CN115659003A - 基于动态多任务图卷积的冷链多温混配推荐方法及装置 - Google Patents
基于动态多任务图卷积的冷链多温混配推荐方法及装置 Download PDFInfo
- Publication number
- CN115659003A CN115659003A CN202211088536.4A CN202211088536A CN115659003A CN 115659003 A CN115659003 A CN 115659003A CN 202211088536 A CN202211088536 A CN 202211088536A CN 115659003 A CN115659003 A CN 115659003A
- Authority
- CN
- China
- Prior art keywords
- source
- vehicle
- goods
- data set
- label
- 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.)
- Granted
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于动态多任务图卷积的冷链多温混配推荐方法及装置，对货源信息和车源信息标签作标记处理和定义，得到标签空间和标签集合，由途径路线得到动态更新数据集；利用PMI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，构建货源关联图、车货源关联图以及动态更新关联图；将货源与车货源关联图输入GAT，通过计算注意力相关系数更新节点邻域新特征集合，输入GCN使用新权重得到关键特征表示，再通过Softmax分类选择推荐合适温度。本发明使用图注意力网络和图卷积神经网络结合多任务动态更新方法对分类有重要的作用和意义，普遍适用于动态匹配选择冷链物流中货源信息和车源信息，提高运载效率，减少运输成本以及空车率。
Description
技术领域
本发明属于图注意力、图卷积和多温度运输配载技术领域，特别涉及一种基于动态多任务图卷积的冷链多温混配推荐方法及装置。
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。现有技术中冷链配载通过供需方提出的订单量，在车辆装载最大化的情况下计算出冷链配载路线，实现冷链货物运输。
对冷链多温混配中的最佳车货源配送进行动态选择，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，温度并非首选，这样导致车辆不能满载运输，以及随着订单动态批量增加，不能实现最优化路线，出现冷链车辆碳排量增大，冷链物流成本提高。针对这些问题，本发明在途径路线中对不同车货源匹配进行选择时，以温度为首位，车辆配载最大化的前提下综合动态货物信息和动态路线给出最优选择，提升运输效率同时节约了运输成本，实现供需双方共赢。
发明内容
发明目的：针对上述问题，本发明提供了一种基于动态多任务图卷积的冷链多温混配推荐方法及装置，能够有效地对多图结构的提取特征以及不依赖图结构进行节点动态更新，解决车货匹配不是最优问题。
技术方案：本发明公开一种基于动态多任务图卷积的冷链多温混配推荐方法，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，清洗和提取标签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，数据集D6为动态更新后的车源和货源数据集标签；
步骤3：使用PMI构建货源关联图Gi＝(Vi，Ei)和车货源关联图Gj＝(Vj，Ej)，通过对统计出的车货源信息标签数据集D4和其余货源信息数据集标签D5进行相应关键词提取，再进行关联图连边权重计算，分别得到货源关联图和车货源关联图；
步骤4：对货源关联图Gi＝(Vi，Ei)和车货源关联图Gj＝(Vj，Ej)提取特征，使用GAT特征变换形成新特征集合，对动态更新后的关联图通过注意力相关系数计算节点的邻域新特征；
步骤5：将更新的数据动态构建为更新关联图Gm＝(Vm，Em)，依据动态邻域节点计算更新关联图的节点注意力相关系数，通过节点注意力相关系数判断动态新邻域节点对原节点的权重w，邻域新特征输入GCN判断更新关联图Gm＝(Vm，Em)的节点权重u，使用新的权重进行卷积得到特征表示，使用Softmax层对不同货物进行计算选择，最终选择出最适合货物。
进一步地，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进行数据清洗和提取标签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。
进一步地，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2.5：动态更新标签数据集D6中单个文本信息集为Text4＝{id5，label10，label11，label12，label13}，id4，label10，label11，label12，label13分别为文本信息序号、动态更新货物基本信息、动态更新货物运输时间限制、动态更新途径路线标签。
进一步地，所述步骤3的具体方法为：
步骤3.1：将D4和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
和
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
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)和车货源关联图Gj＝(Vj，Ej)。
进一步地，所述步骤4的具体方法为：
步骤4.1：对货源关联图Gi＝(Vi，Ei)和车货源关联图Gj＝(Vj，Ej)中节点v1i∈Vi和节点v2j∈Vj提取特征h＝{h1，h2，…，hN}，
其中N为节点的个数，F为特征的个数；
步骤4.2：使用注意力相关系数score计算原节点和邻域节点的权重，通过更新关联图赋予每个原节点新权重；
步骤4.3：对于每个原节点执行自注意力机制，计算注意力相关系数uij＝a(Whi，Whj)以及计算更新后节点注意力相关系数u′ij＝a′(W′ki，W′kj)；
步骤4.4：将原节点的每个邻域节点注意力相关系数uij和u′ij取平均值，所有领域节点整合，通过
其中h′为GAT输出节点i融合邻域信息的新特征；
步骤4.5：使用GAT特征变换后形成新特征集合h′＝{h′1，h′2，...，h′N}，
进一步地，所述步骤5的具体方法为：
步骤5.1：将货源关联图Gi＝(Vi，Ei)和车货源关联图Gj＝(Vj，Ej)输入到GCN中进行特征提取，定义为矩阵H；
步骤5.2：定义k为循环变量，且赋k初值为1，开始循环；
步骤5.3：如果k≤len(D6)，则进入步骤5.3；否则，跳转到步骤5.8；len(D6)为数据集D6中的数据量；
步骤5.4：基于动态更新的数据集，对更新后关联图中邻域节点注意力相关系数进行判断，划定注意力相关系数ui和ui；
步骤5.5：通过注意力相关系数依据u′ij＝a′(W′ki，W′kj)，计算出更新后关联图节点的注意力相关系数u；
步骤5.6：若u大于ui，则继续进行判断，否则直接选取原关联图邻域节点之间权重w；
步骤5.7：继续判断u是否小于等于uj，若小于或等于则统计节点i邻域节点的注意力相关系数，并取平均值得到平均注意力相关系数
步骤5.8：否则，节点i的注意力相关系数取为u；
步骤5.9：对所有节点进行注意力相关系数计算，同时计算出权重得到新的邻域节点特征X；
步骤5.10：将增强后的矩阵X输入到Softmax层中，输出概率推荐结果，依据结果选取合适的温度以及车货源匹配。
本发明还公开一种基于动态多任务图卷积的冷链多温混配推荐装置，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，所述计算机程序被加载至处理器时执行上述基于动态多任务图卷积的冷链多温混配推荐方法的步骤。
有益效果：
1、本发明构建车货源关联图、货源关联图和动态更新关联图，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，还可以表示邻域特征，在车货源推荐匹配时，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、本发明对关联图分别使用GAT计算注意力相关系数后，以车货源关联图关键特征为主，动态更新关联图关键特征为辅，对车货源关联图中节点的注意力相关系数进行判断更新，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判断，对注意力相关系数进行阈值划分，依据不同等级相关系数计算出图结构特征的权重，更新图结构提取出新节点邻域特征集合，使增强效果更有目的性，更加准确。
4、本发明采用GAT和GCN在不被原有图结构干扰下，最大程度得到动态更新后的关联图，将动态更新后重要的数据信息赋予原节点，使得在推荐结果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车货源配送进行动态选择，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，其次加入为动态路线更新、动态货物更新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为构建动态车货源关联流程图；
图5为使用GAT获得邻域新特征流程图；
图6为使用GCN车货源匹配推荐流程图。
具体实施方式
下面结合具体实施例，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。
本发明公开了一种基于动态多任务图卷积的冷链多温混配推荐方法，参见附图1至附图6，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14：对数据集D、D1进行数据清洗和提取标签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，数据集D6为动态更新后的车源和货源数据集标签。
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2.5：动态更新标签数据集D6中单个文本信息集为Text4＝{id5，label10，label11，label12，label13}，id4，label10，label11，label12，label13分别为文本信息序号、动态更新货物基本信息、动态更新货物运输时间限制、动态更新途径路线标签。
步骤3：使用PMI构建货源关联图Gi＝(Vi，Ei)和车货源关联图Gj＝(Vj，Ej)，通过对统计出的车货源信息标签数据集D4和其余货源信息数据集标签D5进行相应关键词提取，再进行关联图连边权重计算，分别得到货源关联图和车货源关联图。
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
和
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
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：对货源关联图Gi＝(Vi，Ei)和车货源关联图Gj＝(Vj，Ej)提取特征，使用GAT特征变换形成新特征集合，对动态更新后的关联图通过注意力相关系数计算节点的邻域新特征。
步骤4.1：对货源关联图Gi＝(Vi，Ei)和车货源关联图Gj＝(Vj，Ej)中节点v1i∈Vi和节点v2j∈Vj提取中特征h＝{h1，h2，…，hN}，
其中N为节点的个数，F为特征的个数。
步骤4.2：使用注意力相关系数score计算原节点和邻域节点的权重，通过更新关联图赋予每个原节点新权重。
步骤4.3：对于每个原节点执行自注意力机制，计算注意力相关系数uij＝a(Whi，whj)以及计算更新后节点注意力相关系数u′ij＝a′(W′ki，W′kj)。
步骤4.4：将原节点的每个邻域节点注意力相关系数uij和u′ij取平均值，所有领域节点整合，通过
其中h′为GAT输出节点i融合邻域信息的新特征。
步骤4.5：使用GAT特征变换后形成新特征集合h′＝{h′1，h′2，...，h′N}，
步骤5：将更新的数据动态构建为更新关联图Gm＝(Vm，Em)，依据动态邻域节点计算更新关联图的节点注意力相关系数，通过节点注意力相关系数判断动态新邻域节点对原节点的权重w，邻域新特征输入GCN判断更新关联图Gm＝(Vm，Em)的节点权重u，使用新的权重进行卷积得到特征表示，使用Softmax层对不同货物进行计算选择，最终选择出最适合货物。
步骤5.1：将货源关联图Gi＝(Vi，Ei)和车货源关联图Gj＝(Vj，Ej)输入到GCN中进行特征提取，定义为矩阵H。
步骤5.2：定义k为循环变量，且赋k初值为1，开始循环。
步骤5.3：如果k≤len(D6)，则进入步骤5.3；否则，跳转到步骤5.8；len(D6)为数据集D6中的数据量。
步骤5.4：基于动态更新的数据集，对更新后关联图中邻域节点注意力相关系数进行判断，划定注意力相关系数ui和uj。
步骤5.5：通过注意力相关系数依据u′ij＝a′(W′ki，W′kj)，计算出更新后关联图节点的注意力相关系数u。
步骤5.6：若u大于ui，则继续进行判断，否则直接选取原关联图邻域节点之间权重w。
步骤5.7：继续判断u是否小于等于uj，若小于或等于则统计节点i邻域节点的注意力相关系数，并取平均值得到平均注意力相关系数
步骤5.8：否则，节点i的注意力相关系数取为u。
步骤5.9：对所有节点进行注意力相关系数计算，同时计算出权重得到新的邻域节点特征X。
步骤5.10：将增强后的矩阵X输入到Softmax层中，输出概率推荐结果，依据结果选取合适的温度以及车货源匹配。
本发明可与计算机系统结合成为基于动态多任务图卷积的冷链多温混配推荐装置，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动态多任务图卷积的冷链多温混配推荐方法。
上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于动态多任务图卷积的冷链多温混配推荐方法，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，清洗和提取标签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，数据集D6为动态更新后的车源和货源数据集标签；
步骤3：使用PMI构建货源关联图Gi＝(Vi，Ei)和车货源关联图Gj＝(Vj，Ej)，通过对统计出的车货源信息标签数据集D4和其余货源信息数据集标签D5进行相应关键词提取，再进行关联图连边权重计算，分别得到货源关联图和车货源关联图；
步骤4：对货源关联图Gi＝(Vi，Ei)和车货源关联图Gj＝(Vj，Ej)提取特征，使用GAT特征变换形成新特征集合，对动态更新后的关联图通过注意力相关系数计算节点的邻域新特征；
步骤5：将更新的数据动态构建为更新关联图Gm＝(Vm，Em)，依据动态邻域节点计算更新关联图的节点注意力相关系数，通过节点注意力相关系数判断动态新邻域节点对原节点的权重w，邻域新特征输入GCN判断更新关联图Gm＝(Vm，Em)的节点权重u，使用新的权重进行卷积得到特征表示，使用Softmax层对不同货物进行计算选择，最终选择出最适合货物。
2.根据权利要求1所述的基于动态多任务图卷积的冷链多温混配推荐方法，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进行数据清洗和提取标签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所述的基于动态多任务图卷积的冷链多温混配推荐方法，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，labe19}，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2.5：动态更新标签数据集D6中单个文本信息集为Text4＝{id5，label10，label11，label12，label13}，id4，label10，label11，label12，label13分别为文本信息序号、动态更新货物基本信息、动态更新货物运输时间限制、动态更新途径路线标签。
4.根据权利要求1所述的基于动态多任务图卷积的冷链多温混配推荐方法，其特征在于，所述步骤3的具体方法为：
步骤3.1：将D4和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
和
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
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)和车货源关联图Gj＝(Vj，Ej)。
5.根据权利要求1所述的基于动态多任务图卷积的冷链多温混配推荐方法，其特征在于，所述步骤4的具体方法为：
步骤4.1：对货源关联图Gi＝(Vi，Ei)和车货源关联图Gj＝(Vj，Ej)中节点v1i∈Vi和节点v2j∈Vj提取特征h＝{h1，h2，…，hN}，
其中N为节点的个数，F为特征的个数；
步骤4.2：使用注意力相关系数score计算原节点和邻域节点的权重，通过更新关联图赋予每个原节点新权重；
步骤4.3：对于每个原节点执行自注意力机制，计算注意力相关系数uij＝a(Whi，Whj)以及计算更新后节点注意力相关系数u′ij＝a′(W′ki，W′kj)；
步骤4.4：将原节点的每个邻域节点注意力相关系数uij和u′ij取平均值，所有领域节点整合，通过
其中h′为GAT输出节点i融合邻域信息的新特征；
步骤4.5：使用GAT特征变换后形成新特征集合h′＝{h′1，h′2，...，h′N}，
6.根据权利要求1所述的基于动态多任务图卷积的冷链多温混配推荐方法，其特征在于，所述步骤5的具体方法为：
步骤5.1：将货源关联图Gi＝(Vi，Ei)和车货源关联图Gj＝(Vj，Ej)输入到GCN中进行特征提取，定义为矩阵H；
步骤5.2：定义k为循环变量，且赋k初值为1，开始循环；
步骤5.3：如果k≤len(D6)，则进入步骤5.3；否则，跳转到步骤5.8；len(D6)为数据集D6中的数据量；
步骤5.4：基于动态更新的数据集，对更新后关联图中邻域节点注意力相关系数进行判断，划定注意力相关系数ui和uj；
步骤5.5：通过注意力相关系数依据u′ij＝a′(W′ki，W′kj)，计算出更新后关联图节点的注意力相关系数u；
步骤5.6：若u大于ui，则继续进行判断，否则直接选取原关联图邻域节点之间权重w；
步骤5.7：继续判断u是否小于等于uj，若小于或等于则统计节点i邻域节点的注意力相关系数，并取平均值得到平均注意力相关系数
步骤5.8：否则，节点i的注意力相关系数取为u；
步骤5.9：对所有节点进行注意力相关系数计算，同时计算出权重得到新的邻域节点特征X；
步骤5.10：将增强后的矩阵X输入到Softmax层中，输出概率推荐结果，依据结果选取合适的温度以及车货源匹配。
7.一种基于动态多任务图卷积的冷链多温混配推荐装置，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执行权利要求1-6任一项所述的基于动态多任务图卷积的冷链多温混配推荐方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211088536.4A CN115659003B (zh) | 2022-09-06 | 2022-09-06 | 基于动态多任务图卷积的冷链多温混配推荐方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211088536.4A CN115659003B (zh) | 2022-09-06 | 2022-09-06 | 基于动态多任务图卷积的冷链多温混配推荐方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115659003A true CN115659003A (zh) | 2023-01-31 |
| CN115659003B CN115659003B (zh) | 2023-06-30 |
Family
ID=84984245
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211088536.4A Active CN115659003B (zh) | 2022-09-06 | 2022-09-06 | 基于动态多任务图卷积的冷链多温混配推荐方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115659003B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200285944A1 (en) * | 2019-03-08 | 2020-09-10 | Adobe Inc. | Graph convolutional networks with motif-based attention |
| CN113487066A (zh) * | 2021-06-18 | 2021-10-08 | 山西云时代智慧城市技术发展有限公司 | 基于多属性增强图卷积-Informer模型的长时序货运量预测方法 |
| CN114399250A (zh) * | 2021-12-30 | 2022-04-26 | 淮阴工学院 | 基于认知图谱的冷链多温混配选温方法及装置 |
| CN114781698A (zh) * | 2022-03-31 | 2022-07-22 | 山东大学 | 基于时空注意机制图卷积网络的车辆油耗预测方法及系统 |
| CN114817508A (zh) * | 2022-05-27 | 2022-07-29 | 重庆理工大学 | 融合稀疏图和多跳注意力的会话推荐系统 |
-
2022
- 2022-09-06 CN CN202211088536.4A patent/CN115659003B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200285944A1 (en) * | 2019-03-08 | 2020-09-10 | Adobe Inc. | Graph convolutional networks with motif-based attention |
| CN113487066A (zh) * | 2021-06-18 | 2021-10-08 | 山西云时代智慧城市技术发展有限公司 | 基于多属性增强图卷积-Informer模型的长时序货运量预测方法 |
| CN114399250A (zh) * | 2021-12-30 | 2022-04-26 | 淮阴工学院 | 基于认知图谱的冷链多温混配选温方法及装置 |
| CN114781698A (zh) * | 2022-03-31 | 2022-07-22 | 山东大学 | 基于时空注意机制图卷积网络的车辆油耗预测方法及系统 |
| CN114817508A (zh) * | 2022-05-27 | 2022-07-29 | 重庆理工大学 | 融合稀疏图和多跳注意力的会话推荐系统 |
Non-Patent Citations (2)
| Title |
|---|
| BING YANG ET AL: "GGAC: Multi-relational image gated GCN with attention convolutional binary neural tree for identifying disease with chest X-rays", no. 120, pages 1 - 9 * |
| 吴琼: "基于深度学习的短时交通流预测方法研究", vol. 2021, no. 08, pages 034 - 284 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115659003B (zh) | 2023-06-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109255586B (zh) | 一种面向电子政务办事的在线个性化推荐方法 | |
| 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 | |
| CN103064970B (zh) | 优化译员的检索方法 | |
| CN106779173A (zh) | 一种物流配送车辆路径优化方法 | |
| 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 | |
| Wang et al. | An XGBoost-enhanced fast constructive algorithm for food delivery route planning problem | |
| CN116957174B (zh) | 基于数据融合的货运线路集成规划方法及系统 | |
| JPH10240799A (ja) | 新規出店評価支援装置 | |
| CN114065048A (zh) | 基于多异构图图神经网络的物品推荐方法 | |
| CN115905489B (zh) | 一种提供招投标信息搜索服务的方法 | |
| CN110874670A (zh) | 仓储储位配置系统 | |
| CN116029637A (zh) | 跨境电商物流渠道智能推荐方法及装置、设备、存储介质 | |
| Yang et al. | Dynamic routing for waste collection and transportation with multi-compartment electric vehicle using smart waste bins | |
| Deng et al. | Prediction of vehicle-cargo matching probability based on dynamic Bayesian network | |
| CN109886618B (zh) | 一种优化物流作业的方法及装置 | |
| US20220237432A1 (en) | Artificial intelligence (ai) driven estimated shipment delivery time advisor | |
| CN112613701B (zh) | 一种成品卷烟物流调度方法 | |
| CN117522065A (zh) | 一种基于多目标决策的网络货运车货匹配的方法 | |
| CN108399524A (zh) | 信息处理方法及系统 | |
| CN115659003A (zh) | 基于动态多任务图卷积的冷链多温混配推荐方法及装置 | |
| Zidi et al. | An ontology-based personalized retrieval model using case base reasoning | |
| CN117252186A (zh) | 基于xai的信息处理方法、装置、设备及存储介质 | |
| Moon et al. | Design of zonal express bus services to reduce user travel time and transfers considering demand diversion | |
| CN114970526A (zh) | 一种文本意图理解的连续学习方法和系统 |
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 |