉任意一类历史运输记录集合中各运输状态变化图对应目标商品的受损程度si和相应各运输状态变化图中各参数信息B的权重，分别构建任意一类受损程度si的参数影响模型：，其中i表示任意第i类历史运输记录集合中各运输状态变化图中参数信息B的种类。
进一步的，步骤S400包括：
步骤S410：分别获取记录分类集A中目标商品各类受损程度的参数影响模型si，形成目标商品的参数模型集合，其中s1,s2,…,sn分别表示目标商品在第1、2、…、n类受损程度下，对应目标商品的第1、2、…、n个参数影响模型，进一步将参数模型集合S中受损程度低于程度阈值μ的各参数影响模型作为目标商品的路线评估参数集D；
通过根据目标商品不同的受损程度分别构建参数影响模型，表示商品的不同受损程度分别由不同的路况影响，其对应的路况节点参数权重也不同，从而实现个性化的设置；
步骤S420：获取路线集中各路线对应道路节点的参数信息，分别形成各路线对应的道路参数集；将目标商品的路线评估参数集分别和各道路参数集进行匹配，若在各道路参数集中匹配出和路线评估参数集相似度大于阈值的参数信息，则提取相应参数信息在路线评估参数集中的权重，作为目标商品选择各道路参数集的权重；进一步获取各道路参数集中分别匹配出的参数信息和相应参数信息的权重，构建各道路参数集的参数选择模型F，此时根据是否满足F∈D对各道路参数集进行路线筛选；
步骤S430：获取商品信息集中各商品的路线评估参数集D，并根据各商品的路线评估参数集对各道路参数集进行路线筛选，进一步筛选出商品信息集的最优运输路线；
通过获取路线集中不同路线的道路节点参数，模拟不同的商品运输路线，根据目标商品的路线评估参数集对目标商品受损程度低于程度阈值的所有运输路线进行筛选，进一步匹配不同商品筛选出的运输路线，从而匹配出商品信息集的最优运输路线，有利于提高消费者的运输需求。
供应链智能监管***，所述***包括：数据采集模块、数据库、异常分析模块、模型构建模块、路线分析模块和信息监测模块；
通过所述数据采集模块采集运输到目标区域的所有路线信息和所有商品信息，分别形成路线集和商品信息集；将商品信息集中任意商品设为目标商品，则采集目标商品的所有历史运输记录，进一步对各历史运输记录下目标商品的受损程度和相应运输记录的实时路况视频进行捕捉，分别形成目标商品的状态集和路况视频集；
通过所述数据库对采集的数据进行存储；
通过所述异常分析模块根据各运输记录的路况视频对目标商品构建运输状态变化图；将路况视频中各路线停靠点作为道路节点，并根据各道路节点对应的位置信息分别提取各相邻道路节点之间形成的运输状态变化区间；根据状态变化区间中各时间节点的车速变化，分析各运输状态变化区间的异常程度；
通过所述模型构建模块捕捉异常程度大于异常阈值的各运输状态变化区间，并根据各运输状态变化区间的状态变化相似度和节点参数相似度分析发生重叠的运输状态变化区间，构建参数影响模型；
通过所述路线分析模块获取目标商品各类受损程度的参数影响模型，并将受损程度低于程度阈值的各参数影响模型作为目标商品的路线评估参数集；获取路线集中各路线对应道路节点的参数信息，则根据商品信息集中各商品的路线评估参数集分析各商品的参数权重，进一步筛选出最优运输路线；
通过所述信息监测模块实时监测利用最优运输模型将商品信息集运输到目标区域时商品状况信息，预测是否符合商品需求，及时反馈并调整最优运输路线。
进一步的，数据采集模块包括运输采集单元和记录采集单元；
所述运输采集单元用于采集运输到目标区域的所有路线信息和所有商品信息，分别形成路线集和商品信息集；所述记录采集单元用于将商品信息集中任意商品设为目标商品，则采集目标商品的所有历史运输记录，进一步对各历史运输记录下目标商品的受损程度和相应运输记录的实时路况视频进行捕捉，分别形成目标商品的状态集和路况视频集。
进一步的，异常分析模块包括变化分析单元、区间提取单元和异常程度分析单元；
所述变化分析单元用于根据各运输记录的路况视频对目标商品构建运输状态变化图；所述区间提取单元用于将路况视频中各路线停靠点作为道路节点，并根据各道路节点对应的位置信息分别提取各相邻道路节点之间形成的运输状态变化区间；所述异常程度分析单元用于根据状态变化区间中各时间节点的车速变化，分析各运输状态变化区间的异常程度。
进一步的，模型构建模块包括区间捕捉单元和影响模型构建单元；
所述区间捕捉单元用于捕捉异常程度大于异常阈值的各运输状态变化区间；所述影响模型构建单元用于根据各运输状态变化区间的状态变化相似度和节点参数相似度分析发生重叠的运输状态变化区间，构建参数影响模型。
进一步的，路线分析模块包括参数评估单元和路线筛选单元；
所述参数评估单元用于获取目标商品各类受损程度的参数影响模型，并将受损程度低于程度阈值的各参数影响模型作为目标商品的路线评估参数集；所述路线筛选单元用于获取路线集中各路线对应道路节点的参数信息，则根据商品信息集中各商品的路线评估参数集分析各商品的参数权重，进一步筛选出最优运输路线。
与现有技术相比，本发明所达到的有益效果是：
本发明通过分别分析各相似的异常运输状态变化区间和相应各变化区间的节点参数相似度，对发生重叠的各变化区间进行捕捉，表示在发生重叠的各变化区间中相应道路节点的节点参数对车辆的行驶状态产生影响，从而对各产生影响的节点参数构建权重因子，确认各节点参数对行驶状态变化的重要程度，有利于后续对各商品运输路线的选择；通过获取路线集中不同路线的道路节点参数，模拟不同的商品运输路线，根据目标商品的路线评估参数集对目标商品受损程度低于程度阈值的所有运输路线进行筛选，进一步匹配不同商品筛选出的运输路线，从而匹配出商品信息集的最优运输路线，有利于提高消费者的运输需求。
附图说明
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。在附图中：
图1是本发明一种基于物联网的供应链智能监管***的结构图；
图2是本发明一种基于物联网的供应链智能监管方法的流程图。
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。
请参阅图1，本发明提供技术方案：供应链智能监管***，所述***包括：数据采集模块、数据库、异常分析模块、模型构建模块、路线分析模块和信息监测模块；
通过所述数据采集模块采集运输到目标区域的所有路线信息和所有商品信息，分别形成路线集和商品信息集；将商品信息集中任意商品设为目标商品，则采集目标商品的所有历史运输记录，进一步对各历史运输记录下目标商品的受损程度和相应运输记录的实时路况视频进行捕捉，分别形成目标商品的状态集和路况视频集；
数据采集模块包括运输采集单元和记录采集单元；
所述运输采集单元用于采集运输到目标区域的所有路线信息和所有商品信息，分别形成路线集和商品信息集；所述记录采集单元用于将商品信息集中任意商品设为目标商品，则采集目标商品的所有历史运输记录，进一步对各历史运输记录下目标商品的受损程度和相应运输记录的实时路况视频进行捕捉，分别形成目标商品的状态集和路况视频集。
通过所述数据库对采集的数据进行存储；
通过所述异常分析模块根据各运输记录的路况视频对目标商品构建运输状态变化图；将路况视频中各路线停靠点作为道路节点，并根据各道路节点对应的位置信息分别提取各相邻道路节点之间形成的运输状态变化区间；根据状态变化区间中各时间节点的车速变化，分析各运输状态变化区间的异常程度；
异常分析模块包括变化分析单元、区间提取单元和异常程度分析单元；
所述变化分析单元用于根据各运输记录的路况视频对目标商品构建运输状态变化图；所述区间提取单元用于将路况视频中各路线停靠点作为道路节点，并根据各道路节点对应的位置信息分别提取各相邻道路节点之间形成的运输状态变化区间；所述异常程度分析单元用于根据状态变化区间中各时间节点的车速变化，分析各运输状态变化区间的异常程度。
通过所述模型构建模块捕捉异常程度大于异常阈值的各运输状态变化区间，并根据各运输状态变化区间的状态变化相似度和节点参数相似度分析发生重叠的运输状态变化区间，构建参数影响模型；
模型构建模块包括区间捕捉单元和影响模型构建单元；
所述区间捕捉单元用于捕捉异常程度大于异常阈值的各运输状态变化区间；所述影响模型构建单元用于根据各运输状态变化区间的状态变化相似度和节点参数相似度分析发生重叠的运输状态变化区间，构建参数影响模型。
通过所述路线分析模块获取目标商品各类受损程度的参数影响模型，并将受损程度低于程度阈值的各参数影响模型作为目标商品的路线评估参数集；获取路线集中各路线对应道路节点的参数信息，则根据商品信息集中各商品的路线评估参数集分析各商品的参数权重，进一步筛选出最优运输路线；
路线分析模块包括参数评估单元和路线筛选单元；
所述参数评估单元用于获取目标商品各类受损程度的参数影响模型，并将受损程度低于程度阈值的各参数影响模型作为目标商品的路线评估参数集；所述路线筛选单元用于获取路线集中各路线对应道路节点的参数信息，则根据商品信息集中各商品的路线评估参数集分析各商品的参数权重，进一步筛选出最优运输路线。
通过所述信息监测模块实时监测利用最优运输模型将商品信息集运输到目标区域时商品状况信息，预测是否符合商品需求，及时反馈并调整最优运输路线。
请参阅图2，本发明提供技术方案：一种基于物联网的供应链智能监管方法，包括以下步骤：
步骤S100：采集运输到目标区域的所有路线信息和所有商品信息，分别形成路线集和商品信息集；将商品信息集中任意商品设为目标商品，则采集目标商品的所有历史运输记录，进一步对各历史运输记录下目标商品的受损程度和相应运输记录的实时路况视频进行捕捉，分别形成目标商品的状态集和路况视频集；
步骤S200：根据各运输记录的路况视频对目标商品构建运输状态变化图；将路况视频中各路线停靠点作为道路节点，并根据各道路节点对应的位置信息分别提取各相邻道路节点之间形成的运输状态变化区间；根据状态变化区间中各时间节点的车速变化，分析各运输状态变化区间的异常程度；
步骤S200包括：
步骤S210：根据状态集中目标商品的受损程度分别对各历史运输记录进行分类，形成记录分类集，其中a1,a2,…,an分别表示目标商品在第1、2、3、4类受损程度下（0，10%，60%，100%），对各历史运输记录进行归类的第1、2、3、4个历史运输记录集合；捕捉任意一类历史运输记录集合中各运输记录的路况视频，则以路况视频的各个时间节点为横坐标，各个时间节点对应的实时车速为纵坐标，对目标商品构建运输状态变化图；
上述步骤中的受损程度是利用受损程度评价机制进行获取的，相应的受损程度评价机制则是利用各商品在运输过程中的受损面积占比确认相应的受损程度值，并根据受损程度值进行范围区间的划分；此时，根据各受损程度值的范围区间对各商品的历史运输记录进行归类，从而形成不同类别的历史运输记录集合；
例如说利用受损程度评价机制确认各商品在运输过程中的受损面积占比，并根据受损面积占比分别确认相应商品的受损程度值，此时根据受损程度值分别归类为0-10%，10%-60%，60%-100%，进一步根据归类的受损程度范围将目标视频归类为相应的第1、2、3、4类历史运输记录集合；
步骤S220：将路况视频中各路线停靠点作为道路节点，则分别标记各道路节点在运输状态变化图中对应的位置信息，进一步根据各道路节点对应的位置信息分别提取各相邻道路节点之间形成的运输状态变化区间；捕捉运输状态变化区间中各时间节点的车速，则根据各时间节点的车速，依次确认由两个相邻时间节点组成的时间段的斜率值；当任意两个相邻的斜率差值的绝对值大于阈值α=2时，则对相应的时间段进行捕捉并确认相应时间节点的数量为M=500；进一步根据时间节点的数量M确认对应运输状态变化区间中行驶车速的异常程度；其中/>表示运输状态参数，v表示运输状态变化区间内的车速均值，N表示运输状态变化区间内时间节点的个数；上述步骤中相邻两个不同的道路节点对应的路况不同，例如由公路转变为高速、由高速转变为小道等；此时相应的各道路节点的参数对应的是各路况视频中车辆行驶的参数和路况参数。
步骤S300：捕捉异常程度大于异常阈值的各运输状态变化区间，并根据各运输状态变化区间的状态变化相似度和节点参数相似度分析发生重叠的运输状态变化区间，构建参数影响模型；
步骤S300包括：
步骤S310：对异常程度V大于异常阈值的各运输状态变化区间进行提取，形成异常区间集C；分别匹配异常区间集中各运输状态变化区间的轨迹相似度，则对任意两个轨迹相似度大于相似度阈值γ=0.65的运输状态变化区间进行捕捉，形成轨迹相似集合；分别获取任意两个运输状态变化区间对应道路节点的节点参数信息B1、B2，则对满足大于参数阈值x=0.7的各运输状态变化区间进行捕捉，形成节点参数集合；分别获取轨迹相似集合和节点参数集合中发生重叠的运输状态变化区间数量G，并利用数据整合算法将发生重叠的各运输状态变化区间的节点参数信息整合成新的参数信息B；此时分别将运输状态变化图中各整合成的新的参数信息B设置权重为/>；其中表示异常区间集C中运输状态变化区间的数量，σ表示参数信息B的权重因子；
例如说异常区间集C中存在一处3个运输状态变化区间的轨迹相似度大于相似度阈值γ=0.65，形成相应的轨迹相似集合；同时分别调取这3个运输状态变化区间是否和由节点参数信息内容相似的节点参数集合发生交集，若产生交集，则记录相应的运输状态变化区间数量G=2，并对相应的节点参数信息整合成新的参数信息B，此时得到新的参数信息B设置权重为σ*2/30；
其中对发生重叠的各变化区间进行捕捉，表示在发生重叠的各变化区间中相应道路节点的节点参数对车辆的行驶状态产生影响；
上述步骤中一个道路节点对应一个节点参数信息，而节点参数信息是根据路况视频显示的道路状况得到的；其中节点参数信息包括路线坡度、路线颠簸程度、风速、路线时长、车流量等；
步骤S320：捕捉任意一类历史运输记录集合中各运输状态变化图对应目标商品的受损程度si和相应各运输状态变化图中各参数信息B的权重，分别构建任意一类受损程度si的参数影响模型：，其中i表示任意第i类历史运输记录集合中各运输状态变化图中参数信息B的种类。
步骤S400：获取目标商品各类受损程度的参数影响模型，并将受损程度低于程度阈值的各参数影响模型作为目标商品的路线评估参数集；获取路线集中各路线对应道路节点的参数信息，则根据商品信息集中各商品的路线评估参数集分析各商品的参数权重，进一步筛选出最优运输路线；
步骤S400包括：
步骤S410：分别获取记录分类集A中目标商品各类受损程度的参数影响模型si，形成目标商品的参数模型集合，其中s1,s2,s3,s4分别表示目标商品在第1、2、3、4类受损程度下，对应目标商品的第1、2、3、4个参数影响模型，进一步将参数模型集合S中受损程度低于程度阈值/>的各参数影响模型作为目标商品的路线评估参数集D；
根据目标商品不同的受损程度分别构建参数影响模型，表示商品的不同受损程度分别由不同的路况影响，其对应的路况节点参数权重也不同，从而实现个性化的设置；
步骤S420：获取路线集中各路线对应道路节点的参数信息，分别形成各路线对应的道路参数集；将目标商品的路线评估参数集分别和各道路参数集进行匹配，若在各道路参数集中匹配出和路线评估参数集相似度大于阈值的参数信息，则提取相应参数信息在路线评估参数集中的权重，作为目标商品选择各道路参数集的权重；进一步获取各道路参数集中分别匹配出的参数信息和相应参数信息的权重，构建各道路参数集的参数选择模型F，此时根据是否满足对各道路参数集进行路线筛选；
步骤S430：获取商品信息集中各商品的路线评估参数集D，并根据各商品的路线评估参数集对各道路参数集进行路线筛选，进一步筛选出商品信息集的最优运输路线；
通过获取路线集中不同路线的道路节点参数，模拟不同的商品运输路线，根据目标商品的路线评估参数集对目标商品受损程度低于程度阈值的所有运输路线进行筛选，进一步匹配不同商品筛选出的运输路线，从而匹配出商品信息集的最优运输路线，有利于提高消费者的运输需求。
步骤S500：实时监测利用最优运输模型将商品信息集运输到目标区域时商品状况信息，预测是否符合商品需求，及时反馈并调整最优运输路线。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于物联网的供应链智能监管方法，其特征在于：包括以下步骤：
步骤S100：采集运输到目标区域的所有路线信息和所有商品信息，分别形成路线集和商品信息集；将商品信息集中任意商品设为目标商品，则采集目标商品的所有历史运输记录，进一步对各历史运输记录下目标商品的受损程度和相应运输记录的实时路况视频进行捕捉，分别形成目标商品的状态集和路况视频集；
步骤S200：根据各运输记录的路况视频对目标商品构建运输状态变化图；将路况视频中各路线停靠点作为道路节点，并根据各道路节点对应的位置信息分别提取各相邻道路节点之间形成的运输状态变化区间；根据状态变化区间中各时间节点的车速变化，分析各运输状态变化区间的异常程度；
步骤S300：捕捉异常程度大于异常阈值的各运输状态变化区间，并根据各运输状态变化区间的状态变化相似度和节点参数相似度分析发生重叠的运输状态变化区间，构建参数影响模型；
步骤S400：获取目标商品各类受损程度的参数影响模型，并将受损程度低于程度阈值的各参数影响模型作为目标商品的路线评估参数集；获取路线集中各路线对应道路节点的参数信息，则根据商品信息集中各商品的路线评估参数集分析各商品的参数权重，进一步筛选出最优运输路线；
步骤S500：实时监测利用最优运输模型将商品信息集运输到目标区域时商品状况信息，预测是否符合商品需求，及时反馈并调整最优运输路线。
2.根据权利要求1所述的一种基于物联网的供应链智能监管方法，其特征在于：所述步骤S200包括：
步骤S210：根据状态集中目标商品的受损程度分别对各历史运输记录进行分类，形成记录分类集A={a1,a2,…,an}，其中a1,a2,…,an分别表示目标商品在第1、2、…、n类受损程度下，对各历史运输记录进行归类的第1、2、…、n个历史运输记录集合；捕捉任意一类历史运输记录集合中各运输记录的路况视频，则以路况视频的各个时间节点为横坐标，各个时间节点对应的实时车速为纵坐标，对目标商品构建运输状态变化图；
步骤S220：将路况视频中各路线停靠点作为道路节点，则分别标记各道路节点在运输状态变化图中对应的位置信息，进一步根据各道路节点对应的位置信息分别提取各相邻道路节点之间形成的运输状态变化区间；捕捉运输状态变化区间中各时间节点的车速，则根据各时间节点的车速，依次确认由两个相邻时间节点组成的时间段的斜率值；当任意两个相邻的斜率差值的绝对值大于阈值α时，则对相应的时间段进行捕捉并确认相应时间节点的数量为M；进一步根据时间节点的数量M确认对应运输状态变化区间中行驶车速的异常程度；其中ε表示运输状态参数，v表示运输状态变化区间内的车速均值，N表示运输状态变化区间内时间节点的个数。
3.根据权利要求2所述的一种基于物联网的供应链智能监管方法，其特征在于：所述步骤S300包括：
步骤S310：对异常程度V大于异常阈值β的各运输状态变化区间进行提取，形成异常区间集C；分别匹配异常区间集中各运输状态变化区间的轨迹相似度，则对任意两个轨迹相似度大于相似度阈值γ的运输状态变化区间进行捕捉，形成轨迹相似集合；分别获取任意两个运输状态变化区间对应道路节点的节点参数信息B1、B2，则对满足大于参数阈值x的各运输状态变化区间进行捕捉，形成节点参数集合；分别获取轨迹相似集合和节点参数集合中发生重叠的运输状态变化区间数量G，并利用数据整合算法将发生重叠的各运输状态变化区间的节点参数信息整合成新的参数信息B；此时分别将运输状态变化图中各整合成的新的参数信息B设置权重为/>；其中/>表示异常区间集C中运输状态变化区间的数量，/>表示参数信息B的权重因子；
步骤S320：捕捉任意一类历史运输记录集合中各运输状态变化图对应目标商品的受损程度si和相应各运输状态变化图中各参数信息B的权重，分别构建任意一类受损程度si的参数影响模型：，其中i表示任意第i类历史运输记录集合中各运输状态变化图中参数信息B的种类。
4.根据权利要求3所述的一种基于物联网的供应链智能监管方法，其特征在于：所述步骤S400包括：
步骤S410：分别获取记录分类集A中目标商品各类受损程度的参数影响模型si，形成目标商品的参数模型集合，其中s1,s2,…,sn分别表示目标商品在第1、2、…、n类受损程度下，对应目标商品的第1、2、…、n个参数影响模型，进一步将参数模型集合S中受损程度低于程度阈值μ的各参数影响模型作为目标商品的路线评估参数集D；
步骤S420：获取路线集中各路线对应道路节点的参数信息，分别形成各路线对应的道路参数集；将目标商品的路线评估参数集分别和各道路参数集进行匹配，若在各道路参数集中匹配出和路线评估参数集相似度大于阈值的参数信息，则提取相应参数信息在路线评估参数集中的权重，作为目标商品选择各道路参数集的权重；进一步获取各道路参数集中分别匹配出的参数信息和相应参数信息的权重，构建各道路参数集的参数选择模型F，此时根据是否满足对各道路参数集进行路线筛选；
步骤S430：获取商品信息集中各商品的路线评估参数集D，并根据各商品的路线评估参数集对各道路参数集进行路线筛选，进一步筛选出商品信息集的最优运输路线。
5.用于实现权利要求1-4中任一项所述的一种基于物联网的供应链智能监管方法的供应链智能监管***，其特征在于：所述***包括：数据采集模块、数据库、异常分析模块、模型构建模块、路线分析模块和信息监测模块；
通过所述数据采集模块采集运输到目标区域的所有路线信息和所有商品信息，分别形成路线集和商品信息集；将商品信息集中任意商品设为目标商品，则采集目标商品的所有历史运输记录，进一步对各历史运输记录下目标商品的受损程度和相应运输记录的实时路况视频进行捕捉，分别形成目标商品的状态集和路况视频集；
通过所述数据库对采集的数据进行存储；
通过所述异常分析模块根据各运输记录的路况视频对目标商品构建运输状态变化图；将路况视频中各路线停靠点作为道路节点，并根据各道路节点对应的位置信息分别提取各相邻道路节点之间形成的运输状态变化区间；根据状态变化区间中各时间节点的车速变化，分析各运输状态变化区间的异常程度；
通过所述模型构建模块捕捉异常程度大于异常阈值的各运输状态变化区间，并根据各运输状态变化区间的状态变化相似度和节点参数相似度分析发生重叠的运输状态变化区间，构建参数影响模型；
通过所述路线分析模块获取目标商品各类受损程度的参数影响模型，并将受损程度低于程度阈值的各参数影响模型作为目标商品的路线评估参数集；获取路线集中各路线对应道路节点的参数信息，则根据商品信息集中各商品的路线评估参数集分析各商品的参数权重，进一步筛选出最优运输路线；
通过所述信息监测模块实时监测利用最优运输模型将商品信息集运输到目标区域时商品状况信息，预测是否符合商品需求，及时反馈并调整最优运输路线。
6.根据权利要求5所述的供应链智能监管***，其特征在于：所述数据采集模块包括运输采集单元和记录采集单元；
所述运输采集单元用于采集运输到目标区域的所有路线信息和所有商品信息，分别形成路线集和商品信息集；所述记录采集单元用于将商品信息集中任意商品设为目标商品，则采集目标商品的所有历史运输记录，进一步对各历史运输记录下目标商品的受损程度和相应运输记录的实时路况视频进行捕捉，分别形成目标商品的状态集和路况视频集。
7.根据权利要求5所述的供应链智能监管***，其特征在于：所述异常分析模块包括变化分析单元、区间提取单元和异常程度分析单元；
所述变化分析单元用于根据各运输记录的路况视频对目标商品构建运输状态变化图；所述区间提取单元用于将路况视频中各路线停靠点作为道路节点，并根据各道路节点对应的位置信息分别提取各相邻道路节点之间形成的运输状态变化区间；所述异常程度分析单元用于根据状态变化区间中各时间节点的车速变化，分析各运输状态变化区间的异常程度。
8.根据权利要求5所述的供应链智能监管***，其特征在于：所述模型构建模块包括区间捕捉单元和影响模型构建单元；
所述区间捕捉单元用于捕捉异常程度大于异常阈值的各运输状态变化区间；所述影响模型构建单元用于根据各运输状态变化区间的状态变化相似度和节点参数相似度分析发生重叠的运输状态变化区间，构建参数影响模型。
9.根据权利要求5所述的供应链智能监管***，其特征在于：所述路线分析模块包括参数评估单元和路线筛选单元；
所述参数评估单元用于获取目标商品各类受损程度的参数影响模型，并将受损程度低于程度阈值的各参数影响模型作为目标商品的路线评估参数集；所述路线筛选单元用于获取路线集中各路线对应道路节点的参数信息，则根据商品信息集中各商品的路线评估参数集分析各商品的参数权重，进一步筛选出最优运输路线。
CN202311321653.5A 2023-10-13 2023-10-13 一种基于物联网的供应链智能监管***及方法 Active CN117079220B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311321653.5A CN117079220B (zh) 2023-10-13 2023-10-13 一种基于物联网的供应链智能监管***及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311321653.5A CN117079220B (zh) 2023-10-13 2023-10-13 一种基于物联网的供应链智能监管***及方法

Publications (2)

Publication Number Publication Date
CN117079220A true CN117079220A (zh) 2023-11-17
CN117079220B CN117079220B (zh) 2023-12-26

Family

ID=88702790

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311321653.5A Active CN117079220B (zh) 2023-10-13 2023-10-13 一种基于物联网的供应链智能监管***及方法

Country Status (1)

Country Link
CN (1) CN117079220B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117312763A (zh) * 2023-11-30 2023-12-29 青岛斑科变频技术有限公司 一种基于云平台的变频家电性能可视化监管***及方法

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109447338A (zh) * 2018-10-23 2019-03-08 杭州虹晟信息科技有限公司 基于大数据的智能物流云端管理***
CN109632001A (zh) * 2018-12-29 2019-04-16 浙江大学 一种物流运输过程中草莓机械伤害的监测方法
CN112288353A (zh) * 2020-10-19 2021-01-29 河南职业技术学院 一种物流运输监控***
CN112633800A (zh) * 2020-12-22 2021-04-09 黄晓燕 一种基于智慧物流运输用运输车辆最优调度***及其方法
CN114049059A (zh) * 2021-09-30 2022-02-15 马鞍山钢晨钢铁物流园有限公司 物流用货物配送智能管理***
CN114266517A (zh) * 2021-12-20 2022-04-01 阿里巴巴（中国）有限公司 异常确定方法、电子设备、存储介质及程序产品
CN114331139A (zh) * 2021-12-30 2022-04-12 中安链科技(重庆)有限公司 基于区块链网络的校园风险监测预警***
CN114418505A (zh) * 2022-01-26 2022-04-29 深圳市鸿云软件有限公司 一种数字化供应链管理方法
CN115099463A (zh) * 2022-05-30 2022-09-23 广东电网有限责任公司 一种计量物资配送风险预测方法及装置
CN115271617A (zh) * 2022-09-28 2022-11-01 济宁港航内河经济研究院有限公司 一种大宗商品物流运输交易智能信息处理***
CN115685932A (zh) * 2022-10-31 2023-02-03 青岛家哇云网络科技有限公司 基于大数据的物流信息智能管理***及方法
CN115907590A (zh) * 2022-11-28 2023-04-04 张瀚茹 一种基于大数据的供应链数字化管理***及方法
CN116341161A (zh) * 2023-05-26 2023-06-27 广州一链通互联网科技有限公司 基于数字孪生的跨境物流运输线路模拟仿真方法及***
CN116341907A (zh) * 2023-03-27 2023-06-27 梅煜轩 一种基于人工智能的食品供应链风险评估***
CN116645029A (zh) * 2023-05-30 2023-08-25 青岛家哇云网络科技有限公司 一种基于大数据的智能物流监控***及方法
CN116739455A (zh) * 2023-06-25 2023-09-12 深圳前海中外运物流有限公司 一种人工智能物流货运跟踪计算终端

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109447338A (zh) * 2018-10-23 2019-03-08 杭州虹晟信息科技有限公司 基于大数据的智能物流云端管理***
CN109632001A (zh) * 2018-12-29 2019-04-16 浙江大学 一种物流运输过程中草莓机械伤害的监测方法
CN112288353A (zh) * 2020-10-19 2021-01-29 河南职业技术学院 一种物流运输监控***
CN112633800A (zh) * 2020-12-22 2021-04-09 黄晓燕 一种基于智慧物流运输用运输车辆最优调度***及其方法
CN114049059A (zh) * 2021-09-30 2022-02-15 马鞍山钢晨钢铁物流园有限公司 物流用货物配送智能管理***
CN114266517A (zh) * 2021-12-20 2022-04-01 阿里巴巴（中国）有限公司 异常确定方法、电子设备、存储介质及程序产品
CN114331139A (zh) * 2021-12-30 2022-04-12 中安链科技(重庆)有限公司 基于区块链网络的校园风险监测预警***
CN114418505A (zh) * 2022-01-26 2022-04-29 深圳市鸿云软件有限公司 一种数字化供应链管理方法
CN115099463A (zh) * 2022-05-30 2022-09-23 广东电网有限责任公司 一种计量物资配送风险预测方法及装置
CN115271617A (zh) * 2022-09-28 2022-11-01 济宁港航内河经济研究院有限公司 一种大宗商品物流运输交易智能信息处理***
CN115685932A (zh) * 2022-10-31 2023-02-03 青岛家哇云网络科技有限公司 基于大数据的物流信息智能管理***及方法
CN115907590A (zh) * 2022-11-28 2023-04-04 张瀚茹 一种基于大数据的供应链数字化管理***及方法
CN116341907A (zh) * 2023-03-27 2023-06-27 梅煜轩 一种基于人工智能的食品供应链风险评估***
CN116341161A (zh) * 2023-05-26 2023-06-27 广州一链通互联网科技有限公司 基于数字孪生的跨境物流运输线路模拟仿真方法及***
CN116645029A (zh) * 2023-05-30 2023-08-25 青岛家哇云网络科技有限公司 一种基于大数据的智能物流监控***及方法
CN116739455A (zh) * 2023-06-25 2023-09-12 深圳前海中外运物流有限公司 一种人工智能物流货运跟踪计算终端

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
曾台英;于水源;: "复杂运输方式下包装件可靠性评价方法", 噪声与振动控制, no. 03, pages 73 - 76 *
沈丽 等: ""考虑货损和碳排放的生鲜产品配送路径优化"", 上海海事大学学报, vol. 1, no. 42, pages 44 - 49 *
董国宾;薛安荣;赵保同;: "基于RFID路径数据的异常路径检测", 计算机应用研究, no. 08, pages 2451 - 2454 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117312763A (zh) * 2023-11-30 2023-12-29 青岛斑科变频技术有限公司 一种基于云平台的变频家电性能可视化监管***及方法
CN117312763B (zh) * 2023-11-30 2024-02-23 青岛斑科变频技术有限公司 一种基于云平台的变频家电性能可视化监管***及方法

Also Published As

Publication number Publication date
CN117079220B (zh) 2023-12-26

Similar Documents

Publication Publication Date Title
CN117079220B (zh) 一种基于物联网的供应链智能监管***及方法
CN109214948A (zh) 一种电力***热负荷预测的方法和装置
US20020026347A1 (en) Method of and system for forecasting future orders in parts inventory system
CN111768030B (zh) 银行运输配送线路规划方法和装置、设备以及介质
CN110738523A (zh) 一种维修订单量预测方法及装置
US20180018588A1 (en) Automated functional understanding and optimization of human/machine systems
US20240086726A1 (en) Systems and methods for big data analytics
US11697558B2 (en) Automated detection of carton damage
CN115375234A (zh) 基于gnss的运输车辆运行轨迹规划方法
CN116596580A (zh) 一种基于天气预报信息的季节性服装短期销量预测方法
CN112116810A (zh) 基于城市道路卡口数据的全路网路段行程时间估计方法
CN105812722A (zh) 一种粮食运输监控方法和***
CN117035607A (zh) 一种基于物联网的仓储容量预测管理***及方法
CN117709856A (zh) 供应链对接优化方法
CN107924423A (zh) 模型确定设备和模型确定方法
CN111145535B (zh) 一种复杂场景下的行程时间可靠性分布预测方法
CN110020666B (zh) 一种基于乘客行为模式的公共交通广告投放方法及***
CN114662998B (zh) 一种跨境电商数字化的智能风控***及方法
CN114493732B (zh) 生鲜电商可复用容器租赁数量预测模型建立方法及其应用
CN115587779A (zh) 一种基于时空动态信息的货物运输价格容错估算方法
CN114418505A (zh) 一种数字化供应链管理方法
CN113379211A (zh) 基于区块链的物流信息平台违约风险管控***及方法
CN111752991A (zh) 一种表计数据统计方法、装置和获取表计统计数据方法
Nadi et al. Identifying tour structures in freight transport by mining of large trip databases
CN113379125B (zh) 一种基于TCN和LightGBM组合模型的物流仓储销售量预测方法

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