1.基于认知图谱的冷链多温混配选温方法，其特征在于，包括如下步骤：

步骤1：对货源信息数据集D和车源信息数据集D1进行去重、去空，清洗和预处理后得到货源信息标签数据集D2和车源信息标签数据集D3；

步骤2：对数据集D2和D3进行统计概括和筛选，筛选出构建车货源关联图所需要的标签数据集D4作为车货源关联图的基础数据集，统计出其余货源信息数据集标签D5作为构建货源关联图的基础数据集，将货源关联图作为增强节点表示的辅助图；

步骤3：使用PMI构建货源关联图Gi＝(Vi，Ei)，利用不同货源信息标签数据集D5得到货源信息之间的权重最终得到货源关联图；

步骤4：利用TF‑IDF和PMI构建车货源关联图Gj＝(Vj，Ej)，通过对统计出的车货源信息标签数据集D4进行相应关键词提取，再进行关联图连边权重计算，最终得到车货源关联图；

步骤5：将车货源关联图Gj＝(Vj，Ej)使用GCN进行特征提取，融合注意力模块对货源关联图Gi＝(Vi，Ei)中标签特征进行选择性增强节点表示，使用Softmax层对不同货物选温进行计算选择，最终选择出最适合冷藏车剩余空间和温度的货物；

所述步骤5的具体方法为：

步骤5.1：将车货源关联图Gj＝(Vj，Ej)输入到GCN中进行特征提取，定义为矩阵H；

步骤5.1：定义k为循环变量，且赋k初值为1，开始循环；

步骤5.2：如果k≤len(D5)，则进入步骤5.3；否则，跳转到步骤5.9；len(D5)为数据集D5中的数据量；

步骤5.3：使用多注意力模块，对货源关联图Gi＝(Vi，Ei)中节点之间权重进行判断，划定权重阈值wi和wj；

步骤5.4：判断两节点之间的权重w，是否大于等于wi；

步骤5.5：若w大于等于wi，继续进行判断，否则进行下一个两节点之间权重判断；

步骤5.6：继续判断w是否小于wj，若小于对得到权重为w的两节点之间向量x0进行复制m‑a次得到X0，X0＝copym‑a(x0)，a＝wj‑w；

步骤5.7：否则，再次判断w是否等于wj，若等于对两节点之间向量x1进行复制m次得到X1，X1＝copym(x1)；

步骤5.8：否则，对两节点之间向量x2进行复制m+b次得到X2，X2＝copym+b(x2)，b＝w‑wj；

步骤5.9：对所有节点向量进行平均计算得到向量表示Xa以及对节点增强后得到的矩阵X；

步骤5.10：将增强后的矩阵X和向量表示输入到Softmax层中，输出概率结果，依据结果选取合适的温度以及车货源匹配。

2.根据权利要求1所述的基于认知图谱的冷链多温混配选温方法，其特征在于，所述步骤1的具体方法为：步骤1.1：定义Text为单个货源文本待清洗信息集，定义id1，content1，content2，content3，content4分别为货物序号、货物基本信息、货物起始地、适宜保存温度、运输时间限制，并且满足关系Text＝{id1，content1，content2，content3，content4}；

步骤1.2：定义Text1为单个车源文本待清洗信息集，定义id2，content5，content6，content7分别为冷藏车序号、可配载货物类型、剩余车厢体积大小、途径路线标签标记处理，并且满足关系Text1＝{id，content5，content6，content7}；

步骤1.3：定义D为货源信息待清洗数据集，D1为车源信息待清洗数据集，D＝{Text1，Text2，…，Texta，…，Textlen(D)}，Texta为D中第a个待清洗货源数据，D1＝{Text11，Text12，…，Text1b，…，Text1len(D1)}，Text1b为D1中第b个待清洗车源数据，分别对数据集中的文本进行去重、去空以及对待清洗信息集中的content进行标签提取；

步骤1.4：对数据集D、D1进行预处理后得到货源信息标签数据集D2和车源信息标签数据集D3，D2＝{T1，T2，…，Tc，…，Tlen(D2)}，Tc为D2中第c个文本数据，其中变量c∈[1，len(D2)]，D3＝{T11，T12，…，T1d，…，T1len(D3)}，T1d为D3中第d个文本数据，其中变量d∈[1，len(D3)]；

步骤1.5：定义货源关联图Gi＝(Vi，Ei)，节点v1i∈Vi，边e1i∈Ei，车货源关联图Gj＝(Vj，Ej)，节点v2j∈Vj，边e2j∈Ej。

3.根据权利要求1所述的基于认知图谱的冷链多温混配选温方法，其特征在于，所述步骤2的具体方法为：步骤2.1：对标签数据集D2、D3中的标签进行统计，概括货物起始地、冷藏车途径路线的标签数据集，定义为D4；

步骤2.2：标签数据集D4中单个文本信息集为Text2＝{id3，label1，label2，label3，label4，label5}，id3，label1，label2，label3，label4，label5分别为文本信息序号、冷藏车可配载货物类型标签、剩余车厢体积大小标签、货物起始地标签、途径路线标签、车货交易运输次数；

步骤2.3：将标签数据集D2、D3统计后，剩余标签数据概括为标签数据集D5，作为构建货源关联图的基础数据集；

步骤2.4：标签数据集D5中单个文本信息集为Text3＝{id4，label6，label7，label8，label9}，id3，label6，label7，label8，label9分别为文本信息序号、货物基本信息、适宜保存温度、运输时间限制、途径路线标签。

4.根据权利要求1所述的基于认知图谱的冷链多温混配选温方法，其特征在于，所述步骤3的具体方法为：步骤3.1：将D5＝{T21，T22，…，T2e，…，T2len(D5)}，T2e为D5中第e个文本数据，其中变量e∈[1，len(D5)]，使用一个固定大小的滑动窗口通过文本计算单词共现信息，利用PMI来计算两个词之间的连接权值；

步骤3.2：预先设置Cwin(i)和Cwin(i，j)滑动窗口阈值，Cwin为数据集中滑动窗口总数；

步骤3.3：分别使用 和 计算单个标签在

总体的占比，作为计算连边权重的依据；

步骤3.4：利用 计算出词i与j之间依据计算出不同类型的

连边以及连边权重；

步骤3.5：判定PMI值是否为正，若为正的PMI值，则判定两个词之间相关，否则不相关；

步骤3.6：使用PMI计算出的权重划分阈值T，其中T≥0，若词i与j之间PMI值大于T则判定高度相关，若0≤PMI≤T，则正常相关，以此来构建货源关联图Gi＝(Vi，Ei)。

5.根据权利要求1所述的基于认知图谱的冷链多温混配选温方法，其特征在于，所述步骤4的具体方法为：步骤4.1：使用TF‑IDF计算标签数据集D4中单标签label在整体标签中的占比，以此判断是否车源和货源之间曾有过合作；

步骤4.2：在车源和货源合作中统计出标签占比，依据标签占比划定阈值C≥0；

步骤4.3：使用TF‑IDF计算标签占比，若占比ci≥C，则判定labeli与labelj之间有连边且赋予权重大；

步骤4.4：若ci＜C，则进行PMI值计算，依据阈值T判定连边以及权重，以此构建车货源关联图Gj＝(Vj，Ej)。

6.基于认知图谱的冷链多温混配选温装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现根据权利要求1‑5任一项所述的基于认知图谱的冷链多温混配选温方法。