CN117852980A - 基于MoE模型融合技术的智能物流服务管理系统及方法 - Google Patents

Abstract

本申请涉及人工智能技术领域，公开了一种基于MoE模型融合技术的智能物流服务管理系统及方法。方法包括：对物流服务系统进行历史物流数据查询，得到历史物流数据集并进行数据集分类，得到多个决策类型数据集；通过多个决策类型数据集分别对多个业务专家模型进行模型训练，得到多个第一物流决策模型；对多个第一物流决策模型进行决策策略优化，得到多个第二物流决策模型并进行模型集成，得到目标物流决策模型集；获取物流服务系统的实时物流数据集，并对实时物流数据集进行特征提取，得到多个实时物流特征；将多个实时物流特征输入目标物流决策模型集进行物流决策分析，得到多个实时物流决策信息，本申请提高了物流服务管理的准确率。

Description

基于MoE模型融合技术的智能物流服务管理系统及方法

技术领域

本申请涉及人工智能领域，尤其涉及一种基于MoE模型融合技术的智能物流服务管理系统及方法。

背景技术

在当前物流行业，物流服务管理日益复杂，需要高效的决策和操作以满足客户需求，同时降低成本并提高服务质量。然而，传统的物流管理方法通常基于静态规则和经验，难以应对不断变化的市场需求和实时数据的挑战。

传统物流服务管理在应对多变因素和提高服务适应性方面存在一定挑战。基于MoE模型融合技术的物流服务管理系统旨在通过多模型融合，更全面地分析和优化物流服务管理过程。传统方法难以有效地处理这些多源数据，导致信息的碎片化和决策的不一致性。另一个问题是物流决策的动态性。物流服务需要根据实时数据和市场变化来作出决策，而传统的基于规则的方法无法灵活地适应这种动态性。

发明内容

本申请提供了一种基于MoE模型融合技术的智能物流服务管理系统及方法，本申请提高了物流服务管理的准确率。

第一方面，本申请提供了一种基于MoE模型融合技术的智能物流服务管理方法，所述基于MoE模型融合技术的智能物流服务管理方法包括：

对物流服务系统进行历史物流数据查询，得到历史物流数据集，并根据多个物流决策类型对所述历史物流数据集进行数据集分类，得到多个决策类型数据集；

通过所述多个决策类型数据集分别对预置的多个业务专家模型进行模型训练，得到多个第一物流决策模型；

采用强化学习算法，分别对所述多个第一物流决策模型进行决策策略优化，得到多个第二物流决策模型，并对所述多个第二物流决策模型进行模型集成，得到目标物流决策模型集；

获取所述物流服务系统的实时物流数据集，并对所述实时物流数据集进行特征提取，得到多个实时物流特征；

将所述多个实时物流特征输入所述目标物流决策模型集进行物流决策分析，得到多个实时物流决策信息。

第二方面，本申请提供了一种基于MoE模型融合技术的智能物流服务管理系统，所述基于MoE模型融合技术的智能物流服务管理系统包括：

查询模块，用于对物流服务系统进行历史物流数据查询，得到历史物流数据集，并根据多个物流决策类型对所述历史物流数据集进行数据集分类，得到多个决策类型数据集；

训练模块，用于通过所述多个决策类型数据集分别对预置的多个业务专家模型进行模型训练，得到多个第一物流决策模型；

集成模块，用于采用强化学习算法，分别对所述多个第一物流决策模型进行决策策略优化，得到多个第二物流决策模型，并对所述多个第二物流决策模型进行模型集成，得到目标物流决策模型集；

提取模块，用于获取所述物流服务系统的实时物流数据集，并对所述实时物流数据集进行特征提取，得到多个实时物流特征；

分析模块，用于将所述多个实时物流特征输入所述目标物流决策模型集进行物流决策分析，得到多个实时物流决策信息。

本申请提供的技术方案中，将历史物流数据按不同的决策类型分类，使得数据更有组织性，可以更有效地用于决策模型的训练和优化。使用强化学习算法对第一物流决策模型进行优化，可以使模型更好地适应不同的决策情境，提高了决策模型的准确性和可靠性。通过实时物流数据的特征提取和目标物流决策模型的使用，系统可以实时响应和优化物流决策，提高了决策的实时性和适应性。使用用户反馈数据和系统响应数据来迭代优化决策模型，可以更好地满足用户需求，提高用户满意度。使用使用频率分析和系统错误率数据来进行系统性能分析和改进，可以减少系统错误，提高系统的可靠性和效率。将多个第二物流决策模型集成成目标物流决策模型集，可以获得更全面和综合的决策支持，提高了决策的全局性能。基于MoE技术的编码、解码、注意力机制和策略决策网络，使得决策模型在处理物流数据时更加高效和灵活，提高了数据的表达能力和决策的精确性，通过将多个专家模型融合，实现对物流服务管理中多样化和动态性因素的全面处理和优化，提高物流服务的智能化、适应性和效率，进而提高了物流服务管理的准确率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以基于这些附图获得其他的附图。

图1为本申请实施例中基于MoE模型融合技术的智能物流服务管理方法的一个实施例示意图；

图2为本申请实施例中基于MoE模型融合技术的智能物流服务管理系统的一个实施例示意图。

具体实施方式

本申请实施例提供了一种基于MoE模型融合技术的智能物流服务管理系统及方法。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”、“第三”、“第四”等（如果存在）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。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于理解，下面对本申请实施例的具体流程进行描述，请参阅图1，本申请实施例中基于MoE模型融合技术的智能物流服务管理方法的一个实施例包括：

步骤101、对物流服务系统进行历史物流数据查询，得到历史物流数据集，并根据多个物流决策类型对历史物流数据集进行数据集分类，得到多个决策类型数据集；

可以理解的是，本申请的执行主体可以为基于MoE模型融合技术的智能物流服务管理系统，还可以是终端或者服务器，具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。

具体的，对物流服务系统进行历史物流数据查询，得到历史物流数据集。例如订单处理时间、货物运输路径、仓储容量利用率等关键指标。对历史物流数据集进行数据离散化处理。数据离散化是将连续的数值数据转换为离散类别的过程，这有助于简化数据结构并减少模型训练的计算负担。例如，可以将运输时间分为短途、中途和长途几个类别，或者将货物量分为小、中、大几个等级。定义多个物流决策类型，包括订单信息管理、货物跟踪信息管理以及仓储信息管理等关键物流活动。这些决策类型覆盖了物流管理的主要方面，每个决策类型都与特定的数据标签相关联。订单信息管理决策类型涉及的数据包括订单量、客户信息、订单状态等，而货物跟踪信息管理则更侧重于货物的运输状态、位置跟踪等数据。仓储信息管理则关注库存水平、仓库容量和物品存储情况等数据。获取每种决策类型对应的关联数据标签，这些标签作为分类的基础。例如，对于订单信息管理，使用与订单相关的数据标签，如订单号、下单时间等；对于货物跟踪，则关注货物的追踪编号、运输状态等标签；而在仓储管理方面，重要的标签包括库存编号、存储位置等。基于这些数据标签，确定各自决策类型的聚类中心。聚类中心是一种数据分析技术，用于识别数据中的自然分组或类别。在此过程中，利用算法找出与每种决策类型最相关的数据点集合，并将它们作为聚类中心。根据这些聚类中心，对离散化的物流数据集进行数据集聚类分析。通过聚类算法将数据点分配到最近的聚类中心，从而形成有区分的多个决策类型数据集，如订单关联数据集、货物关联数据集以及仓储关联数据集。

步骤102、通过多个决策类型数据集分别对预置的多个业务专家模型进行模型训练，得到多个第一物流决策模型；

具体的，获取预置的多个业务专家模型。每个模型包含编码器、注意力机制层、解码器以及策略决策网络。编码器用于处理输入的物流数据，将其转换为模型可以理解的格式；注意力机制层则负责挑选出对当前任务最重要的信息；解码器将编码器和注意力机制层的输出转换成有用的决策信息；而策略决策网络则是用于生成最终的物流决策。将多个决策类型数据集与这些业务专家模型进行对应关系匹配，确保每种数据集都能找到最适合其特点的模型。不同类型的数据集包含不同的信息和特点，例如订单管理、货物跟踪和仓储管理等，每种类型的数据都需要一个专门调整的模型来处理。分别将每个决策类型数据集输入对应的业务专家模型中进行训练。模型通过学习数据集中的模式和关系来提升其决策制定的能力。训练过程中，模型会生成初步的物流决策信息，这些信息反映了模型对物流任务的理解和处理能力。为了评估这些训练物流决策信息的准确性和效果，采用预置的交叉熵函数来计算损失值。交叉熵函数是一种常用的损失函数，它能够衡量模型生成的决策信息与实际数据之间的差异。通过计算这个损失值，了解模型在训练过程中的表现，从而对其进行优化。根据计算得到的损失值，采用梯度下降方法对每个业务专家模型进行参数更新。梯度下降是一种优化算法，它通过调整模型参数来最小化损失值，从而提高模型的性能。通过反复迭代这个过程，每个业务专家模型都会逐渐优化，最终形成一组高效的第一物流决策模型。

其中，分别将每个决策类型数据集输对应的业务专家模型中。在模型的编码器部分，通过第一嵌入层对输入的数据集进行向量转换，将原始的数据转化为模型可以处理的向量形式，生成的第一训练编码向量包含了输入数据的基本特征信息。编码器中的第一位置编码层对这些第一训练编码向量进行位置编码，在向量中加入位置信息。位置编码增加了模型对输入数据中时间或空间顺序的敏感性。编码器中的第一多层卷积层对第二训练编码向量进行进一步的特征处理。在这个阶段，多层卷积操作能够提取和增强数据的特征，使模型能够识别更复杂的模式和关系，生成的训练卷积编码特征向量包括了深层的、细化的数据特征。将这些训练卷积编码特征向量输入到注意力机制层。注意力特征增强步骤能够帮助模型集中注意力在输入数据中最重要的部分，从而提高模型处理信息的效率和准确性。通过注意力机制处理后，生成的训练注意力特征向量具有强化了的关键特征。之后，通过第二多层卷积层对训练注意力特征向量进行多层卷积处理。进一步提炼和转化经过注意力机制增强后的特征，生成的训练卷积特征解码向量包含了为最终决策准备的高级特征。解码器中的第二位置编码层对训练卷积特征解码向量进行位置解码，这与编码器中的位置编码类似，目的是在解码过程中保留和强调数据的顺序和位置信息，生成的第一训练解码向量因此具有更为准确的时空特征表达。解码器中的第二嵌入层对第一训练解码向量进行向量转换，将解码过程中的向量转换为最终输出的格式，生成的第二训练解码向量是为最后的决策制定准备的数据表示。策略决策网络中的多个决策树对第二训练解码向量进行物流决策处理。决策树根据解码向量中的特征进行决策制定，为每种物流情境提供具体的决策方案。本实施例中，每个业务专家模型最终生成了针对其处理的决策类型数据集的训练物流决策信息。

步骤103、采用强化学习算法，分别对多个第一物流决策模型进行决策策略优化，得到多个第二物流决策模型，并对多个第二物流决策模型进行模型集成，得到目标物流决策模型集；

具体的，采用强化学习算法，分别对所述多个第一物流决策模型中的策略决策网络进行网络决策执行策略分析，得到初始网络决策执行策略。这些策略反映了模型当前如何根据输入的物流数据做出决策，是优化过程的起点。使用Q-learning函数对策略决策网络进行执行策略学习，Q-learning是一种强化学习算法，它能够帮助模型在没有先验知识的情况下学习如何做出更优的决策。通过这种学习，模型能够探索并确定目标执行策略的搜索空间，这个搜索空间包含了的优化方向和策略选择。基于确定的目标执行策略搜索空间，对初始网络决策执行策略进行奖励反馈数据的计算。在强化学习中，奖励反馈是核心机制，用于指导模型学习如何改进其决策。通过计算奖励反馈参数，模型可以了解其当前策略的效果，并据此调整其行为以获得更高的奖励。有了奖励反馈参数之后，对每个第一物流决策模型中的策略决策网络进行策略更新。通过更新策略，每个模型的策略决策网络都会根据奖励反馈学习如何做出更好的决策，从而生成对应的目标网络决策执行策略。根据这些目标网络决策执行策略对每个第一物流决策模型进行决策策略的优化，调整模型的决策机制，以确保每个模型都能根据最新的策略做出更加准确和高效的物流决策。通过这种优化，得到了多个性能更优的第二物流决策模型，多个第二物流决策模型包括：物流百科模型、物流风险监控模型、物流智能选模型以及专家模型等。对多个第二物流决策模型进行模型集成，以形成最终的目标物流决策模型集。计算每个模型的模型权重数据，这些权重反映了每个模型在整个决策过程中的重要性和有效性。根据这些模型权重数据，将各个模型集成在一起，这样可以综合各个模型的优点，弥补单一模型的不足。通过模型集成，最终得到的目标物流决策模型集不仅能够提供更加全面和准确的物流决策，而且还能够适应更为复杂和多变的物流环境，从而显著提高物流服务管理的整体效能。本实施例采用MoE模型融合技术：利用MoE模型融合技术，将多个第二物流决策模型整合到一个目标物流决策模型集中，涵盖物流服务管理中的不同方面，例如订单处理、库存管理、路径规划等。第二物流决策模型的动态选择：通过MoE模型融合技术，实现对多个第二物流决策模型的动态选择，根据实时环境和任务要求，自适应地调整每个第二物流决策模型的权重，提高模型的适应性。实时数据采集与多模态分析：引入MoE模型融合技术对实时物流数据进行采集和处理，实现对数据的多维度、多模态分析，提高信息的准确性和及时性。动态调度与适应性管理：利用MoE模型融合技术，实现动态调度和适应性管理，根据实时变化的环境因素，调整物流服务的路径规划和资源分配，提高服务的适应性。异常检测与智能预警：结合MoE模型融合技术，实现对物流服务过程中异常情况的智能检测和及时预警，提高问题处理的效率。本发明实施例的优势与创新点包括：多模型融合的全面性：通过MoE模型融合技术，系统整合多个专业模型，全面覆盖物流服务管理的多个方面，提高管理的全面性。动态选择的适应性：通过MoE模型融合技术实现模型之间的动态选择，使系统能够根据不同情境自适应地调整，提高对多变因素的综合应对能力。适应性管理的实时调整：通过MoE模型融合技术实现动态调度和适应性管理，使系统能够实时调整物流服务，提高适应性。智能化的异常检测与预警：结合MoE模型融合技术，实现对物流服务异常的智能检测和及时预警，提高问题处理的及时性。需要说明的是："MoE"是指"Mixture of Experts，专家混合模型。这是一种深度学习中的模型架构，用于处理复杂的非线性关系。在这个模型中，神经网络被分为多个子网络，每个子网络被称为一个“专家”（Expert），这些专家一起协同工作，通过一定的权重和激活来处理不同部分的输入数据。每个专家对于特定类型的输入或任务具有高效的表示能力，而整个模型通过另一个网络，称为“门控网络”（Gating Network），来学习如何动态地选择和组合这些专家的输出。这种结构使得模型能够适应不同的输入模式，提高了对复杂数据分布的建模能力。

步骤104、获取物流服务系统的实时物流数据集，并对实时物流数据集进行特征提取，得到多个实时物流特征；

具体的，从物流服务系统中获取实时物流数据集，这些数据通常涵盖了运输状态、订单信息、货物位置等多种实时更新的物流相关信息。对实时物流数据集进行数据标准化处理，确保数据集中的各种数据项具有统一的格式和尺度，便于后续的处理和分析。对目标物流数据集进行时间序列分析，理解和挖掘物流数据随时间变化的模式和趋势。时序分析能够揭示订单流、货物流动和仓库状态等方面的时间依赖性。通过这种分析，得到的时序物流数据集包含了物流活动随时间的动态变化信息。通过预置的双向长短时记忆网络（Bi-LSTM）进行特征提取。通过网络中的前向长短时记忆单元（Forward LSTM Unit）对时序物流数据集进行前向时序隐藏特征提取。这种前向特征提取可以捕捉到随时间顺序展开的物流活动特征，提取出的多个前向时序隐藏特征包含了从过去到当前的物流信息流动模式。通过网络中的后向长短时记忆单元（Backward LSTM Unit）对相同的时序物流数据集进行后向时序隐藏特征提取。后向特征提取则专注于从当前时刻向过去的信息流动，可以捕捉到如何从现状回溯到之前的物流状态。这种从当前到过去的视角为理解物流活动的全貌提供了补充视角。对提取出的前向时序隐藏特征和后向时序隐藏特征进行特征融合，得到多个实时物流特征。特征融合是将从不同方向提取出的特征结合起来，形成一个更全面、更具代表性的特征集。

步骤105、将多个实时物流特征输入目标物流决策模型集进行物流决策分析，得到多个实时物流决策信息。

具体的，将经过特征提取和融合的实时物流特征输入预置的目标物流决策模型集中。这些特征包含了物流数据的关键信息，如时间序列变化、货物流动趋势、订单状态更新等。每个模型将根据其训练和优化的特点分析这些数据，从输入的特征中识别出关键的模式和趋势，并据此作出预测或决策。通过数据处理和模式识别，每个模型都会依据其特定的算法和训练历史对数据进行解读，提取出决策相关的信息。之后，模型集中的每个模型会根据其分析生成相应的物流决策信息。这些决策信息是对当前物流状态的响应，包括货物调配建议、运输路线优化、仓库管理策略等多种形式。每个决策信息都是基于模型对实时物流特征的深入分析而形成的，反映了模型对当前物流状况的理解和预测。随着模型集中每个模型的决策信息生成，这些信息将被汇总和评估，以确保它们的有效性和准确性。

其中，将多个实时物流决策信息传输至预置的用户界面进行可视化展示。可视化展示将复杂的数据和决策信息转化为易于理解的图表、地图和报告等形式，提高了信息的可读性和用户的交互体验。进行用户界面的交互数据分析。收集和分析用户对展示的决策信息的反应和互动情况，如点击率、查看时间、用户反馈等。通过这些交互数据，可以得到物流服务系统的用户反馈数据和系统响应数据。用户反馈数据提供了用户对当前物流决策信息的满意度和反馈意见，而系统响应数据则反映了用户界面的性能和用户互动的效率。对用户反馈数据进行用户满意度计算，以得到用户满意度评分数据。这直接反映了系统在实际应用中的效果。用户满意度评分数据不仅是评价系统性能的重要指标，也是未来改进和优化工作的重要依据。同时，对系统响应数据进行使用频率分析，以得到使用频率数据。通过分析用户如何以及多频繁地使用系统的不同功能，可以获得关于系统各部分受欢迎程度和使用效率的信息。基于这些使用频率数据，进一步计算物流服务系统的系统错误率数据。系统错误率数据是衡量系统稳定性和可靠性的关键指标，它直接影响到用户体验和系统的整体性能。根据用户满意度评分数据和系统错误率数据创建对应的模型迭代优化目标。这些优化目标是未来模型更新和改进的指导原则，它们基于实际的用户体验和系统性能数据，确保了优化工作的针对性和实效性。根据这些优化目标，对目标物流决策模型集进行迭代优化。使用算法和技术对模型进行调整和优化，以提高决策的准确性、降低错误率，并提升用户体验。通过这样的迭代优化过程，优化后的物流决策模型集不仅能够更准确地反映物流领域的最新趋势和需求，还能够更好地满足用户的期望和提高系统的整体性能。

本申请实施例中，将历史物流数据按不同的决策类型分类，使得数据更有组织性，可以更有效地用于决策模型的训练和优化。使用强化学习算法对第一物流决策模型进行优化，可以使模型更好地适应不同的决策情境，提高了决策模型的准确性和可靠性。通过实时物流数据的特征提取和目标物流决策模型的使用，系统可以实时响应和优化物流决策，提高了决策的实时性和适应性。使用用户反馈数据和系统响应数据来迭代优化决策模型，可以更好地满足用户需求，提高用户满意度。使用使用频率分析和系统错误率数据来进行系统性能分析和改进，可以减少系统错误，提高系统的可靠性和效率。将多个第二物流决策模型集成成目标物流决策模型集，可以获得更全面和综合的决策支持，提高了决策的全局性能。基于MoE技术的编码、解码、注意力机制和策略决策网络，使得决策模型在处理物流数据时更加高效和灵活，提高了数据的表达能力和决策的精确性，通过将多个专家模型融合，实现对物流服务管理中多样化和动态性因素的全面处理和优化，提高物流服务的智能化、适应性和效率，进而提高了物流服务管理的准确率。

在一具体实施例中，执行步骤101的过程可以具体包括如下步骤：

（1）对物流服务系统进行历史物流数据查询，得到历史物流数据集，并对历史物流数据集进行数据离散化处理，得到离散化物流数据集；

（2）定义多个物流决策类型，多个物流决策类型包括：订单信息管理决策类型、货物跟踪信息管理决策类型及仓储信息管理决策类型；

（3）获取订单信息管理决策类型对应的订单关联数据标签，并获取货物跟踪信息管理决策类型对应的货物关联数据标签，以及获取仓储信息管理决策类型对应的仓储关联数据标签；

（4）根据订单关联数据标签确定对应的订单聚类中心，并根据货物关联数据标签确定对应的货物聚类中心，以及根据仓储关联数据标签确定对应的仓储聚类中心；

（5）根据订单聚类中心、货物聚类中心以及仓储聚类中心对离散化物流数据集进行数据集聚类分析，得到多个决策类型数据集，多个决策类型数据集包括：订单关联数据集、货物关联数据集以及仓储关联数据集。

具体的，对物流服务系统进行历史物流数据查询，得到历史物流数据集，包括过往的订单信息、货物运输记录、仓储状态等。例如，订单信息包括订单号、下单时间、客户详情、订单金额等，而货物运输记录涵盖货物的出发地、目的地、运输路线、运输时间等，仓储状态则记录了仓库的位置、容量、库存量、存储条件等。对这些历史数据进行离散化处理，将连续的数值数据转化为便于处理的离散类别。离散化处理的目的是简化数据结构，提高后续数据处理的效率。例如，将运输时间划分为短途、中途、长途等类别。定义多个物流决策类型，这些决策类型包括订单信息管理、货物跟踪信息管理以及仓储信息管理等。每种决策类型都关联特定的数据标签，这些标签是后续数据处理的依据。例如，订单信息管理关注的标签包括订单号、客户信息、下单时间等，货物跟踪信息管理则关注货物的跟踪编号、运输状态、预计到达时间等，仓储信息管理关注的标签包括库存编号、存储位置、库存量等。根据这些标签确定相应的聚类中心，将数据分为不同的类别，以便于更加针对性地处理。例如，根据订单信息管理的数据标签，可以将订单按照下单时间、金额大小等进行分类，形成不同的订单聚类中心；根据货物跟踪信息管理的数据标签，可以将货物按照运输状态、目的地等划分，形成不同的货物聚类中心；而根据仓储信息管理的数据标签，可以将库存按照存储位置、库存量等进行分类，形成不同的仓储聚类中心。对离散化的物流数据集进行数据集聚类分析，将数据按照各自的聚类中心进行分类的过程。通过算法将数据点分配到它们最接近的聚类中心，从而形成有区分的多个决策类型数据集。例如，根据订单聚类中心，可以得到不同时间段或不同金额区间的订单关联数据集；根据货物聚类中心，可以得到按照运输状态或目的地分类的货物关联数据集；根据仓储聚类中心，可以得到按照存储位置或库存量分类的仓储关联数据集。通过这样的数据处理和分类，可以有效地将历史物流数据集转化为更加有序和具有针对性的决策类型数据集。

在一具体实施例中，执行步骤102的过程可以具体包括如下步骤：

（1）获取预置的多个业务专家模型，其中，每个业务专家模型包括：编码器、注意力机制层、解码器以及策略决策网络；

（2）分别对多个决策类型数据集与多个业务专家模型进行对应关系匹配，得到每个决策类型数据集对应的业务专家模型；

（3）分别将每个决策类型数据集输入对应的业务专家模型进行模型训练，得到每个业务专家模型的训练物流决策信息；

（4）通过预置的交叉熵函数，对训练物流决策信息进行损失计算，得到每个业务专家模型的损失值；

（5）根据损失值，分别对每个业务专家模型进行梯度下降更新，得到多个第一物流决策模型。

具体的，获取预置的多个业务专家模型，每个业务专家模型都包括：编码器、注意力机制层、解码器以及策略决策网络。编码器处理输入的物流数据，将其转换为模型可以理解的内部表示；注意力机制层则用于在模型内部突出显示和关注输入数据的关键部分；解码器的作用是将经过编码器和注意力机制层处理的数据转换成有用的输出，比如物流决策；而策略决策网络则是用于根据解码器的输出制定具体的物流策略。将多个决策类型数据集与多个业务专家模型进行对应关系匹配，确保每种类型的物流数据都被输入到最适合处理它的模型中。例如，订单信息管理决策类型的数据集会匹配到一个专门处理订单数据的业务专家模型，而货物跟踪信息管理决策类型的数据集则会匹配到一个擅长处理货物运输和跟踪数据的业务专家模型。之后，将每个决策类型数据集输入对应的业务专家模型进行训练。这个训练过程是模型学习如何从特定类型的物流数据中提取有用信息，并据此做出有效决策的关键。例如，针对订单信息管理的业务专家模型会学习如何根据订单数据预测订单履行的时间和成本，而针对货物跟踪信息管理的业务专家模型则会专注于学习如何最优化货物的运输路线和时间。训练过程中，每个业务专家模型会生成训练物流决策信息，这些信息反映了模型在特定物流任务上的表现。为了评估这些决策信息的准确性和效果，接下来采用预置的交叉熵函数对它们进行损失计算。交叉熵是一种衡量模型输出与实际数据之间差异的方法，通过这个损失值，可以量化模型在训练过程中的表现。根据计算出的损失值，对每个业务专家模型进行梯度下降更新。梯度下降是一种优化算法，它通过调整模型参数来减少损失值，从而提高模型的性能。通过这个过程，每个模型都会逐渐优化，最终形成一组高效的第一物流决策模型。这些模型能够根据输入的物流数据作出更准确的决策。

在一具体实施例中，执行步骤分别将每个决策类型数据集输入对应的业务专家模型进行模型训练，得到每个业务专家模型的训练物流决策信息的过程可以具体包括如下步骤：

（1）分别将每个决策类型数据集输入对应的业务专家模型，并通过编码器中的第一嵌入层对每个决策类型数据集进行向量转换，得到对应的第一训练编码向量；

（2）通过编码器中的第一位置编码层对第一训练编码向量进行位置编码，得到第二训练编码向量；

（3）通过编码器中的第一多层卷积层对第二训练编码向量进行向量多层特征处理，得到训练卷积编码特征向量；

（4）将训练卷积编码特征向量输入注意力机制层进行注意力特征增强，得到训练注意力特征向量；

（5）通过解码器中的第二多层卷积层对训练注意力特征向量进行多层卷积处理，得到训练卷积特征解码向量；

（6）通过解码器中的第二位置编码层对训练卷积特征解码向量进行位置解码，得到第一训练解码向量；

（7）通过解码器中的第二嵌入层对第一训练解码向量进行向量转换，得到对应的第二训练解码向量；

（8）通过策略决策网络中的多个决策树对第二训练解码向量进行物流决策，得到每个业务专家模型的训练物流决策信息。

具体的，对于不同类型的物流决策数据集，如订单管理、货物跟踪、仓储管理等，分别将它们输入到相应的业务专家模型中。确保数据集与模型之间的匹配性，以使得每个模型都能够处理最适合其特征和功能的数据类型。通过编码器中的第一嵌入层对每个决策类型数据集进行向量转换，得到对应的第一训练编码向量。将原始数据转化为模型能够处理的向量格式。例如，将订单号、客户信息、下单时间等信息转化为一组数字向量，这些向量能够在模型中进行进一步的处理和分析。通过编码器中的第一位置编码层对第一训练编码向量进行位置编码。位置编码是添加到编码向量中的信息，用于表示数据中各个元素的顺序或位置关系，这有助于处理序列数据。得到的第二训练编码向量因此不仅包含原始数据的特征，还包含了元素间的位置关系，增强了模型对数据结构的理解。通过编码器中的第一多层卷积层对第二训练编码向量进行向量多层特征处理。多层卷积操作能够提取和强化数据的特征，使模型能够识别数据中的更复杂模式和关系。例如，对于货物跟踪数据，卷积层会帮助模型识别出特定运输路线的重要特征或常见的延误模式。通过这些层的处理，得到的训练卷积编码特征向量包含了更深层次的数据特征。将这些训练卷积编码特征向量输入到注意力机制层进行特征增强。注意力机制层的作用是让模型能够集中注意力在输入数据中最重要的部分，从而提高处理信息的效率和准确性。通过注意力机制处理后，生成的训练注意力特征向量包含了被模型认为最关键的特征。通过解码器中的第二多层卷积层对训练注意力特征向量进行多层卷积处理。进一步提炼和转化经过注意力机制增强后的特征，生成的训练卷积特征解码向量包含了为最终决策准备的高级特征。通过解码器中的第二位置编码层对训练卷积特征解码向量进行位置解码，在解码过程中保留和强调数据的顺序和位置信息。确保模型在生成最终的决策时能够考虑到数据元素之间的时序关系。生成的第一训练解码向量因此具有更为准确的时空特征表达。通过解码器中的第二嵌入层对第一训练解码向量进行向量转换，将解码过程中的向量转换为最终输出的格式。通过策略决策网络中的多个决策树对第二训练解码向量进行物流决策处理。决策树根据解码向量中的特征进行决策制定，为每种物流情境提供具体的决策方案。例如，对于仓储管理数据集，策略决策网络会生成关于最优库存水平、存储位置分配或库存补充策略的决策。本实施例中，每个业务专家模型最终生成了针对其处理的决策类型数据集的训练物流决策信息。

在一具体实施例中，执行步骤103的过程可以具体包括如下步骤：

（1）采用强化学习算法，分别对多个第一物流决策模型中的策略决策网络进行网络决策执行策略分析，得到初始网络决策执行策略；

（2）采用Q-learning函数对策略决策网络进行执行策略学习，得到目标执行策略搜索空间；

（3）基于目标执行策略搜索空间对初始网络决策执行策略进行奖励反馈数据计算，得到奖励反馈参数；

（4）基于奖励反馈参数对每个第一物流决策模型中的策略决策网络进行策略更新，生成每个第一物流决策模型中策略决策网络对应的目标网络决策执行策略；

（5）根据目标网络决策执行策略对多个第一物流决策模型进行决策策略优化，得到多个第二物流决策模型；

（6）分别计算每个第二物流决策模型的模型权重数据，并根据模型权重数据对多个第二物流决策模型进行模型集成，得到目标物流决策模型集。

具体的，采用强化学习算法，分别对多个第一物流决策模型中的策略决策网络进行网络决策执行策略分析，评估每个网络当前的决策执行能力并确定其初始网络决策执行策略。例如，对于一个专注于订单管理的决策模型，评估其在处理不同类型订单时的表现，如处理紧急订单或大批量订单的能力。采用Q-learning函数对这些策略决策网络进行执行策略学习。Q-learning是一种基于价值的强化学习方法，它能够帮助模型在一个预定义的环境中通过尝试和错误学习如何达成目标。通过这种学习方法，每个模型能够探索并确定目标执行策略的搜索空间，这个搜索空间包括了所有的策略和行动，模型需要从中学习选择最优的策略。基于目标执行策略搜索空间，对初始网络决策执行策略进行奖励反馈数据的计算。在强化学习中，奖励反馈是模型学习过程中的关键驱动因素。模型通过尝试不同的策略并根据结果获得奖励或惩罚，从而学习哪些策略最有效。奖励反馈参数是这一过程的量化表示，它们反映了不同策略的效果。例如，如果某个策略能够有效地降低库存成本同时保证库存安全，那么这个策略会获得较高的奖励反馈。根据这些奖励反馈参数，对每个第一物流决策模型中的策略决策网络进行策略更新。通过更新策略，模型学习如何根据奖励反馈调整其行为，以实现更优的决策。这种策略更新可以看作是模型对自身决策过程的自我优化，它使得模型不断进化，更好地适应复杂的物流环境。根据这些经过优化的目标网络决策执行策略，对多个第一物流决策模型进行进一步的决策策略优化。优化后，每个模型不仅能够更准确地进行物流决策，还能更有效地适应各种复杂的物流场景。例如，货物跟踪信息管理模型会学会在特定天气或交通条件下调整其货物跟踪策略，以提高运输效率和准确性。分别计算每个经过优化的第二物流决策模型的模型权重数据，并根据这些模型权重数据对多个第二物流决策模型进行模型集成，得到最终的目标物流决策模型集。模型权重数据反映了每个模型在整体物流决策系统中的相对重要性和贡献度。通过模型集成，可以综合各个模型的优点，弥补单一模型的不足。例如，集成后的模型集会结合订单管理模型的高效订单处理能力和货物跟踪模型的精确跟踪能力，从而为整个物流系统提供更全面、更准确的决策支持。

在一具体实施例中，执行步骤104的过程可以具体包括如下步骤：

（1）获取物流服务系统的实时物流数据集，并对实时物流数据集进行数据标准化处理，得到目标物流数据集；

（2）对目标物流数据集进行时间序列分析，得到时序物流数据集；

（3）通过预置的双向长短时记忆网络中的前向长短时记忆单元对时序物流数据集进行前向时序隐藏特征提取，得到多个前向时序隐藏特征，并通过双向长短时记忆网络中的后向长短时记忆单元对时序物流数据集进行后向时序隐藏特征提取，得到多个后向时序隐藏特征；

（4）对多个前向时序隐藏特征以及多个后向时序隐藏特征进行特征融合，得到多个实时物流特征。

具体的，从物流服务系统中获取实时物流数据集。实时物流数据集包括了货物的运输状态、仓库的存储情况、订单的处理进度等多种实时更新的信息。对这些实时物流数据集进行数据标准化处理。标准化处理的目的是确保数据的一致性和可比性。将不同来源和格式的数据转换成统一的格式，调整数据的尺度，或处理缺失和异常值。对目标物流数据集进行时间序列分析。时间序列分析是理解数据随时间变化趋势和模式的关键步骤。例如，分析订单处理时间的趋势可以帮助预测高峰期的订单量，分析货物运输时间的变化可以揭示某些路线的拥堵情况。通过这种分析，得到的时序物流数据集包含了物流活动随时间的动态变化信息。采用预置的双向长短时记忆网络（Bi-LSTM）对时序物流数据集进行深入分析。通过网络中的前向长短时记忆单元对时序物流数据集进行前向时序隐藏特征提取。从时间序列的历史到当前时刻的方向提取特征，这有助于模型捕捉到随时间顺序展开的物流活动特征。例如，在处理货物运输数据时，前向LSTM单元会识别出特定货物从出发地到目的地过程中的关键时间节点和的延迟风险。提取出的多个前向时序隐藏特征包含了从过去到当前的物流信息流动模式。通过双向长短时记忆网络中的后向长短时记忆单元对相同的时序物流数据集进行后向时序隐藏特征提取。后向特征提取关注的是从当前时刻向过去的信息流动，可以捕捉到如何从现状回溯到之前的物流状态的信息。这种从当前到过去的视角为理解物流活动的全貌提供了补充视角。例如，对于仓储数据，后向LSTM单元会识别出库存量的变化趋势和与特定事件的关联。提取出的多个后向时序隐藏特征因此包含了从当前到过去的物流信息流动模式。对提取出的前向时序隐藏特征和后向时序隐藏特征进行特征融合。将从不同方向提取出的特征结合起来，形成一个更全面、更具代表性的特征集。整合了从时间序列的不同方向捕获的信息，提供了对物流活动更加全面和深入的理解。

在一具体实施例中，上述基于MoE模型融合技术的智能物流服务管理方法还包括如下步骤：

（1）将多个实时物流决策信息传输至预置的用户界面进行可视化展示，并对用户解码进行交互数据分析，得到物流服务系统的用户反馈数据和系统响应数据；

（2）对用户反馈数据进行用户满意度计算，得到用户满意度评分数据；

（3）对系统响应数据进行使用频率分析，得到使用频率数据，并根据使用频率数据计算物流服务系统的系统错误率数据；

（4）根据用户满意度评分数据和系统错误率数据创建对应的模型迭代优化目标；

（5）根据模型迭代优化目标对目标物流决策模型集进行迭代优化，得到优化后的物流决策模型集。

具体的，将生成的实时物流决策信息传输至预置的用户界面。这些决策信息包括关于订单处理的建议、货物运输的最优路线、仓库管理的策略等。将它们转换成可视化的格式展示，这涉及到生成图表、地图、流程图等，以直观地展示复杂的数据和推荐的决策。例如，一个动态地图可以用来展示货物的实时运输状态和推荐的路线，而条形图或饼图可以用来展示不同类型订单的处理状态或仓库的库存分布。对用户在界面上的交互行为进行数据分析，以获得用户反馈数据和系统响应数据。这包括分析用户如何与界面互动，例如点击率、页面停留时间、用户反馈意见等。用户反馈数据提供了关于用户对系统界面和提供的决策信息的满意度的直接信息，而系统响应数据则反映了系统在实际操作中的表现，例如加载时间、错误率等。对用户反馈数据进行分析，以计算用户满意度评分。对用户反馈意见进行情感分析，或对用户交互行为的正面和负面反应进行量化。例如，通过分析用户对某一推荐路线的正面评论可以增加该决策的满意度评分，而对于用户报告的问题则减少评分。同时，对系统响应数据进行使用频率分析。分析用户使用系统的频率和方式，例如哪些功能被频繁使用，哪些功能很少被访问。通过这些信息，可以计算系统的使用频率数据。根据使用频率数据进一步分析系统的错误率。例如，如果某个功能的错误报告率高于平均水平，表明这个功能存在问题。通过这种分析，可以得到系统错误率的数据。根据用户满意度评分数据和系统错误率数据创建对应的模型迭代优化目标。这些目标是未来模型优化工作的依据，它们确保了优化的方向与用户需求和系统性能紧密相关。根据这些优化目标对目标物流决策模型集进行迭代优化。使用新的数据集进行训练，调整模型参数，或采用新的算法进行改进。例如，如果用户对某个决策模型的满意度较低，需要重新训练该模型，以便更好地满足用户的需求。或者，如果某个模型的错误率较高，需要调整其算法或参数，以减少错误。

上面对本申请实施例中基于MoE模型融合技术的智能物流服务管理方法进行了描述，下面对本申请实施例中基于MoE模型融合技术的智能物流服务管理系统进行描述，请参阅图2，本申请实施例中基于MoE模型融合技术的智能物流服务管理系统一个实施例包括：

查询模块201，用于对物流服务系统进行历史物流数据查询，得到历史物流数据集，并根据多个物流决策类型对所述历史物流数据集进行数据集分类，得到多个决策类型数据集；

训练模块202，用于通过所述多个决策类型数据集分别对预置的多个业务专家模型进行模型训练，得到多个第一物流决策模型；

集成模块203，用于采用强化学习算法，分别对所述多个第一物流决策模型进行决策策略优化，得到多个第二物流决策模型，并对所述多个第二物流决策模型进行模型集成，得到目标物流决策模型集；

提取模块204，用于获取所述物流服务系统的实时物流数据集，并对所述实时物流数据集进行特征提取，得到多个实时物流特征；

分析模块205，用于将所述多个实时物流特征输入所述目标物流决策模型集进行物流决策分析，得到多个实时物流决策信息。

通过上述各个组成部分的协同合作，将历史物流数据按不同的决策类型分类，使得数据更有组织性，可以更有效地用于决策模型的训练和优化。使用强化学习算法对第一物流决策模型进行优化，可以使模型更好地适应不同的决策情境，提高了决策模型的准确性和可靠性。通过实时物流数据的特征提取和目标物流决策模型的使用，系统可以实时响应和优化物流决策，提高了决策的实时性和适应性。使用用户反馈数据和系统响应数据来迭代优化决策模型，可以更好地满足用户需求，提高用户满意度。使用使用频率分析和系统错误率数据来进行系统性能分析和改进，可以减少系统错误，提高系统的可靠性和效率。将多个第二物流决策模型集成成目标物流决策模型集，可以获得更全面和综合的决策支持，提高了决策的全局性能。基于MoE技术的编码、解码、注意力机制和策略决策网络，使得决策模型在处理物流数据时更加高效和灵活，提高了数据的表达能力和决策的精确性，通过将多个专家模型融合，实现对物流服务管理中多样化和动态性因素的全面处理和优化，提高物流服务的智能化、适应性和效率，进而提高了物流服务管理的准确率。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，系统和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (8)

1.一种基于MoE模型融合技术的智能物流服务管理方法，其特征在于，所述基于MoE模型融合技术的智能物流服务管理方法包括：

对物流服务系统进行历史物流数据查询，得到历史物流数据集，并根据多个物流决策类型对所述历史物流数据集进行数据集分类，得到多个决策类型数据集；

通过所述多个决策类型数据集分别对预置的多个业务专家模型进行模型训练，得到多个第一物流决策模型；

采用强化学习算法，分别对所述多个第一物流决策模型进行决策策略优化，得到多个第二物流决策模型，并对所述多个第二物流决策模型进行模型集成，得到目标物流决策模型集；

获取所述物流服务系统的实时物流数据集，并对所述实时物流数据集进行特征提取，得到多个实时物流特征；

将所述多个实时物流特征输入所述目标物流决策模型集进行物流决策分析，得到多个实时物流决策信息。

2.根据权利要求1所述的基于MoE模型融合技术的智能物流服务管理方法，其特征在于，所述对物流服务系统进行历史物流数据查询，得到历史物流数据集，并根据多个物流决策类型对所述历史物流数据集进行数据集分类，得到多个决策类型数据集，包括：

对物流服务系统进行历史物流数据查询，得到历史物流数据集，并对所述历史物流数据集进行数据离散化处理，得到离散化物流数据集；

定义多个物流决策类型，所述多个物流决策类型包括：订单信息管理决策类型、货物跟踪信息管理决策类型及仓储信息管理决策类型；

获取所述订单信息管理决策类型对应的订单关联数据标签，并获取所述货物跟踪信息管理决策类型对应的货物关联数据标签，以及获取所述仓储信息管理决策类型对应的仓储关联数据标签；

根据所述订单关联数据标签确定对应的订单聚类中心，并根据所述货物关联数据标签确定对应的货物聚类中心，以及根据所述仓储关联数据标签确定对应的仓储聚类中心；

根据所述订单聚类中心、所述货物聚类中心以及所述仓储聚类中心对所述离散化物流数据集进行数据集聚类分析，得到多个决策类型数据集，所述多个决策类型数据集包括：订单关联数据集、货物关联数据集以及仓储关联数据集。

3.根据权利要求2所述的基于MoE模型融合技术的智能物流服务管理方法，其特征在于，所述通过所述多个决策类型数据集分别对预置的多个业务专家模型进行模型训练，得到多个第一物流决策模型，包括：

获取预置的多个业务专家模型，其中，每个业务专家模型包括：编码器、注意力机制层、解码器以及策略决策网络；

分别对所述多个决策类型数据集与所述多个业务专家模型进行对应关系匹配，得到每个决策类型数据集对应的业务专家模型；

分别将每个决策类型数据集输入对应的业务专家模型进行模型训练，得到每个业务专家模型的训练物流决策信息；

通过预置的交叉熵函数，对所述训练物流决策信息进行损失计算，得到每个业务专家模型的损失值；

根据所述损失值，分别对每个业务专家模型进行梯度下降更新，得到多个第一物流决策模型。

4.根据权利要求3所述的基于MoE模型融合技术的智能物流服务管理方法，其特征在于，所述分别将每个决策类型数据集输入对应的业务专家模型进行模型训练，得到每个业务专家模型的训练物流决策信息，包括：

分别将每个决策类型数据集输入对应的业务专家模型，并通过所述编码器中的第一嵌入层对每个决策类型数据集进行向量转换，得到对应的第一训练编码向量；

通过所述编码器中的第一位置编码层对所述第一训练编码向量进行位置编码，得到第二训练编码向量；

通过所述编码器中的第一多层卷积层对所述第二训练编码向量进行向量多层特征处理，得到训练卷积编码特征向量；

将所述训练卷积编码特征向量输入所述注意力机制层进行注意力特征增强，得到训练注意力特征向量；

通过所述解码器中的第二多层卷积层对所述训练注意力特征向量进行多层卷积处理，得到训练卷积特征解码向量；

通过所述解码器中的第二位置编码层对所述训练卷积特征解码向量进行位置解码，得到第一训练解码向量；

通过所述解码器中的第二嵌入层对所述第一训练解码向量进行向量转换，得到对应的第二训练解码向量；

通过所述策略决策网络中的多个决策树对所述第二训练解码向量进行物流决策，得到每个业务专家模型的训练物流决策信息。

5.根据权利要求4所述的基于MoE模型融合技术的智能物流服务管理方法，其特征在于，所述采用强化学习算法，分别对所述多个第一物流决策模型进行决策策略优化，得到多个第二物流决策模型，并对所述多个第二物流决策模型进行模型集成，得到目标物流决策模型集，包括：

采用强化学习算法，分别对所述多个第一物流决策模型中的策略决策网络进行网络决策执行策略分析，得到初始网络决策执行策略；

采用Q-learning函数对所述策略决策网络进行执行策略学习，得到目标执行策略搜索空间；

基于所述目标执行策略搜索空间对所述初始网络决策执行策略进行奖励反馈数据计算，得到奖励反馈参数；

基于所述奖励反馈参数对每个第一物流决策模型中的策略决策网络进行策略更新，生成每个第一物流决策模型中策略决策网络对应的目标网络决策执行策略；

根据所述目标网络决策执行策略对所述多个第一物流决策模型进行决策策略优化，得到多个第二物流决策模型；

分别计算每个第二物流决策模型的模型权重数据，并根据所述模型权重数据对所述多个第二物流决策模型进行模型集成，得到目标物流决策模型集。

6.根据权利要求1所述的基于MoE模型融合技术的智能物流服务管理方法，其特征在于，所述获取所述物流服务系统的实时物流数据集，并对所述实时物流数据集进行特征提取，得到多个实时物流特征，包括：

获取所述物流服务系统的实时物流数据集，并对所述实时物流数据集进行数据标准化处理，得到目标物流数据集；

对所述目标物流数据集进行时间序列分析，得到时序物流数据集；

通过预置的双向长短时记忆网络中的前向长短时记忆单元对所述时序物流数据集进行前向时序隐藏特征提取，得到多个前向时序隐藏特征，并通过所述双向长短时记忆网络中的后向长短时记忆单元对所述时序物流数据集进行后向时序隐藏特征提取，得到多个后向时序隐藏特征；

对所述多个前向时序隐藏特征以及所述多个后向时序隐藏特征进行特征融合，得到多个实时物流特征。

7.根据权利要求1所述的基于MoE模型融合技术的智能物流服务管理方法，其特征在于，所述基于MoE模型融合技术的智能物流服务管理方法还包括：

将所述多个实时物流决策信息传输至预置的用户界面进行可视化展示，并对所述用户解码进行交互数据分析，得到所述物流服务系统的用户反馈数据和系统响应数据；

对所述用户反馈数据进行用户满意度计算，得到用户满意度评分数据；

对所述系统响应数据进行使用频率分析，得到使用频率数据，并根据所述使用频率数据计算所述物流服务系统的系统错误率数据；

根据所述用户满意度评分数据和所述系统错误率数据创建对应的模型迭代优化目标；

根据所述模型迭代优化目标对所述目标物流决策模型集进行迭代优化，得到优化后的物流决策模型集。

8.一种基于MoE模型融合技术的智能物流服务管理系统，其特征在于，所述基于MoE模型融合技术的智能物流服务管理系统包括：

查询模块，用于对物流服务系统进行历史物流数据查询，得到历史物流数据集，并根据多个物流决策类型对所述历史物流数据集进行数据集分类，得到多个决策类型数据集；

训练模块，用于通过所述多个决策类型数据集分别对预置的多个业务专家模型进行模型训练，得到多个第一物流决策模型；

集成模块，用于采用强化学习算法，分别对所述多个第一物流决策模型进行决策策略优化，得到多个第二物流决策模型，并对所述多个第二物流决策模型进行模型集成，得到目标物流决策模型集；

提取模块，用于获取所述物流服务系统的实时物流数据集，并对所述实时物流数据集进行特征提取，得到多个实时物流特征；

分析模块，用于将所述多个实时物流特征输入所述目标物流决策模型集进行物流决策分析，得到多个实时物流决策信息。