CN114708487A - 应用大数据的物流配送业务信息分析方法及服务器 - Google Patents
应用大数据的物流配送业务信息分析方法及服务器 Download PDFInfo
- Publication number
- CN114708487A CN114708487A CN202210392662.2A CN202210392662A CN114708487A CN 114708487 A CN114708487 A CN 114708487A CN 202210392662 A CN202210392662 A CN 202210392662A CN 114708487 A CN114708487 A CN 114708487A
- Authority
- CN
- China
- Prior art keywords
- model
- information
- machine learning
- learning model
- hybrid
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了应用大数据的物流配送业务信息分析方法及服务器,实现了采用混合视觉化机器学习模型对存在变化的配送业务事项的处理,在不同配送业务事项中可以满足混合视觉化机器学习模型的跟踪优化以升级得到具有高时效性的混合视觉化机器学习模型,同时对之前的混合视觉化机器学习模型已获得的信息进行存留,在通过第二混合视觉化机器学习模型并利用物流配送日志中的不同配送业务事项,执行相应配送地区中的不同配送资源匹配任务的过程中,能够确保配送资源匹配任务处理时所考虑层面的丰富性和预见性,以提高配送资源匹配任务处理的效率,保障物流配送顺畅地运营。
Description
技术领域
本申请涉及机器学习以及信息分析技术领域,特别涉及应用大数据的物流配送业务信息分析方法及服务器。
背景技术
机器学习从广义上来讲,是一种能够赋予机器学习的能力以此让它完成直接编程无法完成的功能的方法。但从实践的意义上来讲,机器学习是一种通过利用数据,训练出模型,然后使用模型预测的一种方法。
机器学习跟模式识别,统计学习,数据挖掘是类似的,同时,机器学习与其他领域的处理技术的结合,形成了计算机视觉、语音识别、自然语言处理等交叉学科。因此,一般说数据挖掘时,可以等同于说机器学习。同时,我们平常所说的机器学习应用,大部分是通用的,不仅仅局限在结构化数据,还有图像、音频、专家系统等领域应用。随着人工智能的不断成熟,人工智能的应用领域越来越广泛,比如现目前的物流领域。在实际应用中,为了实现满足日益增长的物流需求,需要对不同的配送资源匹配任务进行灵活高效处理,然而相关技术难以满足这一要求,进而难以保障物流配送顺畅地运营。
发明内容
为改善相关技术中存在的技术问题,本申请提供了应用大数据的物流配送业务信息分析方法及服务器。
本申请提供了一种应用大数据的物流配送业务信息分析方法,应用于物流配送服务器,所述方法包括:
获取第一混合视觉化机器学习模型的原始模型架构信息以及物流配送日志中的待处理配送业务事项;
响应于所获取的所述待处理配送业务事项,激活关系拆解操作并将第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇拆解为多个物流配对信息块;
基于与所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇相对应的不同物流配对信息块,确定与不同物流配对信息块相对应的视觉型映射内容;
基于相应的视觉型映射内容结果,激活信息优化操作,以实现对所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇进行优化,形成第二混合视觉化机器学习模型,以实现通过所述第二混合视觉化机器学习模型利用所述物流配送日志中的不同配送业务事项,执行相应配送地区中的不同配送资源匹配任务。
一种可独立实施的实施例,所述方法还包括:
当所述第一混合视觉化机器学习模型为可视化映射地图,所述第一混合视觉化机器学习模型的配送地区为交互式物流场景时,基于相应的双向交互式数据,确定与双向交互式数据中的目标业务方相对应的第一可视化映射地图;
基于所述目标业务方,确定预设参考信息中与所述目标业务方相对应的优化指示;
对所述目标业务方的第一可视化映射地图进行拆解处理,并基于所述优化指示对所述第一可视化映射地图中的不同多模态信息簇进行优化,形成第二可视化映射地图,以实现通过所述第二可视化映射地图对互动端口所接收的请求事项进行反馈。
一种可独立实施的实施例,所述方法还包括:
确定与所述第二混合视觉化机器学习模型相对应的第一模型代价评估指标和第二模型代价评估指标;
基于所述第一模型代价评估指标和第二模型代价评估指标,确定与所述第二混合视觉化机器学习模型相对应的模型代价评估指标;
基于与所述第二混合视觉化机器学习模型相对应的模型代价评估指标,改善所述第二混合视觉化机器学习模型的模型变量;
直到所述第二混合视觉化机器学习模型的模型代价评估指标符合相应的模型评估约束,以实现通过所述第二混合视觉化机器学习模型对不同的配送地区中的待处理配送业务事项进行处理。
一种可独立实施的实施例,所述确定与所述第二混合视觉化机器学习模型相对应的第一模型代价评估指标和第二模型代价评估指标,包括:
当所述第一混合视觉化机器学习模型为可视化映射地图时,基于所述物流配送日志中的待处理配送业务事项,确定相应的异常多模态信息簇作为消极性范例;
基于所述消极性范例确定与所述第二混合视觉化机器学习模型相对应的第一模型代价评估指标和第二模型代价评估指标,或者,当所述第一混合视觉化机器学习模型为深度学习网络时,确定所述第一混合视觉化机器学习模型中的模型单元关键词与模型单元类型数目;
基于所述第一混合视觉化机器学习模型中的模型单元关键词和模型单元类型数目,确定与所述第二混合视觉化机器学习模型相对应的第一模型代价评估指标和第二模型代价评估指标;
相应的,所述基于所述第一模型代价评估指标和第二模型代价评估指标,确定与所述第二混合视觉化机器学习模型相对应的模型代价评估指标,包括:
确定与所述第二混合视觉化机器学习模型相对应的限制性模型代价评估指标;
确定所述限制性模型代价评估指标对应的过拟合削弱项的重要指数超参量;
基于所述限制性模型代价评估指标对应的过拟合削弱项的重要指数超参量,确定所述第一模型代价评估指标、第二模型代价评估指标和限制性模型代价评估指标的全局处理结果,作为与所述第二混合视觉化机器学习模型相对应的模型代价评估指标。
一种可独立实施的实施例,所述响应于所获取的所述待处理配送业务事项,激活关系拆解操作并将第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇拆解为多个物流配对信息块,包括:
基于所述多模态信息簇中的模型单元的物流描述关键表达,确定与所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇中的模型单元特征信息相对应的非关联性子特征集合;
基于与所述多模态信息簇中的模型单元特征信息相对应的非关联性子特征集合,对所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇进行拆解,形成与所述多模态信息簇相对应的不同物流配对信息块。
一种可独立实施的实施例,所述获取第一混合视觉化机器学习模型的原始模型架构信息以及物流配送日志中的待处理配送业务事项,包括:
基于所述第一混合视觉化机器学习模型的配送地区,确定所述第一混合视觉化机器学习模型中的有向连线描述集与模型单元描述集;
基于所述有向连线描述集与模型单元描述集,确定所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇;
基于所述第一混合视觉化机器学习模型的配送地区,对所述物流配送日志中的不同类别的配送业务事项进行分析,确定与所述第一混合视觉化机器学习模型的配送地区相对应的待处理配送业务事项。
一种可独立实施的实施例,所述基于与所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇相对应的不同物流配对信息块,确定与不同物流配对信息块相对应的视觉型映射内容,包括:
当所述第一混合视觉化机器学习模型为可视化映射地图时,确定与所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇相对应的局部聚焦参量, 对与所述多模态信息簇相对应的局部聚焦参量进行简化处理,以实现通过所述局部聚焦参量表征所述多模态信息簇中的有向连线信息与相应物流配对信息块之间的相关性程度;
相应的,所述方法还包括:
当所述第一混合视觉化机器学习模型为基于二次修复的可视化映射地图时,基于所述多模态信息簇中的模型单元参量,确定两个或多于两个物流配对信息块并进行信息块关联;
基于信息块关联的结果,进行简化处理,以实现确定与不同物流配对信息块相对应的视觉型映射内容;
相应的,所述方法还包括:
当所述第一混合视觉化机器学习模型为基于并行流式的可视化映射地图时,基于所述多模态信息簇中的模型单元参量,确定两个或多于两个物流配对信息块并进行信息块连接处理;
基于信息块连接处理的结果,进行滑动平均处理,以实现确定与不同物流配对信息块相对应的视觉型映射内容。
一种可独立实施的实施例,所述基于与所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇相对应的不同物流配对信息块,确定与不同物流配对信息块相对应的视觉型映射内容,包括:
当所述第一混合视觉化机器学习模型为深度学习网络时,确定与所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇中的参量合并结果;
对所述多模态信息簇中的参量合并结果进行规则化空间映射处理,形成相应的与所述多模态信息簇相对应的局部聚焦参量;
对与所述多模态信息簇相对应的局部聚焦参量进行简化处理,以实现通过所述局部聚焦参量表征所述多模态信息簇中的有向连线信息与相应物流配对信息块之间的相关性程度。
一种可独立实施的实施例,所述基于相应的视觉型映射内容结果,激活信息优化操作,以实现对所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇进行优化,形成第二混合视觉化机器学习模型,包括:
通过所述信息优化操作,确定所述第一混合视觉化机器学习模型的原始模型架构信息中的不同多模态信息簇的相关性记录;
基于所述不同多模态信息簇的相关性记录确定所述第一混合视觉化机器学习模型的原始模型架构信息中的需进行优化的多模态信息簇;
维持所述需进行优化的多模态信息簇中的部分物流描述信息不变,基于所述物流配送日志中的待处理配送业务事项对需进行优化的多模态信息簇进行信息优化,形成第二混合视觉化机器学习模型,以实现通过优化的多模态信息簇表征所述待处理配送业务事项的物流描述信息。
本申请还提供了一种物流配送服务器,包括处理器和存储器;所述处理器和所述存储器通信连接,所述处理器用于从所述存储器中读取计算机程序并执行,以实现上述方法。
本申请的实施例提供的技术方案可以包括以下有益效果。
本发明实施例通过获取第一混合视觉化机器学习模型的原始模型架构信息以及物流配送日志中的待处理配送业务事项;响应于所获取的所述待处理配送业务事项,激活关系拆解操作并将第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇拆解为多个物流配对信息块;基于与所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇相对应的不同物流配对信息块,确定与不同物流配对信息块相对应的视觉型映射内容;基于相应的视觉型映射内容结果,激活信息优化操作,以实现对所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇进行优化,形成第二混合视觉化机器学习模型。
由此,实现了采用混合视觉化机器学习模型对存在变化的配送业务事项的处理,在不同配送业务事项中可以满足混合视觉化机器学习模型的跟踪优化以升级得到具有高时效性的混合视觉化机器学习模型,同时对之前的混合视觉化机器学习模型已获得的信息进行存留,在通过第二混合视觉化机器学习模型并利用物流配送日志中的不同配送业务事项,执行相应配送地区中的不同配送资源匹配任务的过程中,能够确保配送资源匹配任务处理时所考虑层面的丰富性和预见性,以提高配送资源匹配任务处理的效率,保障物流配送顺畅地运营。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并于说明书一起用于解释本申请的原理。
图1是本申请实施例提供的一种物流配送服务器的硬件结构示意图。
图2是本申请实施例提供的一种应用大数据的物流配送业务信息分析方法的流程示意图。
图3是本申请实施例提供的一种应用大数据的物流配送业务信息分析装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本申请实施例所提供的方法实施例可以在物流配送服务器、计算机设备或者类似的运算装置中执行。以运行在物流配送服务器上为例,图1是本申请实施例的实施应用大数据的物流配送业务信息分析方法的物流配送服务器的硬件结构框图。如图1所示,物流配送服务器10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,可选地,上述物流配送服务器10还可以包括用于通信功能的传输装置106。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述物流配送服务器10的结构造成限定。例如,物流配送服务器10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本申请实施例中的应用大数据的物流配送业务信息分析方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至物流配送服务器10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括物流配送服务器10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
为解决背景技术存在的技术问题,请结合图2,图2是本申请实施例所提供的一种应用大数据的物流配送业务信息分析方法的流程示意图,应用于物流配送服务器,该方法具体可以包括如下步骤11-步骤14所记录的技术方案。
步骤11,获取第一混合视觉化机器学习模型的原始模型架构信息以及物流配送日志中的待处理配送业务事项。
在具体实施时,混合视觉化机器学习模型是指一种直接应用于物流配送业务场景下的AI智能网络,主要针对物流配送业务场景的配送业务事项进行任务处理。基于此,原始模型架构信息用于表征第一混合视觉化机器学习模型的初始架结构。物流配送日志用于表征各类物流配送事件或者情况的记录,待处理配送业务事项可以是送货上门事件、上门取货事件、异地调货配送事件等。
在一些实施方式中,步骤11所记录的获取第一混合视觉化机器学习模型的原始模型架构信息以及物流配送日志中的待处理配送业务事项,具体可以通过如下步骤111-步骤113实现。
步骤111,基于所述第一混合视觉化机器学习模型的配送地区,确定所述第一混合视觉化机器学习模型中的有向连线描述集与模型单元描述集;
步骤112,基于所述有向连线描述集与模型单元描述集,确定所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇;
步骤113,基于所述第一混合视觉化机器学习模型的配送地区,对所述物流配送日志中的不同类别的配送业务事项进行分析,确定与所述第一混合视觉化机器学习模型的配送地区相对应的待处理配送业务事项。
在具体实施步骤111-步骤113时,第一混合视觉化机器学习模型中的有向连线描述集与模型单元描述集可以理解为第一混合视觉化机器学习模型中存在关联关系的描述集合与节点信息集合。原始模型架构信息中的多模态信息簇可以理解为原始模型架构信息对应的各个子模型之间的连接情况和传递情况。进一步地,由于混合视觉化机器学习模型中的物流配送日志是实时更新的,因此可依据混合视觉化机器学习模型的不同配送地区对物流配送日志中的不同类别的配送业务事项进行分析,确定与第一混合视觉化机器学习模型的配送地区相对应的待处理配送业务事项。这样一来,能够准保得到的待处理配送业务事项的准确性和时效性。
步骤12,响应于所获取的所述待处理配送业务事项,激活关系拆解操作并将第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇拆解为多个物流配对信息块。
在具体实施时,关系拆解操作用于表征一种将多模态信息簇进行拆分的操作模式。 多模态信息簇拆解为多个物流配对信息块可以理解为将多模态信息簇拆解为多个多个物流配对信息列表。
在一些可示性实施例中,步骤12所描述的响应于所获取的所述待处理配送业务事项,激活关系拆解操作并将第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇拆解为多个物流配对信息块,具体可以通过如下步骤121和步骤122进行说明。
步骤121,基于所述多模态信息簇中的模型单元的物流描述关键表达,确定与所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇中的模型单元特征信息相对应的非关联性子特征集合。
步骤122,基于与所述多模态信息簇中的模型单元特征信息相对应的非关联性子特征集合,对所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇进行拆解,形成与所述多模态信息簇相对应的不同物流配对信息块。
在具体实施步骤121和步骤122时,物流描述关键表达可以理解为物流配送日志中物流信息特征。非关联性子特征集合可以理解为通过第一混合视觉化机器学习模型分离出来的特征信息集合。通过物流描述关键表达确定与第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇中的模型单元特征信息相对应的非关联性子特征集合,进而基于非关联性子特征集合,对第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇进行拆解,这样一来,将非关联性子特征集合作为对多模态信息簇进行拆解的前提,能够全面地拆解出与多模态信息簇相对应的不同物流配对信息块。
步骤13,基于与所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇相对应的不同物流配对信息块,确定与不同物流配对信息块相对应的视觉型映射内容。
在具体实施时,视觉型映射内容可以理解为将物流配送业务事项进行转换所得到的对应特征向量。
在一些可示性实施例中,步骤13所描述的基于与所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇相对应的不同物流配对信息块,确定与不同物流配对信息块相对应的视觉型映射内容,具体可以通过如下两种实施方式进行说明。
第一种实施方式,当所述第一混合视觉化机器学习模型为可视化映射地图时,确定与所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇相对应的局部聚焦参量(可以理解为注意力参数),对与所述多模态信息簇相对应的局部聚焦参量进行简化处理(归一化处理),以实现通过所述局部聚焦参量表征所述多模态信息簇中的有向连线信息与相应物流配对信息块之间的相关性程度。可以理解,可视化映射地图可以理解为通过不同的配送地区所形成的可视化图谱。
在第一种实施方式的基础上,该方法具体还可以包括如下内容:当所述第一混合视觉化机器学习模型为基于二次修复(可以理解为重构)的可视化映射地图时,基于所述多模态信息簇中的模型单元参量,确定两个或多于两个物流配对信息块并进行信息块关联;基于信息块关联的结果,进行简化处理,以实现确定与不同物流配对信息块相对应的视觉型映射内容。
在第一种实施方式的基础上,该方法具体还可以包括如下内容:当所述第一混合视觉化机器学习模型为基于并行流式(可以理解为双线性函数)的可视化映射地图时,基于所述多模态信息簇中的模型单元参量,确定两个或多于两个物流配对信息块并进行信息块连接处理;基于信息块连接处理的结果,进行滑动平均处理(可以理解为卷积处理),以实现确定与不同物流配对信息块相对应的视觉型映射内容。
如此,不论第一混合视觉化机器学习模型为基于二次修复的可视化映射地图,还是为基于并行流式的可视化映射地图时,皆可以实现确定与不同物流配对信息块相对应的视觉型映射内容。这样一来,通过不同的方法进行处理,能够进一步确保确定与不同物流配对信息块相对应的视觉型映射内容的准确性及可信度,进而能够避免得到的视觉型映射内容出现偏差。
第二种实施方式,当所述第一混合视觉化机器学习模型为深度学习网络时,确定与所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇中的参量合并结果;对所述多模态信息簇中的参量合并结果进行规则化空间映射处理(可以理解为线性变化处理),形成相应的与所述多模态信息簇相对应的局部聚焦参量(可以理解为注意力参数);对与所述多模态信息簇相对应的局部聚焦参量进行简化处理,以实现通过所述局部聚焦参量表征所述多模态信息簇中的有向连线信息与相应物流配对信息块之间的相关性程度。
在实施上述两种实施例时,通过不同的处理方式,以确保实现通过局部聚焦参量表征多模态信息簇中的有向连线信息与相应物流配对信息块之间的相关性程度的可信度。
步骤14,基于相应的视觉型映射内容结果,激活信息优化操作,以实现对所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇进行优化,形成第二混合视觉化机器学习模型,以实现通过所述第二混合视觉化机器学习模型利用所述物流配送日志中的不同配送业务事项,执行相应配送地区中的不同配送资源匹配任务。在本申请实施例中,配送资源匹配任务包括但不限于快递配送、跑腿服务、配送资源调度等。
在一种可示性实施方式中,步骤14基于相应的视觉型映射内容结果,激活信息优化操作,以实现对所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇进行优化,形成第二混合视觉化机器学习模型,具体可以包括步骤141-步骤143所记录的内容。
步骤141,通过所述信息优化操作,确定所述第一混合视觉化机器学习模型的原始模型架构信息中的不同多模态信息簇的相关性记录。
步骤142,基于所述不同多模态信息簇的相关性记录确定所述第一混合视觉化机器学习模型的原始模型架构信息中的需进行优化的多模态信息簇。
步骤143,维持所述需进行优化的多模态信息簇中的部分物流描述信息不变,基于所述物流配送日志中的待处理配送业务事项对需进行优化的多模态信息簇进行信息优化,形成第二混合视觉化机器学习模型,以实现通过优化的多模态信息簇表征所述待处理配送业务事项的物流描述信息。
实施步骤141-步骤143所记录的内容时,在维持第一混合视觉化机器学习模型的原始模型架构信息中的需进行优化的多模态信息簇中的部分物流描述信息不变的前提下,对待处理配送业务事项对需进行优化的多模态信息簇进行信息优化,这样能够确保物流描述信息的准确性和完整性。
在步骤11-步骤14所记录的技术方案的基础上,该方法具体还可以包括步骤31-步骤34所记录的技术方案。
步骤31,确定与所述第二混合视觉化机器学习模型相对应的第一模型代价评估指标和第二模型代价评估指标。
在一种可示性实施方式中,步骤31确定与所述第二混合视觉化机器学习模型相对应的第一模型代价评估指标和第二模型代价评估指标,具体可以包括步骤311-步骤314。
步骤311,当所述第一混合视觉化机器学习模型为可视化映射地图时,基于所述物流配送日志中的待处理配送业务事项,确定相应的异常多模态信息簇作为消极性范例。
步骤312,基于所述消极性范例确定与所述第二混合视觉化机器学习模型相对应的第一模型代价评估指标和第二模型代价评估指标,
步骤313,当所述第一混合视觉化机器学习模型为深度学习网络时,确定所述第一混合视觉化机器学习模型中的模型单元关键词与模型单元类型数目。例如,模型单元关键词可以理解为模型单元或者神经元的标签。
步骤314,基于所述第一混合视觉化机器学习模型中的模型单元关键词和模型单元类型数目,确定与所述第二混合视觉化机器学习模型相对应的第一模型代价评估指标和第二模型代价评估指标。
在具体实施步骤311-步骤314时,异常多模态信息簇可以理解为无效多模态信息簇。消极性范例可以理解为负例样本。在模型单元类型任务上训练相应的混合视觉化机器学习模型,通过消极性范例集合,能够有效提高混合视觉化机器学习模型的鲁棒性。
步骤32,基于所述第一模型代价评估指标和第二模型代价评估指标,确定与所述第二混合视觉化机器学习模型相对应的模型代价评估指标。
在一种可示性实施方式中,步骤32基于所述第一模型代价评估指标和第二模型代价评估指标,确定与所述第二混合视觉化机器学习模型相对应的模型代价评估指标,具体可以包括步骤321-步骤323。
骤321,确定与所述第二混合视觉化机器学习模型相对应的限制性模型代价评估指标(约束损失函数)。
骤322,确定所述限制性模型代价评估指标对应的过拟合削弱项(正则化项)的重要指数超参量(权重超参数)。
骤323,基于所述限制性模型代价评估指标对应的过拟合削弱项的重要指数超参量,确定所述第一模型代价评估指标、第二模型代价评估指标和限制性模型代价评估指标的全局处理结果,作为与所述第二混合视觉化机器学习模型相对应的模型代价评估指标。
在具体实施步骤321-步骤323时,基于确定出的限制性模型代价评估指标以及重要指数超参量,对第一模型代价评估指标、第二模型代价评估指标和限制性模型代价评估指标的全局处理结果,这样更加全面的得到第二混合视觉化机器学习模型相对应的模型代价评估指标。
步骤33,基于与所述第二混合视觉化机器学习模型相对应的模型代价评估指标,改善所述第二混合视觉化机器学习模型的模型变量。
步骤34,直到所述第二混合视觉化机器学习模型的模型代价评估指标符合相应的模型评估约束,以实现通过所述第二混合视觉化机器学习模型对不同的配送地区中的待处理配送业务事项进行处理。
实施步骤31-步骤34时,模型代价评估指标可以理解为损失函数,其中,第一模型代价评估指标和第二模型代价评估指标主要用于进行模型代价评估指标区分。第二混合视觉化机器学习模型的模型变量可以理解为第二混合视觉化机器学习模型的模型参数。模型评估约束可以根据实际需求进行设置。通过模型代价评估指标对第二混合视觉化机器学习模型不断的进行循环迭代优化,直到直到第二混合视觉化机器学习模型的模型代价评估指标符合相应的模型评估约束,这样一来,能够确保第二混合视觉化机器学习模型的稳定性,同时能够更加全面的对不同的配送地区中的待处理配送业务事项进行处理。
在步骤11-步骤14所记录的技术方案的基础上,该方法具体还可以包括步骤41-步骤43所记录的技术方案。
步骤41,当所述第一混合视觉化机器学习模型为可视化映射地图,所述第一混合视觉化机器学习模型的配送地区为交互式物流场景(当前物流配送互动环境)时,基于相应的双向交互式数据(物流配送互动数据),确定与双向交互式数据中的目标业务方相对应的第一可视化映射地图。
步骤42,基于所述目标业务方,确定预设参考信息中与所述目标业务方相对应的优化指示。
步骤43,对所述目标业务方的第一可视化映射地图进行拆解处理,并基于所述优化指示对所述第一可视化映射地图中的不同多模态信息簇进行优化,形成第二可视化映射地图,以实现通过所述第二可视化映射地图对互动端口所接收的请求事项进行反馈。
执行步骤41-步骤43所记录的技术方案时,不断的对第一可视化映射地图中的不同多模态信息簇进行优化,能够确保反馈内容更加准确。
综上,通过获取第一混合视觉化机器学习模型的原始模型架构信息以及物流配送日志中的待处理配送业务事项;响应于所获取的所述待处理配送业务事项,激活关系拆解操作并将第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇拆解为多个物流配对信息块;基于与所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇相对应的不同物流配对信息块,确定与不同物流配对信息块相对应的视觉型映射内容;基于相应的视觉型映射内容结果,激活信息优化操作,以实现对所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇进行优化,形成第二混合视觉化机器学习模型,由此,实现了采用混合视觉化机器学习模型对存在变化的配送业务事项的处理,在不同配送业务事项中可以满足混合视觉化机器学习模型的跟踪优化以升级得到具有高时效性的混合视觉化机器学习模型,同时对之前的混合视觉化机器学习模型已获得的信息进行存留,在通过第二混合视觉化机器学习模型并利用物流配送日志中的不同配送业务事项,执行相应配送地区中的不同配送资源匹配任务的过程中,能够确保配送资源匹配任务处理时所考虑层面的丰富性和预见性,以提高配送资源匹配任务处理的效率,保障物流配送顺畅地运营。
在上述基础上,请结合图3,本申请还提供了一种应用大数据的物流配送业务信息分析装置30框图,所述装置包括以下功能模块:
事项获取模块31,用于获取第一混合视觉化机器学习模型的原始模型架构信息以及物流配送日志中的待处理配送业务事项;
信息拆解模块32,用于响应于所获取的所述待处理配送业务事项,激活关系拆解操作并将第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇拆解为多个物流配对信息块;
内容确定模块33,用于基于与所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇相对应的不同物流配对信息块,确定与不同物流配对信息块相对应的视觉型映射内容;
任务执行模块34,用于基于相应的视觉型映射内容结果,激活信息优化操作,以实现对所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇进行优化,形成第二混合视觉化机器学习模型,以实现通过所述第二混合视觉化机器学习模型利用所述物流配送日志中的不同配送业务事项,执行相应配送地区中的不同配送资源匹配任务。
进一步地,还提供了一种可读存储介质,其上存储有程序,该程序被处理器执行时实现上述的方法。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围执行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (10)
1.一种应用大数据的物流配送业务信息分析方法,其特征在于,应用于物流配送服务器,所述方法包括:
获取第一混合视觉化机器学习模型的原始模型架构信息以及物流配送日志中的待处理配送业务事项;
响应于所获取的所述待处理配送业务事项,激活关系拆解操作并将第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇拆解为多个物流配对信息块;
基于与所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇相对应的不同物流配对信息块,确定与不同物流配对信息块相对应的视觉型映射内容;
基于相应的视觉型映射内容结果,激活信息优化操作,以实现对所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇进行优化,形成第二混合视觉化机器学习模型,以实现通过所述第二混合视觉化机器学习模型利用所述物流配送日志中的不同配送业务事项,执行相应配送地区中的不同配送资源匹配任务。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
当所述第一混合视觉化机器学习模型为可视化映射地图,所述第一混合视觉化机器学习模型的配送地区为交互式物流场景时,基于相应的双向交互式数据,确定与双向交互式数据中的目标业务方相对应的第一可视化映射地图;
基于所述目标业务方,确定预设参考信息中与所述目标业务方相对应的优化指示;
对所述目标业务方的第一可视化映射地图进行拆解处理,并基于所述优化指示对所述第一可视化映射地图中的不同多模态信息簇进行优化,形成第二可视化映射地图,以实现通过所述第二可视化映射地图对互动端口所接收的请求事项进行反馈。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
确定与所述第二混合视觉化机器学习模型相对应的第一模型代价评估指标和第二模型代价评估指标;
基于所述第一模型代价评估指标和第二模型代价评估指标,确定与所述第二混合视觉化机器学习模型相对应的模型代价评估指标;
基于与所述第二混合视觉化机器学习模型相对应的模型代价评估指标,改善所述第二混合视觉化机器学习模型的模型变量;
直到所述第二混合视觉化机器学习模型的模型代价评估指标符合相应的模型评估约束,以实现通过所述第二混合视觉化机器学习模型对不同的配送地区中的待处理配送业务事项进行处理。
4.根据权利要求3所述的方法,其特征在于,所述确定与所述第二混合视觉化机器学习模型相对应的第一模型代价评估指标和第二模型代价评估指标,包括:
当所述第一混合视觉化机器学习模型为可视化映射地图时,基于所述物流配送日志中的待处理配送业务事项,确定相应的异常多模态信息簇作为消极性范例;
基于所述消极性范例确定与所述第二混合视觉化机器学习模型相对应的第一模型代价评估指标和第二模型代价评估指标,或者,当所述第一混合视觉化机器学习模型为深度学习网络时,确定所述第一混合视觉化机器学习模型中的模型单元关键词与模型单元类型数目;
基于所述第一混合视觉化机器学习模型中的模型单元关键词和模型单元类型数目,确定与所述第二混合视觉化机器学习模型相对应的第一模型代价评估指标和第二模型代价评估指标;
相应的,所述基于所述第一模型代价评估指标和第二模型代价评估指标,确定与所述第二混合视觉化机器学习模型相对应的模型代价评估指标,包括:
确定与所述第二混合视觉化机器学习模型相对应的限制性模型代价评估指标;
确定所述限制性模型代价评估指标对应的过拟合削弱项的重要指数超参量;
基于所述限制性模型代价评估指标对应的过拟合削弱项的重要指数超参量,确定所述第一模型代价评估指标、第二模型代价评估指标和限制性模型代价评估指标的全局处理结果,作为与所述第二混合视觉化机器学习模型相对应的模型代价评估指标。
5.根据权利要求1所述的方法,其特征在于,所述响应于所获取的所述待处理配送业务事项,激活关系拆解操作并将第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇拆解为多个物流配对信息块,包括:
基于所述多模态信息簇中的模型单元的物流描述关键表达,确定与所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇中的模型单元特征信息相对应的非关联性子特征集合;
基于与所述多模态信息簇中的模型单元特征信息相对应的非关联性子特征集合,对所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇进行拆解,形成与所述多模态信息簇相对应的不同物流配对信息块。
6.根据权利要求1所述的方法,其特征在于,所述获取第一混合视觉化机器学习模型的原始模型架构信息以及物流配送日志中的待处理配送业务事项,包括:
基于所述第一混合视觉化机器学习模型的配送地区,确定所述第一混合视觉化机器学习模型中的有向连线描述集与模型单元描述集;
基于所述有向连线描述集与模型单元描述集,确定所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇;
基于所述第一混合视觉化机器学习模型的配送地区,对所述物流配送日志中的不同类别的配送业务事项进行分析,确定与所述第一混合视觉化机器学习模型的配送地区相对应的待处理配送业务事项。
7.根据权利要求1所述的方法,其特征在于,所述基于与所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇相对应的不同物流配对信息块,确定与不同物流配对信息块相对应的视觉型映射内容,包括:
当所述第一混合视觉化机器学习模型为可视化映射地图时,确定与所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇相对应的局部聚焦参量, 对与所述多模态信息簇相对应的局部聚焦参量进行简化处理,以实现通过所述局部聚焦参量表征所述多模态信息簇中的有向连线信息与相应物流配对信息块之间的相关性程度;
相应的,所述方法还包括:
当所述第一混合视觉化机器学习模型为基于二次修复的可视化映射地图时,基于所述多模态信息簇中的模型单元参量,确定两个或多于两个物流配对信息块并进行信息块关联;
基于信息块关联的结果,进行简化处理,以实现确定与不同物流配对信息块相对应的视觉型映射内容;
相应的,所述方法还包括:
当所述第一混合视觉化机器学习模型为基于并行流式的可视化映射地图时,基于所述多模态信息簇中的模型单元参量,确定两个或多于两个物流配对信息块并进行信息块连接处理;
基于信息块连接处理的结果,进行滑动平均处理,以实现确定与不同物流配对信息块相对应的视觉型映射内容。
8.根据权利要求1所述的方法,其特征在于,所述基于与所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇相对应的不同物流配对信息块,确定与不同物流配对信息块相对应的视觉型映射内容,包括:
当所述第一混合视觉化机器学习模型为深度学习网络时,确定与所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇中的参量合并结果;
对所述多模态信息簇中的参量合并结果进行规则化空间映射处理,形成相应的与所述多模态信息簇相对应的局部聚焦参量;
对与所述多模态信息簇相对应的局部聚焦参量进行简化处理,以实现通过所述局部聚焦参量表征所述多模态信息簇中的有向连线信息与相应物流配对信息块之间的相关性程度。
9.根据权利要求1所述的方法,其特征在于,所述基于相应的视觉型映射内容结果,激活信息优化操作,以实现对所述第一混合视觉化机器学习模型的原始模型架构信息中的多模态信息簇进行优化,形成第二混合视觉化机器学习模型,包括:
通过所述信息优化操作,确定所述第一混合视觉化机器学习模型的原始模型架构信息中的不同多模态信息簇的相关性记录;
基于所述不同多模态信息簇的相关性记录确定所述第一混合视觉化机器学习模型的原始模型架构信息中的需进行优化的多模态信息簇;
维持所述需进行优化的多模态信息簇中的部分物流描述信息不变,基于所述物流配送日志中的待处理配送业务事项对需进行优化的多模态信息簇进行信息优化,形成第二混合视觉化机器学习模型,以实现通过优化的多模态信息簇表征所述待处理配送业务事项的物流描述信息。
10.一种物流配送服务器,其特征在于,包括处理器和存储器;所述处理器和所述存储器通信连接,所述处理器用于从所述存储器中读取计算机程序并执行,以实现上述权利要求1-9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210392662.2A CN114708487A (zh) | 2022-04-15 | 2022-04-15 | 应用大数据的物流配送业务信息分析方法及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210392662.2A CN114708487A (zh) | 2022-04-15 | 2022-04-15 | 应用大数据的物流配送业务信息分析方法及服务器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114708487A true CN114708487A (zh) | 2022-07-05 |
Family
ID=82175830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210392662.2A Withdrawn CN114708487A (zh) | 2022-04-15 | 2022-04-15 | 应用大数据的物流配送业务信息分析方法及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114708487A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115330319A (zh) * | 2022-10-13 | 2022-11-11 | 创域智能(常熟)网联科技有限公司 | 基于大数据的物流信息处理方法及人工智能服务器 |
-
2022
- 2022-04-15 CN CN202210392662.2A patent/CN114708487A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115330319A (zh) * | 2022-10-13 | 2022-11-11 | 创域智能(常熟)网联科技有限公司 | 基于大数据的物流信息处理方法及人工智能服务器 |
CN115330319B (zh) * | 2022-10-13 | 2023-01-13 | 创域智能(常熟)网联科技有限公司 | 基于大数据的物流信息处理方法及人工智能服务器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11631014B2 (en) | Computer-based systems configured for detecting, classifying, and visualizing events in large-scale, multivariate and multidimensional datasets and methods of use thereof | |
US11645548B1 (en) | Automated cloud data and technology solution delivery using machine learning and artificial intelligence modeling | |
Stefanowski et al. | Exploring complex and big data | |
GB2604552A (en) | Fusing multimodal data using recurrent neural networks | |
CN114218568B (zh) | 一种应用于云服务的大数据攻击处理方法及系统 | |
CN111435367B (zh) | 知识图谱的构建方法、系统、设备及存储介质 | |
CN114708487A (zh) | 应用大数据的物流配送业务信息分析方法及服务器 | |
US11016871B1 (en) | Reducing resource consumption associated with executing a bootstrapping process on a computing device | |
CN111210539A (zh) | 一种动力蓄电池数据分析系统 | |
Mahalakshmi et al. | Performance evaluation of non functional requirements | |
CN112182413B (zh) | 一种基于教学大数据的智能推荐方法及服务器 | |
CN113468604A (zh) | 基于人工智能的大数据隐私信息解析方法及系统 | |
CN110300371B (zh) | 一种基于物联网设备行为的计算机设备管理方法 | |
CN114203304A (zh) | 基于智慧医疗大数据的信息推送方法及智慧医疗云服务器 | |
Shouaib et al. | Survey on iot-based big data analytics | |
Ren et al. | On-device Online Learning and Semantic Management of TinyML Systems | |
US20230117893A1 (en) | Machine learning techniques for environmental discovery, environmental validation, and automated knowledge repository generation | |
CN115756968B (zh) | 基于网络的数据备份方法、系统及云平台 | |
CN113392114B (zh) | 一种基于业务对象的智能关系管理和智能数据融合的方法 | |
CN115330319B (zh) | 基于大数据的物流信息处理方法及人工智能服务器 | |
CN111930547B (zh) | 一种故障定位方法、装置及存储介质 | |
CN116383883B (zh) | 一种基于大数据的数据管理权限处理方法及系统 | |
Du et al. | CMSDPP: Cloud-native Multi-source Streaming Data Processing Platform | |
CN117993868B (zh) | 基于双模态注意力的电网工程项目审计预警方法及系统 | |
Kim et al. | An autonomic computing based on big data platform for high-reliable smart factory |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220705 |