基于用户轨迹的小件物流配送方法及系统

1.一种基于用户轨迹的小件物流配送方法，其特征在于包括以下步骤：
步骤一：通过GPS收集用户的出行轨迹，并将用户名、用户的出行时间、出发地、目的地和出行方式存储在智能终端中，其中所述用户为待选择物流携带者，智能终端为物流携带者客户端，
步骤二：对用户的出行轨迹信息进行预处理，包括对采集到的信息数据进行校正、滤波平滑和奇异点的检测、去除，数据经过处理后，再经过数据集成，存放在物流携带者客户端中的用户出行轨迹存储模块中，供用户出行信息预测使用，
步骤三：通过物流携带者客户端中的用户出行信息预测模块，根据步骤二中所获用户出行轨迹信息，对用户的出行信息进行预测，包括通过构建轨迹的Tid_List来计算支持度，即在每一次迭代产生候选频繁轨迹集合时通过Tid_List来计算支持度，在每一次迭代产生候选频繁轨迹集合时通过Tid_List的交集，来产生新的Tid_List，通过迭代找出所有频繁轨迹的集合F，进而产生相应的运动规则，将所有运动规则的集合叫做运动规则集，通过运动规则的匹配来预测用户的出行信息，并将最终预测结果以及参与物流意愿发送至服务器，
步骤四：服务器接收用户出行信息、参与物流意愿和由货物发送客户端发送的物流需求，通过匹配算法，为用户推荐匹配度高的物流；
其中所述步骤三中所述通过构建轨迹的Tid_List来计算支持度，包括以下步骤：(1)扫描用户出行轨迹数据库D，找出单位频繁轨迹集f1(所有长度为1的频繁轨迹的集合)，并给每个单位频繁轨迹建立其相应的Tid_List，
(2)对于两条单位频繁轨迹ta和tb，满足设定的条件，那么将两条轨迹合并，生成一条长度为2的轨迹，即ta∧tb，将所有通过此方法构成的轨迹的集合叫做2-频繁轨迹候选集，记做C2，也即长度为2的所有频繁轨迹都包含在C2中，即 同时，对C2中所有轨迹建立Tid_List，建立方法是对组成其中轨迹的单位频繁轨迹的Tid_List作交集，以ta，tb为例，将它们合并生成的轨迹记做tc，那么tc的Tid_List通过ta，tb的Tid_List做交集得到，即tc_TidL＝ta_TidL∩tb_TidL，轨迹tc的支持度sup(tc)＝∣tc_TidL∣/∣D∣，将支持度不满足阈值minsup的轨迹从C2中删除，便生成了长度为2的频繁轨迹集f2，(3)对于f2中的所有轨迹，将可连接的任意两条轨迹做连接操作，将连接生成的所有轨迹构成3-频繁轨迹候选集C3，设ta和tb可以连接，令 那么将轨迹tc加入到集合C3中，和第二步一样计算出tc_TidL＝ta_TidL∩tb_TidL,同时tc的支持度相应的通过sup(tc)＝∣tc_TidL∣/∣D∣得出，从C3删除支持度小于阈值minsup的轨迹，就生成了长度为3的频繁轨迹集f3，反复进行这个过程，不断通过对fk-1中轨迹进行连接以及相应的操作产生fk，直到不再产生更长的频繁轨迹集为止，最后，将产生的所有频繁轨迹的集合F及其包含的轨迹的支持度输出；
步骤三中所述产生相应的运动规则，具体包括对于一条长度为k的频繁轨迹ti，可以将
1 2
其分裂为k-1个轨迹对(ti,ti)，若 其中minconf
是给定的最小支持度阈值，则记 是一条运动规则，所有运动规则的集合叫做运动规则集，记为movrule；
步骤三中，生成规则集movrule之后，有了规则集，最后一步就是通过运动规则的匹配来预测用户的出行信息，预测的具体过程如下：
步骤1：对于一个用户o，给出其最近的运动轨迹tp，将tp作为输入，在规则集movrule中查找满足如下要求的规则：1)运动规则 的前项ti是tp的子轨迹，且ti的包含序列的最后一项和tp所包含的序列的最后一项相同，2)tp是运动规则 的前项ti的子轨迹，且tp的包含序列的最后一项和ti所包含的序列最后一项相同，3)运动规则 的前项ti和tp完全相同；
步骤2：对上一步找出的所有运动规则，按置信度的大小进行排序，将置信度最大的运动规则的后项tj作为预测结果输出，移动对象o在未来一段时间的位置就处在tj所表示的轨迹上，且运动趋势就是tj所示的轨迹趋势；
步骤3：倘若找不到任何满足上述要求的规则，则返回预测失败信息或者随机返回任意一条规则的后项轨迹，作为预测结果；
步骤四中所述通过匹配算法为用户推荐匹配度高的物流，采用的匹配算法是遗传算法和复形法的混合算法，具体实施步骤如下：
第1步：初始化，确定种群规模N，交叉概率pc，变异概率pm，循环代数，设置终止条件，产生初始种群，置循环代数g:＝1，
第2步：使用如下适应度函数，选取合适的Cmax的值，计算出各个个体的适应度值，并找出最优个体，
第3步：用轮盘赌选择法，产生中间群体，对选择操作后的群体，采用算术交叉算子，依概率pc进行交叉，形成寻群体，对交叉后群体，依概率pm进行变异，其中γ取高斯随机数，比较第2步中的最优个体和变异后的最差个体，进行取代，保存变异后的次差个体；
第4步：在最优个体小于h的邻域内随机找出k个不同的点构成复形，这里的随机点是最优个体的每一维分别加上h·randn进行k次找到的,h为随迭代数不断变小的量,randn为随机高斯数，然后进行复形法迭代，得出的个体与上步中得到的次差个体进行比较代替，更新群体，
第5步：若满足终止准则，则输出群体中最优个体，停止计算，否则，令g＝g+1，转到第
2步；
步骤四执行完毕后，继续执行以下步骤：
步骤五：用户通过匹配服务器中的用户反向竞价模块对步骤四中服务器推荐的物流信息进行选择，其中在某一个时间段内一个用户只能对一次物流配送进行竞价，即同一用户在两分钟内不得连续出价；最终最低出价的用户获得物流配送的权利，步骤六：配送完成后的激励，具体为配送完成之后用户通过用户携带者客户端向服务器发送配送完成的信息，服务器的用户虚拟货币支付模块为用户支付虚拟货币。
2.一种应用如权利要求1中所述基于用户轨迹的小件物流配送方法的系统，其特征在于包括服务器、两个以上的物流携带者客户端、两个以上的货物发送者客户端，其中每个物流携带者客户端和货物发送者客户端分别与服务器建立通信。

基于用户轨迹的小件物流配送方法及系统\n技术领域：\n[0001] 本发明涉及移动物联网交叉技术领域，具体地说是一种能够有效提高物流配送效率、降低物流成本的基于用户轨迹的小件物流配送方法及系统。\n背景技术：\n[0002] 随着世界经济全球化和信息技术的发展，现代物流在经济和社会中的作用日益凸显，受到了企业和政府的重视。目前，小件物流在现代物流中所占的比重达70％。小件物流的配送成本包括社会分拣人力成本、配送人力成本和配送交通成本等，相比于配送价格，配送成本比例过大。这大大限制了现代物流的发展。\n[0003] 移动物联网以移动终端为载体，实现了物与物、人与物之间的整合。移动终端不仅具有通话功能，而且集成了丰富的计算、感知和通信能力。用户通过随身携带移动终端就可以收集并共享周围环境的感知数据。对大量样本进行统计发现，物流的需求和城市中人群日常出行轨迹接近。因此，将用户的出行轨迹通过移动终端收集，匹配服务器根据用户的出行轨迹为小件物流配送找到最小代价的出行者携带配送，可以有效地降低物流配送的成本。\n[0004] 该技术涉及用户出行轨迹收集、用户出行信息预测、用户和待配送物品的最优化匹配等多项技术。现有技术可以收集用户的出行信息，例如，GPS装置可以记录用户在一段时间内位于不同位置的经纬度，然后可将此信息作为一个轨迹记录。\n[0005] 用户出行信息预测就是根据用户的出行轨迹，采用数据挖掘方法从中找出用户的出行规律，并结合用户当前的运动趋势，实现对用户出行信息的预测。目前国内外关于用户出行信息预测的方法主要分为两类：一类是传统的利用构造运动模型和运动函数的仿真技术并构造运动模型来精确预测的方法，这类方法研究时间久，技术成熟，但是却有着本质上的缺陷。另一类是新提出的使用数据挖掘相关技术进行预测的方法，这类方法依赖移动对象数据库中的历史数据，预测的实时性强。但是现有移动对象数据挖掘算法效率不高，并且在很多方面考虑不周全，许多涉及该方法的研究都没有给出一个十分完善且详尽的预测体系。本发明使用的Apriori算法的改进算法TidTraj算法有效地提高了时效性和精确度。\n[0006] 用户和待配送物品的最优化匹配是根据用户的出行信息、出行意愿和物流配送需求，为用户推荐最匹配的物流配送任务，实现物流配送的最小代价花费。目前最优化算法分为两大类，第一类包括单纯形法、梯度法、动态规划法、分支剪界法，这些算法对于高度分线性的约束优化问题或NP-HARD问题、问题规模比较大的问题难以获得令用户满意的次优解；第二类是现代优化算法，包括遗传算法、模拟退火算法、群体复合形算法、人工鱼群算法和粒子群算法等，它们在优化复杂系统时，在一般情况下，还是能得到令人满意的次优解。\n本发明将遗传算法和复形法结合起来，加强了算法的搜索能力，加快了全局寻优速度。在这种混合算法中，遗传算法把握大局，确保混合算法能找到全局最优点的附近，复形法则在局部最优点附近有方向性的靠近最优点，在一定程度上解决了遗传算法的早熟问题。将遗传算法与复形法结合可以得到一定程度的互补效果，使得在较少的迭代步中找到精确度高的最优点。\n发明内容：\n[0007] 本发明针对现有技术中存在的缺点和不足，提出一种匹配准确、能够显著提高物流配送效率，并降低物流配送成本的基于用户出行轨迹的小件物流配送方 法及系统。\n[0008] 本发明可以通过以下措施达到：\n[0009] 一种基于用户出行轨迹的小件物流配送方法，其特征在于包括以下步骤：\n[0010] 步骤一：通过GPS收集用户的出行轨迹，并将将用户名、用户的出行时间、出发地、目的地和出行方式存储在智能终端中，其中所述用户为待选择物流携带者，智能终端为物流携带者客户端，\n[0011] 步骤二：对用户的出行轨迹信息进行预处理，包括对采集到的信息数据进行校正、滤波平滑和奇异点的检测、去除，数据经过处理后，再经过数据集成，存放在物流携带者客户端中的用户出行轨迹存储模块中，供用户出行信息预测使用，\n[0012] 步骤三：通过物流携带者客户端中的用户出行信息预测模块，根据步骤二中所获用户出行轨迹信息，对用户的出行信息进行预测，包括通过构建轨迹的Tid_List来计算支持度，即在每一次迭代产生候选频繁轨迹集合时通过Tid_List来计算支持度，在每一次迭代产生候选频繁轨迹集合时通过Tid_List的交集，来产生新的Tid_List，通过迭代找出所有频繁轨迹的集合F，进而产生相应的运动规则，将所有运动规则的集合叫做运动规则集，通过运动规则的匹配来预测用户的出行信息，并将最终预测结果以及参与物流意愿发送至服务器2，\n[0013] 步骤四：服务器2接收用户出行信息、参与物流意愿和由货物发送客户端发送的物流需求，通过匹配算法，为用户推荐匹配度高的物流。\n[0014] 本发明中执行步骤四后，用户可以通过执行如下步骤对服务器推荐的匹配度高的物流进行进一步选择，具体为用户通过匹配服务器中的用户反向竞价模块进行选择，用户反向竞价模块的功能包括用户竞价流程的控制；用户权限的配置，即在某一个时间段内一个用户只能对一次物流配送进行竞价；设置时间限制功能，即同一用户在两分钟内不得连续出价；最终最低出价的用户获得物流配送的权利，完成物流的进一步选择。\n[0015] 本发明还包括配送完成后的激励，具体为配送完成之后用户通过用户携带者客户端向服务器发送配送完成的信息，服务器的用户虚拟货币支付模块为用户支付虚拟货币。\n[0016] 本发明步骤三中所述通过构建轨迹的Tid_List来计算支持度，包括以下步骤：\n[0017] (1)扫描用户出行轨迹数据库D，找出单位频繁轨迹集f1(所有长度为1的频繁轨迹的集合)，并给每个单位频繁轨迹建立其相应的Tid_List，\n[0018] (2)对于两条单位频繁轨迹ta和tb，满足设定的条件，那么将两条轨迹合并，生成一条长度为2的轨迹，即ta∧tb，将所有通过此方法构成的轨迹的集合叫做2-频繁轨迹候选集，记做C2，也即长度为2的所有频繁轨迹都包含在C2中，即 同时，对C2中所有轨迹建立Tid_List，建立方法是对组成其中轨迹的单位频繁轨迹的Tid_List作交集，以ta，tb为例，将它们合并生成的轨迹记做 tc，那么tc的Tid_List通过ta，tb的Tid_List做交集得到，即tc_TidL＝ta_TidL∩tb_TidL。轨迹tc的支持度sup(tc)＝|tc_TidL|/|D|，将支持度不满足阈值min sup的轨迹从C2中删除，便生成了长度为2的频繁轨迹集f2，[0019] (3)对于f2中的所有轨迹，将可连接的任意两条轨迹做连接操作，将连接生成的所有轨迹构成3-频繁轨迹候选集C3，设ta和tb可以连接，令 那么将轨迹tc加入到集合C3中，和第二步一样计算出tc_TidL＝ta_TidL∩tb_TidL,同时tc的支持度相应的通过sup(tc)＝|tc_TidL|/|D|得出，从C3删除支持度小于阈值min sup的轨迹，就生成了长度为3的频繁轨迹集f3，反复进行这个过程，不断通过对fK-1中轨迹进行连接以及相应的操作产生fK，直到不再产生更长的频繁轨迹集为止，最后，将产生的所有频繁轨迹的集合F及其包含的轨迹的支持度输出。\n[0020] 本发明步骤三中所述产生相应的运动规则，具体包括对于一条长度为k的频繁轨迹ti，可以将其分裂为k-1个轨迹对 若 \n其中minconf是给定的最小支持度阈值，则记 是一条运动规则，所有运动规则的集合叫做运动规则集(简称规则集)，记为movrule。\n[0021] 本发明步骤三中，生成规则集movrule之后，有了规则集，最后一步就是通过运动规则的匹配来预测用户的出行信息，预测的具体过程如下：\n[0022] 对于一个用户o，给出其最近的运动轨迹tp，将tp作为输入，\n[0023] 步骤1：在规则集movrule中查找满足如下要求的规则：1)运动规则 的前项ti是tp的子轨迹，且ti的包含序列的最后一项和tp所包含的序列的最后一项相同，2)tp是运动规则 的前项ti的子轨迹，且tp的包含序列的最后一项和ti所包含的序列最后一项相同，3)运动规则 的前项ti和tp完全相同；\n[0024] 步骤2：对上一步找出的所有运动规则，按置信度的大小进行排序，将置信度最大的运动规则的后项tj作为预测结果输出，移动对象o在未来一段时间的 位置就处在tj所表示的轨迹上，且运动趋势就是tj所示的轨迹趋势；\n[0025] 步骤3：倘若找不到任何满足上述要求的规则，则返回预测失败信息或者随机返回任意一条规则的后项轨迹，作为预测结果。\n[0026] 本发明步骤四中所述通过匹配算法为用户推荐匹配度高的物流，所采用的匹配算法是遗传算法和复形法的混合算法，采用该算法的优点是可以再较少的迭代步中实现精确度高的匹配，具体实施步骤如下：\n[0027] 1、初始化，确定种群规模N，交叉概率pc，变异概率pm，循环代数，设置终止条件，产生初始种群，置循环代数g:＝1，\n[0028] 2、使用如下适应度函数，选取合适的Cmax的值，计算出各个个体的适应度值，并找出最优个体，\n[0029] 3、step1：用轮盘赌选择法，产生中间群体，\n[0030] step2：对选择操作后的群体，采用算术交叉算子，依概率pc进行交叉，形成寻群体，\n[0031] step3：对交叉后群体，依概率pm进行变异，其中γ取高斯随机数，[0032] step4：比较Step 2中的最优个体和变异后的最差个体，进行取代，保存变异后的次差个体。\n[0033] 4、在最优个体小于h的邻域内随机找出k个不同的点构成复形，(这里的随机点是最优个体的每一维分别加上h·randn进行k次找到的,h为随迭代数不断变小的量,randn为随机高斯数)，然后进行复形法迭代，得出的个体与上步中得到的次差个体进行比较代替，更新群体，\n[0034] 5、若满足终止准则，则输出群体中最优个体，停止计算，否则，令g＝g+1，转到步骤2。\n[0035] 一种应用如上所述基于用户轨迹的小件物流配送方法的系统，其特征在于包括服务器、两个以上的物流携带者客户端、两个以上的货物发送者客户端，其中每个物流携带者客户端和货物发送者客户端分别与服务器建立通信。\n[0036] 本发明中基于用户出行轨迹的小件物流配送系统，其中所述物流携带者客户端内设有用户出行轨迹信息收集模块、用户出行轨迹存储模块以及用户出行信息预测模块，所述服务器内设有用于存储用户轨迹信息的数据存储模块，匹配模块以及用户反向竞价模块。\n[0037] 本发明将物流信息和人的出行需求有效结合起来，充分利用出行时的携带能力，解决物流运输问题，对物流行业来说：1)能够很大地降低社会分拣人力成本、配送人力成本和配送交通成本等；2)节省了物流配送的时间，提高了效率。对出行者而言，创造就业机会，增加个人收入，相对于现有技术，本发明通过对用户的出行信息进行预测，并通过匹配算法为用户推荐匹配度高的物流，具有能够有效利用现有闲置资源，降低物流成本，提高物流效率等优点。\n附图说明：\n[0038] 附图1是本发明的流程图。\n[0039] 附图2是本发明中配送系统的结构示意图。\n[0040] 附图3是本发明中仅有一组用户的状态下配送系统的结构示意图。\n[0041] 附图4是用户竞价流程图。\n[0042] 附图标记：物流携带者客户端1、服务器2、货物发送者客户端3、用户出行轨迹信息收集模块4、用户出行轨迹存储模块5、用户出行信息预测模块6、数据存储模块7、匹配模块8、用户反向竞价模块9、虚拟货币支付模块10。\n具体实施方式：\n[0043] 下面将结合附图和实施例对本发明作进一步的详细说明。\n[0044] 如附图2所示，本发明是一种基于用户出行轨迹的小件物流配送方法，由服务器\n2、两个以上的物流携带者客户端1、两个以上的货物发送者客户端3，其中物流携带者客户端1和货物发送者客户端3分别与服务器2建立通信，其中所述物流携带者客户端1内设有用户出行轨迹信息收集模块4、用户出行轨迹存储模块5以及用户出行信息预测模块6，所述服务器2内设有用于存储用户轨迹信息的数据存储模块7，匹配模块8，用户反向竞价模块9以及虚拟货币支付模块10。\n[0045] 本发明还提出一种基于用户出行轨迹的小件物流配送方法，如附图1所示，主要包括以下几个步骤：\n[0046] 步骤一：通过GPS即用户出行轨迹信息收集模块4，收集用户的出行轨迹，并将将用户名、用户的出行时间、出发地、目的地和出行方式存储在智能终端中，其中所述用户为待选择物流携带者，智能终端为物流携带者客户端1，\n[0047] 步骤二：对用户的出行轨迹信息进行预处理，包括对采集到的信息数据进行校正、滤波平滑和奇异点的检测、去除，数据经过处理后，再经过数据集成，存放在物流携带者客户端1中的用户出行轨迹存储模块5中，供用户出行信息预测使用，\n[0048] 步骤三：通过物流携带者客户端1中的用户出行信息预测模块6，根据步骤二中所获用户出行轨迹信息，对用户的出行信息进行预测，包括通过构建轨迹的Tid_List来计算支持度，即在每一次迭代产生候选频繁轨迹集合时通过Tid_List来计算支持度，在每一次迭代产生候选频繁轨迹集合时通过Tid_List的交集，来产生新的Tid_List，通过迭代找出所有频繁轨迹的集合F，进而产生相应的运动规则，将所有运动规则的集合叫做运动规则集，通过运动规则的匹配来预测用户的出行信息，并将最终预测结果以及参与物流意愿发送至服务器2，\n[0049] 步骤四：服务器2接收用户出行信息、参与物流意愿和由货物发送客户端发送的物流需求，通过服务器2中匹配模块8内的匹配算法，为用户推荐匹配度高的物流。\n[0050] 本发明中执行步骤四后，用户可以通过执行如下步骤对服务器2推荐的匹配度高的物流进行进一步选择，具体为用户通过服务器2中的用户反向竞价模块9进行选择，用户反向竞价模块9的功能包括用户竞价流程的控制；用户权限的配置，即在某一个时间段内一个用户只能对一次物流配送进行竞价；设置时间限制功能，即同一用户在两分钟内不得连续出价；最终最低出价的用户获得物流配送的权利，完成物流的进一步选择。\n[0051] 本发明还包括配送完成后的激励，具体为配送完成之后用户通过用户携带者客户端向服务器发送配送完成的信息，服务器2的虚拟货币支付模块10为用 户支付虚拟货币。\n[0052] 本发明中步骤三对于用户出行轨迹的预测，采用Apriori算法的改进算法，解决了Apriori算法对数据库扫描次数过多的缺陷。该算法用来挖掘频繁轨迹集合，从而在此基础上进行移动对象的预测。基于频繁轨迹的预测方法，主要是从历史运动轨迹中，找到频繁出现的轨迹。举一个简单的例子，针对一条频繁轨迹序列ABCD，如果当前移动对象的运动轨迹为AB那么完全有理由预测它未来的运动轨迹可能是CD。在此用到的Apriori改进算法能够使得挖掘到预测的过程在时间效率上有显著的提高。\n[0053] 对于传统的基于频繁轨迹的预测方法，采用的频繁轨迹挖掘算法都是基于Apriori算法，这些算法在频繁轨迹的挖掘过程中，对于每一次生成的频繁轨迹候选集合都要通过扫描一次数据库来计算其支持度以确定频繁轨迹。针对这一点，在这里提出了Tid_List(轨迹标识列表)的概念。Tid就是轨迹ID，对于用户出行轨迹数据库D中存储的所有历史运动轨迹，对于每一条都有唯一的标识，如表1所示。数据库中的所有单位轨迹都归属到某一条轨迹中，那么，对于一条单位轨迹，可以建立一个所有包含它的轨迹的Tid的列表，这个列表就叫做Tid_List。在表1中的一条单位轨迹＜A＞，轨迹1和轨迹5都包含它(也就是说＜A＞是这两条轨迹的子轨迹)。那么＜A＞的Tid_List就是{1,5}。那么对于表中的存储结构，我们可将其转化为包含单位轨迹及其轨迹标识列表的结构，表1中的数据按此方法转化后如表2所示。\n[0054] \n轨迹ID(Tid) 轨迹数据 \n1 \n2 \n3 \n4 \n5 \n[0055] 表1用户对象数据库的例子\n[0056] \n单位轨迹 Tid_List \nA {1,5} \nB {1,2,3,5} \nC {1,3,4,5} \nD {1,3,4} \nE {1,4} \n[0057] 表2是轨迹的Tid_list表示结构\n[0058] TidTraj算法的主要思想是通过构建轨迹的Tid_List来计算支持度，在每一 次迭代产生候选频繁轨迹集合时通过Tid_List的交集，来产生新的Tid_List。TidTraj要完成的工作是对于用户出行轨迹数据库D，给定一个最小支持度阈值min sup。TidTraj要通过迭代找出所有频繁轨迹的集合F。\n[0059] (1)扫描用户出行轨迹数据库D，找出单位频繁轨迹集f1(所有长度为1的频繁轨迹的集合)，并给每个单位频繁轨迹建立其相应的Tid_List。\n[0060] (2)对于两条单位频繁轨迹ta和tb，满足设定的条件，那么将两条轨迹合并，生成一条长度为2的轨迹，即ta∧tb。所有通过此方法构成的轨迹的集合叫做2-频繁轨迹候选集，记做C2，也就是说长度为2的所有频繁轨迹都包含在C2中，即 同时，对C2中所有轨迹建立Tid_List，建立方法是对组成其中轨迹的单位频繁轨迹的Tid_List作交集，以ta，tb为例，将它们合并生成的轨迹记做tc，那么tc的Tid_List通过ta，tb的Tid_List做交集得到，即tc_TidL＝ta_TidL∩tb_TidL。轨迹tc的支持度sup(tc)＝|tc_TidL|/|D|。\n将支持度不满足阈值min sup的轨迹从C2中删除，便生成了长度为2的频繁轨迹集f2。\n[0061] (3)对于f2中的所有轨迹，将可连接的任意两条轨迹做连接操作，将连接生成的所有轨迹构成3-频繁轨迹候选集C3。设ta和tb可以连接，令 那么将轨迹tc加入到集合C3中，和第二步一样计算出tc_TidL＝ta_TidL∩tb_TidL,同时tc的支持度相应的通过sup(tc)＝|tc_TidL|/|D|得出。从C3删除支持度小于阈值min sup的轨迹，就生成了长度为3的频繁轨迹集f3。反复进行这个过程，不断通过对fK-1中轨迹进行连接以及相应的操作产生fK。直到不再产生更长的频繁轨迹集为止。最后，将产生的所有频繁轨迹的集合F及其包含的轨迹的支持度输出。\n[0062] 利用TidTraj算法挖掘出的频繁轨迹集合，可以较容易的产生相应的运动规则。对于一条长度为k的频繁轨迹ti，可以将其分裂为k-1个轨迹对 若 \n其中min conf是给定的最小支持度阈 值。那\n么 就是一条运动规则。所有运动规则的集合叫做运动规则集(简称规则集)，记为movrule。\n[0063] 生成规则集movrule之后，有了规则集，最后一步就是通过运动规则的匹配来预测用户的出行信息。预测的具体过程如下：\n[0064] (1)对于一个用户o，给出其最近的运动轨迹tp，将tp作为输入，\n[0065] (2)在规则集movrule中查找满足如下要求的规则：\n[0066] 1)运动规则 的前项ti是tp的子轨迹，且ti的包含序列的最后一项和tp所包含的序列的最后一项相同，2)tp是运动规则 的前项ti的子轨迹。且tp的包含序列的最后一项和ti所包含的序列最后一项相同，3)运动规则 的前项ti和tp完全相同。\n[0067] (3)对上一步找出的所有运动规则，按置信度的大小进行排序，将置信度最大的运动规则的后项tj作为预测结果输出，移动对象o在未来一段时间的位置就处在tj所表示的轨迹上，且运动趋势就是tj所示的轨迹趋势。\n[0068] (4)倘若找不到任何满足上述要求的规则，则返回预测失败信息或者随机返回任意一条规则的后项轨迹，作为预测结果。\n[0069] 本发明中步骤四匹配服务器接收用户的出行信息、参与物流意愿和物流需求，通过匹配算法，为用户推荐匹配度高的物流；\n[0070] 所采用的匹配算法是遗传算法和复形法的混合算法，采用该算法的优点是可以再较少的迭代步中实现精确度高的匹配。\n[0071] 复形法在匹配过程中是将复合形定点中最差的顶点以新的最佳点替代，来更新多面体，使之逼近最佳解。具体步骤如下：\n[0072] 1、构成复形。随机在n维可行空间内，随机选取k(k≥n+1)个点，一般k＝2n较好，构成的多面体；\n[0073] 2、对复合形各顶点的目标函数逐一进行比较，比较出最坏点xh，即：\n[0074] \n[0075] 再计算{x1,L xk}\{xh}所构成的凸包中心x0，\n[0076] \n[0077] 作x0的反射点x1，x1＝x0+a(x0-xh)\n[0078] 3、形成新的复形，若x1比xh好，即f(x1)