CN112418758A - 一种为货主智能推荐承运商的方法及系统 - Google Patents

一种为货主智能推荐承运商的方法及系统 Download PDF

Info

Publication number
CN112418758A
CN112418758A CN202011297109.8A CN202011297109A CN112418758A CN 112418758 A CN112418758 A CN 112418758A CN 202011297109 A CN202011297109 A CN 202011297109A CN 112418758 A CN112418758 A CN 112418758A
Authority
CN
China
Prior art keywords
carrier
shipper
transaction data
recommendation model
historical transaction
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
Application number
CN202011297109.8A
Other languages
English (en)
Inventor
张宾
崔保磊
洪海亮
李康
邢雅婷
郑金缘
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid E Commerce Co Ltd
State Grid E Commerce Technology Co Ltd
Original Assignee
State Grid E Commerce Co Ltd
State Grid E Commerce Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid E Commerce Co Ltd, State Grid E Commerce Technology Co Ltd filed Critical State Grid E Commerce Co Ltd
Priority to CN202011297109.8A priority Critical patent/CN112418758A/zh
Publication of CN112418758A publication Critical patent/CN112418758A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • G06Q10/0838—Historical data

Abstract

本发明公开了一种为货主智能推荐承运商的方法及系统，方法包括：获取货主发布的货源信息，获取各个承运商基于货源信息分别发布的报价信息；根据各个承运商基于货源信息分别发布的报价信息，通过预先构建的智能推荐模型进行智能分析，输出各个承运商的评分排序结果，评分排序结果用于货主选择承运商。本发明能够为货主推荐性价比最高的承运商，提升了货主体验。

Description

一种为货主智能推荐承运商的方法及系统
技术领域
本发明涉及智能推荐技术领域，尤其涉及一种为货主智能推荐承运商的方法及系统。
背景技术
目前，货主选择承运商的方法主要是，在货主发布货源后，各个承运商针对货源进行报价，然后货主依据承运商的报价选择承运商。由此可以看出，现有的货主选择承运商的方式，仅依据承运商的报价，货主无法选出优质运力，货主体验较差。
因此，如何有效的为货主推荐优质的承运商，以提升货主体验，是一项亟待解决的问题。
发明内容
有鉴于此，本发明提供了一种为货主智能推荐承运商的方法，能够为货主推荐性价比最高的承运商，提升了货主体验。
本发明提供了一种一种为货主智能推荐承运商的方法，包括：
获取货主发布的货源信息；
获取各个承运商基于所述货源信息分别发布的报价信息；
根据各个承运商基于所述货源信息分别发布的报价信息，通过预先构建的智能推荐模型进行智能分析，输出各个承运商的评分排序结果，所述评分排序结果用于货主选择承运商。
优选地，预先构建智能推荐模型包括：
获取历史交易数据；
根据所述历史交易数据构建货主-商品-承运商的图数据库；
基于所述图数据库中的数据对神经网络模型进行训练，得到智能推荐模型。
优选地，所述获取历史交易数据后，还包括：
对所述历史交易数据进行筛选和清洗，得到处理后的历史交易数据；
相应的，所述根据所述历史交易数据构建货主-商品-承运商的图数据库，包括：
根据所述处理后的历史交易数据构建货主-商品-承运商的图数据库。
优选地，所述方法还包括：
获取货主选择的承运商在承运货源时的交易数据；
基于所述交易数据对所述智能推荐模型进行优化，得到优化后的智能推荐模型。
一种为货主智能推荐承运商的系统，包括：
第一获取模块，用于获取货主发布的货源信息；
第二获取模块，用于获取各个承运商基于所述货源信息分别发布的报价信息；
智能分析模块，用于根据各个承运商基于所述货源信息分别发布的报价信息，通过预先构建的智能推荐模型进行智能分析，输出各个承运商的评分排序结果，所述评分排序结果用于货主选择承运商。
优选地，所述系统还包括：预先构建智能推荐模型的构建模块，所述构建模块包括：
获取单元，用于获取历史交易数据；
构建单元，用于根据所述历史交易数据构建货主-商品-承运商的图数据库；
训练单元，用于基于所述图数据库中的数据对神经网络模型进行训练，得到智能推荐模型。
优选地，所述构建模块还包括：
处理单元，用于对所述历史交易数据进行筛选和清洗，得到处理后的历史交易数据；
相应的，所述构建单元具体用于：
根据所述处理后的历史交易数据构建货主-商品-承运商的图数据库。
优选地，所述系统还包括：
第三获取模块，用于获取货主选择的承运商在承运货源时的交易数据；
优化模块，用于基于所述交易数据对所述智能推荐模型进行优化，得到优化后的智能推荐模型。
综上所述，本发明公开了一种为货主智能推荐承运商的方法，当需要为货主推荐优质的承运商时，首先获取货主发布的货源信息，然后获取各个承运商基于货源信息分别发布的报价信息，根据各个承运商基于货源信息分别发布的报价信息，通过预先构建的智能推荐模型进行智能分析，输出各个承运商的评分排序结果，评分排序结果用于货主选择承运商。本发明能够为货主推荐性价比最高的承运商，提升了货主体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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他的附图。
图1为本发明公开的一种为货主智能推荐承运商的方法实施例1的方法流程图；
图2为本发明公开的一种为货主智能推荐承运商的方法实施例2的方法流程图；
图3为本发明公开的一种为货主智能推荐承运商的方法实施例3的方法流程图；
图4为本发明公开的一种为货主智能推荐承运商的方法实施例4的方法流程图；
图5为本发明公开的一种为货主智能推荐承运商的系统实施例1的结构示意图；
图6为本发明公开的一种为货主智能推荐承运商的系统实施例2的结构示意图；
图7为本发明公开的一种为货主智能推荐承运商的系统实施例3的结构示意图；
图8为本发明公开的一种为货主智能推荐承运商的系统实施例4的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，为本发明公开的一种为货主智能推荐承运商的方法实施例1的方法流程图，所述方法可以包括以下步骤：
S101、获取货主发布的货源信息；
当需要为货主智能推荐承运商时，首先在货主发布货源时，获取货主发布的需要承运的货源信息。
S102、获取各个承运商基于货源信息分别发布的报价信息；
在获取到货主发布的货源信息后，各个承运商对货源进行报价，在承运商对货源进行报价后，获取各个承运商基于货源信息分别发布的报价信息。
S103、根据各个承运商基于货源信息分别发布的报价信息，通过预先构建的智能推荐模型进行智能分析，输出各个承运商的评分排序结果，评分排序结果用于货主选择承运商。
在获取到各个承运商基于货源信息分别发布的报价信息，根据获取到的各个承运商的报价信息，通过预先构建的智能推荐模型进行智能分析，计算出各个承运商的评分，并根据计算出的评分对承运商进行排序，将承运商的排序结果进行展示，通过展示的承运商的排序结果，货主可以选择出优质的承运商。
综上所述，在上述实施例中，当需要为货主推荐优质的承运商时，首先获取货主发布的货源信息，然后获取各个承运商基于货源信息分别发布的报价信息，根据各个承运商基于货源信息分别发布的报价信息，通过预先构建的智能推荐模型进行智能分析，输出各个承运商的评分排序结果，评分排序结果用于货主选择承运商。能够为货主推荐性价比最高的承运商，提升了货主体验。
如图2所示，为本发明公开的一种为货主智能推荐承运商的方法实施例2的方法流程图，所述方法可以包括以下步骤：
S201、获取历史交易数据；
全面收集货主、承运商历史成交物流信息等相关数据，并设定关键影响因子(承运商接单量、价格、发货周期等)。
S202、根据历史交易数据构建货主-商品-承运商的图数据库；
然后，以图的方式存储上述数据，构建基于货主-商品-承运商的图数据库。
S203、基于图数据库中的数据对神经网络模型进行训练，得到智能推荐模型；
然后，构建基于图的神经网络模型，通过图数据库中的数据对神经网络模型进行训练，构建出智能推荐模型。
S204、获取货主发布的货源信息；
当需要为货主智能推荐承运商时，首先在货主发布货源时，获取货主发布的需要承运的货源信息。
S205、获取各个承运商基于货源信息分别发布的报价信息；
在获取到货主发布的货源信息后，各个承运商对货源进行报价，在承运商对货源进行报价后，获取各个承运商基于货源信息分别发布的报价信息。
S206、根据各个承运商基于货源信息分别发布的报价信息，通过智能推荐模型进行智能分析，输出各个承运商的评分排序结果，评分排序结果用于货主选择承运商。
在获取到各个承运商基于货源信息分别发布的报价信息，根据获取到的各个承运商的报价信息，通过构建的智能推荐模型进行智能分析，计算出各个承运商的评分，并根据计算出的评分对承运商进行排序，将承运商的排序结果进行展示，通过展示的承运商的排序结果，货主可以选择出优质的承运商。
综上所述，本实施例在上述实施例的基础上，在预先构建智能推荐模型时，能够通过获取历史交易数据，根据历史交易数据构建货主-商品-承运商的图数据库，基于图数据库中的数据对神经网络模型进行训练，得到智能推荐模型。
如图3所示，为本发明公开的一种为货主智能推荐承运商的方法实施例3的方法流程图，所述方法可以包括以下步骤：
S301、获取历史交易数据；
全面收集货主、承运商历史成交物流信息等相关数据，并设定关键影响因子(承运商接单量、价格、发货周期等)。
S302、对历史交易数据进行筛选和清洗，得到处理后的历史交易数据；
在获取到上述数据后，进一步对获取到的数据进行筛选和清洗，以保证图片数据质量以及数量，确保提取正确的商品图像特征值。
S303、根据处理后的历史交易数据构建货主-商品-承运商的图数据库；
然后，以图的方式存储上述处理后的历史交易数据，构建基于货主-商品-承运商的图数据库。
S304、基于图数据库中的数据对神经网络模型进行训练，得到智能推荐模型；
然后，构建基于图的神经网络模型，通过图数据库中的数据对神经网络模型进行训练，构建出智能推荐模型。
S305、获取货主发布的货源信息；
当需要为货主智能推荐承运商时，首先在货主发布货源时，获取货主发布的需要承运的货源信息。
S306、获取各个承运商基于货源信息分别发布的报价信息；
在获取到货主发布的货源信息后，各个承运商对货源进行报价，在承运商对货源进行报价后，获取各个承运商基于货源信息分别发布的报价信息。
S307、根据各个承运商基于货源信息分别发布的报价信息，通过智能推荐模型进行智能分析，输出各个承运商的评分排序结果，评分排序结果用于货主选择承运商。
在获取到各个承运商基于货源信息分别发布的报价信息，根据获取到的各个承运商的报价信息，通过构建的智能推荐模型进行智能分析，计算出各个承运商的评分，并根据计算出的评分对承运商进行排序，将承运商的排序结果进行展示，通过展示的承运商的排序结果，货主可以选择出优质的承运商。
综上所述，本实施例在上述实施例的基础上，在构建智能推荐模型时，能够进一步对获取到的历史交易数据进行筛选和清理，进一步保证了图片数据质量以及数量，确保了提取正确的商品图像特征值。
如图4所示，为本发明公开的一种为货主智能推荐承运商的方法实施例4的方法流程图，所述方法可以包括以下步骤：
S401、获取货主发布的货源信息；
当需要为货主智能推荐承运商时，首先在货主发布货源时，获取货主发布的需要承运的货源信息。
S402、获取各个承运商基于货源信息分别发布的报价信息；
在获取到货主发布的货源信息后，各个承运商对货源进行报价，在承运商对货源进行报价后，获取各个承运商基于货源信息分别发布的报价信息。
S403、根据各个承运商基于货源信息分别发布的报价信息，通过预先构建的智能推荐模型进行智能分析，输出各个承运商的评分排序结果，评分排序结果用于货主选择承运商；
在获取到各个承运商基于货源信息分别发布的报价信息，根据获取到的各个承运商的报价信息，通过预先构建的智能推荐模型进行智能分析，计算出各个承运商的评分，并根据计算出的评分对承运商进行排序，将承运商的排序结果进行展示，通过展示的承运商的排序结果，货主可以选择出优质的承运商。
S404、获取货主选择的承运商在承运货源时的交易数据；
在货主选择出优质的承运商后，在承运商对货源进行承运时，获取承运商在承运货源时的交易数据。
S405、基于交易数据对智能推荐模型进行优化，得到优化后的智能推荐模型。
然后，根据获取到的承运商在承运货源时的交易数据对智能推荐模型进行优化，得到优化后的智能推荐模型，在下一次通过优化后的智能推荐模型对各个承运商进行智能分析，能够使得输出的各个承运商的评分排序结果更加优化，进一步提升了货主的体验。
如图5所示，为本发明公开的一种为货主智能推荐承运商的系统实施例1的结构示意图，所述系统可以包括：
第一获取模块501，用于获取货主发布的货源信息；
当需要为货主智能推荐承运商时，首先在货主发布货源时，获取货主发布的需要承运的货源信息。
第二获取模块502，用于获取各个承运商基于货源信息分别发布的报价信息；
在获取到货主发布的货源信息后，各个承运商对货源进行报价，在承运商对货源进行报价后，获取各个承运商基于货源信息分别发布的报价信息。
智能分析模块503，用于根据各个承运商基于货源信息分别发布的报价信息，通过预先构建的智能推荐模型进行智能分析，输出各个承运商的评分排序结果，评分排序结果用于货主选择承运商。
在获取到各个承运商基于货源信息分别发布的报价信息，根据获取到的各个承运商的报价信息，通过预先构建的智能推荐模型进行智能分析，计算出各个承运商的评分，并根据计算出的评分对承运商进行排序，将承运商的排序结果进行展示，通过展示的承运商的排序结果，货主可以选择出优质的承运商。
综上所述，在上述实施例中，当需要为货主推荐优质的承运商时，首先获取货主发布的货源信息，然后获取各个承运商基于货源信息分别发布的报价信息，根据各个承运商基于货源信息分别发布的报价信息，通过预先构建的智能推荐模型进行智能分析，输出各个承运商的评分排序结果，评分排序结果用于货主选择承运商。能够为货主推荐性价比最高的承运商，提升了货主体验。
如图6所示，为本发明公开的一种为货主智能推荐承运商的系统实施例2的结构示意图，所述系统可以包括：
获取单元601，用于获取历史交易数据；
全面收集货主、承运商历史成交物流信息等相关数据，并设定关键影响因子(承运商接单量、价格、发货周期等)。
构建单元602，用于根据历史交易数据构建货主-商品-承运商的图数据库；
然后，以图的方式存储上述数据，构建基于货主-商品-承运商的图数据库。
训练单元603，用于基于图数据库中的数据对神经网络模型进行训练，得到智能推荐模型；
然后，构建基于图的神经网络模型，通过图数据库中的数据对神经网络模型进行训练，构建出智能推荐模型。
第一获取模块604，用于获取货主发布的货源信息；
当需要为货主智能推荐承运商时，首先在货主发布货源时，获取货主发布的需要承运的货源信息。
第二获取模块605，用于获取各个承运商基于货源信息分别发布的报价信息；
在获取到货主发布的货源信息后，各个承运商对货源进行报价，在承运商对货源进行报价后，获取各个承运商基于货源信息分别发布的报价信息。
智能分析模块606，用于根据各个承运商基于货源信息分别发布的报价信息，通过智能推荐模型进行智能分析，输出各个承运商的评分排序结果，评分排序结果用于货主选择承运商。
在获取到各个承运商基于货源信息分别发布的报价信息，根据获取到的各个承运商的报价信息，通过构建的智能推荐模型进行智能分析，计算出各个承运商的评分，并根据计算出的评分对承运商进行排序，将承运商的排序结果进行展示，通过展示的承运商的排序结果，货主可以选择出优质的承运商。
综上所述，本实施例在上述实施例的基础上，在预先构建智能推荐模型时，能够通过获取历史交易数据，根据历史交易数据构建货主-商品-承运商的图数据库，基于图数据库中的数据对神经网络模型进行训练，得到智能推荐模型。
如图7所示，为本发明公开的一种为货主智能推荐承运商的系统实施例3的结构示意图，所述系统可以包括：
获取单元701，用于获取历史交易数据；
全面收集货主、承运商历史成交物流信息等相关数据，并设定关键影响因子(承运商接单量、价格、发货周期等)。
处理单元702，用于对历史交易数据进行筛选和清洗，得到处理后的历史交易数据；
在获取到上述数据后，进一步对获取到的数据进行筛选和清洗，以保证图片数据质量以及数量，确保提取正确的商品图像特征值。
构建单元703，用于根据处理后的历史交易数据构建货主-商品-承运商的图数据库；
然后，以图的方式存储上述处理后的历史交易数据，构建基于货主-商品-承运商的图数据库。
训练单元704，用于基于图数据库中的数据对神经网络模型进行训练，得到智能推荐模型；
然后，构建基于图的神经网络模型，通过图数据库中的数据对神经网络模型进行训练，构建出智能推荐模型。
第一获取模块705，用于获取货主发布的货源信息；
当需要为货主智能推荐承运商时，首先在货主发布货源时，获取货主发布的需要承运的货源信息。
第二获取模块706，用于获取各个承运商基于货源信息分别发布的报价信息；
在获取到货主发布的货源信息后，各个承运商对货源进行报价，在承运商对货源进行报价后，获取各个承运商基于货源信息分别发布的报价信息。
智能分析模块707，用于根据各个承运商基于货源信息分别发布的报价信息，通过智能推荐模型进行智能分析，输出各个承运商的评分排序结果，评分排序结果用于货主选择承运商。
在获取到各个承运商基于货源信息分别发布的报价信息，根据获取到的各个承运商的报价信息，通过构建的智能推荐模型进行智能分析，计算出各个承运商的评分，并根据计算出的评分对承运商进行排序，将承运商的排序结果进行展示，通过展示的承运商的排序结果，货主可以选择出优质的承运商。
综上所述，本实施例在上述实施例的基础上，在构建智能推荐模型时，能够进一步对获取到的历史交易数据进行筛选和清理，进一步保证了图片数据质量以及数量，确保了提取正确的商品图像特征值。
如图8所示，为本发明公开的一种为货主智能推荐承运商的系统实施例4的结构示意图，所述系统可以包括：
第一获取模块801，用于获取货主发布的货源信息；
当需要为货主智能推荐承运商时，首先在货主发布货源时，获取货主发布的需要承运的货源信息。
第二获取模块802，用于获取各个承运商基于货源信息分别发布的报价信息；
在获取到货主发布的货源信息后，各个承运商对货源进行报价，在承运商对货源进行报价后，获取各个承运商基于货源信息分别发布的报价信息。
智能分析模块803，用于根据各个承运商基于货源信息分别发布的报价信息，通过预先构建的智能推荐模型进行智能分析，输出各个承运商的评分排序结果，评分排序结果用于货主选择承运商；
在获取到各个承运商基于货源信息分别发布的报价信息，根据获取到的各个承运商的报价信息，通过预先构建的智能推荐模型进行智能分析，计算出各个承运商的评分，并根据计算出的评分对承运商进行排序，将承运商的排序结果进行展示，通过展示的承运商的排序结果，货主可以选择出优质的承运商。
第三获取模块804，用于获取货主选择的承运商在承运货源时的交易数据；
在货主选择出优质的承运商后，在承运商对货源进行承运时，获取承运商在承运货源时的交易数据。
优化模块805，用于基于交易数据对智能推荐模型进行优化，得到优化后的智能推荐模型。
然后，根据获取到的承运商在承运货源时的交易数据对智能推荐模型进行优化，得到优化后的智能推荐模型，在下一次通过优化后的智能推荐模型对各个承运商进行智能分析，能够使得输出的各个承运商的评分排序结果更加优化，进一步提升了货主的体验。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种为货主智能推荐承运商的方法，其特征在于，包括：
获取货主发布的货源信息；
获取各个承运商基于所述货源信息分别发布的报价信息；
根据各个承运商基于所述货源信息分别发布的报价信息，通过预先构建的智能推荐模型进行智能分析，输出各个承运商的评分排序结果，所述评分排序结果用于货主选择承运商。
2.根据权利要求1所述的方法，其特征在于，预先构建智能推荐模型包括：
获取历史交易数据；
根据所述历史交易数据构建货主-商品-承运商的图数据库；
基于所述图数据库中的数据对神经网络模型进行训练，得到智能推荐模型。
3.根据权利要求2所述的方法，其特征在于，所述获取历史交易数据后，还包括：
对所述历史交易数据进行筛选和清洗，得到处理后的历史交易数据；
相应的，所述根据所述历史交易数据构建货主-商品-承运商的图数据库，包括：
根据所述处理后的历史交易数据构建货主-商品-承运商的图数据库。
4.根据权利要求1所述的方法，其特征在于，还包括：
获取货主选择的承运商在承运货源时的交易数据；
基于所述交易数据对所述智能推荐模型进行优化，得到优化后的智能推荐模型。
5.一种为货主智能推荐承运商的系统，其特征在于，包括：
第一获取模块，用于获取货主发布的货源信息；
第二获取模块，用于获取各个承运商基于所述货源信息分别发布的报价信息；
智能分析模块，用于根据各个承运商基于所述货源信息分别发布的报价信息，通过预先构建的智能推荐模型进行智能分析，输出各个承运商的评分排序结果，所述评分排序结果用于货主选择承运商。
6.根据权利要求5所述的系统，其特征在于，还包括：预先构建智能推荐模型的构建模块，所述构建模块包括：
获取单元，用于获取历史交易数据；
构建单元，用于根据所述历史交易数据构建货主-商品-承运商的图数据库；
训练单元，用于基于所述图数据库中的数据对神经网络模型进行训练，得到智能推荐模型。
7.根据权利要求6所述的系统，其特征在于，所述构建模块还包括：
处理单元，用于对所述历史交易数据进行筛选和清洗，得到处理后的历史交易数据；
相应的，所述构建单元具体用于：
根据所述处理后的历史交易数据构建货主-商品-承运商的图数据库。
8.根据权利要求5所述的系统，其特征在于，还包括：
第三获取模块，用于获取货主选择的承运商在承运货源时的交易数据；
优化模块，用于基于所述交易数据对所述智能推荐模型进行优化，得到优化后的智能推荐模型。
CN202011297109.8A 2020-11-17 2020-11-17 一种为货主智能推荐承运商的方法及系统 Pending CN112418758A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011297109.8A CN112418758A (zh) 2020-11-17 2020-11-17 一种为货主智能推荐承运商的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011297109.8A CN112418758A (zh) 2020-11-17 2020-11-17 一种为货主智能推荐承运商的方法及系统

Publications (1)

Publication Number Publication Date
CN112418758A true CN112418758A (zh) 2021-02-26

Family

ID=74773016

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011297109.8A Pending CN112418758A (zh) 2020-11-17 2020-11-17 一种为货主智能推荐承运商的方法及系统

Country Status (1)

Country Link
CN (1) CN112418758A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112927084A (zh) * 2021-04-08 2021-06-08 浙江诺诺网络科技有限公司 一种交易企业推荐方法、装置、设备及介质
CN113205292A (zh) * 2021-04-25 2021-08-03 上海优备艾佳供应链管理有限公司 物流订单的推荐方法、装置、电子设备及存储介质
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

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110019289A (ko) * 2009-08-19 2011-02-25 서울대학교산학협력단 상품 가격을 고려한 상품 추천시스템 및 그 추천방법
CN106570722A (zh) * 2016-10-31 2017-04-19 上海斐讯数据通信技术有限公司 一种智能推荐系统及智能推荐方法
US20180121829A1 (en) * 2016-11-01 2018-05-03 International Business Machines Corporation Training a machine to automate spot pricing of logistics services in a large-scale network
CN109816311A (zh) * 2019-01-22 2019-05-28 浙江数链科技有限公司 物流承运商推荐方法和装置
CN110400060A (zh) * 2019-07-08 2019-11-01 拉货宝网络科技有限责任公司 一种基于车辆地理位置定位的公路物流货源推荐方法
CN111369199A (zh) * 2020-03-30 2020-07-03 河南中普国鼎科技有限公司 一种智能物流计划快速匹配方法
CN111445066A (zh) * 2020-03-24 2020-07-24 福建好运联联信息科技有限公司 一种多式联运的数字化物流的优化方法及终端
US20200294073A1 (en) * 2019-03-11 2020-09-17 Applied Methods Inc. Platform for In-Memory Analysis of Network Data Applied to Logistics For Best Facility Recommendations with Current Market Information
CN111737483A (zh) * 2020-05-04 2020-10-02 国网浙江省电力有限公司 智能电网大数据知识图谱的构建方法
CN112001781A (zh) * 2020-10-27 2020-11-27 南京福佑在线电子商务有限公司 货运报价方法、系统及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110019289A (ko) * 2009-08-19 2011-02-25 서울대학교산학협력단 상품 가격을 고려한 상품 추천시스템 및 그 추천방법
CN106570722A (zh) * 2016-10-31 2017-04-19 上海斐讯数据通信技术有限公司 一种智能推荐系统及智能推荐方法
US20180121829A1 (en) * 2016-11-01 2018-05-03 International Business Machines Corporation Training a machine to automate spot pricing of logistics services in a large-scale network
CN109816311A (zh) * 2019-01-22 2019-05-28 浙江数链科技有限公司 物流承运商推荐方法和装置
US20200294073A1 (en) * 2019-03-11 2020-09-17 Applied Methods Inc. Platform for In-Memory Analysis of Network Data Applied to Logistics For Best Facility Recommendations with Current Market Information
CN110400060A (zh) * 2019-07-08 2019-11-01 拉货宝网络科技有限责任公司 一种基于车辆地理位置定位的公路物流货源推荐方法
CN111445066A (zh) * 2020-03-24 2020-07-24 福建好运联联信息科技有限公司 一种多式联运的数字化物流的优化方法及终端
CN111369199A (zh) * 2020-03-30 2020-07-03 河南中普国鼎科技有限公司 一种智能物流计划快速匹配方法
CN111737483A (zh) * 2020-05-04 2020-10-02 国网浙江省电力有限公司 智能电网大数据知识图谱的构建方法
CN112001781A (zh) * 2020-10-27 2020-11-27 南京福佑在线电子商务有限公司 货运报价方法、系统及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
OKU, K. ET AL.: "Geographical Recommender System Using User Interest Model Based on Map Operation and Category Selection", INTERNATIONAL JOURNAL OF HANDHELD COMPUTING RESEARCH, vol. 3, no. 3, pages 1 - 16 *
孙明 等: "多式联运组织与管理", 31 January 2011, 上海交通大学出版社, pages: 213 *
王洪艳;: "O2O货运平台车货撮合策略优化思路探析", 现代商贸工业, no. 29, pages 39 - 41 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112927084A (zh) * 2021-04-08 2021-06-08 浙江诺诺网络科技有限公司 一种交易企业推荐方法、装置、设备及介质
CN113205292A (zh) * 2021-04-25 2021-08-03 上海优备艾佳供应链管理有限公司 物流订单的推荐方法、装置、电子设备及存储介质
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
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

Similar Documents

Publication Publication Date Title
CN112418758A (zh) 一种为货主智能推荐承运商的方法及系统
Listeş et al. A stochastic approach to a case study for product recovery network design
US9471893B2 (en) Methods and apparatus to monitor products in stores
CN111178705B (zh) 事项评价方法、装置、设备及存储介质
US20110076663A1 (en) Systems and methods for selecting survey questions and available responses
CN103425664A (zh) 一种对实体数据单元进行搜索、显示的方法和设备
CN112148973A (zh) 一种信息推送的数据处理方法及装置
CN113052705A (zh) 一种供应链金融服务流程管理方法及装置
CN112634062B (zh) 基于Hadoop的数据处理方法、装置、设备及存储介质
CN107688969B (zh) 一种新技术产品研发管理信息系统及管理信息方法
CN111932064A (zh) 一种建立风险评估等级的方法
CN111626864A (zh) 信息推送方法和装置、存储介质和电子装置
CN114782115B (zh) 一种专营店选址推荐方法、系统和终端设备
US20080016058A1 (en) Multi-candidate, multi-criteria decision-making method
CN108197158A (zh) 一种信息获取方法及其设备
Sawicka The methodology of solving stochastic multiple criteria ranking problems applied in transportation
CN110097211B (zh) 基于蒙特卡洛组合的物流业务预测方法及系统
CN111026933B (zh) 一种内容推荐方法、装置、电子设备及存储介质
CN114282976A (zh) 供应商推荐方法、装置、电子设备及介质
Lin et al. The choice between standard and non-standard FDI production strategies for Taiwanese multinationals
CN113674023A (zh) 基于会员等级的权益升级方法、装置、设备及存储介质
CN110992076A (zh) 商家质量评价方法、装置、电子设备及可读存储介质
CN111931065A (zh) 基于lstm模型的商机推荐方法、系统、电子设备及介质
CN110457433A (zh) 企业查询方法、装置、计算机设备及存储介质
CN109919470B (zh) 客资信息的分发方法及装置

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