【技术实现步骤摘要】
本专利技术属于数据挖掘，具体涉及一种面向大宗物流的运输到达时长预测方法。
技术介绍
1、在大宗货运领域，货车运输到达时间预测是支持大宗物流服务(如路线规划)的关键任务之一。但货车运输时间预测是一项具有挑战性的工作，因为它不仅涉及行驶时间预测，还涉及到停留时间预测，并且运输行程中的停留时长受到各种复杂因素的影响。此外，行驶时间预测和停留时间预测之间还存在相互制约的关系。综上所述，鉴于停留时间不确定、出行时间与停留时间相互制约等问题导致现有方法预测性能低下的问题，亟需设计一种更精确的的运输时长预测方法。
技术实现思路
1、为了解决现有技术存在的不足，本专利技术的目的是提供一种面向大宗物流的运输时长预测方法。
2、本专利技术提出一种运输时长预测模型amp，该模型利用transformer捕捉前序停留热点的停留时间对后序停留热点停留时间的影响，并引入多因素关注机制，以捕捉各种因素对不同停留热点停留时间的不同影响。
3、由于收货方具有收货时间限制，司机需要平衡旅行时间和停留时间。司机为了在收货方收货时间内到达目的地，在剩余路程需要的行驶时间较长的情况下可能会缩短停留时长，如果司机仍然不能在收货方的收货时间内到达，则需要在终点附近的停留点进行停留。为了解决旅行时间和停留时间之间相互制约的问题，amp引入相互交叉注意力机制来学习旅行路线和停留热点序列之间的相互影响关系。最后，amp采用多任务学习方法来提高预测模型的整体性能。
4、为实现上述技术目的，本专利技术
5、本专利技术一种面向大宗物流的运输到达时长预测方法，包含以下步骤：
6、步骤s1、运单轨迹预处理：根据每辆货车不同运单的开始时间与完成时间提取各运单对应的轨迹，即运单轨迹，所述运单轨迹中包含有一个或多个轨迹点。对各运单轨迹计算每个轨迹点的速度，将与其前序轨迹点在采样时间间隔，但距离较远，速度大于150km/h的轨迹点作为速度异常的轨迹点予以消除；利用隐马尔可夫地图匹配(hmmm)方法对运单轨迹进行地图匹配，即将采集到的轨迹点映射到实际地图上的道路网络，分别获取与实际地图上的路段匹配的以及未匹配的运单轨迹点集合，同时提取与路段相关的特征；所述与路段相关的特征包括道路id、道路长度、道路类型，并计算统计路段的平均和中位移动速度；对路段特
7、本专利技术中采样时间间隔根据采样数据确定，在本专利技术中为30s，也有少部分采样数据的时间间隔大于30s或者小于30s，所以需要根据时间间隔和距离计算速度；距离较远：时间间隔不同，距离的阈值也不一样，本专利技术用速度来衡量是否异常。
8、s2、行驶模式建模：基于s1得到的路段特征信息，将路段序列放入图卷积网络层，以学习相邻路段之间的局部空间相关性；根据图卷积网络学习到的路段表示，将路线输入卷积神经网络cnn层来学习跨路段之间的关系，并通过叠加cnn层缩短输入后续模型的输入长度；将cnn层得到的路径表示输入长短时记忆网络lstm层，学习路段之间的时间依赖；最终获得路径的行驶模式表征；
9、每条路段是指两个相邻交叉路口之间的道路，每条路段具有长度、宽度、车道数、限制速度等属性，轨迹点分布在路段上，因此路段序列是一系列相邻的、连接在一起的路段；
10、图卷积网络(graph convolutional network,gcn)用于学习图数据中节点之间的关系。步骤s2中，城市路网中的路段构成了一个图，其中路段是图的节点，而相邻的路段之间的连接则是图中的边。图卷积网络旨在学习相邻路段之间的局部空间相关性，捕捉道路网络中的结构和关系；经过图卷积网络层后，输出包含局部空间信息的路段表示。
11、卷积神经网络学习跨越不同路段的关系，需要理解车辆在运输路径中穿越相邻道路段的关系，以更好地捕捉整个路径的结构和特征；这有助于模型捕捉更广泛的、跨路段的特征和关联，更全面地理解车辆行驶的上下文，从而提高对行驶模式的建模准确性，并更好地理解整个路线的结构。
12、长短时记忆网络lstm接收整个路径序列，其中每个时间步表示一个路段，以及该时间步的路段特征。lstm通过在每个时间步长处更新其内部状态，可以捕捉车辆在路径中的时序变化。这有助于模型理解车辆在不同路段之间的时间依赖性，例如，某个路段的特征如何影响后续路段。lstm通过使用隐藏状态和记忆单元来维护对序列中过去信息的记忆，从而更好地处理长期依赖关系。lstm层的输出包含了对路径时序特征的学习，即模型对车辆在不同时间步之间的行驶状态的理解。
13、s3、停留点提取：给定停留时间阈值用于筛选轨迹中的连续零速轨迹点序列，为了区别于等待红绿灯导致的停留行为，设定时间阈值为8分钟；提取轨迹中超过停留时间阈值的连续的零速轨迹点序列，表示车辆在该轨迹点进行停留，第一个轨迹点被视为停留点，同时提取停留点的时间戳作为停留的开始时间，并提取停留序列的时间跨度作为停留时长；将停留热点匹配到人工标注的poi(兴趣点，point of interest)库中的停留热点，提取各个停留热点的平均停留时长、中位停留时长，并对各个停留热点进行特征向量表示；
14、所述停留热点是指卡车司机在运输过程中停留休息或用餐的地点，其属性包括功能类别和以经纬度坐标表示的地理位置。
15、s4、停留模式建模：将每个运单轨迹映射转化为一个停留热点序列，理解车辆在运输路径上的停留行为。为了模拟前一个停留热点的停留时间对后一个停留热点的影响，捕捉相邻停留热点之间的时序关系，基于transformer的长距离序列建模能力捕捉序列中的停留热点之间的相关性，司机很少会在短时间连续停留在相同类型的两个停留热点，且前序停留热点的停留时长较长时，司机可能会缩短后续停留热点的停留时长。结合多因素注意力机制关注学习外部因素对于停留时长的影响，包括学习不同出发时间对停留时长的影响、不同司机对停留地点的选择以及在不同停留热点停留时长的偏好。
16、相比于其他序列模型，transformer的计算机制使得他可以捕捉序列中相隔远的停留热点的关系，例如第一个停留热点和第三十个停留热点，而基于rnn的模型中第一个模型与第三十个停留热点之间的关系相对较弱，这是因为rnn是迭代训练的，序列位置较为前面的停留热点对于后续的停留热点的影响权重不断下降。
17、s5、运输时间建模：引入相互交叉注意力机制来学习运输路线与停留热点序列之间的相互影响关系。最后，采用多任务学习方法来提高预测模式的整体性能，其中运输时长作为主任务，停留时长和行驶时长作为辅助任务，获得运输到达时长预测结果；
18、所述相互交叉注意力机制是指用于捕捉路段序列和停留热点序列之间的相关性的注意力机制，其中包含路段序列对于停留热点序列的影响以及停留热点对于路段序列的影响，从而学习相互影响的行驶模式和停留模式，分别用于预测行驶时长和停留时长；
19、所述多任务学习方法是指结合运输时长预测主任务和停留时长预测、行驶时长预测辅助任务，学习本文档来自技高网...
【技术保护点】
1.一种面向大宗物流的运输到达时长预测方法，其特征在于，所述方法包含以下步骤：
2.如权利要求1所述的方法，其特征在于，步骤S1中，所述预处理包括对运单轨迹计算每个轨迹点速度，将速度异常轨迹点进行删除；利用隐马尔可夫地图匹配方法对运单轨迹进行地图匹配，获取与地图路段匹配或不匹配的运单轨迹点，并提取路段特征信息；
3.如权利要求2所述的方法，其特征在于，步骤S1中，首先根据不同运单的起始时间戳和到达时间戳将卡车的轨迹分割成运单轨迹，并通过地图匹配将运单轨迹投射成由路段组成的运输路线；提取与路段相关的特征，包括道路ID、道路长度、道路类型，然后根据经过各个路段的轨迹点的速度来计算统计各个路段的平均移动速度和中位移动速度；将路段分类特征、道路类型转换为密集向量，并与数字特征拼接，得到各路段的嵌入表示，从而获得由路段嵌入组成的运单轨迹表示；所述数字特征包括ID、速度、长度。
4.如权利要求1所述的方法，其特征在于，步骤S2中，路段序列构成了一个图，其中路段是图的节点，而相邻的路段之间的连接则是图中的边，图卷积网络层输出包含局部空间信息的路段表示；>
5.如权利要求4所述的方法，其特征在于，步骤S2中，由步骤S1中获得的路段嵌入组成的运输路线被表示为R＝{segment1，segment2，…，segmenti，…，segmentm}，将运输路线R放入图卷积网络层，以学习相邻路段之间的局部空间相关性，其定义如下：
6.如权利要求1所述的方法，其特征在于，步骤S3中，给定停留时间阈值删选轨迹中的连续零速轨迹点序列，提取轨迹中超过停留时间阈值的连续的零速轨迹点序列，第一个轨迹点被视为停留点，同时提取停留点的时间戳作为停留的开始时间，并提取停留序列的时间跨度作为停留时长；将停留热点匹配到人工标注的POI库中的停留热点，提取各个停留热点的平均停留时长、中位停留时长，并对各个停留热点进行特征向量表示。
7.如权利要求6所述的方法，其特征在于，步骤S3中，首先从运单轨迹中提取停留点，检测在停留时间阈值θdur内保持零速度的轨迹点序列，提取运单轨迹中的连续零速轨迹点序列，轨迹点序列表示为{pe，pe+1，…，pf}，若所述轨迹点序列中第一个点pe和pf之间的时间间隔超过θdur，则第一个点pe被视为停留点，pe的时间戳被视为访问时间；然后将提取到的所述停留点与其地理位置最近的停留热点进行匹配；所述停留热点是指卡车司机在运输过程中停留休息或用餐的地点，其属性包括功能类别和以经纬度坐标表示的地理位置；提取运单轨迹途经的每个停留热点的特征，转化为一个停留热点序列，并输入嵌入层进行编码，停留热点序列表示为：
8.如权利要求1所述的方法，其特征在于，步骤S4中，将每个运单轨迹映射转化为一个停留热点序列，捕捉相邻停留热点之间的时序关系，模拟前一个停留热点的停留时间对后一个停留热点的影响，基于Transformer的长距离序列建模能力捕捉序列中停留热点之间的相关性，并结合多因素注意力机制学习外部因素对于停留时长的影响。
9.如权利要求8所述的方法，其特征在于，步骤S4中，鉴于交通路线的剩余行程距离会影响待访问的停留热点的停留时间，在建模时考虑了剩余行程距离；停留热点在序列中的嵌入被替换为：
10.如权利要求1所述的方法，其特征在于，步骤S5中，通过相互交叉注意力机制学习停留点序列和行驶路径之间的影响关系；首先，将行驶路径作为输入注意力机制的查询，将停留点序列作为键和值，公式如下：
...【技术特征摘要】
1.一种面向大宗物流的运输到达时长预测方法，其特征在于，所述方法包含以下步骤：
2.如权利要求1所述的方法，其特征在于，步骤s1中，所述预处理包括对运单轨迹计算每个轨迹点速度，将速度异常轨迹点进行删除；利用隐马尔可夫地图匹配方法对运单轨迹进行地图匹配，获取与地图路段匹配或不匹配的运单轨迹点，并提取路段特征信息；
3.如权利要求2所述的方法，其特征在于，步骤s1中，首先根据不同运单的起始时间戳和到达时间戳将卡车的轨迹分割成运单轨迹，并通过地图匹配将运单轨迹投射成由路段组成的运输路线；提取与路段相关的特征，包括道路id、道路长度、道路类型，然后根据经过各个路段的轨迹点的速度来计算统计各个路段的平均移动速度和中位移动速度；将路段分类特征、道路类型转换为密集向量，并与数字特征拼接，得到各路段的嵌入表示，从而获得由路段嵌入组成的运单轨迹表示；所述数字特征包括id、速度、长度。
4.如权利要求1所述的方法，其特征在于，步骤s2中，路段序列构成了一个图，其中路段是图的节点，而相邻的路段之间的连接则是图中的边，图卷积网络层输出包含局部空间信息的路段表示；
5.如权利要求4所述的方法，其特征在于，步骤s2中，由步骤s1中获得的路段嵌入组成的运输路线被表示为r＝{segment1，segment2，…，segmenti，…，segmentm}，将运输路线r放入图卷积网络层，以学习相邻路段之间的局部空间相关性，其定义如下：
6.如权利要求1所述的方法，其特征在于，步骤s3中，给定停留时间阈值删选轨迹中的连续零速轨迹点序列，提取轨迹中超过停留时间阈值的连续的零速轨迹点序列，第一个轨迹点被视为停留点，同时提取停留点的时间戳作为停留的开始时间，...
【专利技术属性】
技术研发人员：杨苗苗，吴涛，毛嘉莉，周傲英，
申请(专利权)人：华东师范大学，
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。