CN113127735A - 车货匹配方法、装置、计算机设备和介质 - Google Patents
车货匹配方法、装置、计算机设备和介质 Download PDFInfo
- Publication number
- CN113127735A CN113127735A CN202110361958.3A CN202110361958A CN113127735A CN 113127735 A CN113127735 A CN 113127735A CN 202110361958 A CN202110361958 A CN 202110361958A CN 113127735 A CN113127735 A CN 113127735A
- Authority
- CN
- China
- Prior art keywords
- information
- vehicle
- freight
- goods
- source
- 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 100
- 230000008569 process Effects 0.000 claims description 53
- 238000012216 screening Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 101150053844 APP1 gene Proteins 0.000 description 2
- 101100055496 Arabidopsis thaliana APP2 gene Proteins 0.000 description 2
- 101100189105 Homo sapiens PABPC4 gene Proteins 0.000 description 2
- 102100039424 Polyadenylate-binding protein 4 Human genes 0.000 description 2
- 101100016250 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) GYL1 gene Proteins 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000012015 optical character recognition Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/45—Clustering; Classification
-
- 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
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
Abstract
本公开提供了一种车货匹配方法、装置、计算机设备和介质。该方法包括：获取互联网平台发布的货运信息；对货运信息进行聚类，得到货源信息；基于货源信息，计算货源信息和车源方的匹配度；基于匹配度的排序，将货源信息推荐给车源方。本公开实施例提高了车源方与货源信息的匹配效率和匹配合适度。
Description
技术领域
本公开涉及车辆管理技术领域，更具体而言，涉及一种车货匹配方法、装置、计算机设备和介质。
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，由于货源信息资源具有数据量大，更新频繁、价值密度低、数据的流速、流量、流向复杂多变等流式数据特征，车源方与货源信息的匹配效率和匹配合适度低，这影响了车源方的运输业务及成本收效，也影响了货源方的运输效率、服务质量、成本控制等。因此，亟需设计一种车货匹配方法、装置、计算机设备和介质，来提高车源方与货源信息的匹配效率和匹配合适度。
公开内容
有鉴于此，本公开提供了一种车货匹配方法、装置、计算机设备和介质，提高了车源方与货源信息的匹配效率和匹配合适度。
根据本公开的一个方面，提供了一种车货匹配方法，包括：
获取互联网平台发布的货运信息；
对所述货运信息进行聚类，得到货源信息；
基于所述货源信息，计算所述货源信息和车源方的匹配度；
基于所述匹配度的排序，将所述货源信息推荐给所述车源方。
可选地，所述获取互联网平台发布的货运信息包括：
针对所述互联网平台的类别，建立从所述互联网平台获取货运信息的货运信息获取任务；
针对所述货运信息的多个数据格式，建立用于从所述互联网平台提取所述多个数据格式的货运信息的多个并行进程；
按照所述货运信息的多个数据格式，将所述货运信息获取任务分为所述多个数据格式的货物信息的多个获取子任务；
将所述多个获取子任务分配给所述多个并行进程，利用所述多个并行进程从所述互联网平台提取所述多个数据格式的货运信息。
可选地，所述将所述多个获取子任务分配给所述多个并行进程，利用所述多个并行进程从所述互联网平台提取所述多个数据格式的货运信息包括：
利用贪婪算法，将所述获取子任务分配给对应的所述并行进程，由所述并行进程从所述互联网平台提取对应数据格式的货运信息。
可选地，所述对所述货运信息进行聚类，得到货源信息包括：
从所述货运信息中提取出预设字段，所述预设字段包括货物重量、装货地址、卸货地址、货物类别、货物尺寸和货物最晚送达时间中的一个或多个；
对所述预设字段进行聚类，得到属于同一货源方的货源信息。
可选地，所述货运信息的数据格式包括图片、文本、音频和视频，所述从所述货运信息中提取出预设字段包括：
从图片格式的所述货运信息中提取出所述预设字段；
从文本格式的所述货运信息中提取出所述预设字段；
从音频格式的所述货运信息中提取出所述预设字段；
从视频格式的所述货运信息中提取出所述预设字段。
可选地，所述基于所述货源信息，计算所述货源信息和车源方的匹配度包括：
根据所述货源信息的硬性要求，筛出符合要求的车源方；
将所述货源信息和所述符合要求的车源方输入车货匹配识别模型，由所述车货匹配识别模型得到所述货源信息和所述符合要求的车源方的匹配度。
可选地，所述将所述多个获取子任务分配给所述多个并行进程，利用所述多个并行进程从所述互联网平台提取所述多个数据格式的货运信息包括：
以字节流格式保存所述多个并行进程的工作状态，将所述获取子任务分配给对应的处于空闲状态的所述并行进程，由所述并行进程从所述互联网平台提取对应数据格式的货运信息。
根据本公开的一个方面，提供了一种车货匹配装置，包括：
聚类单元，用于对互联网平台发布的货运信息进行聚类，得到货源信息；
车货匹配单元，用于基于所述货源信息，计算所述货源信息和车源方的匹配度；
货源信息推荐单元，用于基于所述匹配度的排序，将所述货源信息推荐给所述车源方。
根据本公开的一个方面，提供了一种计算机设备，包括：存储器，用于存储计算机可执行代码；处理器，用于执行所述计算机可执行代码，以实现如上所述的方法。
根据本公开的一个方面，提供了一种计算机可读介质，包括计算机可执行代码，所述计算机可执行代码被处理器执行时实现如上所述的方法。
在本公开实施例中，对互联网平台发布的货运信息进行聚类，得到货源信息，货源信息去除了货运信息中的无关信息，使得货源信息更有针对性，基于货源信息，计算货源信息和车源方的匹配度，基于匹配度的排序，将货源信息推荐给车源方，提高了车源方与货源信息的匹配效率和匹配合适度。在将匹配的货源信息推荐给车源方的过程中，不依赖于人工，提高了自动化程度。
附图说明
通过参考以下附图对本公开实施例的描述，本公开的上述以及其它目的、特征和优点将更为清楚，在附图中：
图1示出了根据本公开实施例的车货匹配方法所应用的体系架构图。
图2示出了根据本公开一个实施例的车货匹配方法的流程图。
图3示出了根据本公开一个实施例的互联网平台发布的货运信息的获取方法的流程图。
图4示出了根据本公开一个实施例的货运信息的聚类方法的流程图。
图5示出了根据本公开一个实施例的车货匹配装置的结构示意图。
图6示出了根据本公开一个实施例的车货匹配控制设备的结构示意图。
具体实施方式
以下基于实施例对本公开进行描述，但是本公开并不仅仅限于这些实施例。在下文对本公开的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本公开。为了避免混淆本公开的实质，公知的方法、过程、流程没有详细叙述。另外附图不一定是按比例绘制的。
图1示出了根据本公开实施例的车货匹配方法所应用的体系架构图。该体系构架100包括互联网平台110和车货匹配服务器120。车货匹配服务器120包括货运信息获取单元121、货运信息聚类单元122和车货匹配单元123。互联网平台110用于发布货运信息。货运信息是货源方发布的关于待运输货物的信息，货运信息中包括货物重量、装货地址、卸货地址、货物类别、货物尺寸和货物最晚送达时间等中一个或多个信息。互联网平台110可以是终端应用APP和Web平台等，终端应用APP例如为运满满、货车帮、一点通、货运宝、顺陆、微信、微博和QQ等，Web平台例如是第一货运网、百度贴吧等。货运信息可以以图片、文本、音频和视频等数据格式发布在互联网平台110。车货匹配服务器120用于获取互联网平台110发布的货运信息，将所述货运信息中与车源方匹配的货源信息推荐给车源方。货运信息获取单元121用于利用多个并行进程从互联网平台提取多个数据格式的货运信息。货运信息聚类单元122用于对货运信息聚类，得到属于同一货源方的货源信息。货源信息包括预设字段，预设字段包括货物重量、装货地址、卸货地址、货物类别、货物尺寸和货物最晚送达时间中的一个或多个。车货匹配单元123用于基于货源信息，计算货源信息和车源方的匹配度，将与车源方匹配的货源信息推荐给车源方。
上述的车货匹配服务器120可以体现为单台计算机的形式，也可以体现为多台计算机构成的集合，还可以体现为云的形式。当车货匹配服务器120体现为多台计算机构成的集合时，多台计算机相互配合，各自完成一部分车货匹配工作。当车货匹配服务器120体现为云的形式时，由云端的一系列计算机或计算机上的部分构成。
上述的货运信息获取单元121、货运信息聚类单元122和车货匹配单元123可以是单台计算机，也可以是单台计算机的一部分，例如在单台物理机上划分出的虚拟机。在一些情况下，车货匹配服务器120可以是单台计算机，货运信息获取单元121、货运信息聚类单元122和车货匹配单元123可以是该计算机上划分出的虚拟机。
图2示出了根据本公开一个实施例的车货匹配方法的流程图。本公开实施例提供的车货匹配方法可以由车货匹配服务器120执行。本公开实施例提供的车货匹配方法具体包括以下步骤：
在步骤210、获取互联网平台发布的货运信息。
在该步骤中，获取互联网平台发布的货运信息。互联网平台例如是互联网平台110。货运信息的数据格式可以是图片、文本、音频和视频等。一般来说，货运信息中包括货物重量、装货地址、卸货地址、货物类别、货物尺寸和货物最晚送达时间等中一个或多个信息。货源方将货运信息发布到互联网平台，货运信息分散在海量的数据信息中，需要从海量的数据信息中，将货运信息抽取、转换、加载至预设存储地址。
图3示出了根据本公开一个实施例的互联网平台发布的货运信息的获取方法的流程图。本公开实施例提供的方法可以由货运信息获取单元121执行。本公开实施例提供的互联网平台发布的货运信息的获取方法具体包括以下步骤：
在步骤310、针对所述互联网平台的类别，建立从所述互联网平台获取货运信息的货运信息获取任务。
在该步骤中，针对互联网平台的类别，建立从互联网平台获取货运信息的货运信息获取任务。在一些实施例中，针对互联网平台的类别，建立从每个互联网平台获取货运信息的货运信息获取任务。在一些实施例中，建立从终端应用APP获取货运信息的货运信息获取任务A。建立从Web平台获取货运信息的货运信息获取任务B。例如，互联网平台为终端应用APP1、终端应用APP2、Web平台1、Web平台2和Web平台3。分别建立从终端应用APP1和终端应用APP2获取货运信息的货运信息获取任务A1和货运信息获取任务A2。分别建立从Web平台1、Web平台2和Web平台3获取货运信息的货运信息获取任务B1、货运信息获取任务B2和货运信息获取任务B3。
在步骤320、针对所述货运信息的多个数据格式，建立用于从所述互联网平台提取所述多个数据格式的货运信息的多个并行进程。
在该步骤中，针对货运信息的多个数据格式，建立用于从互联网平台提取多个数据格式的货运信息的多个并行进程。货运信息的数据格式可以是图片、文本、音频和视频等，也即是，货运信息可以是以图片、文本、音频和视频等数据格式发布在互联网平台。需要说明的是，本发明实施例中建立的用于从互联网平台提取每一种数据格式的货运信息的并行进程的个数可以根据每一种数据格式的货运信息的信息量来确定，可以为1个，也可以为多个。在一些实施例中，建立用于从互联网平台提取图片格式的货运信息的并行进程1和并行进程2。建立用于从互联网平台提取文本格式的货运信息的并行进程3、并行进程4和并行进程5。建立用于从互联网平台提取音频格式的货运信息的并行进程6和并行进程7。建立用于从互联网平台提取视频格式的货运信息的并行进程8。
在步骤330、按照所述货运信息的多个数据格式，将所述货运信息获取任务分为所述多个数据格式的货物信息的多个获取子任务。
在该步骤中，按照货运信息的多个数据格式，将货运信息获取任务分为多个数据格式的货物信息的多个获取子任务。在一些实施例中，发布于终端应用APP的货运信息的数据格式包括图片、文本、音频和视频。发布于Web平台的货运信息的数据格式包括图片、文本和视频。将用于从终端应用APP获取货运信息的货运信息获取任务A分为图片格式的货运信息的获取子任务a1。将用于从终端应用APP获取货运信息的货运信息获取任务A分为文本格式的货运信息的获取子任务a2。将用于从终端应用APP获取货运信息的货运信息获取任务A分为音频格式的货运信息的获取子任务a3。将用于从终端应用APP获取货运信息的货运信息获取任务A分为视频格式的货运信息的获取子任务a4。将用于从Web平台获取货运信息的货运信息获取任务B分为图片格式的货运信息的获取子任务b1。将用于从Web平台获取货运信息的货运信息获取任务B分为文本格式的货运信息的获取子任务b2。将用于从Web平台获取货运信息的货运信息获取任务B分为视频格式的货运信息的获取子任务b3。
在步骤340、将所述多个获取子任务分配给所述多个并行进程，利用所述多个并行进程从所述互联网平台提取所述多个数据格式的货运信息。
在该步骤中，将多个获取子任务分配给多个并行进程，利用多个并行进程从互联网平台提取多个数据格式的货运信息。在一些实施例中，以字节流格式保存多个并行进程的工作状态，利用贪婪算法，将获取子任务分配给对应的处于空闲状态的并行进程，由并行进程从互联网平台提取对应数据格式的货运信息。
在步骤220、对所述货运信息进行聚类，得到货源信息。
在该步骤中，对货运信息进行聚类，得到货源信息。货源信息包括预设字段，预设字段包括货物重量、装货地址、卸货地址、货物类别、货物尺寸和货物最晚送达时间中的一个或多个。图4示出了根据本公开一个实施例的货运信息的聚类方法的流程图。本公开实施例提供的方法可以由货运信息聚类单元122执行。本公开实施例提供的货运信息的聚类方法具体包括以下步骤：
在步骤410、从所述货运信息中提取出预设字段，所述预设字段包括货物重量、装货地址、卸货地址、货物类别、货物尺寸和货物最晚送达时间中的一个或多个。
在该步骤中，从货运信息中提取出预设字段，预设字段包括货物重量、装货地址、卸货地址、货物类别、货物尺寸和货物最晚送达时间中的一个或多个。在一些实施例中，利用图像分块技术等将图片格式的货运信息分块，利用光学字符识别(ocr)技术等从分块的图片格式的货运信息中提取出所述预设字段。利用自然语言处理技术等，从文本格式的货运信息中提取出所述预设字段；从音频格式的货运信息中提取出所述预设字段；从视频格式的货运信息中提取出所述预设字段。由于从图片格式的货运信息、文本格式的货运信息、音频格式的货运信息和视频格式的货运信息中提取出所述预设字段的技术手段是现有的，故不赘述。
在步骤420、对所述预设字段进行聚类，得到属于同一货源方的货源信息。
在该步骤中，利用聚类算法对所述预设字段进行聚类，得到属于同一货源方的货源信息。由于对预设字段进行聚类的方法是现有的，故不赘述。在一些实施例中，执行步骤S420后，仍有货运信息未被聚类为其所属于的货源方的货运信息，则提示人工检测是否需要优化本发明实施例的车货匹配方法。
在步骤230、基于所述货源信息，计算所述货源信息和车源方的匹配度。
在该步骤中，基于货源信息，计算货源信息和车源方的匹配度。步骤230可以由车货匹配单元123执行。在一些实施例中，根据所述货源信息的硬性要求，筛出符合要求的车源方。硬性要求可以是货物重量、货物类别、货物尺寸等。例如，根据货源信息中的货物重量和货物尺寸筛选车辆的最大载重和车辆的车厢尺寸，从而筛出符合要求的车源方。根据货源信息中拆除立柱的要求筛选可以拆立柱的车辆，从而筛出符合要求的车源方。将货源信息和符合要求的车源方输入车货匹配识别模型，由车货匹配识别模型得到货源信息和符合要求的车源方的匹配度。车货匹配识别模型是一个机器学习模型，例如全连接神经网络。
车货匹配识别模型的训练方式如下：可以构造一个由大量训练样本组成的样本集合，其中每个训练词样本包括对互联网平台发布的货运信息进行聚类得到的货源信息和车源方，以及预先为该货源信息打好的标签，该标签表明货源信息和车源方是否匹配。将样本集合中的每个训练样本输入车货匹配识别模型，由车货匹配识别模型输出学习得到的车货匹配识别结果，该车货匹配识别结果与标签进行比对，如果对于训练样本集合中，至少预定比例(例如95％以上)的训练样本的输出结果是与标签一致的，则说明该车货匹配识别模型训练成功，否则调整车货匹配识别模型中各隐含层中各隐含节点的参数，使得至少预定比例(例如95％以上)的训练样本的输出结果是与标签一致的。
当车货匹配识别模型训练成功后，一般要经受测试的过程才能正式投入使用。在测试时，可以构造一个由大量测试样本构成的测试样本集合，其中每个测试样本也包括对互联网平台发布的货运信息进行聚类得到的货源信息和车源方，以及预先为该货源信息打好的标签。将测试样本集合中的每个测试样本输入车货匹配识别模型，由车货匹配识别模型输出学习得到的车货匹配识别结果，该车货匹配识别结果与标签进行比对。如果测试样本集合中车货匹配识别结果与标签匹配的样本占比达到预定比例，则确定车货匹配识别模型训练成功，否则重复进行上述训练的过程。
车货匹配识别模型训练好后即可投入使用。向其输入任一货源信息和符合要求的车源方，即可得到货源信息和符合要求的车源方是否匹配的判定结果，伴随着货源信息和符合要求的车源方的匹配概率。如果匹配概率大于50％，判定货源信息和符合要求的车源方匹配。
在步骤240、基于所述匹配度的排序，将所述货源信息推荐给所述车源方。
在该步骤中，基于匹配度的排序，将排序靠前的至少一个货源信息推荐给车源方。步骤240可以由车货匹配单元123执行。在一些实施例中，经过协商后，在车源方和该至少一个货源信息的货源方之间可以订立货物运输协议，以便于车源方为货源方提供货运服务。
图5示出了根据本公开一个实施例的车货匹配装置的结构示意图。车货匹配识别装置500包括：聚类单元510、车货匹配单元520和货源信息推荐单元530。
聚类单元510，用于对互联网平台发布的货运信息进行聚类，得到货源信息。车货匹配单元520，用于基于所述货源信息，计算所述货源信息和车源方的匹配度。货源信息推荐单元530，用于基于所述匹配度的排序，将所述货源信息推荐给所述车源方。
由于上述装置的实现细节在上文的方法实施例的详细介绍中已经描述，为节约篇幅，故不赘述。
图6示出了根据本公开一个实施例的车货匹配控制设备的结构示意图。图6示出的设备仅仅是一个示例，不应对本公开实施例的功能和使用范围构成任何限制。
参考图6，该设备包括通过总线连接的处理器610、存储器620和输入输出设备630。存储器620包括只读存储器(ROM)和随机访问存储器(RAM)，存储器620内存储有执行系统功能所需的各种计算机指令和数据，处理器610从存储器620中读取各种计算机指令以执行各种适当的动作和处理。输入输出设备630包括键盘、鼠标等的输入部分；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分；包括硬盘等的存储部分；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分。存储器620还存储有计算机指令以完成本公开实施例的方法规定的操作。
相应地，本公开实施例提供一种计算机设备，包括：存储器，用于存储计算机可执行代码；处理器，用于执行所述计算机可执行代码，以实现上述的方法。
相应地，本公开实施例提供一种计算机可读介质，包括计算机可执行代码，所述计算机可执行代码被处理器执行时实现上述的方法。
在本公开实施例中，对互联网平台发布的货运信息进行聚类，得到货源信息，货源信息去除了货运信息中的无关信息，使得货源信息更有针对性，基于货源信息，计算货源信息和车源方的匹配度，基于匹配度的排序，将货源信息推荐给车源方，提高了车源方与货源信息的匹配效率和匹配合适度。在将匹配的货源信息推荐给车源方的过程中，不依赖于人工，提高了自动化程度。
针对互联网平台的类别，建立从互联网平台获取货运信息的货运信息获取任务；针对货运信息的多个数据格式，建立用于从互联网平台提取多个数据格式的货运信息的多个并行进程；按照货运信息的多个数据格式，将货运信息获取任务分为多个数据格式的货物信息的多个获取子任务；将多个获取子任务分配给多个并行进程，利用多个并行进程从互联网平台提取多个数据格式的货运信息。多个获取子任务与多个并行进程分离，可以实现多个并行进程出错或重启后的多个获取子任务的分配顺序不乱，提高了车货匹配的可靠性。
附图中的流程图、框图图示了本公开实施例的系统、方法、装置的可能的体系框架、功能和操作，流程图和框图上的方框可以代表一个模块、程序段或仅仅是一段代码，所述模块、程序段和代码都是用来实现规定逻辑功能的可执行指令。也应当注意，所述实现规定逻辑功能的可执行指令可以重新组合，从而生成新的模块和程序段。因此附图的方框以及方框顺序只是用来更好的图示实施例的过程和步骤，而不应以此作为对发明本身的限制。
以上所述仅为本公开的一些实施例，并不用于限制本公开，对于本领域技术人员而言，本公开可以有各种改动和变化。凡在本公开的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (10)
1.一种车货匹配方法，包括：
获取互联网平台发布的货运信息；
对所述货运信息进行聚类，得到货源信息；
基于所述货源信息，计算所述货源信息和车源方的匹配度；
基于所述匹配度的排序，将所述货源信息推荐给所述车源方。
2.根据权利要求1所述的车货匹配方法，其中，所述获取互联网平台发布的货运信息包括：
针对所述互联网平台的类别，建立从所述互联网平台获取货运信息的货运信息获取任务；
针对所述货运信息的多个数据格式，建立用于从所述互联网平台提取所述多个数据格式的货运信息的多个并行进程；
按照所述货运信息的多个数据格式，将所述货运信息获取任务分为所述多个数据格式的货物信息的多个获取子任务；
将所述多个获取子任务分配给所述多个并行进程，利用所述多个并行进程从所述互联网平台提取所述多个数据格式的货运信息。
3.根据权利要求2所述的车货匹配方法，其中，所述将所述多个获取子任务分配给所述多个并行进程，利用所述多个并行进程从所述互联网平台提取所述多个数据格式的货运信息包括：
利用贪婪算法，将所述获取子任务分配给对应的所述并行进程，由所述并行进程从所述互联网平台提取对应数据格式的货运信息。
4.根据权利要求1所述的车货匹配方法，其中，所述对所述货运信息进行聚类，得到货源信息包括：
从所述货运信息中提取出预设字段，所述预设字段包括货物重量、装货地址、卸货地址、货物类别、货物尺寸和货物最晚送达时间中的一个或多个；
对所述预设字段进行聚类，得到属于同一货源方的货源信息。
5.根据权利要求4所述的车货匹配方法，其中，所述货运信息的数据格式包括图片、文本、音频和视频，所述从所述货运信息中提取出预设字段包括：
从图片格式的所述货运信息中提取出所述预设字段；
从文本格式的所述货运信息中提取出所述预设字段；
从音频格式的所述货运信息中提取出所述预设字段；
从视频格式的所述货运信息中提取出所述预设字段。
6.根据权利要求1所述的车货匹配方法，其中，所述基于所述货源信息，计算所述货源信息和车源方的匹配度包括：
根据所述货源信息的硬性要求，筛出符合要求的车源方；
将所述货源信息和所述符合要求的车源方输入车货匹配识别模型，由所述车货匹配识别模型得到所述货源信息和所述符合要求的车源方的匹配度。
7.根据权利要求2所述的车货匹配方法，其中，所述将所述多个获取子任务分配给所述多个并行进程，利用所述多个并行进程从所述互联网平台提取所述多个数据格式的货运信息包括：
以字节流格式保存所述多个并行进程的工作状态，将所述获取子任务分配给对应的处于空闲状态的所述并行进程，由所述并行进程从所述互联网平台提取对应数据格式的货运信息。
8.一种车货匹配装置，包括：
聚类单元，用于对互联网平台发布的货运信息进行聚类，得到货源信息；
车货匹配单元，用于基于所述货源信息，计算所述货源信息和车源方的匹配度；
货源信息推荐单元，用于基于所述匹配度的排序，将所述货源信息推荐给所述车源方。
9.一种计算机设备，包括：
存储器，用于存储计算机可执行代码；
处理器，用于执行所述计算机可执行代码，以实现权利要求1-7中任一个所述的方法。
10.一种计算机可读介质，其特征在于，包括计算机可执行代码，所述计算机可执行代码被处理器执行时实现权利要求1-7中任一个所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110361958.3A CN113127735A (zh) | 2021-04-02 | 2021-04-02 | 车货匹配方法、装置、计算机设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110361958.3A CN113127735A (zh) | 2021-04-02 | 2021-04-02 | 车货匹配方法、装置、计算机设备和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113127735A true CN113127735A (zh) | 2021-07-16 |
Family
ID=76774755
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110361958.3A Pending CN113127735A (zh) | 2021-04-02 | 2021-04-02 | 车货匹配方法、装置、计算机设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113127735A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113837688A (zh) * | 2021-09-06 | 2021-12-24 | 深圳依时货拉拉科技有限公司 | 运输资源匹配方法、装置、可读存储介质和计算机设备 |
| CN116562749A (zh) * | 2023-03-28 | 2023-08-08 | 北京知藏云道科技有限公司 | 一种基于自然语言处理的车货匹配推荐系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103544588A (zh) * | 2013-10-31 | 2014-01-29 | 深圳市华傲数据技术有限公司 | 一种物流货物智能装车的方法及系统 |
| CN107360218A (zh) * | 2017-06-22 | 2017-11-17 | 浙江力石科技股份有限公司 | 一种面向智慧旅游的大数据一体化并行存储调度方法及系统 |
| CN108805474A (zh) * | 2017-04-26 | 2018-11-13 | 北京万集科技股份有限公司 | 一种车货匹配方法及装置 |
| CN109242044A (zh) * | 2018-09-30 | 2019-01-18 | 江苏满运软件科技有限公司 | 车货匹配模型的训练方法、装置、存储介质及电子设备 |
| US20190318298A1 (en) * | 2018-04-16 | 2019-10-17 | Uber Technologies, Inc. | Freight vehicle matching and operation |
| CN111897828A (zh) * | 2020-07-31 | 2020-11-06 | 广州视源电子科技股份有限公司 | 数据批处理实现方法、装置、设备及存储介质 |
-
2021
- 2021-04-02 CN CN202110361958.3A patent/CN113127735A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103544588A (zh) * | 2013-10-31 | 2014-01-29 | 深圳市华傲数据技术有限公司 | 一种物流货物智能装车的方法及系统 |
| CN108805474A (zh) * | 2017-04-26 | 2018-11-13 | 北京万集科技股份有限公司 | 一种车货匹配方法及装置 |
| CN107360218A (zh) * | 2017-06-22 | 2017-11-17 | 浙江力石科技股份有限公司 | 一种面向智慧旅游的大数据一体化并行存储调度方法及系统 |
| US20190318298A1 (en) * | 2018-04-16 | 2019-10-17 | Uber Technologies, Inc. | Freight vehicle matching and operation |
| CN109242044A (zh) * | 2018-09-30 | 2019-01-18 | 江苏满运软件科技有限公司 | 车货匹配模型的训练方法、装置、存储介质及电子设备 |
| CN111897828A (zh) * | 2020-07-31 | 2020-11-06 | 广州视源电子科技股份有限公司 | 数据批处理实现方法、装置、设备及存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113837688A (zh) * | 2021-09-06 | 2021-12-24 | 深圳依时货拉拉科技有限公司 | 运输资源匹配方法、装置、可读存储介质和计算机设备 |
| CN113837688B (zh) * | 2021-09-06 | 2024-02-02 | 深圳依时货拉拉科技有限公司 | 运输资源匹配方法、装置、可读存储介质和计算机设备 |
| CN116562749A (zh) * | 2023-03-28 | 2023-08-08 | 北京知藏云道科技有限公司 | 一种基于自然语言处理的车货匹配推荐系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20180330279A1 (en) | Computer-readable recording medium, learning method, and learning apparatus | |
| CN113127735A (zh) | 车货匹配方法、装置、计算机设备和介质 | |
| CN111178380A (zh) | 数据分类方法、装置及电子设备 | |
| CN113791765B (zh) | 云服务的资源编排方法、装置、设备及存储介质 | |
| CN103310460A (zh) | 图像特征提取的方法及系统 | |
| CN112801773A (zh) | 企业风险预警方法、装置、设备及存储介质 | |
| CN109324956B (zh) | 系统测试方法、设备及计算机可读存储介质 | |
| CN110909768B (zh) | 一种标注数据获取方法及装置 | |
| US11392798B2 (en) | Automation rating for machine learning classification | |
| CN112861895A (zh) | 一种异常物品的检测方法和装置 | |
| CN111369031A (zh) | 一种分仓规划方法和装置 | |
| CN111144796A (zh) | 用于生成理货信息的方法和装置 | |
| CN112541688A (zh) | 业务数据校验方法、装置、电子设备及计算机存储介质 | |
| CN110505289B (zh) | 文件下载方法及装置、计算机可读介质、无线通信设备 | |
| CN112579781A (zh) | 文本归类方法、装置、电子设备及介质 | |
| CN110544166A (zh) | 样本生成方法、装置及存储介质 | |
| CN116226747A (zh) | 数据分类模型的训练方法、数据分类方法和电子设备 | |
| CN113869904B (zh) | 可疑数据识别方法、装置、电子设备、介质和计算机程序 | |
| CN111737371B (zh) | 可动态预测的数据流量检测分类方法及装置 | |
| CN113609018A (zh) | 测试方法、训练方法、装置、设备、介质和程序产品 | |
| CN113312075A (zh) | 配置信息下发方法、装置、存储介质及处理器 | |
| CN113703979A (zh) | 一种资源处理方法、装置、资源处理设备及存储介质 | |
| CN113888760A (zh) | 基于软件应用的违规信息监控方法、装置、设备及介质 | |
| CN113486147A (zh) | 一种文本处理方法、装置、电子设备及计算机可读介质 | |
| CN113591881A (zh) | 基于模型融合的意图识别方法、装置、电子设备及介质 |
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 |