一种基于云计算的网络货运信息管理系统及方法与流程

本发明涉及货运信息管理，具体为一种基于云计算的网络货运信息管理系统及方法。

背景技术：

1、近年来，随着经济的快速发展，物流运输行业已发展成为生产生活中必不可少的行业。传统方式下，货主需要到物流基地寻找车辆，而车主也需要到物流基地寻找货物，该方式不仅浪费货主及车主的时间与精力，还严重制约了货运的效率；为了提高货物匹配效率，人们通常使用网络货运信息管理系统发布/接收货运订单。

2、现有的基于云计算的网络货运信息管理系统中，仅仅发布相应地区的货运订单，但是货运订单的选择往往还需要车主自身手动筛选，针对货运信息管理系统内的庞大订单数据而言，车主很难快速筛选到合适的货运订单数据，同时，车主选择的货运订单可能达到车辆的运力上限，而车主不能实现对车辆的剩余运力的有效运用，往往造成运力浪费，进而现有的基于云计算的网络货运信息管理系统存在较大的缺陷。

技术实现思路

1、本发明的目的在于提供一种基于云计算的网络货运信息管理系统及方法，以解决上述背景技术中提出的问题。

2、为了解决上述技术问题，本发明提供如下技术方案：一种基于云计算的网络货运信息管理方法，所述方法包括以下步骤：

3、s1、获取待测区域内的货运需求信息及车辆货运信息，构建待测区域内的运力池；其中货运需求信息为货运需求订单构成的集合；

4、s2、提取货运需求信息中每个货运需求订单对应的订单需求特征集，提取车辆货运信息中各个车辆对应的车辆货运特征；并根据所得特征提取结果，获取运力池中各个车辆的车辆货运信息分别与货运需求信息中各个货运需求订单之间的关联性；

5、s3、获取待测区域内的单位时间内通行的货运车辆信息，结合所得通行货运车辆在云存储的历史偏差数据，构建待测区域内的临时运力调度池；对待测区域内货运需求信息的货运匹配序列进行校准，并生成货运需求订单匹配序列集；

6、s4、结合待测区域内的货运需求订单匹配序列集，对待测区域内的货运需求信息中的货运需求订单进行推荐管理。

7、进一步的，所述s1中待测区域内的车辆货运信息包括待测区域内各个货运车辆对应的位置、待配送路线及剩余运力，所述剩余运力对应一组数据对，且数据对中的第一个值表示货运车辆对应的剩余装载空间，且数据对中的第二个值表示货运车辆对应的剩余装载重量；当货运车辆的剩余运力与相应车辆的总运力相等时，则判定待配送路线为空，反之，货运车辆的待配送路线为车辆位置至货运车辆装载货物对应的运送目的地之间的导航路线推荐方案，所述导航路线推荐方案为历史数据中车辆位置至相应目的地之间的各个导航路线方案中，使用次数从多至少的排序中的前n种导航路线方案，所述n为数据库中预置的常数；

8、构建待测区域内的运力池时，将待测区域内的车辆货运信息中各个货运车辆分别对应的剩余运力进行汇总到一个空白集合中，得到待测区域的运力池。

9、本发明通过构建运力池，能够对待测区域内车辆的运力情况进行管理，便于后续过程中对待测区域内的货运需求订单进行推荐管理。

10、进一步的，所述s2中货运需求信息中每个货运需求订单对应的订单需求特征集内的每个元素对应一个订单需求特征，所述订单需求特征为下单用户对相应货运订单的货运要求，包括订单需求特征为运力需求特征(所需运力)、装货时间需求特征(车辆实际抵达装货点的时间超出约定装货时间的最大承受时长)、运送时长需求特征(车辆实际运送时长超出约定运送时长的最大承受时长)及运送坏损率需求特征(车辆运送货物过程中所能承受的最大坏损率)；

11、所述s2中车辆货运信息中各个车辆对应的车辆货运特征包括装货时长偏差特征、运送时长偏差特征及坏损偏差特征；

12、所述装货时长偏差特征表示历史数据中相应车辆每次分别对应的装货时间与约定装货时间的差值的平均值；

13、所述运送时长偏差特征表示历史数据中相应车辆每次分别对应的运送时长与约定的运送时长之间差值的平均值；

14、坏损偏差特征表示历史数据中相应车辆每次分别对应的实际运行坏损率与约定的运送坏损率承受上限值之间差值的平均值，

15、所述车辆货运特征中各个元素分别对应的数值为正数、负数或零。

16、本发明获取车辆货运信息中各个车辆对应的车辆货运特征及货运需求信息中每个货运需求订单对应的订单需求特征集，是为了后续步骤中准确分析运力池中各个车辆的车辆货运信息分别与货运需求信息中各个货运需求订单之间的关联性，并通过关联性分析结果实现对货运需求订单的有效管理，筛选出运力池中与每个货运需求订单匹配的各个车辆。

17、进一步的，所述s2中根据所得特征提取结果，获取运力池中各个车辆的车辆货运信息分别与货运需求信息中各个货运需求订单之间的关联性的方法包括以下步骤：

18、s21、获取货运需求信息中的第i个货运需求订单，记为ai，获取ai对应的订单需求特征集，记为bi；

19、s22、获取运力池中的满足bi中运力需求特征的所有货运车辆，构建运力初选车辆集合；

20、s23、获取运力初选车辆集合中每个车辆与ai之间的关联影响值，将运力初选车辆集合中第j个车辆对应的车辆货运信息与ai之间的关联影响值，记为qij；

21、qij＝d(j，ai)×[p(j，ai)+1]，

22、其中，d(j，ai)表示运力初选车辆集合中第j个车辆对应的车辆执行ai时，p(j，ai)表示运力初选车辆集合中第j个车辆对应的车辆执行ai时对应的配送路线偏差率；

23、d(j，ai)＝g1×(dj1-bi1)+g2×(dj2-bi2)+g3×(dj3-bi3)，

24、其中，g1、g2及g3均表示关联系数，且g1、g2及g3分别为数据库中预置的常数；dj1表示运力初选车辆集合中第j个车辆对应的车辆货运特征中的装货时长偏差特征，bi1表示ai对应的bi中的装货时间需求特征；dj2表示运力初选车辆集合中第j个车辆对应的车辆货运特征中的运送时长偏差特征，bi2表示ai对应的bi中的运送时长需求特征；dj3表示运力初选车辆集合中第j个车辆对应的车辆货运特征中的坏损偏差特征，bi3表示ai对应的bi中的运送坏损率需求特征；

25、p(j，ai)＝2×l[pj∩pai]/{l[pj]+l[pai]}；

26、其中，pai表示ai对应货物的位置与目的地之间的路径最短的导航路线推荐方案；pj表示运力初选车辆集合中第j个车辆对应的车辆货运信息内的待配送路线；

27、pai对应的导航路线推荐方案中任意一个导航路线方案与pj对应的待配送路线中任意一个导航路线方案构成一个组合，l[max{pj∩pai}]表示pai与pj对应的各个组合中交集路段的最大距离；所述组合内的两个导航路线方案对应的交集路段的距离大于等于0；

28、l[pj]表示l[max{pj∩pai}]对应的组合中，位于pai对应的导航路线推荐方案内的导航路线方案的路线长度；l[pai]表示l[max{pj∩pai}]对应的组合中，位于pj对应的待配送路线内的导航路线方案的路线长度；

29、当待配送路线为空时，相应待配送路线的长度为0；

30、s24、判断运力初选车辆集合中与ai之间的关联性，

31、若运力初选车辆集合中第j个车辆对应的车辆货运信息与ai之间的关联影响值大于预设值，则判断运力初选车辆集合中第j个车辆对应的车辆货运信息与ai之间存在关联性；若运力初选车辆集合中第j个车辆对应的车辆货运信息与ai之间的关联影响值小于等于预设值，则判断运力初选车辆集合中第j个车辆对应的车辆货运信息与ai之间不存在关联性；

32、将待测区域内的运力池对应的所有车辆中，与ai之间的关联影响值大于预设值的所有车辆按关联影响值从大到小的顺序进行汇总，得到待测区域内货运需求信息中ai对应的货运匹配序列。

33、进一步的，所述s3中构建待测区域内的临时运力调度池的方法包括以下步骤：

34、s301、获取对应待配送路线穿过待测区域内的所有货运车辆的车辆货运信息，得到获取的每个车辆货运信息对应的匹配路段集，所述匹配路段集为相应车辆货运信息对应的待配送路线中各个导航路线方案分别与待测区域的重合路段构成的集合；

35、将待配送路线穿过待测区域内的任意一个货运车辆记为w，将w对应的匹配路段集记为gw；

36、s302、获取s301中gw内每个重合路段对应的时间参照区间，将gw内第k个重合路段对应的时间参照区间记为tkgw；将tkgw中的最小值记为tk1gw，将tkgw中的最大值记为tk2gw；

37、获取gw内第k个重合路段中各个位置与相应导航路线方案中当前时间车辆位置之间的最短距离，将所得最短距离除以相应导航路线方案的标准限速得到的商作为tk1gw，所述导航路线方案的标准限速等于相应导航路线方案的总距离与相应运送时长需求特征中最大时间的商，若只存在一个运送时长需求特征，则相应运送时长需求特征中最大时间等于该运送时长需求特征，将相应运送时长需求特征中最大时间记为tz；

38、获取gw内第k个重合路段中各个位置与相应导航路线方案中当前时间车辆位置之间的最长距离，将所得最长距离除以相应导航路线方案的标准限速得到的商作为tk2gw；

39、s303、获取货运车辆在云存储的历史偏差数据，将w对应的历史偏差数据记为pw，pw等于w对应的运送时长偏差特征；

40、s304、得到gw内第k个重合路段对应的时间参照区间tkgw的校准结果，记为

41、[tk1gw+t1w，tk2gw+t2w]；

42、t1w＝pw×(tk1gw/tz)，t2w＝pw×(tk2gw/tz)；

43、s305、判断构建待测区域内的临时运力调度池与w对应的车辆货运信息之间的关系，

44、获取k为不同值时，各个[tk1gw+t1w，tk2gw+t2w]之间的并集，记为m，

45、当时，则判定构建待测区域内的临时运力调度池不包含w对应的车辆货运信息；所述ty表示数据库中预置的单位时间；

46、当时，则判定构建待测区域内的临时运力调度池不包含w对应的车辆货运信息；

47、所述s3中生成货运需求订单匹配序列集的方法包括以下步骤：

48、s311、结合获取运力池中各个车辆的车辆货运信息分别与货运需求信息中各个货运需求订单之间的关联性的方法，获取待测区域内的临时运力调度池中各个车辆的车辆货运信息分别与货运需求信息中各个货运需求订单之间的关联性；

49、s312、将待测区域内的临时运力调度池对应的所有车辆中，与ai之间的关联影响值大于预设值的所有车辆按关联影响值从大到小的顺序进行汇总，得到待测区域内货运需求信息中ai对应的货运匹配替补序列；

50、s313、得到待测区域内货运需求信息ai的货运匹配序列的校准结果，所得校准结果中包含ai分别对应的校准前的货运匹配序列及货运匹配替补序列中的所有元素，且所得校准结果中元素对应车辆的排列顺序是按照与ai之间的关联影响值从大到小的顺序排列生成的；

51、s314、生成货运需求订单匹配序列集，所述货运需求订单匹配序列集中的元素为待测区域内各个货运需求信息对应货运匹配序列的校准结果。

52、本发明构建待测区域内的临时运力调度池，是考虑到货运车辆的流通性，其他区域内的车辆在运送货物的过程中也可能会通过待测区域，且运送货物的车辆也可能满足待测区域内的货运需求订单的订单需求，进而构建待测区域内的临时运力调度池，在一定程度上增加了待测区域内货运需求订单对车辆的选择性，避免出现待测区域因货运车辆较少而无法满足待测区域内货运需求订单的情况，实现了对网络货运信息的有效管理。

53、进一步的，所述s4中对待测区域内的货运需求信息中的货运需求订单进行推荐管理时，将待测区域内的货运需求信息中每个货运需求订单向相应校准后的货运匹配序列内的各个车辆逐个进行推荐，且将货运需求订单向相应校准后的货运匹配序列内的不同车辆推荐的时间不同，同一校准后的货运匹配序列内的相邻车辆中，序列靠后的车辆对应的推荐时间比序列靠前的车辆对应的推荐时间晚第一预设时长，所述第一预设时长为数据库中预置的常数；

54、货运需求订单向相应校准后的货运匹配序列内的不同车辆推荐过程中，若收到推荐信息的所有车辆均未确定接取该货运需求订单，则收到推荐信息的所有车辆中该推荐信息持续有效，直至该货运需求订单被任意一个车辆确定接取；

55、货运需求订单向相应校准后的货运匹配序列内的不同车辆推荐过程中，若收到推荐信息的所有车辆中存在确定接取该货运需求订单的一个车辆，则收到推荐信息的所有车辆中除确定接取该推荐信息的车辆之外的所有车辆对应的该推荐信息均无效，且不再向相应校准后的货运匹配序列内未收到该推荐信息的剩余车辆推荐该推荐信息。

56、一种基于云计算的网络货运信息管理系统，所述系统包括以下模块：

57、货运信息获取模块，所述货运信息获取模块获取待测区域内的货运需求信息及车辆货运信息，构建待测区域内的运力池；其中货运需求信息为货运需求订单构成的集合；

58、货运特征关联分析模块，所述货运特征关联分析模块提取货运需求信息中每个货运需求订单对应的订单需求特征集，提取车辆货运信息中各个车辆对应的车辆货运特征；并根据所得特征提取结果，获取车辆货运信息分别与货运需求信息中各个货运需求订单之间的关联性；

59、订单匹配序列分析模块，所述订单匹配序列分析模块获取待测区域内的单位时间内通行的货运车辆信息，构建待测区域内的临时运力调度池；结合待测区域内的临时运力调度池中相应的货运车辆在云存储的历史偏差数据，对待测区域内货运需求信息的货运匹配序列进行校准，并生成货运需求订单匹配序列集；

60、订单管理模块，所述订单管理模块结合待测区域内的货运需求订单匹配序列集，对待测区域内的货运需求信息中的货运需求订单进行推荐管理。

61、进一步的，所述订单匹配序列分析模块包括临时运力调度单元、货运匹配序列校准单元及订单匹配序列集生成单元，

62、所述临时运力调度单元获取待测区域内的单位时间内通行的货运车辆信息，构建待测区域内的临时运力调度池；

63、所述货运匹配序列校准单元结合待测区域内的临时运力调度池中相应的货运车辆在云存储的历史偏差数据，对待测区域内货运需求信息的货运匹配序列进行校准；

64、所述订单匹配序列集生成单元结合货运匹配序列校准单元中对待测区域内货运需求信息的货运匹配序列校准结果，生成货运需求订单匹配序列集。

65、与现有技术相比，本发明所达到的有益效果是：本发明在对货运订单进行管理的过程中，相应订单在车主自身手动筛选的基础上，还通过构建运力池，实现了对车辆状态的管理，并针对货运订单的情况，实现对满足运力需求的车辆的智能推荐；同时，针对货运车辆而言，本发明缩短了车主筛选查找货运订单的时间，还实现了对货运车辆剩余运力的管控，避免造成车辆运力浪费，实现了对网络货运信息的有效管理。