一种基于遗传算法的物流平台信息推送方法及系统技术方案

本发明专利技术公开了一种基于遗传算法的物流平台信息推送方法及系统，所述方法包括：向物流平台输入信息；物流平台接受输入的信息并进行验证，以确保输入信息准确无误；将输入信息进行处理，进行数据清洗后将信息拆分为离散特征与连续特征并分别编码，对于离散特征使用embedding网络映射为特征向量，对于连续特征将其归一化为0

【技术实现步骤摘要】
一种基于遗传算法的物流平台信息推送方法及系统


[0001]本专利技术属于信息推送
，尤其涉及一种基于遗传算法的物流平台信息推送方法及系统。

技术介绍

[0002]近年来，随着互联网的发展和电商行业的崛起，物流行业成为了一个非常重要的领域。不同于传统物流行业开展业务的区域限制，现代物流行业实现了更快捷、多元需求化发展。
[0003]现有的物流信息推送方法主要基于规则和经验，而在物流过程中存在多方需求的矛盾，如物流公司期望更小的物流成本和更大的订单收益，货车租赁公司希望最大化使用率，而司机希望最大化收益，这导致传统的推送方法难以满足不同需求方的需求，撮合效率往往不够理想。同时，不同的个体挑选物流订单的偏好也不尽相同，在需要同时服务多个需求方时，个性化推荐的需求愈专利技术显。基于深度学习的物流信息推送算法是一种满足个性化推荐的方法，但它无法在物流配送领域保证满足运输条件的限制。

技术实现思路

[0004]有鉴于此，本专利技术提供一种基于遗传算法的物流平台信息推送方法及系统，目的在于(1)提供能同时符合多个不同需求方的个性本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于遗传算法的物流平台信息推送方法，其特征在于，包括以下步骤：S1：向物流平台输入信息，包括物流订单信息、运输车辆信息和司机信息中的一项或多项；S2：物流平台接受输入的信息并进行验证；S3：将输入信息进行处理，进行数据清洗后将信息拆分为离散特征与连续特征并分别编码;对于离散特征使用embedding网络映射为特征向量，对于连续特征将其归一化为0
‑
1之间的值，再进行分桶编码；S4：建立遗传算法动态推荐模型，该模型包含两个步骤，粗排步骤和精排步骤；S41：所述粗排步骤运用遗传算法对编码后的信息进行运算，针对不同需求方分别建立目标规划模型，求出多个局部最优解作为候选解集；在遗传算法动态推荐模型中，通过设定新频率，对物资信息、运输车辆信息和司机信息进行实时更新；S42：所述精排步骤使用历史订单信息、用户偏好信息以及实时位置信息;再基于遗传信息优化的点击率预估模型GICM对候选解集进行评分，以进行精准的个性化推送；S5：根据遗传算法动态推荐模型的结果作为待推送的物流配对信息；物流配对信息是一系列的物资、运输车辆和司机的组合方案。2.根据权利要求1所述的基于遗传算法的物流平台信息推送方法，其特征在于，首先建立数据表示，包括：所述物流订单为：表示当前需要配送的第件物流订单；共有件物流订单需要处理，每个订单有收益和对应的运输需求，所述运输需求包括货物类型、体积、重量、始发地、目的地、截止时间、金额信息；所述运输车辆为：表示可供使用的车次中的第辆车；共有辆运输车辆供运输，每辆运输车辆有运输能力为、租赁费用、保险费用、起始位置、终止位置；司机为：表示当前可供雇佣的第名司机。3.根据权利要求2所述的基于遗传算法的物流平台信息推送方法，其特征在于，所述步骤S3中，包括：S31：进行数据清洗，包括缺失值、异常值、重复值处理，且均采用插值法填充，公式如下：；其中为线性插值法，为待处理数据；S32：进行离散特征embedding映射；首先对离散特征按序排列，再使用embedding网络进行映射；设一个离散特征为，它有个取值，则先将映射为1到V中的某一整数，每个取值对应的embedding向量为，则embedding网络使用下列公式将转换为相应的特征向量：
；其中，是一个维度为的矩阵，是嵌入维度；S33：对连续特征归一化处理后，再进行连续特征离散化处理；记为某一连续特征，对其采用最大最小归一化，公式如下：；其中，表示对归一化处理后的结果，表示所有样本的的最小值，表示所有样本的的最大值；所述连续特征离散化是指将连续特征映射为与离散特征相同的embedding向量；首先，将连续特征划分进相应的桶中；设置桶的个数为，则映射公式为：；其中，表示离散化处理，为向下取整函数；S34：对离散数值使用与S12一致的embedding方法，将之映射为向量：；所述embedding特征向量仅在神经网络模型中使用。4.根据权利要求3所述的基于遗传算法的物流平台信息推送方法，其特征在于，在步骤S41中，所述粗排步骤为三个需求方分别计算初步的待推送的候选解集，其计算方法包括以下步骤：S411：构建种群规模为的初始群体，个体由物流订单、运输车辆、司机中的任意一种组合所确定，该组合是为推送给用户的一条物流配对信息，个体的集合为X；种群可表示为：；；其中表示样本的特征维度，表示第个特征，为第个决策变量，表示个体编号；每个决策变量满足：；初始化种群时，基于贪心算法求得满足约束条件的初始解，并随机生成的初始解，以加快收敛速度；对于每个决策变量，在其取值范围中等距地取出k个值，然后分别计算该决策变量在这
些取值时的适应度分数，选择分数最大的取值作为该维度的初始值，则对于个体，有：；；；需要定义S412：为物流订单，运输车辆和司机建立多目标规划模型；S413：对每个个体执行适应度值选择算子，记为个体的适应度分数，则选择算子由如下公式计算：；S414：确定交叉规则和变异规则，采用单亲遗传的交叉规则与精英保留的变异手段；S415：确定迭代终止条件，开始迭代；在每轮迭代中记录精英染色体，最终得到精英染色体合集，选取一部分作为候选解集。5.根据权利要求4所述的基于遗传算法的物流平台信息推送方法，其特征在于，所述S412步骤中，为物流订单建立的目标规划模型如下：；；；；其中，表示订单是否分配到运输车辆进行运输，表示运输车辆从起点到订单的起点，再从订单的终点到运输车辆的终点所需的时间；每个
订单必须分配到且只能分配到一个运输车辆进行运输；每个运输车辆运输的订单总需求不能超过运输车辆的运输能力；为遗传算法求解该模型时...

【专利技术属性】
技术研发人员：郭铖，
申请(专利权)人：长沙争渡网络科技有限公司，
类型：发明
国别省市：