物流信息平台作为实现司机和货主信息共享的基础设施,对司机与货主进行匹配是整合公路货运市场上的物流资源、提高物流运输效益的基础保证。物流信息平台能够通过车货匹配来减少货运因车、货信息混乱而导致的空载。与此同时,当前互联网技术与零售行业的融合进一步深化,衍生了一系列新的业态,如:新零售、生鲜电商等,提高了消费者对货物配送时间的敏感性。不少电子商务平台与物流信息平台开展合作,以求最小化配送时间。因此,如何对繁杂的车、货信息进行高效的匹配和准确的预测,对于物流信息平台的匹配策略制定以及提升物流资源利用效率具有重要的现实意义。目前,学者们对车货匹配的研究主要归纳为单一的双边匹配或路径规划问题,很少考虑不同业务场景下的车货匹配方式存在不同的问题。本文从数据驱动的角度出发,针对长途货运和同城货运等不同平台业务,分别提出基于离线和在线条件下的车货匹配模型,以期为现实物流信息平台提供更为全面的匹配决策参考,同时拓展现有的车货匹配理论。具体来说,本文的研究内容主要涉及以下几个方面:首先,基于离线条件下,平台根据货主提前发布预约配送的订单进行车货匹配。本文考虑司机历史行为数据与司机、货主和货物订单存在潜在关联,以及司机仅对少量货物订单感兴趣的情况,提出了XGBoost+Easy Ensemble车货匹配模型。另外,本文针对不同属性特征进行分析,并通过设计对比实验以验证模型的有效性及科学性。采用Logistic回归、朴素贝叶斯模型、随机森林、GBDT等常用的分类模型作为参照基准,与XGBoost+Easy Ensemble车货匹配模型作对比。同时,在运满满的真实司机历史行为数据集上进行实验,与基准算法相比,XGBoost+Easy Ensemble车货匹配方法能够取得较优的预测结果。其次,基于在线条件下,平台根据货主发布即时配送的订单进行车货匹配。本文基于在线匹配条件下考虑存在司机流失的情况,结合二部图理论对车货匹配问题进行建模。通过最大化司机的未来匹配能力为优化目标,以实现平台整体订单成交量最大化。本文将在线车货匹配问题转化为Beta OM应用场景并进行求解。然后以Greedy作为对比,使用仿真数据进行实验验证Beta OM算法在在线车货匹配问题上应用的可行性。