一种基于人工智能的大跨度物流管理系统及方法技术方案

本发明专利技术涉及物流管理技术领域

【技术实现步骤摘要】
一种基于人工智能的大跨度物流管理系统及方法


[0001]本专利技术涉及物流管理
，具体为一种基于人工智能的大跨度物流管理系统及方法
。

技术介绍

[0002]大跨度物流主要体现在三个方面，分别是跨地域
、
跨时间和跨资源；跨地域：能够根据不同的地理位置
、
市场需求
、
运输条件等因素，灵活地调配物流资源，实现物流网络的优化和协同
。
跨时间：能够根据不同的时间段
、
季节
、
节日等因素，合理地安排物流活动的节奏和顺序，实现物流服务的及时和高效
。
跨资源：能够根据不同的物资类型
、
数量
、
质量等因素，合理地利用物流设施
、
设备
、
人员等资源，实现物流成本的降低和效益的提高
。
[0003]随着电商的不断兴起，物流配送也成为了一项重要的业务，在现实中，物流配送选址和运输路径优化的需求非常强烈
。
一方面，随着电商的发展，顾客的需求变得越来越个性化，许多地方的超市和供应商需要及时地配送货物到客户手中，以获得更高的满意度和市场份额
。
另一方面，随着现代物流业越来越发达，物流设施和配送网点的数量也在不断增加，对运输路径的优化更加重要
。
[0004]在现有的技术下，物流行业的发展对运输路径优化即是对物资配送进行路径规划的过程中保证了物流配送的时效性但是缺少了依据物资属性特征在配送的过程中的保护，例如易碎品在配送的过程经过坑洼的路面，会造成车体颠簸，在一定程度上会增加配送物资损坏的概率，从而会造成客户的满意度低，无法实现物流配送的高效率
。

技术实现思路

[0005]本专利技术的目的在于提供一种基于人工智能的大跨度物流管理系统及方法，提供技术手段以解决上述
技术介绍
中提出的问题
。
[0006]为了解决上述技术问题，本专利技术提供如下技术方案：一种基于人工智能的大跨度物流管理方法，所述大跨度物流管理方法具体包括以下步骤：
[0007]S100、
获取当前物资的数据信息，依据所述物流配送物资的数据信息判断物流配送物资的属性特征，并且通过所述物流配送物资的属性特征对物流配送路径进行选择；所述物流配送路径是指针对物流配送物资的属性特征而选择的特定道路，所述当前物资的数据信息包括当前物资的属性特征和当前物资的收货地点；如：针对配送的物资是玻璃等易碎品时，应该选择平坦的道路对易碎品进行配送，确保在配送过程中物资的完整度
。
[0008]S200、
依据物流配送路径针对当前物资的属性特征进行路径规划得到最优配送路线；
[0009]S300、
获取终端后台物流待配送订单的数据信息，依据终端后台物流配送订单的数据信息选取与最优配送路线的匹配度大于预设匹配度阈值的物资进行标识，记被标识的物资为配送候选物资，所述终端后台物流配送订单的数据信息包括属性特征和物资收货地点；
[0010]S400、
依据当前物资属性特征对配送候选物资进行筛选
。
[0011]进一步的，所述
S100
中对物流配送路径进行选择具体方法如下：
[0012]S101、
基于终端后台物流配送物资的历史数据获取配送物资历史属性特征和物资配送路径历史属性特征，利用支撑向量机分类算法对物流配送物资历史属性特征进行分类汇总，并且构建配送物资历史属性特征和物资配送路径历史属性特征之间关联链路得到
Si
→
zi
，
Si
＝
{Si1、Si2、Si3...SiJ}
；其中，
Si
表示为第
i
种配送物资历史属性特征集合，
zi
表示为针对第
i
种配送物资历史属性特征集合的配送路径历史属性特征，
i
＝
1、2、3...I
，
I
为常数，
j
＝
1、2、3...J
，
J
表示为配送物资历史属性特征集合中元素的数量；其中物资配送路径的属性特征包括道路平坦
、
道路坑洼等；同一个配送物资存在一个或者多个属性特征，并且这些属性特征并不相斥；
[0013]S102、
获取当前物资的属性特征为
a
，通过配送物资历史属性特征和物资配送路径历史属性特征之间关联链路分析当前物资的属性特征
a
和配送物资历史属性特征的所属关系，得到当前物流配送路径属性特征为
za
，
a∈{1、2、3...I}
，在当前物资进行物流配送的时候针对当前物资的属性特征为了确保物资的完整度应当选择相应的物流配送路径对当前物资进行配送
。
[0014]进一步的，所述
S200
中依据物流配送路径针对当前物资属性特征进行路径规划得到最优配送路线的具体方法如下：
[0015]S201、
通过终端后台物流配送订单查询当前物资的收货地点，并且物流配送物资的历史数据获取所有物流配送路径，将当前物资的收货地点
、
配送起点以及所有物流配送路径映射到电子地图中对当前物资的收货地点和配送起点之间的路线进行遍历，得到配送路线集合为
Un
，
Un
＝
{Un1、Un2、Un3...UnW}
，
w
＝
1、2、3...W
，
W
表示为配送路线集合中元素数量，
Un
表示为第
n
种配送路线的集合，
UnW
表示为第
n
种配送路线集合中第
W
个配送路径，
n
＝
1、2、3...N
，
N
表示为当前物资物流配送路线的数量；
[0016]S202、
通过物流配送物资的历史数据获取所有物流配送路径，并且通过高分辨率的摄像头获取所有物流配送路径的图像，将训练好的卷积神经网络模型对所有物流配送路径的图像进行分类对物流配送路径输出得到集合
Qz
，
Qz
＝
{Qz1、Qz2、Qz3...QzR}
，
Qz
表示为第
z
种物流配送路径，
QzR
表示为第
z
个物流配送路径种类集合中第
R
个路径；
z
＝
1、2、3...Z
，
Z
表示为物流配送路径种类集合的数量，
r
＝
1、2、3...R
，
R
表示为物流配送路径种类集本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于人工智能的大跨度物流管理方法，其特征在于：所述大跨度物流管理方法具体包括以下步骤：
S100、
获取当前物资的数据信息，依据所述物流配送物资的数据信息判断物流配送物资的属性特征，并且通过所述物流配送物资的属性特征对物流配送路径进行选择；所述物流配送路径是指针对物流配送物资的属性特征而选择的特定道路，所述当前物资的数据信息包括当前物资的属性特征和当前物资的收货地点；
S200、
依据物流配送路径针对当前物资的属性特征进行路径规划得到最优配送路线；
S300、
获取终端后台物流待配送订单的数据信息，依据终端后台物流配送订单的数据信息选取与最优配送路线的匹配度大于预设匹配度阈值的物资进行标识，记被标识的物资为配送候选物资，所述终端后台物流配送订单的数据信息包括属性特征和物资收货地点；
S400、
依据当前物资属性特征对配送候选物资进行筛选
。2.
根据权利要求1所述的一种基于人工智能的大跨度物流管理方法，其特征在于：所述
S100
中对物流配送路径进行选择具体方法如下：
S101、
基于终端后台物流配送物资的历史数据获取配送物资历史属性特征和物资配送路径历史属性特征，利用支撑向量机分类算法对物流配送物资历史属性特征进行分类汇总，并且构建配送物资历史属性特征和物资配送路径历史属性特征之间关联链路得到
Si
→
zi
，
Si
＝
{Si1、Si2、Si3...SiJ}
；其中，
Si
表示为第
i
种配送物资历史属性特征集合，
zi
表示为针对第
i
种配送物资历史属性特征集合的配送路径历史属性特征，
i
＝
1、2、3...I
，
I
为常数，
j
＝
1、2、3...J
，
J
表示为配送物资历史属性特征集合中元素的数量；
S102、
获取当前物资的属性特征为
a
，通过配送物资历史属性特征和物资配送路径历史属性特征之间关联链路分析当前物资的属性特征
a
和配送物资历史属性特征的所属关系，得到当前物流配送路径属性特征为
za
，
a∈{1、2、3...I}。3.
根据权利要求2所述的一种基于人工智能的大跨度物流管理方法，其特征在于：所述
S200
中依据物流配送路径针对当前物资属性特征进行路径规划得到最优配送路线的具体方法如下：
S201、
通过终端后台物流配送订单查询当前物资的收货地点，并且物流配送物资的历史数据获取所有物流配送路径，将当前物资的收货地点
、
配送起点以及所有物流配送路径映射到电子地图中对当前物资的收货地点和配送起点之间的路线进行遍历，得到配送路线集合为
Un
，
Un
＝
{Un1、Un2、Un3...UnW}
，
w
＝
1、2、3...W
，
W
表示为配送路线集合中元素数量，
Un
表示为第
n
种配送路线的集合，
UnW
表示为第
n
种配送路线集合中第
W
个配送路径，
n
＝
1、2、3...N
，
N
表示为当前物资物流配送路线的数量；
S202、
通过物流配送物资的历史数据获取所有物流配送路径，并且通过高分辨率的摄像头获取所有物流配送路径的图像，将训练好的卷积神经网络模型对所有物流配送路径的图像进行分类对物流配送路径输出得到集合
Qz
，
Qz
＝
{Qz1、Qz2、Qz3...QzR}
，
Qz
表示为第
z
种物流配送路径，
QzR
表示为第
z
个物流配送路径种类集合中第
R
个路径；
z
＝
1、2、3...Z
，
Z
表示为物流配送路径种类集合的数量，
r
＝
1、2、3...R
，
R
表示为物流配送路径种类集合中元素数量；通过大数据对物流配送路径种类集合的属性特征进行提取，得到与当前物流配送路径属性特征相符的物流配送路径集合为
Qa
’
，
Qa
’
＝
{Qa
’
1、Qa
’
2、Qa
’
3...Qa
’
R}
，
a
’
∈{1、2、3...Z}
；
S203、
将集...

【专利技术属性】
技术研发人员：李强，陈臻，
申请(专利权)人：上海朗晖慧科技术有限公司，
类型：发明
国别省市：