货运价格确定方法及装置制造方法及图纸

本发明专利技术公开了货运价格确定方法及装置，可用于人工智能技术领域，方法包括：获取货运交易数据，货运交易数据包括：里程数、业务类型、交易时间、交易时长、发布交易方式、装卸次数及车辆信息其中之一或任意组合；将货运交易数据输入至训练好的货运价格分析模型，得到货运交易数据对应的货运价格。本发明专利技术通过训练好的货运价格分析模型确定货运价格，货运价格分析模型具备强大的非线性映射能力，提高了货运价格确定的准确性，使平台在承担较低承运成本的同时，快速成交，提高了货运交易效率。提高了货运交易效率。提高了货运交易效率。

【技术实现步骤摘要】
货运价格确定方法及装置


[0001]本专利技术涉及人工智能
，尤其涉及货运价格确定方法及装置。

技术介绍

[0002]无车承运人平台不仅有效提升了社会物流综合效益，促进了社会分工协作，还将推动物流业朝着“智能化、服务化、协同化”方向发展。
[0003]目前无车承运人平台的货运价格预测方法包括依赖人工经验的定性预测法与时间序列预测法，效果欠佳。
[0004]综上，目前亟需一种货运价格确定方法，用于解决上述现有技术存在的问题。

技术实现思路

[0005]本专利技术实施例提供一种货运价格确定方法，用以提高货运价格的准确性，该方法包括：
[0006]获取货运交易数据；所述货运交易数据包括：里程数、业务类型、交易时间、交易时长、发布交易方式、装卸次数及车辆信息其中之一或任意组合；所述交易时长为从发布交易到交易结束所用时间；
[0007]将所述货运交易数据输入至训练好的货运价格分析模型，得到所述货运交易数据对应的货运价格；
[0008]其中，所述训练好的货运价格分析模型为利用历史货运交易数据及对应的历史货运价格对机器学习模型进行训练后得到。
[0009]本专利技术实施例还提供一种货运价格确定装置，用以提高货运价格的准确性，该装置包括：
[0010]获取模块，用于获取货运交易数据；所述货运交易数据包括：里程数、业务类型、交易时间、交易时长、发布交易方式、装卸次数及车辆信息其中之一或任意组合；所述交易时长为从发布交易到交易结束所用时间；
[0011]处理模块，用于将所述货运交易数据输入至训练好的货运价格分析模型，得到所述货运交易数据对应的货运价格；其中，所述训练好的货运价格分析模型为利用历史货运交易数据及对应的历史货运价格对机器学习模型进行训练后得到。
[0012]本专利技术实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述货运价格确定方法。
[0013]本专利技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述货运价格确定方法。
[0014]本专利技术实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述货运价格确定方法。
[0015]本专利技术实施例中，获取货运交易数据，货运交易数据包括：里程数、业务类型、交易
时间、交易时长、发布交易方式、装卸次数及车辆信息其中之一或任意组合；将货运交易数据输入至训练好的货运价格分析模型，得到货运交易数据对应的货运价格，与现有技术相比，通过训练好的货运价格分析模型确定货运价格，货运价格分析模型具备强大的非线性映射能力，提高了货运价格确定的准确性，使平台在承担较低承运成本的同时，快速成交，提高了货运交易效率。
附图说明
[0016]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
[0017]图1为本专利技术提供的货运价格确定方法的流程示意图；
[0018]图2为本专利技术提供的货运价格确定方法的流程示意图；
[0019]图3为本专利技术提供的货运价格确定方法的流程示意图；
[0020]图4为本专利技术提供的货运价格确定方法的流程示意图；
[0021]图5为本专利技术提供的货运价格确定装置的结构示意图。
具体实施方式
[0022]为使本专利技术实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本专利技术实施例做进一步详细说明。在此，本专利技术的示意性实施例及其说明用于解释本专利技术，但并不作为对本专利技术的限定。
[0023]图1为本专利技术实施例提供的一种货运价格确定方法所对应的流程示意图，如图1所示，该方法包括：
[0024]步骤101，获取货运交易数据。
[0025]需要说明的是，货运交易数据包括：里程数、业务类型、交易时间、交易时长、发布交易方式、装卸次数及车辆信息其中之一或任意组合；交易时长为从发布交易到交易结束所用时间。
[0026]举例来说，业务类型可以为重货、速运(普通快递)等；车辆信息包括车辆长度、车辆吨位、车辆类型等；发布交易方式可以为发布平台抢单交易、定向指派等。
[0027]步骤102，将货运交易数据输入至训练好的货运价格分析模型，得到货运交易数据对应的货运价格。
[0028]需要说明的是，训练好的货运价格分析模型为利用历史货运交易数据及对应的历史货运价格对机器学习模型进行训练后得到。
[0029]上述方案，通过训练好的货运价格分析模型确定货运价格，货运价格分析模型具备强大的非线性映射能力，提高了货运价格确定的准确性，使平台在承担较低承运成本的同时，快速成交，提高了货运交易效率。
[0030]本专利技术实施例在将货运交易数据输入至训练好的货运价格分析模型，得到货运交易数据对应的货运价格之前，步骤流程如图2所示，具体如下：
[0031]步骤201，将历史货运交易数据及对应的历史货运价格作为样本数据，构建训练集
和测试集。
[0032]在一种可能的实施方式中，通过控制变量法定性分析影响历史货运价格的因素，将历史货运交易数据中对历史货运价格影响较小的因素删除后构建训练集和测试集。
[0033]步骤202，利用训练集对机器学习模型进行训练，得到训练好的货运价格分析模型。
[0034]在一种可能的实施方式中，采用反向传播算法对机器学习模型进行训练。
[0035]需要说明的是，反向传播算法通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。
[0036]还可以采用线性回归算法、逻辑回归算法、支持向量机算法等，本专利技术实施例对此不做具体限定。
[0037]本专利技术实施例中，采用反向传播算法使得货运价格分析模型具有较强的非线性映射能力、高度自适应能力、泛化能力及容错能力。
[0038]步骤203，利用测试集对训练好的货运价格分析模型进行测试。
[0039]在一种可能的实施方式中，将历史货运交易数据的70％数据作为训练集，15％数据作为验证集，15％数据作为测试集。
[0040]上述方案，将历史货运交易数据及对应的历史货运价格作为样本数据，构建训练集和测试集，利用训练集对机器学习模型进行训练，提高了货运价格分析模型的有效性及其输出的货运价格的准确性。
[0041]本专利技术实施例在步骤201中构建训练集，步骤流程如图3所示，具体如下：
[0042]步骤301，获取历史货运交易数据。
[0043]需要说明的是，历史货运交易数据包括第一变量集合。
[0044]步骤302，对第一变量集合进行主成分分析，得到第二变本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种货运价格确定方法，其特征在于，包括：获取货运交易数据；所述货运交易数据包括：里程数、业务类型、交易时间、交易时长、发布交易方式、装卸次数及车辆信息其中之一或任意组合；所述交易时长为从发布交易到交易结束所用时间；将所述货运交易数据输入至训练好的货运价格分析模型，得到所述货运交易数据对应的货运价格；其中，所述训练好的货运价格分析模型为利用历史货运交易数据及对应的历史货运价格对机器学习模型进行训练后得到。2.如权利要求1所述的货运价格确定方法，其特征在于，在将所述货运交易数据输入至训练好的货运价格分析模型，得到所述货运交易数据对应的货运价格之前，还包括：将历史货运交易数据及对应的历史货运价格作为样本数据，构建训练集和测试集；利用训练集对机器学习模型进行训练，得到所述训练好的货运价格分析模型；利用测试集对所述训练好的货运价格分析模型进行测试。3.如权利要求2所述的货运价格确定方法，其特征在于，所述构建训练集，包括：获取历史货运交易数据；所述历史货运交易数据包括第一变量集合；对所述第一变量集合进行主成分分析，得到第二变量集合；根据第二变量集合及对应的历史货运价格构建训练集。4.如权利要求2所述的货运价格确定方法，其特征在于，利用训练集对机器学习模型进行训练，包括：采用反向传播算法对机器学习模型进行训练。5.如权利要求3所述的货运价格确定方法，其特征在于，在对所述第一变量集合进行主成分分析之前，还包括：采用控制变量法对所述第一变量集合进行筛选。6.一种货运价格确定装置，其特征在于，包括：获取模块，用于获取货运交易数据；所述货运交易数据包括：里程数、业务类型...

【专利技术属性】
技术研发人员：窦晓媛，孙馨愉，王志彬，李登峰，李奕辰，赵思琦，
申请(专利权)人：中国银行股份有限公司，
类型：发明
国别省市：