【技术实现步骤摘要】
本专利技术涉及人工智能，具体而言，涉及一种基于ai预测模型的低空无人机配送需求预测方法及系统。
技术介绍
1、随着科技的飞速发展，低空无人机配送逐渐成为物流行业的新兴趋势，其在提高配送效率、降低运营成本以及满足即时配送需求等方面展现出巨大潜力。然而，低空无人机配送需求的预测却面临着诸多挑战。由于配送需求受到多种因素的影响，如天气状况、交通状况、客户需求变化等，使得配送需求的预测变得复杂且多变。
2、传统的预测方法，如时间序列分析、回归分析等，往往难以准确捕捉这些复杂因素之间的关联关系，导致预测结果的准确性有限。特别是在面对大规模、高维度的配送交互数据时，传统方法的处理能力显得力不从心，难以满足实际配送需求预测的高精度要求。
技术实现思路
1、鉴于上述提及的问题，结合本专利技术的第一方面，本专利技术实施例提供一种基于ai预测模型的低空无人机配送需求预测方法，所述方法包括：
2、获取低空无人机配送过程中的样例配送交互数据序列；所述样例配送交互数据序列包括多个低空配送需求预测模式对应的样例配送交互数据；
3、获取候选低空配送需求预测模式对应的候选样例配送交互数据，依据所述候选样例配送交互数据对基础低空配送需求预测网络的图卷积转换单元进行参数学习，生成临时低空配送需求预测网络；
4、获取后一个低空配送需求预测模式对应的迭代样例配送交互数据，依据所述迭代样例配送交互数据对临时低空配送需求预测网络的图卷积转换单元进行参数学习，生成迭代低空配送需求
5、将所述迭代样例配送交互数据的在先学习样例配送交互数据分别加载至临时低空配送需求预测网络和所述迭代低空配送需求预测网络的图卷积转换单元，生成对应的第一图卷积转换结果和第二图卷积转换结果；
6、依据同一个样例配送交互数据对应的第一图卷积转换结果和第二图卷积转换结果对迭代低空配送需求预测网络的分类转换单元进行参数学习，生成优化后的临时低空配送需求预测网络后，返回所述获取后一个低空配送需求预测模式对应的迭代样例配送交互数据的步骤，直至满足训练终止条件，依据满足训练终止条件时对应的临时低空配送需求预测网络生成目标低空配送需求预测网络；
7、获取低空无人机配送过程中的目标配送交互数据，将所述目标配送交互数据加载至目标低空配送需求预测网络，生成所述目标配送交互数据对应的目标低空配送需求预测结果。
8、再一方面，本专利技术实施例还提供一种基于ai预测模型的低空无人机配送需求预测系统，包括处理器、机器可读存储介质，所述机器可读存储介质和所述处理器连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以实现上述的方法。
9、基于以上方面，本申请实施例通过迭代学习和优化低空配送需求预测网络，显著提高了对低空无人机配送需求的预测准确性。该方法首先利用样例配送交互数据序列对基础低空配送需求预测网络进行初步训练，生成临时低空配送需求预测网络；随后，通过不断引入新的迭代样例配送交互数据，对临时低空配送需求预测网络进行参数学习和优化，逐步生成更加精准的迭代低空配送需求预测网络，不仅充分利用了历史配送数据，还通过迭代学习机制不断修正和优化低空配送需求预测网络，使其能够更好地适应实际配送需求的变化，最终生成的目标低空配送需求预测网络，在面对实际低空无人机配送过程中的目标配送交互数据时，能够准确、高效地输出预测结果，从而有助于无人机配送的调度和规划，有效提升了无人机配送服务的效率和用户满意度。
本文档来自技高网...【技术保护点】
1.一种基于AI预测模型的低空无人机配送需求预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于AI预测模型的低空无人机配送需求预测方法，其特征在于，所述获取低空无人机配送过程中的样例配送交互数据序列，包括：
3.根据权利要求1所述的基于AI预测模型的低空无人机配送需求预测方法，其特征在于，所述样例配送交互数据序列中的样例配送交互数据标注有网络学习监督数据，初始化低空配送需求预测网络为基础低空配送需求预测网络或临时低空配送需求预测网络，对所述初始化低空配送需求预测网络的图卷积转换单元进行参数学习的步骤，包括：
4.根据权利要求1所述的基于AI预测模型的低空无人机配送需求预测方法，其特征在于，当前低空配送需求预测网络为基础低空配送需求预测网络、临时低空配送需求预测网络、迭代低空配送需求预测网络和目标低空配送需求预测网络中的任意一种，当前低空配送需求预测网络的图卷积转换单元用于对任意输入的样例配送交互数据进行图卷积转换处理，生成基础图卷积转换结果，当前低空配送需求预测网络的分类转换单元用于对所述基础图卷积转换结果进行分类转换，生成分类
5.根据权利要求4所述的基于AI预测模型的低空无人机配送需求预测方法，其特征在于，所述任意输入的样例配送交互数据包括订单相关交互数据和配送相关交互数据，所述图卷积转换单元包括订单相关交互数据对应的图卷积转换子单元和配送相关交互数据对应的图卷积转换子单元，所述基础图卷积转换结果的生成步骤，包括：
6.根据权利要求4所述的基于AI预测模型的低空无人机配送需求预测方法，其特征在于，所述当前低空配送需求预测网络包括交互会话节点提取单元，所述图卷积转换单元包括交互会话节点提取单元对应的图卷积转换子单元和任意输入的样例配送交互数据对应的图卷积转换子单元，所述基础图卷积转换结果的生成步骤，包括：
7.根据权利要求5或6所述的基于AI预测模型的低空无人机配送需求预测方法，其特征在于，所述配送相关交互数据包括至少一个交互会话节点，所述配送交互图特征包括各个交互会话节点对应的交互会话矢量，所述依据所述配送交互图特征和所述订单交互图特征生成所述基础图卷积转换结果，包括：
8.根据权利要求5或6所述的基于AI预测模型的低空无人机配送需求预测方法，其特征在于，通过当前图卷积转换子单元对当前样例配送交互数据进行图卷积转换处理，生成所述当前样例配送交互数据对应的图卷积转换结果，包括：
9.根据权利要求4所述的基于AI预测模型的低空无人机配送需求预测方法，其特征在于，所述第一图卷积转换结果包括临时低空配送需求预测网络的各个图卷积转换子单元生成的第一图卷积转换子结果，所述第二图卷积转换结果包括迭代低空配送需求预测网络的各个图卷积转换子单元生成的第二图卷积转换子结果，所述依据同一个样例配送交互数据对应的第一图卷积转换结果和第二图卷积转换结果对迭代低空配送需求预测网络的分类转换单元进行参数学习，生成优化后的临时低空配送需求预测网络，包括：
10.一种基于AI预测模型的低空无人机配送需求预测系统，其特征在于，所述基于AI预测模型的低空无人机配送需求预测系统包括处理器和存储器，所述存储器和所述处理器连接，所述存储器用于存储程序、指令或代码，所述处理器用于执行所述存储器中的程序、指令或代码，以实现上述权利要求1-9任意一项所述的基于AI预测模型的低空无人机配送需求预测方法。
...【技术特征摘要】
1.一种基于ai预测模型的低空无人机配送需求预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于ai预测模型的低空无人机配送需求预测方法，其特征在于，所述获取低空无人机配送过程中的样例配送交互数据序列，包括：
3.根据权利要求1所述的基于ai预测模型的低空无人机配送需求预测方法，其特征在于，所述样例配送交互数据序列中的样例配送交互数据标注有网络学习监督数据，初始化低空配送需求预测网络为基础低空配送需求预测网络或临时低空配送需求预测网络，对所述初始化低空配送需求预测网络的图卷积转换单元进行参数学习的步骤，包括：
4.根据权利要求1所述的基于ai预测模型的低空无人机配送需求预测方法，其特征在于，当前低空配送需求预测网络为基础低空配送需求预测网络、临时低空配送需求预测网络、迭代低空配送需求预测网络和目标低空配送需求预测网络中的任意一种，当前低空配送需求预测网络的图卷积转换单元用于对任意输入的样例配送交互数据进行图卷积转换处理，生成基础图卷积转换结果，当前低空配送需求预测网络的分类转换单元用于对所述基础图卷积转换结果进行分类转换，生成分类转换结果；
5.根据权利要求4所述的基于ai预测模型的低空无人机配送需求预测方法，其特征在于，所述任意输入的样例配送交互数据包括订单相关交互数据和配送相关交互数据，所述图卷积转换单元包括订单相关交互数据对应的图卷积转换子单元和配送相关交互数据对应的图卷积转换子单元，所述基础图卷积转换结果的生成步骤，包括：
6.根据权利要求4所述的基于ai预测模型的低空无人机配送需求预测方法，其特征在于，所述当前低空配送需求预测网络包括交互会话节点提取单元，所述图卷...
【专利技术属性】
技术研发人员：曾小兰，袁开军，吴海燕，
申请(专利权)人：成都易速物流有限公司，
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。