一种异常事件下的电商物资供需联合预测方法技术

本发明专利技术公开了一种异常事件下的电商物资供需联合预测方法，首先，对数据进行预处理，构建多视图的图结构，生成需求、供应、异常时序样本及非序列的辅助特征；其次，设计多图自适应卷积网络模块MGACR并嵌入GRU中作为时空编码器，对序列进行编码，捕获时空关系；再次，使用异常门控注意力机制来捕获需求与供应之间的相互作用；然后，引入预训练Bert增强对文本异常数据的语义理解，并将其经过时空提升进行融合表征；最后，汇集上述步骤表征并做多步解码。本发明专利技术解决了需求与供应时空关系的复杂性、多源异构异常数据影响的多样性两点挑战，有利于电商平台在异常事件下针对性地对各区域提供物资物流双重保障，解决各区域物资供需不协调的问题。的问题。的问题。

【技术实现步骤摘要】
一种异常事件下的电商物资供需联合预测方法


[0001]本专利技术属于计算机应用数据科学领域，主要涉及了一种异常事件下的电商物资供需联合预测方法。

技术介绍

[0002]仓配一体化(WDI)是随着O2O电子商务发展应运而生的一种新型物流模式。在传统的仓配分离(WDS)模式下，电商商家将物资放在自己的仓库，根据收到的订单进行打包，并通知第三方快递派送包裹。然而，不断增加的物资订单量和销售品类将会导致WDS模式的低效率和高成本。在WDI模式下，电商企业凭借强大的库存管理和批量订单处理的能力，可以全面收集各地区物资的购买需求和配送供应数据。WDI模式的成功高度依赖于供需预测方法，然而在现实世界场景中，供需关系容易受到异常事件的影响。在异常事件(如节假日、促销活动等)的影响下，需求和供应往往会呈现不规律的变化。为了促进异常事件下WDI的应用，不仅需要对供需之间规律性的相互作用进行建模，还需要将演化的异常事件对供需关系和供需本身的影响进行建模。
[0003]虽然需求和供应的联合预测引起了研究人员的关注，然而很少有工作研究电子商务场景中购买需求和配送供应的联合预测。现有的工作集中在打车系统、劳动力市场等场景。在打车场景中，研究将需求和供应分开预测或将问题简化为需求供应差值的预测。在劳动力市场场景中，研究设计需求
‑
供应交互模块来同时预测需求和供应。然而，上述方法无法应对由异常事件引起的供需急剧失衡。虽然已经有一些研究认识到异常事件的重大影响，并在预测过程中考虑它们，这些工作解决了异常场景下需求序列建模的稀疏性问题或使用外部数据进行异常表示学习，但未能理解配送供应对购买需求的抑制作用。
[0004]对于电商物资购买需求和配送供应的实操来说，有以下两个机会点：购买需求和配送供应在时间和空间上相互关联，协同预测可以提高两者的预测精度；异常事件通过分别作用于各区域的供需交互和供需自身，严重破坏了供需的一致性。
[0005]考虑上述机遇，解决异常事件下的供需预测问题面临以下挑战：首先，建立购买需求和配送供应的时空关系是复杂的，两者在不同时期表现出不同的时间依赖模式，且在不同区域之间具有多种多样的空间相似性；其次，异常事件的影响是多种多样的，不能用完全相同的方式来描述。同时，异常数据在现实世界中往往是多源异构的，针对特定需求
‑
供应预测目标的多源异构数据的采集、挖掘和融合是非常具有挑战性的。

技术实现思路

[0006]本专利技术正是针对上述现有技术中存在的问题，设计一种异常事件下的电商物资供需联合预测方法，首先，对数据进行预处理，构建多视图的图结构，生成需求、供应、异常时序样本及非序列的辅助特征；其次，设计多图自适应卷积网络模块MGACR并嵌入GRU中作为时空编码器，对序列进行编码，捕获时空关系；再次，使用异常门控注意力机制来捕获需求与供应之间的相互作用；然后，引入预训练Bert增强对文本异常数据的语义理解，并将其经
过时空提升进行融合表征；最后，汇集上述步骤表征并做多步解码。本专利技术解决了需求与供应时空关系的复杂性、多源异构异常数据影响的多样性两点挑战，有利于电商平台在异常事件下针对性地对各区域提供物资物流双重保障，解决各区域物资供需不协调的问题。
[0007]为了实现上述目的，本专利技术采取的技术方案是：一种异常事件下的电商物资供需联合预测方法，所述方法包括如下步骤：
[0008]S1，数据预处理：构建多视图的图结构，将配送站区域作为图结构的节点，将配送站间的距离、配送站区域是否邻接、配送站区域的路区类型相似程度、配送站区域的人群类型相似程度四种关系作为可选的图结构的边，生成时间窗对齐的需求、供应和异常时间序列样本，并使其序列长度保持一致；同时提取了非序列的时间上下文和新闻文本辅助特征；
[0009]S2，时空编码器编码：将步骤S1获得的需求序列、供应序列和异常序列输入到各自的多图自适应卷积循环网络MGACR中捕获三者的时空关系，并生成需求嵌入、供应嵌入和异常嵌入；所述多图自适应卷积循环网络的单元具体为：
[0010][0011][0012][0013][0014][0015]h
t
＝u
t
⊙
h
t
‑1+(1
‑
u
t
)
⊙
c
t
[0016]其中X
t
∈R
N
×
F
，表示时间步t时的输入与输出，u
t
与r
t
分别是时间步t时的更新门和重置门，G
*
表示多视图的图结构，W
u
,W
r
,W
c
,b
u
,b
r
,b
c
以及多图自适应卷积循环网络MGACR中的参数是可学习的；
[0017]S3，需求
‑
供应交互捕获：将需求序列、供应序列及步骤S2捕获的异常嵌入输入到交互式
‑
多图自适应卷积循环网络I
‑
MGACR,学习需求和供应序列的交互关系：
[0018][0019]其中表示时间步t时交互的需求嵌入，表示时间步t时交互的供应嵌入，D
t
表示时间步t时的需求，S
t
表示时间步t时的供应，表示时间步t
‑
1时异常的时空嵌入，表示需求的多视图图结构，表示供应的多视图图结构；
[0020]S4，异常融合：引入预训练的Bert模型，将获取的新闻文本输入到异常融合模块进行异常语义提取，并使用步骤S2捕获的异常嵌入进行时空提升，从而获取异常对需求影响的融合嵌入和异常对供应影响的融合嵌入；
[0021]S5，需求
‑
供应多步预测：提取时间上下文信息形成嵌入后，通过连接步骤S2、步骤S3和步骤S4的输出表征，得到历史需求和供应各自的融合表征,通过两个线性变换，生成目标时间窗口长度内未来的需求和供应序列。
[0022]作为本专利技术的一种改进，所述步骤S1中构建的四种图结构分别为距离感知图G
d
＝(V,E
(d)
)、邻居感知图G
(n)
＝(V,E
(n)
)、类型相似图G
(t)
＝(V,E
(t)
)、人群相似图G
(c)
＝(V,E
(c)
)；
其中V表示区域节点，E
(d)
表示节点之间的距离邻接矩阵，E
(n)
表示节点之间是否相邻的邻接矩阵，E
(t)
表示节点之间路区特征余弦相似度的邻接矩阵，E
(c)
表示节点之间人群特征余弦相似度的邻接矩阵。
[0023]作为本专利技术的一种改进，所述步骤S2中，对于多视图的图结构G
*
，集成了m个视图，相应地设计m本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种异常事件下的电商物资供需联合预测方法，其特征在于，所述方法包括如下步骤：S1，数据预处理：构建多视图的图结构，将图区域作为图结构的节点，将配送站间的距离、配送站区域是否邻接、配送站区域的路区类型相似程度、配送站区域的人群类型相似程度四种关系作为可选的图结构的边，生成时间窗对齐的需求、供应和异常时间序列样本，并使其序列长度保持一致；同时提取了非序列的时间上下文和新闻文本辅助特征；S2，时空编码器编码：将步骤S1获得的需求序列、供应序列和异常序列输入到各自的多图自适应卷积循环网络MGACR中捕获三者的时空关系，并生成需求嵌入、供应嵌入和异常嵌入；所述多图自适应卷积循环网络的单元具体为：入；所述多图自适应卷积循环网络的单元具体为：入；所述多图自适应卷积循环网络的单元具体为：入；所述多图自适应卷积循环网络的单元具体为：入；所述多图自适应卷积循环网络的单元具体为：h
t
＝u
t
⊙
h
t
‑1+(1
‑
u
t
)
⊙
c
t
其中X
t
∈R
N
×
F
，表示时间步t时的输入与输出，u
t
与r
t
分别是时间步t时的更新门和重置门，G
*
表示多视图的图结构，W
u
,W
r
,W
c
,b
u
,b
r
,b
c
以及多图自适应卷积循环网络MGACR中的参数是可学习的；S3，需求
‑
供应交互捕获：将需求序列、供应序列及步骤S2捕获的异常嵌入输入到交互式
‑
多图自适应卷积循环网络I
‑
MGACR,学习需求和供应序列的交互关系：其中表示时间步t时交互的需求嵌入，表示时间步t时交互的供应嵌入，D
t
表示时间步t时的需求，S
t
表示时间步t时的供应，表示时间步t
‑
1时异常的时空嵌入，表示需求的多视图图结构，表示供应的多视图图结构；S4，异常融合：引入预训练的Bert模型，将获取的新闻文本输入到异常融合模块进行异常语义提取，并使用步骤S2捕获的异常嵌入进行时空提升，从而获取异常对需求影响的融合嵌入和异常对供应影响的融合嵌入；S5，需求
‑
供应多步预测：提取时间上下文信息形成嵌入后，通过连接步骤S2、步骤S3和步骤S4的输出表征，得到历史需求和供应各自的融合表征,通过两个线性变换，生成目标时间窗口长度内未来的需求和供应序列。2.根据权利要求1所述的一种异常事件下的电商物资供需联合预测方法，其特征在于：所述步骤S1中构建的四种图结构分别为距离感知图G
d
＝(V,E
(d)
)、邻居感知图G
(n)
＝(V,E
(n)
)、类型相似图G
(t)
＝(V,E
(t)
)、人群相似图G
(c)
＝(V,E
(c)
(；其中V表示区域节点，E
(d)
表示节点之间的距离邻接矩阵，E
(n)
表示节点之间是否相邻的邻接矩阵，E
(t)
表示节点之间路区特
征余弦相似度的邻接矩阵，E
(c)
表示节点之间人群特征余弦相似度的邻接矩阵。3.根据权利要求2所述的一种异常事件下的电商物资供需联合预测方法，其特征在于：所述步骤S2中，对于多视图的图结构G
*
，集成了m个视图，相应地设计m个独立的GCN层，用以生成预定义图结构的节点嵌入表征：残差自适应图结构学习，与残差自适应图结构的节点嵌入表征生成：残差自适应图结构学习，与残差自适应图结构的节点嵌入表征生成：其中，Relu被用于缓解弱连接，Softmax被用于归一化自适应图结构，表示残差图节点嵌入，N是节点数量，d
o
是残差图节点嵌入的维度；全量自适应图结构学习，与全量自适应图结构的节点嵌入表征生成：全量自适应图结构学习，与全量自适应图结构的节点嵌入表征生成：其中，表示全量图节点嵌入，N是节点数量，d
o
是全量图节点嵌入的维度；为实现多视图之间的信息共享，使用自注意力层将预定义图...

【专利技术属性】
技术研发人员：王帅，卢志强，林丽，梅洛瑜，
申请(专利权)人：东南大学，
类型：发明
国别省市：