面向冷链服务平台车货匹配推荐方法与运费定价功能研究
这是一篇关于冷链运输,物流信息服务平台,车货匹配,推荐系统,运费结算的论文, 主要内容为随着互联网时代的飞速发展,物流行业的信息化程度也越来越高。物流信息综合服务平台随之产生,是对整个物流行业的资源进行整合管理。冷链物流是保障食品药品安全和质量的重要环节,也是满足人们对日常生活中追求食物新鲜度和营养度的关键体现,冷链物流的发展同样离不开信息平台的支撑,对于冷链物流的资源整合也成为了适应社会发展的必然需求。传统单一的冷链物流配送模式显然已经无法满足人们的日常生活以及信息化发展大环境下的需要了。搭建功能完善、规范化的冷链物流资源整合的信息化服务平台成了目前迫在眉睫的要求。本文首先是基于杭州通标制冷设备有限公司构建的冷链信息服务平台进行功能设计,并在查阅了目前国内外关于冷链运输和物流信息平台以及本文研究涉及的推荐系统统技术的研究现状之后,设计了冷链运输前的车货匹配以及运输费用结算两大功能模块,为该冷链物流信息服务平台的搭建提供一些参考意见和研究思路。其次,对两大功能模块的模型构建分为三个部分:一是采用基于内容的推荐算法与协同过滤推荐算法设计出商家用户发货前系统推荐冷藏运输车的混合模型。此数学模型构建根据的是所有在平台中的车源与货源信息以及注册信息的买家用户、商家用户对冷链车司机的评分记录,以及司机收到的其他所有评分数据作为模型的数据来源。二是使用基于内容的推荐算法与协同过滤推荐算法建立冷藏车司机发车前系统为其推荐货源信息的混合模型,根据车源与货源信息权重的相似度以及预测出货源货主的好评程度来进行推荐。三是根据已有的运费结算公式结合最小二乘法和线性回归方程综合归出简单化标准化的数学公式。建立运费关于运输公里数的相关关系并通过最小二乘法计算回归方程,反算运费。最后,选取实验平台并获取相关实验数据,结合冷链信息服务平台项目开发的进度和要求对本文建立的模型进行验证,根据验证情况分析得出两大功能模块的可行性和参考价值。
基于智能推荐的网络货运平台车货匹配研究
这是一篇关于LHB网络货运平台,车货匹配,推荐系统,深度学习的论文, 主要内容为公路运输是我国货运物流中非常重要的组成部分,近年来其业务需求呈不断上涨的趋势,且公路货物运输呈现车辆和货物地理来源分散的特点,导致车难找货、货难找车的情况普遍存在。因此专门匹配货源和运力的网络货运平台应运而生,匹配能力成为了各个网络货运平台最重要的竞争力。本文以拉货宝(LHB)网络货运平台为背景,对其存在的车货匹配问题进行研究。通过对该平台的车货匹配现状分析发现,车货匹配的过程存在不规范的地方,主要体现在两个方面:第一,LHB网络货运平台采用人工匹配模式,并未进行智能化的车货匹配推荐。第二,“熟人模式”造成车源和货源选择范围较窄,不确定性和不稳定性的人工经验进行匹配,共同导致平台车货匹配效率低,不利于网络货运平台的发展。基于LHB网络货运平台存在的问题,本文构建了基于深度学习的网络货运平台车货匹配推荐模型。模型分为三个阶段:第一阶段,构建基于反向传播(Back Propagation,简称BP)神经网络的车货匹配推荐模型,对推荐系统输入的车主和货主信息部分采用BP神经网络进行特征提取,相比于传统的推荐算法,能够更好的学习数据特征。同时利用神经网络对非线性数据拟合的优势,构建基于BP神经网络的回归预测模型,替代传统推荐模型将车主特征和货主特征进行向量相乘的预测方式,达到更好的拟合评分数据的目的。第二阶段,由于卷积神经网络(Convolutional Neural Networks,简称CNN)有利于提取更复杂的深层次特征,一定程度上弥补了BP神经网络无法提取到的特征信息,因此设计了一个双塔结构的BP神经网络--卷积神经网络(BP-CNN)的车货匹配推荐模型,利用BP神经网络和一维卷积神经网络(1-DCNN)同时对推荐系统的输入数据进行提取,形成双塔提取结构。第三阶段:基于模型实用性的考虑,设计推荐显示页面,直观的体现推荐结果,方便平台业务人员的操作。最后,利用从LHB网络货运平台上获取的相关数据,对建立的基于深度学习的网络货运平台车货匹配推荐模型进行训练、结果分析以及优化分析。
基于呼叫中心的物流信息平台的设计与实现
这是一篇关于物流,呼叫中心,车货匹配的论文, 主要内容为随着我国信息技术的广泛应用和普及,澳龙物流城的大多数中小企业都已使用了物流信息系统,具备了运用现代信息技术来处理物流业务的基本能力。但是,当前大部分企业还普遍存在一些问题,例如,货主找车、车主找货效率低,车辆空载率高。因此,一个广泛适用的基于呼叫中心的物流信息平台解决方案就具有极大的应用价值。在这个平台上,拥有车辆的车主用户可以通过拨打电话或者网站等途径将车辆信息发布出去,并能查询该信息平台提供的货物信息,而拥有货物的货主用户也可以通过该信息平台,将货物信息发布出去,并且也能够查询信息平台提供的车辆信息。这样一来,不仅能够提高车主用户找货、货主用户找车的效率,而且对于车辆来说还能有效降低空载率,增强配送能力,从而直接降低了企业的运营成本。基于“呼叫中心”的物流信息平台,在物流企业本地短途、异地长途的服务中,使企业的运输和配送更加的科学、合理,不仅满足了企业的用户需求,而且还提高了企业的经济效益。澳龙物流信息平台是以铁通山东分公司Internet数据中心为建设基础,依托铁通临沂分公司既有的网络资源,建立的为澳龙物流城企业用户服务的综合性信息平台。通过该平台,能够为澳龙物流企业或单个用户,提供基于电话和网站为主要途径的呼叫中心信息平台服务,使物流企业用户业务处理更加迅速,企业运行更加高效。本文在物流业务特点的基础上,结合澳龙物流城企业共有的业务特点,对澳龙物流信息平台的业务需求进行了比较详细的需求分析。其中,重点分析了澳龙物流信息平台的功能性需求,包括基本物流业务、呼叫中心坐席、自动语音流程以及后台管理的功能需求分析。基本物流业务中包括用户登录,即用户验证、注册、充值三个方面,信息发布、信息检索、车货匹配、信息取消等,并以流程图、用例图以及用例规约描述等形式来详细描述,在需求分析中,还分析了澳龙物流信息平台的非功能性需求。接着,在需求分析的基础上又对澳龙物流信息平台的架构进行了设计,包括技术架构设计和功能架构设计。技术架构设计主要考虑系统的开放性、扩展性、维护性以及性能等问题,并提出了澳龙物流信息平台的设计目标和原则。澳龙物流信息平台的详细设计部分给出了物流业务中各个主要业务功能的详细设计,通过使用顺序图及文字解释对各个主要功能模块的设计进行了详细描述。为满足不同的用户需求,本信息平台根据业务实现的不同途径设计了不同的界面和子系统功能模块,包括呼叫中心坐席子系统、前台网站子系统以及后台管理子系统,并给予了功能的详细设计。澳龙物流信息平台采用多层B/S模式,呼叫中心坐席子系统采用B/S和C/S两种混合模式,以Microsoft Windows Advanced server2008为系统平台和Oracle 11g数据库技术、Huawei ⅣR、SCE自动语音系统技术等技术,使用Borland Delphi 7、ASP、JavaScript等编程语言,对信息平台进行了实现,并通过测试用例对澳龙信息平台进行了测试。临沂澳龙物流城绝大部分物流企业属于中小企业,仍处于信息化的第一个阶段,而呼叫中心的前期的投入是巨大的。因此,基于呼叫中心的物流信息平台的建立,使得澳龙物流城的企业可以用少量的投资,就解决了当前的业务难点,降低了企业的运营成本,增强了企业配送能力,提高了企业的运营效率。
基于智能推荐的网络货运平台车货匹配研究
这是一篇关于LHB网络货运平台,车货匹配,推荐系统,深度学习的论文, 主要内容为公路运输是我国货运物流中非常重要的组成部分,近年来其业务需求呈不断上涨的趋势,且公路货物运输呈现车辆和货物地理来源分散的特点,导致车难找货、货难找车的情况普遍存在。因此专门匹配货源和运力的网络货运平台应运而生,匹配能力成为了各个网络货运平台最重要的竞争力。本文以拉货宝(LHB)网络货运平台为背景,对其存在的车货匹配问题进行研究。通过对该平台的车货匹配现状分析发现,车货匹配的过程存在不规范的地方,主要体现在两个方面:第一,LHB网络货运平台采用人工匹配模式,并未进行智能化的车货匹配推荐。第二,“熟人模式”造成车源和货源选择范围较窄,不确定性和不稳定性的人工经验进行匹配,共同导致平台车货匹配效率低,不利于网络货运平台的发展。基于LHB网络货运平台存在的问题,本文构建了基于深度学习的网络货运平台车货匹配推荐模型。模型分为三个阶段:第一阶段,构建基于反向传播(Back Propagation,简称BP)神经网络的车货匹配推荐模型,对推荐系统输入的车主和货主信息部分采用BP神经网络进行特征提取,相比于传统的推荐算法,能够更好的学习数据特征。同时利用神经网络对非线性数据拟合的优势,构建基于BP神经网络的回归预测模型,替代传统推荐模型将车主特征和货主特征进行向量相乘的预测方式,达到更好的拟合评分数据的目的。第二阶段,由于卷积神经网络(Convolutional Neural Networks,简称CNN)有利于提取更复杂的深层次特征,一定程度上弥补了BP神经网络无法提取到的特征信息,因此设计了一个双塔结构的BP神经网络--卷积神经网络(BP-CNN)的车货匹配推荐模型,利用BP神经网络和一维卷积神经网络(1-DCNN)同时对推荐系统的输入数据进行提取,形成双塔提取结构。第三阶段:基于模型实用性的考虑,设计推荐显示页面,直观的体现推荐结果,方便平台业务人员的操作。最后,利用从LHB网络货运平台上获取的相关数据,对建立的基于深度学习的网络货运平台车货匹配推荐模型进行训练、结果分析以及优化分析。
面向零担车货匹配的多目标优化系统
这是一篇关于元启发式算法,人工蜂鸟算法,零担物流,车货匹配的论文, 主要内容为传统的物流行业存在运力资源浪费、物流信息更新不及时等问题。随着电商行业的不断发展,我国货运总量逐年增加,资源浪费问题也日益严重。零担货物体积与重量不满足整车运输的条件,需要以拼车形式进行运输,配送效率较低,为了节约配送资源,提高运输效率,零担车货匹配问题逐渐成为物流行业中的一个重要研究方向。本文介绍了零担车货匹配问题涉及的相关技术,对目前的研究现状进行分析与总结。综合考虑了实际情况下零担车货匹配的特点,初步设计了零担车货匹配多目标优化系统。针对零担物流中信息不对称、货物等待凑满整车导致耗时严重等问题,本文引入预约机制,提出一种零担车货匹配多目标优化模型RM-LTLM。将未来到达配送中心的货物加入当前阶段的车货匹配中,规划出合理的车货匹配方案。该模型考虑了预约机制下可能出现的预约取消、预约时间变更等问题,针对突发情况设计了一种动态货物匹配方法。本文选择人工蜂鸟算法对RM-LTLM进行求解。从初始解的生成方式、算法权重自适应、下一代解的生成方式三个方面对人工蜂鸟算法进行了分析与优化,使其更好地适应零担车货匹配问题模型,能够规划出合理的车货匹配及车辆调度方案。通过实验验证了改进人工蜂鸟算法的求解性能与RM-LTLM的有效性。基于零担车货匹配系统的系统架构以及零担车货匹配模型,本文对面向零担车货匹配的多目标优化系统进行了编程实现。经测试,系统功能完善,匹配效果优秀,为配送中心的零担车货匹配业务提供了技术支撑。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕业设计货栈 ，原文地址：https://m.bishedaima.com/lunwen/55568.html
