公路运输是最主要的货物运输方式,随着我国公路货运业务量的持续快速增长,货源供应量和营运车辆供应数量呈现与日俱增的趋势。而在公路运输中,一直存在车找货和货找车的难题。随着移动互联网的发展,解决这一问题的载体从线下的信息部转移到线上的车货匹配平台,但车货双方供需信息不对称的本质问题仍然存在。这就导致了车货供需信息标准化程度低、匹配效率低以及匹配推荐缺乏稳定性和精准性。基于公路货运物流的背景,本文首先对车货匹配平台的概念进行了界定,重点介绍了三种车货匹配的模式,梳理了车源和货源在平台上的匹配运作流程。进而在结合文献以及真实车货匹配平台数据的基础上提炼出了车源筛选和货源筛选的两级指标体系:即信息筛选指标和匹配效果指标,信息筛选指标用来选出合格的匹配对象,匹配效果指标用来对合格的匹配对象进行排序。在指标权重赋值方法上,创新性地利用数据挖掘技术和机器学习模型如Light GBM对真实车货匹配平台—运满满的数据进行挖掘分析,通过数据清洗和特征工程等手段对车源和货源的特征进行处理,最后在保证训练模型的精确率和召回率达到90%的效果下,得出各特征的重要性程度,即指标权重。在考虑单货源对单车源的匹配排序基础上,进一步统筹考虑相同起讫点的多货源和多车源的匹配,即不仅仅考虑某一车源方或者货源方的个体匹配度最大化,而是考虑相同起讫点的多个车源方及多个货源方的整体匹配度最大化,针对此问题构建了车货匹配推荐模型,并利用运满满平台数据,通过Python编程求解,得到了考虑整体匹配度情况下的车货匹配组合优化结果,并且通过对比不考虑整体匹配度情况下的匹配结果,验证了该匹配推荐模型的有效性。