System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及供应链管理,具体是人工智能+物联网技术实现的智能供应链管理系统及方法。
技术介绍
1、在传统的商品供应链管理中,运输过程中的环境因素对商品质量的影响是一个长期困扰行业的难题。特别是在涉及温度、湿度等敏感商品的运输中,由于无法有效应对不同环境条件的变化,常常导致商品在运输过程中发生质量降低、腐坏等问题。这些问题不仅影响了商品的市场价值,也给供应链管理者带来了巨大的经济损失和品牌声誉风险。
2、随着物联网技术的发展,目前可以通过在储存空间内安装一些传感器以远程监控和远程控制储存空间内的温度和湿度等环境因素,然而这些联网的传感器往往只能实现采集数据的作用,而无法基于采集到的数据来提供温度和湿度的控制建议,从而导致其仅具有控制功能,而无控制的目标;
3、授权公告号为cn116823068b的中国专利公开了一种餐饮食品供应链管理系统,属于数据处理
,包括食品储存节点匹配单元、食品供应标签生成单元和食品供应标签解析单元;食品储存节点匹配单元用于获取食品的生产信息,并根据食品的生产信息匹配对应的储存节点;食品供应标签生成单元用于获取食品在储存节点的储存信息,生成对应的食品供应标签;食品供应标签解析单元用于对食品供应标签进行解析,剔除食品供应标签异常的食品,然而该方法未能解决如何通过控制储存环境来降低变质比例的问题。
4、为此,本专利技术提出人工智能+物联网技术实现的智能供应链管理系统及方法。
技术实现思路
1、本专利技术旨在至少解决现有技术
2、为实现上述目的,提出人工智能+物联网技术实现的智能供应链管理方法,包括以下步骤:
3、步骤一:预先收集可变特征样本数据、可控特征样本数据和变质比例标签样本数据;
4、步骤二:以可变特征样本数据和可控特征样本数据为输入,以变质比例标签样本数据为输出,训练预测商品运输过程中变质比例的变质比例预测模型;
5、步骤三:对于每一批待运输商品,收集可变特征数据,基于可变特征数据和变质比例预测模型,生成该待运输商品的建议可控特征数据;
6、步骤四:使用建议可控特征数据对待运输商品进行运输,并实时收集调控条件数据;
7、步骤五:基于调控条件数据,判断是否需要对建议可控特征数据进行调整,若需要进行调整,则使用actor-critic网络模型通过物联网对建议可控特征数据进行调整;否则,不做处理;
8、所述预先收集可变特征样本数据、可控特征样本数据和变质比例标签样本数据的方式为:
9、预先选择n段测试运输路线,并在每段测试运输路线中,对商品采用不同的可控特征参数值进行运输,收集每次运输过程中的可控特征参数值作为一组可控特征集合,所有可控特征集合组成可控特征样本数据;并收集每次运输过程中的可变特征参数值,以及每次运输完成后,商品的变质比例标签;每次运输过程中的可变特征参数值组成一组可变特征集合,所有可变特征集合组成可变特征样本数据,所有变质比例标签组成变质比例标签样本数据;其中,n为选择的测试运输路线的数量;
10、所述可控特征为在对商品进行运输过程中,能够远程自动控制调节的特征;
11、述可变特征是指针对不同的运输道路而有所变化的特征;
12、所述商品的变质比例标签为在运输完成后,变质的商品数量占该次运输的商品总量的比值;
13、所述训练预测商品运输过程中变质比例的变质比例预测模型的方式为:
14、将每条测试运输路线每次运输商品生成的可控特征集合和可变特征集合组成一组变质比例特征向量;
15、将每组变质比例特征向量作为变质比例预测模型的输入,所述变质比例预测模型以对变质比例特征向量对应的该次运输的变质比例的预测值作为输出,以变质比例特征向量对应的该次运输的变质比例标签作为预测目标,以变质比例的预测值和变质比例标签之间的差值作为预测误差,以最小化预测误差之和作为训练目标;对变质比例预测模型进行训练,直至预测误差之和达到收敛时停止训练;变质比例预测模型为多项式回归模型;
16、所述对于每一批待运输商品,收集可变特征数据的方式为:
17、收集待运输商品的预期运输路线;
18、收集过去每次在该预期运输路线上运输时的各项可变特征的参数值作为该可变特征的历史参数值;
19、对于每项可变特征,计算对应的所有历史参数值的平均值作为该可变特征的预期参数值;
20、所有预期参数值组成可变特征数据;
21、所述生成该待运输商品的建议可控特征数据的方式为:
22、将训练完成后的变质比例预测模型所对应的函数表达式标记为h(b,k),其中,b代表可变特征的常量集合,k代表可控特征的变量集合;
23、将可变特征数据标记为b0,使用求导法或梯度下降算法求解使函数h(b0,k)达到最小值时对应的各个可控特征的参数值,求解出的各个可控特征的参数值组成建议可控特征数据;
24、所述实时收集调控条件数据的方式为:
25、在对待运输商品进行运输过程中,通过振动传感器实时收集已行驶路段内的各项可变特征的实际参数值,以及通过变质气体传感器实时收集存储空间内的变质气体的实时浓度;
26、各项可变特征的实际参数值以及变质气体的实时浓度组成调控条件数据;
27、所述判断是否需要对建议可控特征数据进行调整的方式为:
28、为每种可变特征预设异常调控阈值,若存在任意一种可变特征,其实际参数值与预期参数值的差值大于异常调控阈值,或变质气体的实时浓度大于预设的变质气体浓度阈值,则判断为需要对建议可控特征数据进行调整;
29、所述使用actor-critic网络模型通过物联网对建议可控特征数据进行调整的方式为:
30、初始化actor网络和critic网络的网络参数;
31、在每次判断需要进行调整时,执行以下步骤:
32、步骤11:将当前的可控特征的参数值作为当前状态;
33、步骤12:actor网络输出各项可控特征的调整后的参数值;
34、以调整后的各项可控特征的参数值作为下一个状态;
35、步骤13:计算实际的奖励值q;所述实际的奖励值q为每次对可控特征的参数值进行调整后获得的奖励;
36、所述实际的奖励值q的计算方式为:
37、将各项可变特征的实际参数值组成的可变特征的常量集合标记为b1;
38、将调整前的建议可控特征数据标记为k0,将调整后的建议可控特征数据标记为k1;
39、;其中,w1和w2分别为预设的比例系数,c为运输车在调整后和调整前的所需要耗费的单位时间的电力差值;
40、步骤1本文档来自技高网...
【技术保护点】
1.人工智能+物联网技术实现的智能供应链管理方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的人工智能+物联网技术实现的智能供应链管理方法,其特征在于,所述预先收集可变特征样本数据、可控特征样本数据和变质比例标签样本数据的方式为:
3.根据权利要求2所述的人工智能+物联网技术实现的智能供应链管理方法,其特征在于,所述训练预测商品运输过程中变质比例的变质比例预测模型的方式为:
4.根据权利要求3所述的人工智能+物联网技术实现的智能供应链管理方法,其特征在于,所述对于每一批待运输商品,收集可变特征数据的方式为:
5.根据权利要求4所述的人工智能+物联网技术实现的智能供应链管理方法,其特征在于,所述生成该待运输商品的建议可控特征数据的方式为:
6.根据权利要求5所述的人工智能+物联网技术实现的智能供应链管理方法,其特征在于,所述实时收集调控条件数据的方式为:
7.根据权利要求6所述的人工智能+物联网技术实现的智能供应链管理方法,其特征在于,所述判断是否需要对建议可控特征数据进行调整的方式为:
8
9.根据权利要求8所述的人工智能+物联网技术实现的智能供应链管理方法,其特征在于,所述实际的奖励值Q的计算方式为:
10.人工智能+物联网技术实现的智能供应链管理系统,其用于实现权利要求1-9中任意一项所述的人工智能+物联网技术实现的智能供应链管理方法,其特征在于,包括训练数据收集模块、模型训练模块、建议可控特征数据生成模块以及建议可控特征数据调节模块;其中,各个模块之间通过数据交换或接口调用方式进行数据交互;
11.一种电子设备,其特征在于,包括:处理器和存储器,其中:
12.一种计算机可读存储介质,其特征在于,其上存储有可擦写的计算机程序;
...【技术特征摘要】
1.人工智能+物联网技术实现的智能供应链管理方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的人工智能+物联网技术实现的智能供应链管理方法,其特征在于,所述预先收集可变特征样本数据、可控特征样本数据和变质比例标签样本数据的方式为:
3.根据权利要求2所述的人工智能+物联网技术实现的智能供应链管理方法,其特征在于,所述训练预测商品运输过程中变质比例的变质比例预测模型的方式为:
4.根据权利要求3所述的人工智能+物联网技术实现的智能供应链管理方法,其特征在于,所述对于每一批待运输商品,收集可变特征数据的方式为:
5.根据权利要求4所述的人工智能+物联网技术实现的智能供应链管理方法,其特征在于,所述生成该待运输商品的建议可控特征数据的方式为:
6.根据权利要求5所述的人工智能+物联网技术实现的智能供应链管理方法,其特征在于,所述实时收集调控条件数据的方式为:
7.根据权利要求6所述的人工智能+物...
【专利技术属性】
技术研发人员:冯钟灵,李旭,党鑫,席梦男,王志伟,关乃源,梁超,孙光勇,
申请(专利权)人:南京迅集科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。