[發(fā)明專利]一種基于時空注意力機(jī)制的送達(dá)時間智能預(yù)測方法

有效

• 申請?zhí)枺?/td>: 202310875592.0
• 申請日: 2023-07-18
• 公開（公告）號: CN116596170B
• 公開（公告）日: 2023-09-22
• 發(fā)明（設(shè)計）人: 謝貽富;謝飛;李海松;張少華
• 申請（專利權(quán)）人: 合肥城市云數(shù)據(jù)中心股份有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/083;G06N3/0464;G06N3/08;G06N3/0442;G06F18/22
• 代理公司: 合肥和瑞知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 34118
• 代理人: 柯凱敏

1.一種基于時空注意力機(jī)制的送達(dá)時間智能預(yù)測方法，其特征在于，包括以下步驟：

S1、獲取即時配送訂單的訂單特征，訂單特征包括商家地址和顧客地址；將商家地址和顧客地址作為配送節(jié)點(diǎn)，并收集配送節(jié)點(diǎn)的節(jié)點(diǎn)特征；

S2、根據(jù)節(jié)點(diǎn)特征，預(yù)測各個配送節(jié)點(diǎn)的遍歷順序，并將該遍歷順序記為配送路線；

S3、獲取配送路線的路線特征；

S4、根據(jù)路線特征，預(yù)測各個即時配送訂單的配送用時；

步驟S4的具體步驟如下：

S41、獲取設(shè)定配送區(qū)域內(nèi)各個即時配送訂單對應(yīng)的各條配送路線上的配送節(jié)點(diǎn)，將這些配送節(jié)點(diǎn)彼此相連，彼此相連的兩配送節(jié)點(diǎn)之間的連線構(gòu)成邊，以構(gòu)成配送節(jié)點(diǎn)網(wǎng)絡(luò)G，G=(V,E)，V表示這些配送節(jié)點(diǎn)構(gòu)成的配送節(jié)點(diǎn)集合；E為配送節(jié)點(diǎn)的關(guān)系矩陣，E={e_ij｜1≤i≤j≤n_e}，e_ij表示節(jié)點(diǎn)網(wǎng)絡(luò)G中第i個配送節(jié)點(diǎn)和第j個配送節(jié)點(diǎn)之間的關(guān)聯(lián)程度，e_ij的取值為0或1，0表示無關(guān)聯(lián)，1表示有關(guān)聯(lián)；n_e為節(jié)點(diǎn)總數(shù)；

S42、通過轉(zhuǎn)移概率計算公式計算配送節(jié)點(diǎn)序列集合U中各個配送節(jié)點(diǎn)間的轉(zhuǎn)移概率；

S43、通過二階隨機(jī)游走獲得配送節(jié)點(diǎn)集合V的隨機(jī)游走節(jié)點(diǎn)序列，利用Skip-gram方法將隨機(jī)游走節(jié)點(diǎn)序列中的配送節(jié)點(diǎn)向量化，得到配送節(jié)點(diǎn)向量矩陣E_u；接著利用配送節(jié)點(diǎn)向量矩陣E_u將配送節(jié)點(diǎn)序列集合U向量化為配送節(jié)點(diǎn)序列特征矩陣F^u；

S44、將節(jié)點(diǎn)序列特征矩陣F^u輸入卷積神經(jīng)網(wǎng)絡(luò)模塊中，利用n_c個大小為n_k×n_d的卷積核對配送節(jié)點(diǎn)序列特征矩陣進(jìn)行計算，步幅為1，以得到對應(yīng)的計算值，將所有的計算值拼接組合構(gòu)成組合矩陣A_k，其中1≤k≤n_k，1≤x≤n_r-n_k+1，計算值和組合矩陣A_k的表示如下：

其中，為激活函數(shù)；W_k和b_k為訓(xùn)練參數(shù)；表示第k個卷積核在第x個窗口所選的配送節(jié)點(diǎn)的節(jié)點(diǎn)特征，選取第x到x+n_k-1個節(jié)點(diǎn)特征，窗口大為n_k；?n_r×n_d表示配送節(jié)點(diǎn)序列特征矩陣F^u為n_r行、n_d列的矩陣；表示第k個卷積核在第x個窗口計算的輸出；

S45、將n_r個卷積核計算得到的組合矩陣A_k進(jìn)行拼接，得到輸出矩陣E_c，，(n_r-n_k+1)×n_c表示輸出矩陣E_c為n_r-n_k+1行、n_c列的矩陣；設(shè)置池化層大小為n_p×1，步幅為1，接著對輸出矩陣E_c進(jìn)行最大池化得到池化輸出矩陣(n_r-n_p-n_k+2)×n_c表示池化輸出矩陣為n_r-n_p-n_k+2行、n_c列的矩陣；

S46、設(shè)置權(quán)重矩陣，且權(quán)重矩陣E_Q中各個位置隨機(jī)取值作為初始值，(n_r-n_k-n_p+2)×n_c表示池化輸出矩陣E_Q為n_r-n_k-n_p+2行、n_c列的矩陣；之后將權(quán)重矩陣E_Q和輸出矩陣相加，并依次通過tanh激活函數(shù)和一個線性層，得到相加矩陣，n_r×n_c表示相加矩陣E_kq為n_r行、n_c列的矩陣；將E_kq輸入Softmax進(jìn)行計算，得到注意力權(quán)重矩陣；相加矩陣E_kq表示如下：

其中，W_kq和b_kq均為線性層的參數(shù)；

S47、將配送路線特征矩陣F^r中的所有路線特征向量化，得到新的配送路線特征矩陣，表示新的配送路線特征矩陣為n_r行、列的矩陣，并將輸入到單層的GRU模型中，得到輸出矩陣，n_r×n_g表示輸出矩陣E_g為n_r行、n_g列的矩陣；

S48、將和E_g相乘得到相乘矩陣，n_g×n_c表示相乘矩陣E_att為n_r行、n_d列的矩陣；并將E_att輸入到一個多層感知機(jī)中計算，以得到即時配送訂單的預(yù)測配送用時。