CN115936383A - 路线规划与模型训练方法、装置、设备、介质和程序产品 - Google Patents

Abstract

本公开提供了一种路线规划与模型训练方法、装置、设备、介质和程序产品，涉及人工智能技术领域，具体为深度学习和大数据技术领域。在本公开的一些实施例中，将不同类型的车辆路线规划问题抽象为多个任务类型，利用多个任务类型对应的第一训练样本数据训练得到预训练模型，再利用多个任务类型中的当前任务类型对应的第二训练样本数据训练得到路线规划模型；将多个配送网点信息和当前任务类型输入路线规划模型中，得到与当前任务类型对应的目标配送路线，利用路线规划模型可以快速确定出不同任务类型的配送路线，提高车辆路线规划效率。

Description

路线规划与模型训练方法、装置、设备、介质和程序产品

技术领域

本公开提供了一种路线规划与模型训练方法、装置、设备、介质和程序产品，涉及人工智能技术领域，具体为深度学习和大数据技术领域。

背景技术

随着计算机技术的蓬勃发展，人工智能技术也得到了迅速发展。

车辆路线规划问题(VRP)是交通运输、运筹优化领域非常经典且被广泛研究的课题。其中，最基础的车辆路线规划问题主要涉及3个概念：仓库(Depot)、顾客(Cutomers)以及车辆(Vehicels)；它的核心目标是在满足各种约束的前提下规划出最优目标的路线，使得车辆按照路线行驶后，能将货物及时送给不同顾客并满足他们的需求。

目前，针对不同类型的车辆路线规划问题，需要从头开始执行问题建模以及问题求解这个过程，车辆路线规划的效率较低。

发明内容

本公开提供了一种路线规划与模型训练方法、装置、设备、介质和程序产品。

本公开的一方面，提供一种路线规划方法，包括：

获取多个配送网点信息和当前任务类型；

将所述多个配送网点信息和所述当前任务类型输入路线规划模型中，得到与所述当前任务类型对应的目标配送路线；

其中，所述路线规划模型为多个任务类型中的当前任务类型对应的第二训练样本数据对预训练模型进行训练得到的模型；所述预训练模型为所述多个任务类型对应的第一训练样本数据训练得到的模型。

本公开的另一方面，提供一种模型训练方法，包括：

收集第一训练样本数据和第二训练样本数据，其中，所述第一训练样本数据为多个任务类型对应的样本数据，每条所述第一训练样本数据包括各自的任务类型，所述第二训练样本数据为所述多个任务类型中的目标任务类型对应的样本数据；

根据所述第一训练样本数据，对初始模型进行模型训练，得到预训练模型；

根据所述第二训练样本数据，对所述预训练模型进行模型训练，得到与所述目标任务类型对应的目标模型。

本公开的另一方面，提供一种路线规划装置，包括：

获取模块，用于获取多个配送网点信息和当前任务类型；

模型模块，用于将所述多个配送网点信息和所述当前任务类型输入路线规划模型中，得到与所述当前任务类型对应的目标配送路线；

其中，所述路线规划模型为多个任务类型中的当前任务类型对应的第二训练样本数据对预训练模型进行训练得到的模型；所述预训练模型为所述多个任务类型对应的第一训练样本数据训练得到的模型。

本公开的另一方面，提供一种模型训练装置，包括：

收集模块，用于收集第一训练样本数据和第二训练样本数据，其中，所述第一训练样本数据为多个任务类型对应的样本数据，每条所述第一训练样本数据包括各自的任务类型，所述第二训练样本数据为所述多个任务类型中的目标任务类型对应的样本数据；

第一训练模块，用于根据所述第一训练样本数据，对初始模型进行模型训练，得到预训练模型；

第二训练模块，用于根据所述第二训练样本数据，对所述预训练模型进行模型训练，得到与所述目标任务类型对应的目标模型。

本公开的另一方面，提供一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的方法。

本公开的另一方面，提供一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述的方法。

本公开的另一方面，提供一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令在被处理器执行时实现上述的方法中的步骤。

在本公开的一些实施例中，将不同类型的车辆路线规划问题抽象为多个任务类型，利用多个任务类型对应的第一训练样本数据训练得到预训练模型，再利用多个任务类型中的当前任务类型对应的第二训练样本数据训练得到路线规划模型；将多个配送网点信息和当前任务类型输入路线规划模型中，得到与当前任务类型对应的目标配送路线，利用路线规划模型可以快速确定出不同任务类型的配送路线，提高车辆路线规划效率。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1为本公开实施例一提供的一种路线规划方法的流程示意图；

图2为本公开示例性实施例提供的一种初始解码器的结构示意图；

图3为本公开实施例二提供的一种模型训练方法的流程示意图；

图4为本公开示例性实施例提供的一种路线规划装置的结构示意图；

图5为本公开示例性实施例提供的一种模型训练装置的结构示意图；

图6示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

随着计算机技术的蓬勃发展，人工智能技术也得到了迅速发展。

车辆路线规划问题(VRP)是交通运输、运筹优化领域非常经典且被广泛研究的课题。其中，最基础的车辆路线规划问题主要涉及3个概念：仓库(Depot)、顾客(Cutomers)以及车辆(Vehicels)；它的核心目标是在满足各种约束的前提下规划出最优目标的路线，使得车辆按照路线行驶后，能将货物及时送给不同顾客并满足他们的需求。

目前，车辆路线规划问题主要有以下几种路线规划方法：

一，精确求解。该方法的特点是先根据实际场景将车辆路线规划问题建模成一个混合整数规划模型，混合整数规划模型包括目标、决策变量和约束，然后使用精确求解器进行求解，精确求解器，例如scip、cplex等。该方法无法在有效时间内求解大规模车辆路线规划问题。

二，启发式求解。该方法通常包含两个阶段，先基于贪心等策略构建初始解，然后使用领域搜索等策略对之前的解进行局部优化。

三，机器学习模型。该方法主要先使用监督学习、强化学习训练一个决策模型，然后直接用这个模型去生成解、构建邻域或者将启发式算法中的某个模块替换成这个模型：例如初始解构建，领域搜索等。该方法在训练模型时，模型的初始参数通常是随机生成的，这类参数没有先验知识，通常会导致强化学习模型的训练收敛速度较慢。

目前，针对不同类型的车辆路线规划问题，需要从头开始执行问题建模以及问题求解这个过程，车辆路线规划的效率较低。

针对上述存在的技术问题，在本公开的一些实施例中，将不同类型的车辆路线规划问题抽象为多个任务类型，利用多个任务类型对应的第一训练样本数据训练得到预训练模型，再利用多个任务类型中的当前任务类型对应的第二训练样本数据训练得到路线规划模型；将多个配送网点信息和当前任务类型输入路线规划模型中，得到与当前任务类型对应的目标配送路线，利用路线规划模型可以快速确定出不同任务类型的配送路线，提高车辆路线规划效率。

以下结合附图，详细说明本公开各实施例提供的技术方案。

图1为本公开实施例一提供的一种路线规划方法的流程示意图。如图1所示，该方法包括：

S101：获取多个配送网点信息和当前任务类型；

S102：将多个配送网点信息和当前任务类型输入路线规划模型中，得到与当前任务类型对应的目标配送路线；

其中，路线规划模型为多个任务类型中的当前任务类型对应的第二训练样本数据对预训练模型进行训练得到的模型；预训练模型为多个任务类型对应的第一训练样本数据训练得到的模型。

在本实施例中，并不限定上述执行主体具包括但不限于以下任意一种：智能汽车，个人计算机，平板电脑，智能手机，智能电视，智能音响，智能穿戴设备和服务器。

当执行为服务器时，并不限定服务器的实现形态。例如，服务器可以是常规服务器、云服务器、云主机、虚拟中心等服务器设备。其中，服务器的构成主要包括处理器、硬盘、内存、系统总线等，和通用的计算机架构类型。

需要说明的是，本公开将拥有不同约束或者不同目标的车辆路线规划问题构建为不同的任务。包括但不限于以下任务类型：

任务一，优化目标为最小化所有车辆的行驶总路程；

任务二，优化目标为让不同车辆行驶的路程要比较均衡；

任务三，带时间窗约束的车辆路线规划问题，优化目标为最小化所有车辆的行驶总路程；

任务四，考虑不同的约束以及优化目标。

在本实施例中，将不同类型的车辆路线规划问题抽象为多个任务类型，利用多个任务类型对应的第一训练样本数据训练得到预训练模型，再利用多个任务类型中的当前任务类型对应的第二训练样本数据训练得到路线规划模型；将多个配送网点信息和当前任务类型输入路线规划模型中，得到与当前任务类型对应的目标配送路线，利用路线规划模型可以快速确定出不同任务类型的配送路线，提高车辆路线规划效率。

需要说明的是，配送网点信息指当前配送任务车辆需要到达的配送网点的信息。配送网点，例如，仓库，收货方等。配送网点信息，包括但不限于以下几种：位置、货物需求量、配送时间段等。

在使用路线规划模型之前，需要进行模型训练，得到路线规划模型，以下对模型训练的过程作出说明。

在本实施例中，采用预训练的方式分两个阶段进行模型训练，得到目标模型。在第一阶段，根据多个任务类型对应的第一训练样本数据训练得到预训练模型；在第二阶段，根据目标任务类型的第二训练样本数据训练得到目标模型。一种可实现的方式为，收集第一训练样本数据和第二训练样本数据，其中，第一训练样本数据为多个任务类型对应的样本数据，每条第一训练样本数据包括各自的任务类型，第二训练样本数据为多个任务类型中的目标任务类型对应的样本数据；根据第一训练样本数据，对初始模型进行模型训练，得到预训练模型；根据第二训练样本数据，对预训练模型进行模型训练，得到与目标任务类型对应的目标模型。本公开采用预训练的方式，先学习多个任务类型的共性知识，再学习目标任务类型对应的个性化知识，加快模型的训练速度。

在一种应用场景中，每条第一训练样本数据还包括多个第一样本配送网点信息以及与多个第一样本配送网点信息对应的第一样本配送路线，每条第二训练样本数据包括目标任务类型对应的多个第二样本配送网点信息以及与多个第二样本配送网点信息对应的第二样本配送路线。根据多个第一样本配送网点信息以及与多个第一样本配送网点信息对应的第一样本配送路线和任务类型，对初始模型进行模型训练，得到预训练模型；根据多个第二样本配送网点信息以及多个第二样本配送网点信息对应的第二样本配送路线和目标任务类型，对预训练模型进行模型训练，得到与目标任务类型对应的路线规划模型。本公开使用第一训练样本数据对模型进行训练后，得到求解不同任务所需的共性知识的预训练模型；再使用目标任务类型的第二训练样本数据进行模型训练，得到路线规划模型，通过这种方式训练的预训练模型包含一定的先验知识，可能加快路线规划模型的收敛速度。

在本公开的一些实施例中，初始模型包括初始编码器和初始解码器，根据第一训练样本数据，对初始模型进行模型训练，得到预训练模型。一种可实现的方式为，将第一训练样本数据输入初始编码器中，得到特征信息；将特征信息输入初始解码器中，得到解码结果；根据解码结果和第一训练样本数据，确定损失函数；根据损失函数，对初始编码器和初始解码器进行模型训练，得到预训练模型。

在上述实施例中，本公开初始编码器的编码架构是无序的，即车辆路线规划问题的最优解与配送网点的输入顺序是无关的。

图2为本公开示例性实施例提供的一种初始解码器的结构示意图。如图2所示，初始解码器包括与多个任务类型对应的任务共享层和每个任务类型对应的任务独享层。任务共享层为三层，包括任务一共享层、任务二共享层和任务三共享层。三个任务类型对应三个任务独享层，包括任务一独享层、任务二独享层和任务三独享层。任务共享层，用于学习多个任务类型的通用任务特征信息；任务独享层，用于学习目标任务类型对应的目标任务特征信息。

需要说明的是，本公开可以根据不同任务类型的训练数据，对预训练模型进行模型训练，以得到相应任务类型的路线规划模型。

在得到当前任务类型对应的路线规划模型后，使用该路线规划模型进行当前任务类型对应的配送路线规划。

在本公开的一些实施例中，路线规划模型包括编码器和解码器；将多个配送网点信息和当前任务类型输入路线规划模型中，得到目标配送路线。一种可实现的方式为，在路线规划模型内部，将多个配送网点信息和当前任务类型输入编码器中，得到网点信息特征；将网点信息特征输入解码器中，得到与当前任务类型对应的目标配送路线。本公开通过编码器对多个配送网点信息和当前任务类型进行编码，解码器对编码得到的网点信息特征进行解码后得到目标配送路线，模型内部结构简单紧凑，且具有较好的扩展性。

在本公开的一些实施例中，解码器包括与多个任务类型对应的任务共享层和与每个任务类型对应的任务独享层，将网点信息特征输入解码器中，得到与当前任务类型对应的目标配送路线。本公开采用的解码器通过设置任务共享层和任务独享层进行多任务解码，述任务共享层，用于学习多个任务类型的通用任务特征信息；任务独享层，用于学习目标任务类型对应的目标任务特征信息；对于新定义的任务，能够快速嵌入当前的模型框架中，提高模型的扩展性。

结合上述各实施例的描述，图3为本公开实施例二提供的一种模型训练方法的流程示意图。如图3所示，该训练方法包括：

S301：收集第一训练样本数据和第二训练样本数据，其中，第一训练样本数据为多个任务类型对应的样本数据，每条第一训练样本数据包括各自的任务类型，第二训练样本数据为多个任务类型中的目标任务类型对应的样本数据；

S302：根据第一训练样本数据，对初始模型进行模型训练，得到预训练模型；

S303：根据第二训练样本数据，对预训练模型进行模型训练，得到与目标任务类型对应的目标模型。

在本实施例中，上述方法中的各步骤的实现方式均可参见前述各实施例的描述，在此不再赘述。同时，本实施例也能取得前述各实施例相应部分的技术效果。

在本实施例中，并不限定上述执行主体具包括但不限于以下任意一种：智能汽车，个人计算机，平板电脑，智能手机，智能电视，智能音响，智能穿戴设备和服务器。

当执行为服务器时，并不限定服务器的实现形态。例如，服务器可以是常规服务器、云服务器、云主机、虚拟中心等服务器设备。其中，服务器的构成主要包括处理器、硬盘、内存、系统总线等，和通用的计算机架构类型。

在本公开的上述方法实施例中，将不同类型的车辆路线规划问题抽象为多个任务类型，利用多个任务类型对应的第一训练样本数据训练得到预训练模型，再利用多个任务类型中的当前任务类型对应的第二训练样本数据训练得到路线规划模型；将多个配送网点信息和当前任务类型输入路线规划模型中，得到与当前任务类型对应的目标配送路线，利用路线规划模型可以快速确定出不同任务类型的配送路线，提高车辆路线规划效率。

图4为本公开示例性实施例提供的一种路线规划装置40的结构示意图。该路线规划装置40包括获取模块41和模型模块42。

其中，获取模块41，用于获取多个配送网点信息和当前任务类型；

模型模块42，用于将多个配送网点信息和当前任务类型输入路线规划模型中，得到与当前任务类型对应的目标配送路线；

其中，路线规划模型为多个任务类型中的当前任务类型对应的第二训练样本数据对预训练模型进行训练得到的模型；预训练模型为多个任务类型对应的第一训练样本数据训练得到的模型。

可选地，路线规划模型包括编码器和解码器，模型模块42在将多个配送网点信息和当前任务类型输入路线规划模型中，得到目标配送路线时，用于：

在路线规划模型内部，将多个配送网点信息和当前任务类型输入编码器中，得到网点信息特征；

将网点信息特征输入解码器中，得到与当前任务类型对应的目标配送路线。

可选地，解码器包括与多个任务类型对应的任务共享层和与每个任务类型对应的任务独享层，模型模块42在将网点信息特征输入解码器中，得到与当前任务类型对应的目标配送路线时，用于：

将网点信息特征输入任务共享层中，得到当前任务类型对应的通用任务特征信息；

将通用任务特征信息输入与当前任务类型对应的任务独享层中，得到与当前任务类型对应的目标配送路线。

图5为本公开示例性实施例提供的一种模型训练装置50的结构示意图。该模型训练装置50包括收集模块51、第一训练模块52和第二训练模块53。

其中，收集模块51，用于收集第一训练样本数据和第二训练样本数据，其中，第一训练样本数据为多个任务类型对应的样本数据，每条第一训练样本数据包括各自的任务类型，第二训练样本数据为多个任务类型中的目标任务类型对应的样本数据；

第一训练模块52，用于根据第一训练样本数据，对初始模型进行模型训练，得到预训练模型；

第二训练模块53，用于根据第二训练样本数据，对预训练模型进行模型训练，得到与目标任务类型对应的目标模型。

可选地，初始模型包括初始编码器和初始解码器，第一训练模块52在根据第一训练样本数据，对初始模型进行模型训练，得到预训练模型时，用于：

将第一训练样本数据输入初始编码器中，得到特征信息；

将特征信息输入初始解码器中，得到解码结果；

根据解码结果和第一训练样本数据，确定损失函数；

根据损失函数，对初始编码器和初始解码器进行模型训练，得到预训练模型。

可选地，初始解码器包括与多个任务类型对应的任务共享层和每个任务类型对应的任务独享层；

任务共享层，用于学习多个任务类型的通用任务特征信息；

任务独享层，用于学习目标任务类型对应的目标任务特征信息。

可选地，每条第一训练样本数据还包括多个第一样本配送网点信息以及与多个第一样本配送网点信息对应的第一样本配送路线，每条第二训练样本数据包括目标任务类型对应的多个第二样本配送网点信息以及与多个第二样本配送网点信息对应的第二样本配送路线，目标模型为路线规划模型；

第一训练模块52在根据第一训练样本数据，对初始模型进行模型训练，得到预训练模型时，用于：

根据多个第一样本配送网点信息以及与多个第一样本配送网点信息对应的第一样本配送路线和任务类型，对初始模型进行模型训练，得到预训练模型；

第二训练模块53在根据第二训练样本数据，对预训练模型进行模型训练，得到与目标任务类型对应的目标模型时，用于：

根据多个第二样本配送网点信息以及多个第二样本配送网点信息对应的第二样本配送路线和目标任务类型，对预训练模型进行模型训练，得到与目标任务类型对应的路线规划模型。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。同时，本公开路线规划装置也能取的与上述路线规划方法相应的有益效果。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如路线规划方法。例如，在一些实施例中，路线规划方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的路线规划方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行路线规划方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD－ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端－服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务(＂Virtual Private Server＂，或简称＂VPS＂)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

在本公开上述装置、设备、存储设备及计算机程序产品实施例中，将不同类型的车辆路线规划问题抽象为多个任务类型，利用多个任务类型对应的第一训练样本数据训练得到预训练模型，再利用多个任务类型中的当前任务类型对应的第二训练样本数据训练得到路线规划模型；将多个配送网点信息和当前任务类型输入路线规划模型中，得到与当前任务类型对应的目标配送路线，利用路线规划模型可以快速确定出不同任务类型的配送路线，提高车辆路线规划效率。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (17)

1.一种路线规划方法，包括：

获取多个配送网点信息和当前任务类型；

将所述多个配送网点信息和所述当前任务类型输入路线规划模型中，得到与所述当前任务类型对应的目标配送路线；

其中，所述路线规划模型为多个任务类型中的当前任务类型对应的第二训练样本数据对预训练模型进行训练得到的模型；所述预训练模型为所述多个任务类型对应的第一训练样本数据训练得到的模型。

2.根据权利要求1所述的方法，其中，所述路线规划模型包括编码器和解码器，所述将所述多个配送网点信息和所述当前任务类型输入路线规划模型中，得到目标配送路线，包括：

在所述路线规划模型内部，将所述多个配送网点信息和所述当前任务类型输入所述编码器中，得到网点信息特征；

将所述网点信息特征输入所述解码器中，得到与所述当前任务类型对应的所述目标配送路线。

3.根据权利要求2所述的方法，其中，所述解码器包括与所述多个任务类型对应的任务共享层和与每个任务类型对应的任务独享层，所述将所述网点信息特征输入所述解码器中，得到与所述当前任务类型对应的目标配送路线，包括：

将所述网点信息特征输入所述任务共享层中，得到所述当前任务类型对应的通用任务特征信息；

将所述通用任务特征信息输入与所述当前任务类型对应的任务独享层中，得到与所述当前任务类型对应的目标配送路线。

4.一种模型训练方法，包括：

收集第一训练样本数据和第二训练样本数据，其中，所述第一训练样本数据为多个任务类型对应的样本数据，每条所述第一训练样本数据包括各自的任务类型，所述第二训练样本数据为所述多个任务类型中的目标任务类型对应的样本数据；

根据所述第一训练样本数据，对初始模型进行模型训练，得到预训练模型；

根据所述第二训练样本数据，对所述预训练模型进行模型训练，得到与所述目标任务类型对应的目标模型。

5.根据权利要求4所述的方法，其中，所述初始模型包括初始编码器和初始解码器，所述根据所述第一训练样本数据，对初始模型进行模型训练，得到预训练模型，包括：

将所述第一训练样本数据输入所述初始编码器中，得到特征信息；

将所述特征信息输入所述初始解码器中，得到解码结果；

根据所述解码结果和所述第一训练样本数据，确定损失函数；

根据所述损失函数，对初始编码器和初始解码器进行模型训练，得到预训练模型。

6.根据权利要求5所述的方法，其中，所述初始解码器包括与所述多个任务类型对应的任务共享层和每个任务类型对应的任务独享层；

所述任务共享层，用于学习多个任务类型的通用任务特征信息；

所述任务独享层，用于学习目标任务类型对应的目标任务特征信息。

7.根据权利要求4所述的方法，其中，所述每条第一训练样本数据还包括多个第一样本配送网点信息以及与所述多个第一样本配送网点信息对应的第一样本配送路线，所述每条第二训练样本数据包括目标任务类型对应的多个第二样本配送网点信息以及与所述多个第二样本配送网点信息对应的第二样本配送路线，所述目标模型为路线规划模型；

所述根据所述第一训练样本数据，对初始模型进行模型训练，得到预训练模型，包括：

根据多个第一样本配送网点信息以及与所述多个第一样本配送网点信息对应的第一样本配送路线和任务类型，对初始模型进行模型训练，得到预训练模型；

根据所述第二训练样本数据，对所述预训练模型进行模型训练，得到与所述目标任务类型对应的目标模型，包括：

根据多个第二样本配送网点信息以及所述多个第二样本配送网点信息对应的第二样本配送路线和目标任务类型，对所述预训练模型进行模型训练，得到与所述目标任务类型对应的路线规划模型。

8.一种路线规划装置，包括：

获取模块，用于获取多个配送网点信息和当前任务类型；

模型模块，用于将所述多个配送网点信息和所述当前任务类型输入路线规划模型中，得到与所述当前任务类型对应的目标配送路线；

其中，所述路线规划模型为多个任务类型中的当前任务类型对应的第二训练样本数据对预训练模型进行训练得到的模型；所述预训练模型为所述多个任务类型对应的第一训练样本数据训练得到的模型。

9.根据权利要求8所述的装置，其中，所述路线规划模型包括编码器和解码器，所述模型模块在将所述多个配送网点信息和所述当前任务类型输入路线规划模型中，得到目标配送路线时，用于：

在所述路线规划模型内部，将所述多个配送网点信息和所述当前任务类型输入所述编码器中，得到网点信息特征；

将所述网点信息特征输入所述解码器中，得到与所述当前任务类型对应的所述目标配送路线。

10.根据权利要求9所述的装置，其中，所述解码器包括与所述多个任务类型对应的任务共享层和与每个任务类型对应的任务独享层，所述模型模块在将所述网点信息特征输入所述解码器中，得到与所述当前任务类型对应的目标配送路线时，用于：

将所述网点信息特征输入所述任务共享层中，得到所述当前任务类型对应的通用任务特征信息；

将所述通用任务特征信息输入与所述当前任务类型对应的任务独享层中，得到与所述当前任务类型对应的目标配送路线。

11.一种模型训练装置，包括：

收集模块，用于收集第一训练样本数据和第二训练样本数据，其中，所述第一训练样本数据为多个任务类型对应的样本数据，每条所述第一训练样本数据包括各自的任务类型，所述第二训练样本数据为所述多个任务类型中的目标任务类型对应的样本数据；

第一训练模块，用于根据所述第一训练样本数据，对初始模型进行模型训练，得到预训练模型；

第二训练模块，用于根据所述第二训练样本数据，对所述预训练模型进行模型训练，得到与所述目标任务类型对应的目标模型。

12.根据权利要求11所述的装置，其中，所述初始模型包括初始编码器和初始解码器，所述第一训练模块在根据所述第一训练样本数据，对初始模型进行模型训练，得到预训练模型时，用于：

将所述第一训练样本数据输入所述初始编码器中，得到特征信息；

将所述特征信息输入所述初始解码器中，得到解码结果；

根据所述解码结果和所述第一训练样本数据，确定损失函数；

根据所述损失函数，对初始编码器和初始解码器进行模型训练，得到预训练模型。

13.根据权利要求12所述的装置，其中，所述初始解码器包括与所述多个任务类型对应的任务共享层和每个任务类型对应的任务独享层；

所述任务共享层，用于学习多个任务类型的通用任务特征信息；

所述任务独享层，用于学习目标任务类型对应的目标任务特征信息。

14.根据权利要求11所述的装置，其中，所述每条第一训练样本数据还包括多个第一样本配送网点信息以及与所述多个第一样本配送网点信息对应的第一样本配送路线，所述每条第二训练样本数据包括目标任务类型对应的多个第二样本配送网点信息以及与所述多个第二样本配送网点信息对应的第二样本配送路线，所述目标模型为路线规划模型；

所述第一训练模块在根据所述第一训练样本数据，对初始模型进行模型训练，得到预训练模型时，用于：

根据多个第一样本配送网点信息以及与所述多个第一样本配送网点信息对应的第一样本配送路线和任务类型，对初始模型进行模型训练，得到预训练模型；

所述第二训练模块在根据所述第二训练样本数据，对所述预训练模型进行模型训练，得到与所述目标任务类型对应的目标模型时，用于：

根据多个第二样本配送网点信息以及所述多个第二样本配送网点信息对应的第二样本配送路线和目标任务类型，对所述预训练模型进行模型训练，得到与所述目标任务类型对应的路线规划模型。

15.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-3或者4-7中任一项所述的方法。

16.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-3或者4-7中任一项所述的方法。

17.一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令在被处理器执行时实现根据权利要求1-3或者4-7中任一项所述的方法中的步骤。

Images