阮永嬌，陳 昕，孫承臻，陳婭鑫

零擔(dān)貨物快遞服務(wù)公司自動(dòng)匹配研究

阮永嬌，陳 昕，孫承臻，陳婭鑫

（遼寧工業(yè)大學(xué) 汽車與交通工程學(xué)院，遼寧 錦州 121001）

研究零擔(dān)貨物快遞服務(wù)公司自動(dòng)匹配，研究SVM自動(dòng)匹配方法，依據(jù)零擔(dān)貨物快遞服務(wù)需求自動(dòng)匹配出最適合的快遞公司，研究方法是基于機(jī)器學(xué)習(xí)，借助已有的人工匹配數(shù)據(jù)構(gòu)建的數(shù)據(jù)集，通過python編程，用訓(xùn)練集訓(xùn)練零擔(dān)貨物快遞服務(wù)公司自動(dòng)匹配的機(jī)器學(xué)習(xí)模型，驗(yàn)證集驗(yàn)證自動(dòng)匹配效果。驗(yàn)證集評(píng)估結(jié)果表明，SVM自動(dòng)匹配方法，根據(jù)零擔(dān)需求進(jìn)行快遞服務(wù)公司的自動(dòng)匹配，匹配時(shí)間僅為1.89 s，精度達(dá)到0.90，自動(dòng)匹配方法能夠高效恰當(dāng)?shù)貫榱銚?dān)需求匹配出適合的快遞公司，使得零擔(dān)貨物快遞的供需雙方高度契合。本文研究可以幫助物流服務(wù)公司節(jié)約匹配成本，提高匹配效率，增強(qiáng)公司競(jìng)爭力，同時(shí)為機(jī)器學(xué)習(xí)中SVM的應(yīng)用提供思路和參考依據(jù)。

零擔(dān)貨物快遞；快遞需求；快遞公司；自動(dòng)匹配；SVM

1 零擔(dān)貨運(yùn)的人工匹配數(shù)據(jù)分析

在零擔(dān)貨物快遞時(shí)，需要根據(jù)貨物自身的特點(diǎn)對(duì)眾多快遞公司的快遞價(jià)格，平均服務(wù)水平和服務(wù)范圍等多個(gè)因素進(jìn)行考察，匹配出最適合零擔(dān)貨物的快遞公司提供快遞服務(wù)。目前零擔(dān)貨物快遞需求與快遞公司的匹配主要由人工完成。表1是某公司零擔(dān)貨物快遞服務(wù)信息的原始數(shù)據(jù)表。

表1 原始數(shù)據(jù)表

編號(hào)發(fā)貨省份配送時(shí)效發(fā)貨數(shù)量發(fā)貨品種數(shù)出庫包裹數(shù)稱重重量快遞公司 0海南省正常送達(dá)2211.41韻達(dá)快遞 1吉林省正常送達(dá)1114.043重貨-吉林黃馬甲 2湖南省正常送達(dá)2111.511韻達(dá)快遞 3上海正常送達(dá)2111.41韻達(dá)快遞 4天津次日達(dá)8118.095晟邦-快消 5廣東省正常送達(dá)8119.56韻達(dá)快遞 ······································· 10490山西省次日達(dá)4311.051建華快遞 10491廣東省正常送達(dá)12413.499韻達(dá)快遞 10492遼寧省正常送達(dá)3114.051重貨-遼寧黃馬甲 10493北京當(dāng)日達(dá)2210.884萬象-自營 10494黑龍江省正常送達(dá)1110.32EMS-落地配 10495福建省正常送達(dá)4111.577韻達(dá)快遞 ······································· 20981廣東省正常送達(dá)1110.57韻達(dá)快遞 20982北京次日達(dá)3110.46韻達(dá)快遞 20983貴州省正常送達(dá)4212.737韻達(dá)快遞 20984江蘇省正常送達(dá)2211.43韻達(dá)快遞 20985黑龍江省正常送達(dá)3110.47EMS-落地配 ······················································ 41959湖北省正常送達(dá)4210.776韻達(dá)快遞 41960天津次日達(dá)4212.737晟邦-快消 41961山東省正常送達(dá)4411.52山東遞速 41962北京次日達(dá)1114.77萬象-自營 41963河北省正常送達(dá)1114.468萬象-自營 ······················································

原始數(shù)據(jù)表中，每一條零擔(dān)貨物快遞需求對(duì)應(yīng)1條人工匹配記錄，8列數(shù)據(jù)字段中，第1列是數(shù)據(jù)樣本編號(hào)、發(fā)貨省份、發(fā)貨數(shù)量、發(fā)貨品種數(shù)，出庫包裹數(shù)和稱重重量6列數(shù)據(jù)字段表示零擔(dān)貨運(yùn)的6個(gè)特征數(shù)據(jù)，其中發(fā)貨省份代表該零擔(dān)貨物要求發(fā)往的省份；配送時(shí)效代表貨物要求配送的時(shí)間包括當(dāng)日達(dá)、次日達(dá)和正常送達(dá)3種不同的要求；發(fā)貨數(shù)量代表零擔(dān)貨物的發(fā)貨數(shù)量；發(fā)貨品種數(shù)代表零擔(dān)貨運(yùn)中所發(fā)貨物的品種數(shù)；出庫包裹數(shù)代表貨物打包完成后的包裹數(shù)量；稱重重量代表包裹的最終稱重的重量，單位是kg。最后一列“快遞公司”，是根據(jù)快遞需求，人工匹配的快遞公司的匹配結(jié)果，包含EMS-落地配、晟邦快消、建華快遞、山東遞速、萬象-自營、韻達(dá)快遞、重貨-吉林黃馬甲、重貨-遼寧黃馬甲8家公司，分析表1數(shù)據(jù)可知，EMS-落地配服務(wù)水平較高，服務(wù)范圍較廣，成本低，但速度相對(duì)較慢；晟邦快消和建華快遞運(yùn)送效率高，但發(fā)貨前等待時(shí)間較長；山東遞速、重貨-吉林黃馬甲和重貨-遼寧黃馬甲運(yùn)送范圍小，集散過程少；萬象-自營運(yùn)送時(shí)間短，范圍廣，但成本較高；韻達(dá)快遞服務(wù)范圍較廣，成本低，但速度相對(duì)較慢且服務(wù)水平相對(duì)較低。

人工匹配快遞公司的方法，是人工從可供選擇的公司中匹配出適合的快遞公司，在滿足零擔(dān)貨物快遞需求的前提下，根據(jù)公司特點(diǎn)結(jié)合零擔(dān)貨物的6項(xiàng)特征值，對(duì)各個(gè)快遞公司的費(fèi)用、服務(wù)水平、服務(wù)范圍進(jìn)行比較，篩選出相對(duì)比較適合的快遞公司，完成零擔(dān)需求與快遞公司的匹配。

但是隨著經(jīng)濟(jì)的發(fā)展，零擔(dān)快遞需求數(shù)量和快遞公司數(shù)量不斷增大，這使得人工匹配的工作量增加，匹配時(shí)間加長，從而導(dǎo)致匹配工作效率下降、匹配的準(zhǔn)確率下降，所以急需自動(dòng)匹配方法。

2 機(jī)器學(xué)習(xí)SVM自動(dòng)匹配方法

2.1 機(jī)器學(xué)習(xí)方法分析

機(jī)器學(xué)習(xí)主要研究如何借助已有的數(shù)據(jù)，學(xué)習(xí)人類的學(xué)習(xí)行為。應(yīng)用最廣的機(jī)器學(xué)習(xí)方法有線性模型、決策樹、神經(jīng)網(wǎng)絡(luò)、貝葉斯分類器、聚類、支持向量機(jī)等[1]。線性模型適用于具有線性相關(guān)性的相關(guān)問題[2]；決策樹適合于多目標(biāo)逐一分層討論問題；神經(jīng)網(wǎng)絡(luò)適合各因素間相互影響的分類問題，同時(shí)由于激活函數(shù)的特性多用于二分類問題；貝葉斯分類器使用范圍較廣但準(zhǔn)確率較低，聚類用于求解分類問題的聚類中心[3]。

支持向量機(jī)(support vector machine，SVM)適合于線性非線性的選擇分類問題，是機(jī)器學(xué)習(xí)中的一個(gè)重要模型，廣泛應(yīng)用于數(shù)據(jù)分析、模式識(shí)別和數(shù)據(jù)挖掘等多個(gè)領(lǐng)域，并能夠推廣應(yīng)用到函數(shù)擬合等其他機(jī)器學(xué)習(xí)問題中[4]。

2.2 SVM自動(dòng)匹配方法

快遞公司自動(dòng)匹配問題，可供匹配選擇的快遞公司有多個(gè)，已經(jīng)不是簡單的二分類問題，同時(shí)影響匹配結(jié)果的特征共有6個(gè)，這6個(gè)因素隨機(jī)分布，且彼此之間相互影響較低或者彼此互不影響。SVM方法在解決小樣本、非線性及高維的分類問題時(shí)具有優(yōu)勢(shì)，SVM模型分類效果好，可以有效處理高維空間數(shù)據(jù)。因此，本文采用SVM方法研究快遞公司自動(dòng)匹配。其具體算法如下：

Step1：將A公司已有的人工匹配數(shù)據(jù)計(jì)劃分為訓(xùn)練集(X1,Y1)和測(cè)試集(X2,Y2)。

Step2：選取核函數(shù)(x,y)，構(gòu)造相應(yīng)的凸二次規(guī)劃問題：

為明確各試樣調(diào)制系數(shù)隨電壓的增長速率，對(duì)特定激勵(lì)超聲頻率的各階模態(tài)調(diào)制系數(shù)曲線進(jìn)行一元線性回歸分析，即根據(jù)若干實(shí)測(cè)點(diǎn)確定調(diào)制系數(shù)y與低頻電壓x的關(guān)系，回歸函數(shù)記為

Step5：得到支持向量機(jī)模型：

SVM機(jī)器學(xué)習(xí)算法訓(xùn)練流程如圖1所示。

圖1 算法訓(xùn)練流程

3 自動(dòng)匹配python實(shí)現(xiàn)

自動(dòng)匹配python實(shí)現(xiàn)，是根據(jù)A公司零擔(dān)貨物快遞服務(wù)信息的原始數(shù)據(jù)表，借助已有的人工匹配數(shù)據(jù)構(gòu)建SVM模型學(xué)習(xí)的數(shù)據(jù)集，利用留出法將數(shù)據(jù)集劃分成互斥的訓(xùn)練集的和測(cè)試集，然后通過訓(xùn)練集訓(xùn)練SVM模型，利用測(cè)試集對(duì)自動(dòng)匹配模型進(jìn)行評(píng)估。

3.1 數(shù)據(jù)集獨(dú)熱編碼

數(shù)據(jù)集中，發(fā)貨省份和配送時(shí)效2個(gè)屬性只需要用不同數(shù)字進(jìn)行區(qū)分，不同省份的數(shù)字之間沒有大小關(guān)系，需要進(jìn)行獨(dú)熱編碼處理，獨(dú)熱編碼是借助不同的數(shù)字表示離散屬性的不同表現(xiàn)狀態(tài)。利用獨(dú)熱編碼處理數(shù)據(jù)時(shí)，處理后的離散屬性沒有大小的含義，只是代表了一種屬性表現(xiàn)形式。利用python編程將數(shù)據(jù)集中發(fā)貨省份和配送時(shí)效2個(gè)屬性進(jìn)行獨(dú)熱編碼處理，獨(dú)熱編碼具體結(jié)果如表2、表3所示。

表2 發(fā)貨省份獨(dú)熱編碼表

原數(shù)據(jù)集屬性值獨(dú)熱編碼值 山西省0 西藏自治區(qū)1 重慶2 陜西省3 新疆維吾爾自治區(qū)4 吉林省5 四川省6 廣東省7 遼寧省8 青海省9 北京10 河北省11 天津12 湖北省13 浙江省14 貴州省15 云南省16 福建省17 寧夏回族自治區(qū)18 廣西壯族自治區(qū)19 上海20 內(nèi)蒙古自治區(qū)21 安徽省22 山東省23 江西省24 海南省25 河南省26 江蘇省27 湖南省28 黑龍江省29 甘肅省30

表3 配送時(shí)效獨(dú)熱編碼表

原數(shù)據(jù)集屬性值獨(dú)熱編碼值 當(dāng)日達(dá)0 次日達(dá)1 正常送達(dá)2

3.2 訓(xùn)練集與測(cè)試集的劃分

在進(jìn)行機(jī)器學(xué)習(xí)模型訓(xùn)練時(shí)，需要將數(shù)據(jù)集劃分為互斥的訓(xùn)練集與測(cè)試集，為了更好地檢測(cè)匹配模型的泛化能力，本文采用留出法進(jìn)行數(shù)據(jù)集劃分，將數(shù)據(jù)集劃分為2個(gè)互斥的組合，其中一個(gè)作為訓(xùn)練集，一個(gè)作為測(cè)試集。訓(xùn)練集對(duì)模型進(jìn)行訓(xùn)練，測(cè)試集用來對(duì)模型進(jìn)行評(píng)估，劃分結(jié)果如表4、表5所示，其中表4為訓(xùn)練集，大小為33 570×6，表5為測(cè)試集，大小為8 393×6。

表4 訓(xùn)練集數(shù)據(jù)表

訓(xùn)練集編號(hào)原數(shù)據(jù)集編號(hào)發(fā)貨省份配送時(shí)效發(fā)貨數(shù)量發(fā)貨品種數(shù)出庫包裹數(shù)稱重重量 001202211.41 111401114.043 22902111.511 34718118.095 452208119.56 ························ 1539719200712118.593 15398192011403110.47 15399192021103212.107 1540019203713110.51 15401192062702115.575 ························ 33566419575021226.568 33566419581504210.776 33567419602704411.52 33568419611911114.77 33569419622801114.468

表5 測(cè)試集數(shù)據(jù)表

訓(xùn)練集編號(hào)原數(shù)據(jù)集編號(hào)發(fā)貨省份配送時(shí)效發(fā)貨數(shù)量發(fā)貨品種數(shù)出庫包裹數(shù)稱重重量 031102111.41 18712217.474 210714312.83 3191914114.362 4239012512.894 ························ 4058200881102210.876 4059200931402112.422 4060201021401114.653 4061201032801111.189 4062201122201110.74 ····················· 8388419372911110.335 8389419422202111.423 8390419451911110.78 8391419482701117.22 839241959714212.737

3.3 自動(dòng)匹配模型訓(xùn)練

用訓(xùn)練集數(shù)據(jù)進(jìn)行SVM的訓(xùn)練，借助python編程，從sklearn工具庫中直接調(diào)用SVM函數(shù)進(jìn)行訓(xùn)練[5]?；诿總€(gè)樣本中包含發(fā)貨省份，發(fā)貨數(shù)量，發(fā)貨品種數(shù)，出庫包裹數(shù)和稱重重量工6項(xiàng)特征值，選用高斯核即核函數(shù)(kernel)為rbf，選用停止訓(xùn)練的誤差大小(tol)為0.001，最大迭代次數(shù)(max_iter)為-1，可以使得在訓(xùn)練時(shí)只要誤差大于0.001模型就會(huì)進(jìn)行優(yōu)化，且不限制優(yōu)化次數(shù)，直至訓(xùn)練的誤差小于0.001，程序代碼與運(yùn)行結(jié)果如表6所示。

3.4 自動(dòng)匹配模型評(píng)估

通過python編程，針對(duì)最終模型通過測(cè)試集數(shù)據(jù)進(jìn)行評(píng)估，機(jī)器學(xué)習(xí)自動(dòng)匹配模型對(duì)測(cè)試集8 393條數(shù)據(jù)進(jìn)行匹配時(shí)所用時(shí)間為1.97 s。人工匹配，人查看需求，選快遞公司，點(diǎn)擊鼠標(biāo)，最快按1 s一條數(shù)據(jù)計(jì)算人工匹配所需時(shí)間，最少需要8 393 s，自動(dòng)匹配所用時(shí)間遠(yuǎn)遠(yuǎn)小于人工匹配的所用時(shí)間，并且8 393條數(shù)據(jù)中，自動(dòng)匹配的正確匹配的數(shù)據(jù)有7 548條匹配正確，自動(dòng)匹配的精度可達(dá)到0.90。

表1數(shù)據(jù)是公司1周的人工匹配數(shù)據(jù)，有41 964條快遞需求，可供選擇的快遞公司有8家，平均1天需要進(jìn)行匹配的零擔(dān)需求大約為7 000條，工作人員一天需要進(jìn)行的查看次數(shù)為3.36×105，人工匹配耗費(fèi)大量的人力資源和物質(zhì)資源，且匹配時(shí)間長，效率低下。采用自動(dòng)匹配方法，可以實(shí)現(xiàn)匹配用時(shí)少，匹配效率高，從而實(shí)現(xiàn)匹配成本降低。

表6 程序代碼與運(yùn)行結(jié)果

代碼運(yùn)行結(jié)果 #支持向量機(jī)import pandas as pdimport numpy as npfrom sklearn import svmfrom sklearn.model_selection import train_test_splitx=data.iloc[:,0:6]y=data.iloc[:,6]x_train, x_test, y_train, y_test = train_test_split(x, y, random_state = 1 , train_size = 0.8 )ajiao=svm.SVC()ajiao.fit(x_train, y_train.ravel())SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0,decision_function_shape='ovr', degree=3, gamma='auto', kernel='rbf',max_iter=-1, probability=False, random_state=None, shrinking=True,tol=0.001, verbose=False)

表7 8393條數(shù)據(jù)自動(dòng)匹配與人工匹配對(duì)比表

匹配方式匹配正確記錄匹配時(shí)間匹配精度匹配用時(shí)匹配效率匹配成本 人工匹配83938393s1.00多低高 自動(dòng)匹配75481.97s0.90少高低

4 結(jié)束語

本文研究零擔(dān)貨物快遞公司的機(jī)器學(xué)習(xí)SVM自動(dòng)匹配方法，以某公司零擔(dān)貨物快公司人工匹配信息構(gòu)建數(shù)據(jù)集，采用SVM機(jī)器學(xué)習(xí)模型方法進(jìn)行快遞公司自動(dòng)匹配，并用python編程實(shí)現(xiàn)零擔(dān)貨物快遞需求與快遞公司的自動(dòng)匹配。本文研究表明SVM自動(dòng)匹配所用時(shí)間，遠(yuǎn)遠(yuǎn)小于人工匹配所需的時(shí)間，匹配精度達(dá)到0.90，自動(dòng)匹配方法可有效提高快遞公司匹配效率，降低匹配成本，能有效提高公司競(jìng)爭力。

[1] 周志華. 機(jī)器學(xué)習(xí)[M]. 北京: 清華大學(xué)出版社, 2016. 121-139

[2] 張良均, 譚麗云, 劉明軍, 等. Python數(shù)據(jù)分析與挖掘?qū)崙?zhàn)[M]. 2版. 北京: 機(jī)械工業(yè)出版社, 2020: 59-62

[3] David Forsyth. Applied Machine Learning[M].Springer Nature Switzerland AG, 2019: 14-20

[4] 莫凡. 機(jī)器學(xué)習(xí)算法的數(shù)學(xué)解析與Python實(shí)現(xiàn)[M]. 北京: 機(jī)械工業(yè)出版社, 2020: 146-153.

[5] Wes McKinney著, 徐敬一譯. 利用Python進(jìn)行數(shù)據(jù)分析[M]. 2版. 北京: 機(jī)械工業(yè)出版社, 2018: 377-380.

Research on Automatic Matching of LCL Express Service Company

RUAN Yong-jiao, CHEN Xin, SUN Cheng-zhen, CHEN Ya-xin

（School of Automobile and Traffic Engineering, Liaoning University of Technology, Jinzhou 121001, China）

Automatic matching of LCL express service company and the SVM automatic matching method are researched. The purpose is to automatically match the most suitable express company according to the service demand of LCL Express. The research method is based on machine learning. with the help of the existing artificial matching data to build the data set. Through python programming, the training set is used to train the machine learning model of the automatic matching of the LCL express service company, and the verification set is used to verify the automatic matching effect. The evaluation results of the verification set show that the automatic matching time of express service company based on the LCL demand is only 1.89 s, and the matching accuracy reaches 0.90. The automatic matching model can efficiently and appropriately match the express service company for the LCL demand. The supply and demand of LCL Express service are suitable. This study can help logistics service companies to save matching costs, improve matching efficiency, and enhance their competitiveness. Meanwhile, it can provide ideas and reference for machine learning application in the era of artificial intelligence.

LCL express; express requirements; express service company; automatic matching; SVM

10.15916/j.issn1674-3261.2022.03.003

U16

A

1674-3261(2022)03-0151-05

2021-06-27

遼寧省先進(jìn)裝備制造業(yè)基地建設(shè)工程中心項(xiàng)目（LNTH2020122E）；遼寧工業(yè)大學(xué)研究生教育改革創(chuàng)新項(xiàng)目經(jīng)費(fèi)資助（YJG2021003）

阮永嬌(1997-)，女，山東臨沂人，碩士生

陳 昕(1972-)，女，遼寧鐵嶺人，教授，博士。

責(zé)任編輯：陳 明