【技术实现步骤摘要】
本专利技术涉及计算机，尤其涉及一种基于货源推荐策略司机精准找货的方法。
技术介绍
1、在当今物流行业，司机寻找合适货源的效率和准确性对于提高整体运输效益至关重要。在现有的货源匹配问题中，存在一些不足之处：
2、1、单一因素匹配的局限性：许多传统的货源匹配方法主要关注车型车长等少数几个因素，忽略了其他可能对匹配影响较大的因素。这导致了匹配过程的单一性和局限性，难以准确反映实际运输需求的多样性。
3、2、缺乏个性化调整：传统方法往往采用固定的权重和相似度计算方式，无法根据具体应用场景和用户需求进行个性化调整。不同行业、地域或特定用户可能对不同因素的重要性有所不同，但传统方法难以灵活应对这种个性化需求。
4、3、匹配精度不高：由于缺乏对多个因素的综合考虑，传统方法可能导致匹配精度不高，容易出现误匹配或漏匹配的情况。这可能导致运输过程中的效率降低、成本增加等问题。
5、4、未充分考虑运输历史信息：有些传统方法可能没有充分考虑司机的运输历史信息，例如事故时间等。这方面的信息可以为匹配提供更多的参考，提高匹配的精度和可靠性。
6、在当前背景下，物流行业对货源匹配的要求越来越高，需要更智能、更综合考虑多个因素的匹配方法来提高效率和降低成本。
技术实现思路
1、本专利技术的目的是为了解决现有技术中存在的缺点，而提出的一种基于货源推荐策略司机精准找货的方法。
2、为实现上述目的，本专利技术采用了如下技术方案：一种基于货源推荐策略
3、s1、获取货源数据，建立货物信息库；
4、所述货源数据为货源的描述文本，包括：货源所需车型车长的描述、起始地点、目的地点、货物类型、货源的紧急程度；
5、所述起始地点和所述目的地点均为起始地和目的地的精确经纬度地址；
6、所述货源的紧急程度包括紧急程度高、紧急程度中、紧急程度低；
7、通过与货物供应链平台或相关数据提供商建立api连接，获取实时更新的货源数据；使司机能够获取最新的货源信息，提高匹配效率
8、若无api接口，则通过网络爬虫技术，从货物供应链平台或相关数据提供商抓取所述货源数据。
9、s2、获取司机数据，建立司机信息库；
10、所述司机数据包括：司机的描述文本、司机的位置信息、运输经验、最近一次事故时间；
11、所述司机的描述文本为司机提供的车型车长描述；
12、所述位置信息为司机当前位置的经纬度信息，通过司机手机或车载实时定位设备获取。
13、s3、定义货源推荐策略；
14、所述货源推荐策略通过使用tf-idf和余弦相似度，来计算所述司机数据与所述货源数据之间的相似度，并根据相似度得分进行排序；具体包括以下子步骤：
15、s31、数据预处理；
16、将司机的描述文本和货源的描述文本，进行分词，并去除停用词；
17、具体包括以下子步骤：
18、s311、创建停用词列表；
19、从事先准备好的停用词文件中读取停用词，并返回一个停用词列表，这个列表在后续的分词中将被用来过滤掉这些停用词；
20、停用词为常见的但通常对文本分析无用的词；
21、s312、进行中文分词，并删除停用词；
22、使用jieba库对输入的中文句子进行分词，并在分词的过程中调用停用词列表，过滤掉停用词；分词结果以空格分隔，最后返回处理后的字符串；
23、jieba是一个开源的中文分词工具，用于将中文文本切分成词语或词汇单位，广泛用于自然语言处理（nlp）和文本分析领域。
24、s32、构建所述司机数据与所述货源数据的特征矩阵；
25、使用tf-idf向量化器，将预处理后的司机的描述文本与货源的描述的文本转化为数值特征；
26、具体包括以下子步骤：
27、s321、初始化tf-idf向量化器；
28、创建了一个tf-idf向量化器对象，将文本数据转化为tf-idf特征；
29、s322、构建司机特征矩阵；
30、使用fit_transform方法将司机的描述文本转化为tf-idf特征矩阵，构建司机特征矩阵；
31、fit_transform方法用于学习词汇表并将文本数据转化为特征矩阵；
32、s323、构建货源特征矩阵；
33、使用transform方法将货源的描述文本转化为tf-idf特征矩阵，构建货源特征矩阵。
34、s33、计算车型车长描述的相似度得分；
35、具体的，通过使用余弦相似度，来比较司机特征矩阵和货源特征矩阵之间的相似度。
36、s34、计算运输经验的相似度得分；
37、首先，创建一个包含三个元素的 numpy 数组，表示参考的经验值；
38、然后，计算司机经验值与参考经验值之间的差异；
39、再计算所述差异的绝对值，确保相似性的度量是基于经验差异的大小而不是方向；
40、最后，将每个差异的绝对值转化为相似性度量；
41、使用这种转换，较小的经验差异将有较大的相似性值，而较大的经验差异将趋向于零。
42、s35、计算事故时间的相似度得分；
43、首先，创建一个包含三个元素的数组，表示参考事故时间；
44、然后，计算司机最近事故时间与参考事故时间之间的差异；
45、再计算这些差异的绝对值，确保相似性的度量是基于时间差异的大小而不是方向；
46、最后，将每个差异的绝对值转化为相似性度量；
47、使用这种转换，较小的时间差异将有较大的相似性值，而较大的时间差异将趋向于零。
48、s36、计算综合相似度得分；
49、将车型车长描述的相似度、运输经验的相似度和事故时间的相似度加权求和，得到一个综合的相似度得分；
50、其中，车型车长描述的相似度占总相似度的60%，经验相似度占20%，事故时间相似度也占20%；进一步地，可以根据具体情况调整各相似度的重要性，从而综合考虑多个因素的相似性得分。
51、s37、根据综合相似度得分进行排序；
52、将计算的综合相似度得分从高到低排序，呈现排序后的结果。
53、s4、筛选并根据综合相似度得分选择推荐的货源；
54、通过geohash算法，计算货源的起始地点和司机的位置信息之间的距离，筛选并呈现指定范围内的货源数据即综合相似度得分；
55、所述指定范围为司机自行设定的，与自己位置相距的最大距离。
56、与现有技术相比，本专利技术的有益效果为：将车型车长描述、运输经验和事故时间等因素结合起来，通过加权求和得到综合相似度得分，是一种更综合考虑多个因素的匹配本文档来自技高网...
【技术保护点】
1.一种基于货源推荐策略司机精准找货的方法，其特征在于：包括以下步骤：
2.如权利要求1所述的基于货源推荐策略司机精准找货的方法，其特征在于：步骤S1中，通过与货物供应链平台或相关数据提供商建立API连接，获取实时更新的货源数据；使司机能够获取最新的货源信息，提高匹配效率；若无API接口，则通过网络爬虫技术，从货物供应链平台或相关数据提供商抓取所述货源数据；。
3.如权利要求2所述的基于货源推荐策略司机精准找货的方法，其特征在于：步骤S3具体包括以下子步骤：
4.如权利要求3所述的基于货源推荐策略司机精准找货的方法，其特征在于：步骤S31具体包括以下子步骤：
5.如权利要求4所述的基于货源推荐策略司机精准找货的方法，其特征在于：步骤S32具体包括以下子步骤：
6.如权利要求5所述的基于货源推荐策略司机精准找货的方法，其特征在于：步骤S34中，首先，创建一个包含三个元素的 NumPy 数组，表示参考的经验值；然后计算司机经验值与参考经验值之间的差异，再计算所述差异的绝对值，最后将每个差异的绝对值转化为相似性度量。
<...【技术特征摘要】
1.一种基于货源推荐策略司机精准找货的方法，其特征在于：包括以下步骤：
2.如权利要求1所述的基于货源推荐策略司机精准找货的方法，其特征在于：步骤s1中，通过与货物供应链平台或相关数据提供商建立api连接，获取实时更新的货源数据；使司机能够获取最新的货源信息，提高匹配效率；若无api接口，则通过网络爬虫技术，从货物供应链平台或相关数据提供商抓取所述货源数据；。
3.如权利要求2所述的基于货源推荐策略司机精准找货的方法，其特征在于：步骤s3具体包括以下子步骤：
4.如权利要求3所述的基于货源推荐策略司机精准找货的方法，其特征在于：步骤s31具体包括以下子步骤：
5.如权利要求4所述的基于货源推荐策略司机精准找货的方法，其特征在于：步骤s32...
【专利技术属性】
技术研发人员：高建，
申请(专利权)人：鱼快创领智能科技南京有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。