CN109242044A - 车货匹配模型的训练方法、装置、存储介质及电子设备 - Google Patents
车货匹配模型的训练方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN109242044A CN109242044A CN201811156209.1A CN201811156209A CN109242044A CN 109242044 A CN109242044 A CN 109242044A CN 201811156209 A CN201811156209 A CN 201811156209A CN 109242044 A CN109242044 A CN 109242044A
- Authority
- CN
- China
- Prior art keywords
- goods
- driver
- vehicle
- cargo
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种车货匹配模型的训练方法、装置、存储介质及电子设备,所述训练方法包括:获取司机基本信息及与该司机基本信息关联的货物信息;根据所述司机基本信息与货物信息确定司机与货物之间的匹配度;将所述司机基本信息与货物信息作为车货匹配模型的输入,将所述匹配度作为所述车货匹配模型的输出,以构成样本数据;按照预设比例将所述样本数据划分为训练集和测试集;根据所述训练集和测试集对车货匹配模型进行训练。本发明可以针对不同司机进行不同货物的个性化排序推荐,从而提高司机找货的效率,提升整个系统中的车货匹配效率。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种车货匹配模型的训练方法、装置、存储介质及电子设备。
背景技术
目前,长途货运存在车货匹配困难问题。过去司机需亲自到物流园找待运输的货物,而物流园的信息繁杂且容量有限,不论从货主还是司机角度,都存在有效信息传播过慢问题。互联网的发展使得在线匹配平台成为可能,旨在提升车货匹配效率。然而每日有数百万的司机需从数百万的货物信息中筛选满意的物,且司机需求各不相同,难以使用统一规则描述,因此结合大数据与人工智能为司机提供个性化匹配方案变得极为重要。
现有技术中,主要由司机自己筛选找货条件,然而长途货运场景极为复杂,将所有信息抽象为少数筛选条件非常困难,因此常规筛选无法满足司机高效找货的需求。
发明内容
针对现有技术中的问题,本发明的目的在于提供一种车货匹配模型的训练方法、装置、存储介质及电子设备,以针对不同司机进行不同货物的个性化排序推荐,从而提高司机找货的效率,提升整个系统中的车货匹配效率。
根据本发明的一方面,提供一种车货匹配模型的训练方法,所述训练方法包括:
获取司机基本信息及与该司机基本信息关联的货物信息;
根据所述司机基本信息与货物信息确定司机与货物之间的匹配度;
将所述司机基本信息与货物信息作为车货匹配模型的输入,将所述匹配度作为所述车货匹配模型的输出,以构成样本数据;
按照预设比例将所述样本数据划分为训练集和测试集;
根据所述训练集和测试集对车货匹配模型进行训练。
在本发明的一实施方式中,所述车货匹配模型为决策树模型。
在本发明的一实施方式中,所述司机基本信息至少包括司机对各货物类别的操作次数,所述货物信息至少包括货物所属的货物类别,所述根据所述司机基本信息与货物信息确定司机与货物之间的匹配度包括:
将用户对该货物所属的货物类别的操作次数占该用户对各货物类别的总操作次数的比例作为该用户与该货物的匹配度。
在本发明的一实施方式中,所述司机基本信息至少包括司机对各货物的操作次数,所述根据所述司机基本信息与货物信息确定司机与货物之间的匹配度包括:
若司机对货物信息指示的货物的操作次数大于等于预设阈值,则该司机与该货物的匹配度为最大值;
若司机对货物信息指示的货物的操作次数小于预设阈值,则该司机与该货物的匹配度为最小值。
在本发明的一实施方式中,所述操作次数是指司机在预设时间段内对货物的点击、搜索、浏览次数。
在本发明的一实施方式中,所述货物信息还包括货主标识,在构成样本数据之前还包括:
根据所述货主标识获取货主特征,所述样本数据中,所述车货匹配模型的输入还包括所述货主特征。
根据本发明的另一方面,提供一种应用上述车货匹配模型的训练方法的货物推荐方法,所述货物推荐方法包括:
实时采集司机基本信息及货物信息;
将所采集的司机基本信息及货物信息输入车货匹配模型,以得到司机与各货物信息指示的货物的匹配度,所述车货匹配模型经由上述车货匹配模型的训练方法训练;
根据所述匹配度对货物进行排序,以向司机推荐货物。
根据本发明的另一方面,提供一种车货匹配模型的训练装置,所述训练装置包括:
获取模块,用于获取司机基本信息及与该司机基本信息关联的货物信息;
确定模块,用于根据所述司机基本信息与货物信息确定司机与货物之间的匹配度;
样本构建模块,用于将所述司机基本信息与货物信息作为车货匹配模型的输入,将所述匹配度作为所述车货匹配模型的输出,以构成样本数据;
数据划分模块,用于按照预设比例将所述样本数据划分为训练集和测试集;
训练模块,用于根据所述训练集和测试集对车货匹配模型进行训练。
根据本发明的又一方面,提供一种货物推荐装置,所述货物推荐装置包括:
信息采集模块,用于实时采集司机基本信息及货物信息;
匹配模块,用于将所采集的司机基本信息及货物信息输入车货匹配模型,以得到司机与各货物信息指示的货物的匹配度,所述车货匹配模型经如上所述的车货匹配模型的训练方法训练;
推荐模块,用于根据所述匹配度对货物进行排序,以向司机推荐货物。
根据本发明的又一方面,提供一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行:
如上所述车货匹配模型的训练方法中的步骤;或者
如上所述的货物推荐方法中的步骤。
根据本发明的又一方面,提供一种电子设备,所述电子设备包括:
处理器;
存储介质,其上存储有计算机程序,所述计算机程序被所述处理器运行时执行:
如上所述车货匹配模型的训练方法中的步骤;或者
如上所述的货物推荐方法中的步骤。
本发明中所述车货匹配模型通过对历史数据的处理,计算获得司机和货物之间的匹配度,并可以根据所计算的匹配度作为车货匹配模型的输出,以对车货匹配模型进行训练。由此,本发明通过训练获得的车货匹配模型来针对不同司机进行不同货物的个性化排序推荐,从而提高司机找货的效率,提升整个系统中的车货匹配效率。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显。
图1是本发明一实施例中车货匹配模型的训练方法的流程图。
图2是本发明一实施例中货物推荐方法的流程图。
图3是本发明一实施例中车货匹配模型的训练装置的结构示意图。
图4是本发明一实施例中货物推荐装置的结构示意图。
图5是本发明一实施例中计算机可读存储介质的结构示意图。以及
图6是本发明一实施例中电子设备的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
为了解决现有技术的不足,本发明提供一种车货匹配模型的训练方法、应用所述车货匹配模型的训练方法的货物推荐方法、车货匹配模型的训练装置、货物推荐装置、存储介质及电子设备,以针对不同司机进行不同货物的个性化排序推荐,从而提高司机找货的效率,提升整个系统中的车货匹配效率。图1是本发明一实施例中车货匹配模型的训练方法的流程图。图2是本发明一实施例中货物推荐方法的流程图。图3是本发明一实施例中车货匹配模型的训练装置的结构示意图。图4是本发明一实施例中货物推荐装置的结构示意图。图5是本发明一实施例中计算机可读存储介质的结构示意图。以及图6是本发明一实施例中电子设备的结构示意图。
根据本发明的一方面,提供一种车货匹配模型的训练方法,图1是本发明一实施例中车货匹配模型的训练方法的流程图。如图1所示,所述训练方法包括:
S110、获取司机基本信息及与该司机基本信息关联的货物信息。
具体地,所述司机本信息包括司机的身份信息及其注册的车辆的基本信息,以及司机使用app的行为习惯(包括司机过去各时间段内点击,搜索,电话,浏览货物次数),以及司机从app主要入口(货源大厅,当天货源)进入次数及上拉或下拉刷新次数等。所述与该司机基本信息关联的货物信息可以理解为司机历史上感兴趣的货物的信息,包括车长车型、货物重量、体积、货物类型、运输距离等等,并计算其相应的统计值(如平均数、方差等)。司机在app端展示货物页面看到的所有信息决定了其是否关注该货源。
S120、根据所述司机基本信息与货物信息确定司机与货物之间的匹配度。
在一个具体实施例中,所述司机基本信息至少包括司机对各货物类别的操作次数,所述货物信息至少包括货物所属的货物类别,所述根据所述司机基本信息与货物信息确定司机与货物之间的匹配度包括:
将用户对该货物所属的货物类别的操作次数占该用户对各货物类别的总操作次数的比例作为该用户与该货物的匹配度。
所述操作次数是指司机在预设时间段内对货物的点击、搜索、浏览次数。
S130、将所述司机基本信息与货物信息作为车货匹配模型的输入,将所述匹配度作为所述车货匹配模型的输出,以构成样本数据。
具体地,所述车货匹配模型可以为决策树模型。在本发明的一实施方式中,所述货物信息还包括货主标识,在构成样本数据之前还包括:
根据所述货主标识获取货主特征,所述样本数据中,所述车货匹配模型的输入还包括所述货主特征。所述货主特征是指货物信息中发货货主的相关信息,如货主年龄,性别,好评率,历史发货量等。
S140、按照预设比例将所述样本数据划分为训练集和测试集;
具体地,可以把所述样本数据分为70%训练集和30%测试集。其中,所述训练集用来估计所述车货匹配模型,而测试集则用于检验所述车货匹配模型的性能,本发明并非以此为限。
S150、根据所述训练集和测试集对车货匹配模型进行训练。
具体地,可以通过所述训练集对多个车货匹配模型进行分布式训练,通过所述测试集检验所述车货匹配模型的性能。在训练所述车货匹配模型期间,只有训练集可用,不得使用测试集。测试集仅在测试所述车货匹配模型期间可用。测试集中车货匹配模型的输入项输入到车货匹配模型,通过车货匹配模型的输出与测试集中车货匹配模型的输入项的比对,判断车货匹配模型的准确率。
本发明中所述车货匹配模型通过对历史数据的学习,可以针对不同司机进行不同货物的个性化排序推荐,从而提高司机找货的效率,提升整个系统中的车货匹配效率。
本发明还提供另一种车货匹配模型的训练方法,本实施中所述训练方法的主要步骤与前一实施例相同,区别在于:
S120、根据所述司机基本信息与货物信息确定司机与货物之间的匹配度。
具体地,所述司机基本信息至少包括司机对各货物的操作次数,所述根据所述司机基本信息与货物信息确定司机与货物之间的匹配度包括:
若司机对货物信息指示的货物的操作次数大于等于预设阈值,则该司机与该货物的匹配度为最大值;
若司机对货物信息指示的货物的操作次数小于预设阈值,则该司机与该货物的匹配度为最小值。
所述操作次数是指司机在预设时间段内对货物的点击、搜索、浏览次数。
本发明中所述车货匹配模型通过对历史数据的处理,计算获得司机和货物之间的匹配度,并可以根据所计算的匹配度作为车货匹配模型的输出,以对车货匹配模型进行训练。由此,本发明通过训练获得的车货匹配模型来针对不同司机进行不同货物的个性化排序推荐,从而提高司机找货的效率,提升整个系统中的车货匹配效率。通过对历史数据的处理,计算获得司机和货物之间的匹配度,并可以根据所计算的匹配度作为车货匹配模型的输出,以对车货匹配模型进行训练。由此,本发明通过训练获得的车货匹配模型来针对不同司机进行不同货物的个性化排序推荐,从而提高司机找货的效率,提升整个系统中的车货匹配效率。
根据本发明的另一方面,提供一种应用上述车货匹配模型的训练方法的货物推荐方法。图2是本发明一实施例中货物推荐方法的流程图。如图2所示,所述货物推荐方法包括:
S210、实时采集司机基本信息及货物信息。
具体地,所述司机本信息包括司机的身份信息及其注册的车辆的基本信息,以及司机使用app的行为习惯(包括司机过去各时间段内点击,搜索,电话,浏览货物次数),以及司机从app主要入口(货源大厅,当天货源)进入次数及上拉或下拉刷新次数等。所述货物信息可以理解为司机历史上感兴趣的货物的信息,包括车长车型、货物重量、体积、货物类型、运输距离等等,并计算其相应的统计值(如平均数、方差等)。
S220、将所采集的司机基本信息及货物信息输入车货匹配模型,以得到司机与各货物信息指示的货物的匹配度,所述车货匹配模型经由上述车货匹配模型的训练方法训练。
具体地,可以根据实际需求为所述车货匹配模型选择上述两中车货匹配模型的训练方法之一进行训练。
S230、根据所述匹配度对货物进行排序,以向司机推荐货物。
所述车货匹配模型可以用于在线预测并展示司机所偏好的货物,通过实时采集司机基本信息与货物信息,并对所采集的司机基本信息与货物信息进行特征提取并将所述提取的数据输入到已训练好的所述车货匹配模型中,给出该司机所搜索货物的匹配度排序结果。本发明中所述车货匹配模型通过对历史数据的学习,可以针对不同司机进行不同货物的个性化排序推荐,从而提高司机找货的效率,提升整个系统中的车货匹配效率。
根据本发明的又一方面,提供一种车货匹配模型的训练装置。图3是本发明一实施例中车货匹配模型的训练装置的结构示意图。如图3所示,所述训练装置200包括:获取模块201、确定模块202、样本构建模块203、数据划分模块204及训练模块205。所述获取模块201用于获取司机基本信息及与该司机基本信息关联的货物信息。所述确定模块202用于根据所述司机基本信息与货物信息确定司机与货物之间的匹配度。所述样本构建模块203用于将所述司机基本信息与货物信息作为车货匹配模型的输入,将所述匹配度作为所述车货匹配模型的输出,以构成样本数据。所述数据划分模块204用于按照预设比例将所述样本数据划分为训练集和测试集。所述训练模块205用于根据所述训练集和测试集对车货匹配模型进行训练。本实施例中所述车货匹配模型的训练装置中各模块的作用,以及从获取模块201获取司机基本信息及与该司机基本信息关联的货物信息至通过所述训练模块205对车货匹配模型进行训练的具体步骤以及原理已在上述实施例中有所阐述,因此不再赘述。所述车货匹配模型可以用于在线预测并展示司机所偏好的货物,通过实时采集司机基本信息与货物信息,并对所采集的司机基本信息与货物信息进行特征提取并将所述提取的数据输入到已训练好的所述车货匹配模型中,给出该司机所搜索货物的排序结果。总而言之,本发明中所述车货匹配模型通过对历史数据的处理,计算获得司机和货物之间的匹配度,并可以根据所计算的匹配度作为车货匹配模型的输出,以对车货匹配模型进行训练。由此,本发明通过训练获得的车货匹配模型来针对不同司机进行不同货物的个性化排序推荐,从而提高司机找货的效率,提升整个系统中的车货匹配效率。
根据本发明的又一方面,提供一种货物推荐装置。图4是本发明一实施例中货物推荐装置的结构示意图。如图4所示,所述货物推荐装置300包括:信息采集模块301、匹配模块302及推荐模块303。所述信息采集模块301用于实时采集司机基本信息及货物信息。所述匹配模块302用于将所采集的司机基本信息及货物信息输入车货匹配模型,以得到司机与各货物信息指示的货物的匹配度,所述车货匹配模型经由如上所述的车货匹配模型的训练方法训练。所述推荐模块303用于根据所述匹配度对货物进行排序,以向司机推荐货物。本实施例中所述货物推荐装置中各模块的作用,以及从所述信息采集模块301实时采集司机基本信息及货物信息至通过所述推荐模块303向司机推荐货物的具体步骤以及原理已在上述实施例中有所阐述,因此不再赘述。所述车货匹配模型可以用于在线预测并展示司机所偏好的货物,通过实时采集司机基本信息与货物信息,并对所采集的司机基本信息与货物信息进行特征提取并将所述提取的数据输入到已训练好的所述车货匹配模型中,给出该司机所搜索货物的排序结果。总而言之,本发明中所述车货匹配模型通过对历史数据的学习,可以针对不同司机进行不同货物的个性化排序推荐,从而提高司机找货的效率,提升整个系统中的车货匹配效率。
在本发明的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被例如处理器执行时可以实现上述实施例中所述车货匹配模型的训练方法或者所述的货物推荐方法中的步骤。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述车货匹配模型的训练方法或者所述的货物推荐方法描述的根据本发明各种示例性实施方式的步骤。
图5是本发明一实施例中计算机可读存储介质的结构示意图。图5描述了根据本发明的实施方式的用于实现上述方法的程序产品600,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品600可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
本发明中所述车货匹配模型通过对历史数据的学习,可以针对不同司机进行不同货物的个性化排序推荐,从而提高司机找货的效率,提升整个系统中的车货匹配效率。
在本发明的示例性实施例中,还提供一种电子设备,该电子设备可以包括处理器,以及用于存储所述处理器的可执行指令的存储器。其中,所述处理器配置为经由执行所述可执行指令来执行上述实施例中所述车货匹配模型的训练方法或者所述货物推荐方法中的步骤。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图6来描述根据本发明的这种实施方式的电子设备400。图6显示的电子设备400仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,电子设备400以通用计算设备的形式表现。电子设备400的组件可以包括但不限于:至少一个处理单元410、至少一个存储单元420、连接不同系统组件(包括存储单元420和处理单元410)的总线430、显示单元440等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元410执行,使得所述处理单元410执行本说明书上述车货匹配模型的训练方法或者所述货物推荐方法中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元410可以执行如图1中所示的步骤。
所述存储单元420可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)4201和/或高速缓存存储单元4202,还可以进一步包括只读存储单元(ROM)4203。
所述存储单元420还可以包括具有一组(至少一个)程序模块4205的程序/实用工具4204,这样的程序模块4205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线430可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备400也可以与一个或多个外部设备500(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备400交互的设备通信,和/或与使得该电子设备400能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口450进行。并且,电子设备400还可以通过网络适配器460与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器460可以通过总线430与电子设备400的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备400使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明实施方式的上述车货匹配模型的训练方法或者所述货物推荐方法。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (11)
1.一种车货匹配模型的训练方法,其特征在于,包括:
获取司机基本信息及与该司机基本信息关联的货物信息;
根据所述司机基本信息与货物信息确定司机与货物之间的匹配度;
将所述司机基本信息与货物信息作为车货匹配模型的输入,将所述匹配度作为所述车货匹配模型的输出,以构成样本数据;
按照预设比例将所述样本数据划分为训练集和测试集;
根据所述训练集和测试集对车货匹配模型进行训练。
2.根据权利要求1所述的车货匹配模型的训练方法,其特征在于,所述车货匹配模型为决策树模型。
3.根据权利要求1所述的车货匹配模型的训练方法,其特征在于,所述司机基本信息至少包括司机对各货物类别的操作次数,所述货物信息至少包括货物所属的货物类别,所述根据所述司机基本信息与货物信息确定司机与货物之间的匹配度包括:
将用户对该货物所属的货物类别的操作次数占该用户对各货物类别的总操作次数的比例作为该用户与该货物的匹配度。
4.根据权利要求1所述的车货匹配模型的训练方法,其特征在于,所述司机基本信息至少包括司机对各货物的操作次数,所述根据所述司机基本信息与货物信息确定司机与货物之间的匹配度包括:
若司机对货物信息指示的货物的操作次数大于等于预设阈值,则该司机与该货物的匹配度为最大值;
若司机对货物信息指示的货物的操作次数小于预设阈值,则该司机与该货物的匹配度为最小值。
5.根据权利要求3或4所述的车货匹配模型的训练方法,其特征在于,所述操作次数是指司机在预设时间段内对货物的点击、搜索、浏览次数。
6.根据权利要求1至4中任一项所述的车货匹配模型的训练方法,其特征在于,所述货物信息还包括货主标识,在构成样本数据之前还包括:
根据所述货主标识获取货主特征,所述样本数据中,所述车货匹配模型的输入还包括所述货主特征。
7.一种货物推荐方法,其特征在于,包括:
实时采集司机基本信息及货物信息;
将所采集的司机基本信息及货物信息输入车货匹配模型,以得到司机与各货物信息指示的货物的匹配度,所述车货匹配模型经由权利要求1至6任一项所述的车货匹配模型的训练方法训练;
根据所述匹配度对货物进行排序,以向司机推荐货物。
8.一种车货匹配模型的训练装置,其特征在于,包括:
获取模块,用于获取司机基本信息及与该司机基本信息关联的货物信息;
确定模块,用于根据所述司机基本信息与货物信息确定司机与货物之间的匹配度;
样本构建模块,用于将所述司机基本信息与货物信息作为车货匹配模型的输入,将所述匹配度作为所述车货匹配模型的输出,以构成样本数据;
数据划分模块,用于按照预设比例将所述样本数据划分为训练集和测试集;
训练模块,用于根据所述训练集和测试集对车货匹配模型进行训练。
9.一种货物推荐装置,其特征在于,包括:
信息采集模块,用于实时采集司机基本信息及货物信息;
匹配模块,用于将所采集的司机基本信息及货物信息输入车货匹配模型,以得到司机与各货物信息指示的货物的匹配度,所述车货匹配模型经由权利要求1至6任一项所述的车货匹配模型的训练方法训练;
推荐模块,用于根据所述匹配度对货物进行排序,以向司机推荐货物。
10.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行:
如权利要求1至6任一项所述的步骤;或者
如权利要求7所述的步骤。
11.一种电子设备,其特征在于,所述电子设备包括:
处理器;
存储介质,其上存储有计算机程序,所述计算机程序被所述处理器运行时执行:
如权利要求1至6任一项所述的步骤;或者
如权利要求7所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811156209.1A CN109242044A (zh) | 2018-09-30 | 2018-09-30 | 车货匹配模型的训练方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811156209.1A CN109242044A (zh) | 2018-09-30 | 2018-09-30 | 车货匹配模型的训练方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109242044A true CN109242044A (zh) | 2019-01-18 |
Family
ID=65054197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811156209.1A Pending CN109242044A (zh) | 2018-09-30 | 2018-09-30 | 车货匹配模型的训练方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109242044A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978465A (zh) * | 2019-03-29 | 2019-07-05 | 江苏满运软件科技有限公司 | 货源推荐方法、装置、电子设备、存储介质 |
CN110288096A (zh) * | 2019-06-28 | 2019-09-27 | 江苏满运软件科技有限公司 | 预测模型训练及预测方法、装置、电子设备、存储介质 |
CN110598989A (zh) * | 2019-08-14 | 2019-12-20 | 江苏满运软件科技有限公司 | 一种货源质量评估方法、装置、设备和存储介质 |
CN110717717A (zh) * | 2019-10-11 | 2020-01-21 | 惠龙易通国际物流股份有限公司 | 模型生成方法及系统、交通工具分配方法及装置 |
CN110796417A (zh) * | 2019-11-01 | 2020-02-14 | 江苏满运软件科技有限公司 | 一种货源价值确定方法、装置、设备和存储介质 |
CN111310039A (zh) * | 2020-02-10 | 2020-06-19 | 江苏满运软件科技有限公司 | 推荐信息穿插位置确定方法、系统、设备及存储介质 |
CN111340428A (zh) * | 2020-03-04 | 2020-06-26 | 江苏满运软件科技有限公司 | 货物类型的特征表示方法、系统、电子设备和存储介质 |
CN111523560A (zh) * | 2020-03-18 | 2020-08-11 | 第四范式(北京)技术有限公司 | 到港货车数量预测模型训练方法、预测方法、装置及系统 |
CN111625555A (zh) * | 2020-05-26 | 2020-09-04 | 深圳鼎盛电脑科技有限公司 | 一种订单匹配方法、装置、设备及存储介质 |
CN113052649A (zh) * | 2019-12-27 | 2021-06-29 | 丰田自动车株式会社 | 信息处理装置、信息处理方法以及非暂时性存储介质 |
CN113127735A (zh) * | 2021-04-02 | 2021-07-16 | 北京知藏云道科技有限公司 | 车货匹配方法、装置、计算机设备和介质 |
CN113312334A (zh) * | 2021-05-28 | 2021-08-27 | 海南超船电子商务有限公司 | 一种航运用户大数据建模分析方法及系统 |
CN113627726A (zh) * | 2021-07-08 | 2021-11-09 | 广州峰华货运有限公司 | 车型匹配方法、装置及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038647A (zh) * | 2017-12-22 | 2018-05-15 | 江苏满运软件科技有限公司 | 一种公路干线物流的货源推荐方法 |
CN108171460A (zh) * | 2017-12-29 | 2018-06-15 | 杭州王道控股有限公司 | 一种基于空车资源最大利用率的货车运输方法及其管理系统 |
CN108305015A (zh) * | 2018-02-26 | 2018-07-20 | 镇江宝华物流股份有限公司 | 一种用于物流运输的车辆智能调度方法 |
-
2018
- 2018-09-30 CN CN201811156209.1A patent/CN109242044A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038647A (zh) * | 2017-12-22 | 2018-05-15 | 江苏满运软件科技有限公司 | 一种公路干线物流的货源推荐方法 |
CN108171460A (zh) * | 2017-12-29 | 2018-06-15 | 杭州王道控股有限公司 | 一种基于空车资源最大利用率的货车运输方法及其管理系统 |
CN108305015A (zh) * | 2018-02-26 | 2018-07-20 | 镇江宝华物流股份有限公司 | 一种用于物流运输的车辆智能调度方法 |
Non-Patent Citations (2)
Title |
---|
佟悦: "城市货物配送中运输资源分配问题及算法研究", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 * |
黄美华 等: "基于数据挖掘的车货信息匹配研究", 《浙江万里学院学报》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978465A (zh) * | 2019-03-29 | 2019-07-05 | 江苏满运软件科技有限公司 | 货源推荐方法、装置、电子设备、存储介质 |
CN110288096B (zh) * | 2019-06-28 | 2021-06-08 | 满帮信息咨询有限公司 | 预测模型训练及预测方法、装置、电子设备、存储介质 |
CN110288096A (zh) * | 2019-06-28 | 2019-09-27 | 江苏满运软件科技有限公司 | 预测模型训练及预测方法、装置、电子设备、存储介质 |
CN110598989A (zh) * | 2019-08-14 | 2019-12-20 | 江苏满运软件科技有限公司 | 一种货源质量评估方法、装置、设备和存储介质 |
CN110598989B (zh) * | 2019-08-14 | 2022-09-23 | 江苏满运软件科技有限公司 | 一种货源质量评估方法、装置、设备和存储介质 |
CN110717717A (zh) * | 2019-10-11 | 2020-01-21 | 惠龙易通国际物流股份有限公司 | 模型生成方法及系统、交通工具分配方法及装置 |
CN110796417A (zh) * | 2019-11-01 | 2020-02-14 | 江苏满运软件科技有限公司 | 一种货源价值确定方法、装置、设备和存储介质 |
CN110796417B (zh) * | 2019-11-01 | 2022-10-21 | 江苏满运软件科技有限公司 | 一种货源价值确定方法、装置、设备和存储介质 |
CN113052649A (zh) * | 2019-12-27 | 2021-06-29 | 丰田自动车株式会社 | 信息处理装置、信息处理方法以及非暂时性存储介质 |
CN113052649B (zh) * | 2019-12-27 | 2024-04-05 | 丰田自动车株式会社 | 信息处理装置、信息处理方法以及非暂时性存储介质 |
CN111310039A (zh) * | 2020-02-10 | 2020-06-19 | 江苏满运软件科技有限公司 | 推荐信息穿插位置确定方法、系统、设备及存储介质 |
CN111340428A (zh) * | 2020-03-04 | 2020-06-26 | 江苏满运软件科技有限公司 | 货物类型的特征表示方法、系统、电子设备和存储介质 |
CN111523560A (zh) * | 2020-03-18 | 2020-08-11 | 第四范式(北京)技术有限公司 | 到港货车数量预测模型训练方法、预测方法、装置及系统 |
CN111625555A (zh) * | 2020-05-26 | 2020-09-04 | 深圳鼎盛电脑科技有限公司 | 一种订单匹配方法、装置、设备及存储介质 |
CN111625555B (zh) * | 2020-05-26 | 2023-10-31 | 深圳市乐信信息服务有限公司 | 一种订单匹配方法、装置、设备及存储介质 |
CN113127735A (zh) * | 2021-04-02 | 2021-07-16 | 北京知藏云道科技有限公司 | 车货匹配方法、装置、计算机设备和介质 |
CN113312334A (zh) * | 2021-05-28 | 2021-08-27 | 海南超船电子商务有限公司 | 一种航运用户大数据建模分析方法及系统 |
WO2022247041A1 (zh) * | 2021-05-28 | 2022-12-01 | 海南超船电子商务有限公司 | 一种航运用户大数据建模分析方法及系统 |
CN113312334B (zh) * | 2021-05-28 | 2023-05-26 | 海南超船电子商务有限公司 | 一种航运用户大数据建模分析方法及系统 |
CN113627726A (zh) * | 2021-07-08 | 2021-11-09 | 广州峰华货运有限公司 | 车型匹配方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242044A (zh) | 车货匹配模型的训练方法、装置、存储介质及电子设备 | |
CN109360012A (zh) | 广告投放渠道的选择方法及装置、存储介质、电子设备 | |
CN109389442A (zh) | 商品推荐方法及装置、存储介质及电子终端 | |
CN111723292B (zh) | 基于图神经网络的推荐方法、系统、电子设备及存储介质 | |
CN109636430A (zh) | 对象识别方法及其系统 | |
US20200234218A1 (en) | Systems and methods for entity performance and risk scoring | |
CN107357874A (zh) | 用户分类方法及装置、电子设备、存储介质 | |
CN110490625A (zh) | 用户偏好确定方法及装置、电子设备、存储介质 | |
US10599760B2 (en) | Intelligent form creation | |
CN111652278B (zh) | 用户行为检测方法、装置、电子设备及介质 | |
CN109492837A (zh) | 机票订单保险推送方法、装置、电子设备、存储介质 | |
CN113239173B (zh) | 问答数据的处理方法、装置、存储介质与电子设备 | |
CN110717597A (zh) | 利用机器学习模型获取时序特征的方法和装置 | |
CN112380104A (zh) | 用户属性识别方法、装置、电子设备及存储介质 | |
CN111209351A (zh) | 对象关系预测、对象推荐方法及装置、电子设备、介质 | |
CN113536152A (zh) | 一种地图兴趣点展示方法、装置及电子设备 | |
TW201842474A (zh) | 活動推薦系統和方法 | |
CN118043802A (zh) | 一种推荐模型训练方法及装置 | |
CN110348581B (zh) | 用户特征群中用户特征寻优方法、装置、介质及电子设备 | |
CN106575418A (zh) | 建议的关键词 | |
WO2020150597A1 (en) | Systems and methods for entity performance and risk scoring | |
CN116611891A (zh) | 内容信息的推荐方法、装置、服务器及存储介质 | |
CN116308640A (zh) | 一种推荐方法及相关装置 | |
CN113094602B (zh) | 酒店推荐方法、系统、设备及介质 | |
CN116204709A (zh) | 一种数据处理方法及相关装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190118 |
|
RJ01 | Rejection of invention patent application after publication |