[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

说明书

本发明涉及即时配送时间预测技术领域，具体是一种基于时空注意力机制的送达时间智能预测方法，包括以下步骤：计算节点间余弦相似度，构造近邻关系特征数据集；使用深度神经网络计算节点选择概率，确定配送顺序；利用图嵌入和卷积神经网络对配送路线序列进行嵌入和提取，并计算注意力权重值；将路线节点特征输入门控循环单元中，提取特征间的时间关联性；将注意力权重和门控循环单元值相乘得到最终特征向量，并输入多层感知机中预测送达时间。在对即时配送送达时间预测过程中，充分考虑各类特征对配送节点选择的影响，提高了顺序预测的准确度，同时利用提出的时空注意力机制充分挖掘时空关系对送达过程用时的影响关系，实现较高精度的预测。

技术领域

本发明涉及即时配送时间预测技术领域，具体是一种基于时空注意力机制的送达时间智能预测方法。

背景技术

即时配送作为支撑新零售模式的关键环节，近年来发展迅速。由于配送时间是服务质量最直观的评价指标，客户对时间的高度敏感性要求平台在配送前合理评估订单总用时，以提供给客户准确的等待时长。因此对于即时配送送达时间的智能预测至关重要。针对这类时间预测问题，已有的解决方法包括机器学习和深度学习，机器学习常使用随机森林、梯度提升树等方法，深度学习利用循环神经网络、深层神经网络等模型组合进行预测。论文《A deep learning method for route and time prediction in food deliveryservice》提出了一种基于长短时记忆模型，该记忆模型和注意力机制结合预测下一步到达的目标地点，并根据预测结果预测这一段路程通行时间，循环预测完所有配送节点的顺序以及每段路程的时间(GAO C L,ZHANG F,WU G Q,et al.The 27th ACM SIGKDDConference on Knowledge Discovery  Data Mining(KDD'21). New York:Associationfor Computing Machinery,2021:2879-2889)。

论文《Supervised learning for arrival time estimations in restaurantmeal delivery》提出了一种DNN模型和梯度提升决策树结合的配送时间预测模型，利用DNN预测每个节点的顺序，并利用梯度提升决策树预测配送用时(HILDEBRANDT F D,etal.Transportation Science,2022,56(4):1058-1084)。虽然以上方法在解决即时配送时间预测问题上进行了改进，有较好的预测表现，但现有方法仍存在不足。面对多个订单同时预测的场景，现有方法常选择分段预测，最后累加分路段用时作为预测结果，存在误差累加进而加大偏差的可能。在多种特征学习方面，现有方法利用梯度提升树、LSTM、注意力机制等多种模型进行学习，但是在对特征中存在的时空关系以及特征关联学习方面仍存在提升空间。

发明内容

为了避免和克服现有技术中存在的技术问题，本发明提供了一种基于时空注意力机制的送达时间智能预测方法。本发明通过卷积神经网络和循环神经网络对不同特征进行学习，并结合注意力机制，充分挖掘配送节点间的时空关系对用时的影响，提升了即时配送时间预测的准确度。

为实现上述目的，本发明提供如下技术方案：

一种基于时空注意力机制的送达时间智能预测方法，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。

作为本发明再进一步的方案：步骤S1的具体步骤如下：