一種基于大數(shù)據(jù)的物流調(diào)度管理系統(tǒng) 技術(shù)領(lǐng)域 [0001] 本發(fā)明涉及調(diào)度管理技術(shù)領(lǐng)域，更具體地涉及一種基于大數(shù)據(jù)的物流調(diào)度管理系統(tǒng)。 背景技術(shù) [0002] 物流調(diào)度管理旨在通過大數(shù)據(jù)分析、人工智能算法和物聯(lián)網(wǎng)技術(shù)，為企業(yè)提供高效、精準(zhǔn)、智能的物流調(diào)度解決方案，物流調(diào)度涉及多個方面，同時物流調(diào)度也受到多方面的影響，政策法規(guī)對物流調(diào)度的影響受到各物流企業(yè)的高度重視；例如，對車輛載重和尺寸的限制，會影響貨物的裝載和運輸方式，需要調(diào)整調(diào)度策略；現(xiàn)有技術(shù)中對物流調(diào)度管理的分析多種多樣，從各個不同角度對物流調(diào)度管理進行優(yōu)化，提升了物流調(diào)度管理的智能化水平。 [0003] 但是現(xiàn)有技術(shù)中缺少基于對政策法規(guī)的分析從而調(diào)整相應(yīng)的物流調(diào)度方案，無法及時對政策法規(guī)進行捕捉分析，會導(dǎo)致物流企業(yè)降低物流運輸效率與物流企業(yè)效益，對物流企業(yè)產(chǎn)生包括成本、效率、安全等多方面的影響，因此及時對政策法規(guī)的變化進行分析，從而采取相應(yīng)的物流調(diào)度方案對提升物流企業(yè)效益十分重要。 發(fā)明內(nèi)容 [0004] 為了克服現(xiàn)有技術(shù)的上述缺陷，本發(fā)明提供了一種基于大數(shù)據(jù)的物流調(diào)度管理系統(tǒng)，以解決上述背景技術(shù)中存在的問題。 [0005] 本發(fā)明提供如下技術(shù)方案：一種基于大數(shù)據(jù)的物流調(diào)度管理系統(tǒng)，包括數(shù)據(jù)采集模塊、數(shù)據(jù)歸類模塊、方案初篩模塊、方案推優(yōu)模塊以及智能管控模塊； [0006] 所述數(shù)據(jù)采集模塊用于預(yù)先采集各類歷史物流數(shù)據(jù)集與實時采集實時物流數(shù)據(jù)集； [0007] 所述數(shù)據(jù)歸類模塊用于對預(yù)先采集的各類歷史物流數(shù)據(jù)集進行數(shù)據(jù)分類，將其分為N個數(shù)據(jù)簇；并對實時采集的實時物流數(shù)據(jù)集內(nèi)的n個文本數(shù)據(jù)分別進行歸類，獲取標(biāo)記數(shù)據(jù)類別； [0008] 所述方案初篩模塊用于對原始物流調(diào)度內(nèi)容進行可行性匹配，并形成備選調(diào)度方案集； [0009] 所述方案推優(yōu)模塊用于通過結(jié)合優(yōu)化算法從備選調(diào)度方案集中獲取最佳物流調(diào)度方案； [0010] 所述智能管控模塊用于執(zhí)行最佳物流調(diào)度方案并對物流調(diào)度過程進行智能化管理與控制。 [0011] 優(yōu)選的，所述數(shù)據(jù)類別為物流調(diào)度過程中涉及的物流數(shù)據(jù)的種類，包括車輛、路線、貨物以及人員配置； [0012] 所述可行性匹配具體為將原始物流調(diào)度方案集的調(diào)度內(nèi)容數(shù)據(jù)與實時物流數(shù)據(jù)集內(nèi)的文本內(nèi)容數(shù)據(jù)進行匹配，并基于匹配的結(jié)果獲取滿足條件的備選調(diào)度方案集。 [0013] 優(yōu)選的，所述N個數(shù)據(jù)簇的獲取方式具體為： [0014] 對歷史物流數(shù)據(jù)集與實時物流數(shù)據(jù)集內(nèi)的數(shù)據(jù)設(shè)置數(shù)字標(biāo)簽進行標(biāo)記； [0015] 基于歷史物流數(shù)據(jù)集中的文本數(shù)據(jù)特征，構(gòu)建內(nèi)容相似度矩陣U， ，其中，comm(x,y)表示數(shù)字標(biāo)簽為x的文本數(shù)據(jù)與數(shù)字標(biāo)簽為y的文 本數(shù)據(jù)之間的內(nèi)容相似度；公式表示為： ； [0016] 其中，k1為權(quán)重參數(shù)，zx為數(shù)字標(biāo)簽為x的文本數(shù)據(jù)的特征向量，zy為數(shù)字標(biāo)簽為y的文本數(shù)據(jù)的特征向量；cov(zx,zy)為zx與zy的協(xié)方差，σ(zx)為zx的標(biāo)準(zhǔn)差，σ(zy)為zy的標(biāo)準(zhǔn)差； [0017] 基于內(nèi)容相似度矩陣，對歷史物流數(shù)據(jù)集內(nèi)的數(shù)據(jù)進行聚類；將每個文本數(shù)據(jù)看作一個單獨的小類簇，共有Q個小類簇，Q為歷史物流數(shù)據(jù)集內(nèi)的文本數(shù)據(jù)總數(shù)；基于內(nèi)容相似度矩陣計算每兩個小類簇之間的引力值；預(yù)設(shè)合并閾值b，用于控制類簇合并，將小類簇進行迭代合并，在每次迭代中，找到具有最大引力值的兩個小類簇q1和q2； [0018] 若q1和q2之間的引力值大于合并閾值b，則將q1和q2合并為一個新類簇q，重新計算新類簇q與其他所有小類簇之間的引力值；否則不進行迭代合并；重復(fù)執(zhí)行直至沒有任何兩個小類簇之間的引力值大于合并閾值b，此時得到N個新類簇，即N個數(shù)據(jù)簇。 [0019] 優(yōu)選的，所述引力值的計算公式表示為： ；其中Y (q1,q2)為q1與q2之間的引力值，G為引力常數(shù)，c1為小類簇q1中的文本數(shù)據(jù)數(shù)量，c2為小類簇q2中的文本數(shù)據(jù)數(shù)量，Dis(q1,q2)為小類簇q1與q2的距離；即兩個小類簇中所有文本數(shù)據(jù)對之間距離的平均值；ω為一個超參數(shù)，σ(q1)為小類簇q1中文本數(shù)據(jù)的特征向量的標(biāo)準(zhǔn)差，σ(q2)為小類簇q2中文本數(shù)據(jù)的特征向量的標(biāo)準(zhǔn)差，μ(q1)為小類簇q1中文本數(shù)據(jù)的特征向量的均值，μ(q2)為小類簇q2中文本數(shù)據(jù)的特征向量的均值。 [0020] 優(yōu)選的，所述標(biāo)記數(shù)據(jù)類別的獲取方式為： [0021] 將實時采集的實時物流數(shù)據(jù)集內(nèi)的n個文本數(shù)據(jù)分別與N個數(shù)據(jù)簇依次進行引力值計算，將第i個文本數(shù)據(jù)與N個數(shù)據(jù)簇引力值按從大到小進行排列，選取引力值最大值所對應(yīng)的數(shù)據(jù)簇作為第i個文本數(shù)據(jù)的數(shù)據(jù)類別，并將對數(shù)據(jù)類別進行標(biāo)記得到m個標(biāo)記數(shù)據(jù)類別，每個標(biāo)記數(shù)據(jù)類別可對應(yīng)多個實時物流數(shù)據(jù)集內(nèi)的文本數(shù)據(jù)；i=1、2、3、…、n；同時將第i個文本數(shù)據(jù)歸類至該數(shù)據(jù)類別； ，其中，Y

1.一種基于大數(shù)據(jù)的物流調(diào)度管理系統(tǒng)，其特征在于：包括數(shù)據(jù)采集模塊、數(shù)據(jù)歸類模塊、方案初篩模塊、方案推優(yōu)模塊以及智能管控模塊； 所述數(shù)據(jù)采集模塊用于預(yù)先采集各類歷史物流數(shù)據(jù)集與實時采集實時物流數(shù)據(jù)集； 所述數(shù)據(jù)歸類模塊用于對預(yù)先采集的各類歷史物流數(shù)據(jù)集進行數(shù)據(jù)分類，將其分為N個數(shù)據(jù)簇；并對實時采集的實時物流數(shù)據(jù)集內(nèi)的n個文本數(shù)據(jù)分別進行歸類，獲取標(biāo)記數(shù)據(jù)類別； 所述方案初篩模塊用于對原始物流調(diào)度內(nèi)容進行可行性匹配，并形成備選調(diào)度方案集； 所述方案推優(yōu)模塊用于通過結(jié)合優(yōu)化算法從備選調(diào)度方案集中獲取最佳物流調(diào)度方案； 所述智能管控模塊用于執(zhí)行最佳物流調(diào)度方案并對物流調(diào)度過程進行智能化管理與控制； 所述數(shù)據(jù)類別為物流調(diào)度過程中涉及的物流數(shù)據(jù)的種類，包括車輛、路線、貨物以及人員配置； 所述可行性匹配具體為將原始物流調(diào)度方案集的調(diào)度內(nèi)容數(shù)據(jù)與實時物流數(shù)據(jù)集內(nèi)的文本內(nèi)容數(shù)據(jù)進行匹配，并基于匹配的結(jié)果獲取滿足條件的備選調(diào)度方案集； 所述N個數(shù)據(jù)簇的獲取方式具體為： 對歷史物流數(shù)據(jù)集與實時物流數(shù)據(jù)集內(nèi)的數(shù)據(jù)設(shè)置數(shù)字標(biāo)簽進行標(biāo)記； 基于歷史物流數(shù)據(jù)集中的文本數(shù)據(jù)特征，構(gòu)建內(nèi)容相似度矩陣U， ，其 中，comm(x,y)表示數(shù)字標(biāo)簽為x的文本數(shù)據(jù)與數(shù)字標(biāo)簽為y的文本數(shù)據(jù)之間的內(nèi)容相似度； 公式表示為： ； 其中，k1為權(quán)重參數(shù)，zx為數(shù)字標(biāo)簽為x的文本數(shù)據(jù)的特征向量，zy為數(shù)字標(biāo)簽為y的文本數(shù)據(jù)的特征向量；cov(zx,zy)為zx與zy的協(xié)方差，σ(zx)為zx的標(biāo)準(zhǔn)差，σ(zy)為zy的標(biāo)準(zhǔn)差； 基于內(nèi)容相似度矩陣，對歷史物流數(shù)據(jù)集內(nèi)的數(shù)據(jù)進行聚類；將每個文本數(shù)據(jù)看作一個單獨的小類簇，共有Q個小類簇，Q為歷史物流數(shù)據(jù)集內(nèi)的文本數(shù)據(jù)總數(shù)；基于內(nèi)容相似度矩陣計算每兩個小類簇之間的引力值；預(yù)設(shè)合并閾值b，用于控制類簇合并，將小類簇進行迭代合并，在每次迭代中，找到具有最大引力值的兩個小類簇q1和q2； 若q1和q2之間的引力值大于合并閾值b，則將q1和q2合并為一個新類簇q，重新計算新類簇q與其他所有小類簇之間的引力值；否則不進行迭代合并；重復(fù)執(zhí)行直至沒有任何兩個小類簇之間的引力值大于合并閾值b，此時得到N個新類簇，即N個數(shù)據(jù)簇； 所述引力值的計算公式表示為： ；其中Y(q1,q2)為q1