CN114399250B - 基于认知图谱的冷链多温混配选温方法及装置 - Google Patents

基于认知图谱的冷链多温混配选温方法及装置 Download PDF

Info

Publication number
CN114399250B
CN114399250B CN202111660790.2A CN202111660790A CN114399250B CN 114399250 B CN114399250 B CN 114399250B CN 202111660790 A CN202111660790 A CN 202111660790A CN 114399250 B CN114399250 B CN 114399250B
Authority
CN
China
Prior art keywords
source
cargo
label
vehicle
goods
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111660790.2A
Other languages
English (en)
Other versions
CN114399250A (zh
Inventor
李翔
丁婧娴
谢乾
朱全银
高尚兵
丁行硕
张豪杰
束玮
张宁
张曼
费晶茹
洪玉昆
杨秋实
徐伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huaiyin Institute of Technology
Original Assignee
Huaiyin Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huaiyin Institute of Technology filed Critical Huaiyin Institute of Technology
Priority to CN202111660790.2A priority Critical patent/CN114399250B/zh
Publication of CN114399250A publication Critical patent/CN114399250A/zh
Application granted granted Critical
Publication of CN114399250B publication Critical patent/CN114399250B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于认知图谱的冷链多温混配选温方法及装置。该方法首先对货源信息的货物类型、货物体积、保存适宜温度、运输时间限制、路线和车源信息的可配载货物类型、剩余车厢体积大小、途径路线标签作标记处理和定义，得到标签空间以及标签集合；然后利用点互信息（PMI）和TF‑IDF分别基于冷链货源信息标签集合和冷链车源信息标签集合计算标签权重，构建货源（货物信息）关联图和车货源（货物与运输车信息）关联图；将车源与货源关联图输入图卷积神经网络（GCN），通过增加注意力机制对货源关联图的节点选择性增强，得出了关键特征表示，再通过Softmax分类选择温度。本发明普遍适用于匹配选择冷链物流中货源信息和车源信息，实现提高运载效率，减少了运输成本以及空车率。

Description

基于认知图谱的冷链多温混配选温方法及装置
技术领域
本发明属于认知图谱和多温度运输配载技术领域，特别涉及一种基于认知图谱的冷链多温混配选温方法及装置。
背景技术
我国冷链物流的发展还处于起步阶段,冷链物流成本居高不下，使得在冷链物流中常常因节约成本而出现“断链”现象。配送作为冷链物流中极为重要环节,它占据着冷链物流成本的很大比重。
在现有的冷链配载中，对如何多个温度共同进行配载，以及如何选择最优车货匹配，车辆利用率最大化等均存在着不足。针对这些问题，本发明中使用认知图谱中图卷积神经网络结合注意力方法对传统分类有重要的作用和意义。在对不同温度进行选择时，使用图卷积神经网络对构建的标签图结构进行特征提取，再使用注意力机制将辅助图的图结构提取特征，得到特征增强矩阵；最后，使用Softmax输出概率，依据结果在合适的温度下得到最佳匹配。
发明内容
发明目的：针对上述问题，本发明提供了一种基于认知图谱的冷链多温混配选温方法，能够有效地对多图结构的提取特征，解决选温中车货匹配不是最优问题。
本发明通过以下技术方案实现：
本发明提出基于认知图谱的冷链多温混配选温方法，包括如下步骤：
步骤1：对货源信息数据集D和车源信息数据集D1进行去重、去空，清洗和预处理后得到货源信息标签数据集D2和车源信息标签数据集D3；
步骤1.1：定义Text为单个货源文本待清洗信息集，定义id1,content1,content2，content3，content4分别为货物序号、货物基本信息、货物起始地、适宜保存温度、运输时间限制，并且满足关系Text＝{id1,content1,content2，content3，content4}；
步骤1.2：定义Text1为单个车源文本待清洗信息集，定义id2,content5,content6，content7分别为冷藏车序号、可配载货物类型、剩余车厢体积大小、途径路线标签标记处理，并且满足关系Text1＝{id,content5,content6，content7}；
步骤1.3：定义D为货源信息待清洗数据集，D1为车源信息待清洗数据集，D＝{Text1,Text2,…,Texta,…,Textlen(D)}，Texta为D中第a个待清洗货源数据，D1＝{Text11,Text12,…,Text1b,…,Text1len(D1)}，Text1b为D1中第b个待清洗车源数据,分别对数据集中的文本进行去重、去空以及对待清洗信息集中的content进行标签提取；
步骤1.4：对数据集D、D1进行预处理后得到货源信息标签数据集D2和车源信息标签数据集D3，D2＝{T1,T2,…,Tc,…,Tlen(D2)},Tc为D2中第c个文本数据，其中变量c∈[1,len(D2)]。D3＝{T11,T12,…,T1d,…,T1len(D3)},T1d为D3中第d个文本数据，其中变量d∈[1,len(D3)]；
步骤1.5：定义货源关联图Gi＝(Vi,Ei)，节点v1i∈Vi，边e1i∈Ei，车货源关联图Gj＝(Vj,Ej)，节点v2j∈Vj，边e2j∈Ej。
步骤2：对数据集D2和D3进行统计概括和筛选，筛选出构建车货源关联图所需要的标签数据集D4作为车货源关联图的基础数据集，统计出其余货源信息数据集标签D5作为构建货源关联图的基础数据集，将货源关联图作为增强节点表示的辅助图；
步骤2.1：对标签数据集D2、D3中的标签进行统计，概括出如货物起始地、冷藏车途径路线等标签数据集，定义为D4；
步骤2.2：标签数据集D4中单个文本信息集为Text2＝{id3,label1,label2，label3，label4，label5}，id3,label1,label2，label3，label4，label5分别为文本信息序号、冷藏车可配载货物类型标签、剩余车厢体积大小标签、货物起始地标签、途径路线标签、车货交易运输次数；
步骤2.3：将标签数据集D2、D3统计后，剩余标签数据概括为标签数据集D5，作为构建货源关联图的基础数据集；
步骤2.4：标签数据集D5中单个文本信息集为Text3＝{id4,label6,label7，label8，label9}，id3,label6,label7，label8，label9分别为文本信息序号、货物基本信息、适宜保存温度、运输时间限制、途径路线标签。
步骤3：使用PMI构建货源关联图Gi＝(Vi,Ei)，利用不同货源信息标签数据集D5得到货源信息之间的权重最终得到货源关联图；
步骤3.1：将D5＝{T21,T22,…,T2e,…,T2len(D5)},T2e为D5中第e个文本数据，其中变量e∈[1,len(D5)]，使用一个固定大小的滑动窗口通过文本计算单词共现信息，利用PMI来计算两个词之间的连接权值；
步骤3.2：预先设置Cwin(i)和Cwin(i,j)滑动窗口阈值，Cwin为数据集中滑动窗口总数；
步骤3.3：分别使用
Figure BDA0003446914500000031
和
Figure BDA0003446914500000032
计算单个标签在总体的占比，作为计算连边权重的依据；
步骤3.4：利用
Figure BDA0003446914500000033
计算出词i与j之间依据计算出不同类型的连边以及连边权重；
步骤3.5：判定PMI值是否为正，若为正的PMI值，则判定两个词之间相关，否则不相关；
步骤3.6：使用PMI计算出的权重划分阈值T，其中T≥0，若词i与j之间PMI值大于T则判定高度相关，若0≤PMI≤T，则正常相关，以此来构建货源关联图Gi＝(Vi,Ei)。
步骤4：利用TF-IDF和PMI构建车货源关联图Gj＝(Vj,Ej)，通过对统计出的车货源信息标签数据集D4进行相应关键词提取，再进行关联图连边权重计算，最终得到车货源关联图；
步骤4.1：使用TF-IDF计算标签数据集D4中单标签label在整体标签中的占比，以此判断是否车源和货源之间曾有过合作；
步骤4.2：在车源和货源合作中统计出标签占比，设定阈值C≥0；
步骤4.3：使用TF-IDF计算标签占比，若占比ci≥C，则判定labeli与labelj之间有连边且赋予权重大；
步骤4.4：若ci＜C，则进行PMI值计算，依据阈值T判定连边以及权重，以此构建车货源关联图Gj＝(Vj,Ej)。
步骤5：将车货源关联图Gj＝(Vj,Ej)使用GCN进行特征提取，融合注意力模块对货源关联图Gi＝(Vi,Ei)中标签特征进行选择性增强节点表示，使用Softmax层对不同货物选温进行计算选择，最终选择出最适合冷藏车剩余空间和温度的货物；
步骤5.1：将车货源关联图Gj＝(Vj,Ej)输入到GCN中进行特征提取，定义为矩阵H；
步骤5.1：定义k为循环变量，且赋k初值为1，开始循环；
步骤5.2：如果k≤len(D5)，则进入步骤4.3；否则，跳转到步骤4.9；len(D5)为数据集D5中的数据量；
步骤5.3：使用多注意力模块，对货源关联图Gi＝(Vi,Ei)中节点之间权重进行判断，设置权重阈值wi和wj；
步骤5.4：判断两节点之间的权重w，是否大于等于wi；
步骤5.5：若w大于等于wi，继续进行判断，否则进行下一个两节点之间权重判断；
步骤5.6：继续判断w是否小于wj，若小于对得到权重为w的两节点之间向量x0进行复制m-a次得到X0，X0＝copym-a(x0)，a＝wj-w；
步骤5.7：否则，再次判断w是否等于wj，若等于对两节点之间向量x1进行复制m次得到X1，X1＝copym(x1)；
步骤5.8：否则，对两节点之间向量x2进行复制m+b次得到X2，X2＝copym+b(x2)，b＝w-wj；
步骤5.9：对所有节点向量进行平均计算得到向量表示Xa以及对节点增强后得到的矩阵X；
步骤5.10：将增强后的矩阵X和向量表示输入到Softmax层中，输出概率结果，依据结果选取合适的温度以及车货源匹配。
本发明通过以下技术方案实现：
基于认知图谱的冷链多温混配选温装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现上述步骤1-5任一项所述的基于认知图谱的冷链多温混配选温方法。
本发明采用上述技术方案，具有以下有益效果：
1、本发明构建车货源关联图和货源关联图，构建标签之间连边时，利用标签间共现信息，使每个节点不只带有自身信息，还可以表示邻域节点的个别特征，在进行特征融合、节点增强时，依据关联图可以深度探索不同标签之间的隐藏关系，更全面的获得特征，最终获得更准确的分类概率。
2、本发明对两种关联图分别使用GCN关键特征提取后，以车货源关联图关键特征为主，货源关联图关键特征为辅，对车货源关联图中节点的权重增强，在最终分类中强化重要节点，弱化次要节点，使输出结果更加层次分明、清晰化。
3、本发明对关联图的结构特征进行权重筛选以及融合，采用注意力机制之前对关联图结构特征的权重进行等级划分，选取两权重wi和wj，其中注意力机制融合特征，对节点之间权重的等级进行判断，使增强效果更有目的性，更加准确。
4、本发明采用注意力机制可以显式的将对节点影响较大的信息赋予较大的权重并且加权到增强自身节点中，这样极大地丰富了节点表示，使得在构建关联图以及捕获标签之间的隐藏关系更加全面。
5、本发明对冷链多温混配中的最佳温度配送进行选择，在现有的方法中，更多的是基于路径的最优、最短距离等路线上的推荐，而本发明着重点为多温混配，其中温度的合适为首选，其次加入为路线、适配货物体积等因素再次选择最优，这种做法可以做到冷链车-货的最优适配，同时大大提升了运输效率。
附图说明
图1为本发明整体流程图；
图2为数据清洗流程图；
图3为构建关联图筛选基础数据集流程图；
图4为构建货源关联流程图；
图5为构建车货源关联图流程图；
图6为使用GCN加入注意力机制选温流程图。
具体实施方式
下面结合具体附图1-6，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
步骤1：对货源信息数据集D和车源信息数据集D1进行去重、去空，清洗和预处理后得到货源信息标签数据集D2和车源信息标签数据集D3；
步骤1.1：定义Text为单个货源文本待清洗信息集，定义id1,content1,content2，content3，content4分别为货物序号、货物基本信息、货物起始地、适宜保存温度、运输时间限制，并且满足关系Text＝{id1,content1,content2，content3，content4}；
步骤1.2：定义Text1为单个车源文本待清洗信息集，定义id2,content5,content6，content7分别为冷藏车序号、可配载货物类型、剩余车厢体积大小、途径路线标签标记处理，并且满足关系Text1＝{id,content5,content6，content7}；
步骤1.3：定义D为货源信息待清洗数据集，D1为车源信息待清洗数据集，D＝{Text1,Text2,…,Texta,…,Textlen(D)}，Texta为D中第a个待清洗货源数据，D1＝{Text11,Text12,…,Text1b,…,Text1len(D1)}，Text1b为D1中第b个待清洗车源数据,分别对数据集中的文本进行去重、去空以及对待清洗信息集中的content进行标签提取；
步骤1.4：对数据集D、D1进行预处理后得到货源信息标签数据集D2和车源信息标签数据集D3，D2＝{T1,T2,…,Tc,…,Tlen(D2)},Tc为D2中第c个文本数据，其中变量c∈[1,len(D2)]。D3＝{T11,T12,…,T1d,…,T1len(D3)},T1d为D3中第d个文本数据，其中变量d∈[1,len(D3)]；
步骤1.5：定义货源关联图Gi＝(Vi,Ei)，节点v1i∈Vi，边e1i∈Ei，车货源关联图Gj＝(Vj,Ej)，节点v2j∈Vj，边e2j∈Ej。
步骤2：对数据集D2和D3进行统计概括和筛选，筛选出构建车货源关联图所需要的标签数据集D4作为车货源关联图的基础数据集，统计出其余货源信息数据集标签D5作为构建货源关联图的基础数据集，将货源关联图作为增强节点表示的辅助图；
步骤2.1：对标签数据集D2、D3中的标签进行统计，概括出如货物起始地、冷藏车途径路线等标签数据集，定义为D4；
步骤2.2：标签数据集D4中单个文本信息集为Text2＝{id3,label1,label2，label3，label4，label5}，id3,label1,label2，label3，label4，label5分别为文本信息序号、冷藏车可配载货物类型标签、剩余车厢体积大小标签、货物起始地标签、途径路线标签、车货交易运输次数；
步骤2.3：将标签数据集D2、D3统计后，剩余标签数据概括为标签数据集D5，作为构建货源关联图的基础数据集；
步骤2.4：标签数据集D5中单个文本信息集为Text3＝{id4,label6,label7，label8，label9}，id3,label6,label7，label8，label9分别为文本信息序号、货物基本信息、适宜保存温度、运输时间限制、途径路线标签。
步骤3：使用PMI构建货源关联图Gi＝(Vi,Ei)，利用不同货源信息标签数据集D5得到货源信息之间的权重最终得到货源关联图；
步骤3.1：将D5＝{T21,T22,…,T2e,…,T2len(D5)},T2e为D3中第e个文本数据，其中变量e∈[1,len(D5)]，使用一个固定大小的滑动窗口通过文本计算单词共现信息，利用PMI来计算两个词之间的连接权值；
步骤3.2：预先设置Cwin(i)和Cwin(i,j)滑动窗口阈值，Cwin为数据集中滑动窗口总数；
步骤3.3：分别使用
Figure BDA0003446914500000071
和
Figure BDA0003446914500000072
计算单个标签在总体的占比，作为计算连边权重的依据；
步骤3.4：利用
Figure BDA0003446914500000073
计算出词i与j之间依据计算出不同类型的连边以及连边权重；
步骤3.5：判定PMI值是否为正，若为正的PMI值，则判定两个词之间相关，否则不相关；
步骤3.6：使用PMI计算出的权重划分阈值T，其中T≥0，若词i与j之间PMI值大于T则判定高度相关，若0≤PMI≤T，则正常相关，以此来构建货源关联图Gi＝(Vi,Ei)。
步骤4：利用TF-IDF和PMI构建车货源关联图Gj＝(Vj,Ej)，通过对统计出的车货源信息标签数据集D4进行相应关键词提取，再进行关联图连边权重计算，最终得到车货源关联图；
步骤4.1：使用TF-IDF计算标签数据集D4中单标签label在整体标签中的占比，以此判断是否车源和货源之间曾有过合作；
步骤4.2：在车源和货源合作中统计出标签占比，设定阈值C≥0；
步骤4.3：使用TF-IDF计算标签占比，若占比ci≥C，则判定labeli与labelj之间有连边且赋予权重大；
步骤4.4：若ci＜C，则进行PMI值计算，依据阈值T判定连边以及权重，以此构建车货源关联图Gj＝(Vj,Ej)。
步骤5：将车货源关联图Gj＝(Vj,Ej)使用GCN进行特征提取，融合注意力模块对货源关联图Gi＝(Vi,Ei)中标签特征进行选择性增强节点表示，使用Softmax层对不同货物选温进行计算选择，最终选择出最适合冷藏车剩余空间和温度的货物；
步骤5.1：将车货源关联图Gj＝(Vj,Ej)输入到GCN中进行特征提取，定义为矩阵H；
步骤5.1：定义k为循环变量，且赋k初值为1，开始循环；
步骤5.2：如果k≤len(D5)，则进入步骤4.3；否则，跳转到步骤4.9；len(D5)为数据集D5中的数据量；
步骤5.3：使用多注意力模块，对货源关联图Gi＝(Vi,Ei)中节点之间权重进行判断，设置权重阈值wi和wj；
步骤5.4：判断两节点之间的权重w，是否大于等于wi；
步骤5.5：若w大于等于wi，继续进行判断，否则进行下一个两节点之间权重判断；
步骤5.6：继续判断w是否小于wj，若小于对得到权重为w的两节点之间向量x0进行复制m-a次得到X0，X0＝copym-a(x0)，a＝wj-w；
步骤5.7：否则，再次判断w是否等于wj，若等于对两节点之间向量x1进行复制m次得到X1，X1＝copym(x1)；
步骤5.8：否则，对两节点之间向量x2进行复制m+b次得到X2，X2＝copym+b(x2)，b＝w-wj；
步骤5.9：对所有节点向量进行平均计算得到向量表示Xa以及对节点增强后得到的矩阵X；
步骤5.10：将增强后的矩阵X和向量表示输入到Softmax层中，输出概率结果，依据结果选取合适的温度以及车货源匹配。
Figure BDA0003446914500000091
Figure BDA0003446914500000101
本发明可与计算机系统结合成为基于认知图谱的冷链多温混配选温装置，装置包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，计算机程序被加载至处理器时实现上述基于认知图谱的冷链多温混配选温方法。

Claims (6)

1.基于认知图谱的冷链多温混配选温方法，其特征在于，包括如下步骤：
步骤1：对货源信息数据集D和车源信息数据集D1进行去重、去空，清洗和预处理后得到货源信息标签数据集D2和车源信息标签数据集D3；
步骤2：对数据集D2和D3进行统计概括和筛选，筛选出构建车货源关联图所需要的标签数据集D4作为车货源关联图的基础数据集，统计出其余货源信息数据集标签D5作为构建货源关联图的基础数据集，将货源关联图作为增强节点表示的辅助图；
步骤3：使用PMI构建货源关联图Gi＝(Vi，Ei)，利用不同货源信息标签数据集D5得到货源信息之间的权重最终得到货源关联图；
步骤4：利用TF-IDF和PMI构建车货源关联图Gj＝(Vj，Ej)，通过对统计出的车货源信息标签数据集D4进行相应关键词提取，再进行关联图连边权重计算，最终得到车货源关联图；
步骤5：将车货源关联图Gj＝(Vj，Ej)使用GCN进行特征提取，融合注意力模块对货源关联图Gi＝(Vi，Ei)中标签特征进行选择性增强节点表示，使用Softmax层对不同货物选温进行计算选择，最终选择出最适合冷藏车剩余空间和温度的货物；
所述步骤5的具体方法为：
步骤5.1：将车货源关联图Gj＝(Vj，Ej)输入到GCN中进行特征提取，定义为矩阵H；
步骤5.1：定义k为循环变量，且赋k初值为1，开始循环；
步骤5.2：如果k≤len(D5)，则进入步骤5.3；否则，跳转到步骤5.9；len(D5)为数据集D5中的数据量；
步骤5.3：使用多注意力模块，对货源关联图Gi＝(Vi，Ei)中节点之间权重进行判断，划定权重阈值wi和wj；
步骤5.4：判断两节点之间的权重w，是否大于等于wi；
步骤5.5：若w大于等于wi，继续进行判断，否则进行下一个两节点之间权重判断；
步骤5.6：继续判断w是否小于wj，若小于对得到权重为w的两节点之间向量x0进行复制m-a次得到X0，X0＝copym-a(x0)，a＝wj-w；
步骤5.7：否则，再次判断w是否等于wj，若等于对两节点之间向量x1进行复制m次得到X1，X1＝copym(x1)；
步骤5.8：否则，对两节点之间向量x2进行复制m+b次得到X2，X2＝copym+b(x2)，b＝w-wj；
步骤5.9：对所有节点向量进行平均计算得到向量表示Xa以及对节点增强后得到的矩阵X；
步骤5.10：将增强后的矩阵X和向量表示输入到Softmax层中，输出概率结果，依据结果选取合适的温度以及车货源匹配。
2.根据权利要求1所述的基于认知图谱的冷链多温混配选温方法，其特征在于，所述步骤1的具体方法为：
步骤1.1：定义Text为单个货源文本待清洗信息集，定义id1，content1，content2，content3，content4分别为货物序号、货物基本信息、货物起始地、适宜保存温度、运输时间限制，并且满足关系Text＝{id1，content1，content2，content3，content4}；
步骤1.2：定义Text1为单个车源文本待清洗信息集，定义id2，content5，content6，content7分别为冷藏车序号、可配载货物类型、剩余车厢体积大小、途径路线标签标记处理，并且满足关系Text1＝{id，content5，content6，content7}；
步骤1.3：定义D为货源信息待清洗数据集，D1为车源信息待清洗数据集，D＝{Text1，Text2，…，Texta，…，Textlen(D)}，Texta为D中第a个待清洗货源数据，D1＝{Text11，Text12，…，Text1b，…，Text1len(D1)}，Text1b为D1中第b个待清洗车源数据，分别对数据集中的文本进行去重、去空以及对待清洗信息集中的content进行标签提取；
步骤1.4：对数据集D、D1进行预处理后得到货源信息标签数据集D2和车源信息标签数据集D3，D2＝{T1，T2，…，Tc，…，Tlen(D2)}，Tc为D2中第c个文本数据，其中变量c∈[1，len(D2)]，D3＝{T11，T12，…，T1d，…，T1len(D3)}，T1d为D3中第d个文本数据，其中变量d∈[1，len(D3)]；
步骤1.5：定义货源关联图Gi＝(Vi，Ei)，节点v1i∈Vi，边e1i∈Ei，车货源关联图Gj＝(Vj，Ej)，节点v2j∈Vj，边e2j∈Ej。
3.根据权利要求1所述的基于认知图谱的冷链多温混配选温方法，其特征在于，所述步骤2的具体方法为：
步骤2.1：对标签数据集D2、D3中的标签进行统计，概括货物起始地、冷藏车途径路线的标签数据集，定义为D4；
步骤2.2：标签数据集D4中单个文本信息集为Text2＝{id3，label1，label2，label3，label4，label5}，id3，label1，label2，label3，label4，label5分别为文本信息序号、冷藏车可配载货物类型标签、剩余车厢体积大小标签、货物起始地标签、途径路线标签、车货交易运输次数；
步骤2.3：将标签数据集D2、D3统计后，剩余标签数据概括为标签数据集D5，作为构建货源关联图的基础数据集；
步骤2.4：标签数据集D5中单个文本信息集为Text3＝{id4，label6，label7，label8，label9}，id3，label6，label7，label8，label9分别为文本信息序号、货物基本信息、适宜保存温度、运输时间限制、途径路线标签。
4.根据权利要求1所述的基于认知图谱的冷链多温混配选温方法，其特征在于，所述步骤3的具体方法为：
步骤3.1：将D5＝{T21，T22，…，T2e，…，T2len(D5)}，T2e为D5中第e个文本数据，其中变量e∈[1，len(D5)]，使用一个固定大小的滑动窗口通过文本计算单词共现信息，利用PMI来计算两个词之间的连接权值；
步骤3.2：预先设置Cwin(i)和Cwin(i，j)滑动窗口阈值，Cwin为数据集中滑动窗口总数；
步骤3.3：分别使用
Figure FDA0004022384240000031
和
Figure FDA0004022384240000032
计算单个标签在总体的占比，作为计算连边权重的依据；
步骤3.4：利用
Figure FDA0004022384240000033
计算出词i与j之间依据计算出不同类型的连边以及连边权重；
步骤3.5：判定PMI值是否为正，若为正的PMI值，则判定两个词之间相关，否则不相关；
步骤3.6：使用PMI计算出的权重划分阈值T，其中T≥0，若词i与j之间PMI值大于T则判定高度相关，若0≤PMI≤T，则正常相关，以此来构建货源关联图Gi＝(Vi，Ei)。
5.根据权利要求1所述的基于认知图谱的冷链多温混配选温方法，其特征在于，所述步骤4的具体方法为：
步骤4.1：使用TF-IDF计算标签数据集D4中单标签label在整体标签中的占比，以此判断是否车源和货源之间曾有过合作；
步骤4.2：在车源和货源合作中统计出标签占比，依据标签占比划定阈值C≥0；
步骤4.3：使用TF-IDF计算标签占比，若占比ci≥C，则判定labeli与labelj之间有连边且赋予权重大；
步骤4.4：若ci＜C，则进行PMI值计算，依据阈值T判定连边以及权重，以此构建车货源关联图Gj＝(Vj，Ej)。
6.基于认知图谱的冷链多温混配选温装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现根据权利要求1-5任一项所述的基于认知图谱的冷链多温混配选温方法。
CN202111660790.2A 2021-12-30 2021-12-30 基于认知图谱的冷链多温混配选温方法及装置 Active CN114399250B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111660790.2A CN114399250B (zh) 2021-12-30 2021-12-30 基于认知图谱的冷链多温混配选温方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111660790.2A CN114399250B (zh) 2021-12-30 2021-12-30 基于认知图谱的冷链多温混配选温方法及装置

Publications (2)

Publication Number Publication Date
CN114399250A CN114399250A (zh) 2022-04-26
CN114399250B true CN114399250B (zh) 2023-04-07

Family

ID=81229505

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111660790.2A Active CN114399250B (zh) 2021-12-30 2021-12-30 基于认知图谱的冷链多温混配选温方法及装置

Country Status (1)

Country Link
CN (1) CN114399250B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115063066B (zh) * 2022-05-26 2024-10-15 电子科技大学 一种基于图卷积的零部件供应循环包装箱配送调度方法
CN115659003B (zh) * 2022-09-06 2023-06-30 淮阴工学院 基于动态多任务图卷积的冷链多温混配推荐方法及装置
CN116247824B (zh) * 2023-03-30 2023-11-17 国网河南省电力公司安阳供电公司 电力设备的控制方法及其系统
CN117236433B (zh) * 2023-11-14 2024-02-02 山东大学 辅助盲人生活的智能通信感知方法、系统、设备及介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11126957B2 (en) * 2018-10-31 2021-09-21 International Business Machines Corporation Supply chain forecasting system
CN113159357B (zh) * 2020-01-07 2023-11-24 北京嘀嘀无限科技发展有限公司 数据处理方法、装置、电子设备及计算机可读存储介质
CN111340428B (zh) * 2020-03-04 2022-09-27 江苏满运软件科技有限公司 货物类型的特征表示方法、系统、电子设备和存储介质
CN112084383B (zh) * 2020-09-07 2023-08-18 中国平安财产保险股份有限公司 基于知识图谱的信息推荐方法、装置、设备及存储介质
CN113362131B (zh) * 2021-06-02 2022-09-13 合肥工业大学 一种融合知识图谱和用户交互的图模型智能商品推荐方法
CN113673901A (zh) * 2021-08-30 2021-11-19 於梅芬 一种基于大数据的ai智能物流车货匹配方法及系统

Also Published As

Publication number Publication date
CN114399250A (zh) 2022-04-26

Similar Documents

Publication Publication Date Title
CN114399250B (zh) 基于认知图谱的冷链多温混配选温方法及装置
US11645257B2 (en) Methods and systems for data management and analysis
Paredes et al. Machine learning or discrete choice models for car ownership demand estimation and prediction?
CN105210064B (zh) 使用深度网络将资源分类
CN102567464B (zh) 基于扩展主题图的知识资源组织方法
CN109255586B (zh) 一种面向电子政务办事的在线个性化推荐方法
CN106294684A (zh) 词向量的文本分类方法及终端设备
CN103377232A (zh) 标题关键词推荐方法及系统
US20100131496A1 (en) Predictive indexing for fast search
CN103955814B (zh) 计算机中基于数据立方体的物流智能交易数据处理方法
CN105975457A (zh) 基于全自动学习的信息分类预测系统
CN111325264A (zh) 一种基于熵的多标签数据分类方法
CN114065048A (zh) 基于多异构图图神经网络的物品推荐方法
CN105069129A (zh) 自适应多标签预测方法
WO2023143095A1 (en) Method and system for data query
CN107766229B (zh) 一种利用蜕变测试评价商品搜索系统正确性的方法
CN113051408B (zh) 一种基于信息增强的稀疏知识图谱推理方法
CN110245215B (zh) 一种文本检索方法和装置
CN116862743A (zh) 一种旅客联程运输方案预测方法、系统及设备和介质
CN111859113A (zh) 一种基于网约车的个性化内容推送方法及装置
CN110929160A (zh) 一种系统排序结果的优化方法
Tan et al. Topic-adjusted visibility metric for scientific articles
US9087116B2 (en) Data extraction and sparseness discovery from multidimensional databases
CN115935067A (zh) 面向社会化推荐的语义与结构视图融合的物品推荐方法
US9152379B2 (en) Efficient sorting of large dimensional data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant