CN116433138B - 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
CN116433138B
CN116433138B CN202310693158.0A CN202310693158A CN116433138B CN 116433138 B CN116433138 B CN 116433138B CN 202310693158 A CN202310693158 A CN 202310693158A CN 116433138 B CN116433138 B CN 116433138B
Authority
CN
China
Prior art keywords
information
logistics
features
pushing
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.)
Active
Application number
CN202310693158.0A
Other languages
English (en)
Other versions
CN116433138A (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

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CMGI，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，通过设定更新频率，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CMGI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：表示当前需要配送的第/>件物流订单；共有件物流订单需要处理，每个订单/>有收益/>和对应的运输需求/>，所述运输需求/>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：表示可供使用的车次中的第/>辆车；共有/>辆运输车辆供运输，每辆运输车辆/>有运输能力为/>、租赁费用/>、保险费用/>、起始位置/>、终止位置/>；
司机为：表示当前可供雇佣的第/>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：
；
其中为线性插值法，/>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，它有/>个取值，则先将/>映射为1到V中的某一整数，每个取值对应的embedding向量为/>，则embedding网络使用下列公式将/>转换为相应的特征向量/>：
；
其中，是一个维度为/>的矩阵，/>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；记为某一连续特征，对其采用最大最小归一化，公式如下：
；
其中，表示对/>归一化处理后的结果，/>表示所有样本的/>的最小值，/>表示所有样本的/>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，则映射公式为：
；
其中，表示离散化处理，/>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/>：
；
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，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：构建种群规模为的初始群体，个体/>由物流订单/>、运输车辆/>、司机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：
；
；
其中表示样本的特征维度，/>表示第/>个特征，为第/>个决策变量，/>表示个体编号；每个决策变量满足：
；
初始化种群时，基于贪心算法求得满足约束条件的初始解，并随机生成的初始解，以加快收敛速度；对于每个决策变量/>，在其取值范围中等距地取出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/>，则对于个体/>，有：
；
；
；
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，记为个体/>的适应度分数，则选择算子由如下公式计算：
；
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。
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：
；
；
；
；
其中，表示订单/>是否分配到运输车辆/>进行运输，/>表示运输车辆/>从起点/>到订单/>的起点/>，再从订单/>的终点/>到运输车辆/>的终点/>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；/>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：
；
；
其中，为0-1变量，表示运输车辆/>是否被分配给订单/>，/>表示运输车辆的租金，/>表示运输车辆/>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；/>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：
；
；
；
；
其中，表示订单/>是否由司机接单，/>表示运输车辆/>是否被调度，/>表示订单是否被安排在司机的路线上；/>是订单/>的佣金，/>是订单/>的装卸地数量，/>是订单/>的装卸地所在的路径长度，/>是运输车辆/>的行驶容量，/>是订单/>和运输车辆/>之间的可达性矩阵；/>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，随机挑选其不同位置的特征/>，交换/>和/>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，直接将其拷贝一份作为下一代个体，公式如下：
；
；
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：
；
其中，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CMGI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：
；
其中，表示向量拼接，/>是特征个数，/>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、运输车辆/>、司机/>唯一确定的样本/>，现在要将组合情况推送给司机，若司机/>曾驾驶/>运送过物流订单/>，或/>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/>的标签/>设置为1，反之为0，即：
；
其中，表示平台上的历史点击序列，/>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CMGI，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对输入的样本个体进行交叉项的计算，得到交叉项的输出/>:
；
其中，是样本特征个数，/>表示第/>个特征与第/>个特征的交叉项权重，/>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：
；
；
其中，是S1所述的embedding向量，/>和/>分别表示DNN第/>个隐藏层的权重矩阵和偏置向量，/>表示第/>个隐藏层的所有操作，/>表示激活函数，/>表示采用dropout技术对神经元进行随机丢弃，/>表示被丢弃的概率；用/>表示最后一层输出的最终隐向量，则有：
；
其中，是超参数，用于调节粗排步骤中的/>对精排步骤的影响程度；
S424：根据CTR预估模型计算被用户点击的概率分数/>，对一个批次内样本按/>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：表示当前需要配送的第/>件物流订单；共有件物流订单需要处理，每个订单/>有收益/>和对应的运输需求/>，所述运输需求/>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：表示可供使用的车次中的第/>辆车；共有/>辆运输车辆供运输，每辆运输车辆/>有运输能力为/>、租赁费用/>、保险费用/>、起始位置/>、终止位置/>；
司机为：表示当前可供雇佣的第/>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：
；
其中为线性插值法，/>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，它有/>个取值，则先将/>映射为1到V中的某一整数，每个取值对应的embedding向量为/>，则embedding网络使用下列公式将/>转换为相应的特征向量/>：
；
其中，是一个维度为/>的矩阵，/>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；记为某一连续特征，对其采用最大最小归一化，公式如下：
；
其中，表示对/>归一化处理后的结果，/>表示所有样本的/>的最小值，/>表示所有样本的/>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，本实施例中将其设置为100,则映射公式为：
；
其中，表示离散化处理，/>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/>：
；
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；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：构建种群规模为的初始群体，本实施例中，种群规模为300。个体/>由物流订单/>、运输车辆/>、司机/>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：
；
；
其中表示样本的特征维度，/>表示第/>个特征，为第/>个决策变量，/>表示个体编号；每个决策变量满足：
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：
对于一个特征，将其可能的取值在[/>]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/>。
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：
；
；/>
；
；
其中，表示订单/>是否分配到运输车辆/>进行运输，/>表示运输车辆/>从起点/>到订单/>的起点/>，再从订单/>的终点/>到运输车辆/>的终点/>所需的时间；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：
；
；
其中，为0-1变量，表示运输车辆/>是否被分配给订单/>，/>表示运输车辆的租金，/>表示运输车辆/>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；/>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：
；
；/>
；
；
其中，表示订单/>是否由司机接单，/>表示运输车辆/>是否被调度，/>表示订单是否被安排在司机的路线上；/>是订单/>的佣金，/>是订单/>的装卸地数量，/>是订单/>的装卸地所在的路径长度，/>是运输车辆/>的行驶容量，/>是订单/>和运输车辆/>之间的可达性矩阵；/>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，记为个体/>的适应度分数，则选择算子由如下公式计算：
；
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，随机挑选其不同位置的特征/>，交换/>和/>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/>，直接将其拷贝一份作为下一代染色体，公式如下：
；
；
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：
其中，为随机变异步长，本实施例中，/>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。
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：
；
其中，表示向量拼接，/>是特征个数，/>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、运输车辆/>、司机/>唯一确定的样本/>，现在要将组合情况推送给司机，若司机/>曾驾驶/>运送过物流订单/>，或/>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/>的标签/>设置为1，反之为0，即：
；
其中，表示平台上的历史点击序列，/>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对输入的样本个体进行交叉项的计算，得到交叉项的输出/>:
；
其中，是样本特征个数，/>表示第/>个特征与第/>个特征的交叉项权重，/>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：
；/>
；
其中，是S1所述的embedding向量，/>和/>分别表示DNN第/>个隐藏层的权重矩阵和偏置向量，/>表示第/>个隐藏层的所有操作，/>表示激活函数，本实施例中使用Relu作为激活函数，/>表示采用dropout技术对神经元进行随机丢弃，/>表示被丢弃的概率，本实施例中，/>均为0.2；用/>表示最后一层输出的最终隐向量，则有：
；
其中，是超参数，用于调节粗排步骤中的/>对精排步骤的影响程度，本实施例中，/>的值为0.2；
S424：根据CTR预估模型计算被用户点击的概率分数/>，对一个批次内样本按/>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 (8)

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，使用embedding网络映射为特征向量；
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，通过设定更新频率，对物资信息、运输车辆信息和司机信息进行实时更新；
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，其计算方法包括以下步骤：
S411：构建种群规模为的初始群体，个体/>由物流订单/>、运输车辆/>、司机/>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：
；
；
其中表示样本的特征维度，/>表示第/>个特征，为第/>个决策变量，表示个体编号；每个决策变量满足：
；
初始化种群时，基于贪心算法求得满足约束条件的初始解，并随机生成/>的初始解，以加快收敛速度；对于每个决策变量/>，在其取值范围中等距地取出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/>，则对于个体/>，有：
；
；
；
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，记为个体/>的适应度分数，则选择算子由如下公式计算：
；
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；
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CMGI对候选解集进行评分，以进行精准的个性化推送；
所述步骤S42使用基于遗传信息优化的点击率预估模型CMGI，其步骤包括：
S421:从离线特征与实时特征角度获取的特征，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：
；
其中，表示向量拼接，/>是特征个数，/>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、运输车辆/>、司机/>唯一确定的样本，现在要将组合情况推送给司机，若司机/>曾驾驶/>运送过物流订单/>，或/>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/>的标签/>设置为1，反之为0，即：
；
其中，表示平台上的历史点击序列，/>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CMGI，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对输入的样本个体进行交叉项的计算，得到交叉项的输出/>:
；
其中，是样本特征个数，/>表示第/>个特征与第/>个特征的交叉项权重，/>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：
；
；
其中，是embedding向量，/>和/>分别表示DNN第/>个隐藏层的权重矩阵和偏置向量，/>表示第/>个隐藏层的所有操作，/>表示激活函数，表示采用dropout技术对神经元进行随机丢弃，/>表示被丢弃的概率；用/>表示最后一层输出的最终隐向量，则有：
；
其中，是超参数，用于调节粗排步骤中的/>对精排步骤的影响程度；
S424：对一个批次内样本按由大到小的顺序排序，将排序后的组合情况推送给需求方；
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，其中/>：表示当前需要配送的第/>件物流订单；共有N件物流订单需要处理，每个订单/>有收益/>和对应的运输需求/>，所述运输需求/>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，其中/>：表示可供使用的车次中的第/>辆车；共有M辆运输车辆供运输，每辆运输车辆/>有运输能力为/>、租赁费用/>、保险费用/>、起始位置/>、终止位置/>；
司机为，/>：表示当前可供雇佣的第/>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：
；
其中为线性插值法，/>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，它有/>个取值，则先将/>映射为1到V中的某一整数，每个取值对应的embedding向量为/>，则embedding网络使用下列公式将/>转换为相应的特征向量/>：
；
其中，是一个维度为/>的矩阵，/>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；记为某一连续特征，对其采用最大最小归一化，公式如下：
；
其中，表示对/>归一化处理后的结果，/>表示所有样本的/>的最小值，/>表示所有样本的/>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，则映射公式为：
；
其中，表示离散化处理，/>为向下取整函数；
S34：对离散数值使用与S32一致的embedding方法，将之映射为向量/>：
；
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S412步骤中，为物流订单建立的目标规划模型如下：
；
；
；
；
其中，表示订单/>是否分配到运输车辆/>进行运输，/>表示运输车辆/>从起点到订单/>的起点/>，再从订单/>的终点/>到运输车辆/>的终点/>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；/>为遗传算法求解该模型时的适应度分数。
5.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S412步骤中，为运输车辆建立的目标规划模型如下：
；
；
其中，为0-1变量，表示运输车辆/>是否被分配给订单/>，/>表示运输车辆/>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；/>为遗传算法求解该模型时的适应度分数。
6.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S412步骤中，为司机建立的目标规划模型如下：
；
；
；
；
其中，表示订单/>是否由司机接单，/>表示运输车辆/>是否被调度，/>表示订单/>是否被安排在司机的路线上；/>是订单/>的佣金，/>是订单/>的装卸地数量，/>是运输车辆/>的行驶容量，/>是订单/>和运输车辆/>之间的可达性矩阵；/>为遗传算法求解该模型时的适应度分数。
7.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，
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，随机挑选其不同位置的特征/>，交换/>和/>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手段，在种群进化时，将适应度分数最高的个体设置为精英个体，直接将其拷贝一份作为下一代个体，公式如下：
；
；
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：
；
其中，为随机变异步长。
8.一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1-7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 CN116433138A (zh) 2023-07-14
CN116433138B true 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 (11)

* 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
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120100601A (ko) * 2011-03-04 2012-09-12 주식회사 한국무역정보통신 스마트 물류네트워크의 최적화시스템

Patent Citations (11)

* 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
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
an effective matching algorithm with adaptive tie-breaking strategy for online food delivery problem;jing fang chen;complex & intelligent systems;全文 *
基于大数据的个性化智能交通推荐系统;刘洋;中国博士论文电子期刊;全文 *
基于进化算法的多目标闭环物流网络设计;涂南;戴雯婧;麦合迪;;工业工程(02);全文 *
考虑客户满意度的网购物流配送路径优化;赵锐;胡雄;何红弟;;上海海事大学学报(03);全文 *

Also Published As

Publication number Publication date
CN116433138A (zh) 2023-07-14

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
Hassan et al. A hybrid of multiobjective Evolutionary Algorithm and HMM-Fuzzy model for time series prediction
CN109886490A (zh) 一种组合车辆联合运输的匹配优化方法
Pirlo et al. Fuzzy-zoning-based classification for handwritten characters
Sindhya et al. A preference based interactive evolutionary algorithm for multi-objective optimization: PIE
CN112488386B (zh) 基于分布熵多目标粒子群的物流车辆配送规划方法及系统
CN113222463B (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
CN113536097A (zh) 基于自动特征分组的推荐方法及装置
Rabbani et al. Solving uncapacitated multiple allocation p-hub center problem by Dijkstra’s algorithm-based genetic algorithm and simulated annealing
Qi et al. Integrating prediction/estimation and optimization with applications in operations management
CN116433138B (zh) 一种基于遗传算法的物流平台信息推送方法及系统
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
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
CN117236541A (zh) 基于注意力指针网络的分布式物流配送路径规划方法及系统
CN111352650A (zh) 一种基于insga-ii的软件模块化多目标优化方法及系统
Liao et al. Integrating production and transportation scheduling in a two-stage supply chain
CN115038055B (zh) 一种基于强化学习的多通道短消息分发方法和系统
CN113807646B (zh) 无人机与车辆协同任务分配的智能优化方法和系统
CN117194966A (zh) 对象分类模型的训练方法和相关装置
CN115271130A (zh) 面向船舶主动力设备维修订单的动态调度方法及系统
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
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