[发明专利]大规模流式数据环境下的车货实时匹配方法

摘要

本发明公开了一种大规模流式数据环境下的车货实时匹配方法，包括以下步骤：S1：采用分布式队列服务方法实时采集货车的车源信息和货源信息S2：根据需要运输的货物的类型和货车的运载条件对车源和货源信息进行筛选：将相同类型的车源信息和相同类型的货物信息分别集中整理，同时对已经集中整理的车源和货源信息进行实时更新；S3：对每一个车货类型数据集进行微聚类：在设置好的时间窗内使用聚类算法对上述每一个车货类型数据集按距离进行聚类，使每一个车货类型数据集产生多个微簇；S4：针对每一个微簇计算匹配方案：在预先设置的时间窗内，对S3中的微簇采用进化算法对其进行车货供需匹配组合优化，形成车货匹配方案并保存。

主权项

1.一种大规模流式数据环境下的车货实时匹配方法，其特征在于：包括以下步骤：S1：采用分布式队列服务方法实时采集货车的车源信息和货源信息：对车辆的位置流式数据进行抽样存储，采用时间衰减算法估计车辆的历史活动区域中心；S2：根据需要运输的货物的类型和货车的运载条件对车源和货源信息进行筛选：将同类型的车源信息和同类型的货物信息分别集中整理，同时对已经集中整理的车源和货源信息进行实时更新；S3：对每一个车货类型数据集进行微聚类：在设置好的时间窗内使用聚类算法对上述每一个车货类型数据集按距离进行聚类，使每一个车货类型数据集产生多个微簇；S4：针对每一个微簇计算匹配方案：在预先设置的时间窗内，对S3中的微簇采用进化算法对其进行车货供需匹配组合优化，形成车货匹配方案并保存；针对每一个微簇计算匹配方案具体采用如下方式：S41：建立车货匹配模型：若某微簇M_p中有K(k＝1,2,3….K)辆车和I(i＝1,2，…,I)个货物数据，由所有匹配x_ki组成的矩阵VCM为车货匹配问题的一个解，VCM每一个行向量对应每一辆车的匹配方案，每一个列向量对应每一个货物运输需求的匹配方案，其中车货匹配组合优化数学模型为max Z＝w₁R+w₂(C+1)^‑1              (2)同时满足以下约束条件：限制每个货物运输需求至多有M_I个匹配车辆；限制每辆车至多匹配M_K个货物运输需求；要求每辆车匹配的所有的货物运输需求的总体货物重量要小于gb_k；给每辆车推荐的每个方案中的货物重量都小于运输车辆的载重；其中i＝1,2,...,I，k＝1,2,...,K其中每辆车的运输能力为b_k，每个货物需求为d_i，w₁和w₂为信息资源利用率R和总体匹配成本C两个指标的偏好程度,且w₁+w₂＝1，其中信息资源利用率R的计算公式为C为总体匹配成本，在仅考虑距离成本的条件下，C的计算公式为S42：基于量子进化算法的车货匹配算法设计：初始化P个量子个体，每个量子个体有K×I个量子比特位，每个量子比特位具有两个概率幅，对车货匹配问题采用二进制编码设计，使每个量子个体测量值代表一种匹配方案，并与车货匹配矩阵对应，每一个量子个体的测量值对应一个车货匹配问题的解；S43：设计量子目标函数，根据车辆匹配模型的目标函数公式(2)定义量子个体的适应度函数为：其中为量子比特位测量值，S44：目标函数的惩罚函数设计：引进有约束惩罚的量子适应度函数对不符合约束条件的量子个体适应度进行惩罚：ξ(Q^ψ)＝IMV+IMC        (18)F(Q^ψ)^pun＝F(Q^ψ)^1+ξ(Qψ)    (19)其中：公式(18)中ξ(Q^ψ)定义为一个量子个体中不符合约束条件的比特位的个数，其中Q^ψ为量子所有比特位测量值，IMV为Q^ψ中不符合约束公式(2)或者约束公式(4)的车辆个数，IMC为不符合约束公式(3)的货物个数，设Q1^ψ，Q2^ψ为不满足约束条件的量子，随着ξ变大，经过约束惩罚后适应度逐渐变小，惩罚前适应度较大的个体，在惩罚后可能因为距离ξ较大，变成适应度较小的量子个体。