CN116011904A - 运输对象与货物的匹配方法及装置、存储介质、电子设备 - Google Patents
运输对象与货物的匹配方法及装置、存储介质、电子设备 Download PDFInfo
- Publication number
- CN116011904A CN116011904A CN202310093889.1A CN202310093889A CN116011904A CN 116011904 A CN116011904 A CN 116011904A CN 202310093889 A CN202310093889 A CN 202310093889A CN 116011904 A CN116011904 A CN 116011904A
- Authority
- CN
- China
- Prior art keywords
- transportation
- target
- objects
- sample
- information
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开属于物流技术领域,涉及一种运输对象与货物的匹配方法及装置、计算机可读存储介质、电子设备。该方法包括:获取与待匹配运输对象对应的属性信息,并获取与待运输货物对应的运输任务的任务信息;将属性信息和任务信息输入目标模型中,得到多个推荐运输对象;多个推荐对象的推荐顺序与匹配分数的分数顺序对应;匹配分数为衡量待匹配运输对象和待运输货物之间的匹配度的分数;在多个推荐运输对象中筛选出目标运输对象,以使目标运输对象执行运输任务。在本公开中,多个推荐运输对象是将属性信息和任务信息输入至目标模型中得到的,保证了运力资源的充足性,提高了确定出目标运输对象的准确度以及效率。
Description
技术领域
本公开涉及物流技术领域,尤其涉及一种运输对象与货物的匹配方法与运输对象与货物的匹配装置、计算机可读存储介质及电子设备。
背景技术
随着物流技术的发展,每天会存在大量需要被运输的货源。
在相关技术中,采用线下调度的方式,寻找出可以运输货源的司机,这导致无法寻找到与货源匹配的司机的情况时有发生,进而降低了被成功运输的货源的数量,造成大量货源积压。不仅如此,对司机筛选的过程,主要依赖于司机之间的交流,不仅降低了寻找出的司机与货源之间的匹配度,还降低了查询出与货源匹配的司机的效率。
鉴于此,本领域亟需开发一种新的运输对象与货物的匹配方法及装置。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种运输对象与货物的匹配方法、运输对象与货物的匹配装置、计算机可读存储介质及电子设备,进而至少在一定程度上克服由于相关技术导致的确定出与待运输货物匹配的运输对象的效率较低的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本发明实施例的第一个方面,提供一种运输对象与货物的匹配方法,所述方法包括:获取与待匹配运输对象对应的属性信息,并获取与待运输货物对应的运输任务的任务信息;将所述属性信息和所述任务信息输入目标模型中,得到多个推荐运输对象;所述多个推荐运输对象的推荐顺序与匹配分数的分数顺序对应;所述匹配分数为衡量所述待匹配运输对象和所述待运输货物之间的匹配度的分数;在所述多个推荐运输对象中筛选出目标运输对象,以使所述目标运输对象执行所述运输任务。
在本发明的一种示例性实施例中,所述将所述属性信息和所述任务信息输入目标模型中,得到多个推荐运输对象之前,所述方法还包括:获取与历史运输对象对应的样本属性信息;其中,所述样本属性信息包括所述历史运输对象的属性信息以及所述历史运输对象驾驶的车辆的车辆属性信息;获所述取历史运输对象通过驾驶所述车辆所执行的历史运输任务,确定与所述历史运输任务对应的任务样本信息;将所述历史运输对象的属性信息、所述车辆属性信息以及所述任务样本信息作为训练样本输入至待训练的目标模型中,以对所述待训练的目标模型进行训练得到目标模型。
在本发明的一种示例性实施例中,所述方法还包括:将所述样本属性信息以及所述任务样本信息作为目标样本信息,获取预设样本划分比例;按照所述预设样本划分比例,将所述目标样本信息划分为训练样本以及测试样本;将所述训练样本输入至所述待训练目标模型中,以对所述待训练目标模型进行训练得到目标模型。
在本发明的一种示例性实施例中,所述将所述训练样本输入至所述待训练的目标模型中,以对所述待训练的目标模型进行训练得到目标模型之后之后,所述方法还包括:将所述测试样本输入至所述目标模型中,得到模型预测结果;其中,所述预测结果中包括与所述测试样本对应的测试类别标签;分别计算与不同所述预测类别标签对应的所述预测样本的评估指标,并根据所述评估指标对所述目标模型中的模型参数进行调节,以优化所述目标模型。
在本发明的一种示例性实施例中,所述评估指标包括准确率;所述测试样本包括与第一真实类别标签对应的第一测试样本以及与第二真实类别标签对应的第二测试样本,所述准确率包括与所述第一测试样本对应的第一准确率和与所述第二测试样本对应的第二准确率,所述预测类别标签包括第一预测类别标签和第二预测类别标签;所述分别计算与不同预测类别标签对应的所述预测样本的评估指标,包括:统计出与所述第一预测类别标签对应的第一预测样本的第一样本个数,并统计出与所述第二预测类别标签对应第二预测样本的第二样本个数;统计出与所述第一预测样本对应的所述测试样本属于所述第一测试样本的第三样本个数,并统计出与所述第二预测样本对应的所述测试样本属于所述第二测试样本的第四样本个数;对所述第一样本个数和所述第三样本个数进行计算,得到所述第一准确率;对所述第二样本个数和所述第四样本个数进行计算,得到所述第二准确率。
在本发明的一种示例性实施例中,所述评估指标包括召回率;所述召回率包括与所述第一测试样本对应的第一召回率和与所述第二测试样本对应的第二召回率;所述分别计算与不同预测类别标签对应的所述预测样本的评估指标,包括:统计出所述第一测试样本的第五样本个数,并统计出所述第二测试样本的第六样本个数;对所述第三样本个数和所述第五样本个数进行计算,得到所述第一召回率;对所述第四样本个数和所述第六样本个数进行计算,得到所述第二召回率。
在本发明的一种示例性实施例中,所述评估指标包括平衡F分数;所述平衡F分数包括与第一测试样本对应的第一平衡F分数和与所述第二测试样本对应的第二平衡F分数;所述分别计算与不同预测类别标签对应的所述预测样本的评估指标,包括:对所述第一准确率和所述第一召回率进行计算得到所述第一平衡F分数,对所述第二准确率和所述第二召回率进行计算得到第二平衡F分数。
在本发明的一种示例性实施例中,所述获取待匹配运输对象的属性信息,包括:获取与待运输货物对应的货源地址;获取所有运输对象,并确定与所述所有运输对象对应的对象地址以及与所述所有运输对象驾驶的车辆对应的车辆地址;计算所述货源地址与所述对象地址之间的第一地址距离,并计算所述货源地址与所述车辆地址之间的第二地址距离;根据所述第一地址距离和所述第二地址距离,在所述所有运输对象中筛选出待匹配运输对象,以获取与所述待匹配运输对象对应的属性信息。
在本发明的一种示例性实施例中,所述获取待匹配运输对象的属性信息,包括:获取与待运输货物对应的运输路线,并获取与所有运输对象对应的历史运输路线;若在所述历史运输路线中存在与所述运输路线一致的目标历史运输路线,则将与所述目标历史运输路线对应的所述运输对象确定为待匹配运输对象,以获取与所述待匹配运输对象对应的属性信息。
在本发明的一种示例性实施例中,所述方法还包括:确定与所述目标历史运输路线对应的所述运输对象,并获取所述运输对象针对于与所述目标历史运输路线的历史报价信息;根据所述历史报价信息,在与所述目标历史运输路线对应的所述运输对象中筛选出待匹配运输对象。
在本发明的一种示例性实施例中,所述方法还包括:获取与所有运输对象对应的订阅运输路线;其中,所述运输对象针对于所述订阅运输路线的运输频率高于运输频率阈值;若在所述订阅运输路线中存在与所述运输路线一致的目标订阅运输路线,则将与所述目标订阅运输路线对应的所述运输对象确定为待匹配运输对象。
在本发明的一种示例性实施例中,所述在所述多个推荐运输对象中筛选出目标运输对象,包括:若在所述多个推荐运输对象中存在运输状态为特定运输状态的第一运输对象,和/或在所述多个推荐运输对象中存在报价状态为特定报价状态的第二运输对象,则将所述多个推荐运输对象中的所述第一运输对象和所述第二运输对象删除得到目标运输对象。
在本发明的一种示例性实施例中,所述在所述多个推荐运输对象中筛选出目标运输对象之后,所述方法还包括:获取所述目标运输对象针对于所述运输任务的报价信息,并根据所述报价信息,对所述目标运输对象针对于与所述运输路线的所述历史报价信息进行更新;其中,所述报价信息包括报价价格以及未报价原因;根据更新后的所述历史报价信息,在与所述目标历史线路对应的所述运输对象中筛选出待匹配运输对象。
根据本发明实施例的第二个方面,提供一种运输对象与货物的匹配装置,所述装置包括:获取模块,被配置为获取与待匹配运输对象对应的属性信息,并获取与待运输货物对应的运输任务的任务信息;推荐模块,被配置为将所述属性信息和所述任务信息输入目标模型中,得到多个推荐运输对象;所述多个推荐运输对象的推荐顺序与匹配分数的分数顺序对应;所述匹配分数为衡量所述待匹配运输对象和所述待运输货物之间的匹配度的分数;筛选模块,被配置为在所述多个推荐运输对象中筛选出目标运输对象,以使所述目标运输对象执行所述运输任务。
根据本发明实施例的第三个方面,提供一种电子设备,包括:处理器和存储器;其中,存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时实现上述任意示例性实施例的运输对象与货物的匹配方法。
根据本发明实施例的第四个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意示例性实施例中的运输对象与货物的匹配方法。
由上述技术方案可知,本发明示例性实施例中的运输对象与货物的匹配方法、运输对象与货物的匹配装置、计算机存储介质及电子设备至少具备以下优点和积极效果:
在本公开的示例性实施例提供的方法及装置中,多个推荐运输对象是将属性信息和任务信息输入至目标模型中得到的,一方面,避免了现有技术中,无法找到与待运输货物匹配的运输对象的情况发生,保证了运力资源的充足性;另一方面,避免了现有技术中,通过人工行为查找目标运输对象的情况发生,提高了确定出目标运输对象的准确度以及效率。
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,并不能限制本公开。
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,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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示意性示出本公开实施例中运输对象与货物的匹配方法的流程示意图;
图2示意性示出本公开实施例中运输对象与货物的匹配方法中获取待匹配运输对象的属性信息的流程示意图;
图3示意性示出本公开实施例中运输对象与货物的匹配方法中获取待匹配运输对象的属性信息的流程示意图;
图4示意性示出本公开实施例中运输对象与货物的匹配方法中获取待匹配运输对象的属性信息的流程示意图;
图5示意性示出本公开实施例中运输对象与货物的匹配方法中确定待匹配运输对象的流程示意图;
图6示意性示出本公开实施例中运输对象与货物的匹配方法中将属性信息和任务信息输入目标模型中得到多个推荐运输对象之前的流程示意图;
图7示意性示出本公开实施例中运输对象与货物的匹配方法中训练目标模型的流程示意图;
图8示意性示出本公开实施例中运输对象与货物的匹配方法中优化目标模型的流程示意图;
图9示意性示出本公开实施例中运输对象与货物的匹配方法中分别计算与不同预测类别标签对应的预测样本的评估指标的流程示意图;
图10示意性示出本公开实施例中运输对象与货物的匹配方法中分别计算与不同预测类别标签对应的预测样本的评估指标的流程示意图;
图11示意性示出本公开实施例中运输对象与货物的匹配方法中在推荐运输对象中筛选出目标运输对象之后的流程示意图;
图12示意性示出本公开实施例中运输对象与货物的匹配方法中更新历史报价信息的流程示意图;
图13示意性示出本公开实施例中一种运输对象与货物的匹配装置的结构示意图;
图14示意性示出本公开实施例中一种用于运输对象与货物的匹配方法的电子设备;
图15示意性示出本公开实施例中一种用于运输对象与货物的匹配方法的计算机可读存储介质。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
本说明书中使用用语“一个”、“一”、“该”和“所述”用以表示存在一个或多个要素/组成部分/等;用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等;用语“第一”和“第二”等仅作为标记使用,不是对其对象的数量限制。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。
针对相关技术中存在的问题,本公开提出了一种运输对象与货物的匹配方法。图1示出了运输对象与货物的匹配方法的流程示意图,如图1所示,运输对象与货物的匹配方法至少包括以下步骤:
步骤S110.获取与待匹配运输对象对应的属性信息,并获取与待运输货物对应的运输任务的任务信息。
步骤S120.将属性信息和任务信息输入目标模型中,得到多个推荐运输对象;多个推荐对象的推荐顺序与匹配分数的分数顺序对应;匹配分数为衡量待匹配运输对象和待运输货物之间的匹配度的分数。
步骤S130.在多个推荐运输对象中筛选出目标运输对象,以使目标运输对象执行运输任务。
在本公开的示例性实施例提供的方法及装置中,多个推荐运输对象是将属性信息和任务信息输入至目标模型中得到的,一方面,避免了现有技术中,无法找到与待运输货物匹配的运输对象的情况发生,保证了运力资源的充足性;另一方面,避免了现有技术中,通过人工行为查找目标运输对象的情况发生,提高了确定出目标运输对象的准确度以及效率。
下面对运输对象与货物的匹配方法的各个步骤进行详细说明。
在步骤S110中,获取与待匹配运输对象对应的属性信息,并获取与待运输货物对应的运输任务的任务信息。
在本公开的示例性实施例中,待运输货物指的是本次需要被运输的货物。运输任务指的是运输待运输货物的任务。任务信息指的是和运输任务相关的信息,具体地,任务信息可以是此次运输任务的运输里程信息,可以是此次运输任务的起始位置和终点位置,可以是此次运输任务是否需要投保的信息,可以是此次运输任务是否提供增值服务的信息,本示例性实施例对此不做特殊限定。
待匹配运输对象指的是可能执行此次运输任务的对象。属性信息指的是与待匹配运输对象对应的,描述待匹配运输对象某种属性的信息。具体地,属性信息可以是待匹配运输对象的年龄,可以是待匹配运输对象的驾龄,可以是待匹配运输对象驾驶的车辆的车辆属性信息,可以是待匹配运输对象的实时位置信息,还可以是物流平台对待匹配运输对象的评价等级信息,本示例性实施例对此不做特殊限定。
举例而言,待匹配运输对象包括司机A、司机B以及司机C。待运输货物为三件衣服。基于此,获取到与司机A对应的属性信息1,获取到与司机B对应的属性信息2,获取到与司机C对应的属性信息3,还获取到与三件衣服对应的运输任务的任务信息。
在可选的实施例中,图2示出了运输对象和货物的匹配方法中获取待匹配运输对象的属性信息的流程示意图,如图2所示,该方法至少包括以下步骤:在步骤S210中,获取与待运输货物对应的货源地址。
其中,货源地址指的是与待运输货物对应的运输任务的任务起始位置的地址。
举例而言,待运输货物为三件衣服,并且,三件衣服的发货地址为“A省B市XXX街道”,则货源地址为“A省B市XXX街道”。
在步骤S220中,获取所有运输对象,并确定与所有运输对象对应的对象地址以及与所有运输对象驾驶的车辆对应的车辆地址。
其中,所有运输对象指的是目前已知的所有运输对象,例如,可以是在XX物流品台注册的所有司机。对象地址指的是运输对象此时所处于的位置的地址信息,车辆地址指的是可以供运输对象驾驶的车辆目前所处于的位置的地址信息。
举例而言,获取到的与三件衣服对应的货源地址为“浙江省杭州市XXX街道”。在物流平台中注册的司机共有100人,基于此,确定出这100个司机此时所处于的位置的地址信息,还需要确定出可供这100个司机驾驶的车辆此时所处于的位置的地址信息。
在步骤S230中,计算货源地址与对象地址之间的第一地址距离,并计算货源地址与车辆地址之间的第二地址距离。
其中,第一地址距离指的是货源地址与第一地址之间的距离,第二地址距离指的是货源地址与车辆地址之间的距离。
举例而言,分别计算货源地址“A省B市XXX街道”与在物流平台上注册的100个司机的对象地址之间的距离,得到100个第一地址距离。分别计算货源地址“A省B市XXX街道”与可供物流平台上注册的100个司机驾驶的车辆的车辆地址之间的距离,得到100个第二地址距离。
在步骤S240中,根据第一地址距离和第二地址距离,在所有运输对象中筛选出待匹配运输对象,以获取与待匹配运输对象对应的属性信息。
其中,根据第一地址距离和第二地址距离可以在所有运输对象中筛选出待匹配运输对象。
举例而言,筛选过程可以按照从小到大的顺序对第一地址距离进行排序,按照从小到大的顺序对第二地址距离进行排序。在对第一地址距离进行排序后,若较小的前4个第一地址距离为与司机A对应的第一地址距离、与司机B对应的第一地址距离以及与司机C对应的第一地址距离以及与司机D对应的第一地址距离,若较小的前4个第二地址距离分别为与车辆a(可供司机A驾驶的车辆)对应的第二地址距离、与车辆b(可供司机B驾驶的车辆)对应的第二地址距离、与车辆c(可供司机C驾驶的车辆)对应的第二地址距离以及与车辆e(可供司机E驾驶的车辆)对应的第二地址距离。那么,确定出的待匹配运输对象为司机A、司机B以及司机C。
在本示例性实施例中,根据第一地址距离和第二地址距离,在所有运输对象中筛选出待匹配运输对象,在将属性信息和任务信息输入至目标模型之前,先对运输对象进行了筛选处理,不仅提高了得到推荐运输对象的效率,还提高了得到的推荐运输对象的准确度。
在可选的实施例中,图3示出了运输对象和货物的匹配方法中获取待匹配运输对象的属性信息的流程示意图,如图3所示,该方法至少包括以下步骤:在步骤S310中,获取与待运输货物对应的运输路线,并获取与所有运输对象对应的历史运输路线。
其中,运输路线指的是运输待运输货物时行驶的路线,历史运输路线指的是运输对象在过去一段时间中执行历史运输任务时所行驶的路线。
举例而言,与待运输货物对象的运输路线为XX-1。获取物流平台中注册的100个司机在过去一年内执行历史运输任务时所行驶的历史运输路线。
在步骤S320中,若在历史运输路线中存在与运输路线一致的目标历史运输路线,则将与目标历史运输路线对应的运输对象确定为待匹配运输对象,以获取与待匹配运输对象对应的属性信息。
其中,目标历史运输路线指的是历史运输路线中与运输路线一致的路线。并且,在确定出目标运输路线之后,将与目标运输路线对应的运输对象确定为待匹配运输对象。
举例而言,物流平台中的司机A行驶过的历史运输路线为路线XX-1,物流平台中的司机B行驶过的历史运输路线为路线XX-1,物流平台中的司机C行驶过的历史运输路线为路线XX-1,基于此,司机A、司机B以及司机C就为待匹配运输对象,进而,获取与司机A对应的属性信息、与司机B对应的属性信息以及与司机C对应的属性信息。
在本示例性实施例中,若在历史运输路线中存在与运输路线一致的目标历史运输路线,则将与目标历史运输路线对应的运输对象确定为待匹配运输对象,这使得确定出的待匹配运输对象是行驶过运输路线的运输对象,提高了后续执行运输任务的效率。
在可选的实施例中,图4示出了运输对象和货物的匹配方法中获取待匹配运输对象的属性信息的流程示意图,如图4所示,该方法至少包括以下步骤:在步骤S410中,确定与目标历史运输路线对应的运输对象,并获取运输对象针对于与目标历史运输路线的历史报价信息。
其中,历史报价信息指的是运输对象针对于目标历史运输路线所提出的劳务费用信息。
举例而言,确定在目标历史运输路线上运输过货物的运输对象包括司机A、司机B以及司机C。对应的,确定出司机A针对于目标历史运输路线的报价信息为1000元,确定出司机B针对于目标历史运输路线的报价信息为900元,确定出司机C针对于目标历史运输路线的报价信息为850元。
在步骤S420中,根据历史报价信息,在与目标历史运输路线对应的运输对象中筛选出待匹配运输对象。
其中,根据历史报价信息,在与目标历史运输路线对应的运输对象中筛选出待匹配运输对象。
举例而言,确定出司机A针对于目标历史运输路线的报价信息为1000元,确定出司机B针对于目标历史运输路线的报价信息为900元,确定出司机C针对于目标历史运输路线的报价信息为850元。由于上述三个司机的报价信息都未超过1000元,因此,将司机A、司机B以及司机C确定为待匹配运输对象。
在本示例性实施例中,从历史报价信息的维度,在运输对象中筛选出待匹配运输对象,这保证后续确定出的目标运输对象一定是报价合理的运输对象。
在可选的实施例中,图5示出了运输对象和货物的匹配方法中确定待匹配运输对象的流程示意图,如图5所示,该方法至少包括以下步骤:在步骤S510中,获取与所有运输对象对应的订阅运输路线;其中,运输对象针对于订阅运输路线的运输频率高于运输频率阈值。
其中,订阅运输路线指的是运输对象经常运送货物时所行驶的路线,即订阅路线的运输频率高于运输频率阈值,具体地,运输频率阈值可以是75%,也可以是80%,本示例性实施例对此不做特殊限定。
举例而言,获取在物流平台上注册的100个司机的订阅运输路线。
在步骤S520中,若在订阅运输路线中存在与运输路线一致的目标订阅运输路线,则将与目标订阅运输路线对应的运输对象确定为待匹配运输对象。
其中,若在订阅运输路线中存在与运输路线一致的目标订阅运输路线,证明与目标订阅运输路线对应的运输对象经常在目标运输路线上运送货物,进而,将与目标订阅运输路线对应的运输对象确定为待匹配运输对象。
举例而言,司机A的订阅运输路线与运输路线XX1一致,司机B的订阅运输路线与运输路线XX1一致,司机C的订阅运输路线与运输路线XX1一致,因此,将司机A、司机B以及司机C确定为待匹配运输对象。
在本示例性实施例中,从订阅运输路线的维度,在所有运输对象中确定出待匹配运输对象,保证后续确定出的目标运输对象为经常在运输路线上运送货物的对象,提升了目标运输对象运输待运输货物的效率。
在步骤S120中,将属性信息和所述任务信息输入目标模型中,得到多个推荐运输对象;多个推荐运输对象的推荐顺序与匹配分数的分数顺序对应;匹配分数为衡量待匹配运输对象和待运输货物之间的匹配度的分数。
在本公开的示例性实施例中,目标模型为从待匹配运输对象中得到推荐运输对象的模型。值得说明的是,多个推荐运输对象自身具有推荐顺序,并且,推荐顺序是根据待匹配运输对象和待运输货物之间的匹配分数设置的。
举例而言,将司机A的属性信息、司机B的属性信息、司机C的属性信息以及任务信息输入至目标模型中,得到多个推荐运输对象为司机B以及司机C。其中,司机B是最推荐运输待运输货物的司机,司机C是仅次于司机B,最推荐运输待运输货物的司机。
在可选的实施例中,图6示出了运输对象和货物的匹配方法中将属性信息和任务信息输入目标模型中得到多个推荐运输对象之前的流程示意图,如图6所示,该方法至少包括以下步骤:在步骤S610中,获取与历史运输对象对应的样本属性信息;其中,样本属性信息包括历史运输对象的属性信息以及历史运输对象驾驶的车辆的车辆属性信息。
其中,历史运输对象可以是物流品台中,曾经运送过货物的运输对象。样本属性信息指的是描述曾经运送过货物的运输对象的属性的信息。具体地,样本属性信息包括历史运输对象的属性信息和历史运输对象驾驶的车辆的车辆属性信息。历史运输对象的属性信息可以包括司机年龄、司机驾龄、司机实时位置、司机在物流平台上的评级信息、司机运送待运输货物的预计时间等,车辆属性信息包括车辆类型、车辆行驶的里程数等信息。
举例而言,历史运输对象包括1000个司机,获取与这1000个司机对应的样本属性信息。
在步骤S620中,获取历史运输对象通过驾驶车辆所执行的历史运输任务,确定与历史运输任务对应的任务样本信息。
其中,在过去一段时间内,历史运输对象通过驾驶车辆执行过运输任务,这些运输任务就被称作历史运输任务,具体地,历史运输任务可以是在过去一年内历史运输对象通过驾驶车辆所执行的运输任务,可以是在过去三年内历史运输对象通过驾驶车辆所执行的运输任,本示例性实施例对此不做特殊限定。
对应的,任务样本信息指的是与历史运输任务对应的信息。具体地,任务样本信息可以包括任务车辆要求、运送的货物的货物类型信息、运送任务是否需要投保的信息、运送任务是否提供增值服务的信息等。
举例而言,获取与3500个历史运输任务对应的任务样本信息。
在步骤S630中,将历史运输对象的属性信息、车辆属性信息以及任务样本信息作为训练样本输入至待训练的目标模型中,以对待训练的目标模型进行训练得到目标模型。
其中,在获取到样本属性信息以及任务样本信息之后,可以对样本属性信息以及任务样本信息进行处理,具体地,可以对司机年龄、司机驾龄、司机实时位置采用连续值进行表示,并对连续值进行归一化处理。对司机在物流平台上的评级信息、车辆类型、任务车辆要求、运送的货物的货物类型信息、运送任务是否需要投保的信息、运送任务是否提供增值服务的信息进行one-hot编码(一位有效编码)。在对样本属性信息和任务样本信息进行处理后,可以利用管道机制将处理后的样本属性信息和任务样本信息打包。
在打包完成后,将打包后的样本属性信息和任务样本信息作为训练样本输入至待训练的目标模型中,以对待训练的目标模型进行训练得到目标模型。
目标模型可以是任何一种打分排序模型,具体地,目标模型可以是推荐排序模型,也可以是在推荐排序模型的基础上改进的模型,还可以是梯度下降树模型,还可以是多层感知机模型,本示例性实施例对此不做特殊限定。
推荐排序模型具体可以是Wide&Deep模型,Wide&Deep模型的核心思想是结合线性模型的记忆能力(memorization)和DNN模型的泛化能力(generalization),在训练过程中同时优化2个模型的参数,从而达到整体模型的预测能力最优。在推荐排序模型的基础上改进的模型可以是deepFm模型,相较于Wide&Deep模型不但使得训练更快,而且使得训练更加准确。梯度下降树模型可以是GBDT模型,由多棵决策树组成,所有树的结论累加起来做最终结果。多层感知机模型可以是MLP模型。
举例而言,对与1000个司机对应的样本属性信息以及与3500个历史运输任务对应的任务样本信息进行处理,并将处理后的结果输入至待训练的目标模型中,以实现对目标模型的训练,进而得到目标模型。
在本示例性实施例中,将历史运输对象的属性信息、车辆属性信息以及任务样本信息作为训练样本输入至待训练的目标模型中,以对待训练的目标模型进行训练得到目标模型,保证了后续可以在将属性信息和任务信息输入至目标模型中,得到多个推荐运输对象,保证了多个推荐运输对象的准确率,提升了得到多个推荐运输对象的效率。
在本示例性实施例中,目标模型包括推荐排序模型;推荐排序模型包括线性模型和前馈神经网络;前馈神经网络包括三个隐含层。
其中,目标模型具体可以是排序推荐模型,并且,排序推荐模型由线性模型和前馈神经网络组成,在前馈神经网络中包含三个隐藏层。
举例而言,目标模型可以是Wide&Deep模型,Wide指的是线性模型,Deep指的是前馈神经网路,并且,在前馈神经网路中包含三个隐藏层。
在本示例性实施例中,目标模型为推荐排序模型,进而保证后续可以确定出具有推荐顺序的推荐运输对象,提高了后续在推荐运输对象确定目标运输对象的效率。
在可选的实施例中,图7示出了运输对象和货物的匹配方法中训练目标模型的流程示意图,如图7所示,该方法至少包括以下步骤:在步骤S710中,将样本属性信息以及任务样本信息作为目标样本信息,获取预设样本划分比例。
其中,预设样本划分比例,为对目标样本信息进行划分的比例信息。
举例而言,目标样本信息由与1000个司机对应的样本属性信息以及与3500个货物对应的任务样本信息组成。预设样本划分比例为8:2。
在步骤S720中,按照预设样本划分比例,将目标样本信息划分为训练样本以及测试样本。
其中,基于预设样本划分比例,将目标样本信息划分为训练样本和测试样本。训练样本指的是用于训练目标模型的样本,测试样本指的是用于评估目标模型的样本。
举例而言,按照8:2的预设样本划分比例,对目标样本信息进行划分,得到训练样本以及测试样本。
在步骤S730中,将训练样本输入至待训练的目标模型中,以对待训练的目标模型进行训练得到目标模型。
其中,在从目标训练样本中确定出训练样本之后,将训练样本输入至待训练的目标模型中,以实现对待训练的目标模型的训练,进而得到目标模型。
举例而言,按照8:2的预设样本划分比例,对目标样本信息进行划分,得到训练样本以及测试样本。将训练样本输入至待训练的目标模型中,以实现对待训练的目标模型的训练。
在本示例性实施例中,按照预设样本划分比例,对目标样本信息进行划分,可以确保对目标模型训练的训练样本和对目标模型测试的测试样本都来源于目标样本信息,这提高了后续通过测试样本优化目标样本信息的效果。
在可选的实施例中,图8示出了运输对象和货物的匹配方法中优化目标模型的流程示意图,如图8所示,该方法至少包括以下步骤:在步骤S810中,将测试样本输入至目标模型中,得到模型预测结果;其中,预测结果中包括与测试样本对应的测试类别标签。
其中,在将训练样本输入至待训练的目标模型,以完成对待训练的目标模型的训练,以得到目标模型之后,可以将测试样本输入至目标模型中。此时目标模型会输出模型预测结果,具体地,模型预测结果中包括目标模型针对于测试样本的测试类别标签。
测试类别标签指的是一种区分测试样本所属类别的标签,具体地,测试类别标签可以是数字,可以是字母,可以是字符串,本示例性实施例对此不做特殊限定。
举例而言,将测试样本输入至训练后的目标模型中,得到测试类别标签。
在步骤S820中,分别计算与不同预测类别标签对应的预测样本的评估指标,并根据评估指标对目标模型中的模型参数进行调节,以优化目标模型。
其中,评估指标指的是用于评估预测类别标签是否可以真实代表预测样本所属于的类别的指标。具体地,评估指标可以机器学习领域中的模型评估指标(例如AUC(areaunder the curve)指标),可以是样本的准确率,可以是样本的召回率,可以是样本的平衡F分数,本示例性实施例对此不做特殊限定。
根据评估指标可以调节目标模型中的模型参数,具体地,模型参数可以是最大迭代次数,可以是学习率,可以是激活函数,可以是模型中的隐含层的层数,还可以是任何一种模型参数,本示例性实施例对此不做特殊限定。
举例而言,计算出与不同预测类别标签对应的预测样本的准确率,并根据准确率对与目标模型对应的学习率进行调节。
在本示例性实施例中,分别计算与不同预测类别标签对应的预测样本的评估指标,并根据评估指标对目标模型中的参数进行调节,为调节目标模型参数提供了依据,实现了对目标模型的优化,进而提高了确定出的推荐运输对象的准确度。
在可选的实施例中,图9示出了运输对象和货物的匹配方法中分别计算与不同预测类别标签对应的预测样本的评估指标的流程示意图,评估指标包括准确率;测试样本包括与第一真实类别标签对应的第一测试样本以及与第二真实类别标签对应的第二测试样本,准确率包括与第一测试样本对应的第一准确率和与第二测试样本对应的第二准确率,预测类别标签包括第一预测类别标签和第二预测类别标签。如图9所示,该方法至少包括以下步骤:在步骤S910中,统计出与第一预测类别标签对应的第一预测样本的第一样本个数,并统计出与第二预测类别标签对应第二预测样本的第二样本个数。
其中,测试样本中包括了第一测试样本和第二测试样本,并且,第一测试样本与第一真实类别标签对应,第二测试样本与第二真实类别标签对应。第一真实类别标签和第二真实类别标签有所区别,但代表的都是测试样本所属于的真实类别,第一真实类别标签具体代表的是第一测试样本中的运输对象适配于第一测试样本中的待运输货物,第二真实类别标签具体代表的是第二测试样本中的运输对象被随机分配给第二测试样本中的待运输货物。
评估指标具体可以包括准确率,具体地,准确率可以包括与第一测试样本对应的第一准确率和与第二测试样本对应的第二准确率。准确率代表的是目标模型预测的准确度,因此,准确率越高越好。
为了计算出第一准确率和第二准确率,首先需要统计出与第一预测类别标签对应的第一预测样本的个数,即统计出第一样本个数,还需要统计出与第二预测类别标签对应的第二预测样本的样本个数,即统计出第二样本个数。
举例而言,统计出的与第一预测类别标签对应的第一预测样本的样本个数为num1,统计出与第二预测类别标签对应的第二预测样本的样本个数为num2。
在步骤S920中,统计出模型预测结果属于第一测试类别标签且与模型预测结果对应的测试样本属于第一测试样本的第三样本个数,并统计出模型预测结果属于第二测试类别标签且与模型预测结果对应的测试样本属于第二测试样本的第四样本个数。
其中,第三样本个数指的是模型预测结果为第一预测类别标签,且与测试结果对应的测试样本属于第一真实样本标签的样本的个数。第四样本个数指的是模型预测结果为第二预测类别标签,且与测试结果对应的测试样本属于第二真实样本标签的样本的个数。
举例而言,统计出模型预测结果属于第一测试类别标签且与模型预测结果对应的测试样本属于第一测试样本的第三样本个数为num3,并统计出模型预测结果属于第二测试类别标签且与模型预测结果对应的测试样本属于第二测试样本的第四样本个数num4。
在步骤S930中,对第一样本个数和第三样本个数进行计算,得到第一准确率。
其中,对第一样本个数和第三样本个数进行计算,可以得到第一准确率。
举例而言,公式(1)为计算第一准确率的公式。
第一准确率=num3/num1(1)
其中,num1为第一样本个数,num3为第三样本个数。
在步骤S940中,对第二样本个数和第四样本个数进行计算,得到第二准确率。
其中,对第二样本个数和第四样本个数进行计算,可以得到第二准确率。
举例而言,公式(2)为计算第二准确率的公式。
第二准确率=num4/num2(2)
其中,num4为第四样本个数,num2为第二样本个数。
在本示例性实施例中,对第一样本个数和第三样本个数进行计算,得到第一准确率,对第二样本个数和第四样本个数进行计算,得到第二准确率,提供了计算评估指标准确率的具体方式,为根据评估指标对目标模型的模型参数进行调节奠定了基础。
在可选的实施例中,图10示出了运输对象和货物的匹配方法中分别计算与不同预测类别标签对应的预测样本的评估指标的流程示意图,评估指标包括召回率,召回率包括与第一测试样本对应的第一召回率和与第二测试样本对应的第二召回,如图10所示,该方法至少包括以下步骤:在步骤S1010中,统计出第一测试样本的第五样本个数,并统计出第二测试样本的第六样本个数。
其中,评估指标还包括召回率,具体地,召回率包括与第一测试样本对应的第一召回率和与第二测试样本对应的第二召回率。
召回率是用于衡量目标模型是否全面预测了所有测试样本的评估指标。具体地,对于目标模型而言,漏测的概率为1-召回率,因此,召回率越高越好。
第五样本个数指的是属于第一测试样本的样本个数,即真实类别标签属于第一真实类别标签的测试样本的样本个数。对应地,第六样本个数指的是属于第二测试样本的样本个数,即真实类别标签属于第二真实类别标签的测试样本的样本个数。
举例而言,统计出属于第一测试样本的第五样本个数为num5,统计出属于第二测试样本的第六样本个数为num6。
在步骤S1020中,对第三样本个数和第五样本个数进行计算,得到第一召回率。
其中,对第三样本个数和第五样本个数进行计算可以得到第一召回率,第一召回率指的是针对于第一测试样本的召回率。
举例而言,公式(3)为第一召回率的计算公式。
第一召回率=num3/num5 (3)
其中,num3为第三样本个数,num5为第五样本个数。
在步骤S1030中,对第四样本个数和第六样本个数进行计算,得到第二召回率。
其中,对第四样本个数和第六样本个数进行计算,可以得到针对于第二测试样本的第二召回率。
举例而言,公式(4)为第一召回率的计算公式。
第一召回率=num4/num6 (4)
其中,num4为第四样本个数,num6为第六样本个数。
在本示例性实施例中,提供了召回率的计算方式,这为后续利用召回率作为评估指标,优化目标模型奠定了基础。
在可选的实施例中,评估指标包括平衡F分数;平衡F分数包括与第一测试样本对应的第一平衡F分数和与第二测试样本对应的第二平衡F分数;分别计算与不同预测类别标签对应的所述预测样本的评估指标,包括:对第一准确率和第一召回率进行计算得到第一平衡F分数,对第二准确率和第二召回率进行计算得到第二平衡F分数。
其中,通常而言,准确率越高越好,召回率越高越好,然而,在实际当中,往往准确率和召回率之间存在相互影响,准确率越高,召回率越低,或准确率越低,召回率越高。这时,我们可以将平衡F分数作为评估指标,以对目标模型进行优化。
平衡F分数指的是准确率和召回率的调和平均数的2倍,其中,调和平均的意义就是为了寻找出准确率和召回率之间的一个平衡点。
平衡F分数中包括与第一测试样本对应的第一平衡F分数以及与第二测试样本对应的第二平衡F分数。并且,第一平衡F分数是对第一准确率和第一召回率进行计算得到的,第二平衡F分数是对第二准确率和第二召回率进行计算得到的。
举例而言,公式(5)为第一平衡F分数的计算公式,公式(6)为第二平衡F分数的计算公式。
其中,ace1为第一准确率,pre1为第一召回率,ace2为第二准确率,pre2为第二召回率。
在本示例性实施例中,评价指标包括平衡F分数,进而有助于寻找到准确率和召回率之间的平衡点,以提高对目标模型的优化效果。
在步骤S130中,在多个推荐运输对象中筛选出目标运输对象,以使目标运输对象执行运输任务。
在本公开的示例性实施例中,在得到多个推荐运输对象之后,需要对推荐运输对象进行筛选,以最终获取可以完成运输任务的目标运输对象。
举例而言,多个推荐运输对象包括司机C以及司机B。经过筛选得到的目标运输对象为司机C,以使司机C完成与三件衣服对应的运输任务。
在本示例性实施例中,在多个推荐运输对象中筛选出目标运输对象,包括:若在多个推荐运输对象中存在运输状态为特定运输状态的第一运输对象,和/或在多个推荐运输对象中存在报价状态为特定报价状态的第二运输对象,则将多个推荐运输对象中的第一运输对象和第二运输对象删除得到目标运输对象。
其中,特定运输状态指的是推荐运输对象无法运输待运输货物的状态,具体地,特定运输状态可以是推荐运输对象正在运输货物的状态,还可以是推荐运输对象还存在未完成的运输任务的状态,还可以是任何一种导致推荐运输对象无法运输待运输货物的状态,本示例性实施例对此不做特殊限定。若推荐运输对象处于特定报价状态,则证明此时推荐运输对象正在给别的货物进行报价。
举例而言,多个推荐运输对象包括司机H、司机K、司机Q以及司机Z。由于司机H此时正在给别的货物报价,因此,将司机H从推荐运输对象中删除,得到目标运输对象包括司机K、司机Q以及司机Z。
在本示例性实施例中,将处于特定运输状态的第一运输对象和/或处于特定报价状态的第二运输对象从多个推荐运输对象中删除,避免了从多个推荐运输对象中确定出无法完成运输任务的对象的情况发生,提高了确定出可以完成运输任务的运输对象的效率。
在可选的实施例中,图11示出了运输对象和货物的匹配方法中在多个推荐运输对象中筛选出目标运输对象之后的流程示意图,评估指标包括召回率,如图11所示,该方法至少包括以下步骤:在步骤S1110中,获取目标运输对象针对于运输任务的报价信息,根据报价信息,对目标运输对象针对于与运输路线的历史报价信息进行更新;其中,报价信息包括报价价格以及未报价原因。
其中,当确定出目标运输对象后,需要对目标运输对象进行询价,进而可以获取到目标运输对象对于此次运输任务反馈的报价信息。值得说明的是,存在两种情况,在第一种情况中,目标运输对象对此次运输任务进行了报价,进而获取到的报价信息为报价价格;在另一种情况中,目标运输对象对此次运输任务未进行报价,进而获取到的报价信息为未报价的原因。
具体的询价过程如下:在确定出目标运输对象之后,将目标运输对象的名单发送至业务人员。在下发的名单中包括目标运输对象的标识、目标运输对象的名称、目标运输对象的联系方式、目标运输对象在近一个月完成的运输任务的数量、可供运输对象驾驶的车辆的车辆位置、运输路线是否被目标运输对象确定为订阅运输路线、可供运输对象驾驶的车辆的车牌号、可供运输对象驾驶的车辆的车型、推荐原因、目标运输对象的驾照类型以及目标运输对象在物流平台的评级信息。
业务人员在收到与运输对象对应的名单之后,将与目标运输对象进行联系,以获取目标运输对象关于该运输路线的报价信息。
在获取到报价信息之后,根据报价信息对目标运输对象针对于与待运输货物对应的运输路线的历史报价信息进行更新。进而,在下次从运输对象中确定待匹配运输对象时,所使用到的历史报价信息就为更新后的历史报价信息。
举例而言,获取到司机K针对于运输路线的报价信息为报价价格1500元,获取到司机Q针对于运输路线的报价信息为报价价格1200元,获取到司机Z针对于运输路线的报价信息为未报价原因(具体为家中有急事,需要休假)。
根据报价价格1500元对司机K针对于运输路线的历史报价信息进行更新,根据报价价格1200元对司机Q针对于运输路线的历史报价信息进行更新,根据为报价原因对司机Z针对于运输路线的历史报价信息进行更新。
在步骤S1120中,根据更新后的历史报价信息,在与目标历史线路对应的运输对象中筛选出待匹配运输对象。
其中,在下次从运输对象中确定待匹配运输对象时,所使用到的历史报价信息就为更新后的历史报价信息。
举例而言,在下次从运输对象中确定出待匹配运输对象时,司机K的历史报价信息已被更新,司机Q的历史报价信息已被更新,司机Z的历史报价信息已被更新,进而此次确定出的待匹配运输对象可能与未更新上述历史报价信息时确定出的待匹配运输对象不同。
除了更新历史报价信息以外,也可以对未报价的目标运输对象进行标记。
图12示意性示出了运输对象与货物的匹配方法中更新历史报价信息的流程示意图,如图12所示,其中,对象1210为待匹配运输对象,信息1220为待匹配运输对象的对象属性信息,信息1230为与待运输货物对应的运输任务的任务信息(待运输货物具体可以是40份化妆品)。模型1240为目标模型,对象1250为推荐运输对象,在对推荐运输对象进行筛选后,可以得到对象1260目标运输对象。信息1270为报价信息,信息1280为历史报价信息。
此时,若目标运输对象反馈了针对于运输任务的报价价格,则根据报价价格更新历史报价信息1280,若目标运输对象反馈了针对于运输任务的未报价原因,则根据未报价原因更新历史报价信息1280,并将为报价的目标运输对象标记,其中,报价价格和未报价原因都属于报价信息1270。
基于此,在下次需要确定出与待运输货物对应的待匹配运输对象时,会使用到更新后的历史报价信息。
在本示例性实施例中,根据更新后的历史报价信息,在与目标历史线路对应的运输对象中的筛选出待匹配运输对象,提高了确定出的待匹配运输对象的准确度。
下面结合一应用场景对本公开实施例中运输对象与货物方法做出详细说明。
待匹配运输对象包括司机xx01、司机xx02、司机xx03以及司机xx04,待运输货物为三件家具。
基于此,获取与司机xx01对应的属性信息m1,获取与司机xx02对应的属性信息m2,获取与司机xx03对应的属性信息m2以及与司机xx04对应的属性信息m3。获取与三件家具对应的运输任务的任务信息m4。
将属性信息m1、属性信息m2、属性信息m3以及任务信息m4输入至目标模型中,得到多个推荐运输对象包括司机xx01、司机xx04。其中,司机xx01与运输任务之间的匹配分数大于司机xx04与运输任务之间的匹配分数。
由于司机xx01正在执行其他运输任务,因此,确定司机xx04为目标运输对象,以实现对三件家具的运输。
在本应用场景中,多个推荐运输对象是将属性信息和任务信息输入至目标模型中得到的,一方面,避免了现有技术中,无法找到与待运输货物匹配的运输对象的情况发生,保证了运力资源的充足性;另一方面,避免了现有技术中,通过人工行为查找目标运输对象的情况发生,提高了确定出目标运输对象的准确度以及效率。
此外,在本公开的示例性实施例中,还提供一种运输对象与货物的匹配装置。图13示出了运输对象与货物的匹配装置的结构示意图,如图13所示,运输对象与货物的匹配装置1300可以包括:获取模块1310、推荐模块1320和筛选模块1330。其中:
获取模块1310,被配置为获取与待匹配运输对象对应的属性信息,并获取与待运输货物对应的运输任务的任务信息;推荐模块1320,被配置为将属性信息和任务信息输入目标模型中,得到多个推荐运输对象;多个推荐运输对象的推荐顺序与匹配分数的分数顺序对应;匹配分数为衡量待匹配运输对象和待运输货物之间的匹配度的分数;筛选模块1330,被配置为在多个推荐运输对象中筛选出目标运输对象,以使目标运输对象执行运输任务。
上述运输对象与货物的匹配装置1300的具体细节已经在对应的运输对象与货物的匹配方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及运输对象与货物的匹配装置1300的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
下面参照图14来描述根据本发明的这种实施例的电子设备1400。图14显示的电子设备1400仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图14所示,电子设备1400以通用计算设备的形式表现。电子设备1400的组件可以包括但不限于:上述至少一个处理单元1410、上述至少一个存储单元1420、连接不同系统组件(包括存储单元1420和处理单元1410)的总线1430、显示单元1440。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元1410执行,使得所述处理单元1410执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。
存储单元1420可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)1421和/或高速缓存存储单元1422,还可以进一步包括只读存储单元(ROM)1423。
存储单元1420还可以包括具有一组(至少一个)程序模块1425的程序/使用工具1424,这样的程序模块1425包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包含网络环境的现实。
总线1430可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备1400也可以与一个或多个外部设备1470(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备1400交互的设备通信,和/或与使得该电子设备1400能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1450进行。并且,电子设备1400还可以通过网络适配器1460与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器1460通过总线1430与电子设备1400的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备1400使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。
参考图15所示,描述了根据本发明的实施例的用于实现上述方法的程序产品1500,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
Claims (16)
1.一种运输对象与货物的匹配方法,其特征在于,所述方法包括:
获取与待匹配运输对象对应的属性信息,并获取与待运输货物对应的运输任务的任务信息;
将所述属性信息和所述任务信息输入目标模型中,得到多个推荐运输对象;所述多个推荐运输对象的推荐顺序与匹配分数的分数顺序对应;所述匹配分数为衡量所述待匹配运输对象和所述待运输货物之间的匹配度的分数;
在所述多个推荐运输对象中筛选出目标运输对象,以使所述目标运输对象执行所述运输任务。
2.根据权利要求1所述的运输对象与货物的匹配方法,其特征在于,所述将所述属性信息和所述任务信息输入目标模型中,得到多个推荐运输对象之前,所述方法还包括:
获取与历史运输对象对应的样本属性信息;其中,所述样本属性信息包括所述历史运输对象的属性信息以及所述历史运输对象驾驶的车辆的车辆属性信息;
获取所述历史运输对象通过驾驶所述车辆所执行的历史运输任务,确定与所述历史运输任务对应的任务样本信息;
将所述历史运输对象的属性信息、所述车辆属性信息以及所述任务样本信息作为训练样本输入至待训练的目标模型中,以对所述待训练的目标模型进行训练得到所述目标模型。
3.根据权利要求2所述的运输对象与货物的匹配方法,其特征在于,所述方法还包括:
将所述样本属性信息以及所述任务样本信息作为目标样本信息,获取预设样本划分比例;
按照所述预设样本划分比例,将所述目标样本信息划分为训练样本以及测试样本;
将所述训练样本输入至所述待训练的目标模型中,以对所述待训练的目标模型进行训练得到目标模型。
4.根据权利要求3所述的运输对象和货物的匹配方法,其特征在于,所述将所述训练样本输入至所述待训练的目标模型中,以对所述待训练的目标模型进行训练得到目标模型之后,所述方法还包括:
将所述测试样本输入至所述目标模型中,得到模型预测结果;其中,所述预测结果中包括与所述测试样本对应的测试类别标签;
分别计算与不同所述预测类别标签对应的所述预测样本的评估指标,并根据所述评估指标对所述目标模型中的模型参数进行调节,以优化所述目标模型。
5.根据权利要求4所述的运输对象和货物的匹配方法,其特征在于,所述评估指标包括准确率;所述测试样本包括与第一真实类别标签对应的第一测试样本以及与第二真实类别标签对应的第二测试样本,所述准确率包括与所述第一测试样本对应的第一准确率和与所述第二测试样本对应的第二准确率,所述预测类别标签包括第一预测类别标签和第二预测类别标签;
所述分别计算与不同预测类别标签对应的所述预测样本的评估指标,包括:
统计出与所述第一预测类别标签对应的第一预测样本的第一样本个数,并统计出与所述第二预测类别标签对应第二预测样本的第二样本个数;
统计出与所述第一预测样本对应的所述测试样本属于所述第一测试样本的第三样本个数,并统计出与所述第二预测样本对应的所述测试样本属于所述第二测试样本的第四样本个数;
对所述第一样本个数和所述第三样本个数进行计算,得到所述第一准确率;
对所述第二样本个数和所述第四样本个数进行计算,得到所述第二准确率。
6.根据权利要求5所述的运输对象和货物的匹配方法,其特征在于,所述评估指标包括召回率;所述召回率包括与所述第一测试样本对应的第一召回率和与所述第二测试样本对应的第二召回率;
所述分别计算与不同预测类别标签对应的所述预测样本的评估指标,包括:
统计出所述第一测试样本的第五样本个数,并统计出所述第二测试样本的第六样本个数;
对所述第三样本个数和所述第五样本个数进行计算,得到所述第一召回率;
对所述第四样本个数和所述第六样本个数进行计算,得到所述第二召回率。
7.根据权利要求6所述的运输对象和货物的匹配方法,其特征在于,所述评估指标包括平衡F分数;所述平衡F分数包括与第一测试样本对应的第一平衡F分数和与所述第二测试样本对应的第二平衡F分数;
所述分别计算与不同预测类别标签对应的所述预测样本的评估指标,包括:
对所述第一准确率和所述第一召回率进行计算得到所述第一平衡F分数,对所述第二准确率和所述第二召回率进行计算得到第二平衡F分数。
8.根据权利要求1所述的运输对象与货物的匹配方法,其特征在于,所述获取待匹配运输对象的属性信息,包括:
获取与待运输货物对应的货源地址;
获取所有运输对象,并确定与所述所有运输对象对应的对象地址以及与所述所有运输对象驾驶的车辆对应的车辆地址;
计算所述货源地址与所述对象地址之间的第一地址距离,并计算所述货源地址与所述车辆地址之间的第二地址距离;
根据所述第一地址距离和所述第二地址距离,在所述所有运输对象中筛选出待匹配运输对象,以获取与所述待匹配运输对象对应的属性信息。
9.根据权利要求1所述的运输对象与货物的匹配方法,其特征在于,所述获取待匹配运输对象的属性信息,包括:
获取与待运输货物对应的运输路线,并获取与所有运输对象对应的历史运输路线;
若在所述历史运输路线中存在与所述运输路线一致的目标历史运输路线,则将与所述目标历史运输路线对应的所述运输对象确定为待匹配运输对象,以获取与所述待匹配运输对象对应的属性信息。
10.根据权利要求9所述的运输对象与货物的匹配方法,其特征在于,所述方法还包括:
确定与所述目标历史运输路线对应的所述运输对象,并获取所述运输对象针对于与所述目标历史运输路线的历史报价信息;
根据所述历史报价信息,在与所述目标历史运输路线对应的所述运输对象中筛选出待匹配运输对象。
11.根据权利要求9所述的运输对象与货物的匹配方法,其特征在于,所述方法还包括:
获取与所有运输对象对应的订阅运输路线;其中,所述运输对象针对于所述订阅运输路线的运输频率高于运输频率阈值;
若在所述订阅运输路线中存在与所述运输路线一致的目标订阅运输路线,则将与所述目标订阅运输路线对应的所述运输对象确定为待匹配运输对象。
12.根据权利要求1所述的运输对象与货物的匹配方法,其特征在于,所述在所述多个推荐运输对象中筛选出目标运输对象,包括:
若在所述多个推荐运输对象中存在运输状态为特定运输状态的第一运输对象,和/或在所述多个推荐运输对象中存在报价状态为特定报价状态的第二运输对象,则将所述多个推荐运输对象中的所述第一运输对象和所述第二运输对象删除得到目标运输对象。
13.根据权利要求10所述的运输对象与货物的匹配方法,其特征在于,所述在所述多个推荐运输对象中筛选出目标运输对象之后,所述方法还包括:
获取所述目标运输对象针对于所述运输任务的报价信息,根据所述报价信息,对所述目标运输对象针对于所述运输路线的所述历史报价信息进行更新;其中,所述报价信息包括报价价格以及未报价原因;
根据更新后的所述历史报价信息,在与所述目标历史线路对应的所述运输对象中筛选出待匹配运输对象。
14.一种运输对象与货物的匹配装置,其特征在于,包括:
获取模块,被配置为获取与待匹配运输对象对应的属性信息,并获取与待运输货物对应的运输任务的任务信息;
推荐模块,被配置为将所述属性信息和所述任务信息输入目标模型中,得到多个推荐运输对象;所述多个推荐运输对象的推荐顺序与匹配分数的分数顺序对应;所述匹配分数为衡量所述待匹配运输对象和所述待运输货物之间的匹配度的分数;
筛选模块,被配置为在所述多个推荐运输对象中筛选出目标运输对象,以使所述目标运输对象执行所述运输任务。
15.一种电子设备,其特征在于,包括:
处理器;
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器被配置为经由执行所述可执行指令来执行权利要求1-13中的任意一项所述的运输对象与货物的匹配方法。
16.一种计算机可读存储介质,其上存储计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-13中的任意一项所述的运输对象与货物的匹配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310093889.1A CN116011904A (zh) | 2023-01-30 | 2023-01-30 | 运输对象与货物的匹配方法及装置、存储介质、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310093889.1A CN116011904A (zh) | 2023-01-30 | 2023-01-30 | 运输对象与货物的匹配方法及装置、存储介质、电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116011904A true CN116011904A (zh) | 2023-04-25 |
Family
ID=86035724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310093889.1A Pending CN116011904A (zh) | 2023-01-30 | 2023-01-30 | 运输对象与货物的匹配方法及装置、存储介质、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116011904A (zh) |
-
2023
- 2023-01-30 CN CN202310093889.1A patent/CN116011904A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200134696A1 (en) | Recommender systems and methods using cascaded machine learning models | |
US10699240B2 (en) | Hybrid delivery platform for regulated products | |
CN104169950B (zh) | 利用面向批处理的计算的数据库系统 | |
US11443273B2 (en) | Artificial intelligence for compliance simplification in cross-border logistics | |
US20170046653A1 (en) | Planning of transportation requests | |
CN109658033B (zh) | 货源路线相似度计算方法、系统、设备及存储介质 | |
CN111950803A (zh) | 物流对象送达时间预测方法、装置、电子设备及存储介质 | |
CN104361063A (zh) | 用户兴趣发现方法和装置 | |
CN113688326B (zh) | 推荐方法、装置、设备及计算机可读存储介质 | |
CN112884235B (zh) | 出行推荐方法、出行推荐模型的训练方法、装置 | |
CN109155041A (zh) | 提供与社交图相关联的基于旅行或促销的推荐 | |
CN109978465A (zh) | 货源推荐方法、装置、电子设备、存储介质 | |
KR102497560B1 (ko) | 인공지능 기반 물류 중개 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
CN110766513A (zh) | 信息排序方法、装置、电子设备及可读存储介质 | |
CN116029637A (zh) | 跨境电商物流渠道智能推荐方法及装置、设备、存储介质 | |
US20230186226A1 (en) | Artificial Intelligence (AI) Based Systems and Methods for Analyzing Order Data to Generate a Driver Logistics Prediction Value | |
CN113424207A (zh) | 高效地训练可理解模型的系统和方法 | |
CN116011904A (zh) | 运输对象与货物的匹配方法及装置、存储介质、电子设备 | |
CN114595323B (zh) | 画像构建、推荐、模型训练方法、装置、设备及存储介质 | |
CN115759307A (zh) | 一种订单派送方法、装置、电子设备及存储介质 | |
Syed et al. | Neural network-based metaheuristic parameterization with application to the vehicle matching problem in ride-hailing services | |
CN114418236A (zh) | 信息预测方法、装置、存储介质及电子设备 | |
US20210065225A1 (en) | Information processing method and information processing apparatus | |
CN112785234A (zh) | 货物推荐方法、装置、设备及存储介质 | |
CN113869596A (zh) | 任务预测处理方法、设备、产品和介质 |
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 |