【技术实现步骤摘要】
本专利技术涉及一种用于跨城市物流需求预测的多粒度图学习系统,属于计算机智能计算与运用。
技术介绍
1、物流平台已经成为买家和卖家之间的关键纽带。准确预测区域物流需求对于优化交付资源、提高服务质量并进一步增加收入至关重要。物流需求分为货物的提货和交付，对应着需要提供的揽收和派件服务。然而，在处理跨多个城市的不同业务用户(如零售商、制造商和在线卖家)时，会出现一个重大问题。物流平台在各个城市之间的市场份额不同，导致所获得的物流数据的稀疏程度存在显著差异。这种差异直接影响物流需求预测的准确性和可靠性。跨城市方法已经出现来解决数据稀疏性的问题，并在行业中得到了广泛应用，例如交通流量预测，跨领域推荐。然而，在应用于跨城市物流需求预测时，仍然存在挑战。第一，相同的用户在不同城市可能会有物流需求，因为一些用户可能在多个城市设立了分支机构或仓库。第二，区域的物流需求取决于该区域内的用户群体。提供或交付服务的需求与用户行为密切相关。第三，通过利用种子用户的特征适应，将用户图的结构知识从源城市转移到目标城市，实现特征增强，尤其是当目标城市中的用户个人资料稀疏时。考虑到物流平台中用户和区域之间的层次关系，物流需求预测是一个典型的多粒度图预测问题。近年来，多粒度图学习在各个领域引起了广泛关注，包括计算机视觉和城市计算。然而，这些工作主要依赖于节点特征丰富和一致的假设，由于大多数研究集中在同一领域的数据上，很难适应只有稀疏标签可用的情况。为了克服这个限制研究人员探索了跨城市的预测转移学习方法。然而，这些方法在有效建模物流平台中种子用户的不变表示和用户之间
技术实现思路
1、为了提高目标城市的需求预测准确性，关键是了解这些因素如何影响需求，并创建考虑目标城市独特特征的城市自适应知识共享，学习的不变和动态用户-区域表示，具体而言，为了获得不变的用户表示，在适应阶段，设计了一个基于用户级不变表示模块，用于获取种子用户的特征表示，并将来自不同城市的种子用户合并为统一和不变的表示。此外，为了融合动态用户行为，提出了一种带有用户-边缘动态增强的区域更新策略，它将动态边缘信息(如物流行为)与静态边缘相结合，增强用户嵌入。在预测阶段，为了实现目标城市的准确预测，设计了一个基于元学习的多城市知识转移模块，利用来自目标城市的数据对元知识进行微调，确保得到的元知识捕捉到目标城市数据分布的独特特征。
2、一种用于跨城市物流需求预测的多粒度图学习系统，包括适应阶段和预测阶段。
3、所述适应阶段：旨在在源域和目标域之间建立一致和不变的种子用户嵌入，并有效捕捉用户之间物流关系的动态，整合用户之间不断变化的物流关系并更新区域嵌入来增强用户图；
4、所述预测阶段：旨在调整元知识来使其与目标城市的时空特征保持一致，以在数据稀缺的情况下有效利用元知识，并通过自适应参数更新学习在多个城市之间共享的模型参数；
5、作为本专利技术的一种改进，所述适应阶段包括用户级不变表示模块、动态边增强区域更新模块。
6、所述用户级不变表示模块，旨在全面整合物流信息，并在初始用户嵌入中保留用户行为的不确定性和周期特征。首先对用户的序列和属性进行编码，通过期望嵌入矩阵和协方差嵌入矩阵的高斯分布表示来保留不确定性。具体来说，初始化四个嵌入矩阵u、p、v和q，每个大小为rm×d，分别表示序列编码和属性编码的高斯均值向量和方差向量，为了获得需求序列的高斯嵌入和属性编码，采用蒙特卡洛抽样方法，对于需求序列编码gt计算如下所示：
7、
8、其中，elu(·)代表指数线性单元函数，ht是物流需求序列编码，δ是辅助噪声变量，接着使用相同的方法对物流属性编码ha进行处理，得到ga，最后，初始用户嵌入被表示为其中，|u|是用户数量。
9、对于物流需求序列编码ht，使用一个编码器从节点的物流需求序列d＝{d1,d2,…,dn}中提取多尺度特征：
10、
11、这里，γ取两个值：s和l，分别对应短期和长期特征的膨胀卷积操作次数，ws和wt是可学习的权重矩阵，和是偏置项，定义为和的拼接，表示为
12、对于物流属性编码ha，用户属性被分为静态属性和动态属性。在最后一公里物流中，动态属性指的是提取和交付信息，而静态属性包括与用户相关的行业属性。为了编码这些属性，对于用户i，静态表示是通过使用one-hot编码器获得的。对于动态属性集它与用户及其从t1到tn的相应频率值相关联。具体来说，作为一个标记，用于生成动态表示的概率值集合如下所示：
13、
14、选择具有最高概率的属性作为动态属性的代表值，即最后，将编码的动态属性与静态属性串联起来，得到最终的用户属性编码ha∈rd，其中d是向量的维度。
15、接着，使用图注意力网络(graph attention network，gat)用于在来自不同城市领域的用户构建的用户图上执行卷积操作，确保了种子用户的表示考虑了多跳邻居关系，在不同城市领域内实现了相同种子用户的更加对齐的嵌入分布。具体来说，对于中的每个用户，他们的初始嵌入集合为了捕捉多跳邻居对用户嵌入的影响，提出了一种不变的用户对齐方法，使用gat将来自用户图的节点嵌入整合起来。的注意力系数计算如下
16、
17、其中，表示用户图中的邻居节点集。融合后的嵌入表示为其中σ(·)代表激活函数，和是可学习的权重矩阵。然后计算源城市和目标城市中两个种子用户之间的嵌入最大均值差异计算如下：
18、
19、其中，φ(·)是数据空间中所有可能核的格拉姆矩阵，并且采用了高斯核。和表示不同城市的节点嵌入集。
20、作为本专利技术的一种改进，所述动态边增强区域更新模块中，首先将一个城市中所有静态边的集合表示为as，动态边的集合表示为其中表示tn时刻的动态边矩阵。
21、为了增强用户嵌入，利用它们的动态边以更深入地理解用户互动和行为模式。在动态用户图中，图序列距离时间tn越近，就越能准确地反映用户节点的当前状态。因此，采用指数衰减方法来增强动态边。每条动态边的权重由指数衰减函数确定，该函数考虑了到达时间与当前时间的时间差。如果动态边在时间tk到达，则其在当前时间点tn的权重wd定义为w(tk,tn)＝expy-λ(tn-tk)|，其中λ是控制衰减速率的超参数，设置λ＝0.3。对于每条静态边，累积其连接的所有动态边的权重，得到更新静态边的新权重：
22、
23、其中，是用户图的更新邻接矩阵。随后，使用gat重新计算节点嵌入，得到最终表示反映了动态物流信息的增强。
24、为了捕捉多粒度节点之间的相关性和一致性，并实现城市区域的统一嵌入，本专利技术提出了基于可微分池化的区域级更新方法，利用可微分池化生成嵌入，捕获相应区域的特征，实现了从用户到区域的复杂模式和信息的聚合与传输，使得区域能够全局解释用户。具体来说，从用户到区域的聚类分配矩阵记为它使用用户节点的嵌入表示和邻接矩阵进本文档来自技高网...
【技术保护点】
1.一种用于跨城市物流需求预测的多粒度图学习系统，其特征在于：包括适应阶段和预测阶段，
2.如权利要求1所述一种用于跨城市物流需求预测的多粒度图学习系统，其特征在于：所述适应阶段包括用户级不变表示模块和动态边增强区域更新模块，
3.如权利要求2所述一种用于跨城市物流需求预测的多粒度图学习系统，其特征在于：所述用户级不变表示模块首先对用户的序列和属性进行编码，通过期望嵌入矩阵和协方差嵌入矩阵的高斯分布表示来保留不确定性，具体如下，初始化四个嵌入矩阵U、P、V和Q，每个大小为Rm×#，分别表示序列编码和属性编码的高斯均值向量和方差向量，为了获得需求序列的高斯嵌入和属性编码，采用蒙特卡洛抽样方法，对于需求序列编码g$计算如下所示：
4.如权利要求2所述一种用于跨城市物流需求预测的多粒度图学习系统，其特征在于：所述动态边增强区域更新模块中，首先将一个城市中所有静态边的集合表示为A/，动态边的集合表示为其中表示t-时刻的动态边矩阵，
5.如权利要求1所述一种用于跨城市物流需求预测的多粒度图学习系统，其特征在于：所述预测阶段中包含多城市知识转移
6.如权利要求5所述一种用于跨城市物流需求预测的多粒度图学习系统，其特征在于：所述多城市知识转移操作利用模型无关的元学习方法来有效地调整参数以适应目标城市，参数θ最初基于多个源城市进行设置，以最小化在所有源城市上的平均泛化损失，
7.如权利要求5所述一种用于跨城市物流需求预测的多粒度图学习系统，其特征在于：所述模型训练和预测通过自适应参数更新学习在多个城市之间共享的模型参数，为了考虑领域自适应，最小化损失函数的同时利用用户对齐和区域更新，具体步骤如下：
...【技术特征摘要】
1.一种用于跨城市物流需求预测的多粒度图学习系统，其特征在于：包括适应阶段和预测阶段，
2.如权利要求1所述一种用于跨城市物流需求预测的多粒度图学习系统，其特征在于：所述适应阶段包括用户级不变表示模块和动态边增强区域更新模块，
3.如权利要求2所述一种用于跨城市物流需求预测的多粒度图学习系统，其特征在于：所述用户级不变表示模块首先对用户的序列和属性进行编码，通过期望嵌入矩阵和协方差嵌入矩阵的高斯分布表示来保留不确定性，具体如下，初始化四个嵌入矩阵u、p、v和q，每个大小为rm×#，分别表示序列编码和属性编码的高斯均值向量和方差向量，为了获得需求序列的高斯嵌入和属性编码，采用蒙特卡洛抽样方法，对于需求序列编码g$计算如下所示：
4.如权利要求2所述一种用于跨城市物流需求预测的多粒度图学习系统，其特征在于：...
【专利技术属性】
技术研发人员：王帅，夏凯文，林丽，郑安琪，惠维，
申请(专利权)人：东南大学，
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。