一种基于数据挖掘的车货智能匹配方法、系统及装置

技术领域

本发明涉及物流领域，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。

背景技术

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。

发明内容

为了解决现有技术存在的上述技术问题，本发明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。

为实现以上目的，本发明通过以下技术方案予以实现：

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：

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；

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；

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偏好程度，获得指标的权重；

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；

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。

优选的，所述S2步骤的车货匹配指标包括：

基础匹配指标，主要包括：

车货长度匹配率：

其中：e

车货宽度匹配率：

其中：e

车货高度匹配率：

其中：e

车货重量匹配率：

其中：e

车货体积匹配率：

其中：e

车货位置匹配率：

其中：e

业务偏好匹配指标，主要包括：

货物运输类型匹配率：

其中：e

货物运输线路匹配率：

其中：e

货物运价匹配率：

其中：e

车主信誉度匹配指标：

其中：e

系统运营匹配指标，主要包括

新注册车主鼓励性指标：

其中：e

运单分配公平性指标：

其中：e

根据所述匹配指标，货物j与车辆i的匹配度为：

其中：e

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。

具体地，所获取的数据主要包括：

1)车主信息：车主在平台注册的相关信息；

2)货主信息：货主在平台注册的相关信息；

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。

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；

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，根据所述特征中药程度拟合各匹配指标的权重，具体步骤为：

1)根据所述数据集，采用SMOTE过采样对数据进行采样，并根据采样后的数据对LightGBM机器学习模型训练，得到特征重要性数值；

2)根据所述特征的重要性数值除以所有特征重要性数值之和，将匹配指标包括的特征的重要性数值求和得到匹配指标权重值。

在S4步骤中，构建所述车货匹配模型的具体步骤为：

设定给货物j是否给车辆i推荐为χ

基于所述车货匹配指标及权重构建车货匹配目标，以最大化所述匹配指标加权和为车货匹配目标函数：

其中：E

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。

具体的，约束条件为：

l

式(18)表示推荐车辆运载长度大于等于货物长度；

w

式(19)表示推荐车辆运载宽度大于等于货物宽度；

h

式(20)表示推荐车辆运载高度大于等于货物高度；

m

式(21)表示推荐车辆运载重量大于等于货物重量；

v

式(22)表示推荐车辆运载体积大于等于货物体积；

d

式(23)表示推荐车辆位置与获取始发位置的距离不超过平台设定阈值。

式(24)表示推荐车辆车辆数满足平台预设推荐车辆数要求。

其中：χ

在步骤S5中，获取所述车货匹配模型的最优解作为车货匹配结果的具体步骤为：

1)在平台注册车辆中筛选满足约束(18)-(23)的车辆；

2)计算满足所述约束的车辆i与货物j的匹配度e

3)将所计算的匹配度由大到小排序，选取前TopN个车辆作为推荐车辆，即为车货匹配模型的最优解，输出为车货匹配方案。

本发明实施例中还提出一种基于数据挖掘的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：

至少一个存储单元；

至少一个处理单元；

其中，所述至少一个存储单元中存储至少一条指令由所述至少一个处理单元加载并执行以实现以下步骤：

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；

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；

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偏好程度，获取指标权重；

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；

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。

可理解的是，本发明实施例提供上述车货智能匹配系统与上述车货匹配方法相对应。

本发明实施例还提供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上述方法。

本发明提供了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。与现有技术相比，具有以下有益效果：

本发明从整车运输车货匹配平台的角度入手，设计了车货匹配指标体系，并利用数据挖掘技术和机器学习模型对车货匹配平台的历史运单数据进行挖掘分析得出车主和货主对各个匹配指标的偏好程度，即各匹配指标的权重，减少车货匹配指标权重确定的主观性；基于所述车货匹配指标及权重构建车货匹配目标函数，以及基于预设车货匹配平台匹配约束条件构建车货匹配模型。本发明实施例通过所构建的车货匹配模型，能够挖掘精准识别每个用户的偏好，为每个货主精准推荐多个车源，有利于提高车货匹配的效率，提高车货匹配平台的成交率，提升车主和货主双方的满意度与用户粘性。

附图说明

图1为本发明的流程图。

具体实施方式

下面对本发明实施例的实现过程进行详细说明：

在步骤S1中，获取车货数据，具体地，所述数据包括：车源方在平台注册相关数据、车源方历史订单数据、货源方相关数据、平台运营相关数据；

其中，上述车源方平台注册数据为：

SRE

其中：dr

其中，上述车源方历史订单数据为：

HOD

其中：HOD

ar

其中，上述货源方相关数据为：

FS

其中：ag

其中，上述平台方运营相关数据为：

其中：

在步骤S2中，具体为：

基础匹配指标，主要包括：

车货长度匹配率：

其中：e

车货宽度匹配率：

其中：e

车货高度匹配率：

其中：e

车货重量匹配率：

其中：e

车货体积匹配率：

其中：e

车货位置匹配率：

其中：e

业务偏好匹配指标，主要包括：

货物运输类型匹配率：

其中：e

货物运输线路匹配率：

其中：e

货物运价匹配率：

其中：e

车主信誉度匹配指标：

其中：e

系统运营匹配指标，主要包括

新注册车主鼓励性指标：

其中：e

运单分配公平性指标：

其中：e

根据所述匹配指标，货物j与车辆i的匹配度为：

其中：e

在步骤S3中，基于步骤S2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偏好程度，获取指标权重,具体步骤如下：

1)基于所述数据集的属性集，采用Pearson相关系数对属性进行相关性分析，计算公式为

2)对强相关性的属性进行交叉特征构建，对同类属性采用FM模型进行特征交叉构造新的特征；

3)基于相关性较低的属性及新构造的特征形成模型输入数据；

4)基于SMOTE过采样方法对上述数据进行采样形成新的数据集；

5)基于上述数据集训练LightGBM模型获得特征重要性数值；

6)根据所述特征的重要性数值除以所有特征重要性数值之和，将匹配指标包括的特征的重要性数值求和得到匹配指标权重值。

在步骤S4中，具体为：

设定给货物j是否给车辆i推荐为χ

基于所述车货匹配指标及权重构建车货匹配目标，以最大化所述匹配指标加权和为车货匹配目标函数：

其中：E

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。

具体的，约束条件为：

l

式(42)表示推荐车辆运载长度大于等于货物长度；

w

式(43)表示推荐车辆运载宽度大于等于货物宽度；

h

式(44)表示推荐车辆运载高度大于等于货物高度；

m

式(45)表示推荐车辆运载重量大于等于货物重量；

v

式(46)表示推荐车辆运载体积大于等于货物体积；

d

式(47)表示推荐车辆位置与获取始发位置的距离不超过平台设定阈值。

式(48)表示推荐车辆车辆数满足平台预设推荐车辆数要求。

其中：χ

在步骤S5中，获取所述车货匹配模型的最优解作为车货匹配结果的具体步骤为：

4)在平台注册车辆中筛选满足约束(42)-(47)的车辆；

5)计算满足所述约束的车辆i与货物j的匹配度e

6)将所计算的匹配度由大到小排序，选取前TopN个车辆作为推荐车辆，即为车货匹配模型的最优解，输出为车货匹配方案。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。