一种基于时空注意力机制的送达时间智能预测方法技术

本发明专利技术涉及即时配送时间预测技术领域，具体是一种基于时空注意力机制的送达时间智能预测方法，包括以下步骤：计算节点间余弦相似度，构造近邻关系特征数据集；使用深度神经网络计算节点选择概率，确定配送顺序；利用图嵌入和卷积神经网络对配送路线序列进行嵌入和提取，并计算注意力权重值；将路线节点特征输入门控循环单元中，提取特征间的时间关联性；将注意力权重和门控循环单元值相乘得到最终特征向量，并输入多层感知机中预测送达时间。在对即时配送送达时间预测过程中，充分考虑各类特征对配送节点选择的影响，提高了顺序预测的准确度，同时利用提出的时空注意力机制充分挖掘时空关系对送达过程用时的影响关系，实现较高精度的预测。较高精度的预测。较高精度的预测。

【技术实现步骤摘要】
一种基于时空注意力机制的送达时间智能预测方法


[0001]本专利技术涉及即时配送时间预测
，具体是一种基于时空注意力机制的送达时间智能预测方法。

技术介绍

[0002]即时配送作为支撑新零售模式的关键环节，近年来发展迅速。由于配送时间是服务质量最直观的评价指标，客户对时间的高度敏感性要求平台在配送前合理评估订单总用时，以提供给客户准确的等待时长。因此对于即时配送送达时间的智能预测至关重要。针对这类时间预测问题，已有的解决方法包括机器学习和深度学习，机器学习常使用随机森林、梯度提升树等方法，深度学习利用循环神经网络、深层神经网络等模型组合进行预测。论文《A deep learning method for route and time prediction in food delivery service》提出了一种基于长短时记忆模型，该记忆模型和注意力机制结合预测下一步到达的目标地点，并根据预测结果预测这一段路程通行时间，循环预测完所有配送节点的顺序以及每段路程的时间(GAO C L,ZHANG F,WU G Q,et al.The 27本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时空注意力机制的送达时间智能预测方法，其特征在于，包括以下步骤：S1、获取即时配送订单的订单特征，订单特征包括商家地址和顾客地址；将商家地址和顾客地址作为配送节点，并收集配送节点的节点特征；S2、根据节点特征，预测各个配送节点的遍历顺序，并将该遍历顺序记为配送路线；S3、获取配送路线的路线特征；S4、根据路线特征，预测各个即时配送订单的配送用时。2.根据权利要求1所述的一种基于时空注意力机制的送达时间智能预测方法，其特征在于，步骤S1的具体步骤如下：S11、获取各个即时配送订单的订单特征，订单特征包括订单编号、骑手编号、骑手速度、商家地址、顾客地址、商家与顾客之间的距离和时间戳；S12、将商家地址和顾客地址作为配送节点，汇总得到设定配送区域内所有待遍历的配送节点，并保存在配送节点集合L中， ，其中l1表示配送节点集合L中第1个配送节点；l2表示配送节点集合L中第2个配送节点；表示配送节点集合L中第n
l
个配送节点，n
l
表示配送节点集合L即配送区域内配送节点的总数；S13、根据订单特征，获取各个配送节点的节点特征，节点特征包括：订单编号、骑手编号、骑手速度、商家地址、顾客地址、商家与顾客之间的距离和时间戳，并将节点特征保存在节点特征矩阵F
l
中。3.根据权利要求2所述的一种基于时空注意力机制的送达时间智能预测方法，其特征在于，步骤S2的具体步骤如下：S21、根据节点特征矩阵F
l
中保存的各个配送节点的节点特征，通过余弦相似度计算公式计算各个配送节点之间的相似度；S22、选择节点特征矩阵F
l
中的任一配送节点为原始节点，根据相似度计算结果，选择与原始节点相似度最高的另一配送节点作为邻近节点，且已经使用过的原始节点不再划入下一次原始节点的选择范围之内；S23、将原始节点和对应的邻近节点的节点特征矩阵进行横向拼接，以获得拼接矩阵，并用拼接矩阵覆盖原始节点对应的节点特征矩阵，以更新节点特征；将设定配送区域内的所有配送节点的拼接矩阵保存在拼接节点特征矩阵F
P
中；S24、将拼接节点特征矩阵F
P
中各个配送节点的节点特征输入神经网络中，以得到各个配送节点的得分，得分是指配送节点作为配送目标的概率，将各个配送节点的得分保存在得分矩阵中；S25、将具有多个相邻配送节点的配送节点定义为决策点，根据决策点的订单完成情况，使用由0和1构成的掩码矩阵以表示骑手在决策点时各个配送节点的状态；将已经遍历的配送节点和未取货的即时配送订单的配送节点用0表示，0表示配送节点不可到达；用1表示配送节点可到达；S26、将掩码矩阵和得分矩阵相乘，以得到包含各个配送节点评分的评分矩阵；将评分矩阵中各个配送节点的评分输入概率计算函数中，以得到各个配送节点的被选概率，选择其中被选概率最大的配送节点作为决策点下一步前进的预测地点；
S27、返回步骤S21，重复步骤S21
‑
S26，直到预测完所有配送节点的遍历顺序，并将该遍历顺序记为配送路线。4.根据权利要求3所述的一种基于时空注意力机制的送达时间智能预测方法，其特征在于，所述余弦相似度计算公式如下：其中，Sim表示余弦相似度函数；Sim(f
l
,f
φ
)表示第l个配送节点和第φ个配送节点之间的相似度；f
l
表示第l个配送节点的节点特征矩阵；f
φ
表示第φ个配送节点的节点特征矩阵。5.根据权利要求3或4所述的一种基于时空注意力机制的送达时间智能预测方法，其特征在于，所述概率计算函数的计算公式如下：其中，Softmax表示归一化函数；表示第l个配送节点在第t个决策点的评分值；表示第c个配送节点在第t个决策点的评分值；n
l
表示设定配送区域内所有配送节点的总数。6.根据权利要求5所述的一种基于时空注意力机制的送达时间智能预测方法，其特征在于，所述神经网络的损失函数为交叉熵函数，交叉熵函数的计算公式如下：其中，L
seq
表示损失函数的损失值；Z是神经网络训练集的数量；表示第z个任务决策点的数量；表示在第t个决策点时实际选择地点的预测概率。7.根据权利要求6所述的一种基于时空注意力机制的送达时间智能预测方法，其特征在于，步骤S3的具体步骤如下：S31、根据配送路线上各个配送节点的节点特征，构建该配送路线的路线特征；路线特征包括：订单编号、骑手编号、骑手速度、商家地址、顾客地址、商家与顾客之间的距离和时间戳，并将路线特征保存在配送路线特征矩阵F
r
中；S32、根据配送路线中各个配送节点的遍历顺序，将各个配送节点依序存放在配送节点序列集合U中。8.根据权利要求7所述的一种基于时空注意力机制的送达时间智能预测方法，其特征在于，步骤S4的具体步骤如下：S41、获取设定配送区域内各个即时配送订单对应的各条配送路线上的配送节点，将这些配送节点彼此相连，彼此相连的两配送节点之间的连线构成边，以构成配送节点网络G，G=(V,E)，V表示这些配送节点构成的配送节点集合；E为配送节点的关系矩阵，E={e
ij
｜1≤i≤j≤n
e
}，e
ij
表示节点网络G中第i个配送节点和第j个配送节点之间的关联程度，e
ij
的取值为0或1，0表示无关联，1表示有关联；n
e
为节点总数；
S42、通过转移概率计算公式计算配送节点序列集合U中各个配送节点间的转移概率；S43、通过二阶随机游走获得配送节点集合V的随机游走节点序列，利用Skip
‑
gram方法将随机游走节点序列中的配送节点向量化，得到配送节点向量矩阵E
u
...

【专利技术属性】
技术研发人员：谢贻富，谢飞，李海松，张少华，
申请(专利权)人：合肥城市云数据中心股份有限公司，
类型：发明
国别省市：