CN116433138A - 一种基于遗传算法的物流平台信息推送方法及系统 - Google Patents

一种基于遗传算法的物流平台信息推送方法及系统 Download PDF

Info

Publication number
CN116433138A
CN116433138A CN202310693158.0A CN202310693158A CN116433138A CN 116433138 A CN116433138 A CN 116433138A CN 202310693158 A CN202310693158 A CN 202310693158A CN 116433138 A CN116433138 A CN 116433138A
Authority
CN
China
Prior art keywords
information
logistics
pushing
features
representing
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.)
Granted
Application number
CN202310693158.0A
Other languages
English (en)
Other versions
CN116433138B (zh
Inventor
郭铖
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.)
Changsha Zhengdu Network Technology Co ltd
Original Assignee
Changsha Zhengdu Network 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 Changsha Zhengdu Network Technology Co ltd filed Critical Changsha Zhengdu Network Technology Co ltd
Priority to CN202310693158.0A priority Critical patent/CN116433138B/zh
Publication of CN116433138A publication Critical patent/CN116433138A/zh
Application granted granted Critical
Publication of CN116433138B publication Critical patent/CN116433138B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0833—Tracking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q10/0835—Relationships between shipper or supplier and 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
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于遗传算法的物流平台信息推送方法及系统，所述方法包括：向物流平台输入信息；物流平台接受输入的信息并进行验证，以确保输入信息准确无误；将输入信息进行处理，进行数据清洗后将信息拆分为离散特征与连续特征并分别编码，对于离散特征使用embedding网络映射为特征向量，对于连续特征将其归一化为0‑1之间的值，之后再分桶编码；建立遗传算法动态推荐模型，该模型包含粗排步骤和精排步骤；最后，根据评分排序，按序将物流配对信息推送给用户。本发明在物流配对信息多方推送的应用场景下，结合了传统的遗传算法与推荐算法，实现了满足运输条件限制的个性化物流信息推送，从而更快更准确地撮合物流订单的匹配。

Description

一种基于遗传算法的物流平台信息推送方法及系统
技术领域
本发明属于信息推送技术领域，尤其涉及一种基于遗传算法的物流平台信息推送方法及系统。
背景技术
近年来，随着互联网的发展和电商行业的崛起，物流行业成为了一个非常重要的领域。不同于传统物流行业开展业务的区域限制，现代物流行业实现了更快捷、多元需求化发展。
现有的物流信息推送方法主要基于规则和经验，而在物流过程中存在多方需求的矛盾，如物流公司期望更小的物流成本和更大的订单收益，货车租赁公司希望最大化使用率，而司机希望最大化收益，这导致传统的推送方法难以满足不同需求方的需求，撮合效率往往不够理想。同时，不同的个体挑选物流订单的偏好也不尽相同，在需要同时服务多个需求方时，个性化推荐的需求愈发明显。基于深度学习的物流信息推送算法是一种满足个性化推荐的方法，但它无法在物流配送领域保证满足运输条件的限制。
发明内容
有鉴于此，本发明提供一种基于遗传算法的物流平台信息推送方法及系统，目的在于(1)提供能同时符合多个不同需求方的个性化需求的物流配对信息推送服务；(2)对不同需求方分别建立目标规划模型，并以遗传算法求解，获得满足多方需求以及运输条件限制的初步推送信息；(3)提出了基于遗传信息优化的点击率预估模型GICM，耦合了遗传算法与推荐算法，对初步推送信息进行更精细的评分，使得物流信息推送更加个性化与精细化。
实现上述目的，本发明提供的一种基于遗传算法的物流平台信息推送方法，包括以下步骤：
S1：向物流平台输入信息，包括物流订单信息、运输车辆信息和司机信息中的一项或多项；
S2：物流平台接受输入的信息并进行验证；
S3：将输入信息进行处理，进行数据清洗后将信息拆分为离散特征与连续特征并分别编码。对于离散特征使用embedding网络映射为特征向量，对于连续特征将其归一化为0-1之间的值，再进行分桶编码；
S4：建立遗传算法动态推荐模型，该模型包含两个主要步骤，粗排步骤和精排步骤；
S41：所述粗排步骤运用遗传算法对编码后的信息进行运算，针对不同需求方分别建立目标规划模型，求出多个局部最优解作为候选解集；在遗传算法动态推荐模型中，通过设定新频率，对物资信息、运输车辆信息和司机信息进行实时更新；
S42：所述精排步骤使用了历史订单信息、用户偏好信息以及实时位置信息，提出了基于遗传信息优化的点击率预估模型GICM对候选解集进行评分，以进行精准的个性化推送；
S5：根据遗传算法动态推荐模型的结果作为待推送的物流配对信息；物流配对信息是一系列的物资、运输车辆和司机的组合方案。
作为本发明的进一步改进方法：
可选地，为所述方法建立数据的表示，相关表示包括：
所述物流订单为
Figure SMS_1
：表示当前需要配送的第/>
Figure SMS_2
件物流订单；共有
Figure SMS_3
件物流订单需要处理，每个订单/>
Figure SMS_4
有收益/>
Figure SMS_5
和对应的运输需求/>
Figure SMS_6
，所述运输需求/>
Figure SMS_7
包括但不限于货物类型、体积、重量、始发地、目的地、截止时间、金额信息；
所述运输车辆为
Figure SMS_10
：表示可供使用的车次中的第/>
Figure SMS_12
辆车；共有/>
Figure SMS_14
辆运输车辆供运输，每辆运输车辆/>
Figure SMS_9
有运输能力为/>
Figure SMS_13
、租赁费用/>
Figure SMS_15
、保险费用/>
Figure SMS_16
、起始位置/>
Figure SMS_8
、终止位置/>
Figure SMS_11
；
司机为
Figure SMS_17
：表示当前可供雇佣的第/>
Figure SMS_18
名司机；
可选地，所述S3步骤包括：
S31：进行数据清洗，包括缺失值、异常值、重复值处理，且均采用插值法填充，公式如下：
Figure SMS_19
；
其中
Figure SMS_20
为线性插值法，/>
Figure SMS_21
为待处理数据；
S32：进行离散特征embedding映射；首先对离散特征按序排列，再使用embedding网络进行映射；设一个离散特征为
Figure SMS_22
，它有/>
Figure SMS_23
个取值，则先将/>
Figure SMS_24
映射为1到V中的某一整数，每个取值对应的embedding向量为/>
Figure SMS_25
，则embedding网络使用下列公式将/>
Figure SMS_26
转换为相应的特征向量/>
Figure SMS_27
：
Figure SMS_28
；
其中，
Figure SMS_29
是一个维度为/>
Figure SMS_30
的矩阵，/>
Figure SMS_31
是嵌入维度。
S33：对连续特征归一化处理后，再进行连续特征离散化处理；记
Figure SMS_32
为某一连续特征，对其采用最大最小归一化，公式如下：
Figure SMS_33
；
其中，
Figure SMS_34
表示对/>
Figure SMS_35
归一化处理后的结果，/>
Figure SMS_36
表示所有样本的/>
Figure SMS_37
的最小值，/>
Figure SMS_38
表示所有样本的/>
Figure SMS_39
的最大值；
所述连续特征离散化是指将连续特征映射为与离散特征相同的embedding向量；首先，将连续特征划分进相应的桶中；设置桶的个数为
Figure SMS_40
，则映射公式为：
Figure SMS_41
；
其中，
Figure SMS_42
表示离散化处理，/>
Figure SMS_43
为向下取整函数；
S34：对离散数值使用与S12一致的embedding方法，将之映射为向量/>
Figure SMS_45
：
Figure SMS_46
；
所述embedding特征向量仅在神经网络模型中使用。
可选地，所述步骤S41会为三个需求方分别计算初步的待推送的候选解集
Figure SMS_47
，所述计算方法是一种基于遗传算法的物流信息推送方法，具体包括：
S411：构建种群规模为
Figure SMS_48
的初始群体，个体/>
Figure SMS_49
由物流订单/>
Figure SMS_50
、运输车辆/>
Figure SMS_51
、司机
Figure SMS_52
中的任意一种组合所确定，该组合是为推送给用户的一条物流配对信息，个体的集合为X；
种群可表示为：
Figure SMS_53
；
Figure SMS_54
；
其中
Figure SMS_55
表示样本的特征维度，/>
Figure SMS_56
表示第/>
Figure SMS_57
个特征，为第/>
Figure SMS_58
个决策变量，/>
Figure SMS_59
表示个体编号；每个决策变量满足：
Figure SMS_60
；
初始化种群时，基于贪心算法求得
Figure SMS_61
满足约束条件的初始解，并随机生成
Figure SMS_62
的初始解，以加快收敛速度；对于每个决策变量/>
Figure SMS_63
，在其取值
Figure SMS_64
范围中等距地取出k个值，然后分别计算该决策变量在这些取值时的适应度分数，选择分数最大的取值作为该维度的初始值/>
Figure SMS_65
，则对于个体/>
Figure SMS_66
，有：
Figure SMS_67
；
Figure SMS_68
；
Figure SMS_69
；
需要定义
S412：为物流订单，运输车辆和司机建立多目标规划模型；
S413：对每个个体执行适应度值选择算子，记
Figure SMS_70
为个体/>
Figure SMS_71
的适应度分数，则选择算子由如下公式计算：
Figure SMS_72
；
S414：确定交叉规则和变异规则，采用单亲遗传的交叉规则与精英保留的变异手段；
S415：确定迭代终止条件，开始迭代；在每轮迭代中记录精英染色体，最终得到精英染色体合集，选取一部分作为候选解集
Figure SMS_73
。
可选地，所述S412步骤中为物流公司建立的目标规划模型如下：
Figure SMS_74
；
Figure SMS_75
；
；
Figure SMS_77
；
其中，
Figure SMS_79
表示订单/>
Figure SMS_82
是否分配到运输车辆/>
Figure SMS_86
进行运输，/>
Figure SMS_80
表示运输车辆/>
Figure SMS_84
从起点/>
Figure SMS_87
到订单/>
Figure SMS_89
的起点/>
Figure SMS_78
，再从订单/>
Figure SMS_85
的终点/>
Figure SMS_88
到运输车辆/>
Figure SMS_90
的终点/>
Figure SMS_81
所需的时间；第一个限制条件表示每个订单必须分配到且只能分配到一个运输车辆进行运输；第二个限制条件表示每个运输车辆运输的订单总需求不能超过运输车辆的运输能力；/>
Figure SMS_83
为遗传算法求解该模型时的适应度分数；
可选地，所述S412步骤中，为运输车辆建立的目标规划模型如下：
Figure SMS_91
；
Figure SMS_92
；
其中，
Figure SMS_95
为0-1变量，表示运输车辆/>
Figure SMS_97
是否被分配给订单/>
Figure SMS_99
，/>
Figure SMS_94
表示运输车辆
Figure SMS_96
的租金，/>
Figure SMS_98
表示运输车辆/>
Figure SMS_100
的容量。目标函数为运输车辆租金的总和，即所有已分配订单的运输车辆租金之和；约束条件第一项保证每个订单必须被分配到一个运输车辆上；约束条件第二项保证每辆运输车辆的总装载量不能超过它的容量；/>
Figure SMS_93
为遗传算法求解该模型时的适应度分数；
可选地，所述S412步骤中，为运输车辆司机建立的目标规划模型如下：
Figure SMS_101
；
Figure SMS_102
；
Figure SMS_103
；
Figure SMS_104
；
其中，
Figure SMS_110
表示订单/>
Figure SMS_114
是否由司机接单，/>
Figure SMS_115
表示运输车辆/>
Figure SMS_108
是否被调度，/>
Figure SMS_119
表示订单
Figure SMS_109
是否被安排在司机的路线上；/>
Figure SMS_117
是订单/>
Figure SMS_113
的佣金，/>
Figure SMS_122
是订单/>
Figure SMS_105
的装卸地数量，/>
Figure SMS_118
是订单/>
Figure SMS_111
的装卸地所在的路径长度，/>
Figure SMS_120
是运输车辆/>
Figure SMS_112
的行驶容量，/>
Figure SMS_121
是订单/>
Figure SMS_107
和运输车辆/>
Figure SMS_116
之间的可达性矩阵；/>
Figure SMS_106
为遗传算法求解该模型时的适应度分数；
可选地，所述S414步骤中，所述单亲遗传的交叉规则指，在父代中只选择单一个体
Figure SMS_123
，随机挑选其不同位置的特征/>
Figure SMS_124
，交换/>
Figure SMS_125
和/>
Figure SMS_126
处的特征编码，由此可得到与父代不同却保留了大部分父代特征的新个体；
可选地，所述S414步骤中，所述精英保留的变异规则指，在种群进化时，将表现最适应度分数最高的个体设置为精英个体
Figure SMS_127
，直接将其拷贝一份作为下一代个体，公式如下：
Figure SMS_128
；
Figure SMS_129
；
其余选择算子分数值居前20%的个体也会进入下一代，且引入基因变化：
Figure SMS_130
；
其中，
Figure SMS_131
为随机变异步长；
可选地，所述步骤S42中使用基于遗传信息优化的点击率预估模型GICM计算候选解集的点击率分数，其步骤包括：
S421:从离线特征与实时特征角度获取
Figure SMS_132
的特征，将所有特征拼接；所述离线特征包括的历史行为特征与固定特征，所述实时特征包括三方在推送流程发生时的特征；公式如下：
Figure SMS_133
；
其中，
Figure SMS_134
表示向量拼接，/>
Figure SMS_135
是特征个数，/>
Figure SMS_136
指粗排步骤中样本的适应度分数；
S422:确定正负样本集合；对于由物流订单
Figure SMS_138
、运输车辆/>
Figure SMS_140
、司机/>
Figure SMS_143
唯一确定的样本/>
Figure SMS_139
，现在要将组合情况推送给司机，若司机/>
Figure SMS_142
曾驾驶/>
Figure SMS_145
运送过物流订单/>
Figure SMS_146
，或/>
Figure SMS_137
曾在平台中作为被推送的物流配对信息被点击过，则将样本/>
Figure SMS_141
的标签/>
Figure SMS_144
设置为1，反之为0，即：
Figure SMS_147
；
其中，
Figure SMS_148
表示平台上的历史点击序列，/>
Figure SMS_149
表示历史订单序列；
S423:使用正负样本训练基于遗传信息优化的点击率预估模型GICM，具体地，该模型以DeepFM为backbone网络，并用S41步骤中所得适应度分数引导模型训练；DeepFM模型包括FM因子分解机和DNN深度神经网络两部分结构；模型结构包括输入层、特征处理层、汇聚层和输出层，所述特征处理层包括因子分解机部分和深度神经网络部分；
所述FM负责学习低层级的鲁棒特征，DNN学习更抽象的特征；两者共享输入向量；
FM对输入的样本个体
Figure SMS_150
进行交叉项的计算，得到交叉项的输出/>
Figure SMS_151
:
Figure SMS_152
；
其中，
Figure SMS_153
是样本特征个数，/>
Figure SMS_154
表示第/>
Figure SMS_155
个特征与第/>
Figure SMS_156
个特征的交叉项权重，/>
Figure SMS_157
为线性权重项；
DNN深度神经网络需要使用embedding向量作为特征向量，进行隐藏层操作，公式如下：
Figure SMS_158
；
Figure SMS_159
；
其中，
Figure SMS_162
是S1所述的embedding向量，/>
Figure SMS_165
和/>
Figure SMS_168
分别表示DNN第/>
Figure SMS_161
个隐藏层的权重矩阵和偏置向量，/>
Figure SMS_163
表示第/>
Figure SMS_166
个隐藏层的所有操作，/>
Figure SMS_169
表示激活函数，/>
Figure SMS_160
表示采用dropout技术对神经元进行随机丢弃，/>
Figure SMS_164
表示被丢弃的概率；用/>
Figure SMS_167
表示最后一层输出的最终隐向量，则有：
Figure SMS_170
；
其中，
Figure SMS_171
是超参数，用于调节粗排步骤中的/>
Figure SMS_172
对精排步骤的影响程度；
S424：根据CTR预估模型计算
Figure SMS_173
被用户点击的概率分数/>
Figure SMS_174
，对一个批次内样本按/>
Figure SMS_175
由大到小的顺序排序，将排序后的组合情况推送给需求方。
本发明还提供了一种基于遗传算法的物流平台信息推送系统，包括：
物流信息采集模块：用于采集物流系统中的物流订单、运输车辆和司机信息，并将其存储到信息存储模块中，为后续信息推送计算提供数据基础；
用户输入模块：用于接收用户的个性化操作和信息输入，以及系统推送频率和推送方式设置；
信息存储模块：用于存储从物流信息采集模块中采集到的物流订单、运输车辆和司机信息，以及从用户输入模块中接收到的个性化操作和信息输入，便于后续推送信息计算模块的信息处理和计算；
推送信息计算模块：该模块主要根据用户输入模块中的用户偏好和系统设置信息，基于遗传算法设计并实现个性化的推送计算算法，通过分析信息存储模块中的各类物流订单、运输车辆和司机数据，计算出个性化的物流配对信息进行推送；
推送模块：将推送信息计算模块中计算得出的个性化的物流配对信息推送给用户；
有益效果：
本发明提出了一种基于遗传算法的物流平台信息推送系统及其方法，与现有技术相比，其具有以下有益效果：
1.服务对象多元化：现有的物流信息推送方法主要基于规则和经验，无法满足不同需求方的需求。因此，本发明针对不同需求方建立多个目标规划模型，实现了多元化的服务对象，能够更好地满足不同需求方的需求，提升了物流配对撮合效率，与现有方法相比拓展了服务对象。
2.个性化推送物流信息，进一步提高配对成功率：现有的物流信息推送方法无法做到为不同的需求方进行个性化推荐。尤其是在需要同时服务多个需求方时，个性化推荐的需求愈发明显。本发明提出了基于遗传信息优化的点击率预估模型，对候选解集进行更精细的评分，可很好地提升物流订单配对成功率。
3.耦合了遗传算法与推荐算法，在满足运输条件的限制下合理利用推荐算法的灵活性：基于深度学习的物流信息推送算法固然有优点，但它无法在物流配送领域保证满足运输条件的限制。对此，本发明解决了基于深度学习的推荐算法无法保证满足运输限制条件的问题，并且在推荐算法中合理使用目标规划求解过程中的信息，赋予了模型规范性与灵活性。
附图说明
图1为本发明一实施例的一种一种基于遗传算法的物流平台信息推送系统及其方法的流程示意图。
具体实施方式
下面结合附图对本发明作进一步的说明，但不以任何方式对本发明加以限制，基于本发明教导所作的任何变换或替换，均属于本发明的保护范围。
实施例1：本发明提供了一种基于遗传算法的物流平台信息推送方法，如图1所示包括以下步骤：
S1：向物流平台输入信息，包括：
所述物流订单为
Figure SMS_176
：表示当前需要配送的第/>
Figure SMS_177
件物流订单；共有
Figure SMS_178
件物流订单需要处理，每个订单/>
Figure SMS_179
有收益/>
Figure SMS_180
和对应的运输需求/>，所述运输需求/>
Figure SMS_182
包括但不限于货物类型、体积、重量、始发地、目的地、截止时间、金额信息；
所述运输车辆为
Figure SMS_184
：表示可供使用的车次中的第/>
Figure SMS_187
辆车；共有/>
Figure SMS_189
辆运输车辆供运输，每辆运输车辆/>
Figure SMS_185
有运输能力为/>
Figure SMS_188
、租赁费用/>
Figure SMS_190
、保险费用/>
Figure SMS_191
、起始位置/>
Figure SMS_183
、终止位置/>
Figure SMS_186
；
司机为
Figure SMS_192
：表示当前可供雇佣的第/>
Figure SMS_193
名司机；
S2：物流平台接受输入的信息并进行验证，以确保输入信息准确无误；
S3：将输入信息进行处理，包括：
S31：进行数据清洗，包括缺失值、异常值、重复值处理，且均采用插值法填充，公式如下：
Figure SMS_194
；
其中
Figure SMS_195
为线性插值法，/>
Figure SMS_196
为待处理数据；
S32：进行离散特征embedding映射；首先对离散特征按序排列，再使用embedding网络进行映射；设一个离散特征为
Figure SMS_197
，它有/>
Figure SMS_198
个取值，则先将/>
Figure SMS_199
映射为1到V中的某一整数，每个取值对应的embedding向量为/>
Figure SMS_200
，则embedding网络使用下列公式将/>
Figure SMS_201
转换为相应的特征向量/>
Figure SMS_202
：
Figure SMS_203
；
其中，
Figure SMS_204
是一个维度为/>
Figure SMS_205
的矩阵，/>
Figure SMS_206
是嵌入维度；本实施例中k取值128。
S33：对连续特征归一化处理后，再进行连续特征离散化处理；记
Figure SMS_207
为某一连续特征，对其采用最大最小归一化，公式如下：
Figure SMS_208
；
其中，
Figure SMS_209
表示对/>
Figure SMS_210
归一化处理后的结果，/>
Figure SMS_211
表示所有样本的/>
Figure SMS_212
的最小值，/>
Figure SMS_213
表示所有样本的/>
Figure SMS_214
的最大值；
所述连续特征离散化是指将连续特征映射为与离散特征相同的embedding向量；首先，将连续特征划分进相应的桶中；设置桶的个数为
Figure SMS_215
，本实施例中将其设置为100,则映射公式为：
Figure SMS_216
；
其中，
Figure SMS_217
表示离散化处理，/>
Figure SMS_218
为向下取整函数；
S34：对离散数值
Figure SMS_219
使用与S12一致的embedding方法，将之映射为向量/>
Figure SMS_220
：
Figure SMS_221
；
所述embedding特征向量仅在神经网络模型中使用。
S4：建立遗传算法动态推荐模型，该模型包含两个主要步骤，粗排步骤和精排步骤；
S41：粗排步骤运用遗传算法对编码后的信息进行运算，针对不同需求方分别建立目标规划模型，求出多个局部最优解作为候选解集
Figure SMS_222
；在遗传算法动态推荐模型中，通过设定适宜的更新频率，对输入信息以及候选解集进行实时更新，本实施例中，更新频率为0.5h；
所述计算方法是一种基于遗传算法的物流信息推送方法，其步骤包括：
S411：构建种群规模为
Figure SMS_223
的初始群体，本实施例中，种群规模为300。个体/>
Figure SMS_224
由物流订单/>
Figure SMS_225
、运输车辆/>
Figure SMS_226
、司机/>
Figure SMS_227
的一种组合所确定，该组合是最终要推送给用户的一条物流配对信息，个体的集合为X；对司机来说，本发明所求的不是一个完整的装配清单，而是装配清单上推荐装配的下一项物资；通过输入信息实时更新，司机可通过所述方法实现物资拼车功能；
种群可表示为：
Figure SMS_228
；
Figure SMS_229
；
其中
Figure SMS_230
表示样本的特征维度，/>
Figure SMS_231
表示第/>
Figure SMS_232
个特征，为第/>
Figure SMS_233
个决策变量，/>
Figure SMS_234
表示个体编号；每个决策变量满足：
Figure SMS_235
初始化种群时，基于贪心算法求得100个满足约束条件的初始个体，并随机生成200个初始解，以加快收敛速度。本实施例中，按如下公式计算：
Figure SMS_236
Figure SMS_237
Figure SMS_238
对于一个特征
Figure SMS_239
，将其可能的取值在[/>
Figure SMS_240
]中等距地取出20个值，然后分别计算该决策变量取这些值时的适应度分数，选择分数最大的取值作为该维度的初始值/>
Figure SMS_241
。
S412：建立多目标规划模型，分别为物流订单，运输车辆和司机建立不同的目标规划模型；
所述S412步骤中，为物流订单建立的目标规划模型如下：
Figure SMS_242
；
Figure SMS_243
；/>
Figure SMS_244
；
Figure SMS_245
；
其中，
Figure SMS_247
表示订单/>
Figure SMS_250
是否分配到运输车辆/>
Figure SMS_254
进行运输，/>
Figure SMS_248
表示运输车辆/>
Figure SMS_253
从起点/>
Figure SMS_256
到订单/>
Figure SMS_258
的起点/>
Figure SMS_246
，再从订单/>
Figure SMS_251
的终点/>
Figure SMS_255
到运输车辆/>
Figure SMS_257
的终点/>
Figure SMS_249
所需的时间；
Figure SMS_252
为遗传算法求解该模型时的适应度分数。
所述S412步骤中，为运输车辆建立的目标规划模型如下：
Figure SMS_259
；
Figure SMS_260
；
其中，
Figure SMS_263
为0-1变量，表示运输车辆/>
Figure SMS_264
是否被分配给订单/>
Figure SMS_266
，/>
Figure SMS_262
表示运输车辆
Figure SMS_265
的租金，/>
Figure SMS_267
表示运输车辆/>
Figure SMS_268
的容量；目标函数为运输车辆租金的总和，即所有已分配订单的运输车辆租金之和；约束条件第一项保证每个订单必须被分配到一个运输车辆上；约束条件第二项保证每辆运输车辆的总装载量不能超过它的容量；/>
Figure SMS_261
为遗传算法求解该模型时的适应度分数；
所述S412步骤中，为司机建立的目标规划模型如下：
Figure SMS_269
；
Figure SMS_270
；/>
Figure SMS_271
；
Figure SMS_272
；
其中，
Figure SMS_280
表示订单/>
Figure SMS_278
是否由司机接单，/>
Figure SMS_288
表示运输车辆/>
Figure SMS_282
是否被调度，/>
Figure SMS_289
表示订单
Figure SMS_279
是否被安排在司机的路线上；/>
Figure SMS_290
是订单/>
Figure SMS_276
的佣金，/>
Figure SMS_286
是订单/>
Figure SMS_273
的装卸地数量，/>
Figure SMS_287
是订单/>
Figure SMS_274
的装卸地所在的路径长度，/>
Figure SMS_285
是运输车辆/>
Figure SMS_277
的行驶容量，/>
Figure SMS_284
是订单/>
Figure SMS_275
和运输车辆/>
Figure SMS_283
之间的可达性矩阵；/>
Figure SMS_281
为遗传算法求解该模型时的适应度分数；
S413：对每个个体执行适应度值选择算子，记
Figure SMS_291
为个体/>
Figure SMS_292
的适应度分数，则选择算子由如下公式计算：
Figure SMS_293
；
S414：确定交叉规则和变异规则。遗传采用单亲遗传的交叉规则，在父代中只选择一个个体
Figure SMS_294
，随机挑选其不同位置的特征/>
Figure SMS_295
，交换/>
Figure SMS_296
和/>
Figure SMS_297
处的特征编码，由此可得到与父代不同却保留了大部分父代特征的新个体，其目的在于避免不满足约束条件的无效交叉，从而快速收敛。本实施例中，交叉遗传的基因对数为3对。变异时采用精英保留的策略，在种群进化时，将适应度分数最高的个体设置为精英染色体/>
Figure SMS_298
，直接将其拷贝一份作为下一代染色体，公式如下：
Figure SMS_299
；
Figure SMS_300
；
其余选择算子分数值居前20%的个体也会进入下一代，但是会引入基因变化：
Figure SMS_301
其中，
Figure SMS_302
为随机变异步长，本实施例中，/>
Figure SMS_303
由均值为0，方差为1的高斯函数随机生成；/>
S415：确定迭代终止条件，开始迭代。在每轮迭代中记录精英染色体，最终得到精英染色体合集，选取一部分作为候选解集
Figure SMS_304
。
S42：精排步骤进一步的使用了历史订单信息、用户偏好信息以及实时位置信息，使用基于遗传信息优化的点击率预估模型对候选解集进行评分，以进行更精准的个性化推送，其步骤包括：
S421:从离线特征与实时特征角度获取
Figure SMS_305
的特征，将所有特征拼接；所述离线特征包括的历史行为特征与固定特征，所述实时特征包括三方在推送流程发生时的特征；公式如下：
Figure SMS_306
；
其中，
Figure SMS_307
表示向量拼接，/>
Figure SMS_308
是特征个数，/>
Figure SMS_309
指粗排步骤中样本的适应度分数；
S422:确定正负样本集合；对于由物流订单
Figure SMS_312
、运输车辆/>
Figure SMS_315
、司机/>
Figure SMS_318
唯一确定的样本/>
Figure SMS_311
，现在要将组合情况推送给司机，若司机/>
Figure SMS_314
曾驾驶/>
Figure SMS_317
运送过物流订单/>
Figure SMS_319
，或/>
Figure SMS_310
曾在平台中作为被推送的物流配对信息被点击过，则将样本/>
Figure SMS_313
的标签/>
Figure SMS_316
设置为1，反之为0，即：
Figure SMS_320
；
其中，
Figure SMS_321
表示平台上的历史点击序列，/>
Figure SMS_322
表示历史订单序列；
S423:使用正负样本训练基于遗传信息优化的点击率预估模型GICM，具体地，该模型以DeepFM为backbone网络，并用S41步骤中所得适应度分数引导模型训练；DeepFM模型包括FM因子分解机和DNN深度神经网络两部分结构；整个模型结构包括输入层、特征处理层（包括因子分解机部分和深度神经网络部分）、汇聚层和输出层；
所述FM模块负责学习低层级的鲁棒特征，DNN模块学习更抽象的特征。两个模块共享输入向量；
FM对输入的样本个体
Figure SMS_323
进行交叉项的计算，得到交叉项的输出/>
Figure SMS_324
:
Figure SMS_325
；
其中，
Figure SMS_326
是样本特征个数，/>
Figure SMS_327
表示第/>
Figure SMS_328
个特征与第/>
Figure SMS_329
个特征的交叉项权重，/>
Figure SMS_330
为线性权重项；
DNN深度神经网络需要使用embedding向量作为特征向量，进行隐藏层操作，公式如下：
Figure SMS_331
；/>
Figure SMS_332
；
其中，
Figure SMS_333
是S1所述的embedding向量，/>
Figure SMS_338
和/>
Figure SMS_341
分别表示DNN第/>
Figure SMS_335
个隐藏层的权重矩阵和偏置向量，/>
Figure SMS_336
表示第/>
Figure SMS_339
个隐藏层的所有操作，/>
Figure SMS_342
表示激活函数，本实施例中使用Relu作为激活函数，/>
Figure SMS_334
表示采用dropout技术对神经元进行随机丢弃，/>
Figure SMS_337
表示被丢弃的概率，本实施例中，/>
Figure SMS_340
均为0.2；用/>
Figure SMS_343
表示最后一层输出的最终隐向量，则有：
Figure SMS_344
；
其中，
Figure SMS_345
是超参数，用于调节粗排步骤中的/>
Figure SMS_346
对精排步骤的影响程度，本实施例中，/>
Figure SMS_347
的值为0.2；
S424：根据CTR预估模型计算
Figure SMS_348
被用户点击的概率分数/>
Figure SMS_349
，对一个批次内样本按/>
Figure SMS_350
由大到小的顺序排序，将排序后的组合情况推送给用户。
S5：根据遗传算法动态推荐模型的结果，将信息进行推送；推送信息为一系列的三方组合方案，以及其对应的物流订单、运输车辆以及司机的全部信息。
实施例2：本发明还公开了一种基于遗传算法的物流平台信息推送系统，包括以下模块：
物流信息采集模块：用于采集物流系统中的物流订单、运输车辆和司机信息，并将其存储到信息存储模块中，为后续信息推送计算提供数据基础；
用户输入模块：用于接收用户的个性化操作和信息输入，以及系统推送频率和推送方式设置；
信息存储模块：用于存储从物流信息采集模块中采集到的物流订单、运输车辆和司机信息，以及从用户输入模块中接收到的个性化操作和信息输入，便于后续推送信息计算模块的信息处理和计算；
推送信息计算模块：该模块主要根据用户输入模块中的用户偏好和系统设置信息，基于遗传算法设计并实现个性化的推送计算算法，通过分析信息存储模块中的各类物流订单、运输车辆和司机数据，计算出个性化的物流配对信息进行推送；
推送模块：将推送信息计算模块中计算得出的个性化的物流配对信息推送给用户。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于遗传算法的物流平台信息推送方法，其特征在于，包括以下步骤：
S1：向物流平台输入信息，包括物流订单信息、运输车辆信息和司机信息中的一项或多项；
S2：物流平台接受输入的信息并进行验证；
S3：将输入信息进行处理，进行数据清洗后将信息拆分为离散特征与连续特征并分别编码;对于离散特征使用embedding网络映射为特征向量，对于连续特征将其归一化为0-1之间的值，再进行分桶编码；
S4：建立遗传算法动态推荐模型，该模型包含两个步骤，粗排步骤和精排步骤；
S41：所述粗排步骤运用遗传算法对编码后的信息进行运算，针对不同需求方分别建立目标规划模型，求出多个局部最优解作为候选解集；在遗传算法动态推荐模型中，通过设定新频率，对物资信息、运输车辆信息和司机信息进行实时更新；
S42：所述精排步骤使用历史订单信息、用户偏好信息以及实时位置信息;再基于遗传信息优化的点击率预估模型GICM对候选解集进行评分，以进行精准的个性化推送；
S5：根据遗传算法动态推荐模型的结果作为待推送的物流配对信息；物流配对信息是一系列的物资、运输车辆和司机的组合方案。
2.根据权利要求1所述的基于遗传算法的物流平台信息推送方法，其特征在于，首先建立数据表示，包括：
所述物流订单为
Figure QLYQS_1
：表示当前需要配送的第/>
Figure QLYQS_2
件物流订单；共有/>
Figure QLYQS_3
件物流订单需要处理，每个订单/>
Figure QLYQS_4
有收益/>
Figure QLYQS_5
和对应的运输需求/>
Figure QLYQS_6
，所述运输需求/>
Figure QLYQS_7
包括货物类型、体积、重量、始发地、目的地、截止时间、金额信息；
所述运输车辆为
Figure QLYQS_10
：表示可供使用的车次中的第/>
Figure QLYQS_13
辆车；共有/>
Figure QLYQS_15
辆运输车辆供运输，每辆运输车辆/>
Figure QLYQS_9
有运输能力为/>
Figure QLYQS_11
、租赁费用/>
Figure QLYQS_14
、保险费用/>
Figure QLYQS_16
、起始位置/>
Figure QLYQS_8
、终止位置/>
Figure QLYQS_12
；
司机为
Figure QLYQS_17
：表示当前可供雇佣的第/>
Figure QLYQS_18
名司机。
3.根据权利要求2所述的基于遗传算法的物流平台信息推送方法，其特征在于，所述步骤S3中，包括：
S31：进行数据清洗，包括缺失值、异常值、重复值处理，且均采用插值法填充，公式如下：
Figure QLYQS_19
；
其中
Figure QLYQS_20
为线性插值法，/>
Figure QLYQS_21
为待处理数据；
S32：进行离散特征embedding映射；首先对离散特征按序排列，再使用embedding网络进行映射；设一个离散特征为
Figure QLYQS_22
，它有/>
Figure QLYQS_23
个取值，则先将/>
Figure QLYQS_24
映射为1到V中的某一整数，每个取值对应的embedding向量为/>
Figure QLYQS_25
，则embedding网络使用下列公式将/>
Figure QLYQS_26
转换为相应的特征向量/>
Figure QLYQS_27
：
Figure QLYQS_28
；
其中，
Figure QLYQS_29
是一个维度为/>
Figure QLYQS_30
的矩阵，/>
Figure QLYQS_31
是嵌入维度；
S33：对连续特征归一化处理后，再进行连续特征离散化处理；记
Figure QLYQS_32
为某一连续特征，对其采用最大最小归一化，公式如下：
Figure QLYQS_33
；
其中，
Figure QLYQS_34
表示对/>
Figure QLYQS_35
归一化处理后的结果，/>
Figure QLYQS_36
表示所有样本的/>
Figure QLYQS_37
的最小值，/>
Figure QLYQS_38
表示所有样本的/>
Figure QLYQS_39
的最大值；
所述连续特征离散化是指将连续特征映射为与离散特征相同的embedding向量；首先，将连续特征划分进相应的桶中；设置桶的个数为
Figure QLYQS_40
，则映射公式为：
Figure QLYQS_41
；
其中，
Figure QLYQS_42
表示离散化处理，/>
Figure QLYQS_43
为向下取整函数；
S34：对离散数值
Figure QLYQS_44
使用与S12一致的embedding方法，将之映射为向量/>
Figure QLYQS_45
：
Figure QLYQS_46
；
所述embedding特征向量仅在神经网络模型中使用。
4.根据权利要求3所述的基于遗传算法的物流平台信息推送方法，其特征在于，在步骤S41中，所述粗排步骤为三个需求方分别计算初步的待推送的候选解集
Figure QLYQS_47
，其计算方法包括以下步骤：
S411：构建种群规模为
Figure QLYQS_48
的初始群体，个体/>
Figure QLYQS_49
由物流订单/>
Figure QLYQS_50
、运输车辆/>
Figure QLYQS_51
、司机/>
Figure QLYQS_52
中的任意一种组合所确定，该组合是为推送给用户的一条物流配对信息，个体的集合为X；
种群可表示为：
Figure QLYQS_53
；
Figure QLYQS_54
；
其中
Figure QLYQS_55
表示样本的特征维度，/>
Figure QLYQS_56
表示第/>
Figure QLYQS_57
个特征，为第/>
Figure QLYQS_58
个决策变量，
Figure QLYQS_59
表示个体编号；每个决策变量满足：
Figure QLYQS_60
；
初始化种群时，基于贪心算法求得
Figure QLYQS_61
满足约束条件的初始解，并随机生成/>
Figure QLYQS_62
的初始解，以加快收敛速度；对于每个决策变量/>
Figure QLYQS_63
，在其取值
Figure QLYQS_64
范围中等距地取出k个值，然后分别计算该决策变量在这些取值时的适应度分数，选择分数最大的取值作为该维度的初始值/>
Figure QLYQS_65
，则对于个体/>
Figure QLYQS_66
，有：
Figure QLYQS_67
；
Figure QLYQS_68
；
Figure QLYQS_69
；
需要定义
S412：为物流订单，运输车辆和司机建立多目标规划模型；
S413：对每个个体执行适应度值选择算子，记
Figure QLYQS_70
为个体/>
Figure QLYQS_71
的适应度分数，则选择算子由如下公式计算：
Figure QLYQS_72
；
S414：确定交叉规则和变异规则，采用单亲遗传的交叉规则与精英保留的变异手段；
S415：确定迭代终止条件，开始迭代；在每轮迭代中记录精英染色体，最终得到精英染色体合集，选取一部分作为候选解集
Figure QLYQS_73
。
5.根据权利要求4所述的基于遗传算法的物流平台信息推送方法，其特征在于，所述S412步骤中，为物流订单建立的目标规划模型如下：
Figure QLYQS_74
；
Figure QLYQS_75
；
Figure QLYQS_76
；
Figure QLYQS_77
；
其中，
Figure QLYQS_79
表示订单/>
Figure QLYQS_85
是否分配到运输车辆/>
Figure QLYQS_88
进行运输，/>
Figure QLYQS_78
表示运输车辆/>
Figure QLYQS_84
从起点
Figure QLYQS_87
到订单/>
Figure QLYQS_90
的起点/>
Figure QLYQS_80
，再从订单/>
Figure QLYQS_83
的终点/>
Figure QLYQS_86
到运输车辆/>
Figure QLYQS_89
的终点/>
Figure QLYQS_81
所需的时间；每个订单必须分配到且只能分配到一个运输车辆进行运输；每个运输车辆运输的订单总需求不能超过运输车辆的运输能力；/>
Figure QLYQS_82
为遗传算法求解该模型时的适应度分数。
6.根据权利要求4所述的基于遗传算法的物流平台信息推送方法，其特征在于，所述S412步骤中，为运输车辆建立的目标规划模型如下：
Figure QLYQS_91
；
Figure QLYQS_92
；
其中，
Figure QLYQS_94
为0-1变量，表示运输车辆/>
Figure QLYQS_96
是否被分配给订单/>
Figure QLYQS_98
，/>
Figure QLYQS_95
表示运输车辆/>
Figure QLYQS_97
的租金，/>
Figure QLYQS_99
表示运输车辆/>
Figure QLYQS_100
的容量；目标函数为运输车辆租金的总和，即所有已分配订单的运输车辆租金之和；约束条件第一项保证每个订单必须被分配到一个运输车辆上；约束条件第二项保证每辆运输车辆的总装载量不能超过它的容量；/>
Figure QLYQS_93
为遗传算法求解该模型时的适应度分数。
7.根据权利要求4所述的基于遗传算法的物流平台信息推送方法，其特征在于，所述S412步骤中，为司机建立的目标规划模型如下：
Figure QLYQS_101
；
Figure QLYQS_102
；
Figure QLYQS_103
；
Figure QLYQS_104
；
其中，
Figure QLYQS_108
表示订单/>
Figure QLYQS_105
是否由司机接单，/>
Figure QLYQS_119
表示运输车辆/>
Figure QLYQS_109
是否被调度，/>
Figure QLYQS_120
表示订单/>
Figure QLYQS_111
是否被安排在司机的路线上；/>
Figure QLYQS_118
是订单/>
Figure QLYQS_112
的佣金，/>
Figure QLYQS_116
是订单/>
Figure QLYQS_106
的装卸地数量，/>
Figure QLYQS_122
是订单/>
Figure QLYQS_110
的装卸地所在的路径长度，/>
Figure QLYQS_117
是运输车辆/>
Figure QLYQS_113
的行驶容量，/>
Figure QLYQS_121
是订单/>
Figure QLYQS_107
和运输车辆/>之间的可达性矩阵；/>
Figure QLYQS_114
为遗传算法求解该模型时的适应度分数。
8.根据权利要求4所述的基于遗传算法的物流平台信息推送方法，其特征在于，
所述S414步骤中，所述单亲遗传的交叉规则指，在父代中只选择一个个体
Figure QLYQS_123
，随机挑选其不同位置的特征/>
Figure QLYQS_124
，交换/>
Figure QLYQS_125
和/>
Figure QLYQS_126
处的特征编码，由此可得到与父代不同却保留了大部分父代特征的新个体；
所述精英保留的变异规则指，在种群进化时，将表现最适应度分数最高的个体设置为精英个体
Figure QLYQS_127
，直接将其拷贝一份作为下一代个体，公式如下：
Figure QLYQS_128
；
Figure QLYQS_129
；
其余选择算子分数值居前20%的个体也会进入下一代，且引入基因变化：
Figure QLYQS_130
；
其中，
Figure QLYQS_131
为随机变异步长。
9.根据权利要求8所述的基于遗传算法的物流平台信息推送方法，其特征在于，所述步骤S42使用基于遗传信息优化的点击率预估模型GICM，其步骤包括：
S421:从离线特征与实时特征角度获取
Figure QLYQS_132
的特征，将所有特征拼接；所述离线特征包括的历史行为特征与固定特征，所述实时特征包括三方在推送流程发生时的特征；公式如下：
Figure QLYQS_133
；
其中，
Figure QLYQS_134
表示向量拼接，/>
Figure QLYQS_135
是特征个数，/>
Figure QLYQS_136
指粗排步骤中样本的适应度分数；
S422:确定正负样本集合；对于由物流订单
Figure QLYQS_139
、运输车辆/>
Figure QLYQS_141
、司机/>
Figure QLYQS_144
唯一确定的样本
Figure QLYQS_137
，现在要将组合情况推送给司机，若司机/>
Figure QLYQS_140
曾驾驶/>
Figure QLYQS_143
运送过物流订单/>
Figure QLYQS_146
，或/>
Figure QLYQS_138
曾在平台中作为被推送的物流配对信息被点击过，则将样本/>
Figure QLYQS_142
的标签/>
Figure QLYQS_145
设置为1，反之为0，即：
Figure QLYQS_147
；
其中，
Figure QLYQS_148
表示平台上的历史点击序列，/>
Figure QLYQS_149
表示历史订单序列；
S423:使用正负样本训练基于遗传信息优化的点击率预估模型GICM，具体地，该模型以DeepFM为backbone网络，并用S41步骤中所得适应度分数引导模型训练；DeepFM模型包括FM因子分解机和DNN深度神经网络两部分结构；模型结构包括输入层、特征处理层、汇聚层和输出层，所述特征处理层包括因子分解机部分和深度神经网络部分；
所述FM负责学习低层级的鲁棒特征，DNN学习更抽象的特征；两者共享输入向量；
FM对输入的样本个体
Figure QLYQS_150
进行交叉项的计算，得到交叉项的输出/>
Figure QLYQS_151
:
Figure QLYQS_152
；
其中，
Figure QLYQS_153
是样本特征个数，/>
Figure QLYQS_154
表示第/>
Figure QLYQS_155
个特征与第/>
Figure QLYQS_156
个特征的交叉项权重，/>
Figure QLYQS_157
为线性权重项；
DNN深度神经网络需要使用embedding向量作为特征向量，进行隐藏层操作，公式如下：
Figure QLYQS_158
；
Figure QLYQS_159
；
其中，
Figure QLYQS_161
是S1所述的embedding向量，/>
Figure QLYQS_163
和/>
Figure QLYQS_166
分别表示DNN第/>
Figure QLYQS_162
个隐藏层的权重矩阵和偏置向量，/>
Figure QLYQS_165
表示第/>
Figure QLYQS_168
个隐藏层的所有操作，/>
Figure QLYQS_169
表示激活函数，
Figure QLYQS_160
表示采用dropout技术对神经元进行随机丢弃，/>
Figure QLYQS_164
表示被丢弃的概率；用/>
Figure QLYQS_167
表示最后一层输出的最终隐向量，则有：
Figure QLYQS_170
；
其中，
Figure QLYQS_171
是超参数，用于调节粗排步骤中的/>
Figure QLYQS_172
对精排步骤的影响程度；
S424：根据CTR预估模型计算
Figure QLYQS_173
被用户点击的概率分数/>
Figure QLYQS_174
，对一个批次内样本按
Figure QLYQS_175
由大到小的顺序排序，将排序后的组合情况推送给需求方。
10.一种基于遗传算法的物流平台信息推送系统，其特征在于，包括：
物流信息采集模块：用于采集物流系统中的物流订单、运输车辆和司机信息，并将其存储到信息存储模块中，为后续信息推送计算提供数据基础；
用户输入模块：用于接收用户的个性化操作和信息输入，以及系统推送频率和推送方式设置；
信息存储模块：用于存储从物流信息采集模块中采集到的物流订单、运输车辆和司机信息，以及从用户输入模块中接收到的个性化操作和信息输入，便于后续推送信息计算模块的信息处理和计算；
推送信息计算模块：该模块主要根据用户输入模块中的用户偏好和系统设置信息，基于遗传算法设计并实现个性化的推送计算算法，通过分析信息存储模块中的各类物流订单、运输车辆和司机数据，计算出个性化的物流配对信息进行推送；
推送模块：将推送信息计算模块中计算得出的个性化的物流配对信息推送给用户；
以实现如权利要求1-9任意一项所述的一种基于遗传算法的物流平台信息推送方法。
CN202310693158.0A 2023-06-13 2023-06-13 一种基于遗传算法的物流平台信息推送方法及系统 Active CN116433138B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310693158.0A CN116433138B (zh) 2023-06-13 2023-06-13 一种基于遗传算法的物流平台信息推送方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310693158.0A CN116433138B (zh) 2023-06-13 2023-06-13 一种基于遗传算法的物流平台信息推送方法及系统

Publications (2)

Publication Number Publication Date
CN116433138A true CN116433138A (zh) 2023-07-14
CN116433138B CN116433138B (zh) 2023-09-22

Family

ID=87083611

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310693158.0A Active CN116433138B (zh) 2023-06-13 2023-06-13 一种基于遗传算法的物流平台信息推送方法及系统

Country Status (1)

Country Link
CN (1) CN116433138B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001065454A2 (en) * 2000-02-29 2001-09-07 United Parcel Service Of America, Inc. Delivery system and method for vehicles and the like
US20120226624A1 (en) * 2011-03-04 2012-09-06 Byung Jun Song Optimization system of smart logistics network
CN103581327A (zh) * 2013-11-14 2014-02-12 广州品唯软件有限公司 仓库信息网络推送方法与系统
CN105976030A (zh) * 2016-03-15 2016-09-28 武汉宝钢华中贸易有限公司 基于多智能体月台调度智能排序模型的构造
WO2016161483A1 (en) * 2015-04-08 2016-10-13 Aglive International Pty Ltd System and method for digital supply chain traceability
CN108038647A (zh) * 2017-12-22 2018-05-15 江苏满运软件科技有限公司 一种公路干线物流的货源推荐方法
JP2019028992A (ja) * 2017-07-28 2019-02-21 株式会社日立製作所 配送車両の配送計画生成方法、装置およびシステム
CN110119928A (zh) * 2019-05-07 2019-08-13 宏图物流股份有限公司 一种基于司机特征的车辆匹配推荐方法
CN111368189A (zh) * 2020-02-27 2020-07-03 江苏满运软件科技有限公司 货源排序推荐方法、装置、电子设备、存储介质
CN113313286A (zh) * 2021-04-23 2021-08-27 北京国信云服科技有限公司 基于遗传算法的末端物流网点布局方法、装置、设备及介质
CN113554387A (zh) * 2021-06-28 2021-10-26 杭州拼便宜网络科技有限公司 基于司机偏好的电商物流订单分配方法、装置、设备及存储介质
CN114971317A (zh) * 2022-05-31 2022-08-30 浙江大学 一种基于改进遗传算法的设备排产和场内物流调度优化方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001065454A2 (en) * 2000-02-29 2001-09-07 United Parcel Service Of America, Inc. Delivery system and method for vehicles and the like
US20120226624A1 (en) * 2011-03-04 2012-09-06 Byung Jun Song Optimization system of smart logistics network
CN103581327A (zh) * 2013-11-14 2014-02-12 广州品唯软件有限公司 仓库信息网络推送方法与系统
WO2016161483A1 (en) * 2015-04-08 2016-10-13 Aglive International Pty Ltd System and method for digital supply chain traceability
CN105976030A (zh) * 2016-03-15 2016-09-28 武汉宝钢华中贸易有限公司 基于多智能体月台调度智能排序模型的构造
JP2019028992A (ja) * 2017-07-28 2019-02-21 株式会社日立製作所 配送車両の配送計画生成方法、装置およびシステム
CN108038647A (zh) * 2017-12-22 2018-05-15 江苏满运软件科技有限公司 一种公路干线物流的货源推荐方法
CN110119928A (zh) * 2019-05-07 2019-08-13 宏图物流股份有限公司 一种基于司机特征的车辆匹配推荐方法
CN111368189A (zh) * 2020-02-27 2020-07-03 江苏满运软件科技有限公司 货源排序推荐方法、装置、电子设备、存储介质
CN113313286A (zh) * 2021-04-23 2021-08-27 北京国信云服科技有限公司 基于遗传算法的末端物流网点布局方法、装置、设备及介质
CN113554387A (zh) * 2021-06-28 2021-10-26 杭州拼便宜网络科技有限公司 基于司机偏好的电商物流订单分配方法、装置、设备及存储介质
CN114971317A (zh) * 2022-05-31 2022-08-30 浙江大学 一种基于改进遗传算法的设备排产和场内物流调度优化方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JING FANG CHEN: "an effective matching algorithm with adaptive tie-breaking strategy for online food delivery problem", COMPLEX & INTELLIGENT SYSTEMS *
刘洋: "基于大数据的个性化智能交通推荐系统", 中国博士论文电子期刊 *
涂南;戴雯婧;麦合迪;: "基于进化算法的多目标闭环物流网络设计", 工业工程, no. 02 *
赵锐;胡雄;何红弟;: "考虑客户满意度的网购物流配送路径优化", 上海海事大学学报, no. 03 *

Also Published As

Publication number Publication date
CN116433138B (zh) 2023-09-22

Similar Documents

Publication Publication Date Title
Rada-Vilela et al. A comparative study of multi-objective ant colony optimization algorithms for the time and space assembly line balancing problem
CN109886490A (zh) 一种组合车辆联合运输的匹配优化方法
Sindhya et al. A preference based interactive evolutionary algorithm for multi-objective optimization: PIE
Pirlo et al. Fuzzy-zoning-based classification for handwritten characters
CN116167558A (zh) 一种多车辆远程健康监护线下服务任务调度方法
CN113536097A (zh) 基于自动特征分组的推荐方法及装置
Qi et al. Integrating prediction/estimation and optimization with applications in operations management
CN114519463A (zh) 一种众包通勤公交调度问题的嵌入式降维组合优化方法
CN111832817A (zh) 基于mcp罚函数的小世界回声状态网络时间序列预测方法
Rabbani et al. Solving uncapacitated multiple allocation p-hub center problem by Dijkstra’s algorithm-based genetic algorithm and simulated annealing
CN116433138B (zh) 一种基于遗传算法的物流平台信息推送方法及系统
CN113805604A (zh) 一种基于差分进化和模拟退火的多任务规划搜索方法
Bentley et al. Using a variational autoencoder to learn valid search spaces of safely monitored autonomous robots for last-mile delivery
CN111352650A (zh) 一种基于insga-ii的软件模块化多目标优化方法及系统
Cintra et al. Fuzzy rules generation using genetic algorithms with self-adaptive selection
CN116050752A (zh) 基于数据驱动的神经网络代理辅助露天矿无人卡车调度方法
Liao et al. Integrating production and transportation scheduling in a two-stage supply chain
CN113807646B (zh) 无人机与车辆协同任务分配的智能优化方法和系统
CN115719194A (zh) 一种基于大数据预测物资采购方法和系统
CN117194966A (zh) 对象分类模型的训练方法和相关装置
CN113807964A (zh) 一种预测股票价格和确定参数的方法、设备及存储介质
CN115271826A (zh) 一种物流线路的价格区间预测方法和装置
CN114077964A (zh) 电子固废回收全流程智能解析方法及系统
CN114077947A (zh) 配送调度方法、装置、电子设备及存储介质
Alaia et al. Genetic algorithm with pareto front selection for multi-criteria optimization of multi-depots and multi-vehicle pickup and delivery problems with time windows

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
GR01 Patent grant
GR01 Patent grant