CN110717717A - 模型生成方法及系统、交通工具分配方法及装置 - Google Patents

Abstract

本发明实施例提供了一种模型生成方法及系统、交通工具分配方法及装置，该模型生成方法中，对于每个交通工具，该交通工具上安装的北斗终端周期地获取定位数据信息，并将获取的定位数据信息发送给所述车船联网平台；所述车船联网平台根据接收到的每个交通工具的定位数据信息，为每个交通工具生成交通工具的历史行驶信息；所述车船联网平台获取各交通工具的历史承运信息；所述车船联网平台根据所述历史行驶信息和所述历史承运信息，进行机器学习，生成分配模型，所述分配模型用于为所述待运输货物分配交通工具。本发明实施例所提供的技术方案在一定程度上提高了货物运输的效率，降低了分配成本，提高了分配准确性。

Description

模型生成方法及系统、交通工具分配方法及装置

【技术领域】

本发明涉及通信技术领域，尤其涉及一种模型生成方法及系统、交通工具分配方法及装置。

【背景技术】

目前，货物运输的两大核心内容：一个是快捷、准确、节约的配送服务；一个是安全、可靠的货物运输与结算。最初货运状态还处在粗放型发展阶段，货物配送还停留在原始的司机找货和货找车阶段。然而，这种司机找货和货找车的方式，降低了货物运输的效率，成本比较高。因此，后来出现一种电子商务平台，车船会员可以使用移动终端将其空闲运力的信息发布到该平台，货主用户使用移动终端将待运输货物信息发布到该平台，该平台收到后，平台客服可以根据车船会员与货主用户发布的信息，人工分配车船进行运输。

然而，实际应用中，如果有货物运输需求的用户量较大，或者车船会员的量较大，一一进行人工分配，降低了货物运输的效率，而且人工分配成本较高，准确性较低。

【发明内容】

有鉴于此，本发明实施例提供了一种模型生成方法及装置、交通工具分配方法及装置，在一定程度上提高了货物运输的效率，降低了分配成本，提高了分配准确性。

第一方面，本发明实施例提供一种模型生成方法，应用于包括车船联网平台、一个或多个北斗终端的系统，一个北斗终端安装在一个交通工具上；

所述方法包括：

对于每个交通工具，该交通工具上安装的北斗终端周期地获取定位数据信息，并将获取的定位数据信息发送给所述车船联网平台；

所述车船联网平台根据接收到的每个交通工具的定位数据信息，为每个交通工具生成交通工具的历史行驶信息；

所述车船联网平台获取各交通工具的历史承运信息；

所述车船联网平台根据所述历史行驶信息和所述历史承运信息，进行机器学习，生成分配模型，所述分配模型用于为所述待运输货物分配交通工具。

可选的，所述将获取的定位数据信息发送给所述车船联网平台，包括：

所述北斗终端周期地通过网络向所述车船联网平台发送定位数据信息，所述定位数据信息包含所述北斗终端获取的当前时间、地理位置信息、行驶速度、驾驶行为信息。

可选的，所述历史行驶信息包括：交通工具的行驶时长、最高速度、平均速度、超速次数、疲劳驾驶次数、作息规律信息、行驶线路信息。

可选的，所述历史承运信息包括：交通工具的装货地、卸货地、运输周期、满载情况信息、货物重量、货物尺寸、货物类型。

可选的，所述车船联网平台根据所述历史行驶信息和所述历史承运信息，进行机器学习，生成分配模型，包括：

所述车船联网平台将所述历史行驶信息分成行驶信息训练集合和行驶信息测试集合，将所述历史承运信息分成承运信息训练集合和承运信息测试集合；

利用机器学习算法，对所述行驶信息训练集合和承运信息训练集合进行训练，生成初始模型；

利用所述承运信息测试集合和行驶信息测试集合检测所述初始模型是否收敛，如果是，则将当前模型作为所述分配模型，如果否，则调整所述初始模型的参数，并继续进行训练，直至模型收敛。

可选的，利用机器学习算法，对所述行驶信息训练集合和承运信息训练集合进行训练，生成初始模型，包括：

从所述行驶信息训练集合中提取行驶特征信息，从所述承运信息训练集合中提取承运特征信息，以及，利用机器学习算法对提取的行驶特征信息和承运特征信息进行训练，以生成所述初始模型。

第二方面，本发明实施例还提供了一种交通工具分配方法，应用于车船联网平台，所述方法包括：

接收货主用户输入的待运输货物信息，所述待运输货物信息包括装货地、卸货地、货物重量、货物尺寸和运输时间；

从所述待运输货物信息中提取货物特征信息，并将所述货物特征信息输入到分配模型，以使得分配模型根据输入的货物特征信息为待运输货物分配交通工具；所述分配模型为利用上述模型生成方法生成的；

获取所述分配模型输出的交通工具的相关信息。

第三方面，本发明实施例还提供了一种模型生成系统，包括车船联网平台、一个或多个北斗终端，一个北斗终端安装在一个交通工具上；

对于每个交通工具，该交通工具上安装的北斗终端，用于周期地获取定位数据信息，并将获取的定位数据信息发送给所述车船联网平台；

所述车船联网平台，用于根据接收到的每个交通工具的定位数据信息，为每个交通工具生成交通工具的历史行驶信息；

所述车船联网平台，还用于获取各交通工具的历史承运信息；

所述车船联网平台，还用于根据所述历史行驶信息和所述历史承运信息，进行机器学习，生成分配模型，所述分配模型用于为所述待运输货物分配交通工具。

第四方面，本发明实施例还提供了一种交通工具分配装置，设置于车船联网平台，所述装置包括：

接收单元，用于接收货主用户输入的待运输货物信息，所述待运输货物信息包括装货地、卸货地、货物重量、货物尺寸和运输时间；

特征提取单元，用于从所述待运输货物信息中提取货物特征信息，并将所述货物特征信息输入到分配模型，以使得分配模型根据输入的货物特征信息为待运输货物分配交通工具；所述分配模型为利用上述模型生成装置生成的；

获取单元，用于获取所述分配模型输出的交通工具的相关信息。

本发明实施例具有以下有益效果：

本发明实施例中，采用交通工具的历史数据，如历史行驶信息和历史承运信息，作为训练样本进行机器学习，以生成为待运输货物分配交通工具的分配模型，进而使用该分配模型为货主用户发布的待运输货物分配合适的交通工具进行承运，由于采用了真实的历史数据作为训练样本，因此可以得到比较准确的分配模型，进而基于分配模型进行待运输货物的交通工具分配的准确性也比较高，而且，避免了人工分配，从而降低了分配成本。

【附图说明】

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例所提供的各方法所应用系统的第一示例图；

图2为本发明实施例所提供的各方法所应用系统的第一示例图；

图3为本发明实施例所提供的模型生成方法的流程示意图；

图4为本发明实施例中步骤S304的实现方法的流程示意图；

图5为本发明实施例所提供的交通工具分配方法的流程示意图；

图6为本发明实施例所提供的模型生成系统的结构示意图；

图7为本发明实施例所提供的交通工具分配装置的功能方块图。

【具体实施方式】

为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。

应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

本发明实施例提供的技术方案可以应用于如图1所示的包括车船联网平台、一个或多个北斗终端的系统中，如图1所示，一个北斗终端需要安装在一个交通工具上，交通工具例如车辆、货船等，本发明实施例对此不进行特别限定。交通工具上内置有发动机，北斗终端也安装在交通工具上。其中，车船联网平台与北斗平台是互相独立的平台，之间可以进行数据交换。

请参考图2，其为本发明实施例所提供的各方法所应用系统的第二示例图，如图2所示，车船联网平台与北斗终端之间可以进行移动通信，北斗终端与发动机之间可以进行通信。如图2所示，在一种可行的实施方案中，北斗终端可以与所在交通工具的发动机的发动机控制模块(Engine Control Module，ECM)之间通过控制器局域网络(Controller AreaNetwork，CAN)总线进行连接和通信。其中，北斗终端可以具有全球定位系统(GlobalPositioning System，GPS)和北斗定位系统两个定位模式，并可以支持双IP的通信模式。

请参考图3，其为本发明实施例所提供的模型生成方法的流程示意图，如图3所示，该方法包括以下步骤：

S301、对于每个交通工具，该交通工具上安装的北斗终端周期地获取定位数据信息，并将获取的定位数据信息发送给所述车船联网平台。

S302、所述车船联网平台根据接收到的每个交通工具的定位数据信息，为每个交通工具生成交通工具的历史行驶信息。

S303、所述车船联网平台获取各交通工具的历史承运信息。

S304、所述车船联网平台根据所述历史行驶信息和所述历史承运信息，进行机器学习，生成分配模型，所述分配模型用于为所述待运输货物分配交通工具。

具体的，如图1和图2所示，如果北斗终端能够正常工作，北斗终端就可以周期地通过移动网络与车船联网平台进行通信，如北斗终端每30秒通过移动网络向车船联网平台发送定位数据信息。其中，定位数据信息可以携带北斗终端获取的当前时间、地理位置信息、行驶速度、驾驶行为信息，也即交通工具的当前时间、地理位置信息、行驶速度、驾驶行为信息。这样，车船联网平台能够及时获知交通工具当前所在地理位置等信息。

进一步的，车船联网平台根据接收到的每个交通工具的定位数据信息，为每个交通工具生成交通工具的历史行驶信息。例如，历史行驶信息可以包括但不限于：交通工具的行驶时长、最高速度、平均速度、超速次数、疲劳驾驶次数、作息规律信息、行驶路线信息等。

具体的，对于每个交通工具，车船联网平台根据其上北斗终端上报的定位数据信息，可以计算该交通工具每天的行驶时长、最高速度、平均速度，统计超速次数，还可以计算其每天的连续行驶时长，进而根据连续行驶时长以及疲劳阈值统计疲劳驾驶次数，连续行驶时长大于疲劳阈值时，疲劳驾驶次数加1。作息规律信息可以包括停车地、停车时长等。

在一种可行的实施方案中，所述车船联网平台获取各交通工具的历史承运信息。所述历史承运信息包括：交通工具的装货地、卸货地、运输周期、满载情况信息、货物重量、货物尺寸、货物类型。例如，运输周期可以为每次运输的时长。例如，满载情况信息可以为每次运输是否为满载。例如，货物重量指的是每次承运时所承载的货物总重量。

具体的，车船联网平台对于注册的车主用户，可以维护和管理其交通工具的承运情况，从而可以形成交通工具的历史承运信息，并利用数据库保存交通工具的历史承运信息，当需要进行模型生成时，从数据库中获取各交通工具的历史承运信息。

在一种可行的实施方案中，如图4所示，车船联网平台根据所述历史行驶信息和所述历史承运信息，进行机器学习，生成分配模型的方法可以包括以下步骤：

S401，车船联网平台将所述历史行驶信息分成行驶信息训练集合和行驶信息测试集合，将所述历史承运信息分成承运信息训练集合和承运信息测试集合。

需要说明的是，由于在车船联网平台上注册的车主用户众多，不同的车主用户的交通工具的承运量也不相同，有的车主用户的承运量较多，有的车主用户的承运量较少，而对于承运量较少的车主用户的数据，受各方面因素影响比较大，不具有普遍性，因此成为噪点数据的可能性较大，如果使用其作为样本数据进行训练，生成的模型用于运算时输出的数据准确度将会下降，所以本发明实施例可以通过指定条件对车主用户进行筛选，从而筛选出符合指定条件的车主用户。

具体的，获取各车主用户的历史承运信息和历史行驶信息后，对于每个车主用户，针对相同的起始地，根据对应的承运量获取每个起始地的承运量总量；最后，根据预设的承运量阈值，判断是否存在承运量总量大于或者等于承运量阈值的起始地，如果存在，识别出对应的车主用户满足指定条件，将该车主用户的历史承运信息和历史行驶信息保留，用于进行训练以生成分配模型。

对于每个车主用户，获取相同的起始地对应的承运量，然后计算承运量的累加和，得到每个起始地的承运量总量，这样，一个车主用户对应多个起始地，每个起始地对应一个承运量总量。最后，利用预设的承运量阈值分别与承运量总量进行比较，获取承运量总量大于或者等于承运量阈值的起始地所对应的车主用户，该车主用户满足指定条件，其历史承运信息可以作为样本数据进行训练。这里，只要车主用户对应的有至少一个货运量总量大于或者等于货运量阈值，该车主用户就满足指定条件。只有所有承运量总量都小于指定条件的车主用户不满足指定条件而被筛除。

例如，上述数据库可以利用结构化查询语言(Structured Query Language，SQL)数据库实现，或者，也可以利用MySQL数据库实现，本发明实施例对此不进行特别限定。其中，车船联网平台对于每次完成的货运业务，都对相关数据进行存储，将其存储至数据库，形历史成承运信息，该历史承运信息中涉及货主用户，也涉及车主用户。

经过上述筛选后，车船联网平台将所述历史行驶信息分成行驶信息训练集合和行驶信息测试集合，将所述历史承运信息分成承运信息训练集合和承运信息测试集合。

例如，车船联网平台可以将历史行驶信息中的50％作为行驶信息训练集合，其余50％作为行驶信息测试集合，或者，可以将大于50％的历史行驶信息作为行驶信息训练集合，其余的作为行驶信息测试集合，这样，更多的历史行驶信息作为样本组成训练集合，使得训练样本更多，训练结果更加准确。历史承运信息划分成承运信息训练集合和承运信息测试集合与上述举例类似，这里不再赘述。

S402，利用机器学习算法，对所述行驶信息训练集合和承运信息训练集合进行训练，生成初始模型。

从所述行驶信息训练集合中提取行驶特征信息，从所述承运信息训练集合中提取承运特征信息，以及，利用机器学习算法对提取的行驶特征信息和承运特征信息进行训练，以生成所述初始模型。

具体的，首先，对所述行驶信息训练集合中各历史行驶信息进行数据格式的标准化处理。然后，对经过标准化处理的所述历史行驶信息进行去噪处理。接着，利用降维算法，对经过去噪处理的所述历史行驶信息进行降维处理，获得所述历史行驶信息的特征向量。最后，将历史行驶信息的特征向量作为行驶特征信息。

同理，首先，对所述承运信息训练集合中各历史承运信息进行数据格式的标准化处理。然后，对经过标准化处理的所述历史承运信息进行去噪处理。接着，利用降维算法，对经过去噪处理的所述历史承运信息进行降维处理，获得所述历史承运信息的特征向量。最后，将历史承运信息的特征向量作为承运特征信息。

可以理解的是，由于历史行驶信息中和历史承运信息中各项数据的数据格式不同，因此为了方便后面的去噪处理和降维处理，需要先对各项数据进行数据格式的标准化处理。例如，可以使用z分数(z-score)算法实现数据格式的标准化处理。

可以理解的是，由于数据的采集操作或者系统异常都有可能导致出现较多的异常数据，异常数据会严重影响生成的模型，使得模型的输出结果误差增大，导致准确率降低，因此，本发明实施例中，需要对历史行驶信息中和历史承运信息进行去噪处理，从而可以去除历史行驶信息中和历史承运信息中的孤立数据和/或异常数据。

可以理解的是，由于历史行驶信息中和历史承运信息中会包含多种数据，并且随着货主用户和车主用户的持续增加，训练时使用的数据不断增加，因此本发明实施例中需要对历史行驶信息中和历史承运信息进行降维处理，提取历史行驶信息中和历史承运信息中的主要特征数据。

在一个具体的实现过程中，可以利用主成分分析(Principal ComponentAnalysis，PCA)降维算法实现降维处理。

举例说明，利用PCA降维算法，对经过去噪处理的所述历史行驶信息中和历史承运信息进行降维处理，获得相应的特征向量的方法可以包括但不限于：

以历史行驶信息为例，首先，根据历史行驶信息中每种数据，生成对应的数据矩阵。然后对数据矩阵进行零均值化处理，即计算数据矩阵中所述数据的平均值，然后对于每个数据都减去平均值。接着，根据经过零均值化处理的数据矩阵，计算协方差矩阵，以及计算协方差矩阵的特征值和特征向量。最后，按照由大到小的顺序，对特征值进行排序，选择其中最大的k个特征值，将k个特征值对应的k个特征向量分别作为列向量，利用列向量组成特征向量。

需要说明的是，本发明实施例中，可以周期地进行分配模型的生成和更新，在每个周期到达后，根据最新的历史承运信息和历史行驶信息，进行重新训练，以实现数据的更新和模型的更新。

S403，利用所述承运信息测试集合和行驶信息测试集合检测所述初始模型是否收敛，如果是，则将当前模型作为所述分配模型，如果否，则调整所述初始模型的参数，并继续进行训练，直至模型收敛。

具体的，从承运信息测试集合中的历史承运信息中提取货物信息，如货物重量、货物尺寸和货物类型、装货地和卸货地，然后将提取的货物信息输入初始模型，获得初始模型的输出，即分配的交通工具的信息，如交通工具的标识等，根据该交通工具的标识在历史承运信息和历史行驶信息中进行匹配，判断匹配结果中是否包含该货物信息，或者，进一步计算匹配结果中的各货物信息是否与分配模型输出的货物信息的相似度，判断相似度是否大于或等于预设阈值，如果包含该货物信息，或者相似度大于预设阈值，则认为模型收敛，则将当前模型作为所述分配模型输出，如果没有包含该货物信息，或者相似度小于预设阈值，则认为模型没有收敛，调整所述初始模型的参数，并继续进行训练，直至模型收敛。

本发明实施例还提供了一种交通工具分配方法，该方法应用上述方法生成的分配模型，为待运输货物分配合适的交通工具。该方法可以应用于车船联网平台，如图5所示，该交通工具分配方法可以包括以下步骤：

S501、接收货主用户输入的待运输货物信息，所述待运输货物信息包括装货地、卸货地、货物重量、货物尺寸和运输时间。

S502、从所述待运输货物信息中提取货物特征信息，并将所述货物特征信息输入到分配模型，以使得分配模型根据输入的货物特征信息为待运输货物分配交通工具；所述分配模型为利用上述模型生成方法生成的。

S503、获取所述分配模型输出的交通工具的相关信息。

需要说明的是，对于货主用户发布的待运输货物，车船联网平台的业务人员也可以引入车主用户与货主用户进行商谈，在此之前需要获取能够为待运输货物的提供承运服务的交通工具，因此，业务人员可以通过客户端向车船联网平台发起货物运输请求。或者，对于货主用户，也可以自己通过客户端登录车船联网平台发布待运输货物，例如，通过客户端向车船联网平台发起信息货物运输请求。如此，车船联网平台可以接收到货物运输请求，并能通过该货物运输请求得到待运输货物信息。

进一步的，响应于货物运输请求，车船联网平台可以从货物运输请求中获取待运输货物信息。例如，实际应用中，客户端界面可以显示信息的输入框和相应的触发按钮，如待运输货物的发布按钮等，用户可以在输入框中输入相关信息，如待运输货物的装货地、卸货地、货物重量、货物尺寸和运输时间等，然后点击相应的发布按钮后，客户端根据输入的相关信息向车船联网平台发起货物运输请求，这样，车船联网平台就能够收到货物运输请求，并从该货物运输请求中提取待运输货物信息。

具体的，车船联网平台响应于接收到的货物运输请求，根据该货物运输请求所携带的待运输货物信息，并利用预先生成的分配模型，得到为待运输货物分配的交通工具。由于生成的分配模型是利用真实的历史行驶信息和历史承运信息进行训练得到的，因此，其能够根据货物运输请求的相关信息，对待运输货物进行较准确地分配，以使得分配的交通工具能够更加符合待运输货物的运输需求，提高了分配准确性，提高了成功率。

本发明实施例中，采用交通工具的历史数据，如历史行驶信息和历史承运信息，作为训练样本进行机器学习，以生成为待运输货物分配交通工具的分配模型，进而使用该分配模型为货主用户发布的待运输货物分配合适的交通工具进行承运，由于采用了真实的历史数据作为训练样本，因此可以得到比较准确的分配模型，进而基于分配模型进行待运输货物的交通工具分配的准确性也比较高，而且，避免了人工分配，从而降低了分配成本。

本发明实施例还提供了一种模型生成系统，请参考图6，其为本发明实施例所提供的模型生成系统的结构示意图，如图6所示，该系统包括：车船联网平台60、一个或多个北斗终端61(图中以1个北斗终端为示例)，一个北斗终端61安装在一个交通工具上；

对于每个交通工具，该交通工具上安装的北斗终端61，用于周期地获取定位数据信息，并将获取的定位数据信息发送给所述车船联网平台60；

所述车船联网平台60，用于根据接收到的每个交通工具的定位数据信息，为每个交通工具生成交通工具的历史行驶信息；

所述车船联网平台60，还用于获取各交通工具的历史承运信息；

所述车船联网平台60，还用于根据所述历史行驶信息和所述历史承运信息，进行机器学习，生成分配模型，所述分配模型用于为所述待运输货物分配交通工具。

发明实施例还提供了一种交通工具分配装置，该装置可以设置于车船联网平台60中。请参考图7，其为本发明实施例所提供的交通工具分配装置的功能方块图，如图7所示，该装置包括：

接收单元70，用于接收货主用户输入的待运输货物信息，所述待运输货物信息包括装货地、卸货地、货物重量、货物尺寸和运输时间；

特征提取单元71，用于从所述待运输货物信息中提取货物特征信息，并将所述货物特征信息输入到物分配模型，以使得分配模型根据输入的货物特征信息为待运输货物分配交通工具；所述分配模型为利用上述模型生成方法生成的；

获取单元72，用于获取所述分配模型输出的交通工具的相关信息。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是个人计算机，服务器，或者网络装置等)或处理器(Processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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，均应包含在本发明保护的范围之内。

Claims (9)

1.一种模型生成方法，其特征在于，应用于包括车船联网平台、一个或多个北斗终端的系统，一个北斗终端安装在一个交通工具上；

所述方法包括：

对于每个交通工具，该交通工具上安装的北斗终端周期地获取定位数据信息，并将获取的定位数据信息发送给所述车船联网平台；

所述车船联网平台根据接收到的每个交通工具的定位数据信息，为每个交通工具生成交通工具的历史行驶信息；

所述车船联网平台获取各交通工具的历史承运信息；

所述车船联网平台根据所述历史行驶信息和所述历史承运信息，进行机器学习，生成分配模型，所述分配模型用于为所述待运输货物分配交通工具。

2.根据权利要求1所述的方法，其特征在于，所述将获取的定位数据信息发送给所述车船联网平台，包括：

所述北斗终端周期地通过网络向所述车船联网平台发送定位数据信息，所述定位数据信息包含所述北斗终端获取的当前时间、地理位置信息、行驶速度、驾驶行为信息。

3.根据权利要求1所述的方法，其特征在于，所述历史行驶信息包括：交通工具的行驶时长、最高速度、最低速度、平均速度、超速次数、疲劳驾驶次数、作息规律信息、行驶线路信息。

4.根据权利要求1所述的方法，其特征在于，所述历史承运信息包括：交通工具的装货地、卸货地、运输周期、满载情况信息、货物重量、货物尺寸、货物类型。

5.根据权利要求1所述的方法，其特征在于，所述车船联网平台根据所述历史行驶信息和所述历史承运信息，进行机器学习，生成分配模型，包括：

所述车船联网平台将所述历史行驶信息分成行驶信息训练集合和行驶信息测试集合，将所述历史承运信息分成承运信息训练集合和承运信息测试集合；

利用机器学习算法，对所述行驶信息训练集合和承运信息训练集合进行训练，生成初始模型；

利用所述承运信息测试集合和行驶信息测试集合检测所述初始模型是否收敛，如果是，则将当前模型作为所述分配模型，如果否，则调整所述初始模型的参数，并继续进行训练，直至模型收敛。

6.根据权利要求5所述的方法，其特征在于，利用机器学习算法，对所述行驶信息训练集合和承运信息训练集合进行训练，生成初始模型，包括：

从所述行驶信息训练集合中提取行驶特征信息，从所述承运信息训练集合中提取承运特征信息，以及，利用机器学习算法对提取的行驶特征信息和承运特征信息进行训练，以生成所述初始模型。

7.一种交通工具分配方法，其特征在于，应用于车船联网平台，所述方法包括：

接收货主用户输入的待运输货物信息，所述待运输货物信息包括装货地、卸货地、货物重量、货物尺寸和运输时间；

从所述待运输货物信息中提取货物特征信息，并将所述货物特征信息输入到分配模型，以使得分配模型根据输入的货物特征信息为待运输货物分配交通工具；所述分配模型为利用权利要求1至6中任一项所述的模型生成方法生成的；

获取所述分配模型输出的交通工具的相关信息。

8.一种模型生成系统，其特征在于，包括车船联网平台、一个或多个北斗终端，一个北斗终端安装在一个交通工具上；

对于每个交通工具，该交通工具上安装的北斗终端，用于周期地获取定位数据信息，并将获取的定位数据信息发送给所述车船联网平台；

所述车船联网平台，用于根据接收到的每个交通工具的定位数据信息，为每个交通工具生成交通工具的历史行驶信息；

所述车船联网平台，还用于获取各交通工具的历史承运信息；

所述车船联网平台，还用于根据所述历史行驶信息和所述历史承运信息，进行机器学习，生成分配模型，所述分配模型用于为所述待运输货物分配交通工具。

9.一种交通工具分配装置，其特征在于，设置于车船联网平台，所述装置包括：

接收单元，用于接收货主用户输入的待运输货物信息，所述待运输货物信息包括装货地、卸货地、货物重量、货物尺寸和运输时间；

特征提取单元，用于从所述待运输货物信息中提取货物特征信息，并将所述货物特征信息输入到分配模型，以使得分配模型根据输入的货物特征信息为待运输货物分配交通工具；所述分配模型为利用权利要求1至6中任一项所述的模型生成方法生成的；

获取单元，用于获取所述分配模型输出的交通工具的相关信息。

Images