[发明专利]一种基于时空注意力机制的送达时间智能预测方法

权利要求书

1.一种基于时空注意力机制的送达时间智能预测方法，其特征在于，包括以下步骤：

S1、获取即时配送订单的订单特征，订单特征包括商家地址和顾客地址；将商家地址和顾客地址作为配送节点，并收集配送节点的节点特征；

S2、根据节点特征，预测各个配送节点的遍历顺序，并将该遍历顺序记为配送路线；

S3、获取配送路线的路线特征；

S4、根据路线特征，预测各个即时配送订单的配送用时；

步骤S4的具体步骤如下：

S41、获取设定配送区域内各个即时配送订单对应的各条配送路线上的配送节点，将这些配送节点彼此相连，彼此相连的两配送节点之间的连线构成边，以构成配送节点网络G，G=(V,E)，V表示这些配送节点构成的配送节点集合；E为配送节点的关系矩阵，E={e_ij｜1≤i≤j≤n_e}，e_ij表示节点网络G中第i个配送节点和第j个配送节点之间的关联程度，e_ij的取值为0或1，0表示无关联，1表示有关联；n_e为节点总数；

S42、通过转移概率计算公式计算配送节点序列集合U中各个配送节点间的转移概率；

S43、通过二阶随机游走获得配送节点集合V的随机游走节点序列，利用Skip-gram方法将随机游走节点序列中的配送节点向量化，得到配送节点向量矩阵E_u；接着利用配送节点向量矩阵E_u将配送节点序列集合U向量化为配送节点序列特征矩阵F^u；

S44、将节点序列特征矩阵F^u输入卷积神经网络模块中，利用n_c个大小为n_k×n_d的卷积核对配送节点序列特征矩阵进行计算，步幅为1，以得到对应的计算值，将所有的计算值拼接组合构成组合矩阵A_k，其中1≤k≤n_k，1≤x≤n_r-n_k+1，计算值和组合矩阵A_k的表示如下：

其中，为激活函数；W_k和b_k为训练参数；表示第k个卷积核在第x个窗口所选的配送节点的节点特征，选取第x到x+n_k-1个节点特征，窗口大为n_k； n_r×n_d表示配送节点序列特征矩阵F^u为n_r行、n_d列的矩阵；表示第k个卷积核在第x个窗口计算的输出；

S45、将n_r个卷积核计算得到的组合矩阵A_k进行拼接，得到输出矩阵E_c，，(n_r-n_k+1)×n_c表示输出矩阵E_c为n_r-n_k+1行、n_c列的矩阵；设置池化层大小为n_p×1，步幅为1，接着对输出矩阵E_c进行最大池化得到池化输出矩阵(n_r-n_p-n_k+2)×n_c表示池化输出矩阵为n_r-n_p-n_k+2行、n_c列的矩阵；

S46、设置权重矩阵，且权重矩阵E_Q中各个位置随机取值作为初始值，(n_r-n_k-n_p+2)×n_c表示池化输出矩阵E_Q为n_r-n_k-n_p+2行、n_c列的矩阵；之后将权重矩阵E_Q和输出矩阵相加，并依次通过tanh激活函数和一个线性层，得到相加矩阵，n_r×n_c表示相加矩阵E_kq为n_r行、n_c列的矩阵；将E_kq输入Softmax进行计算，得到注意力权重矩阵；相加矩阵E_kq表示如下：

其中，W_kq和b_kq均为线性层的参数；

S47、将配送路线特征矩阵F^r中的所有路线特征向量化，得到新的配送路线特征矩阵，表示新的配送路线特征矩阵为n_r行、列的矩阵，并将输入到单层的GRU模型中，得到输出矩阵，n_r×n_g表示输出矩阵E_g为n_r行、n_g列的矩阵；

S48、将和E_g相乘得到相乘矩阵，n_g×n_c表示相乘矩阵E_att为n_r行、n_d列的矩阵；并将E_att输入到一个多层感知机中计算，以得到即时配送订单的预测配送用时。