【技术实现步骤摘要】
本专利技术涉及智慧物流，尤其涉及一种处理数据的方法和装置。
技术介绍
1、随着人工智能、大数据技术的发展，通常在物流场景中，也可以利用机器学习结合大数据预测物流节点(例如：门店、物品供应方等)的运行情况比如产出订单量的情况等，以使物流管理端有针对性的管理各个物流节点。
2、现有的预测物流节点运行情况的方法通常是利用节点产生的数据的单一特征，输入已有的预测模型得到预测结果；现有方法由于使用单一特征和已有的固定预测模型，存在由于未考虑特征的多样性，导致预测模型的稳定性较差，造成预测准确率偏低的问题。
技术实现思路
1、有鉴于此，本专利技术实施例提供一种处理数据的方法和装置，能够从物流节点的历史节点数据中提取多种类型的数据特征，利用预测模型包括的所述数据处理子模型对其对应类型的数据特征进行处理，并将处理结果输入自注意力子模型；基于自注意力子模型输出的结果预测所述物流节点产生的物流订单情况，将所述物流订单情况发送给物流管理端；克服了现有技术中由于未考虑特征多样性带来的预测模型稳定性差，以及预测准确率偏低的问题。
2、为实现上述目的，根据本专利技术实施例的一个方面，提供了一种处理数据的方法，其特征在于，包括：获取物流节点的历史节点数据；从所述历史节点数据中提取多种类型的数据特征，所述多种类型包括：文本类、数值类、时序类中的任意多种；将多种类型的所述数据特征输入训练好的预测模型中，其中，所述预测模型包括有用于处理每一种类型的数据特征的数据处理子模型以及自注意力子模型；利
3、可选地，所述数据处理子模型对其对应类型的数据特征进行处理，包括：所述文本类的数据处理子模型确定输入的每一个文本类的数据特征属于长文本特征或者短文本特征；利用所述文本类的数据处理子模型包括的词向量子模型针对属于所述长文本特征的数据特征执行降维操作得到第一文本特征；利用所述文本类对应的数据处理子模型包括的嵌入子模型针对属于所述短文本特征的数据特征执行降维操作得到第二文本特征；对所述第一文本特征和所述第二文本特征进行处理。
4、可选地，所述数据处理子模型对其对应类型的数据特征进行处理，包括：利用所述数据处理子模型包括的全连接网络子模型从数值类的数据特征中提取目标数据特征，并利用激活函数通过非线性映射，从所述目标数据特征中提取关键特征。
5、可选地，所述处理数据的方法，在所述经营特征的类型为时序类特征的情况下，将所述时序类特征划分为长期时序特征或者短期时序特征；所述数据处理子模型对其对应类型的数据特征进行处理，包括：利用时序类的数据处理子模型包括的变换器子模型从所述数据特征中提取长期时序特征，其中，所述长期时序特征指示长距离的数据依赖关系；利用时序类的数据处理子模型包括的卷积神经网络分类子模型从所述数据特征中提取多个短期时序特征，其中，多个所述短期时序特征中每相邻的两个短期时序特征之间的距离为设定步长；利用时序类的数据处理子模型包括的残差连接子模型将所述长期时序特征和所述短期时序特征进行连接。
6、可选地，所述处理数据的方法，还包括：利用所述自注意力子模型对输入的各个所述数据处理子模型的处理结果进行打分；根据打分的结果，选取指示物流订单变化的指标值；所述基于所述自注意力子模型输出的结果预测所述物流节点产生的物流订单情况，包括：基于选取的指示物流订单变化的指标值，预测所述物流节点产生的物流订单情况。
7、可选地，所述预测模型还包含预测分类子模型；所述预测所述物流节点产生的物流订单情况，包括：将指示物流订单变化的指标值输入所述预测分类子模型，所述预测分类子模型输出所述物流节点产生的物流订单情况。
8、可选地，所述预测分类子模型输出的结果包括物流订单的增单/减单概率和/或物流订单的增单量/减单量达到设定比例的概率；基于物流订单的增单/减单概率和/或物流订单的增单量/减单量达到设定比例的概率，执行预测所述物流节点产生的物流订单情况的步骤。
9、为实现上述目的，根据本专利技术实施例的第二方面，提供了一种处理数据的装置，其特征在于，包括：提取特征模块、处理数据模块和预测模块；其中，
10、所述提取特征模块，用于获取物流节点的历史节点数据；从所述历史节点数据中提取多种类型的数据特征，所述多种类型包括：文本类、数值类、时序类中的任意多种；
11、所述处理数据模块，用于将多种类型的所述数据特征输入训练好的预测模型中，其中，所述预测模型包括有用于处理每一种类型的数据特征的数据处理子模型以及自注意力子模型；利用所述预测模型包括的所述数据处理子模型对其对应类型的数据特征进行处理，并将处理结果输入所述自注意力子模型；
12、所述预测模块，基于所述自注意力子模型输出的结果预测所述物流节点产生的物流订单情况，将所述物流订单情况发送给物流管理端。
13、可选地，所述处理数据的装置包括：所述数据处理子模型对其对应类型的数据特征进行处理，包括：所述文本类的数据处理子模型确定输入的每一个文本类的数据特征属于长文本特征或者短文本特征；利用所述文本类的数据处理子模型包括的词向量子模型针对属于所述长文本特征的数据特征执行降维操作得到第一文本特征；利用所述文本类对应的数据处理子模型包括的嵌入子模型针对属于所述短文本特征的数据特征执行降维操作得到第二文本特征；对所述第一文本特征和所述第二文本特征进行处理。
14、可选地，所述处理数据的装置包括：所述数据处理子模型对其对应类型的数据特征进行处理，包括：利用所述数据处理子模型包括的全连接网络子模型从数值类的数据特征中提取目标数据特征，并利用激活函数通过非线性映射，从所述目标数据特征中提取关键特征。
15、可选地，所述处理数据的装置，用于在所述经营特征的类型为时序类特征的情况下，将所述时序类特征划分为长期时序特征或者短期时序特征；所述数据处理子模型对其对应类型的数据特征进行处理，包括：利用时序类的数据处理子模型包括的变换器子模型从所述数据特征中提取长期时序特征，其中，所述长期时序特征指示长距离的数据依赖关系；利用时序类的数据处理子模型包括的卷积神经网络分类子模型从所述数据特征中提取多个短期时序特征，其中，多个所述短期时序特征中每相邻的两个短期时序特征之间的距离为设定步长；利用时序类的数据处理子模型包括的残差连接子模型将所述长期时序特征和所述短期时序特征进行连接。
16、可选地，所述处理数据的装置，还用于利用所述自注意力子模型对输入的各个所述数据处理子模型的处理结果进行打分；根据打分的结果，选取指示物流订单变化的指标值；所述基于所述自注意力子模型输出的结果预测所述物流节点产生的物流订单情况，包括：基于选取的指示物流订单变化的指标值，预测所述物流节点产生的物流订单情况。
17本文档来自技高网...
【技术保护点】
1.一种处理数据的方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，
3.根据权利要求1所述的方法，其特征在于，
4.根据权利要求1所述的方法，其特征在于，
5.根据权利要求1所述的方法，其特征在于，还包括：
6.根据权利要求5所述的方法，其特征在于，
7.根据权利要求6所述的方法，其特征在于，
8.一种处理数据的装置，其特征在于，包括：提取特征模块、处理数据模块和预测模块；其中，
9.一种电子设备，其特征在于，包括：
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
【技术特征摘要】
1.一种处理数据的方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，
3.根据权利要求1所述的方法，其特征在于，
4.根据权利要求1所述的方法，其特征在于，
5.根据权利要求1所述的方法，其特征在于，还包括：
6.根据权利要求5所述的方法，其特征在于，
【专利技术属性】
技术研发人员：王春阳，赵东旭，丁长林，陈兰欢，
申请(专利权)人：北京京东乾石科技有限公司，
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。