[發明專利]一種基于深度學習的快遞員攬件順序預測方法

在審

• 申請號: 202011485308.1
• 申請日: 2020-12-16
• 公開（公告）號: CN112529305A
• 公開（公告）日: 2021-03-19
• 發明（設計）人: 萬懷宇;溫浩珉;林友芳;韓升;武志昊;張碩;王晶
• 申請（專利權）人: 北京交通大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/08;G06N3/04;G06N3/08
• 代理公司: 北京紅福盈知識產權代理事務所(普通合伙) 11525
• 代理人: 陳月福

1.一種基于深度學習的快遞員攬件順序預測方法，其特征在于，所述攬件順序預測方法包括：

步驟S1，采集歷史攬件數據，提取待攬收包裹的特征和快遞員個人攬件特征作為原始數據集；

步驟S2，將所述數據集劃分為訓練集、驗證集和測試集；

步驟S3，基于深度學習算法構建快遞員攬件順序預測模型；

步驟S4，使用所述訓練集和驗證集對所述快遞員攬件順序預測模型進行訓練，并使用測試集對訓練完成的模型進行測試；測試達標時，進入步驟S5；否則，返回步驟S4；

步驟S5，通過所述訓練完成的快遞員攬件順序預測模型，輸入當前快遞員信息，對該快遞員的待攬收包裹的攬件順序進行預測，輸出所預測的當前待預測快遞員在預定時間段內的攬件順序。

2.根據權利要求1所述的快遞員攬件順序預測方法，其特征在于，所述步驟S3，當基于深度學習算法構建快遞員攬件順序預測模型時，根據未攬收包裹的時空約束和快遞員的決策偏好進行構建。

3.根據權利要求2所述的快遞員攬件順序預測方法，其特征在于，所構建的快遞員攬件順序預測模型，包括：偏好感知表示層，Transformer編碼層和注意力循環解碼層；其中，

所述偏好感知表示層提取待攬收包裹特征并將其與快遞員決策偏好結合形成待攬收包裹嵌入；所述Transformer編碼層捕獲待攬收包裹之間的時空相關性，得到新的待攬收包裹嵌入；所述注意力循環解碼層基于Transformer編碼層得到的新的待攬收包裹嵌入，從待攬收包裹中循環選擇進行輸出，得到攬件順序預測序列。

4.根據權利要求3所述的快遞員攬件順序預測方法，其特征在于，所述偏好感知表示層由包裹嵌入模塊和偏好感知模塊組成；其中，包裹嵌入模塊首先由一個前饋神經網絡將待攬收包裹原始特征轉化為特征矩陣，并將所述地區特征與包裹特征矩陣連接形成中間嵌入矩陣；所述偏好感知模塊捕獲相鄰最近已攬收包裹之間的時空關系，并使用最后一個包裹的隱藏狀態向量來推斷快遞員在選擇下一個包裹時的決策偏好向量，再根據中間嵌入矩陣和決策偏好向量得到對所有待攬收包裹的偏好感知表示矩陣。

5.根據權利要求3所述的快遞員攬件順序預測方法，其特征在于，構建所述快遞員攬件順序預測模型的偏好感知表示層時，具體包括：

步驟S311，由一個前饋神經網絡將待攬收包裹原始特征轉化為特征矩陣X，并將所述地區特征與包裹特征矩陣X連接形成中間嵌入矩陣E′；

步驟S312，構建快遞員的偏好向量P為：

p＝σ(W_p[x_u，h_ut]+b_p) (1)，

式(1)中，x_u代表快遞員u的個人特征；σ代表Sigmoid激活函數σ(x)＝1/(1+e^-x)，b_p代表可學習的偏置向量；h_ut＝[h_bt，h_ft]代表編碼的最近攬收包裹序列信息，h_ft和h_bt是對于某快遞員u在任意時刻t以最近攬收包裹序列作為輸入時基于BiLSTM前向和后向的隱藏狀態向量；

步驟S313，對中間嵌入矩陣E′與偏好向量p做哈達馬積，得到對所有待攬收包裹的偏好感知表示矩陣E。

6.根據權利要求4或5所述的快遞員攬件順序預測方法，其特征在于，所述Transformer編碼層由n層Transformer編碼器堆疊而成，每一層編碼器利用多頭自注意力機制完成任意兩個待攬收包裹的信息傳遞；將經過多頭自注意力機制之后的輸出再經過前饋神經網絡來增強模型非線性轉換能力，對于每一次自注意力機制操作和前饋神經網絡操作都添加殘差連接和批量歸一化；經過n層的狀態更新后，得到待攬收包裹的嵌入，并計算平均值；將所述待攬收包裹的平均嵌入作為注意力循環解碼層的初始輸入。