[发明专利]一种基于深度学习的快递员揽件顺序预测方法

权利要求书

1.一种基于深度学习的快递员揽件顺序预测方法，其特征在于，所述揽件顺序预测方法包括：

步骤S1，采集历史揽件数据，提取待揽收包裹的特征和快递员个人揽件特征作为原始数据集；

步骤S2，将所述数据集划分为训练集、验证集和测试集；

步骤S3，基于深度学习算法构建快递员揽件顺序预测模型；

步骤S4，使用所述训练集和验证集对所述快递员揽件顺序预测模型进行训练，并使用测试集对训练完成的模型进行测试；测试达标时，进入步骤S5；否则，返回步骤S4；

步骤S5，通过所述训练完成的快递员揽件顺序预测模型，输入当前快递员信息，对该快递员的待揽收包裹的揽件顺序进行预测，输出所预测的当前待预测快递员在预定时间段内的揽件顺序。

2.根据权利要求1所述的快递员揽件顺序预测方法，其特征在于，所述步骤S3，当基于深度学习算法构建快递员揽件顺序预测模型时，根据未揽收包裹的时空约束和快递员的决策偏好进行构建。

3.根据权利要求2所述的快递员揽件顺序预测方法，其特征在于，所构建的快递员揽件顺序预测模型，包括：偏好感知表示层，Transformer编码层和注意力循环解码层；其中，

所述偏好感知表示层提取待揽收包裹特征并将其与快递员决策偏好结合形成待揽收包裹嵌入；所述Transformer编码层捕获待揽收包裹之间的时空相关性，得到新的待揽收包裹嵌入；所述注意力循环解码层基于Transformer编码层得到的新的待揽收包裹嵌入，从待揽收包裹中循环选择进行输出，得到揽件顺序预测序列。

4.根据权利要求3所述的快递员揽件顺序预测方法，其特征在于，所述偏好感知表示层由包裹嵌入模块和偏好感知模块组成；其中，包裹嵌入模块首先由一个前馈神经网络将待揽收包裹原始特征转化为特征矩阵，并将所述地区特征与包裹特征矩阵连接形成中间嵌入矩阵；所述偏好感知模块捕获相邻最近已揽收包裹之间的时空关系，并使用最后一个包裹的隐藏状态向量来推断快递员在选择下一个包裹时的决策偏好向量，再根据中间嵌入矩阵和决策偏好向量得到对所有待揽收包裹的偏好感知表示矩阵。

5.根据权利要求3所述的快递员揽件顺序预测方法，其特征在于，构建所述快递员揽件顺序预测模型的偏好感知表示层时，具体包括：

步骤S311，由一个前馈神经网络将待揽收包裹原始特征转化为特征矩阵X，并将所述地区特征与包裹特征矩阵X连接形成中间嵌入矩阵E′；

步骤S312，构建快递员的偏好向量P为：

p＝σ(W_p[x_u，h_ut]+b_p) (1)，

式(1)中，x_u代表快递员u的个人特征；σ代表Sigmoid激活函数σ(x)＝1/(1+e^-x)，b_p代表可学习的偏置向量；h_ut＝[h_bt，h_ft]代表编码的最近揽收包裹序列信息，h_ft和h_bt是对于某快递员u在任意时刻t以最近揽收包裹序列作为输入时基于BiLSTM前向和后向的隐藏状态向量；

步骤S313，对中间嵌入矩阵E′与偏好向量p做哈达马积，得到对所有待揽收包裹的偏好感知表示矩阵E。

6.根据权利要求4或5所述的快递员揽件顺序预测方法，其特征在于，所述Transformer编码层由n层Transformer编码器堆叠而成，每一层编码器利用多头自注意力机制完成任意两个待揽收包裹的信息传递；将经过多头自注意力机制之后的输出再经过前馈神经网络来增强模型非线性转换能力，对于每一次自注意力机制操作和前馈神经网络操作都添加残差连接和批量归一化；经过n层的状态更新后，得到待揽收包裹的嵌入，并计算平均值；将所述待揽收包裹的平均嵌入作为注意力循环解码层的初始输入。