一种可视化物流系统生成平台及其应用方法与流程

本发明涉及物流，具体而言，涉及一种可视化物流系统生成平台及其应用方法。

背景技术：

1、近年来，电子商务的爆炸式增长以及快递行业的持续扩张，对物流行业提出了前所未有的挑战与机遇。

2、传统物流管理系统逐渐暴露出其局限性，无法充分适应日益膨胀的物流需求。主要问题在于数据管理的低效，尽管物流全链条（从接收订单到售后服务）产生的海量数据需被记录、分析和整理，多数现有系统仅停留在初级的信息收集层面，忽视了后续数据的深度挖掘。此外，关键决策仍高度依赖人工经验，这不仅限制了系统的灵活性与效率，也推高了运营成本。

3、鉴于此，如何解决传统物流管理系统高度依赖人工经验，数据管理效率低，运营成本高的问题，成为技术发展的新趋势。

技术实现思路

1、鉴于此，本发明提出了一种可视化物流系统生成平台及其应用方法，主要是为了解决传统物流管理系统高度依赖人工经验，数据管理效率低，运营成本高的问题。

2、一个方面，本发明提出了一种可视化物流系统生成平台，包括：

3、订单管理模块，用于接收并处理目标货物订单信息；

4、其中，所述目标货物订单信息包括：货物位置、货物体积、货物重量及货物月周转率。

5、自动化仓储模块，用于根据所述目标货物订单信息自动分配目标存储区域及目标存储位置；

6、ai智能配送模块，用于根据所述自动化仓储模块确定的所述目标存储位置确定最优配送车辆；

7、实时物流跟踪模块，用于在所述ai智能配送模块确定所述最优配送车辆后在配送过程中实时监控货物实时物流时长，根据所述货物实时物流时长确定是否进行异常物流预警；

8、智能可视化模块，用于基于ai大语言模型技术和物联网技术对物流过程的智能可视化管理。

9、在本技术的一些实施例中，所述自动化仓储模块用于根据所述目标货物订单信息自动分配目标存储区域时包括：

10、所述自动化仓储模块预先将存储区域划分为低频周转存储区和高频周转存储区；

11、将所述货物月周转率记为p；

12、预先设定月周转率分区阈值pmin；

13、当p＜pmin时，则所述自动化仓储模块确定所述目标货物订单信息对应的所述目标存储区域为低频周转存储区；

14、当p≥pmin时，则所述自动化仓储模块确定所述目标货物订单信息对应的所述目标存储区域为高频周转存储区。

15、在本技术的一些实施例中，所述自动化仓储模块用于根据所述目标货物订单信息自动分配目标存储位置时包括：

16、所述自动化仓储模块预先将存储位置划分为高层货架位置、中层货架位置和低层货架位置；

17、将所述货物体积记为v；将所述货物重量记为w；

18、预先设定货物体积分层阈值vmin和货物重量分层阈值wmin；

19、当v≤vmin且w≤wmin时，所述自动化仓储模块确定所述目标货物订单信息对应的所述目标存储位置为高层货架位置；

20、当v＞vmin或w＞wmin时，所述自动化仓储模块确定所述目标货物订单信息对应的所述目标存储位置为中层货架位置；

21、当v＞vmin且w＞wmin时，所述自动化仓储模块确定所述目标货物订单信息对应的所述目标存储位置为低层货架位置。

22、在本技术的一些实施例中，所述ai智能配送模块用于根据所述自动化仓储模块确定的所述目标存储位置确定最优配送车辆时，包括：

23、获取所述货物位置与所述目标存储位置之间的物流距离，并将所述物流距离记为l；

24、获取所有可用配送车辆xi的可配送里程lxi，i=1，2，…，n；

25、将满足lxi＞l的可用配送车辆组成待选配送车辆集合；

26、将不满足lxi＞l的可用配送车辆组成空闲配送车辆集合。

27、在本技术的一些实施例中，所述ai智能配送模块在将满足lxi＞l的可用配送车辆组成待选配送车辆集合后，还包括：

28、将所述待选配送车辆集合中的所有待选配送车辆记为ya，a=1，2，…，n；

29、获取所述待选配送车辆集合中所有待选配送车辆ya的可配送重量gya；

30、获取所述货物重量记为g；

31、将满足gya＞g的待选配送车辆ya组成优选配送车辆集合；

32、将不满足gya＞g的待选配送车辆ya并入所述空闲配送车辆集合。

33、在本技术的一些实施例中，在所述ai智能配送模块将满足gya＞g的待选配送车辆ya组成优选配送车辆集合后，包括：

34、将所述优选配送车辆集合中的所有优选配送车辆对应的可配送重量gya进行升序排序，将升序排序结果第一对应的优选配送车辆作为最优配送车辆。

35、在本技术的一些实施例中，所述实时物流跟踪模块，用于在所述ai智能配送模块确定所述最优配送车辆后在配送过程中实时监控货物物流时长，根据所述货物实时物流时长确定是否进行异常物流预警时，包括：

36、所述实时物流跟踪模块根据物流距离l确定预期物流运送时长t；

37、所述实时物流跟踪模块预先设定延迟时长最大阈值ts；

38、所述实时物流跟踪模块将所述货物实时物流时长记为tz；

39、当tz≥t+ts时，则所述实时物流跟踪模块确定存在异常进行异常物流预警；

40、当tz＜t+ts时，则所述实时物流跟踪模块确定不存在异常不进行异常物流预警。

41、在本技术的一些实施例中，所述智能可视化模块，用于基于ai大语言模型技术和物联网技术对物流过程的智能可视化管理时，包括：

42、收集多个物流公司的物流配送数据；

43、通过机器学习模型训练物流配送数据，创建用于预测模型输出的神经网络模型；

44、通过神经网络模型完成对数据的预测分析和反馈结果。

45、在本技术的一些实施例中，所述智能可视化模块在收集多个物流公司的物流配送数据时，包括：

46、对每个物流公司分别设立独立的数据库，并将数据库内的原始数据导入到存储区域；通过数据清洗的方法对存储区域上各家公司提供的数据进行标准化的预处理操作，以确保后续建模过程中数据的质量和一致性；针对同一类别的变量特征，按照统计学原理对其进行标准化转换处理后再组合成综合指标。

47、在本技术的一些实施例中，所述智能可视化模块在通过机器学习模型训练物流配送数据，创建用于预测模型输出的神经网络模型时，包括：

48、按照预设的样本比例从数据库中随机抽样选取一批样品用作训练集，其余则为测试集；通过神经网络的训练方法对训练集和测试集中的样本进行拟合模拟运算以找出其之间的关联关系即其特征模型输出；结合预先设定好的目标函数值和损失函数值对得到的模型输出结果进行评估，若达到了预期水平则停止训练过程否则返回通过神经网络的训练方法对训练集和测试集中的样本进行拟合模拟运算以找出其之间的关联关系即其特征模型输出重复迭代直至完成训练任务为止。

49、在本技术的一些实施例中，所述智能可视化模块在通过神经网络模型完成对数据的预测分析和反馈结果时，包括：

50、将经前期预测分析后的最新一次数据导入已开发的软件程序中形成待分析表；通过已有算法或者自定义代码实现对各列维度进行排序筛选以确定关键指标列表并转化为相应权重系数形式；将所得数据按照上述规则依次对齐后构成一个新的矩阵结构并向其中添加辅助标签字段用以标识所属类别类型名称；使用sql语句编写脚本命令运行程序并实时读取数据库内部结构信息产生图表展示界面以查看历史变更记录及属性变化特征规律信息。

51、另一个方面，本发明提出了一种可视化物流系统生成平台应用方法，包括：

52、接收并处理目标货物订单信息；

53、根据所述目标货物订单信息自动分配目标存储区域及目标存储位置；

54、根据所述目标存储位置确定最优配送车辆；

55、在确定所述最优配送车辆后在配送过程中实时监控货物实时物流时长，根据所述货物实时物流时长确定是否进行异常物流预警；

56、基于ai大语言模型技术和物联网技术对物流过程的智能可视化管理。

57、与现有技术相比，本发明存在以下有益效果：本发明通过订单管理模块能够迅速接收并处理目标货物订单信息，为后续的物流管理提供了准确的数据基础。自动化仓储模块能够根据货物的特性（如月周转率、体积、重量等）自动分配存储区域和存储位置，从而优化了仓库的存储布局，提高了货物的存取效率和仓储空间利用率。ai智能配送模块则是根据货物的存储位置和特性，智能地选择最优的配送车辆，这不仅减少了配送成本，还提高了配送的效率和准确性。实时物流跟踪模块则能够在配送过程中实时监控货物的物流时长，及时发现并处理物流异常，进一步保障了物流的顺利进行。本发明提出的物流系统生成平台及其应用方法，通过引入可视化和智能化技术，实现了物流管理的自动化、智能化和精细化，提高了物流管理的效率和准确性，降低了运营成本，具有显著的经济效益和社会效益。