【技术实现步骤摘要】
本专利技术涉及物流领域，具体涉及一种基于数据挖掘的车货智能匹配方法、系统及装置。
技术介绍
1、随着移动互联网的高速发展，推动了物流行业朝着信息化、智能化方向发展。第三方物流信息平台通过整合车辆运力和货源方信息，实现货运车辆与货运需求的高效匹配，从而提高物流效率。在实际中长途整车运输市场中，普遍存在着“车多货少”的现象，而现有第三方物流信息平台解决车货匹配问题的主要方法为主要为基于评价指体系的匹配，但各评价指标的权重具有较大的主观性，缺乏对业务数据的深度挖掘，不能精准匹配货主需求，使得第三方物流平台的车货匹配的针对性和有效性较差、成交率较低，制约着物流平台的发展。
技术实现思路
1、为了解决现有技术存在的上述技术问题，本专利技术提供一种基于数据挖掘的整车运输车货智能匹配方法、系统及存储装置。通过对平台现有业务数据的深度挖掘，分析货源方和车主对不同指标的偏好程度，从而提高车货匹配的针对性和有效性。
2、为实现以上目的，本专利技术通过以下技术方案予以实现：
3、一种基于数据挖掘的整车运输车货智能匹配方法，所述方法由计算机执行，包括以下步骤：
4、s1，获取车货数据，所述数据包括：车源方车辆相关数据以及历史运输数据、货源方的运输需求数据、平台的历史运营业务数据；
5、s2，构建车货匹配指标，所述指标包括：基础匹配指标、业务偏好匹配指标和系统运营匹配指标；
6、s3，基于所述数据，运用机器学习模型学习车源方和货源方对车货匹配指标的
7、s4，基于所述车货匹配指标及权重构建车货匹配目标函数，预设车货匹配模型约束条件，基于所述车货匹配目标和所述约束条件构建车货匹配模型；
8、s5，基于所述车货匹配模型，获取所述车货匹配模型的最优解作为车货匹配结果。
9、优选的，所述s2步骤的车货匹配指标包括：
10、基础匹配指标，主要包括：
11、车货长度匹配率：
12、
13、其中：e1,ij为车辆i对货物j的长度匹配率；lj为货物j的长度；li为车辆i可装载货物的最大长度。
14、车货宽度匹配率：
15、
16、其中：e2,ij为车辆i对货物j的宽度匹配率；wj为货物j长度；wi为车辆i可装载货物的最大宽度。
17、车货高度匹配率：
18、
19、其中：e3,ij为车辆i对货物j的宽度匹配率；hj为货物j长度；hi为车辆i可装载货物的最大高度。
20、车货重量匹配率：
21、
22、其中：e4,ij为车辆i对货物j的重量匹配率；mj为货物j重量；mi为车辆i可装载货物的最大高度。
23、车货体积匹配率：
24、
25、其中：e5,ij为车辆i对货物j的体积匹配率；vj为货物j重量；vi为车辆i可装载货物的最大体积。
26、车货位置匹配率：
27、
28、其中：e6,ij为车辆i对货物的位置匹配率；d为平台预先设定的可匹配车辆的位置与货物位置之间的距离上限；dij为车辆i与货物j的距离。
29、业务偏好匹配指标，主要包括：
30、货物运输类型匹配率：
31、
32、
33、其中：e7,ij为车辆i运输货物类型与货物j的运输类型cj的匹配率；为运输过cj类型货物的车辆集合；n(c′)为运输过c′类型货物的车辆集合；为同时运输过cj类型和c′类型货物的车辆集合；c为平台预设货物类型集合。
34、货物运输线路匹配率：
35、
36、
37、其中：e8,ij为车辆i运输路线与货物j所需运输路线的匹配率；hri车辆i的历史运输线路数；ri,k为车辆i的第k条历史运输线路；rj为货物j所需运输路线；为货物j的始发地-目的地向量；为车辆i的第k条历史运输线路的始发地-目的地向量；为货物j的始发地与车辆i的第k条历史运输线路始发地的距离；为货物j的目的地与车辆i的第k条历史运输线路目的地的距离；为货物j的始发地与车辆i的第k条历史运输线路目的地的距离；为货物j的目的地与车辆i的第k条历史运输线路始发地的距离；sj为货物j所需运输路线的距离；si,k为车辆i的第k条历史运输线路距离；α,β为预先设定系数。
38、货物运价匹配率：
39、
40、其中：e9,ij为车辆i历史运输订单平均运价与货物j报价pj的匹配率。
41、车主信誉度匹配指标：
42、
43、其中：e10,ij为车辆i的车主与货物j的货主信誉度的匹配率；dri为车辆i的车主驾龄；cai为车辆i的车龄；rei为车辆i的车主注册平台时间；gui为车辆i的车主在平台缴纳的保证金；ari为车辆i的历史运输订单事故率；sri为车辆i的历史运输订单投诉率；pri为车辆i的历史运输订单准点率；blj为货物j的货主设置的车主黑名单；为平台预先设定的信誉最大值；-lcr为平台预先设定的匹配值。
44、系统运营匹配指标，主要包括
45、新注册车主鼓励性指标：
46、
47、其中：e11,i为新注册车辆i的车主的鼓励性指标；rei为车辆i的车主注册平台时间；r为预先设定的新注册车辆照顾周期。
48、运单分配公平性指标：
49、
50、其中：e12,ij为货物j分配给车辆i运输的公平性指标；为车辆i历史运单的平均运价；pj为货物j的运价；为平台历史运单的平均运价。
51、根据所述匹配指标，货物j与车辆i的匹配度为：
52、
53、其中：eij为货物j与车辆i的匹配度；in为匹配指标数；en,ij为货物j与车辆i的第n个匹配指标值。
54、在s3步骤中，具体获取指标权重的步骤具体包括：获取平台注册车主和货主的数据以及运营业务数据；根据所述数据梳理车货物理特征、用户标签特征和平台运营业务特征；运用机器学习模型学习车源方和货源方对各指标的偏好，获得各匹配指标的权重。
55、具体地，所获取的数据主要包括：
56、1)车主信息：车主在平台注册的相关信息；
57、2)货主信息：货主在平台注册的相关信息；
58、3)平台运营信息：平台运输货物类别、历史成交运单信息、车主和货主反馈信息等。
59、具体地，特征梳理是根据所述获取的数据集，采用pearson相关系数对数据集属性之间的相关性进行分析筛选出数据特征；
60、具体地，学习车源方和货源方对各指标的偏好是根据所筛选出的数据特征，运用lightgbm机器学习模型得到平台成交运单中车主和货主方各属性特征的重要程度，再根据所述特征的具体含义与逻辑归类到匹配指标下，根据所述特本文档来自技高网...
【技术保护点】
1.一种基于数据挖掘的车货智能匹配方法，其特征在于，所述方法由计算机执行，包括以下步骤：
2.根据权利要求1所述的一种基于数据挖掘的车货智能匹配方法，其特征在于，所述S2步骤的车货匹配指标包括：
3.根据权利要求1所述的一种基于数据挖掘的车货智能匹配方法，其特征在于，在S3步骤中，具体获取指标权重的步骤具体包括：获取平台注册车主和货主的数据以及运营业务数据；根据所述数据梳理车货物理特征、用户标签特征和平台运营业务特征；运用机器学习模型学习车源方和货源方对各指标的偏好，获得各匹配指标的权重；
4.根据权利要求1所述的一种基于数据挖掘的车货智能匹配方法，其特征在于，在S4步骤中，构建所述车货匹配模型的具体步骤为：
5.根据权利要求4所述的一种基于数据挖掘的车货智能匹配方法，其特征在于，所述车货匹配模型的约束条件具体包括：车辆长度与货物长度匹配关系、车辆宽度与货物宽度匹配关系、车辆高度与货物高度匹配关系、车辆载重量与货物重量匹配关系、车辆运载体积与货物体积匹配关系、车辆位置与货物位置距离匹配关系、推荐车辆数约束；
6.根据权利
7.一种整车运输车货智能匹配系统，所述系统包括计算机，所述计算机包括：
8.一种计算机可读存储介质，上述存储介质中存储至少一条指令，至少上述一条指令由处理器加载并执行以实现如权利要求1-6中任意一项权利要求所述的方法。
...【技术特征摘要】
1.一种基于数据挖掘的车货智能匹配方法，其特征在于，所述方法由计算机执行，包括以下步骤：
2.根据权利要求1所述的一种基于数据挖掘的车货智能匹配方法，其特征在于，所述s2步骤的车货匹配指标包括：
3.根据权利要求1所述的一种基于数据挖掘的车货智能匹配方法，其特征在于，在s3步骤中，具体获取指标权重的步骤具体包括：获取平台注册车主和货主的数据以及运营业务数据；根据所述数据梳理车货物理特征、用户标签特征和平台运营业务特征；运用机器学习模型学习车源方和货源方对各指标的偏好，获得各匹配指标的权重；
4.根据权利要求1所述的一种基于数据挖掘的车货智能匹配方法，其特征在于，在s4步骤中，构建所述车货匹配模型的具体步骤为：
5.根据权利要求4所...
【专利技术属性】
技术研发人员：周理昆，李冰茜，
申请(专利权)人：上海运钢网络科技有限公司，
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。