[发明专利]一种基于AHP-DBN的车货匹配方法

说明书

本发明提供了一种基于动态贝叶斯网络的车货匹配方法。在动态贝叶斯网络的基础上，单时间片内的匹配结果和某时间片内某车辆的匹配结果都将被看作为一个状态，并持续对后续匹配过程产生影响，状态的引入提高了动态贝叶斯网络的灵活性。除此之外，为属性匹配添加动态权重，为每一对匹配组合考虑到环境影响的因素，都能够最大化合适程度，最小化物流成本。对于匹配失败的车辆，我们在提高其易于匹配成功的因素之后，继续放入到下一个时间段进行匹配，直至匹配成功，这都切实有效的提升了匹配效率。通过大量的实验证明，无论是在匹配成功率，还是在各种不同的场景下，本方法相对于先前研究都有一个较大的提升，能够应用于中小型物流企业中。

技术领域

本发明专利涉及一种车货匹配方法，在物流运输领域具有极其重要的应用前景。

背景技术

在物流行业内，有着公路、铁路、水运、航空等运输体系，不同的运输体系构成了完整的物流运输线。在众多运输体系中，公路货运可以实现点到点的运输，具有极其方便、灵活、快捷等优势特点，故公路货运处于占有绝对优势的地位，除了为物流行业带来了大量的利润，但也存在着诸多问题，例如货运信息不对称、车货匹配效率低下、返程空载。这些问题在制约着公路货运的进一步发展的同时，也会造成车辆资源闲置浪费、货运资源囤积等现象。为了解决上述问题，对车货匹配相关问题的研究尤为重要。车货匹配以车辆信息、货物信息作为基本信息，从中挖掘出潜在的信息表示，通过特定的算法找到其潜在的匹配规律，从而提高车货匹配效率，降低物流成本。

车货匹配流程如下：(1)明确车辆和货物的基本信息，例如车辆(货物)的类型、质量、体积、起始地、目的地等其他信息；(2)针对车辆和货物相同属性表达，从中找取到合适的匹配子算法；(3)将各个属性的匹配子算法结合起来，同时为它们通过AHP方法分配各自权重，得到车货的具体属性匹配值。

目前在车货匹配方向上的研究大多集中在车货指标体系上，也就是(2)步骤，其固然是车货匹配研究重点，但也是最基础的部分，考虑因素单一化。也有学者使用动态贝叶斯网络模型进行车货匹配，预测车辆在不同时间段匹配成功的概率，但是缺乏确切的匹配结果和对结果不足进行优化的方法，不具备应用到实际的能力。本发明在车货属性匹配方面进行了改进，并对属性匹配加入了动态权重(权重由AHP得到)，贴切实际，同时也考虑到外界环境因素对匹配组合产生的影响，引入了环境影响度概念。在动态贝叶斯网络基础上，引入了状态，精确的分析了单时间片、动态时间段车货匹配的详细进程，极大的提高了动态贝叶斯网络的灵活性。大量的实验证明，本发明无论是在车辆的匹配成功率，匹配失败车辆的优化方面、还是各种不同的场景下，本方法相对于先前研究都有一个较大的提升。

发明内容

本发明克服了现有车货匹配问题中的优化目的单一，静态时间段内车辆匹配成功率低，无法对匹配失败车辆的后续匹配过程优化，匹配成本过高等缺点，提出了一种基于AHP(层次分析法，Analytic Hierarchy Process)-DBN(动态贝叶斯网络，DynamicBayesian Network)车货匹配方法，为动态变化的车辆资源进行不同货物的个性化排序推荐，致力于提高用户满意度、降低物流成本。

本发明主要包括四个部分：(1)确定模型的输入输出。(2)针对车辆货物的具体属性确定各自相对应的子算法。(3)根据车辆(货物)资源池信息，确定每对匹配组合受到环境的影响程度。(4)构建动态贝叶斯网络模型。(5)方法有效性验证。

下面分别介绍以上五部分的内容:

1、确定模型的输入输出。车辆、货物数据集作为本方法的输入，其中两者均包括类型、质量、体积、起始地、目的地、等待开始时间、等待截止时间、匹配优先级等属性。除了已有的车辆、货物资源，在进行动态匹配的过程中，模型会接受外界持续不断加入的新资源，这样车辆可选择的范围会变大。在得到最佳的匹配结果值之后，会依次输出每个时间段内匹配成功的组合，每一对组合都包括车辆、货物、匹配度。