CN117132183B - 基于大数据分析的物流供应链配送智能化监测*** - Google Patents
基于大数据分析的物流供应链配送智能化监测*** Download PDFInfo
- Publication number
- CN117132183B CN117132183B CN202311098838.4A CN202311098838A CN117132183B CN 117132183 B CN117132183 B CN 117132183B CN 202311098838 A CN202311098838 A CN 202311098838A CN 117132183 B CN117132183 B CN 117132183B
- Authority
- CN
- China
- Prior art keywords
- value
- distribution
- logistics
- preset
- storage
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 208
- 238000012544 monitoring process Methods 0.000 title claims abstract description 94
- 238000007405 data analysis Methods 0.000 title claims abstract description 8
- 238000003860 storage Methods 0.000 claims abstract description 94
- 238000000034 method Methods 0.000 claims abstract description 77
- 238000004458 analytical method Methods 0.000 claims abstract description 44
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims description 35
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 19
- 229910052760 oxygen Inorganic materials 0.000 claims description 19
- 239000001301 oxygen Substances 0.000 claims description 19
- 238000007726 management method Methods 0.000 claims description 14
- 230000006399 behavior Effects 0.000 claims description 12
- 238000009423 ventilation Methods 0.000 claims description 12
- 239000000428 dust Substances 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012797 qualification Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 208000032140 Sleepiness Diseases 0.000 description 1
- 206010041349 Somnolence Diseases 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
- 230000037321 sleepiness Effects 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
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0833—Tracking
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于物流监管技术领域,具体是基于大数据分析的物流供应链配送智能化监测***,包括服务器、配送人员选择模块、物流储存监测模块、配送***分析模块以及前行风险性监测模块;本发明通过物流驾驶汇总分析以确定物流配送的驾驶人员,实现对驾驶人员的自动快速选择,选择结果更加准确,有助于保证物流配送过程的高效安全,且在物流配送过程中将物流车辆的储存车厢进行多位置检测分析,并对物流车辆的前行风险性状况进行评估判断,以及将对应驾驶人员进行分析并生成配送预警信号或配送合格信号,实现物流配送过程中货物储存和驾驶安全的有效监管,有效保证物流配送过程的人员安全和货物安全。
Description
技术领域
本发明涉及物流监管技术领域,具体是基于大数据分析的物流供应链配送智能化监测***。
背景技术
供应链物流是为了顺利实现与经济活动有关的物流,协调运作生产、供应活动、销售活动和物流活动,进行综合性管理的战略机能,物流配送是一种综合性的、规模化的物流形式,能够实现物品从供应地到接受地的实体流动,包含运输、分拣、配货、加工等环节;
在进行物流供应链配送时,主要通过物流车辆将货物按照相应的配送路线将货物运输至目的地,目前无法在运输前自动合理进行驾驶人员选定,且在物流配送运输过程中无法将货物储存和驾驶安全进行有效监管,以及无法实现对前行风险的准确评估并进行速度合理调控,难以保证物流配送过程的人员安全和货物安全;
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基于大数据分析的物流供应链配送智能化监测***,解决了现有技术无法在运输前自动合理进行驾驶人员选定,且在物流配送运输过程中无法将货物储存和驾驶安全进行有效监管,以及无法实现对前行风险的准确评估并进行速度合理调控,人员安全和货物安全无法得到保证的问题。
为实现上述目的,本发明提供如下技术方案:
基于大数据分析的物流供应链配送智能化监测***,包括服务器、配送人员选择模块、物流储存监测模块、配送***分析模块以及前行风险性监测模块;配送人员选择模块采集到物流配送的路线,获取到待分配的驾驶人员,将对应驾驶人员标记为驾驶对象k,k={1,2,…,m},m表示待分配的驾驶人员数量且m为大于1的自然数;通过物流驾驶汇总分析以得到驾驶对象k的汇分值,按照汇分值由大到小的顺序将待分配的驾驶人员进行排序,选择位于首位的驾驶人员作为当次物流配送的驾驶人员;
物流储存监测模块用于在物流配送过程中将物流车辆的储存车厢进行多位置检测分析,通过分析以获取到偏重差值,在偏重差值超过预设偏重差值阈值时生成储存预警信号,在未生成储存预警信号时通过分析以获取到储分值,据此以进行判断并生成储存预警信号或储存合格信号,将储存预警信号或储存合格信号发送至服务器;服务器将储存预警信号发送至物流车辆的车载终端,以及将储存预警信号发送至物流供应链配送监管终端;
配送安全性监管模块用于在物流配送过程中将对应驾驶人员进行分析,据此以生成配送预警信号或配送合格信号,将配送预警信号或配送合格信号发送至服务器;服务器将配送预警信号发送至物流车辆的车载终端,以及将配送预警信号发送至物流供应链配送监管终端;前行风险性监测模块用于评估判断物流车辆的前行风险性状况,据此以向其分配相应的前行速度范围,采集到物流车辆的实时车速并将其与对应前行速度范围进行数值比较,在实际车速未处于对应前行速度范围内时生成相应速调预警信息,将相应速调预警信息经服务器发送至对应物流车辆的车载终端。
进一步的,物流储存监测模块的具体运行过程包括:
将物流车辆的储存车厢内部划分为若干个监测区域,将对应监测区域标记为i,i={1,2,…,n},n表示监测区域数量且n为大于1的自然数;采集到监测区域i的初始图像和实时图像,将实时图像与初始图像进行重合以得到区域重合度,将区域重合度与预设区域重合度阈值进行数值比较,若区域重合度未超过预设区域重合度阈值,则将监测区域i标记为偏离区域;若区域重合度超过预设区域重合度阈值,则将监测区域i标记为重合区域;将偏离区域的数量减去重合区域的数量以得到偏重差值,将偏重差值与预设偏重差值阈值进行数值比较,若偏重差值超过预设偏重差值阈值,则生成储存预警信号。
进一步的,若偏重差值未超过预设偏重差值阈值,则采集到监测区域i的实时温度、实时氧气浓度、实时湿度和振动频幅值,将实时温度相较于预设适宜温度标准值的偏离值标记为温度数据,同理获取到氧气数据和湿度数据,将温度数据、氧气数据、湿度数据和振动频幅值进行分析计算得到区况值;将区况值与预设区况阈值进行数值比较;
若区况值超过预设区况阈值,则将监测区域i标记为非适宜区域,若区况值未超过预设区况阈值,则将监测区域i标记为适宜区域;将非适宜区域的数量与适宜区域的数量进行比值计算得到储分值,将储分值与预设储分阈值进行数值比较,若储分值超过预设储分阈值,则生成储存预警信号,否则生成储存合格信号。
进一步的,配送***分析模块的具体运行过程包括:
对物流车辆的驾驶人员进行监控,事先录入若干种异常驾驶行为,基于实时监控影像以判断对应驾驶人员是否存在异常驾驶行为,若存在异常驾驶行为,则生成配送预警信号;若不存在异常驾驶行为,则设定配送检测时段,采集到配送检测时段对应驾驶人员的刹车次数,以及每次刹车时的刹车距离以及刹车前的速度和刹车后的速度,将对应刹车前的速度和刹车后的速度进行差值计算得到刹速值,将刹车距离与刹速值进行比值计算得到刹表值;
将刹表值与预设刹表阈值进行数值比较,若刹表值未超过预设刹表阈值,则判断对应刹车过程存在安全风险并将对应刹车过程标记为异刹过程;将异刹过程的数量与刹车次数进行比值计算得到异刹值,将异刹值与刹车次数进行数值计算得到配送监分值;将配送监分值与预设配送监分阈值进行数值比较,若配送监分值超过预设配送监分阈值,则生成配送预警信号;若配送监分值未超过预设配送监分阈值,则生成配送合格信号。
进一步的,配送安全性监管分析模块与驾驶环境管控模块通信连接,在生成配送合格信号时将其发送至驾驶环境管控模块,驾驶环境管控模块采集到物流车辆驾驶室内的环境信息,环境信息包括通风量值、温度量值、湿度量值、氧气量值、光亮量值以及粉尘量值,将通风量值、温度量值、湿度量值、氧气量值、光亮量值以及粉尘量值分别与对应的预设阈值进行数值比较,若存在超过对应预设阈值的环境参数,则生成环控异常信号;
若不存在超过对应预设阈值的环境参数,则将通风量值、温度量值、湿度量值、氧气量值、光亮量值以及粉尘量值进行归一化计算得到驾驶舒适性系数;将驾驶舒适性系数与预设驾驶舒适性系数阈值进行数值比较,若驾驶舒适性系数未超过预设驾驶舒适性系数阈值,则生成环控正常信号,否则生成环控异常信号;驾驶环境管控模块与对应物流车辆内的环境调节模块通信连接,驾驶环境管控模块将环控异常信号发送至环境调节模块,环境调节模块接收到环控异常信号后将对应物流车辆驾驶室内的环境进行调节。
进一步的,物流驾驶汇总分析的具体分析过程如下:
采集到驾驶对象k进行对应物流配送路线的驾驶次数,将对应物流配送按时到达的驾驶过程标记为优配送过程,将优配送过程的数量与对应物流配送路线的驾驶次数进行比值计算以得到优配送频率;以及采集到驾驶对象k在对应物流配送过程中生成配送预警信号的频次并标记为配送预警频率,将配送预警频率与预设配送预警频率阈值进行数值比较,若配送预警频率超过预设配送预警频率阈值,则将对应物流配送过程标记为风险配送过程;将风险配送过程的数量与对应物流配送路线的驾驶次数进行比值计算以得到险配送频率,将驾驶对象k的驾驶次数、优配送频率和险配送频率进行分析计算得到汇分值。
进一步的,前行风险性监测模块的具体运行过程包括:
获取到物流车辆的导航路径,将距离当前位置T1长度的前行路段标记为分析路段,采集到分析路段的平均能见度和平均环境风速,以及采集到分析路段的平均车流量和事故发生频率,将平均能见度、平均风速、平均车流量和事故发生频率进行数值计算得到前行影响值,将前行影响值与预设前行影响范围进行数值比较;
若前行影响值超过预设前行影响范围的最大值,则生成一级影响信号;若前行影响值位于预设前行影响范围内,则生成二级影响信号;若前行影响值未超过预设前行影响范围的最小值,则生成三级影响信号;若生成一级影响信号,则向其分配一级车速范围,若生成二级影响信号,则向其分配二级车速范围,若生成三级影响信号,则向其分配三级车速范围,且三级车速范围>二级车速范围>一级车速范围。
与现有技术相比,本发明的有益效果是:
1、本发明中,通过物流驾驶汇总分析以得到所有待分配驾驶人员的汇分值,按照汇分值由大到小的顺序将待分配的驾驶人员进行排序,选择位于首位的驾驶人员作为当次物流配送的驾驶人员,实现对驾驶人员的自动快速选择,选择结果更加准确,有助于保证物流配送过程的高效安全;且在物流配送过程中将物流车辆的储存车厢进行多位置检测分析,通过分析以生成储存预警信号或储存合格信号,以便驾驶人员和后台配送监管人员得以详细了解货物储存状况,从而有助于及时进行储存状况的及时改善,提升储存效果;以及对物流车辆的前行风险性状况进行评估判断,据此以向其分配相应的前行速度范围,并据此生成相应速调预警信息,以便驾驶人员及时且合理进行速度调控,从而进一步保证物流配送过程的安全;
2、本发明中,通过在物流配送过程中将对应驾驶人员进行分析,据此以生成配送预警信号或配送合格信号,以便后台配送监管人员详细掌握驾驶人员的驾驶操控状况,从而及时提醒驾驶人员谨慎驾驶,避免出现安全事故,进一步保证货物安全和人员安全,显著降低物流供应链配送过的过程的风险;在生成配送合格信号时通过驾驶环境管控模块进行分析以生成环控正常信号或环控异常信号,环境调节模块接收到环控异常信号后将对应物流车辆驾驶室内的环境进行调节,实现对驾驶室内环境的快速准确调控,从而有助于保证驾驶人员的安全驾驶。
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,本发明提出的基于大数据分析的物流供应链配送智能化监测***,包括服务器、配送人员选择模块、物流储存监测模块、配送***分析模块以及前行风险性监测模块,且服务器与配送人员选择模块、物流储存监测模块、配送***分析模块以及前行风险性监测模块均通信连接;配送人员选择模块采集到物流配送的路线,获取到待分配的驾驶人员,将对应驾驶人员标记为驾驶对象k,k={1,2,…,m},m表示待分配的驾驶人员数量且m为大于1的自然数;通过物流驾驶汇总分析以得到驾驶对象k的汇分值,具体分析过程如下:
采集到驾驶对象k进行对应物流配送路线的驾驶次数,将对应物流配送按时到达的驾驶过程标记为优配送过程,将优配送过程的数量与对应物流配送路线的驾驶次数进行比值计算以得到优配送频率;以及采集到驾驶对象k在对应物流配送过程中生成配送预警信号的频次并标记为配送预警频率,将配送预警频率与预设配送预警频率阈值进行数值比较,若配送预警频率超过预设配送预警频率阈值,则将对应物流配送过程标记为风险配送过程;将风险配送过程的数量与对应物流配送路线的驾驶次数进行比值计算以得到险配送频率;
通过公式HFk=a1*JQk+a2*YQk+a3/(XQk+0.753)将驾驶对象k的驾驶次数JQk、优配送频率YQk和险配送频率XQk进行分析计算得到汇分值HFk;其中,a1、a2、a3为预设比例系数,a3>a2>a1>0;并且,汇分值HFk的数值越大,表明对应驾驶对象k进行对象物流配送路线的驾驶经验越丰富,驾驶越安全;按照汇分值由大到小的顺序将待分配的驾驶人员进行排序,选择位于首位的驾驶人员作为当次物流配送的驾驶人员,实现对驾驶人员的自动快速选择,驾驶人员的选择结果更加准确,有助于保证物流配送过程的高效安全。
物流储存监测模块用于在物流配送过程中将物流车辆的储存车厢进行多位置检测分析,通过分析以获取到偏重差值,在偏重差值超过预设偏重差值阈值时生成储存预警信号,在未生成储存预警信号时通过分析以获取到储分值,据此以进行判断并生成储存预警信号或储存合格信号,将储存预警信号或储存合格信号发送至服务器;服务器将储存预警信号发送至物流车辆的车载终端,以及将储存预警信号发送至物流供应链配送监管终端,以便驾驶人员和后台配送监管人员得以详细了解货物储存状况,从而有助于及时进行储存状况的及时改善,提升储存效果;物流储存监测模块的具体运行过程如下:
将物流车辆的储存车厢内部划分为若干个监测区域,将对应监测区域标记为i,i={1,2,…,n},n表示监测区域数量且n为大于1的自然数;采集到监测区域i的初始图像和实时图像,将实时图像与初始图像进行重合以得到区域重合度,将区域重合度与预设区域重合度阈值进行数值比较,若区域重合度未超过预设区域重合度阈值,表明对应监测区域i存在偏离错位,则将监测区域i标记为偏离区域;若区域重合度超过预设区域重合度阈值,表明对应监测区域i不存在偏离错位,则将监测区域i标记为重合区域;
将偏离区域的数量减去重合区域的数量以得到偏重差值,需要说明的是,偏重差值的数值越大,表明物流车辆的储存车厢内部的货物发生错位越严重,越不利于其安全配送;将偏重差值与预设偏重差值阈值进行数值比较,若偏重差值超过预设偏重差值阈值,则生成储存预警信号;若偏重差值未超过预设偏重差值阈值,则采集到监测区域i的实时温度、实时氧气浓度、实时湿度和振动频幅值,将实时温度相较于预设适宜温度标准值的偏离值标记为温度数据,同理获取到氧气数据和湿度数据;且振动频幅值是表示监测区域i振动频率和振动幅度两者和值大小的数据量值;
通过公式QKi=b1*WYi+b2*YYi+b3*SYi+b4*ZYi将温度数据WYi、氧气数据YYi、湿度数据SYi和振动频幅值ZYi进行分析计算得到区况值QKi;其中,b1、b2、b3、b4为预设权重系数,且b1、b2、b3、b4的取值均大于零;并且,区况值QKi的数值越大,表明监测区域i的环境表现越差,越不利于监测区域i的货物储存;将区况值QKi与预设区况阈值进行数值比较;若区况值QKi超过预设区况阈值,则将监测区域i标记为非适宜区域,若区况值QKi未超过预设区况阈值,则将监测区域i标记为适宜区域;将非适宜区域的数量与适宜区域的数量进行比值计算得到储分值,将储分值与预设储分阈值进行数值比较,若储分值超过预设储分阈值,则生成储存预警信号,若储分值未超过预设储分阈值,则生成储存合格信号。
配送安全性监管模块用于在物流配送过程中将对应驾驶人员进行分析,据此以生成配送预警信号或配送合格信号,将配送预警信号或配送合格信号发送至服务器;服务器将配送预警信号发送至物流车辆的车载终端,以及将配送预警信号发送至物流供应链配送监管终端,以便后台配送监管人员详细掌握驾驶人员的驾驶操控状况,从而及时提醒驾驶人员谨慎驾驶,避免出现安全事故,进一步保证货物安全和人员安全,显著降低物流供应链配送过的过程的风险;配送***分析模块的具体运行过程如下:
对物流车辆的驾驶人员进行监控,事先录入若干种异常驾驶行为(包括接打电话、瞌睡等),基于实时监控影像以判断对应驾驶人员是否存在异常驾驶行为,若存在异常驾驶行为,则生成配送预警信号;若不存在异常驾驶行为,则设定配送检测时段,采集到配送检测时段对应驾驶人员的刹车次数,以及每次刹车时的刹车距离以及刹车前的速度和刹车后的速度,将对应刹车前的速度和刹车后的速度进行差值计算得到刹速值,将刹车距离与刹速值进行比值计算得到刹表值;并且,刹表值的数值越小,表明刹车过程越危险;
将刹表值与预设刹表阈值进行数值比较,若刹表值未超过预设刹表阈值,则判断对应刹车过程存在安全风险并将对应刹车过程标记为异刹过程;将异刹过程的数量与刹车次数进行比值计算得到异刹值,通过公式PJ=ep1*YS+ep2*ST将异刹值YS与刹车次数ST进行数值计算得到配送监分值PJ;其中,ep1、ep2为预设权重系数,且ep1>ep2>0;并且,配送监分值PJ的数值越大,表明驾驶人员的操作风险程度越大;将配送监分值PJ与预设配送监分阈值进行数值比较,若配送监分值PJ超过预设配送监分阈值,则生成配送预警信号;若配送监分值PJ未超过预设配送监分阈值,则生成配送合格信号。
前行风险性监测模块用于评估判断物流车辆的前行风险性状况,据此以向其分配相应的前行速度范围,采集到物流车辆的实时车速并将其与对应前行速度范围进行数值比较,在实际车速未处于对应前行速度范围内时生成相应速调预警信息,将相应速调预警信息经服务器发送至对应物流车辆的车载终端,以便驾驶人员及时进行速度调控,从而进一步保证物流配送过程的安全;前行风险性监测模块的具体运行过程如下:
获取到物流车辆的导航路径,将距离当前位置T1长度的前行路段标记为分析路段,优选的,T1为四公里;采集到分析路段的平均能见度和平均环境风速,以及采集到分析路段的平均车流量和事故发生频率,通过公式QX=rp1/(PN+0.827)+rp2*PF+rp3*PC+rp4*SP将平均能见度PN、平均风速PF、平均车流量PC和事故发生频率SP进行数值计算得到前行影响值QX,其中,rp1、rp2、rp3、rp4为预设权重系数,rp1、rp2、rp3、rp4的取值均大于零;需要说明的是,前行影响值QX的数值越大,表明前行风险越大,越需要谨慎驾驶;
将前行影响值QX与预设前行影响范围进行数值比较;若前行影响值QX超过预设前行影响范围的最大值,则生成一级影响信号;若前行影响值QX位于预设前行影响范围内,则生成二级影响信号;若前行影响值QX未超过预设前行影响范围的最小值,则生成三级影响信号;若生成一级影响信号,则向其分配一级车速范围,若生成二级影响信号,则向其分配二级车速范围,若生成三级影响信号,则向其分配三级车速范围,且三级车速范围>二级车速范围>一级车速范围。
实施例二:如图2所示,本实施例与实施例1的区别在于,配送安全性监管分析模块与驾驶环境管控模块通信连接,在生成配送合格信号时将其发送至驾驶环境管控模块,驾驶环境管控模块采集到物流车辆驾驶室内的环境信息,环境信息包括通风量值、温度量值、湿度量值、氧气量值、光亮量值以及粉尘量值,通风量值是表示通风速度相较于预设适宜通风速度的偏离程度大小的数据量值,同理可知温度量值、湿度量值、氧气量值和光亮量值,粉尘量值是表示驾驶室内粉尘浓度大小的数据量值;将通风量值、温度量值、湿度量值、氧气量值、光亮量值以及粉尘量值分别与对应的预设阈值进行数值比较,若存在超过对应预设阈值的环境参数,则生成环控异常信号;
若不存在超过对应预设阈值的环境参数,则通过归一化分析计算公式JS=cp1*TF+cp2*WF+cp3*SF+cp4*YF+cp5*GF+cp6*FD将通风量值TF、温度量值WF、湿度量值SF、氧气量值YF、光亮量值GF以及粉尘量值FD进行归一化计算得到驾驶舒适性系数JS;其中,cp1、cp2、cp3、cp4、cp5、cp6为预设权重系数,且cp1、cp2、cp3、cp4、cp5、cp6的取值均大于零;需要说明的是,驾驶舒适性系数JS的数值越小,表明驾驶室内的环境状况偏离适宜驾驶环境的偏离程度越小,越有利于驾驶人员的安全驾驶;
将驾驶舒适性系数JS与预设驾驶舒适性系数阈值进行数值比较,若驾驶舒适性系数JS未超过预设驾驶舒适性系数阈值,则生成环控正常信号,若驾驶舒适性系数JS超过预设驾驶舒适性系数阈值,则生成环控异常信号;驾驶环境管控模块与对应物流车辆内的环境调节模块通信连接,驾驶环境管控模块将环控异常信号发送至环境调节模块,环境调节模块接收到环控异常信号后将对应物流车辆驾驶室内的环境进行调节,实现对驾驶室内环境的快速准确调控,从而有助于保证驾驶人员的安全驾驶。
本发明的工作原理:使用时,在进行物流配送前,配送人员选择模块通过物流驾驶汇总分析以得到所有待分配驾驶人员的汇分值,按照汇分值由大到小的顺序将待分配的驾驶人员进行排序,选择位于首位的驾驶人员作为当次物流配送的驾驶人员,实现对驾驶人员的自动快速选择,驾驶人员的选择结果更加准确,有助于保证物流配送过程的高效安全;物流储存监测模块在物流配送过程中将物流车辆的储存车厢进行多位置检测分析,通过分析以生成储存预警信号或储存合格信号,以便驾驶人员和后台配送监管人员得以详细了解货物储存状况,从而有助于及时进行储存状况的及时改善,提升储存效果;配送安全性监管模块在物流配送过程中将对应驾驶人员进行分析,据此以生成配送预警信号或配送合格信号,以便后台配送监管人员详细掌握驾驶人员的驾驶操控状况,从而及时提醒驾驶人员谨慎驾驶,避免出现安全事故,进一步保证货物安全和人员安全,显著降低物流供应链配送过的过程的风险;前行风险性监测模块对物流车辆的前行风险性状况进行评估判断,据此以向其分配相应的前行速度范围,并据此生成相应速调预警信息,以便驾驶人员及时且合理进行速度调控,从而进一步保证物流配送过程的安全。
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 (1)
1.基于大数据分析的物流供应链配送智能化监测***,其特征在于,包括服务器、配送人员选择模块、物流储存监测模块、配送***分析模块以及前行风险性监测模块;配送人员选择模块采集到物流配送的路线,获取到待分配的驾驶人员,将对应驾驶人员标记为驾驶对象k,k={1,2,…,m},m表示待分配的驾驶人员数量且m为大于1的自然数;通过物流驾驶汇总分析以得到驾驶对象k的汇分值,按照汇分值由大到小的顺序将待分配的驾驶人员进行排序,选择位于首位的驾驶人员作为当次物流配送的驾驶人员;
物流储存监测模块用于在物流配送过程中将物流车辆的储存车厢进行多位置检测分析,通过分析以获取到偏重差值,在偏重差值超过预设偏重差值阈值时生成储存预警信号,在未生成储存预警信号时通过分析以获取到储分值,据此以进行判断并生成储存预警信号或储存合格信号,将储存预警信号或储存合格信号发送至服务器;服务器将储存预警信号发送至物流车辆的车载终端,以及将储存预警信号发送至物流供应链配送监管终端;
配送安全性监管模块用于在物流配送过程中将对应驾驶人员进行分析,据此以生成配送预警信号或配送合格信号,将配送预警信号或配送合格信号发送至服务器;服务器将配送预警信号发送至物流车辆的车载终端,以及将配送预警信号发送至物流供应链配送监管终端;前行风险性监测模块用于评估判断物流车辆的前行风险性状况,据此以向其分配相应的前行速度范围,采集到物流车辆的实时车速并将其与对应前行速度范围进行数值比较,在实际车速未处于对应前行速度范围内时生成相应速调预警信息,将相应速调预警信息经服务器发送至对应物流车辆的车载终端;
物流储存监测模块的具体运行过程包括:
将物流车辆的储存车厢内部划分为若干个监测区域,将对应监测区域标记为i,i={1,2,…,n},n表示监测区域数量且n为大于1的自然数;采集到监测区域i的初始图像和实时图像,将实时图像与初始图像进行重合以得到区域重合度,将区域重合度与预设区域重合度阈值进行数值比较,若区域重合度未超过预设区域重合度阈值,则将监测区域i标记为偏离区域;若区域重合度超过预设区域重合度阈值,则将监测区域i标记为重合区域;将偏离区域的数量减去重合区域的数量以得到偏重差值,将偏重差值与预设偏重差值阈值进行数值比较,若偏重差值超过预设偏重差值阈值,则生成储存预警信号;
若偏重差值未超过预设偏重差值阈值,则采集到监测区域i的实时温度、实时氧气浓度、实时湿度和振动频幅值,将实时温度相较于预设适宜温度标准值的偏离值标记为温度数据,同理获取到氧气数据和湿度数据;
通过公式QKi=b1*WYi+b2*YYi+b3*SYi+b4*ZYi将温度数据WYi、氧气数据YYi、湿度数据SYi和振动频幅值ZYi进行分析计算得到区况值QKi;其中,b1、b2、b3、b4为预设权重系数,且b1、b2、b3、b4的取值均大于零;将区况值与预设区况阈值进行数值比较;
若区况值超过预设区况阈值,则将监测区域i标记为非适宜区域,若区况值未超过预设区况阈值,则将监测区域i标记为适宜区域;将非适宜区域的数量与适宜区域的数量进行比值计算得到储分值,将储分值与预设储分阈值进行数值比较,若储分值超过预设储分阈值,则生成储存预警信号,否则生成储存合格信号;
配送***分析模块的具体运行过程包括:
对物流车辆的驾驶人员进行监控,事先录入若干种异常驾驶行为,基于实时监控影像以判断对应驾驶人员是否存在异常驾驶行为,若存在异常驾驶行为,则生成配送预警信号;若不存在异常驾驶行为,则设定配送检测时段,采集到配送检测时段对应驾驶人员的刹车次数,以及每次刹车时的刹车距离以及刹车前的速度和刹车后的速度,将对应刹车前的速度和刹车后的速度进行差值计算得到刹速值,将刹车距离与刹速值进行比值计算得到刹表值;
将刹表值与预设刹表阈值进行数值比较,若刹表值未超过预设刹表阈值,则判断对应刹车过程存在安全风险并将对应刹车过程标记为异刹过程;将异刹过程的数量与刹车次数进行比值计算得到异刹值,通过公式PJ=ep1*YS+ep2*ST将异刹值YS与刹车次数ST进行数值计算得到配送监分值PJ;其中,ep1、ep2为预设权重系数,且ep1>ep2>0;将配送监分值与预设配送监分阈值进行数值比较,若配送监分值超过预设配送监分阈值,则生成配送预警信号;若配送监分值未超过预设配送监分阈值,则生成配送合格信号;
配送安全性监管分析模块与驾驶环境管控模块通信连接,在生成配送合格信号时将其发送至驾驶环境管控模块,驾驶环境管控模块采集到物流车辆驾驶室内的环境信息,环境信息包括通风量值、温度量值、湿度量值、氧气量值、光亮量值以及粉尘量值,将通风量值、温度量值、湿度量值、氧气量值、光亮量值以及粉尘量值分别与对应的预设阈值进行数值比较,若存在超过对应预设阈值的环境参数,则生成环控异常信号;
若不存在超过对应预设阈值的环境参数,则通过归一化分析计算公式JS=cp1*TF+cp2*WF+cp3*SF+cp4*YF+cp5*GF+cp6*FD将通风量值TF、温度量值WF、湿度量值SF、氧气量值YF、光亮量值GF以及粉尘量值FD进行归一化计算得到驾驶舒适性系数JS;其中,cp1、cp2、cp3、cp4、cp5、cp6为预设权重系数,且cp1、cp2、cp3、cp4、cp5、cp6的取值均大于零;将驾驶舒适性系数与预设驾驶舒适性系数阈值进行数值比较,若驾驶舒适性系数未超过预设驾驶舒适性系数阈值,则生成环控正常信号,否则生成环控异常信号;驾驶环境管控模块与对应物流车辆内的环境调节模块通信连接,驾驶环境管控模块将环控异常信号发送至环境调节模块,环境调节模块接收到环控异常信号后将对应物流车辆驾驶室内的环境进行调节;
物流驾驶汇总分析的具体分析过程如下:
采集到驾驶对象k进行对应物流配送路线的驾驶次数,将对应物流配送按时到达的驾驶过程标记为优配送过程,将优配送过程的数量与对应物流配送路线的驾驶次数进行比值计算以得到优配送频率;以及采集到驾驶对象k在对应物流配送过程中生成配送预警信号的频次并标记为配送预警频率,将配送预警频率与预设配送预警频率阈值进行数值比较,若配送预警频率超过预设配送预警频率阈值,则将对应物流配送过程标记为风险配送过程;将风险配送过程的数量与对应物流配送路线的驾驶次数进行比值计算以得到险配送频率;
通过公式HFk=a1*JQk+a2*YQk+a3/(XQk+0.753)将驾驶对象k的驾驶次数JQk、优配送频率YQk和险配送频率XQk进行分析计算得到汇分值HFk;其中,a1、a2、a3为预设比例系数,a3>a2>a1>0;
前行风险性监测模块的具体运行过程包括:
获取到物流车辆的导航路径,将距离当前位置T1长度的前行路段标记为分析路段,采集到分析路段的平均能见度和平均环境风速,以及采集到分析路段的平均车流量和事故发生频率;
通过公式QX=rp1/(PN+0.827)+rp2*PF+rp3*PC+rp4*SP将平均能见度PN、平均风速PF、平均车流量PC和事故发生频率SP进行数值计算得到前行影响值QX,其中,rp1、rp2、rp3、rp4为预设权重系数,rp1、rp2、rp3、rp4的取值均大于零;将前行影响值与预设前行影响范围进行数值比较;
若前行影响值超过预设前行影响范围的最大值,则生成一级影响信号;若前行影响值位于预设前行影响范围内,则生成二级影响信号;若前行影响值未超过预设前行影响范围的最小值,则生成三级影响信号;若生成一级影响信号,则向其分配一级车速范围,若生成二级影响信号,则向其分配二级车速范围,若生成三级影响信号,则向其分配三级车速范围,且三级车速范围>二级车速范围>一级车速范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311098838.4A CN117132183B (zh) | 2023-08-29 | 2023-08-29 | 基于大数据分析的物流供应链配送智能化监测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311098838.4A CN117132183B (zh) | 2023-08-29 | 2023-08-29 | 基于大数据分析的物流供应链配送智能化监测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117132183A CN117132183A (zh) | 2023-11-28 |
CN117132183B true CN117132183B (zh) | 2024-06-21 |
Family
ID=88852366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311098838.4A Active CN117132183B (zh) | 2023-08-29 | 2023-08-29 | 基于大数据分析的物流供应链配送智能化监测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117132183B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116258433A (zh) * | 2023-05-15 | 2023-06-13 | 成都运荔枝科技有限公司 | 一种基于大数据核验的冷链食品运输监管*** |
CN116373552A (zh) * | 2023-06-05 | 2023-07-04 | 北京博创联动科技有限公司 | 一种基于车载传感器技术的车辆运动控制*** |
CN116452099A (zh) * | 2023-06-13 | 2023-07-18 | 成都运荔枝科技有限公司 | 一种基于大数据的冷链食品运输智能管理*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116070984B (zh) * | 2023-04-06 | 2023-06-06 | 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*** |
CN116279522B (zh) * | 2023-05-25 | 2023-07-21 | 鹰驾科技(深圳)有限公司 | 一种基于特征分析的车内行为安全车载监控管理*** |
-
2023
- 2023-08-29 CN CN202311098838.4A patent/CN117132183B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116258433A (zh) * | 2023-05-15 | 2023-06-13 | 成都运荔枝科技有限公司 | 一种基于大数据核验的冷链食品运输监管*** |
CN116373552A (zh) * | 2023-06-05 | 2023-07-04 | 北京博创联动科技有限公司 | 一种基于车载传感器技术的车辆运动控制*** |
CN116452099A (zh) * | 2023-06-13 | 2023-07-18 | 成都运荔枝科技有限公司 | 一种基于大数据的冷链食品运输智能管理*** |
Also Published As
Publication number | Publication date |
---|---|
CN117132183A (zh) | 2023-11-28 |
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*** | |
CN117132183B (zh) | 基于大数据分析的物流供应链配送智能化监测*** | |
CN116070984B (zh) | 一种基于数据分析的冷链物流车辆的运输评估*** | |
US8412421B2 (en) | Systems and methods for improving haul route management | |
CN108665702B (zh) | 基于车路协同的施工道路多级预警***及方法 | |
CN107024927A (zh) | 一种自动驾驶***和方法 | |
CN108045373B (zh) | 一种自动驾驶纵向统一规划方法及*** | |
CN116466644B (zh) | 一种基于plc控制的车辆性能监管***及方法 | |
CN113838227B (zh) | 一种车辆异常停留监控方法及*** | |
CN116373552B (zh) | 一种基于车载传感器技术的车辆运动控制*** | |
CN115375234A (zh) | 基于gnss的运输车辆运行轨迹规划方法 | |
CN111415026A (zh) | 无人设备调度装置、***和方法 | |
CN110533261A (zh) | 一种物流运输车辆的驾驶行为分析优化*** | |
CN117636652A (zh) | 一种基于人工智能的矿车驾驶智能预警*** | |
CN116882865B (zh) | 一种基于生鲜配送的智能物流装车***及装车方法 | |
CN114264314A (zh) | 危险品安全运输管理***及方法 | |
CN117236816A (zh) | 一种供应链标准化管理*** | |
CN116934194A (zh) | 一种基于大数据的实时运输管理*** | |
CN111080202B (zh) | 一种面向油量节省的作业车辆的效能管理方法及*** | |
CN113077612A (zh) | 载重车辆超限预警***及方法 | |
Putter | Poster: Preventive Identification of Accident Black Spots on the Basis of Crash Severity Estimation | |
US11804080B2 (en) | Method and system for inspecting and scoring vehicle transportation | |
Rosberg et al. | Analysis and comparison of simulated and real train driving in an Automatic Train Protection (ATP) system environment | |
CN117104255B (zh) | 一种智能驾驶车辆智能感知人车交互***及方法 | |
CN112793628B (zh) | 一种列车运行安全的评估方法和装置 |
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 |