CN112581060A - 基于车辆装卸点的配货需求度检测方法、装置及设备 - Google Patents

Abstract

本发明公开了一种基于车辆装卸点的配货需求度检测方法、装置及设备，所述方法包括：构建车辆的运营有向图；根据所述运营有向图计算区域特征参数；将所述区域特征参数输入预先训练好的配货需求度检测模型，得到所述车辆在所述区域的配货需求度；当所述配货需求度大于预设阈值时，为所述车辆推送货源。根据本公开实施例提供的基于车辆装卸点的配货需求度检测方法，根据车辆的区域特征参数训练检测模型，根据检测模型得到车辆在该区域的货源需求度，进而为配货需求度高的车辆推送货源，大大提高了车货匹配的效率和成交率。

Description

基于车辆装卸点的配货需求度检测方法、装置及设备

技术领域

本发明涉及智能交通技术领域，特别涉及一种基于车辆装卸点的配货需求度检测方法、装置及设备。

背景技术

随着信息技术在交通运输领域的深入发展，以车源信息和货源信息为代表的物流信息资源越来越丰富，在应用中需要准确的提取其中的关键信息并快速对物流资源进行匹配与推荐，由于车货信息资源具有数据量大、更新频繁、数据的流速、流量、流向复杂多变等流式数据特征，造成了匹配效率低下，不能实时产生匹配方案等问题。

现有技术中，车货匹配技术预设输入都是完整的货源和车源信息，如货主主动发布的货源信息，或者司机主动发布的车源信息，也有一些车辆信息通过车载传感器实时获取车辆的运行状态，如位置、空满载状态等，通过数学建模最大化匹配率或收益率，该类方法的前提是所有货车都需要配货，在实际使用场景中，有些车辆运行效率高有很稳定的货源，此类车辆不接受外面配货，不适合车货匹配场景，为此类车辆推送货源成功率很低。而且车辆是否需要配货通常使用APP由司机主动填写，维护更新成本高，在司机不活跃时无法做更精准的找车，因此，现有技术无法检测车辆的配货需求度，车货匹配效率低。

发明内容

本公开实施例提供了一种基于车辆装卸点的配货需求度检测方法、装置及设备。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

第一方面，本公开实施例提供了一种基于车辆装卸点的配货需求度检测方法，包括：

构建车辆的运营有向图；

根据运营有向图计算区域特征参数；

将区域特征参数输入预先训练好的配货需求度检测模型，得到车辆在区域的配货需求度；

当配货需求度大于预设阈值时，为车辆推送货源。

在一个实施例中，构建车辆的运营有向图，包括：

获取车辆的历史轨迹数据；

根据历史轨迹数据确定车辆的装卸停靠点；

根据装卸停靠点确定车辆的运营区域；

根据运营区域构建车辆的运营有向图。

在一个实施例中，根据运营区域构建车辆的运营有向图，包括：

以运营区域中的各个区县为节点，去往该节点的次数为边的权重，构建车辆的运营有向图；或，

以运营区域中的各个市为节点，去往该节点的次数为边的权重，构建车辆的运营有向图；或，

以运营区域中的各个省为节点，去往该节点的次数为边的权重，构建车辆的运营有向图。

在一个实施例中，根据运营有向图计算区域特征参数，包括：

根据运营有向图计算图中每个区域节点的偏好度、停留时长变异系数、装货地点数、装货地点变异系数。

在一个实施例中，根据运营有向图计算图中每个区域节点的偏好度、停留时长变异系数、装货地点数、装货地点变异系数，包括：

根据去往该区域节点的次数与去往所有节点的次数的比值得到该区域节点的偏好度；

根据该区域节点的停留时长的标准差与该区域节点平均停留时长的比值，得到该区域节点的停留时长变异系数；

根据DBSCAN聚类算法得到该区域节点的装货地点数；

根据该区域节点的装货地点数的标准差与该区域节点平均装货地点数的比值，得到该区域节点的装货地点变异系数。

在一个实施例中，将区域特征参数输入预先训练好的配货需求度检测模型之前，还包括：

获取区域特征参数与车辆的配货需求度之间的映射关系集合；

根据映射关系集合以及逻辑回归分类算法训练配货需求度检测模型。

在一个实施例中，为车辆推送货源，包括：

按照从高到低的顺序对车辆的配货需求度排序，依次为相应的车辆推送货源。

第二方面，本公开实施例提供了一种基于车辆装卸点的配货需求度检测装置，包括：

构建模块，用于构建车辆的运营有向图；

计算模块，用于根据运营有向图计算区域特征参数；

检测模块，用于将区域特征参数输入预先训练好的配货需求度检测模型，得到车辆在区域的配货需求度；

推送模块，用于当配货需求度大于预设阈值时，为车辆推送货源。

在一个实施例中，构建模块，包括：

获取单元，用于获取车辆的历史轨迹数据；

第一确定单元，用于根据历史轨迹数据确定车辆的装卸停靠点；

第二确定单元，用于根据装卸停靠点确定车辆的运营区域；

构建单元，用于根据运营区域构建车辆的运营有向图。

第三方面，本公开实施例提供了一种基于车辆装卸点的配货需求度检测设备，包括处理器和存储有程序指令的存储器，处理器被配置为在执行程序指令时，执行上述实施例提供的基于车辆装卸点的配货需求度检测方法。

本公开实施例提供的技术方案可以包括以下有益效果：

根据本公开实施例提供的车辆配货需求度检测方法，根据车辆的轨迹数据得到车辆在该区域的特征参数，将区域特征参数输入训练好的配货需求度检测模型，得到车辆在该区域的配货需求度，根据车辆配货需求度排序推荐相关货源。相对于司机线上实时维护自己的配货需求，该方法成本低易维护，且在一定程度上提高了车货匹配的效率和成交率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是根据一示例性实施例示出的一种基于车辆装卸点的配货需求度检测方法的流程示意图；

图2是根据一示例性实施例示出的一种基于车辆装卸点的配货需求度检测方法的流程示意图；

图3是根据一示例性实施例示出的一种基于车辆装卸点的配货需求度检测装置的结构示意图；

图4是根据一示例性实施例示出的一种基于车辆装卸点的配货需求度检测设备的结构示意图。

具体实施方式

为了能够更加详尽地了解本公开实施例的特点与技术内容，下面结合附图对本公开实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本公开实施例。在以下的技术描述中，为方便解释起见，通过多个细节以提供对所披露实施例的充分理解。然而，在没有这些细节的情况下，一个或一个以上实施例仍然可以实施。在其它情况下，为简化附图，熟知的结构和装置可以简化展示。

下面将结合附图1-附图2，对本申请实施例提供的基于车辆装卸点的配货需求度检测方法进行详细介绍，参见图1，该方法具体包括以下步骤。

S101构建车辆的运营有向图。

在一个实施例中，根据车辆的历史轨迹数据，确定车辆的运营区域，然后构建车辆的运营有向图。

具体地，首先获取车辆的历史轨迹数据，在一种可能的实现方式中，在车辆上安装车载终端、GPS定位装置，获取车辆的运行轨迹信息、时间信息等。然后根据车辆的轨迹数据确定车辆的装卸货停靠点。

在一种可能的实现方式中，当挖掘车辆历史轨迹数据时，首先确定出需要识别的车辆，然后从GPS轨迹点数据中获取该车辆在一段时间内上报的GPS轨迹点。其中，该GPS轨迹点携带上报的时刻以及该时刻车辆的运行速度。

然后，基于待识别车辆的GPS轨迹点识别待识别车辆的停靠点集合，其中，停靠点集合为车辆停下来的GPS轨迹点，例如停在路上、服务区、停车场、加油站、公司、厂矿区域、物流园区等GPS轨迹点。

进一步地，得到待识别车辆的停靠点集合后，该停靠点集合中包括多个可删除的停靠点，可删除的停靠点例如小于5分钟的停靠点，小于五分钟的停靠点不可能发生装卸，因此需要删除，将删除后的剩余的停靠点确定为最终的停靠点，并获取最终的停靠点之间的运行数据，其中，运行数据包括运输里程、高速占比以及国道占比。

基于运输里程、高速占比以及国道占比将聚合后的停靠点进行兴趣点(POI)绑定，生成绑定兴趣点的停靠点，然后，根据绑定兴趣点的停靠点确定车辆装卸状态。

首先从绑定兴趣点的停靠点中随机获取目标待识别停靠点，当目标待识别停靠点绑定的兴趣点为物流属性时，确定目标待识别停靠点为物流停靠，或者当目标待识别停靠点绑定的兴趣点为休息属性时，确定目标待识别停靠点为休息停靠，或者当目标待识别停靠点绑定的兴趣点不包含物流属性且停靠在匹配的路段数据上时，确定目标待识别停靠点为路边临时停靠。

当目标待识别停靠点为物流停靠时，确定目标待识别停靠点为装卸点，以及当目标待识别停靠点与上一个物流属性的停靠点之间的距离大于第一预设距离阈值时，确定目标待识别停靠点为卸货点，以及当目标待识别停靠点与下一个物流属性的停靠点之间的距离小于第二预设距离阈值时，确定目标待识别停靠点为装货点。

根据装卸停靠点确定车辆的运营区域，在一个实施例中，获取到的装卸停靠点全部位于北京市内，可知目标车辆的运营区域为北京市，目标车辆为市内运输车辆。

然后根据运营区域构建车辆的运营有向图，在一个实施例中，根据运营区域构建车辆的运营有向图，包括以运营区域中的各个区县为节点，去往该节点的次数为边的权重，构建车辆的运营有向图；或，以运营区域中的各个市为节点，去往该节点的次数为边的权重，构建车辆的运营有向图；或，以运营区域中的各个省为节点，去往该节点的次数为边的权重，构建车辆的运营有向图。

在一个实施例中，车辆的装卸货停靠点全部位于北京市内，可知车辆的运营区域为北京市的各个区，因此，以发生过装卸货行为的各个区为运营有向图的节点，以车辆去往各个区的次数为边的权重，构建运营区域有向图。

在一个实施例中，车辆为长途车辆，车辆的装卸货地点涉及多个市，以发生过装卸货行为的各个市为节点，以车辆去往各个市的次数为边的权重，构建运营区域有向图。

在本公开实施例中，可以根据车辆的装卸货地点确定车辆的运营区域，根据运营区域分别构建区县级运营有向图、市级运营有向图、省级运营有向图。

S102根据运营有向图计算区域特征参数。

通过大量的市场调研及数据证明，一个车辆在某个地方装卸停靠越集中，停靠时长越均衡，则在该地越有相对稳定的货源，其接受外部配货的需求越低，反之亦然。本公开实施例通过分析车辆轨迹数据，根据已有的数据计算与车辆配货需求度相关的特征参数。

在一个实施例中，根据运营有向图计算图中每个区域节点的偏好度、停留时长变异系数、装货地点数、装货地点变异系数。

具体地，根据去往该区域节点的次数与去往所有节点的次数的比值得到该区域节点的偏好度，该区域节点的偏好度越大，说明去往该节点的次数越多，车辆在该节点处有稳定货源的可能性越大。

根据该区域节点的停留时长的标准差与该区域节点平均停留时长的比值，得到该区域节点的停留时长变异系数，根据车辆的轨迹数据可以计算出车辆每次前往该节点时的停留时长以及前往次数，每次的停留时长的和得到总的停留时长，总停留时长除以总次数，得到平均停留时长，标准差除以平均停留时长得到停留时长变异系数，标准差越小，停留时长变异系数越小，停留时长越稳定，车辆在该区域有稳定货源的可能性越大。

在一种可能的实现方式中，根据DBSCAN聚类算法得到该区域节点的装货地点数，DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一个比较有代表性的基于密度的聚类算法。与划分和层次聚类方法不同，它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。

首先，设定DBSCAN聚类算法的两个参数，一个是扫描半径，一个是最小包含点数，在一个示例性场景中，以5km为聚类半径，以10个为最小包含点数，对该区域节点内的装货地点进行聚类，任选一个未被访问的装货地点开始，找出与其距离在5km之内的所有附近装货地点，如果附近点的数量大于等于10，则当前装货地点与其附近装货地点形成一个簇，并且出发点被标记为已访问，然后递归，以相同的方法处理该簇内所有未被标记为已访问的点，从而对簇进行扩展，如果附近点的数量小于10，则该点暂时被标记作为噪声点，如果簇充分地被扩展，即簇内的所有点被标记为已访问，然后用同样的算法去处理未被访问的点。

根据该算法，得到聚类后的簇数，该簇数越大，说明车辆在该节点区域内的装货地点越多，装货地点越分散，车辆在该区域内没有稳定货源的可能性越大。

根据该区域节点的装货地点数的标准差与该区域节点平均装货地点数的比值，得到该区域节点的装货地点变异系数。在一种可能的实现方式中，记录车辆每次在该区域节点的装货地点数，根据每次的装货地点数得到总装货地点数，根据去往该节点的次数以及总的装货地点数，得到装货地点数的标准差和均值，根据标准差和均值的比值得到装货地点变异系数，标准差越小，装货地点数量变异数越小，装货地点的数量越稳定，说明车辆在该区域内的装货地点数量比较稳定，车辆在该区域内有稳定货源的可能性越大。

S103将区域特征参数输入预先训练好的配货需求度检测模型，得到车辆在该区域的配货需求度。

在一个实施例中，将区域特征参数输入预先训练好的配货需求度检测模型之前，还包括获取区域特征参数与车辆的配货需求度之间的映射关系集合，根据映射关系集合以及逻辑回归分类算法训练配货需求度检测模型。

具体地，首先构建训练模型的训练数据集以及验证数据集，获取多个车辆在多个区域节点的特征参数，以及对应司机的配货需求度，在一种可能的实现方式中，可以通过电话沟通获取司机的实际配货需求度，然后构建区域特征参数与车辆的配货需求度之间的映射关系集合，将集合分为训练数据集以及验证数据集。

进一步地，根据训练数据集以及逻辑回归分类算法训练需求度检测模型，逻辑回归是一个分类算法，它可以处理二元分类以及多元分类，逻辑回归函数模型是一个sigmoid函数，如下所示：

该函数性能良好，当z区域正无穷时，g(z)趋于1，当z趋于负无穷时，g(z)趋于0，非常适合作为分类概率模型，可以令g(z)的值在某个实数区间的时候是类别A，在另一个实数区间的时候是类别B，以此类推，就得到了一个分类模型。在一个示例性场景中，可以将配货需求度分为五个等级，当g(z)的值属于0-0.2时，配货需求度为一颗星，当g(z)的值属于0.2-0.4时，配货需求度为二颗星，g(z)的值属于0.4-0.6时，配货需求度为三颗星，g(z)的值属于0.6-0.8时，配货需求度为四颗星，g(z)的值属于0.8-1时，配货需求度为五颗星，星级越高，配货需求度越大。

将特征参数作为输入变量输入逻辑回归算法，与其对应的配货需求度作为输出变量，进行模型训练，通过梯度下降法进行模型优化，得到训练后的需求度检测模型。

进一步地，根据验证数据集验证训练后的配货需求度检测模型，若验证结果无误，得到训练好的配货需求度检测模型，若验证结果有误，根据验证数据集调整模型的参数，直到得到精度较高的配货需求度检测模型。

将车辆在当前区域节点的特征参数输入预先训练好的配货需求度检测模型，得到车辆在当前区域节点的配货需求度。

S104当配货需求度大于预设阈值时，为车辆推送货源。

当检测出来的配货需求度大于预设阈值时，说明车辆可能需要配货，则为车辆推送该节点区域的货源。其中，预设阈值本领域技术人员可自行设定，本公开实施例不做具体限制。

进一步地，若该车辆的配货需求度大于预设阈值，可对该区域内所有大于阈值的车辆进行排序，按照配货需求度从高到低的顺序对所有大于阈值的车辆进行排序，然后依次为相应的车辆推送货源。根据该步骤，可以大大提高车货匹配的成交率。

为了便于理解本申请实施例提供的配货需求度检测方法，下面结合附图2进行说明，如图2所示，该方法包括：

首先，获取车辆的原始轨迹数据，根据车辆的轨迹数据分析车辆的装卸货停靠点。

然后根据车辆的装卸货停靠点分析车辆的行程，得到车辆的运营区域，根据车辆的运营区域构建运营有向图。包括以运营区域中的各个区县为节点，去往该节点的次数为边的权重，构建车辆的运营有向图；或，以运营区域中的各个市为节点，去往该节点的次数为边的权重，构建车辆的运营有向图；或，以运营区域中的各个省为节点，去往该节点的次数为边的权重，构建车辆的运营有向图。

然后计算车辆在图中节点区域的特征参数，包括根据运营有向图计算图中每个区域节点的偏好度、停留时长变异系数、装货地点数、装货地点变异系数。

然后获取多个车辆在多个区域节点的特征参数，以及对应司机的配货需求度，构建区域特征参数与车辆的配货需求度之间的映射关系集合，根据映射关系集合训练配货需求度检测模型，将区域特征参数输入预先训练好的配货需求度检测模型，得到车辆在该区域的配货需求度。

当配货需求度大于预设阈值时，为车辆推送货源，可对该区域内所有大于阈值的车辆进行排序，按照配货需求度从高到低的顺序对所有大于阈值的车辆进行排序，然后依次为相应的车辆推送货源。

本公开实施例还提供一种基于车辆装卸点的配货需求度检测装置，该装置用于执行上述实施例的基于车辆装卸点的配货需求度检测方法，如图3所示，该装置包括：

构建模块301，用于构建车辆的运营有向图；

计算模块302，用于根据运营有向图计算区域特征参数；

检测模块303，用于将区域特征参数输入预先训练好的配货需求度检测模型，得到车辆在区域的配货需求度；

推送模块304，用于当配货需求度大于预设阈值时，为车辆推送货源。

在一个实施例中，构建模块301，包括：

获取单元，用于获取车辆的历史轨迹数据；

第一确定单元，用于根据历史轨迹数据确定车辆的装卸停靠点；

第二确定单元，用于根据装卸停靠点确定车辆的运营区域；

构建单元，用于根据运营区域构建车辆的运营有向图。

需要说明的是，上述实施例提供的基于车辆装卸点的配货需求度检测装置在执行基于车辆装卸点的配货需求度检测方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的基于车辆装卸点的配货需求度检测装置与基于车辆装卸点的配货需求度检测方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。

本公开实施例还提供一种与前述实施例所提供的基于车辆装卸点的配货需求度检测方法对应的电子设备，以执行上述基于车辆装卸点的配货需求度检测方法。

请参考图4，其示出了本申请的一些实施例所提供的一种电子设备的示意图。如图4所示，电子设备包括：处理器400，存储器401，总线402和通信接口403，处理器400、通信接口403和存储器401通过总线402连接；存储器401中存储有可在处理器400上运行的计算机程序，处理器400运行计算机程序时执行本申请前述任一实施例所提供的基于车辆装卸点的配货需求度检测方法。

其中，存储器401可能包含高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口403(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。

总线402可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。其中，存储器401用于存储程序，处理器400在接收到执行指令后，执行程序，前述本申请实施例任一实施方式揭示的基于车辆装卸点的配货需求度检测方法可以应用于处理器400中，或者由处理器400实现。

处理器400可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器400中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器400可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器401，处理器400读取存储器401中的信息，结合其硬件完成上述方法的步骤。

本申请实施例提供的电子设备与本申请实施例提供的基于车辆装卸点的配货需求度检测方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于车辆装卸点的配货需求度检测方法，其特征在于，包括：

构建车辆的运营有向图；

根据所述运营有向图计算区域特征参数；

将所述区域特征参数输入预先训练好的配货需求度检测模型，得到所述车辆在所述区域的配货需求度；

当所述配货需求度大于预设阈值时，为所述车辆推送货源。

2.根据权利要求1所述的方法，其特征在于，构建车辆的运营有向图，包括：

获取车辆的历史轨迹数据；

根据所述历史轨迹数据确定车辆的装卸停靠点；

根据所述装卸停靠点确定车辆的运营区域；

根据所述运营区域构建车辆的运营有向图。

3.根据权利要求2所述的方法，其特征在于，根据所述运营区域构建车辆的运营有向图，包括：

以所述运营区域中的各个区县为节点，去往该节点的次数为边的权重，构建车辆的运营有向图；或，

以所述运营区域中的各个市为节点，去往该节点的次数为边的权重，构建车辆的运营有向图；或，

以所述运营区域中的各个省为节点，去往该节点的次数为边的权重，构建车辆的运营有向图。

4.根据权利要求1所述的方法，其特征在于，根据所述运营有向图计算区域特征参数，包括：

根据所述运营有向图计算图中每个区域节点的偏好度、停留时长变异系数、装货地点数、装货地点变异系数。

5.根据权利要求4所述的方法，其特征在于，根据所述运营有向图计算图中每个区域节点的偏好度、停留时长变异系数、装货地点数、装货地点变异系数，包括：

根据去往该区域节点的次数与去往所有节点的次数的比值得到该区域节点的偏好度；

根据该区域节点的停留时长的标准差与该区域节点平均停留时长的比值，得到该区域节点的停留时长变异系数；

根据DBSCAN聚类算法得到该区域节点的装货地点数；

根据该区域节点的装货地点数的标准差与该区域节点平均装货地点数的比值，得到该区域节点的装货地点变异系数。

6.根据权利要求1所述的方法，其特征在于，将所述区域特征参数输入预先训练好的配货需求度检测模型之前，还包括：

获取区域特征参数与车辆的配货需求度之间的映射关系集合；

根据所述映射关系集合以及逻辑回归分类算法训练所述配货需求度检测模型。

7.根据权利要求1所述的方法，其特征在于，为所述车辆推送货源，包括：

按照从高到低的顺序对车辆的配货需求度排序，依次为相应的车辆推送货源。

8.一种基于车辆装卸点的配货需求度检测装置，其特征在于，包括：

构建模块，用于构建车辆的运营有向图；

计算模块，用于根据所述运营有向图计算区域特征参数；

检测模块，用于将所述区域特征参数输入预先训练好的配货需求度检测模型，得到所述车辆在所述区域的配货需求度；

推送模块，用于当所述配货需求度大于预设阈值时，为所述车辆推送货源。

9.根据权利要求8所述的装置，其特征在于，所述构建模块，包括：

获取单元，用于获取车辆的历史轨迹数据；

第一确定单元，用于根据所述历史轨迹数据确定车辆的装卸停靠点；

第二确定单元，用于根据所述装卸停靠点确定车辆的运营区域；

构建单元，用于根据所述运营区域构建车辆的运营有向图。

10.一种基于车辆装卸点的配货需求度检测设备，其特征在于，包括处理器和存储有程序指令的存储器，所述处理器被配置为在执行所述程序指令时，执行如权利要求1至7任一项所述的基于车辆装卸点的配货需求度检测方法。

Images