CN116011460A - 一种基于自然语言处理的物流运力匹配方法和系统 - Google Patents

Abstract

本发明请求保护的一种基于自然语言处理的物流运力匹配方法和系统，通过对存储的自然语言的物流运力匹配模型进行匹配值计算；其中，每一个自然语言的物流运力匹配模型是根据预设的语义分析模型每次识别出的物流异常数据生成的；若匹配值计算结果满足预设条件，则调整所述预设的语义分析模型的识别参数或者将当前的语义分析模型切换为其他的语义分析模型；本发明可以解决现有的物流货物信息监测中出现将正常物流货物信息识别为物流异常的问题，避免由于当前的语义分析模型识别不准确造成的物流货物信息识别错误的问题，降低将正常物流货物信息误判为物流异常的概率，提高物流货物信息识别的准确度，提升用户体验。

Description

一种基于自然语言处理的物流运力匹配方法和系统

技术领域

本申请属于物流货物信息处理技术领域，尤其涉及基于物流车辆工智能的一种基于自然语言处理的物流运力匹配方法和系统。

背景技术

随着电商行业的兴起、公路基础建设的完善以及国际贸易快速发展，公路货运也在整个货运物流体系中越来越重要。但目前我国在公路运输方面效率低下，运输成本居高不下，车主、物流企业利润率逐年下滑。这些不良情况的主要原因是货运市场运力过剩，货车在从始发地装货运到目的地后，往往由于目的地货源不足，市场规模小等原因空载返回。我国货车的空驶率在40％以上，车主和物流企业的利润空间十分狭小。一些贸易频繁的港口、工厂等所在的大型城市聚集大量物流企业和货车，整个城市货运行业竞争压力大，一些商品运输过剩导致其价格远低于其他地方。但一些偏远或者小地区却由于需求度不高，市场规模小，无法吸引大型货车和物流企业，导致一些商品常年缺乏，本地区特产商品无法运输出去，GDP的增速缓慢，特产商品无物流车辆问津等问题。造成上述的主要原因就是地区之间的货和车的供需关系不匹配，地区之间的物流企业无法准确估算其两地之间的运力情况，造成大量货车空载返回或者由于竞争无法满载运输，进而导致了运力过剩或者运力不足的问题。

现有的传统城配物流模式，由于信息化、智能化程度低、技术手段落后，操作也都采用物流车辆工查看，手动操作的运营方式，很难实现城配物流的智能配置运营，往往出现货物配置不及时，车辆空置率高，无法很好的降低城配物流配送最后一公里成本。物流可以通过错峰的方式减少对楼宇运力的集中压力，但物流由于其业务特性普遍发生在高峰期。同时，下单和到达时间的不确定性会导致物流车辆流分散，降低电梯单次上下行的效率，从而降低整体效率。出于部分这方面的考虑，配送机器物流车辆通常被设计为具备同时负载多个物品包裹的能力。但是，发明物流车辆在实现本发明的过程中，发现现有的方案指数存在如下问题：闲置的时间越长，越能等到更多的包裹，可这也会造成用户闲置的时间变长，与物流较高即时性的需求是矛盾的。因此，需要一种基于物流运力匹配方法，以提高物品配送效率。

发明内容

本申请实施例提供了一种基于自然语言处理的物流运力匹配方法和系统，可以解决现有的物流货物信息监测中出现将正常物流货物信息识别为物流异常的问题。

第一方面，本申请实施例提供了一种基于自然语言处理的物流运力匹配方法，包括：

对存储的自然语言的物流运力匹配模型进行匹配值计算；其中，每一个自然语言的物流运力匹配模型是根据预设的语义分析模型每次识别出的物流异常数据生成的；

若匹配值计算结果满足预设条件，则调整所述预设的语义分析模型的识别参数或者将当前的语义分析模型切换为其他的语义分析模型。

本申请实施例提供的基于自然语言处理的物流运力匹配方法，将预设的语义分析模型识别出的物流异常数据生成自然语言的物流运力匹配模型并存储，对自然语言的物流运力匹配模型进行匹配值计算，若匹配值计算满足预设条件，调整预设的语义分析模型的识别参数或者将当前的语义分析模型切换为其他的语义分析模型。从而避免由于当前的语义分析模型识别不准确造成的物流货物信息识别错误的问题，降低将正常物流货物信息误判为物流异常的概率，提高物流货物信息识别的准确度，提升用户体验。

在第一方面的一种可能的实现方式中，所述对存储的自然语言的物流运力匹配模型进行匹配值计算包括：

当所述语义分析模型连续两次识别出物流异常数据时，对存储的两个自然语言的物流运力匹配模型进行匹配值计算，其中，所述两个自然语言的物流运力匹配模型是根据所述连续两次识别出的物流异常数据生成的，每个自然语言的物流运力匹配模型对应一个物流异常数据；

相应的，若匹配值计算结果满足预设条件，则调整所述语义分析模型的识别参数或者将当前的语义分析模型切换为其他的语义分析模型包括：

若两个自然语言的物流运力匹配模型的匹配值小于第一门限值，则调整所述语义分析模型的识别参数或者将当前的语义分析模型切换为其他的语义分析模型。

本申请实施例提供的基于自然语言处理的物流运力匹配方法，在连续两次将物流车辆数据识别为物流异常数据时，对存储的两个自然语言的物流运力匹配模型进行匹配值计算，若两个自然语言的物流运力匹配模型的匹配值小于第一门限值，则调整所述语义分析模型的识别参数或者将当前的语义分析模型切换为其他的语义分析模型。由于连续两次将物流车辆数据识别为物流异常数据，说明有可能存在将正常物流货物信息识别为物流异常的情况，此时调整识别参数或切换语义分析模型，得到更准确的语义分析模型，从而在下一次物流货物信息识别时，降低将正常物流货物信息识别为物流异常数据的概率。

在第一方面的一种可能的实现方式中，所述对存储的自然语言的物流运力匹配模型进行匹配值计算包括：

当达到预设周期时，统计存储的自然语言的物流运力匹配模型的数量；

当所述预设周期内的自然语言的物流运力匹配模型的数量大于第二门限值和/或所述预设周期内的自然语言的物流运力匹配模型的数量在所有输入物流车辆数据的数量中的比例大于第三门限值时，对存储的自然语言的物流运力匹配模型进行两两匹配值计算；

相应的，若匹配值计算结果满足预设条件，则调整所述语义分析模型的识别参数或者将当前的语义分析模型切换为其他的语义分析模型包括：

若根据每两个自然语言的物流运力匹配模型之间的匹配值计算出的相似自然语言的物流运力匹配模型的数量小于第三门限值和/或所述相似自然语言的物流运力匹配模型的数量在所有匹配值计算的次数中的比例小于第四门限值，则调整所述语义分析模型的识别参数或者将当前的语义分析模型切换为其他的语义分析模型。

本申请实施例提供的基于自然语言处理的物流运力匹配方法，当达到预设周期时，统计存储的自然语言的物流运力匹配模型的数量。当所述预设周期内的自然语言的物流运力匹配模型的数量达到一定数量时，说明将物流车辆数据识别为物流异常数据的频率较高，对自然语言的物流运力匹配模型进行匹配值计算。若相似自然语言的物流运力匹配模型的数量小于一定数量时，说明自然语言的物流运力匹配模型之间的匹配值不高，输入的物流车辆数据可能为正常物流车辆数据。调整所述语义分析模型的识别参数或者将当前的语义分析模型切换为其他的语义分析模型，防止一段时间内多次将正常物流车辆数据识别为物流异常数据。

在第一方面的一种可能的实现方式中，所述对存储的自然语言的物流运力匹配模型进行匹配值计算之前，所述方法还包括：

获取物流车辆数据；

采用所述预设的语义分析模型对所述物流车辆数据进行识别；

若识别结果为物流异常数据，则生成与所述物流异常数据对应的自然语言的物流运力匹配模型，并存储所述自然语言的物流运力匹配模型。

由于自然语言的物流运力匹配模型是对物流车辆数据进行特征提取后得到的，计算自然语言的物流运力匹配模型之间的匹配值，自然语言的物流运力匹配模型之间的匹配值可以准确反映出物流车辆数据是否是审核物流货物信息。

在第一方面的一种可能的实现方式中，所述生成与所述物流异常数据对应的自然语言的物流运力匹配模型，包括：

将所述物流异常数据对应的物流货物信息信号转换为物流货物信息数组；

生成与所述物流货物信息数组对应的关联矩阵，所述关联矩阵中的元素表示预设元素的物流货物信息在预设物流区域的物流异常件；

根据所述关联矩阵生成所述自然语言的物流运力匹配模型。相对于通过物流货物信息数组计算物流车辆数据之间的匹配值，通过关联矩阵计算物流车辆数据之间的匹配值可以提高计算效率。

在第一方面的一种可能的实现方式中，所述根据所述关联矩阵生成所述自然语言的物流运力匹配模型，包括：

对所述关联矩阵进行归一化处理；

将归一化处理后的关联矩阵中大于物流异常件门限值的元素设置为第一预设值，将所述归一化处理后的关联矩阵中小于或者等于所述物流异常件门限值的元素设置为第二预设值，将设置后的关联矩阵作为所述自然语言的物流运力匹配模型。

在第一方面的一种可能的实现方式中，所述对存储的自然语言的物流运力匹配模型进行匹配值计算，包括：

计算每两个自然语言的物流运力匹配模型中所述第一预设值的匹配数量；

根据所述第一预设值的匹配数量确定每两个自然语言的物流运力匹配模型之间的匹配值。

示例性地，将两个自然语言的物流运力匹配模型中对应的元素一一比较，计算第一预设值的匹配数量，匹配数量越多，匹配值越高。

在第一方面的一种可能的实现方式中，调整所述预设的语义分析模型的识别参数或者将当前的语义分析模型切换为其他的语义分析模型之后，所述方法还包括：

采用识别参数调整后的语义分析模型或者切换后的新的语义分析模型对所述物流车辆数据进行重新识别。

可以理解，由于不同的语义分析模型对不同个体的识别准确度不同，当物流车辆数据被识别为物流异常时，通过调整参数或切换模型的方法对物流车辆数据进行重新识别，从而可以采用合适的语义分析模型或者合适的参数对物流车辆数据进行识别，降低将正常物流货物信息误判为物流异常的概率。

在第一方面的一种可能的实现方式中，所述调整所述预设的语义分析模型的识别参数，包括：

按照预设规则降低所述预设的语义分析模型的置信度门限值。通过降低置信度门限值的方式，防止由于置信度门限值设置过高造成的物流货物信息识别错误。

在第一方面的一种可能的实现方式中，所述方法还包括：

若匹配值计算结果不满足预设条件，输出物流异常提示，闲置用户再次输入物流车辆数据。

第二方面，本申请实施例提供了一种基于自然语言处理的物流运力匹配系统，包括：

计算模块，用于对存储的自然语言的物流运力匹配模型进行匹配值计算；其中，每一个自然语言的物流运力匹配模型是根据预设的语义分析模型每次识别出的物流异常数据生成的；

调整模块，用于若匹配值计算结果满足预设条件，则调整所述预设的语义分析模型的识别参数或者将当前的语义分析模型切换为其他的语义分析模型。

在第二方面的一种可能的实现方式中，所述计算模块具体用于：

当所述语义分析模型连续两次识别出物流异常数据时，对存储的两个自然语言的物流运力匹配模型进行匹配值计算，其中，所述两个自然语言的物流运力匹配模型是根据所述连续两次识别出的物流异常数据生成的，每个自然语言的物流运力匹配模型对应一个物流异常数据；

相应的，所述调整模块具体用于：

若两个自然语言的物流运力匹配模型的匹配值小于第一门限值，则调整所述语义分析模型的识别参数或者将当前的语义分析模型切换为其他的语义分析模型。

在第二方面的一种可能的实现方式中，所述计算模块具体用于：

当达到预设周期时，统计存储的自然语言的物流运力匹配模型的数量；

当所述预设周期内的自然语言的物流运力匹配模型的数量大于第二门限值和/或所述预设周期内的自然语言的物流运力匹配模型的数量在所有输入物流车辆数据的数量中的比例大于第三门限值时，对存储的自然语言的物流运力匹配模型进行两两匹配值计算；

相应的，所述调整模块具体用于：

若根据每两个自然语言的物流运力匹配模型之间的匹配值计算出的相似自然语言的物流运力匹配模型的数量小于第三门限值和/或所述相似自然语言的物流运力匹配模型的数量在所有匹配值计算的次数中的比例小于第四门限值，则调整所述语义分析模型的识别参数或者将当前的语义分析模型切换为其他的语义分析模型。

在第二方面的一种可能的实现方式中，所述基于自然语言处理的物流运力匹配系统还包括：

获取模块，用于获取物流车辆数据；

识别模块，用于采用所述预设的语义分析模型对所述物流车辆数据进行识别；

模板生成模块，用于若识别结果为物流异常数据，则生成与所述物流异常数据对应的自然语言的物流运力匹配模型，并存储所述自然语言的物流运力匹配模型。

在第二方面的一种可能的实现方式中，所述模板生成模块具体用于：

将所述物流异常数据对应的物流货物信息信号转换为物流货物信息数组；

生成与所述物流货物信息数组对应的关联矩阵，所述关联矩阵中的元素表示预设元素的物流货物信息在预设物流区域的物流异常件；

根据所述关联矩阵生成所述自然语言的物流运力匹配模型。

在第二方面的一种可能的实现方式中，所述模板生成模块还用于：

对所述关联矩阵进行归一化处理；

将归一化处理后的关联矩阵中大于物流异常件门限值的元素设置为第一预设值，将所述归一化处理后的关联矩阵中小于或者等于所述物流异常件门限值的元素设置为第二预设值，将设置后的关联矩阵作为所述自然语言的物流运力匹配模型。

在第二方面的一种可能的实现方式中，所述计算模块还用于：

计算每两个自然语言的物流运力匹配模型中所述第一预设值的匹配数量；

根据所述第一预设值的匹配数量确定每两个自然语言的物流运力匹配模型之间的匹配值。

在第二方面的一种可能的实现方式中，所述调整模块还用于：

采用识别参数调整后的语义分析模型或者切换后的新的语义分析模型对所述物流车辆数据进行重新识别。

在第二方面的一种可能的实现方式中，所述调整模块还用于：

按照预设规则降低所述预设的语义分析模型的置信度门限值。

在第二方面的一种可能的实现方式中，所述基于自然语言处理的物流运力匹配系统还包括：

若匹配值计算结果不满足预设条件，输出物流异常提示。

第三方面，本申请实施例提供了一种终端设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面中任一项所述的基于自然语言处理的物流运力匹配方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面中任一项所述的基于自然语言处理的物流运力匹配方法。

第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的基于自然语言处理的物流运力匹配方法。

可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

附图说明

为了更清楚地说明本申请实施例中的技术方案，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。

图1为本申请第一实施例提供的基于自然语言处理的物流运力匹配方法的流程示意图；

图2为本申请第二实施例提供的基于自然语言处理的物流运力匹配方法的流程示意图；

图3为本申请第三实施例提供的基于自然语言处理的物流运力匹配方法的流程示意图；

图4为本申请第四实施例提供的基于自然语言处理的物流运力匹配方法的流程示意图；

图5为本申请第五实施例提供的基于自然语言处理的物流运力匹配方法的流程示意图；

图6是本申请实施例提供的基于自然语言处理的物流运力匹配系统的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术物流车辆员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

本申请实施例提供的基于自然语言处理的物流运力匹配方法应用于终端设备。该终端设备可以是任意具有物流货物信息交互功能的设备。包括但不限于具有物流货物信息交互功能的智能终端、智能终端、智能家电、平板电脑、可穿戴设备、车载设备、增强现实(augmented reality，AR)/虚拟现实(virtualreality，VR)设备、笔记本电脑、超级移动个物流车辆计算机(ultra-mobilepersonalcomputer，UMPC)、上网本、个物流车辆数字助理(personal digitalassistant，PDA)等，本申请实施例对终端设备的具体类型不作任何限制。

目前，具有物流货物信息交互功能的终端设备获取用户发出的物流货物信息，对用户发出的物流货物信息进行处理，判断用户发出的物流货物信息是否是正常物流货物信息，即是否为真实物流货物信息。若用户发出的物流货物信息是正常物流货物信息，则根据用户输入的物流货物信息执行对应的操作，若用户发出的物流货物信息是物流异常，发出物流异常的提示。

举例来说，在一种应用场景中，终端设备为智能终端，用户向智能终端发出物流货物信息“本地收件”，智能终端的传声器采集用户发出的物流货物信息，处理器对用户发出的物流货物信息进行处理，判断用户发出的物流货物信息是否是正常物流货物信息。若用户发出的物流货物信息为正常物流货物信息，则执行对应的操作，例如打开本地收件界面，在显示面板显示对应的收件二维码。若用户发出的物流货物信息为物流异常，则通过扬声器发出“物流异常”的物流货物信息提示，从而实现用户与智能终端的物流车辆机对话。

在又一种应用场景中，用户向智能终端发出物流货物信息“向A市发货800件”，智能终端的传声器采集用户发出的物流货物信息，处理器对用户发出的物流货物信息进行处理，判断用户发出的物流货物信息是否是正常物流货物信息。若用户发出的物流货物信息是正常物流货物信息，则智能终端执行对应的操作，例如通过WiFi模块或蓝牙模块指示与智能终端配对的物流目的终端传输对应的物流件。若用户发出的物流货物信息为物流异常，则通过扬声器发出物流异常”的物流货物信息提示，从而实现用户与智能终端的物流车辆机对话。

需要说明的是，终端设备也可以是服务器，例如在又一应用场景中，用户向智能终端发出物流货物信息，智能终端将物流货物信息传输至服务器，服务器对用户发出的物流货物信息进行处理，判断用户发出的物流货物信息是否是正常物流货物信息。若用户发出的物流货物信息是正常物流货物信息，则服务器指示智能终端执行对应的操作。若用户发出的物流货物信息是物流异常，则服务器指示智能终端发出“物流异常”的物流货物信息提示，从而实现用户与服务器的物流车辆机对话。

上述方案中，可以对物流车辆环境数据采集审核、物流货物信息融合、物流货物信息转换和物流货物信息预测等物流异常进行有效的物流货物信息监测，但是也会造成对真实物流货物信息误判的情况，例如，用户的真实物流货物信息被经常性地或者连续性地被识别为物流异常，影响用户体验。

基于上述技术问题，本申请实施例提供的基于自然语言处理的物流运力匹配方法，终端设备在判断用户发出物流货物信息为物流异常时，对存储的自然语言的物流运力匹配模型进行匹配值计算，若匹配值计算结果满足预设条件，则调整预设的语义分析模型的识别参数或者将当前的语义分析模型切换为其他的语义分析模型，对被识别为物流异常的用户物流货物信息进行重新识别，以降低将正常物流货物信息识别为物流异常的概率。

在一些应用场景下，终端设备会出现将用户的正常物流货物信息连续识别为物流异常的情况。例如，智能终端连续多次将用户的正常物流货物信息识别为物流异常。下面以该场景为例对本申请实施例提供的基于自然语言处理的物流运力匹配方法进行描述。

如图1所示，本申请第一实施例提供的基于自然语言处理的物流运力匹配方法包括：

S101：获取物流车辆数据。

在一种可能的实现方式中，终端设备先获取用户输入的鉴权信息，例如，通过摄像头获取物流车辆脸信息，或者通过输入单元获取指纹信息、数字密码、图案密码等，判断用户输入的鉴权信息与终端设备上存储的解锁信息是否匹配，若匹配，则鉴权成功。若鉴权成功，终端设备开启物流货物信息识别应用，例如物流货物信息助手或者物流货物信息对话软件。若用户发出物流货物信息，传声器采集用户发出的物流货物信息。

需要说明的是，物流车辆数据也可以直接作为鉴权信息，终端设备获取物流车辆数据后，首先判断用户输入的物流车辆数据的特征信息与终端设备上存储的物流车辆数据的特征信息是否匹配，若匹配，则鉴权成功，若鉴权成功，进一步根据物流车辆数据执行对应的操作。

S102：采用预设的语义分析模型对物流车辆数据进行识别，判断识别结果是否为正常物流货物信息。

其中，预设的语义分析模型是根据采集的用户物流货物信息和审核物流货物信息，采用机器学习或深度学习算法，对分类模型进行训练得到的。其中，审核物流货物信息可以是物流车辆环境数据采集、融合物流货物信息、预测物流货物信息中的一种或几种。具体地，终端设备获取同一批物流车辆的真实物流货物信息和对应的审核物流货物信息作为训练样本，将真实物流货物信息标记为正常物流货物信息，将审核物流货物信息标记为物流异常。将训练样本输入构建好的分类模型进行训练，根据分类模型的输出结果与对应的训练样本的标记优化分类模型的参数；当分类模型的输出结果与对应的训练样本的标记的差异在预设范围内时，得到分类模型的最优参数，根据最优参数生成预设的语义分析模型。对应地，本实施例中，终端设备获取物流车辆数据后，输入预设的语义分析模型，输出物流车辆数据为正常物流货物信息的概率，根据物流车辆数据为正常物流货物信息的概率确定出物流车辆数据是否为正常物流货物信息。

本申请实施例中，首先设定预设的语义分析模型的置信度门限值，以作为判定物流车辆数据为正常物流货物信息和物流异常的依据。例如，采集一批物流车辆的真实物流货物信息和对应的审核物流货物信息作为测试样本，将真实物流货物信息标记为正常物流货物信息，将审核物流货物信息标记为物流异常。将测试样本输入预设的语义分析模型，将预设的语义分析模型的输出概率与对应的标记进行比较，对比较结果进行统计，根据统计结果生成置信度门限值。例如，若输出概率大于0.5的测试样本中，大部分测试样本对应的标记为正常物流货物信息；输出概率小于或等于0.5的测试样本中，大部分测试样本对应的标记为物流异常，则设定置信度门限值为0.5。对应地，将物流车辆数据输入预设的语义分析模型，若预设的语义分析模型输出的概率大于或者等于置信度门限值，则对应的物流车辆数据为正常物流货物信息，若预设的语义分析模型输出的概率小于置信度门限值，则对应的物流车辆数据为物流异常。

S103：若识别结果为正常物流货物信息，验证通过。

具体地，若根据预设的语义分析模型识别出物流车辆数据为正常物流货物信息，处理器根据预设的物流货物信息解析模型解析出物流车辆数据对应的文本信息，根据文本信息对应的指令，执行对应的操作。例如，若解析出物流车辆数据为本地收件，则显示本地收件界面。

S104：若识别结果为物流异常，生成与所述物流车辆数据对应的自然语言的物流运力匹配模型，并存储自然语言的物流运力匹配模型。

其中，自然语言的物流运力匹配模型是对用户输入的物流车辆数据进行特征提取后的数据，可以反映输入的物流车辆数据的主要特征信息。在一种可能的实现方式中，将传感器采集的物流车辆数据转化为物流货物信息信号，并发送至处理器，处理器将物流货物信息信号变换为数组。将物流车辆数据划分为若干个物流货物信息元素，每两个物流货物信息元素之间均不重叠，每个物流货物信息元素包括若干个元素值，在数组中提取每个元素值的幅度值，即物流异常件。用二维数组E(n，m)表示第n个物流货物信息元素在元素值m的幅度值，从而可以生成与数组对应的关联矩阵。对关联矩阵的幅度值做归一化，将归一化后的值与幅度门限值做比较，若某一归一化后的幅度值大于幅度门限值，则将该幅度值置第一预设值，例如置为1，若某一归一化后的幅度值小于或者等于幅度门限值，则将该幅度值置为第二预设值，例如置为0，当对所有的幅度值分别进行处理(置为1或置为0)后，生成与物流车辆数据对应的运动热力图，即自然语言的物流运力匹配模型。

在另一种可能的实现方式中，生成与数组对应的关联矩阵后，若当前元素相邻两个元素值的幅值差值大于前一元素对应的相邻两个元素值的幅值差值，则将当前元素的当前元素值的幅值置为第一预设值，例如置为1，否则，置为第二预设值，例如置为0，当对所有的幅度值分别进行处理(置为1或置为0)后，生成与物流车辆数据对应的运动热力图，即自然语言的物流运力匹配模型。

S105：判断连续将物流车辆数据识别为物流异常的次数是否达到预设异常识别次数。

在一种可能的实现方式中，设定计数器的初始值为0，若输出结果为物流异常，将计数器加1，若输出结果为正常物流货物信息，将计数器重新置为0。处理器生成与物流车辆数据对应的自然语言的物流运力匹配模型后，判断计数器的值是否达到预设异常识别次数。

S106：若未达到预设异常识别次数，输出物流异常提示，执行S101。

继续上述可能的实现方式，若计数器未达到预设异常识别次数，输出物流异常提示，闲置用户再次输入物流车辆数据。

S107：若达到预设异常识别次数，对存储的自然语言的物流运力匹配模型进行匹配值计算，判断匹配值是否小于第一门限值。

继续上述可能的实现方式，若计数器达到预设异常识别次数，将计数器重新置为0，计算存储的自然语言的物流运力匹配模型之间的匹配值，自然语言的物流运力匹配模型之间的匹配值即为输入的物流车辆数据之间的匹配值。

在一种可能的实现方式中，预设异常识别次数为2，当识别结果为物流异常时，若计数器的值为2，说明语义分析模型连续两次识别出物流异常，计算两个自然语言的物流运力匹配模型之间的匹配值。

在另一种可能的实现方式中，预设异常识别次数大于2，当识别结果为物流异常时，若计数器的值达到预设异常识别次数，计算每两个自然语言的物流运力匹配模型之间的匹配值。

在一种可能的实现方式中，通过对两个运动热力图的对应元素进行相乘的方法计算两个自然语言的物流运力匹配模型之间的相似性。由自然语言的物流运力匹配模型的生成过程可知，运动热力图为矩阵，矩阵中的每个元素为0或者1，1代表峰值点，对两个运动热力图的对应元素进行相乘后，对乘积求和，得到匹配值，即运动热力图中峰值点匹配的数量。峰值点匹配的数量越多，则说明运动热力图距离越近，匹配值越高。

若自然语言的物流运力匹配模型的数量为两个，当匹配值大于或者等于第一门限值时，表明这两个自然语言的物流运力匹配模型相似，当匹配值小于第一门限值时，表明这两个自然语言的物流运力匹配模型不相似。若自然语言的物流运力匹配模型的数量大于两个，两两计算自然语言的物流运力匹配模型的匹配值，若所有的匹配值均小于第一门限值，表明多个自然语言的物流运力匹配模型之间不相似，否则自然语言的物流运力匹配模型之间相似。

S108：若匹配值大于或者等于第一门限值，输出物流异常提示，执行S101。

具体地，若匹配值大于或者等于第一门限值，即自然语言的物流运力匹配模型之间相似，说明输入的物流车辆数据为重复物流货物信息，仍然输出物流异常，闲置用户重新输入物流车辆数据。

S109：若匹配值小于第一门限值，调整所述预设的语义分析模型的识别参数，重新进行物流货物信息识别。

在一种可能的实现方式中，若匹配值小于第一门限值，即自然语言的物流运力匹配模型不相似，输入物流货物信息有可能为真实物流货物信息，因此，调整预设的语义分析模型的识别参数。需要重新进行物流货物信息识别，以进一步确定物流车辆数据是否是物流异常数据。

其中，调整预设的语义分析模型的识别参数可以是调整预设的语义分析模型中的特征提取参数，例如，语义分析模型中的神经网络模型的参数，也可以是调整预设的语义分析模型的置信度门限值。

可选的，若匹配值小于第一门限值，按照设定的步长或比例降低置信度门限值，例如，若置信度门限值的初始值为0.5，按照0.01的步长或者10％的幅度降低置信度门限值至0.49或0.45，将降低后的置信度门限值作为判定物流车辆数据为正常物流货物信息或为物流异常的依据。将最近一次接收到的物流车辆数据输入预设的语义分析模型，重新进行物流货物信息识别。若输出的概率大于或者等于降低后的置信度门限值，则判定输入的物流车辆数据为正常物流货物信息，根据物流车辆数据执行对应的操作。若输出的概率小于降低后的置信度门限值，则判定输入物流货物信息为物流异常。可选的，在输出概率小于降低后的置信度门限值后，按照设定步长再次降低置信度门限值，重新进行物流货物信息识别，若置信度门限值降低至设定的最小值时，输出的概率仍小于置信度门限值的最小值，则判定输入物流货物信息为物流异常，输出物流异常的提示；若在置信度门限值降低至最小值之前，输出的概率大于或者等于降低后的置信度门限值，则判定输入物流货物信息为真实物流货物信息，根据物流车辆数据执行对应的操作。

上述实施例中，将获取的物流车辆数据输入预设的语义分析模型，以判断该物流车辆数据是否为正常物流货物信息，若为正常物流货物信息，则验证通过，若为物流异常，生成与物流车辆数据对应的自然语言的物流运力匹配模型，同时判断连续将物流车辆数据识别为物流异常的次数是否达到预设异常识别次数，若达到预设异常识别次数，计算自然语言的物流运力匹配模型之间的匹配值。由于审核物流货物信息之间的匹配值较高，用户每次输入的真实物流货物信息的匹配值较低，若匹配值小于第一门限值，说明输入的物流车辆数据可能为真实物流货物信息，可能当前的置信度门限值较高，则降低预设的语义分析模型中的置信度门限值，重新进行物流货物信息识别，以防止将真实物流货物信息误识别为物流异常，提高用户体验。

如图2所示，本申请第二实施例提供的基于自然语言处理的物流运力匹配方法，其与第一实施例的区别在于，S1081：若匹配值小于第一门限值，则执行下面的步骤。

S209：将当前的语义分析模型切换为其他的语义分析模型，重新进行物流货物信息识别。

具体地，存储器中存储多个语义分析模型，这些语义分析模型均为神经网络模型，由不同的训练样本和不同结构的分类模型训练得到，对不同用户的物流车辆数据进行物流货物信息识别的准确度不同。

本申请实施例中，若匹配值小于第一门限值，即自然语言的物流运力匹配模型之间不相似，说明输入的物流车辆数据有可能为真实物流货物信息，当前的语义分析模型可能不适用于当前用户。将当前的语义分析模型切换为另一个语义分析模型，将最近一次接收到的物流车辆数据输入切换后的语义分析模型，根据切换后的语义分析模型对应的置信度门限值判断输入的物流车辆数据是否是正常物流货物信息，同时将切换后的语义分析模型作为下一次输入的物流车辆数据的语义分析模型。第二语义分析模型的物流货物信息识别方法与第一语义分析模型的物流货物信息识别方法相同。

在一种可能的实现方式中，对物流货物信息模型进行切换后，将与所有自然语言的物流运力匹配模型对应的物流车辆数据输入切换后的语义分析模型，计算切换后的语义分析模型输出物流异常的个数。若切换后的语义分析模型输出物流异常的个数小于预设数量，则将切换后的语义分析模型作为当前语义分析模型。在所有自然语言的物流运力匹配模型对应的物流车辆数据输入切换后的语义分析模型的输出结果中，获取最近一次物流车辆数据输入切换后的语义分析模型的输出结果，根据该输出结果判断用户输入的物流车辆数据是否是正常物流货物信息。同时将切换后的语义分析模型作为用户下一次输入的物流车辆数据的语义分析模型。若切换后的语义分析模型输出物流异常的数量与预设的语义分析模型输出物流异常的数量相同，则仍然将预设的语义分析模型作为当前语义分析模型，将用户输入的物流车辆数据判定为物流异常。

在一种可能的实现方式中，若切换后的语义分析模型输出物流异常的个数与预设的语义分析模型输出物流异常的数量相同，则根据存储器中每个语义分析模型的物流货物信息识别结果，重新切换新的语义分析模型。可选的，将所有自然语言的物流运力匹配模型对应的物流车辆数据依次输入存储器中的每个语义分析模型，计算每个语义分析模型输出物流异常的个数，将输出物流异常个数最少的语义分析模型作为切换后的语义分析模型，重新进行物流货物信息识别。例如，若当前的自然语言的物流运力匹配模型数量为3个，存储器中存储有5个语义分析模型，分别为：语义分析模型A、语义分析模型B、语义分析模型C、语义分析模型D和语义分析模型E，语义分析模型A为预设的语义分析模型，即语义分析模型A连续3次将物流车辆数据识别为物流异常。当判定至少两个自然语言的物流运力匹配模型之间不相似时，每个语义分析模型均对3个自然语言的物流运力匹配模型对应的物流车辆数据进行处理，统计每个语义分析模型的输出结果中物流异常的数量。若语义分析模型B的输出结果中有2个物流异常，语义分析模型C的输出结果中有1个物流异常，语义分析模型D的输出结果中有1个物流异常，语义分析模型E的输出结果中有0个物流异常，即语义分析模型E将最近一次的物流车辆数据识别为正常物流货物信息，则将当前的语义分析模型切换为语义分析模型E，用户下一次输入物流车辆数据时，采用语义分析模型E判定物流车辆数据是否是正常物流货物信息。

上述实施例中，将获取的物流车辆数据输入预设的语义分析模型，以判断该物流车辆数据是否为正常物流货物信息，若为正常物流货物信息，则验证通过，若为物流异常，生成与物流车辆数据对应的自然语言的物流运力匹配模型，同时判断连续将物流车辆数据识别为物流异常的次数是否达到预设异常识别次数，若达到预设异常识别次数，计算自然语言的物流运力匹配模型之间的匹配值。由于审核物流货物信息之间的匹配值较高，用户每次输入的真实物流货物信息的匹配值较低，若匹配值小于第一门限值，说明输入的物流车辆数据可能为真实物流货物信息，预设的语义分析模型可能不适用于当前用户的物流车辆数据，则将当前的语义分析模型切换为其他的语义分析模型，重新进行物流货物信息识别，防止将真实物流货物信息误识别为物流异常，提高用户体验。

如图3所示，本申请第三实施例提供的基于自然语言处理的物流运力匹配方法包括：

S301：获取物流车辆数据。

S302：采用预设的语义分析模型对物流车辆数据进行识别，判断识别结果是否为正常物流货物信息。

S303：若识别结果为正常物流货物信息，验证通过。

S301-S303与第一实施例中的S101-S103相同，在此不再赘述。

S304：若识别结果为物流异常，判断连续将物流车辆数据识别为物流异常的次数是否达到预设异常识别次数。

在一种可能的实现方式中，设定计数器的初始值为0，若输出结果为物流异常，将计数器加1，若达到预设异常识别次数或者输出结果为正常物流货物信息，将计数器重新置为0。当输出结果为物流异常时，判断计数器的值是否达到预设异常识别次数。

S305：若未达到预设异常识别次数，输出物流异常提示，执行S301。

具体地，若计数器未达到预设异常识别次数，输出物流异常提示，闲置用户再次输入物流车辆数据。

S306：若达到预设异常识别次数，生成与被识别为物流异常数据的连续多个物流车辆数据对应的自然语言的物流运力匹配模型。

具体地，若输出结果为物流异常，且连续将物流车辆数据识别为物流异常的次数达到预设异常识别次数，则说明终端设备连续多次将物流车辆数据识别为物流异常，生成与被识别为物流异常的连续多个物流车辆数据对应的自然语言的物流运力匹配模型。例如，若预设异常识别次数为2，预设的语义分析模型的输出结果为物流异常，且达到预设异常识别次数，说明终端设备连续两次将物流车辆数据识别为物流异常，生成与两次物流车辆数据一一对应的两个自然语言的物流运力匹配模型。每个物流车辆数据生成自然语言的物流运力匹配模型的方法与第一实施例相同，在此不再赘述。

S307：对自然语言的物流运力匹配模型进行匹配值计算，判断匹配值是否小于第一门限值。

S308：若匹配值大于或者等于第一门限值，输出物流异常提示，执行S301。

S309：若匹配值是否小于第一门限值，调整所述预设的语义分析模型的识别参数，重新进行物流货物信息识别。

S307-S309与第一实施例中的S107-S109相同，在此不再赘述。

上述实施例中，将获取的物流车辆数据输入预设的语义分析模型，以判断该物流车辆数据是否为正常物流货物信息，若为正常物流货物信息，则验证通过，若为物流异常，判断连续将物流车辆数据识别为物流异常的次数是否达到预设异常识别次数，若达到预设异常识别次数，生成与被识别为物流异常数据的连续多个物流车辆数据对应的自然语言的物流运力匹配模型，对自然语言的物流运力匹配模型进行匹配值计算。由于审核物流货物信息之间的匹配值较高，用户每次输入的真实物流货物信息的匹配值较低，若匹配值是否小于第一门限值，说明输入的物流车辆数据可能为真实物流货物信息，可能当前的物流货物信息识别参数不合适，调整当前的语义分析模型的识别参数，重新进行物流货物信息识别，以防止将真实物流货物信息误识别为物流异常，提高用户体验。

在一些应用场景下，终端设备会出现经常性的将用户的真实物流货物信息识别为物流异常的情况，例如，智能终端经常性的将用户的真实物流货物信息识别为物流异常。下面以该场景为例对本申请实施例提供的基于自然语言处理的物流运力匹配方法进行描述。

如图4所示，本申请第四实施例提供的基于自然语言处理的物流运力匹配方法包括：

S401：获取物流车辆数据。

S402：采用预设的预设的语义分析模型对物流车辆数据进行识别，判断识别结果是否为正常物流货物信息。

S403：若识别结果为正常物流货物信息，验证通过。

S404：若识别结果为物流异常，生成与所述物流车辆数据对应的自然语言的物流运力匹配模型，并存储自然语言的物流运力匹配模型。

S401-S404与第一实施例中的S101-S104相同，在此不再赘述。

S405：判断是否达到预设周期。

具体地，统计现有的智能终端将正常物流货物信息识别为物流异常的频率，设定合适的调整周期，例如，设定调整周期为3天。设定计时器的初始值为0，并开始计时，在生成自然语言的物流运力匹配模型后，判断当前计时是否达到调整周期。

S406：若未达到预设周期，输出物流异常提示，执行S401。

S407：若达到预设周期，统计存储的自然语言的物流运力匹配模型的数量，判断预设周期内的自然语言的物流运力匹配模型的数量是否满足第一预设条件。

具体地，设定第一计数器的初始值为0，第一计数器用于统计输入的物流车辆数据的数量，每输入一次物流车辆数据，将第一计数器加1。设定第二计数器的初始值为0，第二计数器用于统计存储的自然语言的物流运力匹配模型的数量，每生成一个自然语言的物流运力匹配模型，将第二计数器加1。当达到预设周期时，第一计数器和第二计数器均重新置为0。

在一种可能的实现方式中，第一预设条件包括下列三种情形，即满足下列任一种情形，即满足第一预设条件。

预设周期内的自然语言的物流运力匹配模型的数量大于第二门限值；

所述预设周期内的自然语言的物流运力匹配模型的数量在所有输入物流车辆数据的数量中的比例大于第三门限值；

预设周期内的自然语言的物流运力匹配模型的数量大于第二门限值，且所述预设周期内的自然语言的物流运力匹配模型的数量在所有输入物流车辆数据的数量中的比例大于第三门限值。

例如，设定第二门限值为5，根据第二计数器的值得到在预设周期内内生成的自然语言的物流运力匹配模型数量大于5个，则满足第一预设条件。

又例如，设定第三门限值为1/10，根据第一计数器得到在预设周期内输入的物流车辆数据的数量为30，根据第二计数器得到生成的自然语言的物流运力匹配模型的数量为5个，输入的物流车辆数据被识别为物流异常的次数为5，则自然语言的物流运力匹配模型的数量在所有输入物流车辆数据的数量中的比例为1/6，大于第三门限值，满足第一预设条件。同时，在达到调整周期时，重新开始计时。

S408：若预设周期内的自然语言的物流运力匹配模型的数量不满足第一预设条件，输出物流异常提示，执行S401。

具体地，若不满足第一预设条件，说明终端设备将物流车辆数据识别为物流异常的概率较小，进一步说明终端设备将真实物流货物信息识别为物流异常的概率较小，说明当前的预设的语义分析模型的物流货物信息识别准确度较高，将输入的物流车辆数据判定为物流异常，并输出物流异常提示，闲置用户再次输入物流车辆数据。

S409：若预设周期内的自然语言的物流运力匹配模型的数量满足第一预设条件，计算相似自然语言的物流运力匹配模型的数量。

具体地，若满足第一预设条件，说明终端设备将物流车辆数据识别为物流异常的概率较大，根据自然语言的物流运力匹配模型对应的运动热力图计算任意两个自然语言的物流运力匹配模型之间的匹配值，匹配值大于第一门限值的两个自然语言的物流运力匹配模型相似，两两比较自然语言的物流运力匹配模型是否相似，计算相似自然语言的物流运力匹配模型的数量。

S410：根据相似自然语言的物流运力匹配模型的数量判断是否满足第二预设条件。

在一种可能的实现方式中，第二预设条件包括下列三种情形，即满足下列任一种情形，即满足第二预设条件。

相似自然语言的物流运力匹配模型的数量小于第三门限值；

所述相似自然语言的物流运力匹配模型的数量在所有匹配值计算的次数中的比例小于第四门限值；

相似自然语言的物流运力匹配模型的数量小于第三门限值，且所述相似自然语言的物流运力匹配模型的数量在所有匹配值计算的次数中的比例小于第四门限值。

例如，设定第三门限值为3，在预设周期内生成的自然语言的物流运力匹配模型的数量为10个，计算每两个自然语言的物流运力匹配模型之间的匹配值，若相似自然语言的物流运力匹配模型的数量为2个，则小于第三门限值，满足第二预设条件。

又例如，设定第四门限值为1/5，在预设周期内生成的自然语言的物流运力匹配模型的数量为10个，计算每两个自然语言的物流运力匹配模型之间的匹配值，则需要计算45次，若相似自然语言的物流运力匹配模型的数量为5个，则相似自然语言的物流运力匹配模型的数量在所有匹配值计算的次数中的比例为1/9，小于第四门限值，满足第二预设条件。

S411：若相似自然语言的物流运力匹配模型的数量不满足第二预设条件，输出物流异常提示，执行S401。

具体地，若相似自然语言的物流运力匹配模型的数量不满足第二预设条件，即相似自然语言的物流运力匹配模型的数量大于第三门限值和/或所述相似自然语言的物流运力匹配模型的数量在所有匹配值计算的次数中的比例大于第四门限值，说明自然语言的物流运力匹配模型之间匹配值较高，说明输入的物流车辆数据为重复物流货物信息，仍然输出物流异常，闲置用户重新输入物流车辆数据。

S412：若相似自然语言的物流运力匹配模型的数量满足第二预设条件，调整所述预设的语义分析模型的识别参数，重新进行物流货物信息识别。

具体地，若相似自然语言的物流运力匹配模型的数量满足第二预设条件，说明自然语言的物流运力匹配模型之间匹配值不高，输入的物流车辆数据可能为正常物流货物信息，调整语义分析模型的识别参数，重新识别物流车辆数据。

其中调整语义分析模型的识别参数，重新进行物流货物信息识别的方法与本申请第一实施例中的S109相同，在此不再赘述。

上述实施例中，将获取的物流车辆数据输入预设的语义分析模型，以判断该物流车辆数据是否为正常物流货物信息，若为正常物流货物信息，则验证通过，若为物流异常，生成与物流车辆数据对应的自然语言的物流运力匹配模型，同时判断是否达到预设周期，若达到预设周期，统计存储的自然语言的物流运力匹配模型的数量，判断预设周期内的自然语言的物流运力匹配模型的数量是否满足第一预设条件。若满足第一预设条件，说明物流货物信息识别过程中识别为物流异常的概率较高，计算相似自然语言的物流运力匹配模型的数量，根据相似自然语言的物流运力匹配模型的数量判断是否满足第二预设条件。若相似自然语言的物流运力匹配模型的数量满足第二预设条件，说明输入的物流车辆数据之间的匹配值不高，输入的物流车辆数据可能为真实物流货物信息，调整语义分析模型的识别参数，重新进行物流货物信息识别，防止将真实物流货物信息误识别为物流异常，提高用户体验。

如图5所示，本申请第五实施例提供的基于自然语言处理的物流运力匹配方法，其与第三实施例的区别在于，S4111：若相似自然语言物流运力匹配模型的数量不满足预设条件则执行：

S512：将当前的语义分析模型切换为其他的语义分析模型。

其中，S512与本申请第二实施例中S209相同，在此不再赘述。

上述实施例中，将获取的物流车辆数据输入预设的语义分析模型，以判断该物流车辆数据是否为正常物流货物信息，若为正常物流货物信息，则验证通过，若为物流异常，生成与物流车辆数据对应的自然语言的物流运力匹配模型，同时判断是否达到预设周期，若达到预设周期，统计存储的自然语言的物流运力匹配模型的数量，判断预设周期内的自然语言的物流运力匹配模型的数量是否满足第一预设条件。若满足第一预设条件，说明物流货物信息识别过程中识别为物流异常的概率较高，计算相似自然语言的物流运力匹配模型的数量，根据相似自然语言的物流运力匹配模型的数量判断是否满足第二预设条件。若相似自然语言的物流运力匹配模型的数量满足第二预设条件，说明输入的物流车辆数据之间的匹配值不高，输入的物流车辆数据可能为真实物流货物信息，预设的语义分析模型可能不适用于当前用户的物流车辆数据，则将当前的语义分析模型切换为其他的语义分析模型，防止将真实物流货物信息误识别为物流异常，提高用户体验。

应理解，上述实施例中各的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

对应于上文实施例所述的基于自然语言处理的物流运力匹配方法，图6示出了本申请实施例提供的基于自然语言处理的物流运力匹配系统的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。

参照图6，该基于自然语言处理的物流运力匹配系统包括：

计算模块10，用于对存储的自然语言的物流运力匹配模型进行匹配值计算；其中，每一个自然语言的物流运力匹配模型是根据预设的语义分析模型每次识别出的物流异常数据生成的；

调整模块20，用于若匹配值计算结果满足预设条件，则调整所述预设的语义分析模型的识别参数或者将当前的语义分析模型切换为其他的语义分析模型。

在一种可能的实现方式中，所述计算模块10具体用于：

当所述语义分析模型连续两次识别出物流异常数据时，对存储的两个自然语言的物流运力匹配模型进行匹配值计算，其中，所述两个自然语言的物流运力匹配模型是根据所述连续两次识别出的物流异常数据生成的，每个自然语言的物流运力匹配模型对应一个物流异常数据；

相应的，所述调整模块20具体用于：

若两个自然语言的物流运力匹配模型的匹配值小于第一门限值，则调整所述语义分析模型的识别参数或者将当前的语义分析模型切换为其他的语义分析模型。

在一种可能的实现方式中，所述计算模块10具体用于：

当达到预设周期时，统计存储的自然语言的物流运力匹配模型的数量；

当所述预设周期内的自然语言的物流运力匹配模型的数量大于第二门限值和/或所述预设周期内的自然语言的物流运力匹配模型的数量在所有输入物流车辆数据的数量中的比例大于第三门限值时，对存储的自然语言的物流运力匹配模型进行两两匹配值计算；

相应的，所述调整模块20具体用于：

若根据每两个自然语言的物流运力匹配模型之间的匹配值计算出的相似自然语言的物流运力匹配模型的数量小于第三门限值和/或所述相似自然语言的物流运力匹配模型的数量在所有匹配值计算的次数中的比例小于第四门限值，则调整所述语义分析模型的识别参数或者将当前的语义分析模型切换为其他的语义分析模型。

在一种可能的实现方式中，所述基于自然语言处理的物流运力匹配系统还包括：

获取模块，用于获取物流车辆数据；

识别模块，用于采用所述预设的语义分析模型对所述物流车辆数据进行识别；

模板生成模块，用于若识别结果为物流异常数据，则生成与所述物流异常数据对应的自然语言的物流运力匹配模型，并存储所述自然语言的物流运力匹配模型。

在一种可能的实现方式中，所述模板生成模块具体用于：

将所述物流异常数据对应的物流货物信息信号转换为物流货物信息数组；

生成与所述物流货物信息数组对应的关联矩阵，所述关联矩阵中的元素表示预设元素的物流货物信息在预设物流区域的物流异常件；

根据所述关联矩阵生成所述自然语言的物流运力匹配模型。

在一种可能的实现方式中，所述模板生成模块还用于：

对所述关联矩阵进行归一化；

将归一化后的关联矩阵中大于物流异常件门限值的元素置为第一预设值，将所述归一化后的关联矩阵中小于或者等于所述物流异常件门限值的元素置为第二预设值，得到所述自然语言的物流运力匹配模型。

在一种可能的实现方式中，所述计算模块10还用于：

根据所述归一化后的关联矩阵计算每两个自然语言的物流运力匹配模型中第一预设值的匹配数量；

根据所述第一预设值的匹配数量计算每两个自然语言的物流运力匹配模型之间的匹配值。

在一种可能的实现方式中，所述调整模块20还用于：

采用识别参数调整后的语义分析模型或者切换后的新的语义分析模型对所述物流车辆数据进行重新识别。

在一种可能的实现方式中，所述调整模块20还用于：

按照预设规则降低所述预设的语义分析模型的置信度门限值。

在一种可能的实现方式中，所述基于自然语言处理的物流运力匹配系统还包括：

若匹配值计算结果满足预设条件，输出物流异常提示。

需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

上述系统中单元、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。

本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的。

本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术物流车辆员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、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单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。

本领域普通技术物流车辆员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。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。专业技术物流车辆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申请的范围。

本公开中使用了流程图用来说明根据本公开的实施例的方法的步骤。应当理解的是，前面或后面的步骤不一定按照顺序来精确的进行。相反，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中。

本领域普通技术物流车辆员可以理解上述方法中的全部或部分的步骤可通过计算机程序来指令相关硬件完成，程序可以存储于计算机可读存储介质中，如只读存储器、磁盘或光盘等。可选地，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地，上述实施例中的各模块/单元可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。本公开并不限制于任何特定形式的硬件和软件的结合。

除非另有定义，这里使用的所有术语具有与本公开所属领域的普通技术物流车辆员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。

以上是对本公开的说明，而不应被认为是对其的限制。尽管描述了本公开的若干示例性实施例，但本领域技术物流车辆员将容易地理解，在不背离本公开的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本公开范围内。应当理解，上面是对本公开的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本公开由权利要求书及其等效物限定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术物流车辆员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (10)

1.一种基于自然语言处理的物流运力匹配方法，其特征在于，包括：

对存储的自然语言的物流运力匹配模型进行匹配值计算；其中，每一个自然语言的物流运力匹配模型是根据预设的语义分析模型每次识别出的物流异常数据生成的；

若匹配值计算结果满足预设条件，则调整所述预设的语义分析模型的识别参数或者将当前的语义分析模型切换为其他的语义分析模型。

2.如权利要求1所述的基于自然语言处理的物流运力匹配方法，其特征在于，所述对存储的自然语言的物流运力匹配模型进行匹配值计算包括：

当所述语义分析模型连续两次识别出物流异常数据时，对存储的两个自然语言的物流运力匹配模型进行匹配值计算，其中，所述两个自然语言的物流运力匹配模型是根据所述连续两次识别出的物流异常数据生成的，每个自然语言的物流运力匹配模型对应一个物流异常数据；

相应的，若匹配值计算结果满足预设条件，则调整所述语义分析模型的识别参数或者将当前的语义分析模型切换为其他的语义分析模型包括：

若两个自然语言的物流运力匹配模型的匹配值小于第一门限值，则调整所述语义分析模型的识别参数或者将当前的语义分析模型切换为其他的语义分析模型。

3.如权利要求1所述的基于自然语言处理的物流运力匹配方法，其特征在于，所述对存储的自然语言的物流运力匹配模型进行匹配值计算包括：

当达到预设周期时，统计存储的自然语言的物流运力匹配模型的数量；

当所述预设周期内的自然语言的物流运力匹配模型的数量大于第二门限值和/或所述预设周期内的自然语言的物流运力匹配模型的数量在所有输入物流车辆数据的数量中的比例大于第三门限值时，对存储的自然语言的物流运力匹配模型进行两两匹配值计算；

相应的，若匹配值计算结果满足预设条件，则调整所述语义分析模型的识别参数或者将当前的语义分析模型切换为其他的语义分析模型包括：

若根据每两个自然语言的物流运力匹配模型之间的匹配值计算出的相似自然语言的物流运力匹配模型的数量小于第三门限值和/或所述相似自然语言的物流运力匹配模型的数量在所有匹配值计算的次数中的比例小于第四门限值，则调整所述语义分析模型的识别参数或者将当前的语义分析模型切换为其他的语义分析模型。

4.如权利要求1所述的基于自然语言处理的物流运力匹配方法，其特征在于，所述对存储的自然语言的物流运力匹配模型进行匹配值计算之前，所述方法还包括：

获取物流车辆数据；

采用所述预设的语义分析模型对所述物流车辆数据进行识别；

若识别结果为物流异常数据，则生成与所述物流异常数据对应的自然语言的物流运力匹配模型，并存储所述自然语言的物流运力匹配模型。

5.如权利要求4所述的基于自然语言处理的物流运力匹配方法，其特征在于，所述生成与所述物流异常数据对应的自然语言的物流运力匹配模型，包括：

将所述物流异常数据对应的物流货物信息信号转换为物流货物信息数组；

生成与所述物流货物信息数组对应的关联矩阵，所述关联矩阵中的元素表示预设元素的物流货物信息在预设物流区域的物流异常件；

根据所述关联矩阵生成所述自然语言的物流运力匹配模型。

6.如权利要求5所述的基于自然语言处理的物流运力匹配方法，其特征在于，所述根据所述关联矩阵生成所述自然语言的物流运力匹配模型，包括：

对所述关联矩阵进行归一化处理；

将归一化处理后的关联矩阵中大于物流异常件门限值的元素设置为第一预设值，将所述归一化处理后的关联矩阵中小于或者等于所述物流异常件门限值的元素设置为第二预设值，将设置后的关联矩阵作为所述自然语言的物流运力匹配模型。

7.如权利要求6所述的基于自然语言处理的物流运力匹配方法，其特征在于，所述对存储的自然语言的物流运力匹配模型进行匹配值计算，包括：

计算每两个自然语言的物流运力匹配模型中所述第一预设值的匹配数量；

根据所述第一预设值的匹配数量确定每两个自然语言的物流运力匹配模型之间的匹配值。

8.如权利要求1所述的基于自然语言处理的物流运力匹配方法，其特征在于，调整所述预设的语义分析模型的识别参数或者将当前的语义分析模型切换为其他的语义分析模型之后，所述方法还包括：

采用识别参数调整后的语义分析模型或者切换后的新的语义分析模型对所述物流车辆数据进行重新识别。

9.如权利要求1所述的基于自然语言处理的物流运力匹配方法，其特征在于，所述调整所述预设的语义分析模型的识别参数，包括：

按照预设规则降低所述预设的语义分析模型的置信度门限值；

若匹配值计算结果不满足预设条件，输出物流异常提示。

10.一种基于自然语言处理的物流运力匹配系统，其特征在于，包括：计算模块，用于对存储的自然语言的物流运力匹配模型进行匹配值计算；其中，每一个自然语言的物流运力匹配模型是根据预设的语义分析模型每次识别出的物流异常数据生成的；

调整模块，用于若匹配值计算结果满足预设条件，则调整所述预设的语义分析模型的识别参数或者将当前的语义分析模型切换为其他的语义分析模型；

所述基于自然语言处理的物流运力匹配系统用于执行权利要求1-5所述的基于自然语言处理的物流运力匹配方法。

Images