CN114564655A - 基于协同过滤的车辆推荐方法、装置、设备及存储介质 - Google Patents

基于协同过滤的车辆推荐方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114564655A
CN114564655A CN202111589891.5A CN202111589891A CN114564655A CN 114564655 A CN114564655 A CN 114564655A CN 202111589891 A CN202111589891 A CN 202111589891A CN 114564655 A CN114564655 A CN 114564655A
Authority
CN
China
Prior art keywords
vehicle
enterprise
weight
cargo
recommended
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111589891.5A
Other languages
English (en)
Inventor
赵岩
蔡抒扬
夏曙东
孙智彬
张志平
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.)
Beijing Transwiseway Information Technology Co Ltd
Original Assignee
Beijing Transwiseway Information 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 Beijing Transwiseway Information Technology Co Ltd filed Critical Beijing Transwiseway Information Technology Co Ltd
Priority to CN202111589891.5A priority Critical patent/CN114564655A/zh
Publication of CN114564655A publication Critical patent/CN114564655A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了一种基于协同过滤的车辆推荐方法、装置、设备及存储介质，所述方法包括：根据车辆的企业停靠数据以及待推荐企业的历史用车数据，得到车辆的停靠特征权重；根据车辆停靠的企业对应的货物数据以及待推荐企业的历史用车数据，得到车辆的货物特征权重；根据所述停靠特征权重以及货物特征权重计算车辆的加权平均权重；根据车辆的加权平均权重的大小进行从高到低排序，将排在前面的预设数量个车辆推荐给企业。根据本申请提供的车辆推荐方法，将企业找车问题转化为车辆推荐问题，并根据车辆的停靠企业特征以及停靠企业对应的货物特征进行组合推荐，大大提高了推荐的成功率。

Description

基于协同过滤的车辆推荐方法、装置、设备及存储介质
技术领域
本发明涉及智能推荐技术领域，特别涉及一种基于协同过滤的车辆推荐方法、装置、设备及存储介质。
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，在实际中，公路运输行业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企业进行潜在承运车辆的推荐。现有技术中，一般通过实时定位调度的方法，但是司机的实时位置并不代表其承运意向。因此，现有技术中的方法推荐效果不佳。
发明内容
本申请实施例提供了一种基于协同过滤的车辆推荐方法、装置、设备及存储介质。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
第一方面，本申请实施例提供了一种基于协同过滤的车辆推荐方法，包括：
根据车辆的企业停靠数据以及待推荐企业的历史用车数据，得到车辆的停靠特征权重；
根据车辆停靠的企业对应的货物数据以及待推荐企业的历史用车数据，得到车辆的货物特征权重；
根据停靠特征权重以及货物特征权重计算车辆的加权平均权重；
根据车辆的加权平均权重的大小进行从高到低排序，将排在前面的预设数量个车辆推荐给企业。
在一个可选地实施例中，根据车辆的企业停靠数据以及待推荐企业的历史用车数据，得到车辆的停靠特征权重，包括：
根据车辆预设时间段内的企业停靠频数构建车辆的停靠特征向量；
根据车辆的停靠特征向量计算车辆之间的相似度，得到第一相似度矩阵；
根据待推荐企业对车辆的使用频次与待推荐企业历史用车的总使用频次的比值得到待推荐企业历史用车向量；
根据第一相似度矩阵与待推荐企业历史用车向量计算车辆的停靠特征权重。
在一个可选地实施例中，根据车辆的停靠特征向量计算车辆之间的相似度，得到第一相似度矩阵，包括：
获取待推荐企业的位置信息以及用车时间信息；
根据位置信息以及用车时间信息筛选出待推荐车辆；
根据车辆的停靠特征向量计算待推荐车辆与任意车辆之间的相似度，得到第一相似度矩阵。
在一个可选地实施例中，根据车辆停靠的企业对应的货物数据以及待推荐企业的历史用车数据，得到车辆的货物特征权重，包括：
根据车辆预设时间段内的企业停靠频数以及停靠企业对应的货物标签得到车辆的货物标签权重，根据货物标签权重构建车辆的货物特征向量；
根据车辆的货物特征向量计算车辆之间的相似度，得到第二相似度矩阵；
根据待推荐企业对车辆的货物标签权重与待推荐企业历史用车的总货物标签权重的比值得到待推荐企业历史货物向量；
根据第二相似度矩阵与待推荐企业历史货物向量计算车辆的货物特征权重。
在一个可选地实施例中，根据车辆预设时间段内的企业停靠频数以及停靠企业对应的货物标签得到车辆的货物标签权重，根据货物标签权重构建车辆的货物特征向量，包括：
根据如下公式计算车辆的货物标签权重：
Figure BDA0003428742770000031
其中，tj表示货物标签j的权重，mi表示企业i对应的货物标签类别数，pi表示车辆在企业i中的停靠频数，wij表示企业i中货物标签j的权重，n表示企业数量；
根据每个货物标签的权重构建车辆的货物特征向量：
Figure BDA0003428742770000032
其中，vi＝[t1……tz]；z表示货物标签类别数。
在一个可选地实施例中，根据车辆的货物特征向量计算车辆之间的相似度，得到第二相似度矩阵，包括：
获取待推荐企业的位置信息以及用车时间信息；
根据位置信息以及用车时间信息筛选出待推荐车辆；
根据车辆的货物特征向量计算待推荐车辆与任意车辆之间的相似度，得到第二相似度矩阵。
在一个可选地实施例中，根据停靠特征权重以及货物特征权重计算车辆的加权平均权重，包括：
根据如下公式计算车辆的加权平均权重：
w＝a·we′+b·W′c
其中，w表示车辆的加权平均权重，we′表示归一化后的停靠特征权重，wc′表示归一化后的货物特征权重，a,b分别表示预设的权重系数。
第二方面，本申请实施例提供了一种基于协同过滤的车辆推荐装置，包括：
停靠权重计算模块，用于根据车辆的企业停靠数据以及待推荐企业的历史用车数据，得到车辆的停靠特征权重；
货物权重计算模块，用于根据车辆停靠的企业对应的货物数据以及待推荐企业的历史用车数据，得到车辆的货物特征权重；
加权平均模块，用于根据停靠特征权重以及货物特征权重计算车辆的加权平均权重；
组合推荐模块，用于根据车辆的加权平均权重的大小进行从高到低排序，将排在前面的预设数量个车辆推荐给企业。
第三方面，本申请实施例提供了一种基于协同过滤的车辆推荐设备，包括处理器和存储有程序指令的存储器，处理器被配置为在执行程序指令时，执行上述实施例提供的基于协同过滤的车辆推荐方法。
第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机可读指令，计算机可读指令被处理器执行以实现上述实施例提供的一种基于协同过滤的车辆推荐方法。
本申请实施例提供的技术方案可以包括以下有益效果：
根据本申请实施例提供的基于协同过滤的车辆推荐方法，将企业找车问题转化为车辆推荐问题，根据车辆的历史轨迹数据与企业的围栏数据的空间关联，得到车辆的企业停靠特征权重，并根据停靠企业对应的货物特征，得到车辆的货物特征权重，根据车辆的停靠特征权重以及货物特征权重进行组合推荐，同时考虑了待推荐车辆与企业的空间关联以及货物关联，大大提高了推荐的成功率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种基于协同过滤的车辆推荐方法的流程示意图；
图2是根据一示例性实施例示出的一种基于协同过滤的车辆推荐方法的流程示意图；
图3是根据一示例性实施例示出的一种车辆企业停靠频数的示意图；
图4是根据一示例性实施例示出的一种车辆与企业货物标签的示意图；
图5是根据一示例性实施例示出的一种基于协同过滤的车辆推荐装置的结构示意图；
图6是根据一示例性实施例示出的一种基于协同过滤的车辆推荐设备的结构示意图；
图7是根据一示例性实施例示出的一种计算机存储介质的示意图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。
应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的***和方法的例子。
下面将结合附图对本申请实施例提供的基于协同过滤的车辆推荐方法进行详细介绍。参见图1，该方法具体包括以下步骤。
S101根据车辆的企业停靠数据以及待推荐企业的历史用车数据，得到车辆的停靠特征权重。
在一种可能的实现方式中，在执行步骤S101之前，还包括构建企业的电子围栏。首先，获取标签为物流企业、工厂、矿区等与货物运输有关的企业的电子围栏，然后构造向量空间，并获取每个企业的围栏ID、货物类型、围栏形状、所属行政区等信息。
进一步地，获取车辆在预设时间段内的轨迹数据，根据车辆的轨迹数据统计每辆车在预设时间段内在每个企业围栏的停靠频数。根据车辆预设时间段内的企业停靠频数构建车辆的停靠特征向量。
图3是根据一示例性实施例示出的一种车辆企业停靠频数的示意图，如图3所示，某辆车在企业A中的停靠频数为3、在企业B中的停靠频数为7，在企业C中的停靠频数为6，在企业D中的停靠频数为2，在企业E中的停靠频数为5，在企业F中的停靠频数为0。
由此，可将全量车表示为稀疏矩阵VE：
Figure BDA0003428742770000061
vi＝[fi1 … … fik]
其中，每个行向量vi即为车辆i的停靠特征向量，fij表示车辆i在企业j中的停靠频数，k为企业总数。
进一步地，根据车辆的停靠特征向量计算车辆之间的相似度，判断车辆所停靠企业的相似度，得到第一相似度矩阵。
首先，计算全量车的企业向量相似度矩阵：
Figure BDA0003428742770000062
其中，任意元素sij表示车辆vi与车辆vj的余弦相似度。
进一步地，获取待推荐企业的位置信息以及用车时间信息，根据位置信息以及用车时间信息筛选出待推荐车辆，根据车辆的停靠特征向量计算待推荐车辆与任意车辆之间的相似度，得到第一相似度矩阵。
按时间和空间条件筛选符合约束的车辆作为待推荐车辆，即在给定时间区间内出现在某一地理范围内的车辆，形成第一相似度矩阵：
Figure BDA0003428742770000063
其中，Se为m*n维矩阵，m为待推荐车辆数，n为全部车辆数，因此，任意元素sij的含义为待推荐车辆vi与任意车辆vj的相似度。
进一步地，根据待推荐企业对车辆的使用频次与待推荐企业历史用车的总使用频次的比值得到待推荐企业历史用车向量。其中，企业对车辆的使用频次，也就是车辆在该企业的停靠频数。
re＝[r1 … … rn]
其中，元素rj表示企业对车辆vj的使用频次fj与企业所有曾用车总使用频次N之比。
进一步地，根据第一相似度矩阵与待推荐企业历史用车向量计算车辆的停靠特征权重。
在一种可能的实现方式中，可根据如下公式计算车辆的停靠特征权重：
we＝Se·re T
其中，we表示车辆的停靠特征权重，Se表示第一相似度矩阵，re表示待推荐企业历史用车向量。
最终计算结果we可表示为向量：
we＝[w1 … … wm]T；
其中，wi为任一待推荐车辆的停靠特征权重，m为待推荐车辆数，可以推导该车辆的停靠特征权重计算方式为：
Figure BDA0003428742770000071
其中,N为待推荐企业车辆总使用频次，fj为待推荐企业曾用车辆vj的使用频次，sij为待推荐车辆vi与曾用车辆vj的相似度。
通过分析车辆与所有企业之间的停靠频次，可以得到车辆经常停靠的企业，进而得到车辆的运输路线，然后计算所有车辆之间的停靠企业向量之间的相似度，根据相似度矩阵以及待推荐企业的历史用车信息，得到车辆的停靠特征权重。
S102根据车辆停靠的企业对应的货物数据以及待推荐企业的历史用车数据，得到车辆的货物特征权重。
由于车源信息和货源信息不对称的原因，一个地区的车辆可能会存在小圈子现象，即一部分车只去有限的企业装货，从而导致圈子间的车辆不能复用。为了解决这一问题，本申请提出一种基于货物适配度的相似度计算方法。
首先，根据车辆预设时间段内的企业停靠频数以及停靠企业对应的货物标签得到车辆的货物标签权重，根据货物标签权重构建车辆的货物特征向量。
图4是根据一示例性实施例示出的一种车辆与企业货物标签的示意图，如图4所示，车辆在企业A的停靠频数为3，企业A中的货物标签为X，车辆在企业B的停靠频数为7，企业B中的货物标签为Y，车辆在企业C的停靠频数为6，企业C中的货物标签为X和Y。
然后，将目标车辆的企业停靠频数按货物标签聚合。如图3所示，货物X的标签权重聚合后为6，因为企业A中的停靠频数为3，再加上企业C中的停靠频数6的一半，最终权重为6。货物Y的标签权重为12.5,货物Z对应的标签权重为4.5。
在一种可能的实现方式中，根据如下公式计算车辆的货物标签权重：
Figure BDA0003428742770000081
其中，tj表示货物标签j的权重，mi表示企业i对应的货物标签类别数，pi表示车辆在企业i中的停靠频数，wij表示企业i中货物标签j的权重，n表示企业数量。
进一步地，根据每个货物标签的权重构建车辆的货物特征向量：
Figure BDA0003428742770000082
其中，vi＝[t1……tz]；z表示货物标签类别数。
进一步地，根据车辆的货物特征向量计算车辆之间的相似度，得到第二相似度矩阵。具体地，获取待推荐企业的位置信息以及用车时间信息，根据位置信息以及用车时间信息筛选出待推荐车辆，根据车辆的货物特征向量计算待推荐车辆与任意车辆之间的相似度，得到第二相似度矩阵。
Figure BDA0003428742770000083
其中，Se为m*n维矩阵，m为待推荐车辆数，n为全部车辆数，因此，任意元素sij的含义为待推荐车辆vi与任意车辆vj的相似度。
进一步地，根据待推荐企业对车辆的货物标签权重与待推荐企业历史用车的总货物标签权重的比值得到待推荐企业历史货物向量。
rc＝[r1 … … rn]
其中，元素rj表示车辆vj的货物标签权重tj与企业所有曾用车的货物标签权重的和的比值。
进一步地，根据第二相似度矩阵与待推荐企业历史货物向量计算车辆的货物特征权重。
在一种可能的实现方式中，可根据如下公式计算车辆的货物特征权重：
wc＝Sc·rc T
其中，wc表示车辆的货物特征权重，Sc表示第二相似度矩阵，rc表示待推荐企业历史货物向量。
最终计算结果wc可表示为向量：
wc＝[w1 … … wm]T；
根据该步骤，可以根据车辆停靠企业对应的货物标签，进一步分析得到车辆的货物特征权重。
S103根据停靠特征权重以及货物特征权重计算车辆的加权平均权重。
在一种可能的实现方式中，将两种待推荐车辆的权重归一化，并加权求和，生成最终的权重计算结果：
w＝a·we′+b·W′c
其中，w表示车辆的加权平均权重，we′表示归一化后的停靠特征权重，wc′表示归一化后的货物特征权重，a,b分别表示预设的权重系数。本申请实施例对权重系数a、b的取值不做具体限定，可根据实际情况自行设定。例如，某待推荐企业想找运输货物一致的车辆，可将货物特征权重的系数设定的高一些，或者想找运输线路一致的车辆，可将停靠特征权重的系数设定的高一些。
通过将两种权重进行加权平均，可以得到更加准确的车辆权重，提高推荐的准确率。
S104根据车辆的加权平均权重的大小进行从高到低排序，将排在前面的预设数量个车辆推荐给企业。
在一种可能的实现方式中，得到车辆的加权平均权重之后，根据车辆的加权平均权重的大小进行从高到低排序，将排在前面的预设数量个车辆推荐给企业。例如，将排在前面的20％个车辆推荐给企业，或者将排在前面的50％个车辆推荐给企业，本申请实施例不做具体限定，可根据实际需求自行设定。
为了便于理解本申请实施例提供的基于协同过滤的车辆推荐方法，下面结合附图2进行说明。如图2所示，该方法包括如下步骤。
首先，构建企业的电子围栏。首先，获取标签为物流企业、工厂、矿区等与货物运输有关的企业的电子围栏，然后构造向量空间，并获取每个企业的围栏ID、货物类型、围栏形状、所属行政区等信息。
进一步地，统计车辆在所有企业的停靠频数，根据车辆预设时间段内的企业停靠频数构建车辆的停靠特征向量。根据车辆的停靠特征向量计算车辆之间的相似度，得到第一相似度矩阵。根据待推荐企业对车辆的使用频次与待推荐企业历史用车的总使用频次的比值得到待推荐企业历史用车向量；根据第一相似度矩阵与待推荐企业曾历史用车向量计算车辆的停靠特征权重。
进一步地，根据车辆预设时间段内的企业停靠频数以及停靠企业对应的货物标签得到车辆的货物标签权重，根据货物标签权重构建车辆的货物特征向量；根据车辆的货物特征向量计算车辆之间的相似度，得到第二相似度矩阵；根据待推荐企业对车辆的货物标签权重与待推荐企业历史用车的总货物标签权重的比值得到待推荐企业历史货物向量；根据第二相似度矩阵与待推荐企业历史货物向量计算车辆的货物特征权重。
根据停靠特征权重以及货物特征权重计算车辆的加权平均权重，根据加权平均权重对车辆进行组合推荐。将加权平均权重较高的预设数量个车辆推荐给企业。
根据本申请实施例提供的基于协同过滤的车辆推荐方法，将企业找车问题转化为车辆推荐问题，根据车辆的历史轨迹数据与企业的围栏数据的空间关联，得到车辆的企业停靠特征权重，并根据停靠企业对应的货物特征，得到车辆的货物特征权重，根据车辆的停靠特征权重以及货物特征权重进行组合推荐，同时考虑了待推荐车辆与企业的空间关联以及货物关联，大大提高了推荐的成功率。
本申请实施例还提供一种基于协同过滤的车辆推荐装置，该装置用于执行上述实施例的基于协同过滤的车辆推荐方法，如图5所示，该装置包括：
停靠权重计算模块501，用于根据车辆的企业停靠数据以及待推荐企业的历史用车数据，得到车辆的停靠特征权重；
货物权重计算模块502，用于根据车辆停靠的企业对应的货物数据以及待推荐企业的历史用车数据，得到车辆的货物特征权重；
加权平均模块503，用于根据停靠特征权重以及货物特征权重计算车辆的加权平均权重；
组合推荐模块504，用于根据车辆的加权平均权重的大小进行从高到低排序，将排在前面的预设数量个车辆推荐给企业。
需要说明的是，上述实施例提供的基于协同过滤的车辆推荐装置在执行基于协同过滤的车辆推荐方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的基于协同过滤的车辆推荐装置与基于协同过滤的车辆推荐方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。
本申请实施例还提供一种与前述实施例所提供的基于协同过滤的车辆推荐方法对应的电子设备，以执行上述基于协同过滤的车辆推荐方法。
请参考图6，其示出了本申请的一些实施例所提供的一种电子设备的示意图。如图6所示，电子设备包括：处理器600，存储器601，总线602和通信接口603，处理器600、通信接口603和存储器601通过总线602连接；存储器601中存储有可在处理器600上运行的计算机程序，处理器600运行计算机程序时执行本申请前述任一实施例所提供的基于协同过滤的车辆推荐方法。
其中，存储器601可能包含高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口603(可以是有线或者无线)实现该***网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
总线602可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。其中，存储器601用于存储程序，处理器600在接收到执行指令后，执行程序，前述本申请实施例任一实施方式揭示的基于协同过滤的车辆推荐方法可以应用于处理器600中，或者由处理器600实现。
处理器600可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器600中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器600可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器601，处理器600读取存储器601中的信息，结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的基于协同过滤的车辆推荐方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
本申请实施例还提供一种与前述实施例所提供的基于协同过滤的车辆推荐方法对应的计算机可读存储介质，请参考图7，其示出的计算机可读存储介质为光盘700，其上存储有计算机程序(即程序产品)，计算机程序在被处理器运行时，会执行前述任意实施例所提供的基于协同过滤的车辆推荐方法。
需要说明的是，计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的基于协同过滤的车辆推荐方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于协同过滤的车辆推荐方法，其特征在于，包括：
根据车辆的企业停靠数据以及待推荐企业的历史用车数据，得到车辆的停靠特征权重；
根据车辆停靠的企业对应的货物数据以及待推荐企业的历史用车数据，得到车辆的货物特征权重；
根据所述停靠特征权重以及货物特征权重计算车辆的加权平均权重；
根据车辆的加权平均权重的大小进行从高到低排序，将排在前面的预设数量个车辆推荐给企业。
2.根据权利要求1所述的方法，其特征在于，根据车辆的企业停靠数据以及待推荐企业的历史用车数据，得到车辆的停靠特征权重，包括：
根据车辆预设时间段内的企业停靠频数构建车辆的停靠特征向量；
根据车辆的停靠特征向量计算车辆之间的相似度，得到第一相似度矩阵；
根据待推荐企业对车辆的使用频次与待推荐企业历史用车的总使用频次的比值得到待推荐企业历史用车向量；
根据所述第一相似度矩阵与所述待推荐企业历史用车向量计算所述车辆的停靠特征权重。
3.根据权利要求2所述的方法，其特征在于，根据车辆的停靠特征向量计算车辆之间的相似度，得到第一相似度矩阵，包括：
获取待推荐企业的位置信息以及用车时间信息；
根据所述位置信息以及用车时间信息筛选出待推荐车辆；
根据车辆的停靠特征向量计算待推荐车辆与任意车辆之间的相似度，得到第一相似度矩阵。
4.根据权利要求1所述的方法，其特征在于，根据车辆停靠的企业对应的货物数据以及待推荐企业的历史用车数据，得到车辆的货物特征权重，包括：
根据车辆预设时间段内的企业停靠频数以及停靠企业对应的货物标签得到车辆的货物标签权重，根据所述货物标签权重构建车辆的货物特征向量；
根据车辆的货物特征向量计算车辆之间的相似度，得到第二相似度矩阵；
根据待推荐企业对车辆的货物标签权重与待推荐企业历史用车的总货物标签权重的比值得到待推荐企业历史货物向量；
根据所述第二相似度矩阵与所述待推荐企业历史货物向量计算所述车辆的货物特征权重。
5.根据权利要求4所述的方法，其特征在于，根据车辆预设时间段内的企业停靠频数以及停靠企业对应的货物标签得到车辆的货物标签权重，根据所述货物标签权重构建车辆的货物特征向量，包括：
根据如下公式计算车辆的货物标签权重：
Figure FDA0003428742760000021
其中，tj表示货物标签j的权重，mi表示企业i对应的货物标签类别数，pi表示车辆在企业i中的停靠频数，wij表示企业i中货物标签j的权重，n表示企业数量；
根据每个货物标签的权重构建车辆的货物特征向量：
Figure FDA0003428742760000022
其中，vi＝[t1 …… tz]；z表示货物标签类别数。
6.根据权利要求4所述的方法，其特征在于，根据车辆的货物特征向量计算车辆之间的相似度，得到第二相似度矩阵，包括：
获取待推荐企业的位置信息以及用车时间信息；
根据所述位置信息以及用车时间信息筛选出待推荐车辆；
根据车辆的货物特征向量计算待推荐车辆与任意车辆之间的相似度，得到第二相似度矩阵。
7.根据权利要求1所述的方法，其特征在于，根据所述停靠特征权重以及货物特征权重计算车辆的加权平均权重，包括：
根据如下公式计算车辆的加权平均权重：
w＝a·w′e+b·w′c
其中，w表示车辆的加权平均权重，w′e表示归一化后的停靠特征权重，w′c表示归一化后的货物特征权重，a,b分别表示预设的权重系数。
8.一种基于协同过滤的车辆推荐装置，其特征在于，包括：
停靠权重计算模块，用于根据车辆的企业停靠数据以及待推荐企业的历史用车数据，得到车辆的停靠特征权重；
货物权重计算模块，用于根据车辆停靠的企业对应的货物数据以及待推荐企业的历史用车数据，得到车辆的货物特征权重；
加权平均模块，用于根据所述停靠特征权重以及货物特征权重计算车辆的加权平均权重；
组合推荐模块，用于根据车辆的加权平均权重的大小进行从高到低排序，将排在前面的预设数量个车辆推荐给企业。
9.一种基于协同过滤的车辆推荐设备，其特征在于，包括处理器和存储有程序指令的存储器，所述处理器被配置为在执行所述程序指令时，执行如权利要求1至7任一项所述的基于协同过滤的车辆推荐方法。
10.一种计算机可读介质，其特征在于，其上存储有计算机可读指令，所述计算机可读指令被处理器执行以实现如权利要求1至7任一项所述的一种基于协同过滤的车辆推荐方法。
CN202111589891.5A 2021-12-23 2021-12-23 基于协同过滤的车辆推荐方法、装置、设备及存储介质 Pending CN114564655A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111589891.5A CN114564655A (zh) 2021-12-23 2021-12-23 基于协同过滤的车辆推荐方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111589891.5A CN114564655A (zh) 2021-12-23 2021-12-23 基于协同过滤的车辆推荐方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN114564655A true CN114564655A (zh) 2022-05-31

Family

ID=81712688

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111589891.5A Pending CN114564655A (zh) 2021-12-23 2021-12-23 基于协同过滤的车辆推荐方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114564655A (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090204600A1 (en) * 2008-02-13 2009-08-13 Toyota Motor Engineering & Manufacturing North America, Inc. Mobile recommendation and reservation system
CN101697219A (zh) * 2009-10-30 2010-04-21 武汉翼彩科技有限公司 一种gps监控第三方物流车辆的方法
US20180276734A1 (en) * 2016-07-12 2018-09-27 Tencent Technology (Shenzhen) Company Limited Information push method and apparatus, server, and storage medium
KR102081555B1 (ko) * 2019-12-04 2020-02-25 최현빈 화물배차서비스장치 및 그 장치의 구동방법
CN112284407A (zh) * 2020-12-30 2021-01-29 智道网联科技(北京)有限公司 一种行车信息推荐方法及装置
CN112612975A (zh) * 2020-12-30 2021-04-06 北京优挂信息科技有限公司 车辆常运货物类型的识别方法、装置、设备及存储介质
CN112700201A (zh) * 2021-01-12 2021-04-23 上海斑马来拉物流科技有限公司 货源推荐方法、电子设备和存储介质
WO2021136324A1 (zh) * 2019-12-31 2021-07-08 北京骑胜科技有限公司 一种共享车辆的信息推送方法和***
US11062602B1 (en) * 2020-05-01 2021-07-13 Here Global B.V. Method and apparatus for recommending temporary parking
CN113268678A (zh) * 2021-04-07 2021-08-17 北京中交兴路信息科技有限公司 一种车辆停靠点的语义挖掘方法、装置、存储介质及终端
CN113450169A (zh) * 2020-03-27 2021-09-28 杭州大搜车汽车服务有限公司 车辆推荐信息的处理方法、***、计算机设备和存储介质
CN113626656A (zh) * 2021-08-09 2021-11-09 北京中交兴路信息科技有限公司 识别企业和车辆关系类型的方法、装置、设备及存储介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090204600A1 (en) * 2008-02-13 2009-08-13 Toyota Motor Engineering & Manufacturing North America, Inc. Mobile recommendation and reservation system
CN101697219A (zh) * 2009-10-30 2010-04-21 武汉翼彩科技有限公司 一种gps监控第三方物流车辆的方法
US20180276734A1 (en) * 2016-07-12 2018-09-27 Tencent Technology (Shenzhen) Company Limited Information push method and apparatus, server, and storage medium
KR102081555B1 (ko) * 2019-12-04 2020-02-25 최현빈 화물배차서비스장치 및 그 장치의 구동방법
WO2021136324A1 (zh) * 2019-12-31 2021-07-08 北京骑胜科技有限公司 一种共享车辆的信息推送方法和***
CN113450169A (zh) * 2020-03-27 2021-09-28 杭州大搜车汽车服务有限公司 车辆推荐信息的处理方法、***、计算机设备和存储介质
US11062602B1 (en) * 2020-05-01 2021-07-13 Here Global B.V. Method and apparatus for recommending temporary parking
CN112284407A (zh) * 2020-12-30 2021-01-29 智道网联科技(北京)有限公司 一种行车信息推荐方法及装置
CN112612975A (zh) * 2020-12-30 2021-04-06 北京优挂信息科技有限公司 车辆常运货物类型的识别方法、装置、设备及存储介质
CN112700201A (zh) * 2021-01-12 2021-04-23 上海斑马来拉物流科技有限公司 货源推荐方法、电子设备和存储介质
CN113268678A (zh) * 2021-04-07 2021-08-17 北京中交兴路信息科技有限公司 一种车辆停靠点的语义挖掘方法、装置、存储介质及终端
CN113626656A (zh) * 2021-08-09 2021-11-09 北京中交兴路信息科技有限公司 识别企业和车辆关系类型的方法、装置、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
施楚炜 等: "物联网在散货物流中的应用研究", 《商场现代化》, no. 31, 1 November 2011 (2011-11-01), pages 54 - 55 *
雷曼 等: "基于标签权重的协同过滤推荐算法", 《计算机应用》, vol. 39, no. 03, 10 March 2019 (2019-03-10), pages 634 - 638 *

Similar Documents

Publication Publication Date Title
Chu Automobile ownership analysis using ordered probit models
CN102542395B (zh) 一种应急物资调度***及计算方法
Holguín-Veras et al. Commercial vehicle empty trip models with variable zero order empty trip probabilities
CN112862184A (zh) 运输信息预测方法、装置、电子设备及可读存储介质
WO2020032815A1 (ru) Способ автоматического формирования мультимодальных сервисов грузоперевозок
Rudolph et al. Localization of relevant urban micro-consolidation centers for last-mile cargo bike delivery based on real demand data and city characteristics
Jiang et al. A scheme for determining vehicle routes based on Arc-based service network design
Ahmed et al. Modeling freight vehicle type choice using machine learning and discrete choice methods
CN114169588A (zh) 一种交通运力的预测方法、装置、设备及存储介质
CN113139765A (zh) 基于时态网络的物流推荐方法、装置及计算设备
CN112669053A (zh) 基于销售数据的欺诈群体识别方法、装置、设备及介质
CN112364262A (zh) 一种找货路线推荐方法、装置、电子设备及存储介质
CN114564655A (zh) 基于协同过滤的车辆推荐方法、装置、设备及存储介质
CN115587779A (zh) 一种基于时空动态信息的货物运输价格容错估算方法
Bhero et al. Impact of a radio-frequency identification system and information interchange on clearance processes for cargo at border posts
CN116415747A (zh) 拼车路线确定方法、装置和电子设备
CN116629735A (zh) 物流配送方法、物流配送装置和电子设备
CN112686444B (zh) 基于相似车辆行驶特征数据的货车路线规划方法及装置
CN114821843A (zh) 一种etc业务推荐方法和***
CN114461933B (zh) 基于周边搜索的车辆推荐方法、装置、设备及存储介质
KR102680282B1 (ko) 운송 입찰 플랫폼 서비스 제공 시스템
CN111932035B (zh) 基于多模型的数据处理方法、装置及分类建模的方法
Zhang Optimization of freight truck driver scheduling based on operation cost model for Less-Than-Truckload (LTL) transportation
CN110796417B (zh) 一种货源价值确定方法、装置、设备和存储介质
US10775182B2 (en) Methods and apparatus for load and route assignments in a delivery system

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