一种基于注意力机制的货运车辆仓库逗留时长预测方法技术

本发明专利技术公开了一种基于注意力机制的货运车辆仓库逗留时长预测方法，利用深度学习技术，按照大宗货运车辆在厂内装货时的不同排队状态设计了分别与之对应的深度学习模块。根据装运作业已完成车辆信息感知仓库的作业能力，基于作业中车辆与排队车辆提取队列中任务完成进展相关的信息，利用Attention机制提取队列中前序车辆与当前车辆仓库逗留时长预测相关的重要信息，将前序车辆信息加权结果与当前车辆信息进行残差连接，最后使用单层神经网络作为回归层得到最终时长预测值。本发明专利技术在物流仓库车辆排队的逗留时长预测研究中，更适用于仓库作业能力不确定的情况，整体模型结构设计更适用于具有多种排队状态的场景，能有效提升货车在仓库逗留的时长预测精度。货车在仓库逗留的时长预测精度。货车在仓库逗留的时长预测精度。

【技术实现步骤摘要】
一种基于注意力机制的货运车辆仓库逗留时长预测方法


[0001]本专利技术属于数据挖掘
，涉及一种基于注意力机制的货运车辆仓库逗留时长预测方法。

技术介绍

[0002]在信息化持续发展的推动下，钢铁物流行业正在进行快速转型。货运司机可通过在线平台进行运输任务的接收与提交，司机对于运输车辆在仓库逗留时长的心理预期成为提升司机体验感的重要因素。同时，管理者们需要了解进厂车辆的仓库逗留时长来辅助厂内车辆调度等决策的优化。传统的时序数据预测方法关注数据本身的变化趋势，忽略了对钢铁物流场景内部多状态的排队结构的研究。为了提升车辆逗留时间预测在大宗货运场景下的准确性，亟需一个适用于仓储物流的时间预测方法来应对仓库排队场景中的多种潜在特性。
[0003]目前用于预测车辆逗留时间预测的方法可划分为三类，一类方法是基于排队论进行数学分析提取逗留时长，该类方法要求客户的到达及服务台的服务时间遵循特定分布概率，不适用于货车无规律到达且仓库作业能力未知的实际物流场景。第二类方法是基于深度学习方法提取特征用于预测逗留时长，但由于大宗货运排队场景的特殊结构及其排队车辆集内部车辆间的复杂关系，该类方法在此场景下的预测效果不好。第三类方法采用基于注意力机制的模型捕获个体间的相关性，根据不同程度的相关性设定不同权重从而进行车辆的逗留时长预测，然而，由于大宗货运厂内排队场景中个体间的序列关系尤为重要，因此单纯使用注意力机制往往导致预测结果不准确。
[0004]综上所述，适用于大宗货运仓储物流排队场景的仓库逗留时长预测技术尚未出现。<br/>
技术实现思路

[0005]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基于注意力机制的货运车辆仓库逗留时长预测方法。本专利技术第一阶段首先对历史数据集进行离线分析，提取与车辆仓库逗留时长相关的重要因素。本专利技术的第二阶段为仓库逗留时长预测，先采用深度学习技术基于作业完成车辆信息对仓库作业能力进行表示，再结合序列预测技术挖掘车辆任务进展情况，并结合注意力机制捕获队列中前序车辆对于当前车辆仓库逗留时长预测影响重大的信息，使用单层神经网络作为回归层构造回归模型，实现车辆仓库的逗留时长预测。
[0006]实现本专利技术目的的具体技术方案是：
[0007]S1：历史数据处理与分析，对历史数据进行预处理及分析，得到影响装货车辆在仓库逗留时长的多个重要因素，并将数据集划分为训练集、验证集与测试集；
[0008]S2：前序车辆集划分，根据车辆所处排队状态将排队队列中与当前预测目标相关的前序车辆划分成三个集合，分别为排队车辆集、正在作业车辆集与作业完成车辆集；
[0009]S3：仓库作业能力特征提取，基于步骤S2得到的作业完成车辆集，提取各车辆特征
并结合序列预测模型对仓库作业能力特征进行向量表示；
[0010]S4：车辆特征向量提取，基于步骤S2得到的正在作业车辆集、排队车辆集与步骤S3得到的仓库作业能力表示向量，结合序列预测深度学习模型得到排队与正在作业车辆的任务进展信息的向量表示；
[0011]S5：前序车辆重要性提取，基于步骤S4得到的排队与正在作业车辆任务进展信息向量表示，结合注意力机制获取前序车辆任务进展情况对当前车辆逗留时长预测的重要性，根据重要性权重矩阵计算得到前序车辆加权信息，通过使用残差连接层将加权信息与当前车辆任务进展信息连接获得目标车辆的最终向量表示；
[0012]S6：训练与保存模型，将步骤S5得到的最终向量表示输入到单层全连接神经网络进行回归计算，输出为所预测的车辆仓库逗留时长，在训练集上使用均方误差损失函数衡量预测时长与真实时长的差距，通过Adam优化器反向传播更新多模块深度学习模型中的参数，每次更新参数后计算验证集上的损失函数值，当损失函数不再继续下降时，即损失函数值达到最小时对模型进行保存；
[0013]S7：仓库逗留时长预测，将目标车辆及其相关前序车辆信息输入训练好的模型中，得到逗留时长预测值。
[0014]针对步骤S1，所述历史数据来自企业的真实数据集，对多个仓库中处于不同排队状态的数据集进行分析，其中包含正在排队的车辆数据、正在作业的车辆数据、作业完成的车辆数据。所述对数据的预处理包括异常值处理，数据去重，数据归一化，文本数据编码，预处理操作能够提高数据集中数据的质量，并能使数据更适用于模型训练；所述对数据的分析操作包括特征重要性分析，数据分布情况分析，数据变化趋势分析。
[0015]通过分析发现车辆的仓库逗留时长受多种因素影响，其中包括前序车辆任务进展信息、仓库作业能力、时间信息、货物品种及重量信息，因此本专利技术采用模型从数据中提取上述相关因素作为逗留时长预测的特征。将数据集进行划分，其中百分之七十为训练集、百分之十为验证集、百分之二十为测试集。
[0016]针对步骤S2，给出定义如下：
[0017]进行车辆集划分的依据为排队数据中车辆各状态的关键时间点与目标车辆关键时间点的先后关系；所有车辆的集合表示为C，每一辆车表示为c∈C，其中目标车辆表示为c～；所有仓库的集合表示为S，每一个仓库表示为s∈S；当前时刻t处于仓库s队列中的排队车辆集、正在作业车辆集与作业完成车辆集分别表示为车辆集、正在作业车辆集与作业完成车辆集分别表示为其中分别表示特定车辆c在仓库s队列中开始排队、开始作业与完成作业的时刻，t
p
表示预测请求发生的时刻，α表示车辆已完成作业时长阈值；目标车辆的前序排队车辆集、正在作业车辆集与作业完成车辆集分别表示为集与作业完成车辆集分别表示为根据上述给出的定义提取与目标车辆相关的前序三种车辆集。
[0018]针对步骤S3，选取与目标车辆相关的最近n辆已完成作业车辆，提取包含任务完成总时长与任务详细信息的相关车辆任务完成信息作为输入特征，分别对各特征经Embedding降维后进行连接，再经过全连接层后得到各车辆的一维特征向量v
leave
，按照车辆
序列顺序将其特征向量v
leave
输入序列预测模型LSTM中，将最后一个节点的输出经过全连接层转换成用于表示仓库作业能力的向量a。
[0019]针对步骤S4，提取特征向量的车辆集包括排队车辆集与正在作业车辆集；
[0020]正在作业车辆：结合步骤S3中得到的仓库作业能力向量a，与当前时刻特征、货物信息特征、已作业时长特征共同作为输入特征，分别对仓库作业能力向量a、时刻特征及货物信息特征、已作业时长特征等其他特征经Embedding降维后进行连接，再经过全连接层后得到各车辆的一维特征向量v
work
，按照队列中车辆的顺序将其特征向量v
work
输入序列预测模型LSTM中，获得各车辆节点的任务进展情况向量r
work
及最后一个节点的隐状态向量s；
[0021]排队车辆集：将已作业时长、当前时刻、货物信息特征作为输入特征，分别对已作业时长、当前时刻、货物信息特征经Embedding降维后进行连接，再经过全连接层后得到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力机制的货运车辆仓库逗留时长预测方法，其特征在于，该方法包括以下具体步骤：步骤1：历史数据处理与分析：对历史数据进行预处理及分析，提取影响装货车辆在仓库的逗留时长的因素，并将数据集划分为训练集、验证集与测试集；步骤2：排队前序车辆集划分：根据车辆所处排队状态将队列中与当前预测目标相关的前序车辆划分成三个集合：排队车辆集合、正在作业的车辆集合与作业完成的车辆集合；步骤3：仓库作业能力特征提取：基于步骤2得到的作业完成的车辆集，提取各车辆特征并结合序列预测模型对仓库作业能力特征进行向量表示；步骤4：车辆特征向量提取：基于步骤2获得正在作业的车辆集、排队车辆集与步骤3得到的仓库作业能力表示向量，结合序列预测深度学习模型得到排队与正在作业车辆任务进展信息的向量表示；步骤5：前序车辆重要性提取：基于步骤4得到的排队与正在作业车辆任务进展信息向量表示，结合注意力机制获取前序车辆任务进展信息对当前车辆逗留时长预测的重要程度，根据重要性权重矩阵计算得到前序车辆加权信息，通过使用残差连接层将加权信息与当前车辆任务进展信息连接获得目标车辆的最终向量表示；步骤6：训练与保存模型：将步骤5得到的最终向量表示输入到单层全连接神经网络进行回归计算，输出为所预测的车辆仓库逗留时长，在训练集上使用均方误差损失函数衡量预测时长与真实时长的差距，通过Adam优化器反向传播更新多模块深度学习模型中的参数，每次更新参数后计算验证集上的损失函数值，保存损失函数值最小的模型；步骤7：车辆仓库逗留时长预测：将目标车辆及其相关前序车辆信息输入训练好的模型中，得到逗留时长预测值。2.根据权利要求1所述的逗留时长预测方法，其特征在于，步骤1中，所述历史数据来自企业的真实数据集，对多个仓库处于不同排队状态的数据集进行分析，其中所述数据集包含排队车辆数据、正在作业的车辆数据、作业完成的车辆数据；所述对数据的预处理包括异常值处理，数据去重，数据归一化，文本数据编码；所述对数据的分析操作包括特征重要性分析，数据分布情况分析，数据变化趋势分析。3.根据权利要求1所述的逗留时长预测方法，其特征在于，步骤1中，所述影响因素包括前序车辆任务进展信息、仓库作业能力、时间信息、货物品种及重量信息；将数据集进行划分，其中百分之七十为训练集、百分之十为验证集、百分之二十为测试集。4.根据权利要求1所述的逗留时长预测方法，其特征在于，步骤2中，进行车辆集划分的依据为排队数据中车辆各阶段的关键时间点与目标车辆关键时间点的先后关系；所有车辆的集合表示为C，每一辆车表示为c∈C，其中目标车辆表示为所有仓库的集合表示为S，每一个仓库表示为s∈S；当前时刻t下处于仓库s队列中的排队车辆集、正在作业车辆集与作业完成车辆集分别表示为作业完成车辆集分别表示为其中分别表示车辆c在仓库s队列中开始排队、开始作业与结束作业的时刻，t
p
表示预测请求发生的时刻，α表示车辆已完工时长阈值；目标车辆的前序正在排队车辆集、正在作业车辆集与已完成作业车辆集分别表示为
根据给出定义提取与目标车辆相关的前序三种车辆集。5.根据权利要求1所述的逗留时长预测方法，其特征在于，步骤3中，选取与目标车辆相关的最近n辆已完成作业车辆，提取包含相关车辆的货物信息与总作业时长的任务完成信息作为输入特征，分别对各特征经Embedding降维后进行连接，再经过全连接层后得到各车辆的一维特征向量v
leave
，按照序列中车辆的顺序将各车辆特征向量v
leave
输入序列预测模型LSTM中，将最后一个节点的输出经过全连接层转换成用于表示仓库作业能力的向量a。6.根据权利要求1所述的逗留时长预测方法，其特征在于，步骤4中，提取特征向量的车辆集包括排队车辆集与正在作业车辆集；所述正在作业车辆集结合步骤3中得到的仓库作业能力向量a，与当前时刻特征、货物信息特征、已作业时长特征共同作为输入特征，分别对仓库作业能力向量a、时刻特征、货物信息特征、已作业时长特征经Embedding降维后进行连接，再经过全连接层后得到各车辆的一维特征向量v
work
，按照...

【专利技术属性】
技术研发人员：毛嘉莉，吕星仪，赵威，郭烨，周傲英，
申请(专利权)人：京创智汇上海物流科技有限公司，
类型：发明
国别省市：