基于大数据计算的X-MFRT司机画像模型在物流领域中的应用制造技术

本发明专利技术涉及大数据深度学习及物流运输技术领域，具体涉及一种基于大数据计算的X‑MFRT司机画像模型在物流领域中的应用，本发明专利技术用于物流管理软件使用中，硬件设备采集的数据、大数据模型计算得出的X‑MFRT(这里的X为D‑距离&里程，M为平均执行时长，F为执行频率，R为最近一次执行距今时间，T为时间范围的框定‑如三个月、六个月)多维的用户价值标签、加上用户本身的多种类标签共同构建一个用户画像系统进行应用,同时定义X变量值，不仅可在物流中应用，可根据不同领域的不同属性进行定义。本发明专利技术可根据不同分层和等级的用户，制定不同的策略，解决物流运输企业对企业司机基本情况未知、无法进行决策和判断的问题。

【技术实现步骤摘要】
基于大数据计算的X-MFRT司机画像模型在物流领域中的应用
本专利技术涉及大数据深度学习及物流运输
，具体涉及一种基于大数据计算的X-MFRT司机画像模型在物流领域中的应用。
技术介绍
随着互联网的快速发展，相继出现的大数据、人工智能、深度算法等新兴技术应用使得传统的行业发生翻天覆地的变化。对于物流行业来说，每年会涌入市场大批司机、企业用户，但物流企业未通过某些技术或手段对这些用户进行精细管理和运营，一方面在物流运输的过程中无法得出运行质量好、差等结论，导致无法进行判断，同时也无法沉淀企业自身运力池，另一方面也未在行业形成标准的用户运输画像，信息不对称也给企业带来了不确定性和高额的成本。现在可以通过大数据计算的D-MFRT五维标签模型有效的进行用户价值的判断，利用M(价值)、F(频度)、R(近度)、T(时间范围)以及创新加的X(这里的X为D-距离&里程)四个参数，进行多维模型计算得出用户在平台的价值角色：重要挽留司机、重要保持司机、一般挽留司机、一般保持司机、重要发展司机、重要价值司机、一般发展司机、一般价值司机8类D-M本文档来自技高网...

【技术保护点】
1.一种基于大数据计算的X-MFRT司机画像模型在物流领域中的应用，其特征在于，应用时包括以下步骤：/nS1根据模型X值的定义，采用MFRT模型来辅助衡量用户价值的高低情况；/nS2，分别定义MFRT四个值，并分三个阶段根据不同的值进行模型计算；/nS3根据选定的MFR三类值进行模型计算得出对应三类值的中位数；/nS4在每项值中加入距离的划分，并根据每项值基于模型进行计算，得出三类值的最终中位数值；/nS5筛选多种模型组合形式，在原有的MFRT模型的基础上加入D的参数，选择D-MFRT模型匹配当下物流应用场景；/nS6在实际的物流场景中，根据每月的趋势进行分析，帮助物流企业筛选对应的专车司机进...

【技术特征摘要】
1.一种基于大数据计算的X-MFRT司机画像模型在物流领域中的应用，其特征在于，应用时包括以下步骤：
S1根据模型X值的定义，采用MFRT模型来辅助衡量用户价值的高低情况；
S2，分别定义MFRT四个值，并分三个阶段根据不同的值进行模型计算；
S3根据选定的MFR三类值进行模型计算得出对应三类值的中位数；
S4在每项值中加入距离的划分，并根据每项值基于模型进行计算，得出三类值的最终中位数值；
S5筛选多种模型组合形式，在原有的MFRT模型的基础上加入D的参数，选择D-MFRT模型匹配当下物流应用场景；
S6在实际的物流场景中，根据每月的趋势进行分析，帮助物流企业筛选对应的专车司机进行货物承运。


2.根据权利要求1所述的基于大数据计算的X-MFRT司机画像模型在物流领域中的应用，其特征在于，所述方法进行模型计算，建立判断矩阵，将D距离&里程划分为模型中较高的重要性，将M平均执行时长、F执行订单数重要衡量用户的忠诚度和R对衡量用户的价值划分为低权重，通过T定义用户的时间范围，并将R、T作为参考指标。


3.根据权利要求1所述的基于大数据计算的X-MFRT司机画像模型在物流领域中的应用，其特征在于，所述方法中，进行K-均值聚类算法模型构建，预先判断聚类的类别数，通过单个类别的D-RFM中位值和总D-RFM进行比较，计算得出大于/等于/小于中位值，最终通过算法模型分类定义后划分到对应的不同用户价值群组下。


4.根据权利要求1所述的基于大数据计算的X-MFRT司机画像模型在物流领域中的应用，其特征在于，所述方法中，进行AHP层次模型建立，分类后计算单个用户的价值得分，通过AHP法分析得到D-RFM各指标权重，并结合各类不同的D-RFM指标，进一步得到每个类别客户的价值得分，使企业实现量化用户的价值差别。


5.根据权利要求1所述的基于大数据计算的...

【专利技术属性】
技术研发人员：喻晓芸，
申请(专利权)人：深圳市平行线信息科技有限公司，
类型：发明
国别省市：广东;44