Lineage Logistics收购UTI Forwarding,拓展欧洲地区物流产品和服务

~此项收购标志着Lineage进军欧洲货运代理行业,增强了公司通过其全球仓储网络实现高效货物运输的能力~

 

密歇根州诺维--(美国商业资讯)--全球领先的温控工业房地产投资信托(REIT)和物流解决方案提供商Lineage Logistics, LLC(简称“Lineage”或“公司”)今天宣布,计划收购总部位于鹿特丹的知名货运代理公司UTI Forwarding。此项收购标志着Lineage正式进军欧洲货运代理行业,并且能使Lineage通过其遍布全球的仓储网络来促进货物运输的运营协同,进一步加强Lineage的端到端供应链产品和服务。该交易尚须获得市场竞争监管部门的批准,公司将在获得批准后完成交易。

 

UTIForwarding于1961年成立,是一家领先货运代理公司,其总部位于具有战略意义的荷兰鹿特丹,并在波兰格但斯克新开设了办事处。该公司专业从事整装集装箱(“FCL”)货物的进出口业务,可处理温控货物和其他集装箱货物。UTI为400多家客户管理往返全球各大港口的集装箱运输。

 

Lineage国际运营总裁兼网络优化执行副总裁Mike McClendon表示:“我们对收购UTI怀着浓厚的兴趣。双方将一起为共同客户提供一站式解决方案,在集装箱进出口运输中创造更高的效率,我们的仓库也将有助于减少供应链各环节的延迟。UTI拥有一支卓越的管理团队,我们很高兴能与他们合作,向新客户推广双方的产品和服务,并通过技术投资进一步推动业务增长并节约成本。”

 

UTIForwarding首席执行官Peter de Kramer表示:“在与Lineage进行初步接触时,我们就很清楚双方非常契合。两家公司都倡导严谨务实的公司文化,客户群和服务则极为互补。过去一段时间以来,我们公司经历了大幅增长和发展,比预期时间更早达到了某些里程碑。在我们与Lineage接触之前,Nordian Capital帮助我们理清了公司取得的业绩和进一步扩张的雄心。现在,与Lineage的合并将有助于我们在未来为客户提供更优质的服务,并助力UTI实现目标——成为国际集装箱市场上的顶尖公司。”

 

来自Nordian Capital的Perry Bos和CasparMutze补充评论道:“在我们过去几年的合作中,UTI急速发展,现在已经为下一步行动做好了准备。Lineage是UTI梦寐以求的合作伙伴,能够帮助UTI实现其远大发展目标。虽然有多家公司表达了收购意向,但UTI管理层从一开始就坚定地认为,Lineage能够提供最佳机会,帮助UTI向客户推广产品和服务。我们为我们公司与UTI一起取得的成就感到自豪,并相信UTI和Lineage必将拥有更美好的未来。”

 

INGFinancial Services LLC.担任UTI和其前投资方Nordian的财务顾问。Rabobank担任Lineage的财务顾问,NautaDutilh担任Lineage的法律顾问。

 

关于Lineage Logistics

 

LineageLogistics是领先的创新型温控工业房地产投资信托(REIT)和物流解决方案提供商。Lineage拥有端对端物流解决方案专长,并综合了全球不动产网络及技术运用,可促进食品安全,提升配送效率,推进可持续发展,减少环境影响并减少供应链浪费。因此,Lineage帮助从财富500强公司到小型家族企业的各种规模客户提高效率并保护其温控供应链的完整性。自2008年以来,Lineage的冷藏容量已实现每年60%的增长,达到21亿立方英尺,使其成为全球规模首屈一指的温控工业REIT。凭借行业领先的创新,公司在《Fast Company》杂志2019全球创新企业年度榜单上荣膺数据科学企业榜首,同时在该杂志对全球数千家公司的评估中综合排名第23位。

 

关于UTI

 

UTI (uti.nl/en)专长于全球整装集装箱(FCL)货物进出口业务。除了常规和温控集装箱的运输外,UTI还为400多家客户处理清关和公路运输事务。UTI在鹿特丹和波兰设有办事处,无论客户身处何处,都可7天24小时全天候使用UTI及其合作伙伴的全球网络。

 

关于Nordian Capital

 

NordianCapital (nordian.nl)是荷兰一家独立私募股权投资公司,专注于促进并加速所投资公司的增长。自2014年成立以来,Nordian作为关键且负责的投资合作伙伴,为30多家公司做出了贡献。Nordian Capital在战略、融资和并购等领域提供积极主动的支持。Nordian不会取代管理层,而是让企业家做他们最擅长的事情:经营公司。

 

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值