基于制造技术

一种基于

【技术实现步骤摘要】
基于Transformer的共享单车调度性能优化方法


[0001]本专利技术涉及的是一种交通运输领域的技术，具体是一种基于
Transformer
的共享单车调度性能优化方法
。

技术介绍

[0002]现有的共享单车调度方法都是将投放点位与运输车辆视作车辆路径问题
(VRP)
模型，再通过如遗传算法
、
蚁群算法
、
模拟退火等方法更新迭代寻找路径的最优解
。
这些方法都是启发式算法，需要很高的迭代步数进行求解且求解质量不稳定
。

技术实现思路

[0003]本专利技术针对现有技术仅适用于运输车辆装载容量为无穷大时的情况，无法适用于装载容量有限时的具体场景，提出一种基于
Transformer
的共享单车调度性能优化方法，充分利用节点坐标信息与节点需求量数据，能够有效提取数据特征，进行深度学习，实现路径的自我规划
。
[0004]本专利技术是通过以下技术方案实现的：
[0005]本专利技术涉及一种基于
Transformer
的共享单车调度性能优化方法，在初始化阶段通过随机生成节点信息与需求量数据得到样本，通过构建
Transformer
模型并以初始权重对随机数据进行前向传播，并通过贪心搜索得到标签值；在训练阶段，对前向传播的输出结果采样得到预测值并用于训练
Transformer
模型；在使用阶段通过训练后的
Transformer
模型进行在线路径自我规划
。
[0006]所述的训练，每更新一次
Transformer
模型的参数后，通过该模型进行前向传播，并通过贪心搜索，对标签值进行更新
。
[0007]所述的样本是指：通过一个三维的数组储存节点的经纬坐标与需求量，将所有
K
个节点的数组进行拼接，得到3×
K
大小的样本数组
。
[0008]所述的贪心搜索是指：在模型预测的所有选项中，选取概率最大的选项作为预测值
。
[0009]所述的采样是指：在模型预测的所有选项中，依概率采样选项得到预测值
。
[0010]所述的
Transformer
模型包括：编码器与解码器，其中：编码器根据3×
K
的浮点数组生成节点的编码信息；解码器在解码过程中对编码信息融入节点需求量信息后进行映射以感知到节点的全局信息，具体为：
q
c
＝
W
Q
[q
i
；
t
i
]，其中：
W
Q
为映射矩阵，
q
i
为第
i
个节点的编码信息，
t
i
为第
i
个节点需求量
。
技术效果
[0011]本专利技术通过生成随机样本，利用贪婪策略的结果作为标签值，采样结果作为预测值，在模型更新后也更新标签值的同时，通过改进型解码器在解码过程中融入了节点需求量信息并进行映射，从而感知到节点的全局信息
。
[0012]相比较于传统的启发式算法，本专利技术无需人工标注数据，进行强化学习加有监督
的深度学习，能够解决运输车辆装载容量有限的情况下的共享单车调度问题，模型效果提升
1.8
％
。
附图说明
[0013]图1为本专利技术流程示意图；
[0014]图2为实施例效果示意图；
[0015]图3为神经网络前向传播示意图；
具体实施方式
[0016]如图1与图3所示，为本实施例涉及一种基于
Transformer
的共享单车调度性能优化方法，包括以下步骤：
[0017]步骤
1、
随机生成包括节点坐标信息与节点需求量的节点数据，将
K
个节点的数据进行拼接，得到3×
K
大小的样本数据
。
[0018]步骤
2、
构建
Transformer
模型并以初始权重对步骤1中的样本数据进行前向传播得到预测路径，具体包括：
[0019]2.1)
通过可学习的线性层参数矩阵将样本数据从3维映射到
1024
维，
h
i(0)
＝
Wx
i
+b
，
W
为映射矩阵；
b
为偏置系数
。
样本数据大小从3×
K
变为
1024xK。
[0020]2.2)
对在步骤
2.1
中得到的大小为
1024
×
K
的样本数据进行
L
次多头注意力计算，并在每一次计算过程中加入残差网络与全连接网络，以获得更好的数据特征提取效果
。
[0021]为使数据符合正态分布，便于神经网络的训练拟合，在多头注意力计算与全连接层的过程进行批正则化，具体为：其中：
l
代表
L
个自注意力计算层中的第
l
层，实例中选择
L
为8；
i
为
K
个节点中的第
i
个节点；为进行
l
次自注意力计算后第
i
个节点的多头注意力层输出；为重复
l
次后第
i
个节点的全连接层输出；
BN
为批正则化；
n
为多头注意力计算中头的个数，实施例中选择为8，每一个头的维度为
N
＝
1024/8
＝
16
；为经过
l
次多头注意力计算后的第
i
个节点的第
n
个头的编码信息
。
[0022]2.3)
对在步骤
2.2
中得到的大小为
1024
×
K
节点编码信息进行带有掩码的单头注意力计算，具体为：按顺序进行解码，在时间步长
t∈{1
，2，
...
，
2K}(
受车辆装载容量的限制，在每两个节点之间车辆都有可能要返回调度中心
。)
；解码器输出基于
π
t
的节点信息和在时间
t
′
＜
t
生成的输出
π
t
′
上生成
。
[0023]为在解码过程中融合在本条线路中剩余容量与节点信息，引入一个新的信息节点，其中包括掩码信息和车辆容量剩余信息，选取下一个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
Transformer
的共享单车调度性能优化方法，其特征在于，在初始化阶段通过随机生成节点信息与需求量数据得到样本，通过构建
Transformer
模型并以初始权重对随机数据进行前向传播，并通过贪心搜索得到标签值；在训练阶段，对前向传播的输出结果采样得到预测值并用于训练
Transformer
模型；在使用阶段通过训练后的
Transformer
模型进行在线路径自我规划；所述的训练，每更新一次
Transformer
模型的参数后，通过该模型进行前向传播，并通过贪心搜索，对标签值进行更新
。2.
根据权利要求1所述的基于
Transformer
的共享单车调度性能优化方法，其特征是，所述的样本是指：通过一个三维的数组储存节点的经纬坐标与需求量，将所有
K
个节点的数组进行拼接，得到3×
K
大小的样本数组
。3.
根据权利要求1或2所述的基于
Transformer
的共享单车调度性能优化方法，其特征是，所述的
Transformer
模型包括：编码器与解码器，其中：编码器根据3×
k
的浮点数组生成节点的编码信息；解码器在解码过程中对编码信息融入节点需求量信息后进行映射以感知到节点的全局信息，具体为：
q
c
＝
W
Q
[q
i
；
t
i
]
，其中：
W
Q
为映射矩阵，
q
i
为第
i
个节点的编码信息，
t
i
为第
i
个节点需求量
。4.
根据权利要求1所述的基于
Transformer
的共享单车调度性能优化方法，其特征是，具体包括：步骤
1、
随机生成包括节点坐标信息与节点需求量的节点数据，将
K
个节点的数据进行拼接，得到3×
k
大小的样本数据；步骤
2、
构建
Transformer
模型并以初始权重对步骤1中的样本数据进行前向传播得到预测路径，具体包括：
2.1)
通过可学习的线性层参数矩阵将样本数据从3维映射到
1024
维，
h
i(0)
＝
Wx
i
+b
，
W
为映射矩阵；
b
为偏置系数；样本数据大小从3×
k
变为
1024
×
K
；
2.2)
对在步骤
2.1
中得到的大小为
1024
×
K
的样本数据进行
L
次多头注意力计算，并在每一次计算过程中加入残差网络与全连接网络，以获得更好的数据特征提取效果；在多头注意力计算与全连接层的过程进行批正则化，具体为：其中：
l
代表
L
个自注意力计算层中的第
l
层，实例中选择
L
为8；
i
为
K
个节点中的第
i
个节点；为进行
l
次自注意力计算后第
i

【专利技术属性】
技术研发人员：何迪，高琪，郁文贤，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：