一种基于大数据的物流配送可视化系统的制作方法

本发明涉及物流管理，更具体地说，本发明涉及一种基于大数据的物流配送可视化系统。

背景技术：

1、随着电子商务和物流行业的快速发展，物流配送的效率和可视化需求日益增加；传统的物流管理系统难以实时处理和可视化庞大的数据集，因此需要一种改进的系统来满足现代物流的需求。

2、专利公开号为cn116167596a的专利公开了一种基于大数据的配送路径分析方法及系统，通过获取物流货物3d扫描数据与获取当前物流中转站的运输装载量数据，根据货物3d扫描数据与运输装载量数据进行货物运输计划分析，得到运输计划数据，基于物流地图模型，将所述运输计划数据进行可视化展示；根据运输计划数据进行物流传输，并实时检测每个物流中转站的货物信息，基于货物3d扫描数据，检查物流货物是否存在信息异常状况，若存在异 常状况将对应货物标记为异常货物，根据异常货物3d扫描数据进行溯源配送路径查询，得到配送路径，基于配送路径从物流大数据中分析出对应的货物物流数据，根据货物物流数据对异常货物进行信息修正。

3、现有的物流配送管理系统普遍存在以下问题：

4、未量化特征与目标变量的相关性，可能导致模型包含大量与目标变量不相关或弱相关的特征。这些特征不仅不能为预测提供有价值的信息，反而可能引入噪声，降低模型的预测准确性。包含大量不相关或冗余特征会增加模型的复杂度，使得模型在训练过程中需要更多的计算资源和时间。同时，复杂的模型也更容易出现过拟合现象，导致在未见过的数据上表现不佳；

5、未使用特征选择调整公式来确保不同类别特征在最终特征子集中的平衡性，可能会导致某些类别的特征在模型中占据主导地位，而其他类别的特征则被忽视；这种不平衡性会限制模型对全面信息的捕捉能力，从而影响预测的准确性；

6、缺少高斯过程代理模型，优化算法可能需要更多的评估次数来找到接近最优的超参数组合，导致优化过程耗时更长，没有限制目标函数值的变化范围，优化过程可能更容易受到噪声或极端值的影响，导致优化方向偏离全局最优解。这会增加找到真正最优解的难度，并可能使优化过程陷入局部最优；由于优化效率低下和收敛速度减慢，现有技术可能需要更多的计算资源和时间来达到相同的优化效果。不仅增加了成本，还可能限制了优化过程在更大规模数据集或更复杂模型上的应用。

7、鉴于此，本发明提出一种基于大数据的物流配送可视化系统以解决上述问题。

技术实现思路

1、为了克服现有技术的上述缺陷，为实现上述目的，本发明提供如下技术方案：一种基于大数据的物流配送可视化系统，包括：

2、数据采集模块，用于采集物流配送参数数据、物流配送图像数据和物流配送环境数据；

3、数据处理模块，用于对物流配送参数数据、物流配送图像数据和物流配送环境数据进行预处理，得到参数特征数据集、图像特征数据集和环境特征数据集；将参数特征数据集、图像特征数据集和环境特征数据集进行关联性分析并融合，得到综合特征数据集；

4、配送预测模块，用于构建物流配送预测模型，将综合特征数据集输入物流配送预测模型中，得到货物可配送系数；

5、配送评估模块，用于将预测的货物可配送系数和预设的货物可配送系数阈值进行对比，判断货物是否达到物流配送标准；

6、路径选择模块，若货物未达到物流配送标准，则通过物流智能管理终端生成检测指令，对货物进行检测；若货物达到物流配送标准，则通过物流智能管理终端生成配送指令，并采集可配送货物信息数据；

7、配送可视化模块，用于根据可配送货物信息数据与图像特征数据集构建物流配送三维图，通过路径规划算法选择出货物配送的最佳路径，并通过物流配送三维图对货物配送的最佳路径进行可视化展示；各个模块之间通过有线和/或无线的方式进行连接。

8、进一步地，所述物流配送参数数据包括货物质量、货物体积、订单编号、订单时间、发货地位置、收货地位置和物流配送成本；物流配送图像数据包括时间内物流配送个时间点的货物位置图像数据；

9、物流配送环境数据包括物流配送的温度、湿度、风速、道路拥堵率、物流配送路径长度和物流配送路面坡度。

10、进一步地，所述对物流配送参数数据、物流配送图像数据和物流配送环境数据进行预处理，得到参数特征数据集、图像特征数据集和环境特征数据集的方法包括：

11、对物流配送参数数据、物流配送图像数据和物流配送环境数据采用dbscan算法，识别出物流配送参数数据、物流配送图像数据和物流配送环境数据中存在的异常值，将识别出的异常值剔除得到处理后的参数特征数据集、图像特征数据集和环境特征数据集；

12、对获取的参数特征数据集、图像特征数据集和环境特征数据集进行标准差归一化处理，转换为标准正态分布，得到参数特征数据集、图像特征数据集和环境特征数据集。

13、进一步地，所述将参数特征数据集、图像特征数据集和环境特征数据集进行关联性分析并融合，得到综合特征数据集的方法包括：

14、预设参数特征数据集为；其中，为参数特征数据集；为第个参数特征；为样本数量；为参数特征的维度；为实数集合；

15、预设图像特征数据集为；其中，为图像特征数据集；为第个图像特征；为图像特征的维度；

16、预设环境特征数据集为；其中，为环境特征数据集；为第个环境特征；为环境特征的维度；

17、计算每个数据集中的特征与货物配送系数之间的皮尔逊相关系数，具体公式为：；其中，为目标变量货物可配送系数；为参数特征、图像特征或环境特征；为协方差运算符号；为标准差运算符号；

18、汇总计算出的所有相关性系数，构建相关性向量；其中，为相关性向量；为第个相关性系数；为相关性系数的索引；

19、根据相关性向量的绝对值排序，并通过特征选择调整公式选择与目标变量最相关的前个特征，构建新的特征子集；

20、所述特征选择调整公式为：；其中，为特征的总数；为特征的类别数；为从每个类别中选择的特征的比例；为向下取整操作，确保特征数量为整数；

21、所述新的特征子集为参数特征子集、图像特征子集和环境特征子集；

22、将参数特征子集、图像特征子集和环境特征子集通过加权模型融合形成综合特征数据集；

23、所述加权模型为：；其中，为综合特征数据集；为参数特征子集的权重系数；为图像特征子集的权重系数；为环境特征子集的权重系数。

24、进一步地，所述物流配送预测模型的构建方法包括：

25、将数据集划分为训练集、验证集和测试集；数据集包括综合特征数据集以及对应的货物可配送系数；构建物流配送预测模型，物流配送预测模型包括输入数据和输出标签；模型的输入数据为历史综合特征数据集，模型的输出标签为货物可配送系数；选择rbf作为模型的核函数，初始化模型的超参数，模型的超参数包括正则化参数c和rbf核函数的γ值；所述货物可配送系数为支持向量机模型；

26、使用平均绝对误差作为损失函数，衡量模型的预测值和实际值之间的误差；所述平均绝对误差损失函数为：；其中，为平均绝对误差；为数据集数量；为第个货物可配送系数的真实值；为第个货物可配送系数的预测值；

27、使用训练集数据进行模型训练，通过adam优化器来最小化损失函数；使用验证集评估模型的性能，对模型的超参数进行调优，直到模型性能不再显著提升或达到预设的停止条件时停止；

28、使用测试集评估模型在预测任务中的性能，将当前综合数据集输入训练好的物流配送预测模型中，得到货物可配送系数。

29、进一步地，所述对模型的超参数进行调优的方法包括：

30、s61、定义模型的损失函数平均绝对误差为目标函数，通过目标函数找到一组超参数使得损失函数平均绝对误差最小化，使目标函数最小化的最优超参数组合为：；其中，为超参数向量；为超参数的搜索空间；为目标函数；为使目标函数最小化的最优超参数组合；

31、s62、通过高斯过程作为目标函数代理模型近似目标函数的分布：；其中，为高斯过程代理模型；为高斯过程的符号表示；为一组超参数组合的均值函数；为高斯核协方差函数；为另一组超参数组合；

32、所述高斯核协方差函数；其中，为目标函数值的变化范围；为高斯核协方差函数的长度尺度，控制输入空间中距离对相关性的影响程度；为超参数组合和之间的欧几里得距离；

33、通过范围限制公式来限制目标函数值的变化范围，所述范围限制公式为：；其中，为超参数组合的数量；为第个超参数组合；为超参数组合和之间的欧几里得距离；

34、s63、通过期望改进公式选择下一个要评估的超参数组合，所述下一个要评估的超参数组合为：；其中，为下一个要评估的超参数组合；为采集函数，决定下一个评估的超参数组合；

35、所述期望改进公式为：；其中，为超参数组合相对于当前最优值的期望改进量；为期望值运算符；为当前最优超参数组合；

36、s64、选择进行目标函数评估，并将新的结果用以更新高斯过程代理模型；

37、s65、重复步骤s62-s64，直达到最大迭代次数或目标函数不再显著改进时停止；输出使目标函数最小化的超参数组合，使目标函数在验证集上达到最小值；此时的超参数组合即为最终的最优超参数组合。

38、进一步地，所述将预测的货物可配送系数和预设的货物可配送系数阈值进行对比，判断货物是否达到物流配送标准的方法包括：

39、若预测的货物可配送系数小于预设的货物可配送系数阈值，则判定货物未达到物流配送标准；

40、若预测的货物可配送系数大于等于预设的货物可配送系数阈值，则判定货物达到物流配送标准。

41、进一步地，所述可配送货物信息数据包括货物的id、货物数量、发货地位置和收货地位置。

42、进一步地，所述根据可配送货物信息数据与图像特征数据集构建物流配送三维图的方法包括：

43、s91、预设发货地位置坐标为，预设收货地位置坐标为；预设时间内物流配送个时间点的每个货物位置图像数据为；其中，为时间点的索引，范围从1到；

44、s92、对于每个货物位置图像数据，使用ssd目标检测算法输出一组边界框和相应的类别置信度，预设ssd目标检测算法检测到个候选边界框，每个边界框由四个坐标值和一个类别置信度组成；通过非极大值抑制去除冗余边界框，保留置信度最高的边界框；

45、s93、从ssd目标检测算法结果中，提取每个时间点的货物位置坐标；货物位置坐标由置信度最高的边界框的中心点计算得到：

46、；其中，为每个时间点的货物位置坐标；为第个边界框在第个时间点的水平中心坐标；为第个边界框在第个时间点的垂直中心坐标；为第个边界框在第个时间点的最左边的坐标；为第个边界框在第个时间点的最右边的坐标；为第个边界框在第个时间点的最上边的坐标；为第个边界框在第个时间点的最下边的坐标；

47、s94、对于每个货物，通过欧式距离计算公式计算发货地位置坐标到收货地位置坐标的欧氏距离；所述欧式距离计算公式为：；其中，为发货地位置坐标到收货地位置坐标的欧氏距离；为发货地位置的横坐标；为发货地位置的纵坐标；为收货地位置的横坐标；为收货地位置的纵坐标；

48、s95、构建物流配送三维图：预设三维坐标系统的轴为,轴为货物位置坐标，轴为发货地位置坐标到收货地位置坐标的欧氏距离；在三维坐标系中标出每个货物在不同时间点的位置：；其中，为每个货物在不同时间点的位置点；为时间点的货物位置的水平坐标；为时间点的货物位置的垂直坐标；

49、s96、根据货物的移动轨迹，绘制每个货物在物流配送三维图上不同时间点的位置连线，显示货物的移动路径；所述移动路径为：

50、；其中，为时间点的货物位置点。

51、进一步地，所述通过路径规划算法选择出货物配送的最佳路径，并通过物流配送三维图对货物配送的最佳路径进行可视化展示的方法包括：

52、通过a*算法计算从发货地到收货地的最佳路径，并通过物流智能管理终端集成实时交通数据，实时交通数据包括gps定位、交通摄像头和交通广播；动态调整启发式函数中的参数，以反映实时路况；配送过程中，若检测到当前路径上的突发情况，物流智能管理终端立即触发路径重规划，利用a*算法重新计算最佳路径，并通过物流智能管理终端实时通知配送员。

53、本发明一种基于大数据的物流配送可视化系统的技术效果和优点：

54、本发明通过计算皮尔逊相关系数，能够量化不同特征对货物配送系数的影响程度；选择与目标变量高度相关的特征，可以显著提高预测模型的准确性；去除或降低与目标变量相关性较低的特征，可以减少模型中的噪声和冗余信息，进一步提升预测效果；特征选择调整公式通过设定从每个类别中选择特征的比例，确保了不同类别特征在最终特征子集中的平衡性。这有助于模型全面考虑各种因素对货物配送系数的影响，避免因为某些类别特征过多或过少而导致的偏差；加权融合模型通过为不同特征子集分配合理的权重，可以在保持预测精度的同时，进一步简化计算过程；

55、利用高斯过程代理模型来近似目标函数的分布，从而能够在较少的评估次数内找到接近最优的超参数组合，实现了超参数优化的自动化，减少了人工干预的需要，可以了解不同超参数组合对目标函数的影响程度，从而增加模型调优过程的可解释性，限制目标函数值的变化范围有助于减少优化过程中的波动和极端值，使得优化过程更加稳定，有助于避免因为个别极端情况而导致的优化方向偏离全局最优解；使得算法更倾向于在更有潜力的区域进行搜索，从而加速收敛到最优解；通过限制目标函数值的变化范围，可以在一定程度上缓解模型的过拟合，使得模型更加泛化。