申请/专利权人：华东师范大学

申请日：2023-12-26

公开（公告）日：2024-03-19

公开（公告）号：CN117726058A

主分类号：G06Q10/047

分类号：G06Q10/047;G06Q10/083;G06N3/0442;G06N3/045;G06N3/0464;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.05#实质审查的生效;2024.03.19#公开

摘要：本发明公开了一种面向大宗物流的运输时长预测方法，鉴于运输过程中停留时间的不确定性和行驶时间与停留时间之间的相互制约效应导致预测性能低下的问题，提出了基于Transformer和多因素注意力机制的运输时长预测框架。该模型利用Transformer捕捉序列中停留热点停留时间的相互影响关系，并引入多因素关注机制，以捕捉各种因素对每个停留热点停留时间的不同影响。其次，为了解决旅行时间和停留时间之间相互制约的问题，该模型通过引入相互交叉注意力机制来学习旅行路线和停留热点序列之间的相互影响关系。最后，还设计了一个基于多任务学习的预测模块，其中嵌入了相互交叉注意机制，以提高整体预测性能。

主权项：1.一种面向大宗物流的运输到达时长预测方法，其特征在于，所述方法包含以下步骤：步骤S1、运单轨迹预处理：根据每辆货车不同运单的开始时间和完成时间提取运单轨迹，并对运单轨迹进行预处理，获得路段特征信息，拼接获得运单轨迹表示；步骤S2、基于步骤S1中获得的由路段序列组成的运单轨迹，将路段序列依次经过图卷积网络层、卷积神经网络层、长短时记忆网络层，分别学习相邻路段之间的局部空间相关性、跨路段之间的关系、路段之间的时间依赖，最终获得路径的行驶模式表征；步骤S3、根据设定的停留时间阈值提取零速轨迹点序列，确定停留点并匹配至POI库，提取停留时长和特征向量，获得停留信息；步骤S4、通过Transformer和多因素注意力机制，模拟停留点序列间时序关系；步骤S5、通过相互交叉注意力机制学习运输路线与停留热点序列的关系，采用多任务学习方法，以运输时长为主任务，停留时长和行驶时长为辅助任务，获得运输到达时长预测结果。

全文数据：

权利要求：

百度查询： 华东师范大学 一种面向大宗物流的运输到达时长预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD