CN110097287B - 一种物流司机的群体画像方法 - Google Patents

Abstract

本发明公开一种物流司机的群体画像方法，应用于物流调度领域，针对目前的司机画像存在的缺少动态信息，不符合实际的物流情况的问题；本发明综合物流车辆司机的多维度信息，通过计算任意两个司机在各标签上的相似度，再将所有标签上的相似度加权求和，得到该两个司机之间的相似度；然后根据相似度对司机进行聚类，从而生成群体司机画像；本发明在计算任意两司机在标签上的相似度时，尤其考虑了时间‑路线标签相似度的计算，充分利用了业务动态信息，使得最后得到的司机群体画像是动态的，更符合实际情况。

Description

一种物流司机的群体画像方法

技术领域

本发明属于物流调度领域，特别涉及一种物流司机画像技术。

背景技术

随着物流行业的蓬勃发展，高度信息化的第三方物流平台争相出现，这些物流服务提供者拥有一定人力和车辆资源，普及服务于大量的中小物流企业及其他的大中小企业。这些平台提供的服务模式是：有物流配送服务需求的客户前往第三方物流平台提交物流车辆调度请求，然后平台返回推荐的车辆集。

在这些第三方物流平台推荐应用中，为了使推荐结果满足客户的实际需求，需要对司机进行画像建模，从而分析司机的行为习惯、接单偏好等重要信息，以提供大量的数据基础。司机画像建模就是司机信息的标签化，以便为后面的推荐算法提供更加精准的信息。

司机画像通过将司机标签化，可以实现对司机的精炼概括，既方便人的快速理解又能被计算机很好地处理。在实际中，不同的司机间是有关联的，所以，不应该仅仅作单个司机画像，用来分析目标司机，还应该包含司机间的关联分析，即群体司机画像分析。

群体司机画像是对目标司机群体真实特征的勾勒，是群体司机的综合原型，代表了一群真实的司机。群体司机画像分析，依据不同的评估维度，通过聚类方式将具有相同特征的司机划归成同一个族群。将平台上的众多司机划分成几个司机群来代表平台所拥有的所有司机，给客户直观感受的同时，也便于线下司机间的交流和管理。

例如公开号为CN108985819A的专利申请，虽然提供了群体画像的方法，但是在物流调度中，并不能反应动态的司机画像，不符合实际的物流情况。

发明内容

为解决上述技术问题，本发明提出衶物流司机的群体画像方法，充分利用了业务动态信息，使得群体画像是动态的，更符合实际情况。

本发明采用的技术方案为：一种物流司机的群体画像方法，包括：

S1、司机定性画像，包括确定画像颗粒度以及定性标签；

S2、司机定量画像，包括确定司机维度、车辆维度以及客户维度的定量标签；所述司机维度的定量标签至少包括司机接单时间-路线标签；

S3、通过将定性标签转化为定量标签，并计算两司机在各定量标签上的相似度，得到司机画像相似度；

S4、根据司机画像相似度，进行司机画像聚类；

S5、根据步骤S4的聚类结果，进行群体司机画像生成和更新。

进一步地，步骤S3具体包括以下步骤：

S31、将定性标签转化为定量标签，对连续值类型的定量标签作归一化处理，对离散类别值的定量标签作二元变量化处理；

S32、计算经步骤S31处理后的两个司机画像在某定量标签上的相似度；

S33、将两个司机的所有定量标签的相似度求和，得到两个司机间的相似度。

更进一步地，步骤S32包括：某二元变量的定量标签相似度计算：

其中，sim(U_i,U_j)表示司机画像U_i和司机画像U_j在该二元变量定量标签上的相似度，label(U_i)表示司机画像U_i在该定量标签上的值，label(U_j)表示司机画像U_j在该定量标签上的值；

某非二元变量的定量标签相似度计算：

其中，sim(U_i,U_j)表示司机画像U_i和司机画像U_j在该非二元变量定量标签上的相似度，label_k(U_i)表示司机画像U_i在第k个定量标签上的值，label_k(U_j)表示司机画像U_j在第k个定量标签上的值。

进一步地，步骤S32包括：所述司机的接单时间-路线的相似度计算过程为：

A1、司机接单时间-路线类型矩阵为：

即：TDL＝{x_ij}_m×n，(1≤i≤m,1≤j≤n)

其中，m表示司机数量，n路线种类数，t_i表示时间段，x_ij表示在时间段t_i内司机i接单的订单路线为j的次数；

A2、根据司机接单时间-路线类型矩阵得到其相似度：

其中，l为路线类型，L为路线类型集合，

表示t_i时间段内司机d接单路线类型为l的订单的次数，相当于TDL矩阵中的x_ij；

A3、计算时间段t_i与时间段t_j之间的间隔：

A4、计算初始时间相似度：

A5、对司机接单时间-路线矩阵作平滑处理，如果司机d_i在t_k时间段内未接受过路线类型为l的订单，即

为0，则利用司机d_i在其他时间段内接单路线类型为l订单的次数以及其他时间段与t_k的相似性对

进行预测；计算如下：

A6、根据平滑处理后的数据，计算司机接单时间-路线的相似度为：

进一步地，步骤S2所述司机维度标签包括：在物流服务提供者拥有的物流司机数据库中清洗出司机的基本属性，包括姓名、年龄、性别、联系方式；

联查司机数据表和订单数据表挖掘出司机行为信息，包括接单次数，运货次数，运货里程；

联查司机数据表，订单表，客户表和货物表，挖掘出司机兴趣偏好，包括接单时间偏好、运货路线偏好、交易客户偏好、接单价格偏好。

进一步地，步骤S2所述车辆维度标签包括：在物流车辆司机的历史交易数据库中，获得客户特征，包括姓名、行业和联系方式；

联查司机的历史交易数据和订单数据表，获得客户行为，包括订单次数、结款次数；

联查司机数据表、货物数据表和订单数据表，获得客户兴趣偏好，包括订单时间偏好、货物特征偏好、交易司机偏好、订单价格偏好和订单路线偏好。

进一步地，步骤S2所述客户维度标签包括：在物流车辆司机的历史交易数据库中，获得客户特征，包括姓名、行业和联系方式；

联查司机的历史交易数据和订单数据表，获得客户行为，包括订单次数、结款次数；

联查司机数据表、货物数据表和订单数据表，获得客户兴趣偏好，包括订单时间偏好、货物特征偏好、交易司机偏好、订单价格偏好和订单路线偏好。

本发明的有益效果：本发明通过大数据处理，获得单个的物流司机画像，并在此基础上，计算物流司机画像中每个定量标签的相似度，再通过聚类的方法获得物流司机的群体画像。对于拥有一定人力和车辆资源的物流服务提供者，将所拥有的物流司机，通过本发明的方法，分成类中差异性小，类间差异性大的几个物流司机画像类，能够从多方位反映物流服务提供者拥有的人力运力服务能力的结构情况；对物流司机画像的多层次聚类，使得对物流司机的刻画更全面，提高后续精准推荐的成功率，提高平台的服务质量和竞争力；另外，物流司机的群体画像，使得物流司机间按画像聚类，也便于同一个群体画像的司机间的线下交流；并且本发明考虑了时间-路线相似度的计算，并纳入到聚类所需要的标签中，充分利用了业务动态信息，这样的群体画像是动态的，更符合实际情况。

附图说明

图1为本发明的方法流程图；

图2为司机画像结构示意图。

具体实施方式

为了便于理解本发明的技术内容，对以下技术术语进行定义：

1、定性画像

为画像确定其范围程度。

2、定性标签

通过问卷调查的方式获取的标签。

3、定量画像

确定画像的属性、兴趣、行为等方面的定量标签。

4、定量标签

从司机维度、车辆维度以及客户维度获取的可直接计算的标签。

为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。

如图1所示为本发明的方案流程图，本发明的一种物流司机的群体画像方法，包括：

S1、司机定性画像，包括确定画像颗粒度以及定性标签；

S2、司机定量画像，包括确定司机维度、车辆维度以及客户维度的定量标签；所述司机维度的定量标签至少包括司机接单时间-路线标签；

S3、通过将定性标签转化为定量标签，并计算两司机在各定量标签上的相似度，得到司机画像相似度；

S4、根据司机画像相似度，进行司机画像聚类；

S5、根据步骤S4的聚类结果，进行群体司机画像生成和更新。

本发明的司机画像主要包括定量标签与定性标签，具体的司机画像结构如图2所示，具体标签已在步骤

步骤S1具体为：在定性司机画像的建模过程中，重点考虑司机画像的颗粒度，即司机画像应该细化到何种程度。采取问卷调查的方式了解司机的交易场景、接单内容等，确定司机画像的标签和画像颗粒度。

步骤S2所述的三个维度具体为：

1)司机维度，在物流服务提供者拥有的物流司机数据库中清洗出司机的基本属性，包括姓名、年龄、性别、联系方式；联查司机数据表和订单数据表挖掘出司机行为信息，包括接单次数，运货次数，运货里程；联查司机数据表，订单表，客户表和货物表，挖掘出司机兴趣偏好，包括接单时间偏好、运货路线偏好、交易客户偏好、接单价格偏好。

2)车辆维度，在物流服务提供者拥有的物流车辆数据库中清洗出车辆属性，包括长、宽、高、载重限制；通过第三方实时定位服务模块接口，获得车辆的实时位置。

3)客户维度，在物流车辆司机的历史交易数据库中，获得客户特征，包括姓名、行业和联系方式；联查司机的历史交易数据和订单数据表，获得客户行为，包括订单次数、结款次数；联查司机数据表、货物数据表和订单数据表，获得客户兴趣偏好，包括订单时间偏好、货物特征偏好、交易司机偏好、订单价格偏好和订单路线偏好。

步骤S3具体为：

将获得的司机的每个标签的值做预处理。其中连续值类型的定量标签值作归一化处理，离散类别值作二元变量化处理。然后将定性标签转化为定量标签，计算司机画像的每个定量标签的相似度，最后将每个定量标签的相似度做加权求和，获得司机画像之间的相似度，将相似度高的司机画像分为一类，为开展司机画像聚类提供前提条件。

司机定量画像间相似度计算过程为：

S31、定量标签的数据的归一化处理：

其中，X表示标识转换前的值，Y表示标识转换后的值，X_max、X_min分别表示标识待转换值的最大值和最小值。

S32、某个二元变量的定量标签相似度的计算：

其中，sim(U_i,U_j)表示司机画像U_i和司机画像U_j在该二元变量定量标签上的相似度，label(U_i)表示司机画像U_i在该定量标签上的值，label(U_j)表示司机画像U_j在该定量标签上的值。此种情况下，该定量标签为二元变量，即取值只为0和1两种。

S33、某个非二元变量的定量标签相似度的计算：

其中，sim(U_i,U_j)表示司机画像U_i和司机画像U_j在该非二元变量定量标签上的相似度，label_k(U_i)表示司机画像U_i在第k个定量标签上的值，label_k(U_j)表示司机画像U_j在第k个定量标签上的值。

考虑司机画像各标签数值的统计特征，计算余弦相似性：

其中，sim(U_i,U_j)表示司机画像U_i和司机画像U_j在该非二元变量定量标签上的相似度，label_k(U_i)表示司机画像U_i在第k个定量标签上的值，label_k(U_j)表示司机画像U_j在第k个定量标签上的值，

表示司机画像U_i所属群体画像在第k个定量标签上的平均值，

表示司机画像U_j所属群体画像在第k个定量标签上的平均值。

S34、一组(k个)定量标签相似度的计算(即所有的定量标签)：

其中，w_k表示第k个定量标签的权重，w_k由基于人的经验知识的有序二元比较量化法得到，sim(label_k(c_i),label_k(c_j))表示司机画像c_i和司机画像c_j在第k个定量标签上的相似度。

本发明尤其考虑了司机接单时间-路线的相似度，其计算过程如下：

假设有m个司机，有n种路线，在t_i时间段内，可以形成时间司机-路线类型矩阵为：

即：TDL＝{x_ij}_m×n，(1≤i≤m,1≤j≤n)

其中，x_ij表示在时间段t_i内，司机i接单的订单路线为j的次数。

根据司机接单时间-路线类型矩阵得到相似度：

其中，l为路线类型，L为路线类型集合，

表示t_i时间段内司机d接单路线类型为l的订单的次数，相当于TDL矩阵中的x_ij。

计算时间段t_i与时间段t_j之间的间隔：

计算初始时间相似度：

对司机接单时间-路线矩阵作平滑处理，如果司机d_i在t_k时间段内未接受过路线类型为l的订单，即

为0，则利用司机d_i在其他时间段内接单路线类型为l订单的次数以及其他时间段与t_k的相似性对

进行预测。计算如下：

根据平滑处理后的数据，计算司机接单时间-路线的相似度：

步骤S4具体为：由相似度为基础来计算司机画像之间的相互熵值和单个司机画像的总熵值，最后采用基于熵值最大的k个司机画像作为聚类中心的k-means聚类算法对司机画像进行聚类，获得司机画像的群体画像。采用K-means算法进行聚类，设k＝t，并将最后一次迭代中聚类的中心节点的数据作为该聚类的群体司机画像，将司机画像分成t类。具体的聚类算法为现有技术，本发明此处不做详细阐述。

步骤S5具体为：司机画像的历史数据计算后将不同粒度的中间值存储在数据库中。采用滑动窗口过滤算法，来实现对司机画像的更新。当司机画像数据库更新时，移动时间窗口，删除旧有的候选集，再加上新增的候选项目集。然后基于数据库中存储的中间值和新增数据计算得到新的司机画像，并将本次更新后的不同粒度的中间值存储到数据库。本领域的技术人员应理解，这里所提到的不同粒度的中间值，包括整个画像过程中所产生的数据，例如：上述的各标签的值，以及聚类过程中产生的簇的数量，每个簇对应的司机信息情况及其数量等画像过程中所产生的各类数据，本实施例中称之为粒度对应的中间值，每次画像计算后，都会对这些中间值进行存储至数据库，便于后续画像更新的使用。

本发明通过大数据处理，获得单个的物流司机画像，并在此基础上，计算物流司机画像中每个定量标签的相似度，再通过聚类的方法获得物流司机的群体画像。对于拥有一定人力和车辆资源的物流服务提供者，将所拥有的物流司机，通过本发明的方法，分成类中差异性小，类间差异性大的几个物流司机画像类，能够从多方位反映物流服务提供者拥有的人力运力服务能力的结构情况，让客户对平台有更多的了解，也为管理者后续对平台服务的改进提供了数据支撑。对物流司机画像的多层次聚类，使得对物流司机的刻画更全面，提高后续精准推荐的成功率，提高平台的服务质量和竞争力。另外，物流司机的群体画像，使得物流司机间按画像聚类，也便于同一个群体画像的司机间的线下交流。并且本发明考虑了时间-路线相似度的计算，并纳入到聚类所需要的标签中，充分利用了业务动态信息，这样的群体画像是动态的，更符合实际情况。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (6)

1.一种物流司机的群体画像方法，其特征在于，包括：

S1、司机定性画像，包括确定画像颗粒度以及定性标签；

S2、司机定量画像，包括确定司机维度、车辆维度以及客户维度的定量标签；所述司机维度的定量标签至少包括司机接单时间-路线标签；

S3、通过将定性标签转化为定量标签，并计算任意两司机在各定量标签上的相似度，得到司机画像相似度；司机接单时间-路线的相似度计算过程为：

A1、司机接单时间-路线类型矩阵为：

即：TDL＝{x_ij}_m×n，1≤i≤m,1≤j≤n；

其中，m表示司机数量，n路线种类数，t_i表示时间段，x_ij表示在时间段t_i内司机i接单的订单路线为j的次数；

A2、根据司机接单时间-路线类型矩阵得到其相似度：

其中，l为路线类型，L为路线类型集合，

表示t_i时间段内司机d接单路线类型为l的订单的次数，相当于TDL矩阵中的x_ij；

A3、计算时间段t_i与时间段t_j之间的间隔：

A4、计算初始时间相似度：

A5、对司机接单时间-路线矩阵作平滑处理，如果司机d_i在t_k时间段内未接受过路线类型为l的订单，即

为0，则利用司机d_i在其他时间段内接单路线类型为l订单的次数以及其他时间段与t_k的相似性对

进行预测；计算如下：

A6、根据平滑处理后的数据，计算司机接单时间-路线的相似度为：

S4、根据司机画像相似度，进行司机画像聚类；

S5、根据步骤S4的聚类结果，进行群体司机画像生成和更新。

2.根据权利要求1所述的一种物流司机的群体画像方法，其特征在于，步骤S3具体包括以下步骤：

S31、将定性标签转化为定量标签，对连续值类型的定量标签作归一化处理，对离散类别值的定量标签作二元变量化处理；

S32、计算经步骤S31处理后的两个司机画像在某定量标签上的相似度；

S33、将两个司机的所有定量标签的相似度求和，得到两个司机间的相似度。

3.根据权利要求2所述的一种物流司机的群体画像方法，其特征在于，步骤S32包括：某二元变量的定量标签相似度计算式为：

其中，sim(U_i,U_j)表示司机画像U_i和司机画像U_j在该二元变量定量标签上的相似度，label(U_i)表示司机画像U_i在该定量标签上的值，label(U_j)表示司机画像U_j在该定量标签上的值；

某非二元变量的定量标签相似度计算：

其中，sim(U_i,U_j)表示司机画像U_i和司机画像U_j在该非二元变量定量标签上的相似度，label_k(U_i)表示司机画像U_i在第k个定量标签上的值，label_k(U_j)表示司机画像U_j在第k个定量标签上的值。

4.根据权利要求1所述的一种物流司机的群体画像方法，其特征在于，步骤S2所述司机维度标签包括：在物流服务提供者拥有的物流司机数据库中清洗出司机的基本属性，包括姓名、年龄、性别、联系方式；

联查司机数据表和订单数据表挖掘出司机行为信息，包括接单次数，运货次数，运货里程；

联查司机数据表，订单表，客户表和货物表，挖掘出司机兴趣偏好，包括接单时间偏好、运货路线偏好、交易客户偏好、接单价格偏好。

5.根据权利要求4所述的一种物流司机的群体画像方法，其特征在于，步骤S2所述车辆维度标签包括：在物流服务提供者拥有的物流车辆数据库中清洗出车辆属性，包括长、宽、高、载重限制；通过第三方实时定位服务模块接口，获得车辆的实时位置。

6.根据权利要求4所述的一种物流司机的群体画像方法，其特征在于，步骤S2所述客户维度标签包括：在物流车辆司机的历史交易数据库中，获得客户特征，包括姓名、行业和联系方式；

联查司机的历史交易数据和订单数据表，获得客户行为，包括订单次数、结款次数；

联查司机数据表、货物数据表和订单数据表，获得客户兴趣偏好，包括订单时间偏好、货物特征偏好、交易司机偏好、订单价格偏好和订单路线偏好。

Images