【技术实现步骤摘要】
本专利技术属于智能物流领域，具体涉及一种基于生成对抗网络与迁移学习的油料保障需求预测的人工智能方法。
技术介绍
1、典型保障编组油料保障需求是在物流中，为保障典型保障编组正常运转而对油料(柴油、汽油等)、油料保障工具(油罐车等)以及油料保障人员(司机、加油员等)的需要。油料保障需求预测有以下三大特点：1)影响因素非线性：受错综复杂的行动时间强度、行动天气地理环境、编组规模与工具种类等因素的影响，呈现出非线性；2)油料数据稀缺性：典型保障编组任务行动油料数据难以搜集，历史行动油料数据积累不够，导致总的油料保障需求数据严重不足，阻碍油料需求预测工作的开展；3)工具编组多样性：典型保障编组每次任务的工具编组规模与工具种类不同，当前编组中可能加入之前未使用过的工具，增加需求预测工作的难度。首次加入编组的工具无法从历史行动数据中直接学习其内在规律，需要采用智能化方法，融合工具的知识，完善需求预测算法模型。
2、目前国内外油料需求预测技术主要分为三类：一是基于知识经验构建的非智能化的传统算法模型，例如ahp算法、简单公式算法。此类算法的精准度完全依赖模型构建者的经验，主观性强，严谨性、科学性以及适应性均较差；二是基于数据统计分析的方法，例如多元回归算法、时间序列算法。此类算法特征表达能力差，严重依赖历史数据，对首次加入编组的工具的适应能力弱，并且油料保障需求历史数据较少，该类算法预测数据容易失真；三是基于人工智能的深度学习的方法，例如bp网络、遗传神经网络算法，此类算法需基于需求数据训练模型，而油料保障需求数据量较少，模型容易过
技术实现思路
1、(一)要解决的技术问题
2、本专利技术要解决的技术问题是：如何提供一种基于生成对抗网络与迁移学习的油料保障需求预测方法。
3、(二)技术方案
4、为解决上述技术问题，本专利技术提供一种基于生成对抗网络与迁移学习的油料保障需求预测方法，所述方法包括如下步骤：
5、步骤1：利用生成对抗网络扩充典型保障编组历史油料需求保障训练数据集，获得新油料保障需求数据集x'；
6、步骤2：利用新油料保障需求数据集x'与历史油料保障数据y首，对迁移学习预训练网络进行训练，然后利用首次加入编组的工具的日常数据修正预训练网络，生成最终的迁移学习网络；
7、步骤3：最后将典型保障编组当前行动任务的相关信息输入迁移学习网络，预测此次行动的油料保障需求量。
8、其中，所述步骤1包括：
9、步骤11：首先根据油料保障需求的影响因素与历史行动的需求量，收集油料保障相关的影响因素数据：(1)工具数据，包括工具的种类与数量、工具加油标准、油耗、所需配备的保障工具、保障人员；(2)任务数据，包括典型保障编组执行任务的强度、任务持续时间；(3)环境数据，包括地形环境与气象环境；地形环境包括道路的坡度、转弯半径、材质；气象环境包括的气温、气压、湿度、风、云、能见度、雾、降水、雷电数据；(4)历史油料保障数据，包括典型保障编组某任务的油料保障所需的人员种类与数量、保障工具种类与数量、油料的种类与数量；
10、步骤12：将上述四类影响因素数据组合成油料保障数据，形成数据集x，并整理组合成可输入神经网络的张量：将所有影响因素数据采用concat的组合在一起，形成一个向量，归一化每个影响因素的数据，统一影响因素的量纲，再按照任务划分成一个一个的张量；
11、步骤13：整理组合形成的张量，其代表着真实数据集，然后将其输入到生成对抗网络中，生成扩充后的典型保障编组历史油料需求保障训练数据集，即为新油料保障需求数据集x'。
12、其中，所述步骤11中，所述工具包括救护车、运兵车。
13、其中，所述步骤11中，所述保障工具包括油罐车。
14、其中，所述步骤12中，张量的数据结构形式为：
15、
16、其中，所述步骤13中，基于生成对抗网络进行油料保障需求数据的扩充；
17、所述基于生成对抗网络进行油料保障需求数据的扩充是一种无监督的深度学习技术，它可以描述油料保障数据的分布并且生成相似分布的模拟油料保障数据；其核心理念在于通过对抗学习，同时训练生成网络与数据真伪判别网络；
18、生成网络与数据真伪判别网络采用mlp网络，mlp网络分为输入层、隐藏层、输出层；对于生成网络，输入层为随机噪声，输出层为张量形式的数据集x，考虑到油料数据张量维度较大，隐藏层采用四层[256,512,1024,2048]的节点数；对于数据真伪判别网络，输入层为张量形式的数据集x、输出层判别结果，同样考虑到油料数据张量维度较大，隐藏层采用[2048,1024,512,256]节点数设计；
19、生成对抗网络的训练的目标函数为：
20、
21、其中，x为真实油料保障需求数据集，即为步骤12整理组合形成的张量，此处为简化说明，将其定义为真实样本；表示的是真实样本x概率分布下的期望，pdata表示的是真实样本x的概率分布，pz(z)表示的是噪声z的概率分布，d(x)表示的是否是真实数据的判别器的输出；g(z)是模拟油料保障需求数据集；
22、生成对抗网络通过一个两阶段的最大最小优化目标函数算法来进行训练，其中，在第一个阶段，生成器是固定的，只训练判别器，这时的目标函数如下所示：
23、
24、在第二个阶段判别器固定，只训练生成器生成以假乱真的数据，这时的目标函数如下所示：
25、
26、按照上述目标函数训练完生成对抗网络之后，即可得到扩充的新油料保障需求数据集x'。
27、其中，所述步骤2中，利用新油料保障需求数据集x'与历史油料保障数据y首，对迁移学习的预训练网络进行训练，获得预训练网络，再将首次加入编组的工具的日常数据x首修正预训练网络，经过再次训练后得到最终的迁移学习网络。
28、其中，所述步骤3中，将典型保障编组此次行动的工具数据、任务数据、环境数据x此次输入到迁移学习网络，得到最终的此次行动的油料保障需求量y此次。
29、其中，所述步骤2及步骤3中，进行基于迁移学习的油料需求预测；
30、基于迁移学习的油料需求预测根据新油料保障需求数据集x'与首次加入编组的工具的日常数据x首训练网络，再利用此次行动的数据x此次预测此次行动所需的油料总量；
31、相比于传统的深度学习网络，迁移学习解决了首次加入编组的工具无法预测其油料需求的难点问题；x首数据量较少，不足以支撑完整的网络训练，因此采用迁移学习的方式，在经典工具的训练网络的基础上微调网络，使其适用于当前此次行动的油料需求预测；
32、首先是基于经典工具的训练模型生成，采用resnet50网络作为隐藏层的基础模型，对于步骤1输出的新油料保障需求数据集x'，将其中的行动的环境数据、工具数据、任务数据作为输入层，将其中的油料保障的油品、工具、人员作为本文档来自技高网...
【技术保护点】
1.一种基于生成对抗网络与迁移学习的油料保障需求预测方法，其特征在于，所述方法包括如下步骤：
2.如权利要求1所述的基于生成对抗网络与迁移学习的油料保障需求预测方法，其特征在于，所述步骤1包括：
3.如权利要求2所述的基于生成对抗网络与迁移学习的油料保障需求预测方法，其特征在于，所述步骤11中，所述工具包括救护车、运输车。
4.如权利要求2所述的基于生成对抗网络与迁移学习的油料保障需求预测方法，其特征在于，所述步骤11中，所述保障工具包括油罐车。
5.如权利要求2所述的基于生成对抗网络与迁移学习的油料保障需求预测方法，其特征在于，所述步骤12中，张量的数据结构形式为：
6.如权利要求2所述的基于生成对抗网络与迁移学习的油料保障需求预测方法，其特征在于，所述步骤13中，基于生成对抗网络进行油料保障需求数据的扩充；
7.如权利要求2所述的基于生成对抗网络与迁移学习的油料保障需求预测方法，其特征在于，所述步骤2中，利用新油料保障需求数据集X'与历史油料保障数据Y首，对迁移学习的预训练网络进行训练，获得预训练网络，再
8.如权利要求7所述的基于生成对抗网络与迁移学习的油料保障需求预测方法，其特征在于，所述步骤3中，将典型保障编组此次行动的工具数据、任务数据、环境数据X此次输入到迁移学习网络，得到最终的此次行动的油料保障需求量Y此次。
9.如权利要求8所述的基于生成对抗网络与迁移学习的油料保障需求预测方法，其特征在于，所述步骤2及步骤3中，进行基于迁移学习的油料需求预测；
10.如权利要求9所述的基于生成对抗网络与迁移学习的油料保障需求预测方法，其特征在于，所述方法中，生成对抗网络与迁移学习具有天然的非线性特性，学习能力强，能够准确的预测出油料保障需求量，进而提前储备油料、组织筹措调运、编配保障力量，为典型保障编组持续性任务执行提供实时精准保障。
...【技术特征摘要】
1.一种基于生成对抗网络与迁移学习的油料保障需求预测方法，其特征在于，所述方法包括如下步骤：
2.如权利要求1所述的基于生成对抗网络与迁移学习的油料保障需求预测方法，其特征在于，所述步骤1包括：
3.如权利要求2所述的基于生成对抗网络与迁移学习的油料保障需求预测方法，其特征在于，所述步骤11中，所述工具包括救护车、运输车。
4.如权利要求2所述的基于生成对抗网络与迁移学习的油料保障需求预测方法，其特征在于，所述步骤11中，所述保障工具包括油罐车。
5.如权利要求2所述的基于生成对抗网络与迁移学习的油料保障需求预测方法，其特征在于，所述步骤12中，张量的数据结构形式为：
6.如权利要求2所述的基于生成对抗网络与迁移学习的油料保障需求预测方法，其特征在于，所述步骤13中，基于生成对抗网络进行油料保障需求数据的扩充；
7.如权利要求2所述的基于生成对抗网络与迁移学习的油料保障需求预测方法，其特征在于，所...
【专利技术属性】
技术研发人员：蔚国强，张立，周倩，曹梦凡，李印，李经，白勇，操歌，
申请(专利权)人：中国人民解放军九六九零一部队，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。