CN110400060A - 一种基于车辆地理位置定位的公路物流货源推荐方法 - Google Patents
一种基于车辆地理位置定位的公路物流货源推荐方法 Download PDFInfo
- Publication number
- CN110400060A CN110400060A CN201910608709.2A CN201910608709A CN110400060A CN 110400060 A CN110400060 A CN 110400060A CN 201910608709 A CN201910608709 A CN 201910608709A CN 110400060 A CN110400060 A CN 110400060A
- Authority
- CN
- China
- Prior art keywords
- goods
- source
- return
- driver
- vehicle
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013507 mapping Methods 0.000 title claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 13
- 230000007246 mechanism Effects 0.000 claims abstract description 11
- 238000013135 deep learning Methods 0.000 claims abstract description 7
- 230000032258 transport Effects 0.000 claims description 98
- 238000004891 communication Methods 0.000 claims description 12
- 238000013136 deep learning model Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0833—Tracking
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0834—Choice of carriers
- G06Q10/08345—Pricing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于车辆地理位置定位的公路物流货源推荐方法，通过建立货源评分策略、人工智能学习机制和货源推荐策略，构建相关模型算法，对司机运输偏好进行深入分析，对货源进行量化评分，择优向司机推荐货源，包括如下步骤：采集货源信息和司机信息；围绕地理位置检索货源；根据货源评分策略对货源进行评分；在建立人工智能深度学习机制的基础上对货源的司机运输偏好进行分析；根据货源推荐策略择优向司机推荐货源；司机与货主达成运输协议，组织货源运输。通过实施该公路物流货源推荐方法，提高了车货匹配度及匹配效率，减少了车辆空返率，降低了运输成本。
Description
技术领域
本发明涉及物流管理和计算机技术领域，特别是涉及一种基于车辆地理位置定位的公路物流货源推荐方法。
背景技术
随着公路物流的飞速发展，货源数量急速增长，货车司机与货源匹配对接不平衡趋势越来越严重，这影响了货车司机的运输业务及成本收效，也影响了企业物流货源的运输效率、服务质量、成本控制等，公路运输的运营主体主要是个体司机主导，而作为个体司机没有统一管理，到陌生目的地域后，如何返程配货存在较大的问题，货车空返率常常居高不下。
目前，由于存在不同区域、不同时间、不同线路和不同车型等问题，现有的物流配送运输推荐系统中，运输车辆和待运货物的匹配效率不高、匹配合适度差，匹配的货物有时太大，车辆到现场又装载运输不了，有时太小，浪费了车辆运输空间，不经济。同时，推荐的货源不是最优，存在距离太远、时间不合等问题。
发明内容
本发明的目的在于；针对现有技术的缺点和不足，提出一种基于车辆地理位置定位的公路物流货源推荐方法，围绕运输车辆或线路地理位置检索货源，建立货源评分策略、人工智能学习机制和货源推荐策略，对司机运输偏好度进行分析及货源评分，择优推荐货源，提高了车货匹配度及匹配效率，减少了车辆空返率，降低了运输成本。
为实现上述目的，本发明采用的技术方案为：
一种基于车辆地理位置定位的公路物流货源推荐方法，包括如下步骤：
S1：货主、司机分别在货源推荐平台进行注册认证，采集货主信息、司机信息以及与司机对应的运输车辆信息进入后台数据库，其中运输车辆信息包括车辆类型、车辆类型、车辆长度、车辆载重、满载体积、车辆道路运输资格证；
S2：货主发布货源信息，所述货源信息包括始发地、目的地、货源类型、货源重量、货源数量、货源体积、运输时限、所需车型、运输报价、联系人姓名、联系方式；
S3：当时司机的运输车辆为“空车”状态时，司机发布包括从后台数据库读取的司机信息及其运输车辆信息的运力信息，请求货源推荐；
S4：货源推荐平台响应货源推荐请求，对车辆进行定位，确定车辆所在的始发地地理位置；
S5：在始发地地理位置的一定区域范围内检索货源信息，若无货源，则扩大区域继续检索货源信息；
S6：设定用于对货源进行量化评分的第一货源评分指标，根据第一货源评分策略，对货源进行评分；
S7：设定用于对司机运输偏好进行评价的偏好分析指标，建立人工智能深度学习机制，确定货源的司机运输偏好度；
S8：根据第一货源推荐策略，择优向司机推荐若干条货源；
S9：司机查看推荐的货源，选择一个推荐货源进行线上报价或电话沟通定价，如果不能达成运输协议，则继续选择推荐货源进行线上报价或电话沟通定价，直至达成运输协议，生成新的运单，将达成运输协议的货源及车辆设定为“待运输”状态，司机提货实施运输；
S10：达成运输协议后，司机随时发布返程运力信息，请求返程货源推荐，所述返程动力信息包括车辆类型、车辆长度、车辆载重、满载体积、返程运输时限、车辆道路运输资格证以及司机姓名和联系方式；
S11：货源推荐平台响应返程货源推荐请求，将步骤S9中达成运输协议的货源目的地作为司机返程始发地，达成运输协议的货源始发地作为司机返程目的地，读取司机返程的始发地地理位置；
S12：重复执行步骤S5、S6，对返程货源进行检索和评分；
S13：根据第二货源推荐策略，择优向司机推荐若干条返程货源；
S14：司机对推荐的返程货源分别进行线上报价或电话沟通定价，如果在推荐货源中有达成运输协议的返程货源，则将该返程货源设定为“待运输”状态，等待司机提货实施运输；如果在推荐货源中没有达成运输协议的返程货源，则进行线路货源推荐，向司机推荐返程线路沿线的返程货源。
进一步地，步骤S6中，所述第一货源评分指标包括货源与车辆地理位置的距离、车货匹配度、货源起运时间、货源运输报价四个评分要素；所述的第一货源评分策略的实施流程如下：
S6.1：对检索到的所有货源进行对比，按照货源与车辆地理位置的距离远近、车货匹配度大小、货源起运时间先后、货源运输报价高低对每个货源的评分要素进行打分；
S6.2：将第一货源评分指标中的各个评分要素设置不同权重，设定货源与车辆地理位置的距离的权重大于其余三个评分要素的权重；
S6.3：逐一选定货源，将其各评分要素的打分值与权重的乘积之和作为该货源的评分分值，直到完成所有货源的评分为止。
进一步地，步骤S7中，所述偏好分析指标包括运输线路记录、运输货源类型记录、运输时间段记录、客户评价记录、线路查看搜索量、货源类型搜索量、运输时间段搜索量六个偏好维度；所述人工智能深度学习机制是在建立货源推荐人工智能深度学习模型的基础上，按照偏好分析指标的六个偏好维度，从货源推荐平台抓取分析司机曾经的运输记录和频次、查询搜索记录和频次以及成功率等相关因子，通过深度学习模型的算法计算得出货源的司机运输偏好度。
进一步地，步骤S8中，所述的第一货源推荐策略是按照货源的评分分值与货源的司机运输偏好度的乘积大小进行货源优先排序，向司机推荐排序靠前的货源。
进一步地，步骤S13所述的第二货源推荐策略是对货源的评分分值进行排序，向司机推荐排序靠前的货源。
进一步地，步骤S14所述线路货源推荐的实施流程如下：
S14.1：从返程始发地开始，沿返程线路由近及远，在返程线路两侧一定区域范围内检索货源信息，若无货源，则一直沿返程线路检索至返程目的地为止；
S14.2：设定用于对返程货源进行量化评分的第二货源评分指标，根据第二货源评分策略，对检索到的返程货源进行评分；
S14.3：根据第三货源推荐策略，择优向司机推荐若干条返程货源；
S14.4：司机对推荐的返程货源分别进行线上报价或电话沟通定价，如果在推荐的返程货源中有达成运输协议的返程货源，则将该返程货源设定为“待运输”状态，等待司机提货实施运输；如果在推荐的返程货源中没有达成运输协议的返程货源，则空车返程。
进一步地，步骤S14.2中，所述第二货源评分指标包括货源与返程始发地地理位置的距离、货源与返程线路最近的距离、车货匹配度、货源启运时间、货源运输报价五个评分要素；所述的第二货源评分策略的实施流程如下：
S14.2.1：对检索到的所有返程货源进行对比，按照货源与返程始发地地理位置的距离远近、货源与返程线路最近的距离远近、车货匹配度大小、货源起运时间先后、货源运输报价高低对每个返程货源的评分要素进行打分；
S14.2.2：将第二货源评分指标中的各个评分要素设置不同权重，设定货源与返程始发地地理位置的距离的权重大于货源与返程线路最近的距离的权重，而货源与返程线路最近的距离的权重又大于其余三个评分要素的权重；
S14.2.3：逐一选定返程货源，将其各评分要素的打分值与权重的乘积之和作为该返程货源的评分分值，直到完成所有返程货源的评分为止。
进一步地，步骤S14.3所述的第三货源推荐策略是将返程货源的评分分值进行排序，向司机推荐排序靠前的返程货源。
进一步地，如果货主为企业，则所述的货主信息包括企业名称、社会信用统一代码、营业执照照片、企业地址、联系人姓名、联系电话；如果货主为个人，则所述的货主信息包括姓名、性别、年龄、身份证号码、身份证正反面照片、现场上半身照片、联系电话、家庭住址；
所述的司机信息包括姓名、性别、年龄、身份证号码、身份证正反面照片、现场上半身照片、联系电话、家庭住址。
进一步地，所述的地理位置定位采用GPS或北斗卫星导航系统进行定位；所述的始发地和目的地均包括含经度、纬度的地理位置信息。
本发明与现有技术相比，具有如下优点与有益效果：
通过建立货源评分策略、人工智能学习机制和货源推荐策略，构建相关模型算法，对司机运输偏好度进行深入分析，对货源进行量化评分，择优向司机推荐货源，提高了车货匹配度及匹配效率，减少了车辆空返率，降低了运输成本。
附图说明
图1为一种基于车辆地理位置定位的公路物流货源推荐方法的流程图；
图2为本发明中进行返程线路的货源推荐流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例
如图1所示，一种基于车辆地理位置定位的公路物流货源推荐方法，主要应用于货源推荐平台(如，拉货宝手机APP)，围绕运输车辆或线路地理位置检索相关货源，通过建立货源评分策略、人工智能学习机制和货源推荐策略，构建相关模型算法，对司机运输偏好度进行深入分析，对货源进行量化评分，择优向司机推荐货源，生成相应的运单，司机按照运单进行提货运输、交货结算，全程可通过地理位置信息(卫星导航定位信息)适时跟踪掌握货源运输动态。
具体地，上述基于车辆地理位置定位的公路物流货源推荐方法，包括如下步骤：
S1：货主、司机分别在货源推荐平台进行注册认证，采集货主信息、司机信息以及与司机对应的运输车辆信息进入后台数据库，其中运输车辆信息包括车辆类型、车辆类型、车辆长度、车辆载重、满载体积、车辆道路运输资格证；
S2：货主发布货源信息，所述货源信息包括始发地、目的地、货源类型、货源重量、货源数量、货源体积、运输时限、所需车型、运输报价、联系人姓名、联系方式；
S3：当时司机的运输车辆为“空车”状态时，司机发布包括从后台数据库读取的司机信息及其运输车辆信息的运力信息，请求货源推荐；
S4：货源推荐平台响应货源推荐请求，对车辆进行定位，确定车辆所在的始发地地理位置；
S5：在始发地地理位置的一定区域范围内检索货源信息，若无货源，则扩大区域继续检索货源信息；
S6：设定用于对货源进行量化评分的第一货源评分指标，根据第一货源评分策略，对货源进行评分；
S7：设定用于对司机运输偏好进行评价的偏好分析指标，建立人工智能深度学习机制，确定货源的司机运输偏好度；
S8：根据第一货源推荐策略，择优向司机推荐若干条货源；
S9：司机查看推荐的货源，选择一个推荐货源进行线上报价或电话沟通定价，如果不能达成运输协议，则继续选择推荐货源进行线上报价或电话沟通定价，直至达成运输协议，生成新的运单，将达成运输协议的货源及车辆设定为“待运输”状态，司机提货实施运输；
S10：达成运输协议后，司机随时发布返程运力信息，请求返程货源推荐，所述返程动力信息包括车辆类型、车辆长度、车辆载重、满载体积、返程运输时限、车辆道路运输资格证以及司机姓名和联系方式；
S11：货源推荐平台响应返程货源推荐请求，将步骤S9中达成运输协议的货源目的地作为司机返程始发地，达成运输协议的货源始发地作为司机返程目的地，读取司机返程的始发地地理位置；
S12：重复执行步骤S5、S6，对返程货源进行检索和评分；
S13：根据第二货源推荐策略，向司机推荐若干条返程货源；
S14：司机对推荐的返程货源分别进行线上报价或电话沟通定价，如果在推荐货源中有达成运输协议的返程货源，则将该返程货源设定为“待运输”状态，等待司机提货实施运输；如果在推荐货源中没有达成运输协议的返程货源，则进行线路货源推荐，向司机推荐返程线路沿线的返程货源。
本实施例中，拉货宝平台综合地理位置、货源信息、司机信息、货源评分、运输偏好分析、货源排序、择优推荐等方法，促成司机与货主更加容易达成运输交易，并能对订单可视化追踪，轻松优化运输过程管理，对于货主而言，通过这一便捷放心的平台，可了解运输车辆历史行驶情况，规范车货匹配以及运输结算的全过程管理。
具体的，无论是去程还是返程，司机装载完货源出发时，货源和运输车辆均设定为“运输中”状态，在货源到达目的地由客户签收后，货源设定为“已成交”状态，车辆设定为“空车”状态。
整个流程分为两大步：第一步，步骤S1至S9为司机请求系统平台推荐货源，平台在出发地为司机检索、分析货源，进行货源打分推荐，由司机与货主达成运输协议；第二步，在第一步完成后即可考虑车辆返程货源推荐，这里又分为两小步，第一小步为在返程出发地(即第一步的运输目的地)进行货源检查打分，并择优向司机推荐货源，第二小步为如果在返程出发地没有找到货源的情况下，则在返程线路周边检索推荐货源，如果仍然没有找到能够达成运输协议的货源，则车辆空车返程。
进一步地，步骤S6中，所述第一货源评分指标包括货源与车辆地理位置的距离、车货匹配度、货源启运时间、货源运输报价四个评分要素；所述的第一货源评分策略的实施流程如下：
S6.1：对检索到的所有货源进行对比，按照货源与车辆地理位置的距离远近、车货匹配度大小、货源启运时间先后、货源运输报价高低对每个货源的评分要素进行打分；
S6.2：将第一货源评分指标中的各个评分要素设置不同权重，设定货源与车辆地理位置的距离的权重大于其余三个评分要素的权重；
S6.3：逐一选定货源，将其各评分要素的打分值与权重的乘积之和作为该货源的评分分值，直到完成所有货源的评分为止。
在上述方案中，第一货源评分指标的选择充分考虑到货源距离车辆所在位置的远近，越近越好，考虑车辆与货源的匹配程度，越匹配越好，考虑货主对货源信息提出的运输时间限制(即货源起运时间)，起运时间越短越好，以免等待时间过长，减少了运输效益，考虑货源运输报价，当然同样的货源报价越低越好。在所述四个评分要素当中权利设置，以距离优先，其它评分要素的权重适当设置。
进一步地，步骤S7中，所述偏好分析指标包括运输线路记录、运输货源类型记录、运输时间段记录、客户评价记录、线路查看搜索量、货源类型搜索量、运输时间段搜索量六个偏好维度；所述人工智能深度学习机制是在建立货源推荐人工智能深度学习模型的基础上，按照偏好分析指标的六个偏好维度，从货源推荐平台抓取分析司机曾经的运输记录和频次、查询搜索记录和频次以及成功率等相关因子，通过深度学习模型的算法计算得出货源的司机运输偏好度。
上述方案中，充分考虑到司机曾经的各项运输维度，如果运输成功的次数、线路等越多，客户评价越好，当然其信用就越高，此外从司机在平台上搜索浏览的不同维度也可以进行分析。在建立人工智能深度学习模型和算法的基础上，对上述维度进行智能化的深入分析，计算得出的货源司机运输偏好度的可信性将更优，有利于货源推荐成功。关于人工智能深度学习模型和算法有很多现有的技术，可以结合本方法及应用场景进行引用或修改使用，确保这样的深度学习模型和算法能直到最优效果。
进一步地，步骤S8中，所述的第一货源推荐策略是按照货源的评分分值与货源的司机运输偏好度的乘积大小进行货源优先排序，向司机推荐排序靠前的货源。
进一步地，步骤S13所述的第二货源推荐策略是对货源的评分分值进行排序，向司机推荐排序靠前的货源。
进一步地，步骤S14所述线路货源推荐的实施流程如下：
S14.1：从返程始发地开始，沿返程线路由近及远，在返程线路两侧一定区域范围内检索货源信息，若无货源，则一直沿返程线路检索至返程目的地为止；
S14.2：设定用于对返程货源进行量化评分的第二货源评分指标，根据第二货源评分策略，对检索到的返程货源进行评分；
S14.3：根据第三货源推荐策略，向司机推荐若干条返程货源；
S14.4：司机对推荐的返程货源分别进行线上报价或电话沟通定价，如果在推荐的返程货源中有达成运输协议的返程货源，则将该返程货源设定为“待运输”状态，等待司机提货实施运输；如果在推荐的返程货源中没有达成运输协议的返程货源，则空车返程。
前面已经提到，上述方案主要是实现在返程货源推荐当中，在返程出发地货源推荐没有成功的情况下，在返程线路上及周边进行货源检索及推荐，如果仍然没有找到能够达成运输协议的货源，则车辆空车返程。
进一步地，步骤S14.2中，所述第二货源评分指标包括货源与返程始发地地理位置的距离、货源与返程线路最近的距离、车货匹配度、货源启运时间、货源运输报价五个评分要素；所述的第二货源评分策略的实施流程如下：
S14.2.1：对检索到的所有返程货源进行对比，按照货源与返程始发地地理位置的距离远近、货源与返程线路最近的距离远近、车货匹配度大小、货源启运时间先后、货源运输报价高低对每个返程货源的评分要素进行打分；
S14.2.2：将第二货源评分指标中的各个评分要素设置不同权重，设定货源与返程始发地地理位置的距离的权重大于货源与返程线路最近的距离的权重，而货源与返程线路最近的距离的权重又大于其余三个评分要素的权重；
S14.2.3：逐一选定返程货源，将其各评分要素的打分值与权重的乘积之和作为该返程货源的评分分值，直到完成所有返程货源的评分为止。
上述方案中，第二货源评分指标与前述的第一货源评分指标有所不同，主要体现在距离上，设置了两种距离：货源与返程始发地地理位置的距离、货源与返程线路最近的距离。检索货源时，优先考虑返程出发地的距离的货源(即货源与返程始发地地理位置的距离)，再考虑返程线路周边的距离(即货源与返程线路最近的距离)。
进一步地，步骤S14.3所述的第三货源推荐策略是将返程货源的评分分值进行排序，向司机推荐排序靠前的返程货源。
进一步地，如果货主为企业，则所述的货主信息包括企业名称、社会信用统一代码、营业执照照片、企业地址、联系人姓名、联系电话；如果货主为个人，则所述的货主信息包括姓名、性别、年龄、身份证号码、身份证正反面照片、现场上半身照片、联系电话、家庭住址；
所述的司机信息包括姓名、性别、年龄、身份证号码、身份证正反面照片、现场上半身照片、联系电话、家庭住址。
进一步地，其特征在于，所述的地理位置定位采用GPS或北斗卫星导航系统进行定位；所述的始发地和目的地均包括含经度、纬度的地理位置信息。
在本实施例中，所应用的各种不同货源评分策略、货源推荐策略，均可以根据实际选择不同的方法实现。
以上所述仅为本发明的较佳实施例而已，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，皆应属于本发明的保护范围。
Claims (10)
1.一种基于车辆地理位置定位的公路物流货源推荐方法，其特征在于，包括如下步骤：
S1：货主、司机分别在货源推荐平台进行注册认证，采集货主信息、司机信息以及与司机对应的运输车辆信息进入后台数据库，其中运输车辆信息包括车辆类型、车辆类型、车辆长度、车辆载重、满载体积、车辆道路运输资格证；
S2：货主发布货源信息，所述货源信息包括始发地、目的地、货源类型、货源重量、货源数量、货源体积、运输时限、所需车型、运输报价、联系人姓名、联系方式；
S3：当时司机的运输车辆为“空车”状态时，司机发布包括从后台数据库读取的司机信息及其运输车辆信息的运力信息，请求货源推荐；
S4：货源推荐平台响应货源推荐请求，对车辆进行定位，确定车辆所在的始发地地理位置；
S5：在始发地地理位置的一定区域范围内检索货源信息，若无货源，则扩大区域继续检索货源信息；
S6：设定用于对货源进行量化评分的第一货源评分指标，根据第一货源评分策略，对货源进行评分；
S7：设定用于对司机运输偏好进行评价的偏好分析指标，建立人工智能深度学习机制，确定货源的司机运输偏好度；
S8：根据第一货源推荐策略，择优向司机推荐若干条货源；
S9：司机查看推荐的货源，选择一个推荐货源进行线上报价或电话沟通定价，如果不能达成运输协议，则继续选择推荐货源进行线上报价或电话沟通定价，直至达成运输协议，生成新的运单，将达成运输协议的货源及车辆设定为“待运输”状态，司机提货实施运输；
S10：达成运输协议后，司机随时发布返程运力信息，请求返程货源推荐，所述返程动力信息包括车辆类型、车辆长度、车辆载重、满载体积、返程运输时限、车辆道路运输资格证以及司机姓名和联系方式；
S11：货源推荐平台响应返程货源推荐请求，将步骤S9中达成运输协议的货源目的地作为司机返程始发地，达成运输协议的货源始发地作为司机返程目的地，读取司机返程的始发地地理位置；
S12：重复执行步骤S5、S6，对返程货源进行检索和评分；
S13：根据第二货源推荐策略，择优向司机推荐若干条返程货源；
S14：司机对推荐的返程货源分别进行线上报价或电话沟通定价，如果在推荐货源中有达成运输协议的返程货源，则将该返程货源设定为“待运输”状态，等待司机提货实施运输；如果在推荐货源中没有达成运输协议的返程货源，则进行线路货源推荐，向司机推荐返程线路沿线的返程货源。
2.如权利要求1所述的一种基于车辆地理位置定位的公路物流货源推荐方法，其特征在于，步骤S6中，所述第一货源评分指标包括货源与车辆地理位置的距离、车货匹配度、货源起运时间、货源运输报价四个评分要素；所述的第一货源评分策略的实施流程如下：
S6.1：对检索到的所有货源进行对比，按照货源与车辆地理位置的距离远近、车货匹配度大小、货源起运时间先后、货源运输报价高低对每个货源的评分要素进行打分；
S6.2：将第一货源评分指标中的各个评分要素设置不同权重，设定货源与车辆地理位置的距离的权重大于其余三个评分要素的权重；
S6.3：逐一选定货源，将其各评分要素的打分值与权重的乘积之和作为该货源的评分分值，直到完成所有货源的评分为止。
3.如权利要求1所述的一种基于车辆地理位置定位的公路物流货源推荐方法，其特征在于，步骤S7中，所述偏好分析指标包括运输线路记录、运输货源类型记录、运输时间段记录、客户评价记录、线路查看搜索量、货源类型搜索量、运输时间段搜索量六个偏好维度；所述人工智能深度学习机制是在建立货源推荐人工智能深度学习模型的基础上，按照偏好分析指标的六个偏好维度，从货源推荐平台抓取分析司机曾经的运输记录和频次、查询搜索记录和频次以及成功率等相关因子，通过深度学习模型的算法计算得出货源的司机运输偏好度。
4.如权利要求1所述的一种基于车辆地理位置定位的公路物流货源推荐方法，其特征在于，步骤S8中，所述的第一货源推荐策略是按照货源的评分分值与货源的司机运输偏好度的乘积大小进行货源优先排序，向司机推荐排序靠前的货源。
5.如权利要求1所述的一种基于车辆地理位置定位的公路物流货源推荐方法，其特征在于，步骤S13所述的第二货源推荐策略是对货源的评分分值进行排序，向司机推荐排序靠前的货源。
6.如权利要求1所述的一种基于车辆地理位置定位的公路物流货源推荐方法，其特征在于，步骤S14所述线路货源推荐的实施流程如下：
S14.1：从返程始发地开始，沿返程线路由近及远，在返程线路两侧一定区域范围内检索货源信息，若无货源，则一直沿返程线路检索至返程目的地为止；
S14.2：设定用于对返程货源进行量化评分的第二货源评分指标，根据第二货源评分策略，对检索到的返程货源进行评分；
S14.3：根据第三货源推荐策略，择优向司机推荐若干条返程货源；
S14.4：司机对推荐的返程货源分别进行线上报价或电话沟通定价，如果在推荐的返程货源中有达成运输协议的返程货源，则将该返程货源设定为“待运输”状态，等待司机提货实施运输；如果在推荐的返程货源中没有达成运输协议的返程货源，则空车返程。
7.如权利要求6所述的一种基于车辆地理位置定位的公路物流货源推荐方法，其特征在于，步骤S14.2中，所述第二货源评分指标包括货源与返程始发地地理位置的距离、货源与返程线路最近的距离、车货匹配度、货源启运时间、货源运输报价五个评分要素；所述的第二货源评分策略的实施流程如下：
S14.2.1：对检索到的所有返程货源进行对比，按照货源与返程始发地地理位置的距离远近、货源与返程线路最近的距离远近、车货匹配度大小、货源起运时间先后、货源运输报价高低对每个返程货源的评分要素进行打分；
S14.2.2：将第二货源评分指标中的各个评分要素设置不同权重，设定货源与返程始发地地理位置的距离的权重大于货源与返程线路最近的距离的权重，而货源与返程线路最近的距离的权重又大于其余三个评分要素的权重；
S14.2.3：逐一选定返程货源，将其各评分要素的打分值与权重的乘积之和作为该返程货源的评分分值，直到完成所有返程货源的评分为止。
8.如权利要求6所述的一种基于车辆地理位置定位的公路物流货源推荐方法，其特征在于，步骤S14.3所述的第三货源推荐策略是将返程货源的评分分值进行排序，向司机推荐排序靠前的返程货源。
9.如权利要求1所述的一种基于车辆地理位置定位的公路物流货源推荐方法，其特征在于，如果货主为企业，则所述的货主信息包括企业名称、社会信用统一代码、营业执照照片、企业地址、联系人姓名、联系电话；如果货主为个人，则所述的货主信息包括姓名、性别、年龄、身份证号码、身份证正反面照片、现场上半身照片、联系电话、家庭住址；
所述的司机信息包括姓名、性别、年龄、身份证号码、身份证正反面照片、现场上半身照片、联系电话、家庭住址。
10.如权利要求1至9任一项所述的一种基于车辆地理位置定位的公路物流货源推荐方法，其特征在于，所述的地理位置定位采用GPS或北斗卫星导航系统进行定位；所述的始发地和目的地均包括含经度、纬度的地理位置信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910608709.2A CN110400060A (zh) | 2019-07-08 | 2019-07-08 | 一种基于车辆地理位置定位的公路物流货源推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910608709.2A CN110400060A (zh) | 2019-07-08 | 2019-07-08 | 一种基于车辆地理位置定位的公路物流货源推荐方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110400060A true CN110400060A (zh) | 2019-11-01 |
Family
ID=68322931
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910608709.2A Pending CN110400060A (zh) | 2019-07-08 | 2019-07-08 | 一种基于车辆地理位置定位的公路物流货源推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110400060A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110880065A (zh) * | 2019-11-06 | 2020-03-13 | 南京大学 | 一种针对专线司机的回程货源推送方法 |
| CN111324827A (zh) * | 2020-02-12 | 2020-06-23 | 上海东普信息科技有限公司 | 智能推荐货源订单信息的方法、装置、设备及存储介质 |
| CN111369186A (zh) * | 2020-02-27 | 2020-07-03 | 成都运力科技有限公司 | 物流推送方法、装置、服务器及可读存储介质 |
| CN111444436A (zh) * | 2020-05-08 | 2020-07-24 | 惠龙易通国际物流股份有限公司 | 货源推荐方法及装置 |
| CN112085359A (zh) * | 2020-08-27 | 2020-12-15 | 北京每日优鲜电子商务有限公司 | 信息生成方法、装置、电子设备和计算机可读介质 |
| CN112418758A (zh) * | 2020-11-17 | 2021-02-26 | 国网电子商务有限公司 | 一种为货主智能推荐承运商的方法及系统 |
| CN112581060A (zh) * | 2020-12-22 | 2021-03-30 | 北京优挂信息科技有限公司 | 基于车辆装卸点的配货需求度检测方法、装置及设备 |
| CN113496361A (zh) * | 2020-03-19 | 2021-10-12 | 上海达牛信息技术有限公司 | 一种实时运力推荐方法 |
| CN113673901A (zh) * | 2021-08-30 | 2021-11-19 | 於梅芬 | 一种基于大数据的ai智能物流车货匹配方法及系统 |
| CN116383270A (zh) * | 2023-03-30 | 2023-07-04 | 万联易达物流科技有限公司 | 一种在线司机运输兴趣的挖掘方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104240052A (zh) * | 2014-07-09 | 2014-12-24 | 重庆大学 | 返空车配货交易服务方法及软件系统 |
| CN106651122A (zh) * | 2016-11-07 | 2017-05-10 | 南京大学 | 一种货源信息筛选及推送方法 |
| 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 |
-
2019
- 2019-07-08 CN CN201910608709.2A patent/CN110400060A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104240052A (zh) * | 2014-07-09 | 2014-12-24 | 重庆大学 | 返空车配货交易服务方法及软件系统 |
| CN106651122A (zh) * | 2016-11-07 | 2017-05-10 | 南京大学 | 一种货源信息筛选及推送方法 |
| 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 |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110880065A (zh) * | 2019-11-06 | 2020-03-13 | 南京大学 | 一种针对专线司机的回程货源推送方法 |
| CN111324827A (zh) * | 2020-02-12 | 2020-06-23 | 上海东普信息科技有限公司 | 智能推荐货源订单信息的方法、装置、设备及存储介质 |
| CN111324827B (zh) * | 2020-02-12 | 2023-04-07 | 上海东普信息科技有限公司 | 智能推荐货源订单信息的方法、装置、设备及存储介质 |
| CN111369186A (zh) * | 2020-02-27 | 2020-07-03 | 成都运力科技有限公司 | 物流推送方法、装置、服务器及可读存储介质 |
| CN111369186B (zh) * | 2020-02-27 | 2023-05-30 | 成都运力科技有限公司 | 物流推送方法、装置、服务器及可读存储介质 |
| CN113496361A (zh) * | 2020-03-19 | 2021-10-12 | 上海达牛信息技术有限公司 | 一种实时运力推荐方法 |
| CN113496361B (zh) * | 2020-03-19 | 2022-05-20 | 上海达牛信息技术有限公司 | 一种实时运力推荐方法 |
| CN111444436A (zh) * | 2020-05-08 | 2020-07-24 | 惠龙易通国际物流股份有限公司 | 货源推荐方法及装置 |
| CN111444436B (zh) * | 2020-05-08 | 2024-03-22 | 惠龙易通国际物流股份有限公司 | 货源推荐方法及装置 |
| CN112085359A (zh) * | 2020-08-27 | 2020-12-15 | 北京每日优鲜电子商务有限公司 | 信息生成方法、装置、电子设备和计算机可读介质 |
| CN112418758A (zh) * | 2020-11-17 | 2021-02-26 | 国网电子商务有限公司 | 一种为货主智能推荐承运商的方法及系统 |
| CN112581060A (zh) * | 2020-12-22 | 2021-03-30 | 北京优挂信息科技有限公司 | 基于车辆装卸点的配货需求度检测方法、装置及设备 |
| CN113673901A (zh) * | 2021-08-30 | 2021-11-19 | 於梅芬 | 一种基于大数据的ai智能物流车货匹配方法及系统 |
| CN116383270A (zh) * | 2023-03-30 | 2023-07-04 | 万联易达物流科技有限公司 | 一种在线司机运输兴趣的挖掘方法 |
| CN116383270B (zh) * | 2023-03-30 | 2023-08-29 | 万联易达物流科技有限公司 | 一种在线司机运输兴趣的挖掘方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110400060A (zh) | 一种基于车辆地理位置定位的公路物流货源推荐方法 | |
| Boysen et al. | Last-mile delivery concepts: a survey from an operational research perspective | |
| Aurambout et al. | Last mile delivery by drones: An estimation of viable market potential and access to citizens across European cities | |
| Archetti et al. | Recent challenges in Routing and Inventory Routing: E‐commerce and last‐mile delivery | |
| US10671961B2 (en) | Systems and methods for transportation | |
| Campbell | Hub location and the p-hub median problem | |
| CN107038496B (zh) | 一种无人机快递自动投送路径规划方法及系统 | |
| Crainic et al. | Models for evaluating and planning city logistics systems | |
| Jennings et al. | Study of road autonomous delivery robots and their potential effects on freight efficiency and travel | |
| US9070101B2 (en) | Peer-to-peer neighborhood delivery multi-copter and method | |
| US9026454B2 (en) | System for procuring services | |
| CN103890792B (zh) | 用于比较位置信息的方法、装置和系统 | |
| US20160364823A1 (en) | Systems and methods for on-demand transportation | |
| US20160364679A1 (en) | Systems and methods for on-demand transportation | |
| US20120209512A1 (en) | Optimal path search system and optimal path search method | |
| CN107292561A (zh) | 一种基于移动互联大数据匹配顺带的调度方法 | |
| Behnke | Recent trends in last mile delivery: Impacts of fast fulfillment, parcel lockers, electric or autonomous vehicles, and more | |
| KR101867456B1 (ko) | 강화된 상태 변화 적응성 및 안정성을 구비한 클라우드 허브 중심의 화물정보 공유 커뮤니티를 통한 화물 운송 정보의 실시간 공유 방법 | |
| CN108428084A (zh) | 一种基于服务链的多式联运系统及方法 | |
| Madani et al. | Hybrid truck-drone delivery systems: A systematic literature review | |
| US20130131977A1 (en) | System and method for providing optimized mapping and travel | |
| CN107862493A (zh) | 一种货运车辆匹配行驶沿途附近货物的数值判断方法 | |
| US20220051173A1 (en) | Resource sharing assisting system, and resource sharing assisting method | |
| Sindi et al. | Autonomous goods vehicles for last-mile delivery: Evaluation of impact and barriers | |
| CN108492065A (zh) | 一种基于移动互联和区块链技术的顺带方法 |
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: 20191101 |
|
| RJ01 | Rejection of invention patent application after publication |