[发明专利]基于注意力加权的冷链物流需求估计方法

权利要求书

1.基于注意力加权的冷链物流需求估计方法，具体步骤如下，其特征在于：

步骤1：收集被测区域的GDP、人口总数、人均可支配收入、蔬菜销量、水果销量数据和对应的冷链物流需求数据，把不同数据当作冷链物流需求预测的特征，组成特征数据矩阵；

步骤1中的特征数据矩阵表示为：

D＝{G_i,T_i,P_i,V_i,F_i}                  (1)

其中，G_i代表i时刻的GDP值，T_i代表i时刻的人口总数，P_i代表i时刻的人均可支配收入，V_i代表i时刻蔬菜销量，F_i代表i时刻水果销量；

步骤2：计算特征数据矩阵中各特征的注意力权重，结合注意力权重对特征重新标定，形成新的特征数据矩阵；

步骤2中使用注意力加权对特征重新标定的过程表示为：

步骤2.1空间注意力机制模块把特征数据矩阵D通过1×1的卷积层进行降维：

c＝conv₁D                      (2)

步骤2.2通过tanh激活函数得到W×H的特征映射M：

M＝tanh(c)                      (3)

其中，W和H分别是特征矩阵集合的行和列；

步骤2.3通过卷积层和Sigmoid激活函数对M进行归一化操作生成0～1的注意力权重:

σ＝sigmoid(conv₂M)                   (4)

其中，conv₁和conv₂表示卷积操作；

步骤2.4获得特征加权的特征输出D'

D'＝σ×D                       (5)；

步骤3：将特征数据和对应的冷链物流需求量组成混合矩阵R_m*n，将混合矩阵分解成低维矩阵X_u和Y_i；

步骤3中将混合矩阵分解为低维矩阵的过程表示为：

步骤3.1将重新标定的特征和对应标签组成混合矩阵R_m*n：

R_m*n＝{D',L_i}                       (6)

L_i为第i时刻的冷链物流需求量，将待测时间对应的冷链物流需求量统一置为空，来保持矩阵大小的统一性，m和n分别为混合矩阵的行和列；

步骤3.2将混合矩阵设置为两个低维矩阵的乘积：

X_m*k和是R_m*n分解出的低维矩阵，k是低维矩阵的维数，为了等两边尽可能相等，构造交替最小二乘法的平方误差损失函数：

其中λ为参数，R_ui、X_u和Y_i分别是R_m*n、X_m*k和Y_n*k的不同表示，λ(|X_u|²+|Y_i|²)是防止过拟合引入的误差变量；

步骤3.3先取随机值固定X_u；

步骤3.4对L(X,Y)求解Y_i的偏导，并令偏导为0，可求解Y_i：

Y_i＝(X^TX+λI)^-1X^TR_i                  (9)

步骤3.5将步骤2.4求解的Y_i固定，同理求出X_u：

X_u＝(Y^TY+λI)^-1Y^TR_u                 (10)

步骤3.6不断重复步骤3.4和步骤3.5，直到L(X,Y)达到目标值或达到最大迭代次数，得到低维矩阵X_u和Y_i；

步骤4：将低维矩阵X_u和Y_i相乘得到新的混合矩阵R'_m*n，继而得到待测的冷链物流需求量；

步骤4中构造新的混合矩阵R'_m*n表示为：

R'_m*n＝X_u×Y_i                     (11)

新的混合矩阵R'_m*n将原先置空的冷链物流需求量也表达出来，这些值对应了待求的冷链物流需求量。