[發(fā)明專利]一種基于時(shí)空注意力機(jī)制的送達(dá)時(shí)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(hào): CN116596170B
• 公開（公告）日: 2023-09-22
• 發(fā)明（設(shè)計(jì)）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(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q10/083;G06N3/0464;G06N3/08;G06N3/0442;G06F18/22
• 代理公司: 合肥和瑞知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 34118
• 代理人: 柯凱敏

本發(fā)明涉及即時(shí)配送時(shí)間預(yù)測技術(shù)領(lǐng)域，具體是一種基于時(shí)空注意力機(jī)制的送達(dá)時(shí)間智能預(yù)測方法，包括以下步驟：計(jì)算節(jié)點(diǎn)間余弦相似度，構(gòu)造近鄰關(guān)系特征數(shù)據(jù)集；使用深度神經(jīng)網(wǎng)絡(luò)計(jì)算節(jié)點(diǎn)選擇概率，確定配送順序；利用圖嵌入和卷積神經(jīng)網(wǎng)絡(luò)對(duì)配送路線序列進(jìn)行嵌入和提取，并計(jì)算注意力權(quán)重值；將路線節(jié)點(diǎn)特征輸入門控循環(huán)單元中，提取特征間的時(shí)間關(guān)聯(lián)性；將注意力權(quán)重和門控循環(huán)單元值相乘得到最終特征向量，并輸入多層感知機(jī)中預(yù)測送達(dá)時(shí)間。在對(duì)即時(shí)配送送達(dá)時(shí)間預(yù)測過程中，充分考慮各類特征對(duì)配送節(jié)點(diǎn)選擇的影響，提高了順序預(yù)測的準(zhǔn)確度，同時(shí)利用提出的時(shí)空注意力機(jī)制充分挖掘時(shí)空關(guān)系對(duì)送達(dá)過程用時(shí)的影響關(guān)系，實(shí)現(xiàn)較高精度的預(yù)測。

技術(shù)領(lǐng)域

本發(fā)明涉及即時(shí)配送時(shí)間預(yù)測技術(shù)領(lǐng)域，具體是一種基于時(shí)空注意力機(jī)制的送達(dá)時(shí)間智能預(yù)測方法。

背景技術(shù)

即時(shí)配送作為支撐新零售模式的關(guān)鍵環(huán)節(jié)，近年來發(fā)展迅速。由于配送時(shí)間是服務(wù)質(zhì)量最直觀的評(píng)價(jià)指標(biāo)，客戶對(duì)時(shí)間的高度敏感性要求平臺(tái)在配送前合理評(píng)估訂單總用時(shí)，以提供給客戶準(zhǔn)確的等待時(shí)長。因此對(duì)于即時(shí)配送送達(dá)時(shí)間的智能預(yù)測至關(guān)重要。針對(duì)這類時(shí)間預(yù)測問題，已有的解決方法包括機(jī)器學(xué)習(xí)和深度學(xué)習(xí)，機(jī)器學(xué)習(xí)常使用隨機(jī)森林、梯度提升樹等方法，深度學(xué)習(xí)利用循環(huán)神經(jīng)網(wǎng)絡(luò)、深層神經(jīng)網(wǎng)絡(luò)等模型組合進(jìn)行預(yù)測。論文《A?deep?learning?method?for?route?and?time?prediction?in?food?deliveryservice》提出了一種基于長短時(shí)記憶模型，該記憶模型和注意力機(jī)制結(jié)合預(yù)測下一步到達(dá)的目標(biāo)地點(diǎn)，并根據(jù)預(yù)測結(jié)果預(yù)測這一段路程通行時(shí)間，循環(huán)預(yù)測完所有配送節(jié)點(diǎn)的順序以及每段路程的時(shí)間(GAO?C?L,ZHANG?F,WU?G?Q,et?al.The?27th?ACM?SIGKDDConference?on?Knowledge?Discovery??Data?Mining(KDD'21).?New?York:Associationfor?Computing?Machinery,2021:2879-2889)。

論文《Supervised?learning?for?arrival?time?estimations?in?restaurantmeal?delivery》提出了一種DNN模型和梯度提升決策樹結(jié)合的配送時(shí)間預(yù)測模型，利用DNN預(yù)測每個(gè)節(jié)點(diǎn)的順序，并利用梯度提升決策樹預(yù)測配送用時(shí)(HILDEBRANDT?F?D,etal.Transportation?Science,2022,56(4):1058-1084)。雖然以上方法在解決即時(shí)配送時(shí)間預(yù)測問題上進(jìn)行了改進(jìn)，有較好的預(yù)測表現(xiàn)，但現(xiàn)有方法仍存在不足。面對(duì)多個(gè)訂單同時(shí)預(yù)測的場景，現(xiàn)有方法常選擇分段預(yù)測，最后累加分路段用時(shí)作為預(yù)測結(jié)果，存在誤差累加進(jìn)而加大偏差的可能。在多種特征學(xué)習(xí)方面，現(xiàn)有方法利用梯度提升樹、LSTM、注意力機(jī)制等多種模型進(jìn)行學(xué)習(xí)，但是在對(duì)特征中存在的時(shí)空關(guān)系以及特征關(guān)聯(lián)學(xué)習(xí)方面仍存在提升空間。

發(fā)明內(nèi)容

為了避免和克服現(xiàn)有技術(shù)中存在的技術(shù)問題，本發(fā)明提供了一種基于時(shí)空注意力機(jī)制的送達(dá)時(shí)間智能預(yù)測方法。本發(fā)明通過卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)不同特征進(jìn)行學(xué)習(xí)，并結(jié)合注意力機(jī)制，充分挖掘配送節(jié)點(diǎn)間的時(shí)空關(guān)系對(duì)用時(shí)的影響，提升了即時(shí)配送時(shí)間預(yù)測的準(zhǔn)確度。

為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

一種基于時(shí)空注意力機(jī)制的送達(dá)時(shí)間智能預(yù)測方法，包括以下步驟：

S1、獲取即時(shí)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(gè)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(gè)即時(shí)配送訂單的配送用時(shí)。

作為本發(fā)明再進(jìn)一步的方案：步驟S1的具體步驟如下：