【技術實現步驟摘要】
本專利技術涉及物流車輛調度，具體是一種基于物聯網的物流調度系統。
技術介紹
1、隨著經濟發展和網上購物的不斷發展，物流行業也得到了很大的發展，客戶對物流企業的配送速度要求越來越高；現有的物流企業以目前的條件已經很難滿足客戶日益提升的要求。城市交通擁堵對物流企業來說是一個很大的挑戰，貨物配送的時間成本很難控制，隨之而來的是運送效率的降低，而且在外運送的配送車輛的管理也十分困難，由于種種原因，物流企業的車輛和人力資源也不能得到充分的利用。
2、近年來，物聯網以及云端計算技術的不斷進步，使得物流管理更加信息化和系統化。信息數據化的物流站點、倉庫、貨物以及物流車輛信息，令智能調度的實現成為可能。但是以往的調度算法因為缺少完整體系的數據進行支持，大多采用物流車輛裝配和物流車輛行駛路線分別考慮的思路進行設計，所給出的調度方案往往缺乏整體性考慮；基于以上不足，本專利技術提出一種基于物聯網的物流調度系統。
技術實現思路
1、本專利技術旨在至少解決現有技術中存在的技術問題之一。為此，本專利技術提出一種基于物聯網的物流調度系統。
2、為實現上述目的，根據本專利技術的第一方面的實施例提出一種基于物聯網的物流調度系統，包括需求錄入模塊、調度中心、信息采集模塊、路線規劃模塊、交通監測模塊和路線評估模塊；
3、所述需求錄入模塊用于管理人員錄入物流需求，并根據物流需求創建配送訂單；物流需求包括貨物總量、起運地、目的地以及剩余配送時間；
4、所述信息采集模塊用于獲取
5、所述調度中心用于獲取配送訂單、可調度的物流車輛數據以及調度參考模型進行綜合分析，生成對應的調度訂單參數；
6、所述路線規劃模塊用于獲取配送訂單的起運地、目的地以及剩余配送時間，調用gps地圖的道路坐標信息，然后基于剩余配送時間和道路坐標信息采用自適應蟻群算法計算得到最優配送路徑信息；
7、在運輸途中，所述路線評估模塊用于采集各個路段的車流量和路面氣象數據進行綜合分析，計算得到行車威脅指數wc，以便駕駛員判斷是否需要更換路線；所述路面氣象數據包括路面溫度、路面濕度、風力信息、路段能見度以及路面積水量或積雪量；
8、所述路線評估模塊還用于將各個路段的行車威脅指數wc反饋至顯示模塊進行顯示；相關人員根據行車威脅指數wc對物流預計到達時間進行調整，并將調整的物流預計到達時間反饋至調度中心，供關聯方實時查詢。
9、進一步地，所述路線評估模塊的具體分析步驟如下：
10、獲取配送訂單的最優配送路徑信息，統計所述最優配送路徑途經的各個路段；針對某個路段，統計所述路段的車流量信息為l1；
11、獲取所述路段的車道數量為l2；采集所述路段的路面氣象數據；
12、將路面溫度、路面濕度、風力信息、路段能見度、積水量以及積雪量依次標記為w1、w2、w3、w4、w5以及w6；
13、利用公式qm＝(w2×b2+w3×b3+w5×b5+w6×b6)/(w1×b1+w4×b4)計算得到氣象影響系數qm，其中b1、b2、b3、b4、b5、b6為預設系數因子；
14、在預設時間段內，統計所述路段的交通事故信息；
15、根據所述交通事故信息對所述路段的安全偏離指數al進行評估；所述交通事故信息包括事故時間、牽連人數和財產損失；
16、利用公式wc＝f×l1×(qm×g2+al×g3)/(l2×g1)計算得到所述路段的行車威脅指數wc，其中g1、g2、g3均為預設系數因子，f為預設補償系數。
17、進一步地，所述路線評估模塊還包括：將行車威脅指數wc與預設威脅閾值相比較；所述預設威脅閾值包括x1、x2；且x1＜x2；
18、當wc＞x2，則表示行駛危險極大，針對所述路段發布紅色預警指令；
19、當x1＜wc≤x2，則表示行駛危險一般，針對該路段發布黃色預警指令；當wc≤x1，則表示行駛危險極小，針對所述路段發布綠色預警指令；其中，綠色預警指令代表所述路段可安全行駛。
20、進一步地，所述安全偏離指數al的具體評估步驟如下：
21、統計所述路段發生交通事故的總次數為z1；
22、獲取每個交通事故信息中的牽連人數和財產損失，將牽連人數最大值標記為wr，將財產損失最大值標記為cr；將最近一次交通事故發生時間與系統當前時間進行時間差計算得到緩沖時長ht；
23、利用公式al＝z1×(wr×g4+cr×g5)/(ht×g6)計算得到所述路段的安全偏離指數al，其中g4、g5、g6為預設系數因子。
24、進一步地，所述調度中心的具體工作步驟為：
25、將調度中心獲取的配送訂單、可調度的物流車輛數據整合成調度參考模型的輸入數據；將輸入數據輸入至調度參考模型中；
26、輸出相應的調度訂單參數；所述調度訂單參數包括調度車輛數量以及每輛車的車輛類型、最大客貨運輸量以及車輛距離起運地的距離；
27、所述調度中心用于根據所述調度訂單參數派發相應配送訂單，并生成調度事件歷史數據至模型創建模塊，以對調度參考模型進行迭代優化。
28、進一步地，所述模型創建模塊用于基于ai深度學習識別算法分析得到調度參考模型；所述調度參考模型為lstm神經網絡模型，由調度事件歷史數據訓練得到；所述調度事件歷史數據包括配送訂單、可調度的物流車輛數據以及對應的調度訂單參數。
29、進一步地，所述交通監測模塊包括分布式部署在道路兩側的路側基站和路側傳感器；所述路側基站用于感知汽車位置，車流量；所述路側傳感器用于實時采集路面氣象數據。
30、與現有技術相比，本專利技術的有益效果是：
31、1、本專利技術中需求錄入模塊用于管理人員錄入物流需求，并根據物流需求創建配送訂單；信息采集模塊用于獲取調度中心當前可調度的物流車輛數據；調度中心用于獲取配送訂單、可調度的物流車輛數據以及調度參考模型進行綜合分析，生成對應的調度訂單參數，實現物流車輛的智能調度，提高物流調度效率；調度中心還用于生成調度事件歷史數據反饋至模型創建模塊，以對調度參考模型不斷訓練，持續改進，達到最佳調度效果；
32、2、本專利技術中調度中心可以實時掌握調度車輛位置、時間和經手人員的信息數據，供關聯方實時查詢物流狀態；在運輸途中，路線評估模塊用于采集各個路段的車流量和路面氣象數據進行綜合分析，計算得到行車威脅指數wc，以便駕駛員判斷是否更換路線，提高物流運輸的安全性；路線評估模塊還用于將各個路段的行車威脅指數wc反饋至顯示模塊進行顯示，相關人員根據行車威脅指數wc對物流預計到達時間進行調整，方便關聯方在物流貨物未到達時提前進行運輸或收貨上的安排，縮短各個環節的銜接時間及運作時間，實現物流鏈整體效率的提升。<本文檔來自技高網...
【技術保護點】
1.一種基于物聯網的物流調度系統，其特征在于，包括需求錄入模塊、調度中心、信息采集模塊、路線規劃模塊、交通監測模塊和路線評估模塊；
2.根據權利要求1所述的一種基于物聯網的物流調度系統，其特征在于，所述路線評估模塊的具體分析步驟如下：
3.根據權利要求2所述的一種基于物聯網的物流調度系統，其特征在于，所述路線評估模塊還包括：將行車威脅指數Wc與預設威脅閾值相比較；所述預設威脅閾值包括X1、X2；且X1＜X2；
4.根據權利要求2所述的一種基于物聯網的物流調度系統，其特征在于，所述安全偏離指數AL的具體評估步驟如下：
5.根據權利要求1所述的一種基于物聯網的物流調度系統，其特征在于，所述調度中心的具體工作步驟為：
6.根據權利要求5所述的一種基于物聯網的物流調度系統，其特征在于，所述模型創建模塊用于基于AI深度學習識別算法分析得到調度參考模型；所述調度參考模型為LSTM神經網絡模型，由調度事件歷史數據訓練得到；所述調度事件歷史數據包括配送訂單、可調度的物流車輛數據以及對應的調度訂單參數。
7.根據權利要求1所述
...【技術特征摘要】
1.一種基于物聯網的物流調度系統，其特征在于，包括需求錄入模塊、調度中心、信息采集模塊、路線規劃模塊、交通監測模塊和路線評估模塊；
2.根據權利要求1所述的一種基于物聯網的物流調度系統，其特征在于，所述路線評估模塊的具體分析步驟如下：
3.根據權利要求2所述的一種基于物聯網的物流調度系統，其特征在于，所述路線評估模塊還包括：將行車威脅指數wc與預設威脅閾值相比較；所述預設威脅閾值包括x1、x2；且x1＜x2；
4.根據權利要求2所述的一種基于物聯網的物流調度系統，其特征在于，所述安全偏離指數al的具體評估步驟如下：
5.根據權利要求1所...
【專利技術屬性】
技術研發人員：王震源，邢光榮，王亮，尹本京，于行勇，業崇凡，楊鵬飛，邵曉君，梅紅源，王磊，朱文佳，
申請(專利權)人：江蘇中博通信有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。