【技术实现步骤摘要】
本申请涉及数据处理领域，并且更具体地，涉及一种应用于智慧物流调度的大数据处理方法及系统。
技术介绍
1、随着电子商务和物流行业的快速发展，物流调度的效率和准确性对于企业的运营和客户的满意度至关重要。传统的物流调度方法通常依赖人工经验和简单的规则，难以满足日益复杂的物流约束需求。现有的物流调度方法虽然可以根据预设的路线和规则进行基本的调度，但在面对复杂的实际情况时，往往无法适应性进行物流路线的细节优化。例如，道路交通状况、天气变化、客户需求等因素发生变化时，传统的调度方法可能无法及时调整路线，导致物流效率低下。此外，现有的物流调度方法通常只能提供较为粗略的路线规划，无法考虑到物流过程中的细节问题。例如，无法根据货物的特性、运输工具的能力等因素进行精细化的路线规划，可能导致物流成本增加、运输时间延长等问题。
2、因此，需要一种应用于智慧物流调度的大数据处理方法，能够自动进行物流路线的细节优化，生成新的物流路线，从而提高物流效率、降低成本、提高客户满意度。
技术实现思路
1、有鉴于此，本申请实施例至少提供一种应用于智慧物流调度的大数据处理方法及系统。
2、根据本申请实施例的一个方面，提供了一种应用于智慧物流调度的大数据处理方法，所述方法包括：
3、获取具有目标物流路线数据的初始物流调度数据和调度约束信息，所述调度约束信息用以表明构建以所述目标物流路线数据为物流路线数据的物流调度数据，所述调度约束信息的信息中具有目标路线约束层面对应的路线约束条件；>
4、将所述调度约束信息加载到预调试知识表示挖掘网络进行预调试知识表示挖掘，获得所述调度约束信息对应的预调试知识表示；
5、将所述预调试知识表示加载到路线表征向量构建网络，依据所述预调试知识表示进行路线线路调节，构建所述目标物流路线数据对应的目标路线表征向量；
6、将所述初始物流调度数据和所述目标路线表征向量加载到物流调度数据构建网络进行物流调度数据构建，获得目标调度物流调度数据；
7、其中，所述路线表征向量构建网络为基于多个预设路线约束层面分别对应的路线约束条件样例和所述多个预设路线约束层面对应的多层次路线线路调节网络，教授预设路线表征向量构建网络进行所述多个预设路线约束层面的路线线路调节调试获得；所述目标路线约束层面为所述多个预设路线约束层面中的一个或多个预设路线约束层面。
8、根据本申请实施例的一个示例，其中，所述将所述预调试知识表示加载到路线表征向量构建网络，依据所述预调试知识表示进行路线线路调节，构建所述目标物流路线数据对应的目标路线表征向量包括：
9、将所述预调试知识表示和预设增强知识表示加载到所述路线表征向量构建网络，依据所述预调试知识表示，指引所述预设增强知识表示进行所述目标路线约束层面的调节操作，获得所述目标路线表征向量；
10、所述预调试知识表示挖掘网络包括第一信息嵌入映射组件、第二信息嵌入映射组件和多模态表征向量映射网络，所述将所述调度约束信息加载到预调试知识表示挖掘网络进行预调试知识表示挖掘，获得所述调度约束信息对应的预调试知识表示包括：
11、将所述调度约束信息加载到所述第一信息嵌入映射组件进行约束条件特征挖掘，获得第一约束条件表征向量，所述第一信息嵌入映射组件为采用多模态对齐前置调试的信息嵌入映射组件；
12、将所述调度约束信息加载到所述第二信息嵌入映射组件进行约束条件特征挖掘，获得第二约束条件表征向量，所述第二信息嵌入映射组件为采用约束条件特征挖掘前置调试的信息嵌入映射组件；
13、将所述第一约束条件表征向量和所述第二约束条件表征向量加载到所述多模态表征向量映射网络进行多模态表征向量映射，获得所述预调试知识表示。
14、根据本申请实施例的一个示例，其中，所述物流调度数据构建网络包括：调度数据特征提炼组件、表征向量整合组件和数据还原映射组件，所述将所述初始物流调度数据和所述目标路线表征向量加载到物流调度数据构建网络进行物流调度数据构建，获得目标调度物流调度数据包括：
15、将所述初始物流调度数据加载到所述调度数据特征提炼组件进行数据表征向量挖掘，获得初始物流调度数据表征向量；
16、将所述初始物流调度数据表征向量和所述目标路线表征向量加载到所述表征向量整合组件进行表征向量整合操作，获得整合物流调度数据表征向量；
17、将所述整合物流调度数据表征向量加载到所述数据还原映射组件进行数据还原映射，获得所述目标调度物流调度数据。
18、根据本申请实施例的一个示例，其中，所述方法还包括：
19、对所述预设路线表征向量构建网络进行网络内部变量克隆，获得第一路线表征向量构建网络和第二路线表征向量构建网络，所述第一路线表征向量构建网络和所述第二路线表征向量构建网络同级；
20、获取具有所述路线约束条件样例的第一调度约束信息样例对应的第一预调试知识表示样例，以及增强知识表示样例；
21、在依据所述第一预调试知识表示样例、所述增强知识表示样例和所述增强知识表示样例对应的预设附属增强信息，调节所述第一路线表征向量构建网络和所述第二路线表征向量构建网络进行路线表征向量构建时，依据所述多层次路线线路调节网络向所述第一路线表征向量构建网络添加所述路线约束条件样例，从而令所述第一路线表征向量构建网络进行路线线路调节调试，获得第一调试网络；
22、将所述第一调试网络的网络内部变量和所述第二路线表征向量构建网络的网络内部变量进行按序合并，获得目标网络内部变量；
23、依据所述目标网络内部变量，优化所述预设路线表征向量构建网络的网络内部变量，获得所述路线表征向量构建网络。
24、根据本申请实施例的一个示例，其中，所述第一路线表征向量构建网络包括：第一嵌入映射组件，所述第二路线表征向量构建网络包括：第二嵌入映射组件和还原映射组件，所述在依据所述第一预调试知识表示样例、所述增强知识表示样例和所述增强知识表示样例对应的预设附属增强信息，调节所述第一路线表征向量构建网络和所述第二路线表征向量构建网络进行路线表征向量构建时，依据所述多层次路线线路调节网络向所述第一路线表征向量构建网络添加所述路线约束条件样例，从而令所述第一路线表征向量构建网络进行路线线路调节调试，获得第一调试网络包括：
25、将所述多个预设路线约束层面分别对应的路线约束条件样例加载到所述多层次路线线路调节网络进行路线约束条件表征向量挖掘，获得路线约束条件表征向量样例；
26、将所述增强知识表示样例、所述第一预调试知识表示样例和所述路线约束条件表征向量样例加载到所述第一嵌入映射组件，依据所述第一预调试知识表示样例和所述路线约束条件表征向量样例，对所述增强知识表示样例进行嵌入映射，获得第一嵌入映射表征向量；
27、将所述增强知识表示样例和所述第一预调试知识表示样例加载到所述第二嵌入映射组件，依据所述第一预调试知本文档来自技高网...
【技术保护点】
1.一种应用于智慧物流调度的大数据处理方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述将所述预调试知识表示加载到路线表征向量构建网络，依据所述预调试知识表示进行路线线路调节，构建所述目标物流路线数据对应的目标路线表征向量包括：
3.根据权利要求1所述的方法，其特征在于，所述物流调度数据构建网络包括：调度数据特征提炼组件、表征向量整合组件和数据还原映射组件，所述将所述初始物流调度数据和所述目标路线表征向量加载到物流调度数据构建网络进行物流调度数据构建，获得目标调度物流调度数据包括：
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
5.根据权利要求4所述的方法，其特征在于，所述第一路线表征向量构建网络包括：第一嵌入映射组件，所述第二路线表征向量构建网络包括：第二嵌入映射组件和还原映射组件，所述在依据所述第一预调试知识表示样例、所述增强知识表示样例和所述增强知识表示样例对应的预设附属增强信息，调节所述第一路线表征向量构建网络和所述第二路线表征向量构建网络进行路线表征向量构建时，依据所述多层次路线
6.根据权利要求5所述的方法，其特征在于，所述第一嵌入映射组件包括级联的多特征粒度的第一池化算子，所述路线约束条件表征向量样例包括所述多特征粒度的路线约束条件表征向量，所述第一嵌入映射表征向量包括所述多特征粒度的第一池化表征向量，所述将所述增强知识表示样例、所述第一预调试知识表示样例和所述路线约束条件表征向量样例加载到所述第一嵌入映射组件，依据所述第一预调试知识表示样例和所述路线约束条件表征向量样例，对所述增强知识表示样例进行嵌入映射，获得第一嵌入映射表征向量包括：基于所述多特征粒度中每一特征粒度的第一池化算子，依据所述第一预调试知识表示样例，对所述每一特征粒度的第一池化算子的执行表征向量进行池化表征向量抽取，获得所述每一特征粒度的第一池化表征向量，其中，第一特征粒度的第一池化算子的执行表征向量为所述增强知识表示样例，第二特征粒度到最后一特征粒度的第一池化算子的执行表征向量为本身的上一特征粒度的第一池化表征向量和本身的上一特征粒度的路线约束条件表征向量；
7.根据权利要求5或6所述的方法，其特征在于，所述多层次路线线路调节网络包括所述多个预设路线约束层面分别对应的路线调节组件，所述将所述多个预设路线约束层面分别对应的路线约束条件样例加载到所述多层次路线线路调节网络进行路线约束条件表征向量挖掘，获得路线约束条件表征向量样例包括：
8.根据权利要求7所述的方法，其特征在于，所述路线调节组件包括坐标反组合算子和级联的多特征粒度的残差表征向量抽取算子，所述目标路线约束条件表征向量包括所述多特征粒度的残差路线约束条件表征向量，所述将所述多个预设路线约束层面中每个预设路线约束层面对应的路线约束条件样例分别加载到对应预设路线约束层面的路线调节组件进行路线约束条件表征向量挖掘，获得所述每个预设路线约束层面对应的目标路线约束条件表征向量包括：
9.根据权利要求1～3任一所述的方法，其特征在于，所述方法还包括：
10.一种大数据处理系统，其特征在于，包括：
...【技术特征摘要】
1.一种应用于智慧物流调度的大数据处理方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述将所述预调试知识表示加载到路线表征向量构建网络，依据所述预调试知识表示进行路线线路调节，构建所述目标物流路线数据对应的目标路线表征向量包括：
3.根据权利要求1所述的方法，其特征在于，所述物流调度数据构建网络包括：调度数据特征提炼组件、表征向量整合组件和数据还原映射组件，所述将所述初始物流调度数据和所述目标路线表征向量加载到物流调度数据构建网络进行物流调度数据构建，获得目标调度物流调度数据包括：
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
5.根据权利要求4所述的方法，其特征在于，所述第一路线表征向量构建网络包括：第一嵌入映射组件，所述第二路线表征向量构建网络包括：第二嵌入映射组件和还原映射组件，所述在依据所述第一预调试知识表示样例、所述增强知识表示样例和所述增强知识表示样例对应的预设附属增强信息，调节所述第一路线表征向量构建网络和所述第二路线表征向量构建网络进行路线表征向量构建时，依据所述多层次路线线路调节网络向所述第一路线表征向量构建网络添加所述路线约束条件样例，从而令所述第一路线表征向量构建网络进行路线线路调节调试，获得第一调试网络包括：
6.根据权利要求5所述的方法，其特征在于，所述第一嵌入映射组件包括级联的多特征粒度的第一池化算子，所述路线约束条件表征向量样例包括所述多特征粒度的路线约束条件表征向量，所述第一嵌入映射表征向量包括所述多特征粒度的第一池化表征向量，所述将所述增强知识表示样例、所述第一预调试知识表示...
【专利技术属性】
技术研发人员：孙雅丽，王彤彤，
申请(专利权)人：北京国联视讯信息技术股份有限公司，
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。