本發(fā)明涉及物流運輸管理，尤其涉及大數(shù)據(jù)驅(qū)動的物流軌跡智能預測與路徑優(yōu)化系統(tǒng)及方法。

背景技術(shù)：

1、隨著信息技術(shù)的飛速發(fā)展，大數(shù)據(jù)技術(shù)在各行各業(yè)中的應(yīng)用日益廣泛，特別是在物流領(lǐng)域，大數(shù)據(jù)技術(shù)的發(fā)展推動了物流行業(yè)的智能化和高效化，加速了物流軌跡預測的發(fā)展進程。

2、隨著云計算、物聯(lián)網(wǎng)和人工智能等先進技術(shù)的不斷發(fā)展，大數(shù)據(jù)技術(shù)能夠更好地處理海量數(shù)據(jù)，并實現(xiàn)快速分析和決策，其已經(jīng)從單一環(huán)節(jié)擴展到整個供應(yīng)鏈，通過集成多個物流環(huán)節(jié)的信息，可以提供更加全面和準確的數(shù)據(jù)支持，幫助企業(yè)優(yōu)化運營并提高效率。通過大數(shù)據(jù)技術(shù)，企業(yè)可以將大量數(shù)據(jù)轉(zhuǎn)化為有價值的信息，以指導決策和改善業(yè)務(wù)流程。這種數(shù)字化轉(zhuǎn)型不僅有助于提升企業(yè)的競爭力，幫助企業(yè)實現(xiàn)更高效、更靈活的資源配置和運輸管理，還可以為客戶提供更好的服務(wù)體驗。

3、現(xiàn)有的軌跡預測方法在處理海量軌跡數(shù)據(jù)集時，計算量急劇增加，執(zhí)行效率較低。當前的數(shù)據(jù)處理技術(shù)往往無法高效分析物流軌跡數(shù)據(jù)，挖掘其中的物流運輸規(guī)律、軌跡信息等，提供關(guān)鍵的輔助決策幫助。并且現(xiàn)有的物流軌跡預測優(yōu)化方法通常難以同時兼顧實時性和準確性，無法滿足物流行業(yè)對快速響應(yīng)的需求。

4、因此，有必要提供大數(shù)據(jù)驅(qū)動的物流軌跡智能預測與路徑優(yōu)化系統(tǒng)及方法解決上述技術(shù)問題。

技術(shù)實現(xiàn)思路

1、為解決上述技術(shù)問題，本發(fā)明提供大數(shù)據(jù)驅(qū)動的物流軌跡智能預測與路徑優(yōu)化系統(tǒng)及方法用于解決現(xiàn)有的軌跡預測方法在處理海量軌跡數(shù)據(jù)集時，計算量急劇增加，執(zhí)行效率較低，并且其無法高效分析物流軌跡數(shù)據(jù)，挖掘其中的物流運輸規(guī)律、軌跡信息等，提供關(guān)鍵的輔助決策幫助，此外，其難以同時兼顧物流軌跡預測優(yōu)化的實時性和準確性，無法滿足物流行業(yè)對快速響應(yīng)需求的問題。

2、本發(fā)明提供的大數(shù)據(jù)驅(qū)動的物流軌跡智能預測與路徑優(yōu)化系統(tǒng)，所述系統(tǒng)包括：

3、數(shù)據(jù)采集模塊，用于采集歷史物流軌跡數(shù)據(jù)，并且所述歷史物流軌跡數(shù)據(jù)包括運輸物流軌跡數(shù)據(jù)、實時交通信息和天氣條件數(shù)據(jù)；

4、數(shù)據(jù)預處理模塊，用于對所述歷史物流軌跡數(shù)據(jù)進行預處理操作，生成對應(yīng)的目標物流軌跡數(shù)據(jù)；

5、模型構(gòu)建模塊，用于基于大數(shù)據(jù)技術(shù)和機器學習算法，對所述目標物流軌跡數(shù)據(jù)進行訓練及驗證，構(gòu)建對應(yīng)的物流軌跡預測模型；

6、軌跡預測模塊，用于獲取實時物流數(shù)據(jù)并輸入至所述物流軌跡預測模型，得到對應(yīng)的軌跡預測結(jié)果；

7、優(yōu)化決策模塊，用于根據(jù)所述軌跡預測結(jié)果，結(jié)合物流運輸需求，建立對應(yīng)的物流軌跡優(yōu)化模型，求解所述物流軌跡優(yōu)化模型得到最優(yōu)物流運輸路徑和調(diào)度方案。

8、優(yōu)選的，所述運輸物流軌跡數(shù)據(jù)包括車輛行駛路徑、車輛行駛時間和運輸貨物類型；所述實時交通信息包括道路擁堵情況和交通管制信息；所述天氣條件數(shù)據(jù)包括降雨變化、降雪變化和風力情況。

9、優(yōu)選的，所述數(shù)據(jù)預處理模塊，用于對所述歷史物流軌跡數(shù)據(jù)進行預處理操作，生成對應(yīng)的目標物流軌跡數(shù)據(jù)，具體包括：

10、清洗單元，用于識別并刪除所述歷史物流軌跡數(shù)據(jù)中重復、無效和異常的數(shù)據(jù)記錄，生成對應(yīng)的第一物流軌跡數(shù)據(jù)；

11、整合單元，用于對來自不同數(shù)據(jù)源的所述第一物流軌跡數(shù)據(jù)進行整合，形成統(tǒng)一的第二物流軌跡數(shù)據(jù)；

12、標準化單元，用于對所述第二物流軌跡數(shù)據(jù)進行標準化處理，包括日期格式統(tǒng)一和數(shù)值范圍標準化，生成所述目標物流軌跡數(shù)據(jù)。

13、優(yōu)選的，所述模型構(gòu)建模塊，用于基于大數(shù)據(jù)技術(shù)和機器學習算法，對所述目標物流軌跡數(shù)據(jù)進行訓練及驗證，構(gòu)建對應(yīng)的物流軌跡預測模型，具體包括：

14、將所述目標物流軌跡數(shù)據(jù)劃分為訓練物流軌跡數(shù)據(jù)和驗證物流軌跡數(shù)據(jù)；

15、基于所述訓練物流軌跡數(shù)據(jù)，采用機器學習算法構(gòu)建所述物流軌跡預測模型；

16、提取所述目標物流軌跡數(shù)據(jù)對應(yīng)的目標物流軌跡特征，并將所述目標物流軌跡特征作為所述物流軌跡預測模型對應(yīng)的輸出層神經(jīng)元的輸入，所述輸出層神經(jīng)元的輸入的計算公式為：

17、

18、式中，表示第層神經(jīng)元的輸入，即輸出層神經(jīng)元的輸入；表示第層神經(jīng)元的權(quán)重矩陣，即輸出層神經(jīng)元的權(quán)重矩陣；表示第層神經(jīng)元的輸入，即輸出層的前一層神經(jīng)元的激活值；表示第層神經(jīng)元的偏置向量，即輸出層神經(jīng)元的偏置向量；

19、對應(yīng)的所述輸出層神經(jīng)元的激活值為：

20、

21、式中，表示第層神經(jīng)元的激活值，即輸出層神經(jīng)元的激活值；表示物流軌跡預測模型對應(yīng)的激活函數(shù)；表示第層神經(jīng)元的輸入，即輸出層神經(jīng)元的輸入。

22、優(yōu)選的，獲取所述訓練物流軌跡數(shù)據(jù)中的實際訓練軌跡數(shù)據(jù)，根據(jù)所述輸出層神經(jīng)元的激活值確定對應(yīng)的預測訓練軌跡數(shù)據(jù)，基于所述實際訓練軌跡數(shù)據(jù)和預測訓練軌跡數(shù)據(jù)，計算所述物流軌跡預測模型對應(yīng)的損失函數(shù)：

23、

24、式中，表示物流軌跡預測模型對應(yīng)的損失函數(shù)；表示實際訓練軌跡數(shù)據(jù)和預測訓練軌跡數(shù)據(jù)對應(yīng)的數(shù)據(jù)組的數(shù)量；表示第個實際訓練軌跡數(shù)據(jù)；表示第個預測訓練軌跡數(shù)據(jù)；∑表示求和符號；

25、基于梯度下降法更新所述物流軌跡預測模型對應(yīng)的輸出層神經(jīng)元的權(quán)重矩陣和偏置向量，更新后的輸出層神經(jīng)元的權(quán)重矩陣為：

26、

27、式中，表示更新后的第層神經(jīng)元的權(quán)重矩陣，即更新后的輸出層神經(jīng)元的權(quán)重矩陣；表示第層神經(jīng)元的權(quán)重矩陣，即輸出層神經(jīng)元的權(quán)重矩陣；表示物流軌跡預測模型對應(yīng)的學習率；表示物流軌跡預測模型對應(yīng)的損失函數(shù)；表示物流軌跡預測模型對應(yīng)的損失函數(shù)對輸出層神經(jīng)元的權(quán)重矩陣的偏導數(shù)；

28、更新后的輸出層神經(jīng)元的偏置向量為：

29、

30、式中，表示更新后的第層神經(jīng)元的偏置向量，即更新后的輸出層神經(jīng)元的偏置向量；表示第層神經(jīng)元的偏置向量，即輸出層神經(jīng)元的偏置向量；表示物流軌跡預測模型對應(yīng)的學習率；表示物流軌跡預測模型對應(yīng)的損失函數(shù)；表示物流軌跡預測模型對應(yīng)的損失函數(shù)對輸出層神經(jīng)元的偏置向量的偏導數(shù)。

31、優(yōu)選的，在得到所述物流軌跡預測模型之后，基于所述驗證物流軌跡數(shù)據(jù)評估所述物流軌跡預測模型的預測效果，并根據(jù)所述預測效果對所述物流軌跡預測模型進行調(diào)整，具體包括：

32、獲取預設(shè)軌跡相似度閾值，若所述驗證物流軌跡數(shù)據(jù)中的實際驗證軌跡數(shù)據(jù)與對應(yīng)的預測驗證軌跡數(shù)據(jù)的相似度大于等于所述預設(shè)軌跡相似度閾值，則將所述驗證物流軌跡數(shù)據(jù)作為正樣本；否則，若所述驗證物流軌跡數(shù)據(jù)中的實際驗證軌跡數(shù)據(jù)與對應(yīng)的預測驗證軌跡數(shù)據(jù)的相似度小于所述預設(shè)軌跡相似度閾值，則將所述驗證物流軌跡數(shù)據(jù)作為負樣本；

33、確定所述驗證物流軌跡數(shù)據(jù)對應(yīng)的混淆矩陣，所述混淆矩陣的元素包括真正例、假正例、真反例和假反例，所述真正例為正確預測為正樣本；所述假正例為錯誤預測為正樣本；所述真反例為正確預測為負樣本；所述假反例為錯誤預測為負樣本；

34、基于所述混淆矩陣，計算得到所述物流軌跡預測模型對應(yīng)的預測指標，其中，所述預測指標包括準確率、精確率、召回率、f1分數(shù)和假正率；

35、所述準確率的計算公式為：

36、

37、式中，表示物流軌跡預測模型對應(yīng)的準確率；表示真正例，即正確預測為正樣本；表示真反例，即正確預測為負樣本；表示假正例，即錯誤預測為正樣本；表示假反例，即錯誤預測為負樣本；

38、所述精確率的計算公式為：

39、

40、式中，表示物流軌跡預測模型對應(yīng)的精確率；表示真正例，即正確預測為正樣本；表示假正例，即錯誤預測為正樣本；

41、所述召回率的計算公式為：

42、

43、式中，表示物流軌跡預測模型對應(yīng)的召回率；表示真正例，即正確預測為正樣本；表示假反例，即錯誤預測為負樣本；

44、所述f1分數(shù)的計算公式為：

45、

46、式中，表示物流軌跡預測模型對應(yīng)的f1分數(shù)；表示物流軌跡預測模型對應(yīng)的精確率；表示物流軌跡預測模型對應(yīng)的召回率；

47、所述假正率的計算公式為：

48、

49、式中，表示物流軌跡預測模型對應(yīng)的假正率；表示假正例，即錯誤預測為正樣本；表示真反例，即正確預測為負樣本；

50、對所述預測指標進行分析，并權(quán)衡所述精確率和召回率，評估所述物流軌跡預測模型的預測效果，并根據(jù)所述預測效果對所述物流軌跡預測模型進行調(diào)整。

51、優(yōu)選的，所述優(yōu)化決策模塊，用于根據(jù)所述軌跡預測結(jié)果，結(jié)合物流運輸需求，建立對應(yīng)的物流軌跡優(yōu)化模型，求解所述物流軌跡優(yōu)化模型得到最優(yōu)物流運輸路徑和調(diào)度方案，具體包括：

52、確定單元，用于根據(jù)所述軌跡預測結(jié)果，結(jié)合所述物流運輸需求，確定對應(yīng)的物流軌跡優(yōu)化目標和約束條件，并且所述物流軌跡優(yōu)化目標即為最小化物流運輸成本；

53、建立單元，用于根據(jù)所述物流軌跡優(yōu)化目標和約束條件，基于線性規(guī)劃方法建立所述物流軌跡優(yōu)化模型；

54、結(jié)果單元，用于基于單純形法，通過迭代、搜索和更新所述物流軌跡優(yōu)化模型對應(yīng)的決策變量，求解所述物流軌跡優(yōu)化模型，得到所述最優(yōu)物流運輸路徑和調(diào)度方案。

55、大數(shù)據(jù)驅(qū)動的物流軌跡智能預測與路徑優(yōu)化方法，所述方法包括：

56、采集歷史物流軌跡數(shù)據(jù)，并且所述歷史物流軌跡數(shù)據(jù)包括運輸物流軌跡數(shù)據(jù)、實時交通信息和天氣條件數(shù)據(jù)；

57、對所述歷史物流軌跡數(shù)據(jù)進行預處理操作，生成對應(yīng)的目標物流軌跡數(shù)據(jù)；

58、基于大數(shù)據(jù)技術(shù)和機器學習算法，對所述目標物流軌跡數(shù)據(jù)進行訓練及驗證，構(gòu)建對應(yīng)的物流軌跡預測模型；

59、獲取實時物流數(shù)據(jù)并輸入至所述物流軌跡預測模型，得到對應(yīng)的軌跡預測結(jié)果；

60、根據(jù)所述軌跡預測結(jié)果，結(jié)合物流運輸需求，建立對應(yīng)的物流軌跡優(yōu)化模型，求解所述物流軌跡優(yōu)化模型得到最優(yōu)物流運輸路徑和調(diào)度方案。

61、與相關(guān)技術(shù)相比較，本發(fā)明提供的大數(shù)據(jù)驅(qū)動的物流軌跡智能預測與路徑優(yōu)化系統(tǒng)及方法具有如下有益效果：

62、本發(fā)明通過數(shù)據(jù)采集模塊、數(shù)據(jù)預處理模塊、模型構(gòu)建模塊、軌跡預測模塊和優(yōu)化決策模塊，可以采集歷史物流軌跡數(shù)據(jù)，并且歷史物流軌跡數(shù)據(jù)包括運輸物流軌跡數(shù)據(jù)、實時交通信息和天氣條件數(shù)據(jù)；對歷史物流軌跡數(shù)據(jù)進行預處理操作，生成對應(yīng)的目標物流軌跡數(shù)據(jù)；基于大數(shù)據(jù)技術(shù)和機器學習算法，對目標物流軌跡數(shù)據(jù)進行訓練及驗證，構(gòu)建對應(yīng)的物流軌跡預測模型；獲取實時物流數(shù)據(jù)并輸入至物流軌跡預測模型，得到對應(yīng)的軌跡預測結(jié)果；根據(jù)軌跡預測結(jié)果，結(jié)合物流運輸需求，建立對應(yīng)的物流軌跡優(yōu)化模型，求解物流軌跡優(yōu)化模型得到最優(yōu)物流運輸路徑和調(diào)度方案。本發(fā)明通過大數(shù)據(jù)技術(shù)和機器學習算法，可以對物流軌跡進行精準預測，提高預測精度和可靠性；并且可以根據(jù)軌跡預測結(jié)果，結(jié)合多種因素生成最優(yōu)運輸路徑和調(diào)度方案，降低運輸成本，提高運輸效率；同時本發(fā)明的系統(tǒng)能夠?qū)崟r獲取和分析交通信息、天氣條件等數(shù)據(jù)，及時調(diào)整運輸方案，增強對突發(fā)情況的應(yīng)對能力。