【技術實現步驟摘要】
本專利技術物流運輸，具體為一種基于物聯網的運輸流程管理方法及系統。
技術介紹
1、在當今高度全球化和電子商務迅速發展的背景下，物流運輸已經成為全球經濟的關鍵組成部分。物流公司面臨著如何確保貨物能夠在預定的時間內快速、準確、安全地到達目的地的巨大壓力。然而，物流運輸過程中經常受到多種不可預測因素的影響，如交通堵塞、惡劣天氣、設備故障和其他突發事件，這些因素都可能導致貨物延誤或損壞。此外，傳統的物流優化方法往往過于簡化，只關注單一目標，如最短時間或最低成本，而忽視了其他重要的因素，如環境影響、能源消耗和貨物安全性。這種單一視角的方法在復雜、多變的現實運輸環境中往往難以滿足多方面的需求。
技術實現思路
1、鑒于上述存在的問題，提出了本專利技術。
2、因此，本專利技術解決的技術問題是：如何在考慮多種因素的情況下，有效地優化物流運輸路徑和策略，以提高運輸效率、降低成本、減少環境影響、節約能源并確保貨物的安全性。
3、為解決上述技術問題，本專利技術提供如下技術方案：一種基于物聯網的運輸流程管理方法，其包括如下步驟，利用深度學習對貨物的運輸歷史數據進行分析；預測可能存在的延誤或問題，收集反饋信息優化預測結果；構建多目標優化模型，通過帕累托優化算法求最優解；基于優化預測結果，重新規劃路徑，優化運輸策略。
4、作為本專利技術所述的一種基于物聯網的運輸流程管理方法的一種優選方案，其中：所述運輸歷史數據包括車輛的出發時間、到達時間、運輸路線、交通狀況、天氣條件、貨物種
5、作為本專利技術所述的一種基于物聯網的運輸流程管理方法的一種優選方案，其中：所述預測可能存在的延誤或問題是構建物流網絡圖，對于每個節點，收集其歷史數據并轉化為時間序列特征，構建特征向量表達式為：
6、
7、其中，和分別為節點在時間t的出發和到達時間，ri,t為運輸路線，ci,t為交通狀況，wi,t為天氣條件，gi,t為貨物種類，mi,t為貨物重量。
8、使用圖神經網絡來捕捉物流網絡中各個節點之間的相互關系和依賴性，優化預測結果，表達式為：
9、
10、其中，n(i)是節點i鄰居集合，為第l層中節點i和節點j之間的權重，節點在圖神經網絡的第l-1層的特征向量，bl是第l層的權重矩陣，σ是激活函數，xi,t表示節點在時間t的原始特征向量；
11、
12、其中，yi,t是優化之后的預測結果。
13、根據收集到的歷史數據對應出問題的概率，分別制定初步閾值，使用優化之后的預測結果與相應的閾值進行對比，若預測結果大于閾值則預測當前節點在t時刻會出現延誤或出現問題，進一步使用預測結果與實際反饋信息對比。
14、作為本專利技術所述的一種基于物聯網的運輸流程管理方法的一種優選方案，其中：所述使用預測結果與實際反饋信息對比是計算預測的準確率、召回率、精確率與目標準確率、召回率、精確率分別進行對比。
15、若目標準確率大于預測的準確率進一步判斷，當預測為可能出現延誤或問題，但實際反饋信息沒有出現則提高初步閾值，當預測為不出現延誤或問題，但實際出現則降低初步閾值，若目標召回率大于預測召回率則降低初步閾值，若目標精確率大于預測精確率則提高初步閾值。
16、當三個初步閾值調整結束后，針對目標值與預測值的差值設置權重通過構建更新閾值模型輸出調整閾值，表達式為：
17、δ＝α×δaccuracy+β×δrecall+γ×δprecision
18、α+β+γ＝1
19、其中，δ為調整閾值，δaccuracy為目標準確率與預測的準確率的差值，α為準確率差值的權重，δrecall為目標召回率與預測召回率的差值，β為召回率差值的權重，δprecision為目標精確率與預測精確率的差值，γ為精確率差值的權重。
20、第一次調整的新閾值是調整閾值與初步閾值的和，前一次的新閾值當作后一次的初步閾值，此過程記作一次完整的閾值迭代，當達到預設的迭代次數或連續迭代的閾值保持不變，則停止優化閾值，輸出最終閾值，優化預測結果。
21、作為本專利技術所述的一種基于物聯網的運輸流程管理方法的一種優選方案，其中：所述構建多目標優化模型要將時間效率、成本效率、環境影響、能源消耗以及安全性作為研究對象。
22、所述多目標優化模型表達式為：
23、
24、其中，f1(x,u,v)為時間效率，f2(x,u,v)為成本效率，f3(x,u,v)為環境影響，f4(x,u,v)為能源消耗，f5(x,u,v)為安全性，x為貨物的特性，u為運輸方式的選擇，v為運輸路徑的選擇。
25、作為本專利技術所述的一種基于物聯網的運輸流程管理方法的一種優選方案，其中：所述運輸歷史數據影響多目標優化模型中的時間效率、成本效率、環境影響、能源消耗以及安全性，當車輛出發時間以及到達時間閾值增加時，多目標優化模型中的時間效率參數增加，當運輸路線閾值增加時，成本效率以及能源消耗參數增加，當交通狀況的閾值增加時，時間效率參數減少，能源消耗參數增加，當天氣條件的閾值增加時，時間效率參數減少，能源消耗和安全性參數增加，當貨物種類的閾值增加時，成本效率參數增高，環境影響參數增加，當貨物重量的閾值增加時，能源消耗參數增加，時間效率參數減少。
26、作為本專利技術所述的一種基于物聯網的運輸流程管理方法的一種優選方案，其中：所述基于優化預測結果，重新規劃路徑優化運輸策略是通過帕累托優化算法以及約束法解的多目標優化模型最優解，作為最優路徑。
27、所述帕累托優化算法是當運輸過程中無任何要求限制則針對多目標優化模型中的時間效率、成本效率、環境影響、能源消耗以及安全性分配相關權重構建加權目標函數，計算最優解輸出正常情況下的最優路徑。
28、所述約束法是在運輸過程中針對時間效率、成本效率、環境影響、能源消耗或安全性中任意一個參數有自定義要求，則選擇當前約束的執行優先級最高為主要約束，其它四個作為次要約束，并構建約束優化模型以及加權次要目標函數表達式為：
29、f1(x,u,v)≤t
30、fsub(x,u,v)＝w2·f2(x,u,v)+w3·f3(x,u,v)+w4·f4(x,u,v)+w5.f5(x,y,v)
31、其中，f1(x,u,v)是時間效率、成本效率、環境影響、能源消耗或安全性中任意一個主要約束，t是給定的自定義要求，fsub(x,u,v)是加權次要目標函數，w2，w3，w4，w5分別是其它四個次要目標函數對應的權重。
32、通過最小化加權次要目標函數，得到最優解，輸出對應的最優運輸路徑。
33、本專利技術的另外一個目的是提供一本文檔來自技高網...
【技術保護點】
1.一種基于物聯網的運輸流程管理方法，其特征在于，包括：
2.如權利要求1所述的一種基于物聯網的運輸流程管理方法，其特征在于：所述運輸歷史數據包括車輛的出發時間、到達時間、運輸路線、交通狀況、天氣條件、貨物種類以及貨物重量，將收集到的狀態數據去掉缺失值，異常值，以及錯誤格式的無效數據，把原始格式數據轉換為符合數學模型需求分析的格式將數據歸一化，從捕捉到的原始高維數據中提取關鍵的特征或信息，轉換為低維特征完成數據預處理。
3.如權利要求2所述的一種基于物聯網的運輸流程管理方法，其特征在于：所述預測可能存在的延誤或問題是構建物流網絡圖，對于每個節點，收集其歷史數據并轉化為時間序列特征，構建特征向量表達式為：
4.如權利要求3所述的一種基于物聯網的運輸流程管理方法，其特征在于：所述使用預測結果與實際反饋信息對比是計算預測的準確率、召回率、精確率與目標準確率、召回率以及精確率分別進行對比；
5.如權利要求4所述的一種基于物聯網的運輸流程管理方法，其特征在于所述構建多目標優化模型要將時間效率、成本效率、環境影響、能源消耗以及安全性作為研究對象
6.如權利要求5所述的一種基于物聯網的運輸流程管理方法，其特征在于：所述運輸歷史數據影響多目標優化模型中的時間效率、成本效率、環境影響、能源消耗以及安全性，當車輛出發時間以及到達時間閾值增加時，多目標優化模型中的時間效率參數增加，當運輸路線閾值增加時，成本效率以及能源消耗參數增加，當交通狀況的閾值增加時，時間效率參數減少，能源消耗參數增加，當天氣條件的閾值增加時，時間效率參數減少，能源消耗和安全性參數增加，當貨物種類的閾值增加時，成本效率參數增高，環境影響參數增加，當貨物重量的閾值增加時，能源消耗參數增加，時間效率參數減少。
7.如權利要求6所述的一種基于物聯網的運輸流程管理方法，其特征在于：所述基于優化預測結果，重新規劃路徑優化運輸策略是通過帕累托優化算法以及約束法解的多目標優化模型最優解，作為最優路徑；
8.一種采用如權利要求1～7任一所述的一種基于物聯網的運輸流程管理方法的系統其特征在于：包括數據處理模塊、約束確定模塊、權重分配模塊、優化求解模塊以及路徑輸出模塊；
9.一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至7中任一項所述的一種基于物聯網的運輸流程管理方法的步驟。
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至7中任一項所述一種基于物聯網的運輸流程管理方法的步驟。
...【技術特征摘要】
1.一種基于物聯網的運輸流程管理方法，其特征在于，包括：
2.如權利要求1所述的一種基于物聯網的運輸流程管理方法，其特征在于：所述運輸歷史數據包括車輛的出發時間、到達時間、運輸路線、交通狀況、天氣條件、貨物種類以及貨物重量，將收集到的狀態數據去掉缺失值，異常值，以及錯誤格式的無效數據，把原始格式數據轉換為符合數學模型需求分析的格式將數據歸一化，從捕捉到的原始高維數據中提取關鍵的特征或信息，轉換為低維特征完成數據預處理。
3.如權利要求2所述的一種基于物聯網的運輸流程管理方法，其特征在于：所述預測可能存在的延誤或問題是構建物流網絡圖，對于每個節點，收集其歷史數據并轉化為時間序列特征，構建特征向量表達式為：
4.如權利要求3所述的一種基于物聯網的運輸流程管理方法，其特征在于：所述使用預測結果與實際反饋信息對比是計算預測的準確率、召回率、精確率與目標準確率、召回率以及精確率分別進行對比；
5.如權利要求4所述的一種基于物聯網的運輸流程管理方法，其特征在于所述構建多目標優化模型要將時間效率、成本效率、環境影響、能源消耗以及安全性作為研究對象；
6.如權利要求5所述的一種基于物聯網的運輸流程管理方法，其特征在于：所述運輸歷史數據影響多目標優化模型中的時間效率、成本效率、環境影響...
【專利技術屬性】
技術研發人員：李家林，陳平，廖俊杰，朱俊，張強，
申請(專利權)人：上海安能聚創物流科技有限公司，
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。