货运价格确定方法及装置与流程

1.本发明涉及人工智能技术领域，尤其涉及货运价格确定方法及装置。


背景技术：

2.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。
3.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。
4.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。


技术实现要素：

5.本发明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：
6.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；
7.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；
8.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。
9.本发明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：
10.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；
11.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。
12.本发明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。
13.本发明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。
14.本发明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。
15.本发明实施例中，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
16.为了更清楚地说明本发明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发明的一些实施例，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：
17.图1为本发明提供的货运价格确定方法的流程示意图；
18.图2为本发明提供的货运价格确定方法的流程示意图；
19.图3为本发明提供的货运价格确定方法的流程示意图；
20.图4为本发明提供的货运价格确定方法的流程示意图；
21.图5为本发明提供的货运价格确定装置的结构示意图。
具体实施方式
22.为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
23.图1为本发明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：
24.步骤101，获取货运交易数据。
25.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。
26.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。
27.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。
28.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。
29.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。
30.本发明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：
31.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。
32.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。
33.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。
34.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。
35.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。
36.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，本发明实施例对此不做具体限定。
37.本发明实施例中，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。
38.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。
39.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。
40.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。
41.本发明实施例在步骤201中构建训练集，步骤流程如图3所示，具体如下：
42.步骤301，获取历史货运交易数据。
43.需要说明的是，历史货运交易数据包括第一变量集合。
44.步骤302，对第一变量集合进行主成分分析，得到第二变量集合。
45.需要说明的是，主成分分析是一种统计方法，通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。
46.本发明实施例中，设第一变量集合为y(q,e)，q＝1,2,
…
,i，e＝1,2,
…
,j，其中i为样本个数，j为第一变量个数。对原数据进行预处理和标准化处理。标准化公式如下：
[0047][0048]
其中，y(q,e)表示第q个样本的第e个变量，y'(q,e)表示标准化处理后的数据，ymax(e)表示第e个标准的最大值。
[0049]
在标准化处理后，计算特征值，并根据特征值确定主成分。
[0050]
本发明实施例中，根据特征值进行初步筛选，比如取特征值大于1的第一变量，将选出的第一变量的贡献率进行累加。
[0051]
举例来说，将前5个使得累计贡献率不小于85％的第一变量作为第二变量。
[0052]
步骤303，根据第二变量集合及对应的历史货运价格构建训练集。
[0053]
上述方案，对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，降低干扰因素，提高了货运价格的准确性。
[0054]
本发明实施例在对第一变量集合进行主成分分析之前，采用控制变量法对第一变量集合进行筛选。
[0055]
上述方案，采用控制变量法对第一变量集合进行筛选，降低干扰因素，提高了货运价格的准确性。
[0056]
图4为本发明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4所示，该方法包括：
[0057]
步骤401，获取货运交易数据。
[0058]
步骤402，采用主成分分析，得到主成分分析结果。
[0059]
步骤403，将主成分分析结果输入至反向传播神经网络。
[0060]
步骤404，对反向传播神经网络的输出进行反归一化，得到货运价格。
[0061]
上述方案，通过反向传播神经网络确定货运价格，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。
[0062]
本发明实施例中还提供了一种货运价格确定装置，如下面的实施例所述。该装置如图5所示，所述装置包括：
[0063]
获取模块501，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；
[0064]
处理模块502，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。
[0065]
本发明实施例中，所述处理模块502还用于：
[0066]
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，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；
[0067]
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；
[0068]
利用测试集对所述训练好的货运价格分析模型进行测试。
[0069]
本发明实施例中，所述处理模块502具体用于：
[0070]
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；
[0071]
对所述第一变量集合进行主成分分析，得到第二变量集合；
[0072]
根据第二变量集合及对应的历史货运价格构建训练集。
[0073]
本发明实施例中，所述处理模块502具体用于：
[0074]
采用反向传播算法对机器学习模型进行训练。
[0075]
本发明实施例中，所述处理模块502还用于：
[0076]
在对所述第一变量集合进行主成分分析之前，采用控制变量法对所述第一变量集合进行筛选。
[0077]
由于该装置解决问题的原理与货运价格确定方法相似，因此该装置的实施可以参见货运价格确定方法的实施，重复之处不再赘述。
[0078]
本发明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。
[0079]
本发明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。
[0080]
本发明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。
[0081]
本发明实施例中，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。
[0082]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0083]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0084]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0085]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0086]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。