【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及計(jì)算機(jī)，尤其涉及一種基于用戶行為習(xí)慣的貨運(yùn)套箱方法。
技術(shù)介紹
1、目前，傳統(tǒng)的貨運(yùn)套箱方法依賴于各種約束條件，如：節(jié)省里程，空跑里程，裝箱時(shí)間，箱況等等；然而隨著業(yè)務(wù)量的不斷增加和業(yè)務(wù)場(chǎng)景的不斷豐富；使得傳統(tǒng)的套箱方法出現(xiàn)以下技術(shù)難題：
2、1.目前由于業(yè)務(wù)量增加，新的硬性約束不斷出現(xiàn)，短期內(nèi)開(kāi)發(fā)成本較高。
3、2.不通業(yè)務(wù)部門對(duì)于同一個(gè)約束的定義不通，導(dǎo)致功能沖突，傳統(tǒng)套箱方法無(wú)法同時(shí)兼容多個(gè)部門業(yè)務(wù)。
4、3.不同的個(gè)人的行為習(xí)慣不一樣，對(duì)于多個(gè)約束條件的應(yīng)用能力不相同，傳統(tǒng)套箱方法應(yīng)用的好壞重度依賴于個(gè)人能力，以及對(duì)于業(yè)務(wù)的理解。
5、4.同一個(gè)人隨著業(yè)務(wù)能力的深入，傳統(tǒng)套箱方法已經(jīng)不能滿足個(gè)人需求，甚至人為處理套箱，已經(jīng)比傳統(tǒng)的套箱方法更為有效，傳統(tǒng)套箱方法不能節(jié)省人力和費(fèi)用成本。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)的目的是為了解決上述問(wèn)題，而提出的一種基于用戶行為習(xí)慣的貨運(yùn)套箱方法。
2、為實(shí)現(xiàn)上述目的，采用了如下技術(shù)方案：
3、一種基于用戶行為習(xí)慣的貨運(yùn)套箱方法，包括以下步驟：
4、s1：利用傳統(tǒng)套箱方法套成的歷史運(yùn)單數(shù)據(jù)集waybillarray[w1?(i1o1)，?w2(i2o2)?，...，wn(?inon)]，并存入數(shù)據(jù)庫(kù)中，再通過(guò)運(yùn)單異步數(shù)據(jù)同步服務(wù)訪問(wèn)數(shù)據(jù)庫(kù)獲取指定用戶user的歷史運(yùn)單數(shù)據(jù)集；
5、所述運(yùn)單異步數(shù)據(jù)同步服務(wù)為部署在服務(wù)器上的pytho
6、所述數(shù)據(jù)庫(kù)為部署在服務(wù)器上的mysql數(shù)據(jù)庫(kù)；
7、所述waybillarray為歷史運(yùn)單數(shù)據(jù)數(shù)組；
8、其中，所述w1~wn代表不同的運(yùn)單號(hào)，所述i1~?in代表運(yùn)單號(hào)對(duì)應(yīng)的進(jìn)口訂單，o1~on代表運(yùn)單號(hào)對(duì)應(yīng)的出口訂單。
9、s2：使用s1獲取的數(shù)據(jù)，對(duì)waybillarray中運(yùn)單特征進(jìn)行提取并分組，得到相同特征的運(yùn)單數(shù)以及特征值；
10、所述數(shù)據(jù)為歷史運(yùn)單數(shù)據(jù)集；
11、s3：計(jì)算運(yùn)單特征相似度權(quán)重；
12、s4：使用s1獲取的數(shù)據(jù)，對(duì)waybillarray中運(yùn)單中的位置進(jìn)行提取，并對(duì)其中的拆重裝箱位置點(diǎn)進(jìn)行編碼并分組，得到運(yùn)單的經(jīng)緯度編碼ft以及相同編碼的出現(xiàn)次數(shù)q；
13、所述數(shù)據(jù)為歷史運(yùn)單數(shù)據(jù)集；
14、所述編碼采用geohash算法；
15、s5：位置點(diǎn)數(shù)據(jù)變更為位置權(quán)重二維矩陣；
16、s6：重復(fù)步驟s1~s5，記錄并不斷更新特征權(quán)重系數(shù)和位置權(quán)重二維矩陣；
17、s7：將更新的特征權(quán)重系數(shù)和位置權(quán)重二維矩陣從數(shù)據(jù)庫(kù)中導(dǎo)出至特征權(quán)重及位置矩陣模型中。
18、優(yōu)選的，用戶的使用方法包括如下步驟：
19、k1：根據(jù)用戶的用戶名，將對(duì)應(yīng)數(shù)據(jù)從特征權(quán)重及位置矩陣模型中提取并導(dǎo)入數(shù)據(jù)模型；
20、k2：將訂單池中的數(shù)據(jù)提取并導(dǎo)入數(shù)據(jù)模型中；
21、k3：通過(guò)數(shù)據(jù)模型將訂單池中的數(shù)據(jù)與特征權(quán)重及位置矩陣模型中的數(shù)據(jù)進(jìn)行匹配，計(jì)算最優(yōu)的匹配結(jié)果；
22、k4：向用戶反饋?zhàn)顑?yōu)匹配結(jié)果。
23、優(yōu)選的，步驟s2中，通過(guò)特征提取算法和分類算法對(duì)歷史運(yùn)單數(shù)組中的運(yùn)單特征進(jìn)行提取并分組，得到運(yùn)單特征值，相同特征的運(yùn)單分為1組，共可分為m組，分組完畢后對(duì)每一組中的運(yùn)單數(shù)量以及特征值進(jìn)行統(tǒng)計(jì)，并映射在對(duì)應(yīng)的運(yùn)單組內(nèi)，其中所述運(yùn)單數(shù)量分布在[p1，p2，...，pm]區(qū)間內(nèi)，所述運(yùn)單特征值范圍是（x1,，x2，x3…xn）。
24、優(yōu)選的，步驟s3中，計(jì)算運(yùn)單特征相似度的公式為：
25、
26、其中：a為特殊相似度，p為相同特征的運(yùn)單數(shù)，w為某特征權(quán)重系數(shù)，x為特征值。
27、進(jìn)一步的，用于訓(xùn)練模型時(shí)，因歷史已經(jīng)匹配的運(yùn)單默認(rèn)相似度為100%，即a?=?1，代入已知的x，從而計(jì)算出p和w，具體計(jì)算過(guò)程為：
28、
29、而在應(yīng)用過(guò)程中，a為變化值，但p和w變?yōu)橐阎獢?shù)據(jù)，計(jì)算出a的值越接近于100%，說(shuō)明匹配度越高。
30、優(yōu)選的，步驟s4中，對(duì)歷史運(yùn)單數(shù)據(jù)進(jìn)行遍歷，使用geohash.encode函數(shù)將運(yùn)單數(shù)據(jù)中進(jìn)、出口訂單經(jīng)緯度轉(zhuǎn)換為geohash編碼，基于geohash編碼字符串前綴，對(duì)編碼后的運(yùn)單進(jìn)行分組，相同編碼的運(yùn)單分為一組，共可分為m組，分組完畢后對(duì)每一組中的編碼出現(xiàn)次數(shù)進(jìn)行統(tǒng)計(jì)，并映射在對(duì)應(yīng)的組內(nèi)，相同編碼出現(xiàn)的次數(shù)為[q1,?q2...qm]。
31、由于地點(diǎn)相近的經(jīng)緯度通過(guò)geohash編碼后編碼結(jié)果是相同的，因此根據(jù)geohash編碼后字符串?dāng)?shù)據(jù)的前綴，對(duì)運(yùn)單進(jìn)行分組，相同前綴編碼的運(yùn)單為一組。
32、優(yōu)選的，步驟s5中，創(chuàng)建位置權(quán)重二維矩陣，對(duì)編碼后的運(yùn)單分組進(jìn)行遍歷，基于geohash編碼后得到的經(jīng)緯度編碼ft以及編碼出現(xiàn)的次數(shù)q，建立經(jīng)緯度編碼ft與出現(xiàn)次數(shù)q的對(duì)應(yīng)關(guān)系并更新二維矩陣，所述二維矩陣為[g1[f1t1,q1],…,?gm[fmtm,qm]]，其中g(shù)1~gm代表位置權(quán)重二維矩陣分組，f1t1~fmtm為經(jīng)緯度編碼，q1~qm為相同編碼出現(xiàn)的次數(shù)。
33、優(yōu)選的，步驟k3包括以下子步驟：
34、k31：用戶根據(jù)進(jìn)口訂單inorder，匹配出口訂單outorder1?...?outordern，計(jì)算運(yùn)單特征相似度并排序，得到特征排序組featuresort；
35、k32：用戶根據(jù)進(jìn)口訂單inorder，匹配出口訂單outorder1?...?outordern，計(jì)算位置相似度并排序，得到位置排序組positionsort；
36、k33：合并特征排序組和位置排序組，得到匹配結(jié)果。
37、優(yōu)選的，步驟k31中，遍歷數(shù)據(jù)模型中的訂單數(shù)據(jù)，提取inorder與outorder1?...outordern，計(jì)算特征相似度，a值越大，說(shuō)明與該用戶歷史套成的運(yùn)單特征相似度越高，由高到低排序得到特征排序組featuresort?[am(inorder，outorderm)，...，an(inorder，outordern)]，計(jì)算公式為：
38、
39、其中，a為特征相似度，w為特征權(quán)重系數(shù)，x為特征值，inorder為進(jìn)口訂單，outorder為出口訂單。
40、優(yōu)選的，步驟k32中，遍歷數(shù)據(jù)模型中的訂單數(shù)據(jù)，提取inorder與outorder1?...outordern的位置信息,并進(jìn)行g(shù)eohash編碼，在位置權(quán)重二維矩陣中查找fmtm，若找不到，則q?=?0，?若找到，則對(duì)應(yīng)q?=?qm，得到的位置相似度由高到低排序得到位置排序組positionsort[qm=qm，...，qp?=0]，其中qm?=?qm代表，最大位置相似度的值為找到對(duì)應(yīng)的qm。
41、優(yōu)選的，步驟k33中，最優(yōu)匹本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于用戶行為習(xí)慣的貨運(yùn)套箱方法，其特征在于：包括以下步驟：
2.如權(quán)利要求1所述的基于用戶行為習(xí)慣的貨運(yùn)套箱方法，其特征在于：用戶的使用方法包括如下步驟：
3.如權(quán)利要求1所述的基于用戶行為習(xí)慣的貨運(yùn)套箱方法，其特征在于：步驟S2中，通過(guò)Bow算法對(duì)歷史運(yùn)單數(shù)組中的運(yùn)單特征進(jìn)行提取，得到運(yùn)單特征值，并利用python-scikit-learn工具對(duì)特征進(jìn)行分組，相同特征的運(yùn)單分為1組，共可分為m組，分組完畢后對(duì)每一組中的運(yùn)單數(shù)量以及特征值進(jìn)行統(tǒng)計(jì)，并映射在對(duì)應(yīng)的運(yùn)單組內(nèi)，其中所述運(yùn)單數(shù)量分布在[P1，?P2，...，?Pm]區(qū)間內(nèi)，所述運(yùn)單特征值范圍是（x1，x2，x3，…，xn）。
4.如權(quán)利要求1所述的基于用戶行為習(xí)慣的貨運(yùn)套箱方法，其特征在于：步驟S3中，計(jì)算運(yùn)單特征相似度的公式為：
5.如權(quán)利要求1所述的基于用戶行為習(xí)慣的貨運(yùn)套箱方法，其特征在于：步驟S4中，對(duì)歷史運(yùn)單數(shù)據(jù)進(jìn)行遍歷，使用geohash.encode函數(shù)將運(yùn)單數(shù)據(jù)中進(jìn)、出口訂單經(jīng)緯度轉(zhuǎn)換為geohash編碼，基于geohash編碼字符串前綴，對(duì)編碼后的
6.如權(quán)利要求1所述的基于用戶行為習(xí)慣的貨運(yùn)套箱方法，其特征在于：步驟S5中，創(chuàng)建位置權(quán)重二維矩陣，對(duì)編碼后的運(yùn)單分組進(jìn)行遍歷，基于geohash編碼后得到的經(jīng)緯度編碼FT以及編碼出現(xiàn)的次數(shù)Q，建立經(jīng)緯度編碼FT與出現(xiàn)次數(shù)Q的對(duì)應(yīng)關(guān)系并更新二維矩陣，所述二維矩陣為[G1[F1T1,Q1],…,?Gm[FmTm,Qm]]，其中G1~Gm代表二維矩陣編號(hào)，F(xiàn)1T1~FmTm為經(jīng)緯度編碼，Q1~Qm為相同編碼出現(xiàn)的次數(shù)。
7.如權(quán)利要求2所述的基于用戶行為習(xí)慣的貨運(yùn)套箱方法，其特征在于：步驟K3包括以下子步驟：
8.如權(quán)利要求7所述的基于用戶行為習(xí)慣的貨運(yùn)套箱方法，其特征在于：步驟K31中，提取InOrder與OutOrder1?...?OutOrdern，計(jì)算特征相似度，A值越大，說(shuō)明與該用戶歷史套成的運(yùn)單特征相似度越高，由高到低排序得到特征排序組FeatureSort?[Am(InOrder，OutOrderm)，...，?An(InOrder，?OutOrdern)]，計(jì)算公式為：
9.如權(quán)利要求7所述的基于用戶行為習(xí)慣的貨運(yùn)套箱方法，其特征在于：步驟K32中，提取InOrder與OutOrder1?...?OutOrdern的位置信息,并進(jìn)行g(shù)eohash編碼，在位置權(quán)重二維矩陣中查找FmTm，若找不到，則Q?=?0，?若找到，則對(duì)應(yīng)Q?=?Qm，得到的位置相似度由高到低排序得到位置排序組PositionSort[Qm?=?Qm，...，Qp?=?0]，其中Qm?=?Qm代表，最大位置相似度的值為找到對(duì)應(yīng)的Qm。
10.如權(quán)利要求2所述的基于用戶行為習(xí)慣的貨運(yùn)套箱方法，其特征在于：步驟K3中，最優(yōu)匹配結(jié)果Sortm的合并公式為：
...【技術(shù)特征摘要】
1.一種基于用戶行為習(xí)慣的貨運(yùn)套箱方法，其特征在于：包括以下步驟：
2.如權(quán)利要求1所述的基于用戶行為習(xí)慣的貨運(yùn)套箱方法，其特征在于：用戶的使用方法包括如下步驟：
3.如權(quán)利要求1所述的基于用戶行為習(xí)慣的貨運(yùn)套箱方法，其特征在于：步驟s2中，通過(guò)bow算法對(duì)歷史運(yùn)單數(shù)組中的運(yùn)單特征進(jìn)行提取，得到運(yùn)單特征值，并利用python-scikit-learn工具對(duì)特征進(jìn)行分組，相同特征的運(yùn)單分為1組，共可分為m組，分組完畢后對(duì)每一組中的運(yùn)單數(shù)量以及特征值進(jìn)行統(tǒng)計(jì)，并映射在對(duì)應(yīng)的運(yùn)單組內(nèi)，其中所述運(yùn)單數(shù)量分布在[p1，?p2，...，?pm]區(qū)間內(nèi)，所述運(yùn)單特征值范圍是（x1，x2，x3，…，xn）。
4.如權(quán)利要求1所述的基于用戶行為習(xí)慣的貨運(yùn)套箱方法，其特征在于：步驟s3中，計(jì)算運(yùn)單特征相似度的公式為：
5.如權(quán)利要求1所述的基于用戶行為習(xí)慣的貨運(yùn)套箱方法，其特征在于：步驟s4中，對(duì)歷史運(yùn)單數(shù)據(jù)進(jìn)行遍歷，使用geohash.encode函數(shù)將運(yùn)單數(shù)據(jù)中進(jìn)、出口訂單經(jīng)緯度轉(zhuǎn)換為geohash編碼，基于geohash編碼字符串前綴，對(duì)編碼后的運(yùn)單進(jìn)行分組，相同編碼的運(yùn)單分為一組，共可分為m組，分組完畢后對(duì)每一組中的編碼出現(xiàn)次數(shù)進(jìn)行統(tǒng)計(jì)，并映射在對(duì)應(yīng)的組內(nèi)，相同編碼出現(xiàn)的次數(shù)為[q1，?q2，...，qm]。
6.如權(quán)利要求1所述的基于用戶行為習(xí)慣的貨運(yùn)套箱方法，其特征在于：步驟s5中，創(chuàng)建位置權(quán)重二維矩陣，對(duì)編碼后的運(yùn)單分組進(jìn)行遍歷，基于geohash編碼后得到的經(jīng)緯度...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：鄭毅，
申請(qǐng)(專利權(quán))人：魚快創(chuàng)領(lǐng)智能科技南京有限公司，
類型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。