【技術實現步驟摘要】
本專利技術涉及調度管理，更具體地涉及一種基于大數據的物流調度管理系統。
技術介紹
1、物流調度管理旨在通過大數據分析、人工智能算法和物聯網技術，為企業提供高效、精準、智能的物流調度解決方案，物流調度涉及多個方面，同時物流調度也受到多方面的影響，政策法規對物流調度的影響受到各物流企業的高度重視；例如，對車輛載重和尺寸的限制，會影響貨物的裝載和運輸方式，需要調整調度策略；現有技術中對物流調度管理的分析多種多樣，從各個不同角度對物流調度管理進行優化，提升了物流調度管理的智能化水平。
2、但是現有技術中缺少基于對政策法規的分析從而調整相應的物流調度方案，無法及時對政策法規進行捕捉分析，會導致物流企業降低物流運輸效率與物流企業效益，對物流企業產生包括成本、效率、安全等多方面的影響，因此及時對政策法規的變化進行分析，從而采取相應的物流調度方案對提升物流企業效益十分重要。
技術實現思路
1、為了克服現有技術的上述缺陷，本專利技術提供了一種基于大數據的物流調度管理系統，以解決上述
技術介紹
中存在的問題。
2、本專利技術提供如下技術方案：一種基于大數據的物流調度管理系統，包括數據采集模塊、數據歸類模塊、方案初篩模塊、方案推優模塊以及智能管控模塊；
3、所述數據采集模塊用于預先采集各類歷史物流數據集與實時采集實時物流數據集；
4、所述數據歸類模塊用于對預先采集的各類歷史物流數據集進行數據分類，將其分為n個數據簇；并對實時采集的實時物流數據集內的n個文本數據
5、所述方案初篩模塊用于對原始物流調度內容進行可行性匹配，并形成備選調度方案集；
6、所述方案推優模塊用于通過結合優化算法從備選調度方案集中獲取最佳物流調度方案；
7、所述智能管控模塊用于執行最佳物流調度方案并對物流調度過程進行智能化管理與控制。
8、優選的，所述數據類別為物流調度過程中涉及的物流數據的種類，包括車輛、路線、貨物以及人員配置；
9、所述可行性匹配具體為將原始物流調度方案集的調度內容數據與實時物流數據集內的文本內容數據進行匹配，并基于匹配的結果獲取滿足條件的備選調度方案集。
10、優選的，所述n個數據簇的獲取方式具體為：
11、對歷史物流數據集與實時物流數據集內的數據設置數字標簽進行標記；
12、基于歷史物流數據集中的文本數據特征，構建內容相似度矩陣u，，其中，comm(x,y)表示數字標簽為x的文本數據與數字標簽為y的文本數據之間的內容相似度；公式表示為：；
13、其中，k1為權重參數，zx為數字標簽為x的文本數據的特征向量，zy為數字標簽為y的文本數據的特征向量；cov(zx,zy)為zx與zy的協方差，σ(zx)為zx的標準差，σ(zy)為zy的標準差；
14、基于內容相似度矩陣，對歷史物流數據集內的數據進行聚類；將每個文本數據看作一個單獨的小類簇，共有q個小類簇，q為歷史物流數據集內的文本數據總數；基于內容相似度矩陣計算每兩個小類簇之間的引力值；預設合并閾值b，用于控制類簇合并，將小類簇進行迭代合并，在每次迭代中，找到具有最大引力值的兩個小類簇q1和q2；
15、若q1和q2之間的引力值大于合并閾值b，則將q1和q2合并為一個新類簇q，重新計算新類簇q與其他所有小類簇之間的引力值；否則不進行迭代合并；重復執行直至沒有任何兩個小類簇之間的引力值大于合并閾值b，此時得到n個新類簇，即n個數據簇。
16、優選的，所述引力值的計算公式表示為：；其中y(q1,q2)為q1與q2之間的引力值，g為引力常數，c1為小類簇q1中的文本數據數量，c2為小類簇q2中的文本數據數量，dis(q1,q2)為小類簇q1與q2的距離；即兩個小類簇中所有文本數據對之間距離的平均值；ω為一個超參數，σ(q1)為小類簇q1中文本數據的特征向量的標準差，σ(q2)為小類簇q2中文本數據的特征向量的標準差，μ(q1)為小類簇q1中文本數據的特征向量的均值，μ(q2)為小類簇q2中文本數據的特征向量的均值。
17、優選的，所述標記數據類別的獲取方式為：
18、將實時采集的實時物流數據集內的n個文本數據分別與n個數據簇依次進行引力值計算，將第i個文本數據與n個數據簇引力值按從大到小進行排列，選取引力值最大值所對應的數據簇作為第i個文本數據的數據類別，并將對數據類別進行標記得到m個標記數據類別，每個標記數據類別可對應多個實時物流數據集內的文本數據；i=1、2、3、…、n；同時將第i個文本數據歸類至該數據類別；，其中，y(i,j)為第i個文本數據與第j個數據簇之間的引力值，cj為第j個數據簇中的文本數據數量，dis(i,j)為第i個文本數據與第j個數據簇的距離；即第i個文本數據與第j個數據簇中所有數據一一形成的數據對之間距離的平均值；σ(i)為第i個文本數據的特征向量的標準差，σ(j)為第j個數據簇中文本數據的特征向量的標準差，μ(i)為第i個文本數據的特征向量的均值，μ(j)為第j個數據簇中文本數據的特征向量的均值；j=1、2、3、…、n。
19、優選的，所述調度方案集由多個調度方案組成，每個數據類別對應一個調度內容集，標記數據類別所對應的調度內容集為所有調度內容，非標記數據類別對應的調度內容集為該類別上一次可行性匹配后的調度內容；將所有調度內容集內的內容進行一一組合構成所有的調度方案；
20、所述原始物流調度內容即為標記數據類別對應的調度內容與非標記數據類別對應的調度內容，形成備選調度方案集的具體方式為：
21、獲取m個標記數據類別，對標記數據類別對應的調度內容進行可行性匹配，獲取匹配后的新調度內容集，新調度內容集內的調度內容即可行性匹配后的調度內容；
22、進行可行性匹配包括：
23、將標記數據類別對應的調度內容與對應數據類別中歸類的文本數據進行匹配；采用關鍵詞匹配與語義分析或自然語言處理相關技術進行匹配；若存在某個調度內容與對應數據類別中歸類的任一文本數據不匹配或存在沖突，則該調度內容的匹配結果為匹配失??；若存在某個調度內容與對應數據類別中歸類的所有文本數據均匹配且不存在沖突，則該調度內容的匹配結果為匹配成功；
24、所有匹配成功的調度內容構成新調度內容集；將所有新調度內容集與非標記數據類別對應的調度內容集的內容進行一一組合構成所有備選調度方案，由所有備選調度方案構成的集合為備選調度方案集。
25、優選的，所述獲取最佳物流調度方案的具體方式為：
26、步驟s01：對備選調度方案集內的備選調度方案進行編碼，編碼為a，并隨機選取r個構建初始種群，對所有參數進行初始化；初始迭代次數λ為0；
27、步驟s02：確定適應度函數；當迭代次數為復數時，執行步驟s03，當迭代次數為單數時，執行步驟s04；
28、步驟s03：進行復數迭代，而后直接執行步驟s05本文檔來自技高網...
【技術保護點】
1.一種基于大數據的物流調度管理系統，其特征在于：包括數據采集模塊、數據歸類模塊、方案初篩模塊、方案推優模塊以及智能管控模塊；
2.根據權利要求1所述的一種基于大數據的物流調度管理系統，其特征在于：所述數據類別為物流調度過程中涉及的物流數據的種類，包括車輛、路線、貨物以及人員配置；
3.根據權利要求2所述的一種基于大數據的物流調度管理系統，其特征在于：所述N個數據簇的獲取方式具體為：
4.根據權利要求3所述的一種基于大數據的物流調度管理系統，其特征在于：所述引力值的計算公式表示為：；其中Y(q1,q2)為q1與q2之間的引力值，G為引力常數，c1為小類簇q1中的文本數據數量，c2為小類簇q2中的文本數據數量，Dis(q1,q2)為小類簇q1與q2的距離；即兩個小類簇中所有文本數據對之間距離的平均值；ω為一個超參數，σ(q1)為小類簇q1中文本數據的特征向量的標準差，σ(q2)為小類簇q2中文本數據的特征向量的標準差，μ(q1)為小類簇q1中文本數據的特征向量的均值，μ(q2)為小類簇q2中文本數據的特征向量的均值。
5.根據權利要求
6.根據權利要求5所述的一種基于大數據的物流調度管理系統，其特征在于：所述調度方案集由多個調度方案組成，每個數據類別對應一個調度內容集，標記數據類別所對應的調度內容集為所有調度內容，非標記數據類別對應的調度內容集為該類別上一次可行性匹配后的調度內容；將所有調度內容集內的內容進行一一組合構成所有的調度方案；
7.根據權利要求6所述的一種基于大數據的物流調度管理系統，其特征在于：所述獲取最佳物流調度方案的具體方式為：
8.根據權利要求7所述的一種基于大數據的物流調度管理系統，其特征在于：所述初始種群表示為：，其中，A表示為初始種群，ar為第r個備選調度方案，r=1、2、3、…、R；
9.根據權利要求8所述的一種基于大數據的物流調度管理系統，其特征在于：步驟S03具體包括：
10.根據權利要求9所述的一種基于大數據的物流調度管理系統，其特征在于：所述步驟S04具體包括：
...【技術特征摘要】
1.一種基于大數據的物流調度管理系統，其特征在于：包括數據采集模塊、數據歸類模塊、方案初篩模塊、方案推優模塊以及智能管控模塊；
2.根據權利要求1所述的一種基于大數據的物流調度管理系統，其特征在于：所述數據類別為物流調度過程中涉及的物流數據的種類，包括車輛、路線、貨物以及人員配置；
3.根據權利要求2所述的一種基于大數據的物流調度管理系統，其特征在于：所述n個數據簇的獲取方式具體為：
4.根據權利要求3所述的一種基于大數據的物流調度管理系統，其特征在于：所述引力值的計算公式表示為：；其中y(q1,q2)為q1與q2之間的引力值，g為引力常數，c1為小類簇q1中的文本數據數量，c2為小類簇q2中的文本數據數量，dis(q1,q2)為小類簇q1與q2的距離；即兩個小類簇中所有文本數據對之間距離的平均值；ω為一個超參數，σ(q1)為小類簇q1中文本數據的特征向量的標準差，σ(q2)為小類簇q2中文本數據的特征向量的標準差，μ(q1)為小類簇q1中文本數據的特征向量的均值，μ(q2)為小類簇q2中文本數據的特征向量的...
【專利技術屬性】
技術研發人員：楊振，
申請(專利權)人：深圳市南方國訊科技有限公司，
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。