一种用于车货在线配载的智能配对方法

文档序号:8544193阅读:212来源:国知局
一种用于车货在线配载的智能配对方法
【技术领域】
[0001] 本发明设及一种用于车货在线配载的优化智能配对方法,适用于物流电子平台从 多个维度对货主发布的货源信息进行分词,构造车辆信息聚类空间,实现货源和车辆的在 线智能配对,并对匹配车辆进行优化排序,属于智能配对技术领域。
【背景技术】
[0002] 信息技术的不断发展,推动了电子商务与物流行业的深度结合,物流电子商务平 台最大的特点就是实现在线找车和在线找货,然而要在平台海量车辆信息中快速、准确地 找到合适的适配车辆是货主最关屯、的问题。现有物流电子商务平台大多照搬互联网捜索方 法,分词体系的建立也相对不健全,无法客观、充分地反映货主发布的货源信息,对车辆信 息的分类管理也不健全,无法实现快速准确的智能配对;此外大数据是物流电子商务平台 的另一特点,货主发布货源信息后无法在海量的智能配对车辆中做出最优选择。因此,目前 物流电子商务平台需要一种有利于用户快速、精准、客观、合理地选择车辆会员,从而提高 运输效率的有效车货在线配载的智能配对方法。

【发明内容】

[0003] 发明目的;针对现有物流电子商务平台车货智能配对方法中存在的问题与不足, 在交易平台中的所有车辆信息及交易记录数据基础上,本发明提供一种基于分词聚类空间 和多属性决策模型的车货在线配载智能配对方法及优化筛选模型。
[0004] 技术方案;一种基于分词聚类空间和多属性决策模型的车货在线配载智能配对 方法,适用于提供物流交易服务的电子商务平台中对车货进行智能配对。具体包括如下步 骤:
[0005] (1)货源信息发布校检,并对货源信息进行层次分词
[0006] 货主在线发布的货源信息一般必须包括;货物名称,货物类型,货物数量,重量,体 积,车型要求,车长要求,启运地,目的地,装货时候,收货时间等,用从上至下层次分词法对 货源信息进行分词,第一层信息为货物名称,第二层信息为货物类型、货物规格、货运时间 和货运区间,第=层包括保鲜品、易碎品、危险品、常规品等货物类型属性,货物数量、重量、 体积、包装等货物规格属性,装货时间、发车时间、到达时间、收货时间等货运时间属性,启 运地、目的地等货运区间属性。
[0007] (2)平台数据库车辆信息提取,基于货源分词信息构造聚类空间
[000引为确保车辆信息的真实性和安全性,平台录入的注册车辆信息一般包括车牌号, 车辆类型,车厢长宽高,额定载重,购车日期,拖挂轮轴,发动机号,车辆照片等车辆基本信 息,此外车辆可根据实际需要设定空车时间和行驶路线,W便在平台货源库快速寻找可运 货源,提高货运效率。为了实现车货的智能配对,有必要针对货源信息划分车辆聚类空间, 达到快速匹配的目的。基于货源第S层分词信息包括保鲜品、易碎品、危险品、常规品等货 物类型属性,货物数量、重量、体积、包装等货物规格属性,装货时间、发车时间、到达时间、 收货时间等货运时间属性,启运地、目的地等货运区间属性。确定车辆聚类空间子空间包括 车型、载重、车长、发货时间、收货时间、启运地和目的地,聚类空间可W根据货源需求唯一 确定一类车辆,实现智能配对。
[0009] (3)根据货源确定聚类空间浮动区间
[0010] 一条货源信息包括确定的车型需求、载重需求、车长需求、发货时间需求、收货时 间需求、启运地需求和目的地需求系列信息,但大多数车辆是不能同时满足该些精确需求 的,因此某些信息会给定一个波动的可接受范围,比如载重量不小于50吨,收货时间为12 : 00-13:00之间等,车辆条件处于在该些浮动区间内的车辆都是满足货源需求的。浮动区间 的可接受范围可W是货主自己设定也可W是平台根据车辆历史交易数据自动默认设定。
[0011] (4)模糊筛选,确定智能配对车辆方案集
[0012] 根据货源信息和浮动区间,可W确定车辆信息聚类空间每个子空间的需求满足空 间,凡是处于需求满足空间内或需求满足空间边缘的车辆都是满足要求的待选配对方案车 辆,该些车辆构成平台智能配对车辆方案集。
[0013] (5)数据挖掘分析属性选取,确定待选方案车辆属性集
[0014] 参考数据库和行业指标选取本平台需要的待选配对方案车辆的属性,根据待选配 对方案车辆与各属性间的相互关系,对待选配对方案车辆进行智能排序和优化匹配。属性 集:选取车龄、驾龄、运输准时性(准时到达和发车速度)、运输安全性(车辆参与的保障服 务)、承运业务数、货损率和投诉次数走个评价指标作为影响方案的属性。
[0015] (6)属性集标准化处理
[0016] 根据属性对待选配对方案车辆的影响来看,方案的属性有效益型和成本型两类。 效益型属性其属性值越大越好,反之,成本型属性其属性值越小越好。并且各方案属性的量 纲与量纲单位也不一样,因此必须对方案的各属性进行无量纲化处理,效益型属性与成本 型属性的无量纲化处理如下:
[0017]效益型属性处理;bu= (a u-a/in)/(a/ax_a-n)
[001引成本型属性处理;bu=(a/ax-a。)/ (a/ax-a严n)
[0019] 其中,ay是方案i的第j个属性的属性值,b。是au标准化处理后的值,a/ax是第 j个属性Pj的最大值,a/in是P J的最小值。b。£ (0, 1),i= 1,2,. . .,m,j= 1,2,. . .,n, 标准化矩阵B=化u)mx。。
[0020] (7)进行多维分析,构建属性权重多元优化模型
[0021] 考虑到信息反馈的有效性和信息处理的合理性,此处引入多元优化模型,从车辆 交易评价和平台两个不同的维度,综合考量它们对待选配对方案车辆的不同影响,并在大 数据分析的基础上对它们进行数理刻画。车辆交易评价和平台与货主的侧重点不同,因此 对货主信誉的侧重点表现出不同的属性评价值。
[0022] ①多元权重确定
[0023] 为了减小单人偏好和认知局限对结果的影响,平台对所有货主对车辆各指标的历 史评价打分进行加权平均,得出货主对车辆最直观的综合评价打分;为了减小单一维度评 价带来的偏差,此处从另一个维度引入平台决策元---基于平台历史交易数据和交易行为 对待选配对方案车辆进行补充评价打分。然后对打分进行标准化处理得到各属性的权重 值,最后基于数据的完整性和真实性为两个决策元设置合理的重要程度系数。
[0024] 两个维度确定的决策元Tk:k= 1,2 ;其中Ti代表承运人会员决策元,T2代表平台 决策元。
[0025] 两个决策元赋值的属性权重为;wk=(WAWsk,. . .,W"k)T,k= 1,2
[0026] 各决策元的重要程度为;z= (z。Z2)t,其中,Zi+Z2= 1,z0,k= 1,2。
[0027] ②构建一元权重优化模型
[002引考虑到车辆交易评价信息可能带有的主观因素,此处从主观权重确定法角度,综 合大数据挖掘技术,构建属性权重优化模型如下:
【主权项】
1. 一种用于车货在线配载的智能配对方法,其特征在于,具体包括如下步骤: (1) 货源信息发布校检,并对货源信息进行层次分词 (2) 平台数据库车辆信息提取,基于货源分词信息构造聚类空间 (3) 根据货源确定聚类空间浮动区间 (4) 模糊筛选,确定智能配对车辆方案集 (5) 数据挖掘分析属性选取,确定待选方案车辆属性集 (6) 属性集标准化处理 根据属性对待选配对方案车辆的影响来看,方案的属性有效益型和成本型两类;效益 型属性与成本型属性的无量纲化处理如下: 效益型属性处理:bij= 成本型属性处理:bij= (a 其中,&ij是方案i的第j个属性的属性值,b u是a u标准化处理后的值,a Ziax是第j个 属性Pj的最大值,a广是P」的最小值;b # (〇, I),i = 1,2, · · ·,m,j = 1,2, · · ·,n,标准 化矩阵 B = (IDij)mxn; (7) 进行多维分析,构建属性权重多元优化模型 ① 多元权重确定 为了减小单人偏好和认知局限对结果的影响,平台对所有货主对车辆各指标的历史评 价打分进行加权平均,得出货主对车辆最直观的综合评价打分;为了减小单一维度评价带 来的偏差,此处从另一个维度引入平台决策元一基于平台历史交易数据和交易行为对待 选配对方案车辆进行补充评价打分。然后对打分进行标准化处理得到各属性的权重值,最 后基于数据的完整性和真实性为两个决策元设置合理的重要程度系数; 两个维度确定的决策元Tk:k = 1,2 ;其中T1代表承运人会员决策元,T 2代表平台决策 元; 两个决策元赋值的属性权重为:wk= (w ),w2k,. . .,wnk)T,k = 1,2 各决策元的重要程度为:ζ = (Z1, ζ2)τ,其中,Zfz2= 1,ζ k彡0, k = 1,2 ; ② 构建一元权重优化模型 构建属性权重优化模型如下:
模型的含义是求得一个%,使得%和w /的总偏方差的平方和L i最小。 ③ 构建二元权重优化模型 构建属性权重优化模型如下: G-minL = (I1, 12, · · · Im)
1 a/= max {a a2j, · · · amj}为属性Pj的理想值,用等权线性 加权法,可将模型简化为:
④合成单目标优化模型 将以上两个优化模型进行集成为G = min (L1, L2),并通过线性加权方法,将问题转化为 如下的单目标优化模型:
x+y = I, X > 0, y > O 其中,x、y是多元优化模型的系数,表现为两者相对重要程度。通过构建拉格朗日函数, 可得:
(8) 求解属性权重 由于多个决策元(Tk:k = 1,2)对属性j的综合权重赋予值为:
属性权重多元优化模型的权重向量为:Wit= [W p W2, ... Wj, ...,Wn],其中
(9) 待选配对方案车辆优化排序 待选配对方案车辆各属性相对评价矩阵为Y= (A Jmxn= Bw #τ 其中,Au为待选配对方案车辆i的第j个属性的最终权重值,B = (b Jmxn为属性集标 准化矩阵。 则待选配对方案车辆i的相对评价
【专利摘要】本发明公开一种用于车货在线配载的智能配对方法,基于分词聚类空间方法充分考虑货主发布的货源信息和平台车辆信息,从多个维度对货主发布的货源信息进行分词,构造车辆信息聚类空间,通过浮动空间和模糊筛选,实现货源和车辆的在线智能配对;基于多属性决策模型将影响车辆选择的众多属性通过划分为相互联系的有序层次,使之条理化,根据车辆交易评价和平台的海量数据,对匹配车辆进行优化排序,使结果呈现更加直观。通过精确的大数据挖掘分析和复杂的模型算法较好地处理了以物流服务为交易对象的电子商务平台车货智能优化配对问题,使平台会员或其他会员能在无数车辆中快速、准确地找到最适合配载的车辆并做出符合自己需求的选择。
【IPC分类】G06Q50-28, G06Q10-08, G06F17-30
【公开号】CN104866997
【申请号】CN201510317257
【发明人】李敬泉, 陈威
【申请人】南京大学
【公开日】2015年8月26日
【申请日】2015年6月10日
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1