一种物流方案智能设计系统及方法与流程

本发明涉及物流，具体涉及一种物流方案智能设计系统及方法。

背景技术：

1、物流是一个跨行业、跨部门、跨区域、渗透性强的复合型产业。随着产业的升级和生产力水平的发展，现代物流对实时性、全天候、连续、准时、高精度的需求越来越迫切，在交通运输网复杂多样的情况下，物流方案的规划难度和可选择性也都大幅度提升。然而现有的物流方案设计系统不够智能、高效与准确，因此，如何智能、迅速与准确地进行物流方案设计，是现代物流亟待解决的问题。

技术实现思路

1、本发明正是基于上述问题，提出了一种物流方案智能设计系统及方法，通过人工智能算法技术与大数据相结合，实现各种物流决策环节的智能化，并可提供高效、全局最优的物流方案。

2、有鉴于此，本发明的一方面提出了一种物流方案智能设计系统，包括：云服务器、与所述云服务器通信连接的物联网边缘服务器、设置于物流设施的第一智能感知终端组、设置于运输工具的第二智能感知终端组和设置于货物的第三智能感知终端组，所述物联网边缘服务器与所述第一智能感知终端组、所述第二智能感知终端组和所述第三智能感知终端组通信连接；

3、所述云服务器被配置为：

4、通过所述第一智能感知终端组实时获取第一物流设施数据、所述第二智能感知终端组实时获取第一运输工具数据、所述第三智能感知终端组实时获取第一货物数据；

5、采用大数据分析技术对所述第一物流设施数据、所述第一运输工具数据和所述第一货物数据进行关联分析，得到当前物流动态数据；

6、根据历史物流数据，基于大数据训练，分别构建物流需求预测模型、物流路线规划模型、运力资源调度模型、异常检测与预警模型；

7、根据所述当前物流动态数据和待处理物流订单数据，结合所述物流需求预测模型、所述物流路线规划模型、所述运力资源调度模型、所述异常检测与预警模型，生成待处理物流订单的物流方案。

8、本发明的另一方面提供一种物流方案智能设计方法，包括：

9、通过设置于物流设施的第一智能感知终端组实时获取第一物流设施数据、设置于运输工具的第二智能感知终端组实时获取第一运输工具数据、设置于货物的第三智能感知终端组实时获取第一货物数据；

10、云服务器采用大数据分析技术对所述第一物流设施数据、所述第一运输工具数据和所述第一货物数据进行关联分析，得到当前物流动态数据；

11、根据历史物流数据，基于大数据训练，分别构建物流需求预测模型、物流路线规划模型、运力资源调度模型、异常检测与预警模型；

12、根据所述当前物流动态数据和待处理物流订单数据，结合所述物流需求预测模型、所述物流路线规划模型、所述运力资源调度模型、所述异常检测与预警模型，生成待处理物流订单的物流方案。

13、可选地，所述通过设置于物流设施的第一智能感知终端组实时获取第一物流设施数据、设置于运输工具的第二智能感知终端组实时获取第一运输工具数据、设置于货物的第三智能感知终端组实时获取第一货物数据的步骤，包括：

14、获取所述物流设施的第一属性数据、第一状态数据与第一环境数据；

15、获取所述运输工具的第二属性数据、第二状态数据与第二环境数据；

16、获取所述货物的第三属性数据、第三状态数据与第三环境数据；

17、根据所述第一属性数据、所述第一状态数据与所述第一环境数据在所述物流设施的第一关键区域安装所述第一智能感知终端组；

18、根据所述第一属性数据、所述第一状态数据与所述第一环境数据在在所述运输工具的第二关键区域安装所述第二智能感知终端组；

19、根据所述第三属性数据、所述第三状态数据与所述第三环境数据在在所述货物的第三关键区域安装所述第三智能感知终端组。

20、可选地，所述云服务器采用大数据分析技术对所述第一物流设施数据、所述第一运输工具数据和所述第一货物数据进行关联分析，得到当前物流动态数据的步骤，包括：

21、所述云服务器利用数据挖掘算法对历史物流设施数据、历史运输工具数据、历史货物数据进行分析，并构建描述性分析模型、诊断性分析模型、预测性分析模型；

22、所述云服务器利用大数据处理框架对所述第一物流设施数据、所述第一运输工具数据和所述第一货物数据进行数据清洗、去重、格式转换，并将三类异构数据通过数据融合技术转换为符合所述描述性分析模型、所述诊断性分析模型和所述预测性分析模型的输入格式的输入数据；

23、将所述输入数据输入所述描述性分析模型、所述诊断性分析模型和所述预测性分析模型，将分析结果进行整合，得到当前物流动态数据。

24、可选地，所述根据历史物流数据，基于大数据训练，分别构建物流需求预测模型、物流路线规划模型、运力资源调度模型、异常检测与预警模型的步骤，包括：

25、从所述历史物流数据中提取历史物流订单数据、历史货物数据、历史物流设施数据、历史运输工具数据作为第一基础数据集；

26、对所述第一基础数据集中的数据进行清洗、格式转换、缺失值处理、异常值处理；

27、将所述第一基础数据集中的数据进行融合和关联，构建统一的第一训练数据集；

28、从所述第一训练数据集中提取时间、地点、货物属性、环境因素这几个维度的特征作为第一特征；

29、采用时序预测模型，基于历史订单量序列训练出预测未来订单需求的订单预测模型；

30、使用机器学习模型，结合所述第一特征训练出预测运输需求量的运输需求预测模型；

31、构建多模型集成框架，融合所述订单预测模型与所述运输需求预测模型，得到第一融合模型；

32、将所述第一训练数据集拆分为第一训练集、第一验证集和第一测试集；

33、在所述第一训练集上训练所述第一融合模型，在所述第一验证集上调整超参数，优化所述第一融合模型的结构；

34、在所述第一测试集上对优化后的所述第一融合模型进行评估，根据评估结果对所述第一融合模型进行调整得到所述物流需求预测模型。

35、可选地，所述根据历史物流数据，基于大数据训练，分别构建物流需求预测模型、物流路线规划模型、运力资源调度模型、异常检测与预警模型的步骤，包括：

36、从所述历史物流数据中提取历史运输路线数据；

37、建立所述历史物流订单数据、所述历史货物数据、所述历史物流设施数据、所述历史运输工具数据和所述历史运输路线数据的第一关联关系后，作为第二训练数据集；

38、构建用于进行路径规划的第一建模算法；

39、将所述第二训练数据集拆分为第二训练集、第二验证集、第二测试集；

40、在所述第二训练集对所述第一建模算法进行训练，得到基本路径规划模型；

41、在所述第二验证集上调整超参数，优化所述基本路径规划模型的结构；

42、在所述第二测试集上对优化后的所述基本路径规划模型进行评估，根据评估结果对所述基本路径规划模型进行调整得到所述物流路线规划模型。

43、可选地，所述根据历史物流数据，基于大数据训练，分别构建物流需求预测模型、物流路线规划模型、运力资源调度模型、异常检测与预警模型的步骤，包括：

44、确定物流运输的第一优化目标；

45、构建第一约束条件；

46、根据所述第一优化目标和所述第一约束条件，构建第一优化模型；

47、基于根据所述历史物流订单数据、所述历史运输工具数据、所述历史物流设施数据、所述历史路线数据生成第三训练数据集和第三测试数据集；

48、利用所述第三训练数据集对所述第一优化模型进行训练，得到基本运力资源调度模型；

49、在所述第三测试数据集上对所述基本运力资源调度模型进行评估，根据评估结果对所述基本运力资源调度模型进行调整，得到所述运力资源调度模型。

50、可选地，所述根据历史物流数据，基于大数据训练，分别构建物流需求预测模型、物流路线规划模型、运力资源调度模型、异常检测与预警模型的步骤，包括：

51、从所述历史物流数据中提取历史运输过程中的历史状态数据；

52、对所述历史物流订单数据、所述历史货物数据、所述历史物流设施数据、所述历史运输工具数据、所述历史运输路线数据、所述历史状态数据进行数据清洗、格式转换、缺失值处理，并进行关系，构建第四数据集；

53、在所述第四数据集中标注已知异常案例，作为监督学习训练样本；

54、从所述第四数据集中提取与所述异常案例相关的异常相关特征数据；

55、构建基本异常检测与预警模型；

56、利用所述异常案例的数据和所述异常相关特征数据对所述基本异常检测与预警模型进行训练与测试，得到所述异常检测与预警模型。

57、可选地，所述根据所述当前物流动态数据和待处理物流订单数据，结合所述物流需求预测模型、所述物流路线规划模型、所述运力资源调度模型、所述异常检测与预警模型，生成待处理物流订单的物流方案的步骤，包括：

58、从所述待处理物流订单数据中提取订单关键信息；

59、利用自然语言处理技术对所述订单关键信息进行结构化；

60、将所述订单关键信息与所述当前物流动态数据相结合，利用所述物流需求预测模型预测待处理物流订单对应的运输需求；

61、根据起止位置、时间窗口等，利用所述物流路线规划模型生成备选路线方案；

62、对每个所述备选路线方案进行时效、成本、异常风险多维度评估；

63、将所述备选路线方案与所述运输需求输入所述运力资源调度模型，生成满足运输需求的车辆调度方案；

64、基于所述当前物流动态数据，利用所述异常检测与预警模型分析备选方案的异常风险，得到异常分析结果，并根据所述异常分析结果确定所述待处理物流订单的物流方案。

65、可选地，所述将所述订单关键信息与所述当前物流动态数据相结合，利用所述物流需求预测模型预测待处理物流订单对应的运输需求的步骤，包括：

66、收集从所述当前物流动态数据中提取当前库存数据、当前运力数据、当前天气数据、当前交通数据；

67、将所述当前库存数据、所述当前运力数据、所述当前天气数据、所述当前交通数据与所述订单关键信息进行融合，并构建完整的输入特征向量；

68、将所述输入特征向量输入所述物流需求预测模型，得到对应的运输需求量预测值，即为所述待处理物流订单对应的运输需求。

69、采用本发明的技术方案，物流方案智能设计方法包括通过设置于物流设施的第一智能感知终端组实时获取第一物流设施数据、设置于运输工具的第二智能感知终端组实时获取第一运输工具数据、设置于货物的第三智能感知终端组实时获取第一货物数据；云服务器采用大数据分析技术对所述第一物流设施数据、所述第一运输工具数据和所述第一货物数据进行关联分析，得到当前物流动态数据；根据历史物流数据，基于大数据训练，分别构建物流需求预测模型、物流路线规划模型、运力资源调度模型、异常检测与预警模型；根据所述当前物流动态数据和待处理物流订单数据，结合所述物流需求预测模型、所述物流路线规划模型、所述运力资源调度模型、所述异常检测与预警模型，生成待处理物流订单的物流方案。本发明方案通过人工智能算法技术与大数据相结合，实现各种物流决策环节的智能化，并可提供高效、全局最优的物流方案。