一种基于物流供应链的协同优化方法技术

本发明专利技术提供一种基于物流供应链的协同优化方法，包括：对供应物流链中的各种物流资源进行标签设定，并构建标签数据库，采集各种物流资源的映射物流信息，基于标签数据库，对映射物流信息进行物流标签解析，基于物流属性库，对映射物流信息进行物流属性获取，采用目标优化算法，对移动的每种物流资源进行动态跟踪监测，最后，对物流标签解析结果、物流属性结果和动态跟踪监测结果进行协同处理，实现对物流链的协同优化。利用物流标签、物流属性和动态跟踪三合一的优化方式，实现对物流供应链的协同优化，且基于目标优化算法进行仓储、配送、转送三者之间的匹配性能，实现对移动的物流资源的精准化监测以及物流资源的最佳运输。

【技术实现步骤摘要】
一种基于物流供应链的协同优化方法
本专利技术涉及物流
，特别涉及一种基于物流供应链的协同优化方法。
技术介绍
物流供应链是一条有机的物流链条，从产品或服务市场需求开始，到满足需求为止的时间范围内所从事的经济活动中所有涉及到的物流活动的部分所形成的链条，并且，随着电子商务交易平台的不断完善，以及传统通信、移动通信等技术的快速发展，越来越多的人们通过网上购物的方式来获取自己所需的商品，商品的种类可以涉及到人们日常生活的方方面面。购买商品之后，在物流传送的工程中，一般常见的如淘宝上的快递路线，只能查看到该商品物流的物流路线以及物流车在该物流路线上的当前位置，但是，该期间由于缺乏监测，或监测不精准，导致存在物流延迟更新以及不能详细的了解该物流路线中其他状况，如物流车的仓储与配送信息、物流车的配送与转动信息、物流车行驶位置偏移、物流车当前行驶过程中发生其他故障等，都是不可知的，因此，本专利技术提出了一种基于物流供应链的协同优化方法。
技术实现思路
本专利技术提供一种基于物流供应链的协同优化方法，用以利用物流标签、物流属性和动态跟踪三合一的优化方式，实现对物流供应链的协同优化，且基于目标优化算法进行仓储、配送、转送三者之间的匹配性能，实现对移动的物流资源的精准化监测。本专利技术提供一种基于物流供应链的协同优化方法，包括：构建各种物流资源的标签数据库；采集各种物流资源的映射物流信息，基于标签数据库，对映射物流信息进行物流标签解析，基于物流属性库，对映射物流信息进行物流属性获取；采用目标优化算法，对移动的每种物流资源进行动态跟踪监测；对物流标签解析结果、物流属性结果和动态跟踪监测结果进行协同处理，实现对物流供应链的协同优化。优选地，构建各种物流资源的标签数据库的步骤包括：构建每种物流资源的资源列表序列和资源列表标识；根据所述资源列表序列和资源列表标识，确定对应物流资源的物流唯一性和资源唯一性；构建每种物流资源的资源树结构，并确定所述资源树结构的额定树容量；根据所述物流唯一性和资源唯一性，对所述额定树容量进行优化，获得优化结果，并基于标签模型，输出所述物流资源的唯一标签；获取每种物流资源的唯一标签，构成标签数据库；其中，所述资源列表序列包括所述物流资源的物流信息；所述资源列表标识包括所述物流资源的资源信息。优选地，采集各种物流资源的映射物流信息，基于标签数据库，对映射物流信息进行物流标签解析的步骤包括：根据历史物流记录平台，爬取每种物流资源的运营信息，所述运营信息包括：与所述物流资源相关的物流设备的转送信息、与所述物流资源相关的物流系统的后台信息；根据所述运营信息构建对应物流资源的映射物流信息；基于所述标签数据库，定位所述映射物流信息的位置信息，并基于所述位置信息挖掘相关的解析引擎；根据所述解析引擎，对所述映射物流信息进行物流标签解析。优选地，基于物流属性库，对映射物流信息进行物流属性获取的步骤包括：对所述物流属性库中的所有预设属性进行粗分类；βi∝f(A1i+A2i)；其中，T表示每个预设属性的属性归类值；αi表示所述预设属性中的第i个序列片段的序列标签值；βi表示所述预设属性中的第i个序列片段的序列权重值；χi表示所述预设属性中的第i个序列片段的标签特征值；f(A1i+A2i)表示所述预设属性中的第i个序列片段的被访问值A1i和加密值A2i的权重函数；将所述属性归类值T按照第一归类区间值进行划分，实现粗分类；确定每个第一归类区间中对应预设属性的特性参数，并根据特性参数提取特性属性，且根据所述特性参数，将所述特性属性配置到相关的第一归类区间，获得第二归类区间；同时，对所述第二归类区间进行细分类，并将分类结果进行记录，获得最终归类区间；获取所述映射物流信息的映射标签，并根据所述映射标签，基于所述最终归类区间自动查找匹配的物流属性。优选地，采用目标优化算法，对移动的每种物流资源进行动态跟踪监测的步骤包括：监测每种物流资源对应的物流车辆在移动过程中，经过不同物流区域时所移动过第一轨迹点的第一时间点t1j、第一位置点s1j和第一初始速度ν1j；基于时间戳，同步记录跟踪所述物流车辆经过不同物流区域时所移动过第二轨迹点的第二时间点t2j、第二位置点s2j和第二初始速度ν2j；将所有第一轨迹点的第一时间点t1j、第一位置点s1j和第一初始速度ν1j输入到轨迹预测模型Η，预测获得不同物流区域的第一移动轨迹S1；将所有第二轨迹点的第二时间点t2j、第二位置点s2j和第二初始速度ν2j输入到轨迹预测模型Η，预测获得不同物流区域的第二移动轨迹S2；S1＝H(t1j,s1j,v1j)；S2＝H(t2j,s2j,v2j)；基于所述第一移动轨迹S1和第二移动轨迹S2，获取每个不同物流区域对应轨迹点的时间差Δtj、每个对应轨迹点的位置距离差ΔSj以及每个对应轨迹点的初始速度差Δvj，进而获取所述物流车辆在不同物流区域的偏差值ΔE；其中，所述第一时间点t1j与第二时间点t2j一一对应、所述第一位置点s1j与所述第二位置点s2j一一对应、所述第一初始速度ν1j与所述第二初始速度ν2j一一对应；M表示在不同物流区域的轨迹点数量；φ1j表示在不同物流区域中第j个第一轨迹点的轨迹角度；φ2j表示在不同物流区域中第j个第二轨迹点的轨迹角度；根据目标优化算法，计算所述物流车辆在所述物流区域与目标仓储和转送点以及所述物流车辆在转送点与配送点之间的匹配性能R；其中，minK表示所述物流车辆在物流区域与L1个目标仓储和L2个转送点之间的最小运输成本值；yk1pk1表示第k1个目标仓储的仓储属性因子；yk2pk2表示第k2个转送点的转送属性因子；maxD表示所述物流车辆在L2个转送点与L3个配送点之间的最大运输效率值；mk3dk3表示配送点的配送属性因子；r(·)表示目标仓储、转送点以及匹配点的匹配性能函数；实时监测每种所述物流资源的资源更换信息；基于所述物流车辆在不同物流区域的偏差值ΔE和所述资源更换信息，对所述匹配性能进行优化处理，并将优化处理结果实时传输到所述物流车辆的车载终端，实现对每种物流资源进行动态跟踪监测。优选地，对物流标签解析结果、物流属性结果和动态跟踪监测结果进行协同处理，实现对物流供应链的协同优化的步骤包括：确定所述物流标签解析结果与物流属性结果的第一关联信息和第一独立信息、物流标签解析结果与动态跟踪监测结果的第二关联信息和第二独立信息、物流属性结果与动态跟踪监测结果的第三关联信息和第三独立信息；导入所述第一关联信息和第一独立信息、第二关联信息和第二独立信息以及第三关联信息和第三独立信息到多目标协同优化模型进行协同优化，获得最佳物流供应链信息，实现物流供应链的协同优化。优选地，在获取不同物流区域的第一移动轨迹S1和第本文档来自技高网...

【技术保护点】
1.一种基于物流供应链的协同优化方法，其特征在于，包括：/n构建各种物流资源的标签数据库；/n采集各种物流资源的映射物流信息，基于标签数据库，对映射物流信息进行物流标签解析，基于物流属性库，对映射物流信息进行物流属性获取；/n采用目标优化算法，对移动的每种物流资源进行动态跟踪监测；/n对物流标签解析结果、物流属性结果和动态跟踪监测结果进行协同处理，实现对物流供应链的协同优化。/n

【技术特征摘要】
1.一种基于物流供应链的协同优化方法，其特征在于，包括：
构建各种物流资源的标签数据库；
采集各种物流资源的映射物流信息，基于标签数据库，对映射物流信息进行物流标签解析，基于物流属性库，对映射物流信息进行物流属性获取；
采用目标优化算法，对移动的每种物流资源进行动态跟踪监测；
对物流标签解析结果、物流属性结果和动态跟踪监测结果进行协同处理，实现对物流供应链的协同优化。


2.如权利要求1所述的协同优化方法，其特征在于，构建各种物流资源的标签数据库的步骤包括：
构建每种物流资源的资源列表序列和资源列表标识；
根据所述资源列表序列和资源列表标识，确定对应物流资源的物流唯一性和资源唯一性；
构建每种物流资源的资源树结构，并确定所述资源树结构的额定树容量；
根据所述物流唯一性和资源唯一性，对所述额定树容量进行优化，获得优化结果，并基于标签模型，输出所述物流资源的唯一标签；
获取每种物流资源的唯一标签，构成标签数据库；
其中，所述资源列表序列包括所述物流资源的物流信息；
所述资源列表标识包括所述物流资源的资源信息。


3.如权利要求1所述的协同优化方法，其特征在于，采集各种物流资源的映射物流信息，基于标签数据库，对映射物流信息进行物流标签解析的步骤包括：
根据历史物流记录平台，爬取每种物流资源的运营信息，所述运营信息包括：与所述物流资源相关的物流设备的转送信息、与所述物流资源相关的物流系统的后台信息；
根据所述运营信息构建对应物流资源的映射物流信息；
基于所述标签数据库，定位所述映射物流信息的位置信息，并基于所述位置信息挖掘相关的解析引擎；
根据所述解析引擎，对所述映射物流信息进行物流标签解析。


4.如权利要求1所述的协同优化方法，其特征在于，基于物流属性库，对映射物流信息进行物流属性获取的步骤包括：
对所述物流属性库中的所有预设属性进行粗分类；



βi∝f(A1i+A2i)；
其中，T表示每个预设属性的属性归类值；αi表示所述预设属性中的第i个序列片段的序列标签值；βi表示所述预设属性中的第i个序列片段的序列权重值；χi表示所述预设属性中的第i个序列片段的标签特征值；f(A1i+A2i)表示所述预设属性中的第i个序列片段的被访问值A1i和加密值A2i的权重函数；
将所述属性归类值T按照第一归类区间值进行划分，实现粗分类；
确定每个第一归类区间中对应预设属性的特性参数，并根据特性参数提取特性属性，且根据所述特性参数，将所述特性属性配置到相关的第一归类区间，获得第二归类区间；
同时，对所述第二归类区间进行细分类，并将分类结果进行记录，获得最终归类区间；
获取所述映射物流信息的映射标签，并根据所述映射标签，基于所述最终归类区间自动查找匹配的物流属性。


5.如权利要求1所述的协同优化方法，其特征在于，采用目标优化算法，对移动的每种物流资源进行动态跟踪监测的步骤包括：
监测每种物流资源对应的物流车辆在移动过程中，经过不同物流区域时所移动过第一轨迹点的第一时间点t1j、第一位置点s1j和第一初始速度ν1j；
基于时间戳，同步记录跟踪所述物流车辆经过不同物流区域时所移动过第二轨迹点的第二时间点t2j、第二位置点s2j和第二初始速度ν2j；
将所有第一轨迹点的第一时间点t1j、第一位置点s1j和第一初始速度ν1j输入到轨迹预测模型Η，预测获得不同物流区域的第一移动轨迹S1；
将所有第二轨迹点的第二时间点t2j、第二位置点s2j和第二初始速度ν2j输入到轨迹预测模型Η，预测获得不同物流区域的第二移动轨迹S2；
S1＝H(t1j,s1j,v1j)；
S2＝H(t2j,s2j,v2j)；

<...

【专利技术属性】
技术研发人员：李勇虎，
申请(专利权)人：深圳市快金数据技术服务有限公司，
类型：发明
国别省市：广东;44