CN113139765A - 基于时态网络的物流推荐方法、装置及计算设备 - Google Patents
基于时态网络的物流推荐方法、装置及计算设备 Download PDFInfo
- Publication number
- CN113139765A CN113139765A CN202010065635.5A CN202010065635A CN113139765A CN 113139765 A CN113139765 A CN 113139765A CN 202010065635 A CN202010065635 A CN 202010065635A CN 113139765 A CN113139765 A CN 113139765A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- network
- recommendation
- temporal
- logistics
- 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
Links
- 230000002123 temporal effect Effects 0.000 title claims abstract description 163
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012216 screening Methods 0.000 claims abstract description 36
- 238000004891 communication Methods 0.000 claims description 18
- 235000008694 Humulus lupulus Nutrition 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 9
- 238000007405 data analysis Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例涉及互联网应用技术领域,公开了一种基于时态网络的物流推荐方法、装置及计算设备,该方法包括:根据预设时间内的历史物流订单数据建立车辆的时态网络;根据物流需求数据以及历史合作车辆信息对所述时态网络进行筛选,获取车辆推荐网络;计算所述车辆推荐网络中的车辆相似度;根据所述车辆相似度以及货主的车辆偏好获取车辆推荐指数,并根据所述车辆推荐指数向货主推荐车辆。通过上述方式,本发明实施例能够适用于高度信息化物流平台的车辆推荐,灵活性较强,成本低,适用范围广,推荐效果好。
Description
技术领域
本发明实施例涉及互联网应用技术领域,具体涉及一种基于时态网络的物流推荐方法、装置及计算设备。
背景技术
近年来随着物流行业快速发展,整体货运量呈逐年增长趋势,其中公路货运量占整体货运量的75%。在实际中,公路运输行业中仍然面临效率低下的问题。交通部门持续推进物流信息化平台建设,提供发布货运需求并根据需求从海量物流车辆中选取潜在承运车辆推荐给需求方的互联网渠道。
物流车辆推荐是物流信息化平台面临的一类核心问题,目前物流信息化平台通过较为传统的方式对货主进行潜在承运车辆的推荐。现有的车辆推荐方法包括:车辆画像推荐、历史车辆推荐、实时定位调度。对于车辆画像推荐方法,由于司机实际接单情况与司机意向有一定差异性,且司机预留信息的准确性较低,使得推荐结果准确性较差,难以满足需求。对于历史车辆推荐方法,适用于具有稳定货运需求和固定物流车辆的货主的情况,对零散物流资源的整合能力较差,推荐效果不佳。对于实时定位调度方法,由于物流司机由于长时间在途,手机经常处于关机状态,实时定位具有一定的难度,且司机实时位置并不代表其承运意向。因此,现有的车辆推荐方法适用范围有限,推荐效果不佳。
发明内容
鉴于上述问题,本发明实施例提供了一种基于时态网络的物流推荐方法、装置、计算设备及计算机存储介质,克服了上述问题或者至少部分地解决了上述问题。
根据本发明实施例的一个方面,提供了一种基于时态网络的物流推荐方法,所述方法包括:根据预设时间内的历史物流订单数据建立车辆的时态网络;根据物流需求数据以及历史合作车辆信息对所述时态网络进行筛选,获取车辆推荐网络;计算所述车辆推荐网络中的车辆相似度;根据所述车辆相似度以及货主的车辆偏好获取车辆推荐指数,并根据所述车辆推荐指数向货主推荐车辆。
在一种可选的方式中,所述根据预设时间内的历史物流订单数据建立车辆的时态网络,包括:获取所述预设时间内的所述历史物流订单数据;将车辆抽象为所述时态网络中的节点;根据两车辆的行程相似程度构建同一时刻连接所述两车辆对应的所述节点的连接边;构建连接不同时刻同一节点的延迟边,形成所述预设时间内的所述时态网络。
在一种可选的方式中,所述根据两车辆的行程相似程度构建同一时刻连接所述两车辆对应的所述节点的连接边,包括:根据出发地经纬度和目的地经纬度分别计算两车辆的出发地之间的第一直线距离和目的地之间的第二直线距离;根据两车辆的出发时间和到达时间分别计算两车辆的出发时间差和到达时间差;如果所述第一直线距离和所述第二直线距离满足第一阈值,且所述第一时间差和所述第二时间差满足第二阈值,则所述两车辆对应的所述节点之间在行程所对应的时刻存在连接边。
在一种可选的方式中,所述根据物流需求数据以及历史合作车辆信息对所述时态网络进行筛选,获取车辆推荐网络,包括:根据所述物流需求数据中的车长、车型筛选所述时态网络中的节点和连接边;从所述时态网络中筛选出货主常用车辆对应的节点构成的网络结构,形成所述车辆推荐网络。
在一种可选的方式中,所述计算所述车辆推荐网络中的车辆相似度,包括:根据所述车辆推荐网络计算参考节点与不同于所述参考节点的待推荐节点的车辆相似度。
在一种可选的方式中,所述参考节点与不同于所述参考节点i的所述待推荐节点j的车辆相似度si,j满足以下关系式:
dp=hops*time,
time=tl-te,
其中,p为所述参考节点i的所述待推荐节点j之间存在的时态路径,tp为所述时态路径p的时间分布系数,t为所述预设时间,te为所述时态路径p经过的第一个连接边对应的时刻,tl为所述时态路径p经过的最后一个连接边对应的时刻,dp是所述时态路径p的长度,hops是所述时态路径p经过连接边的个数,time是所述时态路径p的延迟时间长度。
在一种可选的方式中,所述根据所述车辆相似度以及货主的车辆偏好获取车辆推荐指数,并根据所述车辆推荐指数向货主推荐车辆,包括:获取所述参考节点对应的参考车辆在所述预设时间内完成物流订单数量;根据所述待推荐节点与所述参考节点的所述车辆相似度以及所述物流订单数量计算所述待推荐节点对应的待推荐车辆的推荐指数;根据所述推荐指数从大到小依次推荐所述待推荐车辆。
根据本发明实施例的另一个方面,提供了一种基于时态网络的物流推荐装置,所述装置包括:网络建立单元,用于根据预设时间内的历史物流订单数据建立车辆的时态网络;车辆筛选单元,用于根据物流需求数据以及历史合作车辆信息对所述时态网络进行筛选,获取车辆推荐网络;相似度计算单元,用于计算所述车辆推荐网络中的车辆相似度;车辆推荐单元,用于根据所述车辆相似度以及货主的车辆偏好获取车辆推荐指数,并根据所述车辆推荐指数向货主推荐车辆。
根据本发明实施例的另一方面,提供了一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行上述基于时态网络的物流推荐方法的步骤。
根据本发明实施例的又一方面,提供了一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使所述处理器执行上述基于时态网络的物流推荐方法的步骤。
本发明实施例通过根据预设时间内的历史物流订单数据建立车辆的时态网络;根据物流需求数据以及历史合作车辆信息对所述时态网络进行筛选,获取车辆推荐网络;计算所述车辆推荐网络中的车辆相似度;根据所述车辆相似度以及货主的车辆偏好获取车辆推荐指数,并根据所述车辆推荐指数向货主推荐车辆,能够适用于高度信息化物流平台的车辆推荐,无需额外安装数据采集设施,仅需要通过对于历史行程数据分析即可获取满足目标行程需求的车辆推荐,灵活性较强,成本低,适用于所有类型的物流信息平台,适用范围广,推荐效果好。
上述说明仅是本发明实施例技术方案的概述,为了能够更清楚了解本发明实施例的技术手段,而可依照说明书的内容予以实施,并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的基于时态网络的物流推荐方法的流程示意图;
图2示出了本发明实施例提供的基于时态网络的物流推荐方法的建立时态网络的流程示意图;
图3示出了本发明实施例提供的基于时态网络的物流推荐方法的时态网络示意图;
图4示出了本发明实施例提供的基于时态网络的物流推荐装置的结构示意图;
图5示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
图1示出了本发明实施例提供的基于时态网络的物流推荐方法的流程示意图。如图1所示,该基于时态网络的物流推荐方法包括:
步骤S11:根据预设时间内的历史物流订单数据建立车辆的时态网络。
在本发明实施例中,将车辆抽象为网络中的个体,将物流订单中出发地、到达地、出发时间、到达时间数据抽象为时态网络中节点之间的联系,形成物流订单时态网络。具体地,如图2所示,包括:
步骤S111:获取所述预设时间内的所述历史物流订单数据。
在本发明实施例中,在物流平台界面设置需求发布功能用于目标需求收集,在添加需求时需货主勾选出发地城市区县名称、目的地城市区县名称、期望出发时间、期望到达时间、车长、车型。通过开源地图服务平台API获取城市区县经纬度,形成城市区县经纬度数据库表,后续算法中使用的位置数据均为经纬度数据。
在步骤S111中,收集物流平台注册车辆在预设时间内的历史物流订单数据。预设时间优选为1个月。由于公路物流时间周期较长的特性,使用当前时间前1个月作为车辆推荐指数计算的时间区间,获取1个月内有运输订单完成记录的车辆列表,收集这些车辆完成的订单数据中包含位置信息和时间信息的字段,并存储于下表1中。
表1、1个月内历史物流订单数据
历史物流订单数据包括:车长、车型、车辆编号(ID)、出发地经纬度,目的地经纬度、出发时间以及到达时间等。
步骤S112:将车辆抽象为所述时态网络中的节点。
车辆是本发明实施例中研究的对象个体,近1个月内有运输订单完成记录的车辆集合是计算车辆推荐指数的基础集合,将车辆抽象为时态网络中的节点。获取表1中车辆ID的集合定义为集合V,集合V是时态网络的初始节点集合。
步骤S113:根据两车辆的行程相似程度构建同一时刻连接所述两车辆对应的所述节点的连接边。
在本发明实施例中,以车辆在一段时间的行程相似程度定义节点之间是否存在边。相近时间内两车辆的行程起点直线距离和行程终点直线距离较小时,两车辆节点在这段时间内存在一条连接边。具体地,根据出发地经纬度和目的地经纬度分别计算两车辆的出发地之间的第一直线距离和目的地之间的第二直线距离;根据两车辆的出发时间和到达时间分别计算两车辆的出发时间差和到达时间差;如果所述第一直线距离和所述第二直线距离满足第一阈值,且所述第一时间差和所述第二时间差满足第二阈值,则所述两车辆对应的所述节点之间在行程所对应的时刻存在连接边。
在本发明实施例中,根据长途公路运输距离,当两位置在地图上的直线距离小于80公里时认为距离较小,当时间在0.5天范围内认为时间相近。根据表1中的历史物流订单数据,使用经纬度计算两位置在地图上的直线距离。对于任意车辆A和车辆B,D(Start_A,Start_B)表示车辆A的一个历史物流订单数据中的出发地和车辆B的一个历史物流订单数据中的出发地之间的第一直线距离(距离以公里为单位)。D(Target_A,Target_B)表示A的对应的历史物流订单数据中的目的地和B的对应的历史物流订单数据中的目的地之间的第二直线距离(距离以公里为单位)。当D(StartA,StartB)≤80∩D(TargetA,TargetB)≤80时,认为车辆A的这一行程与车辆B的这一行程具有较高的位置相似性。考虑到时间概念,在某个时间窗口内,且和同时大于0或小于0,即车辆A的行程出发时间和到达时间均早于车辆B,或车辆A的行程出发时间和到达时间均晚于车辆B,则车辆A和车辆B的相似性在此时间窗口内成立,则在时态网络中节点A和节点B之间存在一条连接边,在本发明实施例中,时间窗口优选为天。
例如表2中两个行程信息,经计算行程1和行程2的出发地距离为8.4公里,目的地之间距离为68公里,行程1的出发和到达时间均早于行程2,且时间差值不超过12小时,则车辆A和车辆B对应的两个节点在8月1日10:00-8月2日3:00的时间窗口内存在一条连接边。
表2行程记录样例
遍历表1中的历史物流订单数据,形成时态网络中的连接边。
在本发明实施例中,遍历表1的历史物流订单数据,可以首先形成物流订单网络的节点和连接边,得到1个月内物流订单静态网络图G,静态网络图G中包含集合V中所有节点及以近1个月内时间窗口为天所形成的所有连接边,所有连接边不含方向和权值。然后根据静态网络图G以及时间信息形成时态网络。
步骤S114:构建连接不同时刻同一节点的延迟边,形成所述预设时间内的所述时态网络。
同一节点在不同时刻之间通过延迟边连接,如此形成的预设时间内的时态网络。图3为一时态网络示例,其中包括节点A、B、C、D、E,t1、t2、t3、t4、t5、t6、t7表示不同的时刻,连接在同一节点的不同时刻之间的虚线为延迟边,同一时刻连接在不同节点之间的实线为连接边。时态路径为时态网络中连接不同时态车辆节点的路径,可以包括连接边和延迟边。例如At1-Bt1-Bt4-Ct4包括两条连接边和两条延迟边。
步骤S12:根据物流需求数据以及历史合作车辆信息对所述时态网络进行筛选,获取车辆推荐网络。
在本发明实施例中,获取货主在物流平台发布的物流需求数据,通过关联城市区县经纬度数据库表将物流需求数据按照表3形式存储。
表3、货主需求数据表
序号 | 字段 | 类型 | 字段说明 |
1 | Customer_ID | Char(10) | 货主ID |
2 | Start_X | Float(53) | 出发地经度 |
3 | Start_Y | Float(53) | 出发地纬度 |
4 | Target_X | Float(53) | 目的地经度 |
5 | Target_Y | Float(53) | 目的地纬度 |
6 | Start_time | Date | 期望出发时间 |
7 | End_time | Date | 期望到达时间 |
8 | Car_length | Float(53) | 车长 |
9 | Car_type | Varchar(15) | 车型 |
在步骤S12中,根据所述物流需求数据中的车长、车型筛选所述时态网络中的节点和连接边;从所述时态网络中筛选出货主常用车辆对应的节点构成的网络结构,形成所述车辆推荐网络。
具体地,首先简单筛选车长、车型不满足需求的数据,然后根据目标需求P筛选节点集合V中的节点,遍历表1中的数据,当车辆A有任一行程的出发地与目标行程出发地距离大于80公里,将节点A从集合V中删除,同时在时态网络G中删除与节点A相连的连接边,形成新的时态网络GP。在无向的新的时态网络中,如果每一对节点之间都存在至少一条路径,则这个时态网络就是连通的,这个连通的时态网络称为连通片。按照连通片的概念分解前述的时态网络GP,用时态网络GA表示车辆A所在网络连通片,当货主常用车辆集合为VP={A,B,C···N}时,集合Gf={GA,GB···GN}是计算推荐车辆使用的时态网络。在集合Gf中加入对应的时间信息得到用于计算车辆推荐指数的车辆推荐网络。
在本发明实施例中,获取货主历史合作车辆信息,具体收集货主近1个月内完成的物流订单数据,得到货主使用过的物流车辆列表,计算每一个车辆在近1个月内为此货主完成物流订单的次数,货主常用车辆数据存储如表4。
表4、货主常用车辆数据表
序号 | 字段 | 类型 | 字段说明 |
1 | Car_ID | Char(10) | 车辆ID |
2 | Customer_ID | Char(10) | 货主ID |
3 | Order_times | Float(53) | 完成物流订单的次数 |
步骤S13:计算所述车辆推荐网络中的车辆相似度。
在本发明实施例中,根据前面得到的车辆推荐网络,依次计算集合VP中节点与其所在网络连通片中每一个节点的时态网络相似度,而时态网络相似度使用同一时刻两个不同节点的相似性(STDN Similariy),以天为时间窗口粒度。
具体根据所述车辆推荐网络计算参考节点与不同于所述参考节点的待推荐节点的车辆相似度。其中参考节点可以是货主常用车辆中的其中一个,是满足物流需求数据的最优选的车辆。所述参考节点与不同于所述参考节点i的所述待推荐节点j的车辆相似度si,j满足以下关系式:
其中,p为所述参考节点i的所述待推荐节点j之间存在的时态路径,tp为所述时态路径p的时间分布系数,dp是所述时态路径p的长度。节点i和节点j的相似性si,j由节点i和节点j之间的每一条时态路径p的长度和时间分布情况所决定。时态路径p的时间分布系数满足以下关系式:
其中,t为所述预设时间,te为所述时态路径p经过的第一个连接边对应的时刻,tl为所述时态路径p经过的最后一个连接边对应的时刻。dp=hops*time,hops是所述时态路径p经过连接边的个数,time是所述时态路径p的延迟时间长度,time=tl-te。
表5、车辆相似度及推荐指数数据表
序号 | 字段 | 类型 | 字段说明 |
1 | Car_ID_A | Char(10) | 车辆ID |
2 | Car_ID_N | Char(10) | 与此车辆相同连通片的车辆ID |
3 | Similarity | Float(53) | 两车辆的时态网络相似度 |
4 | Index_N | Float(53) | 车辆N的推荐指数 |
步骤S14:根据所述车辆相似度以及货主的车辆偏好获取车辆推荐指数,并根据所述车辆推荐指数向货主推荐车辆。
在步骤S14中,获取所述参考节点对应的参考车辆在所述预设时间内完成物流订单数量;根据所述待推荐节点与所述参考节点的所述车辆相似度以及所述物流订单数量计算所述待推荐节点对应的待推荐车辆的推荐指数;根据所述推荐指数从大到小依次推荐所述待推荐车辆。具体地,按照货主常用车辆列表中近1个月内参考车辆完成的物流订单次数对其他车辆与参考车辆的相似度进一步加权处理。
例如,若参考节点A完成的物流订单次数为m,利用函数对m进行调整,得到加权系数f=-βm+1,0<β<1,则其他节点与参考节点A的相似度的集合处理变换为该集合中的数据即为对目标行程的推荐指数,在表5中Index_N字段存储加权后得到的车辆N的推荐指数。
获取各车辆的推荐指数之后,通过界面向货主进行车辆推荐。具体地,根据车辆信息表的顺序首先推荐货主常用车辆,按照近1个月内车辆完成的物流订单次数进行降序排列,然后按照时态网络Gf中全部节点推荐指数降序依次推荐形成对目标行程的推荐列表。例如,首先向货主推荐1个月内完成物流订单次数最多的车辆A,当车辆A无法完成货主当前的运货时,以车辆A对应的节点为参考节点按照时态网络Gf中全部节点推荐指数降序依次向货主推荐车辆。
本发明实施例的物流推荐方法通过采集物流信息化平台订单数据,利用地理距离信息和时间信息合理推荐可满足目标行程需求的物流车辆,无需额外安装数据采集设施,仅需要通过对于历史行程数据分析即可获取满足目标行程需求的车辆推荐,成本低,数据采集快,计算效率高;能够适用于所有类型的物流信息平台,具有较好的普适性;能够覆盖所有类型的货运模式,可以根据实际需要针对不同的货运特征调整,获取多种场景下的推荐结果,为促进物流运输业发展提供数据支撑。
本发明实施例通过根据预设时间内的历史物流订单数据建立车辆的时态网络;根据物流需求数据以及历史合作车辆信息对所述时态网络进行筛选,获取车辆推荐网络;计算所述车辆推荐网络中的车辆相似度;根据所述车辆相似度以及货主的车辆偏好获取车辆推荐指数,并根据所述车辆推荐指数向货主推荐车辆,能够适用于高度信息化物流平台的车辆推荐,无需额外安装数据采集设施,仅需要通过对于历史行程数据分析即可获取满足目标行程需求的车辆推荐,灵活性较强,成本低,适用于所有类型的物流信息平台,适用范围广,推荐效果好。
图4示出了本发明实施例的基于时态网络的物流推荐装置的结构示意图。如图4所示,该基于时态网络的物流推荐装置包括:网络建立单元401、车辆筛选单元402、相似度计算单元403以及车辆推荐单元404。其中:
网络建立单元401用于根据预设时间内的历史物流订单数据建立车辆的时态网络;车辆筛选单元402用于根据物流需求数据以及历史合作车辆信息对所述时态网络进行筛选,获取车辆推荐网络;相似度计算单元403用于计算所述车辆推荐网络中的车辆相似度;车辆推荐单元404用于根据所述车辆相似度以及货主的车辆偏好获取车辆推荐指数,并根据所述车辆推荐指数向货主推荐车辆。
在一种可选的方式中,网络建立单元401用于:获取所述预设时间内的所述历史物流订单数据;将车辆抽象为所述时态网络中的节点;根据两车辆的行程相似程度构建同一时刻连接所述两车辆对应的所述节点的连接边;构建连接不同时刻同一节点的延迟边,形成所述预设时间内的所述时态网络。
在一种可选的方式中,网络建立单元401用于:根据出发地经纬度和目的地经纬度分别计算两车辆的出发地之间的第一直线距离和目的地之间的第二直线距离;根据两车辆的出发时间和到达时间分别计算两车辆的出发时间差和到达时间差;如果所述第一直线距离和所述第二直线距离满足第一阈值,且所述第一时间差和所述第二时间差满足第二阈值,则所述两车辆对应的所述节点之间在行程所对应的时刻存在连接边。
在一种可选的方式中,车辆筛选单元402用于:根据所述物流需求数据中的车长、车型筛选所述时态网络中的节点和连接边;从所述时态网络中筛选出货主常用车辆对应的节点构成的网络结构,形成所述车辆推荐网络。
在一种可选的方式中,相似度计算单元403用于:根据所述车辆推荐网络计算参考节点与不同于所述参考节点的待推荐节点的车辆相似度。
在一种可选的方式中,所述参考节点与不同于所述参考节点i的所述待推荐节点j的车辆相似度si,j满足以下关系式:
dp=hops*time,
time=tl-te,
其中,p为所述参考节点i的所述待推荐节点j之间存在的时态路径,tp为所述时态路径p的时间分布系数,t为所述预设时间,te为所述时态路径p经过的第一个连接边对应的时刻,tl为所述时态路径p经过的最后一个连接边对应的时刻,dp是所述时态路径p的长度,hops是所述时态路径p经过连接边的个数,time是所述时态路径p的延迟时间长度。
在一种可选的方式中,车辆推荐单元404用于:获取所述参考节点对应的参考车辆在所述预设时间内完成物流订单数量;根据所述待推荐节点与所述参考节点的所述车辆相似度以及所述物流订单数量计算所述待推荐节点对应的待推荐车辆的推荐指数;根据所述推荐指数从大到小依次推荐所述待推荐车辆。
本发明实施例通过根据预设时间内的历史物流订单数据建立车辆的时态网络;根据物流需求数据以及历史合作车辆信息对所述时态网络进行筛选,获取车辆推荐网络;计算所述车辆推荐网络中的车辆相似度;根据所述车辆相似度以及货主的车辆偏好获取车辆推荐指数,并根据所述车辆推荐指数向货主推荐车辆,能够适用于高度信息化物流平台的车辆推荐,无需额外安装数据采集设施,仅需要通过对于历史行程数据分析即可获取满足目标行程需求的车辆推荐,灵活性较强,成本低,适用于所有类型的物流信息平台,适用范围广,推荐效果好。
本发明实施例提供了一种非易失性计算机存储介质,所述计算机存储介质存储有至少一可执行指令,该计算机可执行指令可执行上述任意方法实施例中的基于时态网络的物流推荐方法。
可执行指令具体可以用于使得处理器执行以下操作:
根据预设时间内的历史物流订单数据建立车辆的时态网络;
根据物流需求数据以及历史合作车辆信息对所述时态网络进行筛选,获取车辆推荐网络;
计算所述车辆推荐网络中的车辆相似度;
根据所述车辆相似度以及货主的车辆偏好获取车辆推荐指数,并根据所述车辆推荐指数向货主推荐车辆。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
获取所述预设时间内的所述历史物流订单数据;
将车辆抽象为所述时态网络中的节点;
根据两车辆的行程相似程度构建同一时刻连接所述两车辆对应的所述节点的连接边;
构建连接不同时刻同一节点的延迟边,形成所述预设时间内的所述时态网络。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
根据出发地经纬度和目的地经纬度分别计算两车辆的出发地之间的第一直线距离和目的地之间的第二直线距离;
根据两车辆的出发时间和到达时间分别计算两车辆的出发时间差和到达时间差;
如果所述第一直线距离和所述第二直线距离满足第一阈值,且所述第一时间差和所述第二时间差满足第二阈值,则所述两车辆对应的所述节点之间在行程所对应的时刻存在连接边。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
根据所述物流需求数据中的车长、车型筛选所述时态网络中的节点和连接边;
从所述时态网络中筛选出货主常用车辆对应的节点构成的网络结构,形成所述车辆推荐网络。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
根据所述车辆推荐网络计算参考节点与不同于所述参考节点的待推荐节点的车辆相似度。
在一种可选的方式中,所述参考节点与不同于所述参考节点i的所述待推荐节点j的车辆相似度si,j满足以下关系式:
dp=hops*time,
time=tl-te,
其中,p为所述参考节点i的所述待推荐节点j之间存在的时态路径,tp为所述时态路径p的时间分布系数,t为所述预设时间,te为所述时态路径p经过的第一个连接边对应的时刻,tl为所述时态路径p经过的最后一个连接边对应的时刻,dp是所述时态路径p的长度,hops是所述时态路径p经过连接边的个数,time是所述时态路径p的延迟时间长度。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
获取所述参考节点对应的参考车辆在所述预设时间内完成物流订单数量;
根据所述待推荐节点与所述参考节点的所述车辆相似度以及所述物流订单数量计算所述待推荐节点对应的待推荐车辆的推荐指数;
根据所述推荐指数从大到小依次推荐所述待推荐车辆。
本发明实施例通过根据预设时间内的历史物流订单数据建立车辆的时态网络;根据物流需求数据以及历史合作车辆信息对所述时态网络进行筛选,获取车辆推荐网络;计算所述车辆推荐网络中的车辆相似度;根据所述车辆相似度以及货主的车辆偏好获取车辆推荐指数,并根据所述车辆推荐指数向货主推荐车辆,能够适用于高度信息化物流平台的车辆推荐,无需额外安装数据采集设施,仅需要通过对于历史行程数据分析即可获取满足目标行程需求的车辆推荐,灵活性较强,成本低,适用于所有类型的物流信息平台,适用范围广,推荐效果好。
本发明实施例提供了一种计算机程序产品,所述计算机程序产品包括存储在计算机存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行上述任意方法实施例中的基于时态网络的物流推荐方法。
可执行指令具体可以用于使得处理器执行以下操作:
根据预设时间内的历史物流订单数据建立车辆的时态网络;
根据物流需求数据以及历史合作车辆信息对所述时态网络进行筛选,获取车辆推荐网络;
计算所述车辆推荐网络中的车辆相似度;
根据所述车辆相似度以及货主的车辆偏好获取车辆推荐指数,并根据所述车辆推荐指数向货主推荐车辆。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
获取所述预设时间内的所述历史物流订单数据;
将车辆抽象为所述时态网络中的节点;
根据两车辆的行程相似程度构建同一时刻连接所述两车辆对应的所述节点的连接边;
构建连接不同时刻同一节点的延迟边,形成所述预设时间内的所述时态网络。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
根据出发地经纬度和目的地经纬度分别计算两车辆的出发地之间的第一直线距离和目的地之间的第二直线距离;
根据两车辆的出发时间和到达时间分别计算两车辆的出发时间差和到达时间差;
如果所述第一直线距离和所述第二直线距离满足第一阈值,且所述第一时间差和所述第二时间差满足第二阈值,则所述两车辆对应的所述节点之间在行程所对应的时刻存在连接边。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
根据所述物流需求数据中的车长、车型筛选所述时态网络中的节点和连接边;
从所述时态网络中筛选出货主常用车辆对应的节点构成的网络结构,形成所述车辆推荐网络。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
根据所述车辆推荐网络计算参考节点与不同于所述参考节点的待推荐节点的车辆相似度。
在一种可选的方式中,所述参考节点与不同于所述参考节点i的所述待推荐节点j的车辆相似度si,j满足以下关系式:
dp=hops*time,
time=tl-te,
其中,p为所述参考节点i的所述待推荐节点j之间存在的时态路径,tp为所述时态路径p的时间分布系数,t为所述预设时间,te为所述时态路径p经过的第一个连接边对应的时刻,tl为所述时态路径p经过的最后一个连接边对应的时刻,dp是所述时态路径p的长度,hops是所述时态路径p经过连接边的个数,time是所述时态路径p的延迟时间长度。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
获取所述参考节点对应的参考车辆在所述预设时间内完成物流订单数量;
根据所述待推荐节点与所述参考节点的所述车辆相似度以及所述物流订单数量计算所述待推荐节点对应的待推荐车辆的推荐指数;
根据所述推荐指数从大到小依次推荐所述待推荐车辆。
本发明实施例通过根据预设时间内的历史物流订单数据建立车辆的时态网络;根据物流需求数据以及历史合作车辆信息对所述时态网络进行筛选,获取车辆推荐网络;计算所述车辆推荐网络中的车辆相似度;根据所述车辆相似度以及货主的车辆偏好获取车辆推荐指数,并根据所述车辆推荐指数向货主推荐车辆,能够适用于高度信息化物流平台的车辆推荐,无需额外安装数据采集设施,仅需要通过对于历史行程数据分析即可获取满足目标行程需求的车辆推荐,灵活性较强,成本低,适用于所有类型的物流信息平台,适用范围广,推荐效果好。
图5示出了本发明实施例提供的计算设备的结构示意图,本发明具体实施例并不对设备的具体实现做限定。
如图5所示,该计算设备可以包括:处理器(processor)502、通信接口(Communications Interface)504、存储器(memory)506、以及通信总线508。
其中:处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。通信接口504,用于与其它设备比如客户端或其它服务器等的网元通信。处理器502,用于执行程序510,具体可以执行上述基于时态网络的物流推荐方法实施例中的相关步骤。
具体地,程序510可以包括程序代码,该程序代码包括计算机操作指令。
处理器502可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或各个集成电路。设备包括的一个或各个处理器,可以是同一类型的处理器,如一个或各个CPU;也可以是不同类型的处理器,如一个或各个CPU以及一个或各个ASIC。
存储器506,用于存放程序510。存储器506可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序510具体可以用于使得处理器502执行以下操作:
根据预设时间内的历史物流订单数据建立车辆的时态网络;
根据物流需求数据以及历史合作车辆信息对所述时态网络进行筛选,获取车辆推荐网络;
计算所述车辆推荐网络中的车辆相似度;
根据所述车辆相似度以及货主的车辆偏好获取车辆推荐指数,并根据所述车辆推荐指数向货主推荐车辆。
在一种可选的方式中,所述程序510使所述处理器执行以下操作:
获取所述预设时间内的所述历史物流订单数据;
将车辆抽象为所述时态网络中的节点;
根据两车辆的行程相似程度构建同一时刻连接所述两车辆对应的所述节点的连接边;
构建连接不同时刻同一节点的延迟边,形成所述预设时间内的所述时态网络。
在一种可选的方式中,所述程序510使所述处理器执行以下操作:
根据出发地经纬度和目的地经纬度分别计算两车辆的出发地之间的第一直线距离和目的地之间的第二直线距离;
根据两车辆的出发时间和到达时间分别计算两车辆的出发时间差和到达时间差;
如果所述第一直线距离和所述第二直线距离满足第一阈值,且所述第一时间差和所述第二时间差满足第二阈值,则所述两车辆对应的所述节点之间在行程所对应的时刻存在连接边。
在一种可选的方式中,所述程序510使所述处理器执行以下操作:
根据所述物流需求数据中的车长、车型筛选所述时态网络中的节点和连接边;
从所述时态网络中筛选出货主常用车辆对应的节点构成的网络结构,形成所述车辆推荐网络。
在一种可选的方式中,所述程序510使所述处理器执行以下操作:
根据所述车辆推荐网络计算参考节点与不同于所述参考节点的待推荐节点的车辆相似度。
在一种可选的方式中,所述参考节点与不同于所述参考节点i的所述待推荐节点j的车辆相似度si,j满足以下关系式:
dp=hops*time,
time=tl-te,
其中,p为所述参考节点i的所述待推荐节点j之间存在的时态路径,tp为所述时态路径p的时间分布系数,t为所述预设时间,te为所述时态路径p经过的第一个连接边对应的时刻,tl为所述时态路径p经过的最后一个连接边对应的时刻,dp是所述时态路径p的长度,hops是所述时态路径p经过连接边的个数,time是所述时态路径p的延迟时间长度。
在一种可选的方式中,所述程序510使所述处理器执行以下操作:
获取所述参考节点对应的参考车辆在所述预设时间内完成物流订单数量;
根据所述待推荐节点与所述参考节点的所述车辆相似度以及所述物流订单数量计算所述待推荐节点对应的待推荐车辆的推荐指数;
根据所述推荐指数从大到小依次推荐所述待推荐车辆。
本发明实施例通过根据预设时间内的历史物流订单数据建立车辆的时态网络;根据物流需求数据以及历史合作车辆信息对所述时态网络进行筛选,获取车辆推荐网络;计算所述车辆推荐网络中的车辆相似度;根据所述车辆相似度以及货主的车辆偏好获取车辆推荐指数,并根据所述车辆推荐指数向货主推荐车辆,能够适用于高度信息化物流平台的车辆推荐,无需额外安装数据采集设施,仅需要通过对于历史行程数据分析即可获取满足目标行程需求的车辆推荐,灵活性较强,成本低,适用于所有类型的物流信息平台,适用范围广,推荐效果好。
在此提供的算法或显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述,构造这类***所要求的结构是显而易见的。此外,本发明实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤,除有特殊说明外,不应理解为对执行顺序的限定。
Claims (10)
1.一种基于时态网络的物流推荐方法,其特征在于,所述方法包括:
根据预设时间内的历史物流订单数据建立车辆的时态网络;
根据物流需求数据以及历史合作车辆信息对所述时态网络进行筛选,获取车辆推荐网络;
计算所述车辆推荐网络中的车辆相似度;
根据所述车辆相似度以及货主的车辆偏好获取车辆推荐指数,并根据所述车辆推荐指数向货主推荐车辆。
2.根据权利要求1所述的方法,其特征在于,所述根据预设时间内的历史物流订单数据建立车辆的时态网络,包括:
获取所述预设时间内的所述历史物流订单数据;
将车辆抽象为所述时态网络中的节点;
根据两车辆的行程相似程度构建同一时刻连接所述两车辆对应的所述节点的连接边;
构建连接不同时刻同一节点的延迟边,形成所述预设时间内的所述时态网络。
3.根据权利要求2所述的方法,其特征在于,所述根据两车辆的行程相似程度构建同一时刻连接所述两车辆对应的所述节点的连接边,包括:
根据出发地经纬度和目的地经纬度分别计算两车辆的出发地之间的第一直线距离和目的地之间的第二直线距离;
根据两车辆的出发时间和到达时间分别计算两车辆的出发时间差和到达时间差;
如果所述第一直线距离和所述第二直线距离满足第一阈值,且所述第一时间差和所述第二时间差满足第二阈值,则所述两车辆对应的所述节点之间在行程所对应的时刻存在连接边。
4.根据权利要求1所述的方法,其特征在于,所述根据物流需求数据以及历史合作车辆信息对所述时态网络进行筛选,获取车辆推荐网络,包括:
根据所述物流需求数据中的车长、车型筛选所述时态网络中的节点和连接边;
从所述时态网络中筛选出货主常用车辆对应的节点构成的网络结构,形成所述车辆推荐网络。
5.根据权利要求1所述的方法,其特征在于,所述计算所述车辆推荐网络中的车辆相似度,包括:
根据所述车辆推荐网络计算参考节点与不同于所述参考节点的待推荐节点的车辆相似度。
7.根据权利要求5所述的方法,其特征在于,所述根据所述车辆相似度以及货主的车辆偏好获取车辆推荐指数,并根据所述车辆推荐指数向货主推荐车辆,包括:
获取所述参考节点对应的参考车辆在所述预设时间内完成物流订单数量;
根据所述待推荐节点与所述参考节点的所述车辆相似度以及所述物流订单数量计算所述待推荐节点对应的待推荐车辆的推荐指数;
根据所述推荐指数从大到小依次推荐所述待推荐车辆。
8.一种基于时态网络的物流推荐装置,其特征在于,所述装置包括:
网络建立单元,用于根据预设时间内的历史物流订单数据建立车辆的时态网络;
车辆筛选单元,用于根据物流需求数据以及历史合作车辆信息对所述时态网络进行筛选,获取车辆推荐网络;
相似度计算单元,用于计算所述车辆推荐网络中的车辆相似度;
车辆推荐单元,用于根据所述车辆相似度以及货主的车辆偏好获取车辆推荐指数,并根据所述车辆推荐指数向货主推荐车辆。
9.一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行根据权利要求1-7任一项所述基于时态网络的物流推荐方法的步骤。
10.一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行根据权利要求1-7任一项所述基于时态网络的物流推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010065635.5A CN113139765B (zh) | 2020-01-20 | 2020-01-20 | 基于时态网络的物流推荐方法、装置及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010065635.5A CN113139765B (zh) | 2020-01-20 | 2020-01-20 | 基于时态网络的物流推荐方法、装置及计算设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113139765A true CN113139765A (zh) | 2021-07-20 |
CN113139765B CN113139765B (zh) | 2023-12-12 |
Family
ID=76809782
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010065635.5A Active CN113139765B (zh) | 2020-01-20 | 2020-01-20 | 基于时态网络的物流推荐方法、装置及计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113139765B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114492434A (zh) * | 2022-01-27 | 2022-05-13 | 圆通速递有限公司 | 一种基于运单号自动识别模型智能识别运单号方法 |
CN115099665A (zh) * | 2022-07-06 | 2022-09-23 | 江苏满运物流信息有限公司 | 一种车辆推荐方法、装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150170063A1 (en) * | 2013-05-14 | 2015-06-18 | Google Inc. | Pattern Based Transit Routing |
CN106227884A (zh) * | 2016-08-08 | 2016-12-14 | 深圳市未来媒体技术研究院 | 一种基于协同过滤的在线打车推荐方法 |
CN107368904A (zh) * | 2017-07-12 | 2017-11-21 | 乐山易通天下网络科技有限公司 | 一种及时出行网约车订单分配方法及*** |
US20180018868A1 (en) * | 2015-04-03 | 2018-01-18 | Alibaba Group Holding Limited | Logistics monitoring method and device |
CN109685411A (zh) * | 2018-11-16 | 2019-04-26 | 南京大学 | 一种物流货运平台的拼车匹配方法 |
CN110009453A (zh) * | 2019-03-26 | 2019-07-12 | 中国工商银行股份有限公司 | 应用于车辆的智能推荐方法及*** |
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 |
US10475105B1 (en) * | 2018-07-13 | 2019-11-12 | Capital One Services, Llc | Systems and methods for providing improved recommendations |
-
2020
- 2020-01-20 CN CN202010065635.5A patent/CN113139765B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150170063A1 (en) * | 2013-05-14 | 2015-06-18 | Google Inc. | Pattern Based Transit Routing |
US20180018868A1 (en) * | 2015-04-03 | 2018-01-18 | Alibaba Group Holding Limited | Logistics monitoring method and device |
CN106227884A (zh) * | 2016-08-08 | 2016-12-14 | 深圳市未来媒体技术研究院 | 一种基于协同过滤的在线打车推荐方法 |
CN107368904A (zh) * | 2017-07-12 | 2017-11-21 | 乐山易通天下网络科技有限公司 | 一种及时出行网约车订单分配方法及*** |
US10475105B1 (en) * | 2018-07-13 | 2019-11-12 | Capital One Services, Llc | Systems and methods for providing improved recommendations |
CN109685411A (zh) * | 2018-11-16 | 2019-04-26 | 南京大学 | 一种物流货运平台的拼车匹配方法 |
CN110009453A (zh) * | 2019-03-26 | 2019-07-12 | 中国工商银行股份有限公司 | 应用于车辆的智能推荐方法及*** |
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 |
Non-Patent Citations (4)
Title |
---|
RUYAN WANG, 等: "Resource Allocation for D2D-Enabled Communications in Vehicle Platooning", 《IEEE ACCESS》, vol. 6, pages 50526 * |
STEPHEN ANDERSON, 等: "Urban logistics--how can it meet policy makers\' sustainability objectives?", 《JOURNAL OF TRANSPORT GEOGRAPHY》, vol. 13, no. 1, pages 871 - 81 * |
吕红瑾: "基于轨迹大数据的出租车目的地预测及推荐方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 2, pages 138 - 1015 * |
马宇宸: "基于用户选路行为偏好学习***的研究与实现", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 8, pages 034 - 187 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114492434A (zh) * | 2022-01-27 | 2022-05-13 | 圆通速递有限公司 | 一种基于运单号自动识别模型智能识别运单号方法 |
CN115099665A (zh) * | 2022-07-06 | 2022-09-23 | 江苏满运物流信息有限公司 | 一种车辆推荐方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113139765B (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6925479B2 (ja) | 共有可能な注文を割り当てるためのシステムおよび方法 | |
KR101994631B1 (ko) | 서비스의 공급을 관리하기 위한 시스템 및 방법 | |
CN114944059B (zh) | 确定预估到达时间的方法与*** | |
JP6640880B2 (ja) | 個人別コンテンツを推奨するためのシステム及び方法 | |
Gingerich et al. | Classifying the purpose of stopped truck events: An application of entropy to GPS data | |
WO2016124118A1 (zh) | 一种订单处理方法与*** | |
US11238478B2 (en) | Commercializing user patterns via blockchain | |
Gingerich et al. | The role of airport proximity on warehouse location and associated truck trips: Evidence from Toronto, Ontario | |
JP2019505032A (ja) | サービスの順序列を更新するためのシステム及び方法 | |
US20210042817A1 (en) | Methods and systems for order allocation | |
CN113139765B (zh) | 基于时态网络的物流推荐方法、装置及计算设备 | |
Seya et al. | Decisions on truck parking place and time on expressways: An analysis using digital tachograph data | |
CN114372830A (zh) | 一种基于时空多图神经网络的网约车需求预测方法 | |
CN112149059B (zh) | 构建城市间客流分担模型的方法和装置 | |
CN116664025A (zh) | 装卸货位置点生成方法、装置及设备 | |
CN112883195A (zh) | 个体出行的交通知识图谱构建方法及*** | |
CN114331568B (zh) | 基于车联网的商用车细分市场识别方法、设备和介质 | |
CN113284337B (zh) | 基于车辆轨迹多维数据的od矩阵计算方法及装置 | |
Montero et al. | Using GPS tracking data to validate route choice in OD trips within dense urban networks | |
Vanderwaart et al. | Applications of Inferred Origins, Destinations, and Interchanges in Bus Service Planning | |
Gingerich | Studying regional and cross border freight movement activities with truck GPS big data | |
Miwa et al. | Allocation planning for probe taxi devices aimed at minimizing losses to travel time information users | |
CN114461933B (zh) | 基于周边搜索的车辆推荐方法、装置、设备及存储介质 | |
CN114564655A (zh) | 基于协同过滤的车辆推荐方法、装置、设备及存储介质 | |
US10380891B1 (en) | Apparatus and method for quantifying multimodal transportation resources at a geographic location |
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 |