[发明专利]一种基于多源数据的即时配送路径预测方法

权利要求书

1.一种基于多源数据的即时配送路径预测方法，其特征在于，包括预测系统，其中预测系统包括个多源特征提取模块，实现特征层面的数据融合；以及一个基于深度神经网络的路径预测模块，基于多源特征预测骑手路径，完成模型层面的特征融合；

所述方法包括以下步骤：

S1.从即时配送平台提取骑手打点上报数据、骑手相遇数据、骑手GPS数据；

S2.考虑多源数据的独立性与关联性，对多源数据进行多源特征提取与融合；

S3.使用特征转换层提炼多源特征的高维特征表达，基于深度神经网络预测即时配送路径。

2.根据权利要求1所述的基于多源数据的即时配送路径预测方法，其特征在于，S1.从即时配送平台提取骑手打点上报数据、骑手相遇数据、骑手GPS数据，具体如下：平台要求骑手在接受订单、到达商家、领取订单、交付订单时主动在手机应用程序上报告订单进度，平台通过骑手的打点上报数据获得订单、骑手的实时状态；平台使用Beacon技术收集骑手相遇信息，其原理如下：通过手机应用程序，使骑手手机在其工作时间内通过BLE 5.0即蓝牙5.0协议持续广播一个ID tupes并进行持续扫描以感知蓝牙信号，再通过网络连接实时将扫描接收到的ID tupes上传到后端服务器，服务器接收到骑手ID和骑手接收到的ID tupes后，提取得到骑手相遇数据；平台通过骑手手机GPS定位获取骑手GPS数据。

3.根据权利要求2所述的基于多源数据的即时配送路径预测方法，其特征在于，步骤S2的多源特征提取与融合工作，从多源数据中提取了目标骑手目的地与目标骑手的相遇骑手的目的地的多源组合特征，实现了特征层面的数据融合，具体工作如下：

从多源数据中提取的三类特征分别是：相遇特征、GPS特征和激励特征，针对目标骑手的每个目的地，提取三类特征；针对目标骑手配送途中最近一次遇到的相遇骑手的每个目的地，提取两类特征即激励特征和相遇特征，然后取这两个骑手即目标骑手和相遇骑手的目的地特征的笛卡尔乘积得到组合特征，即A×B＝{(a，b)|a∈A∧b∈B}，每个组合特征代表目标骑手目的地和相遇骑手目的地的一种组合；具体如下，当目标骑手有N个目的地，而他在配送途中遇到的骑手有M个目的地时，模型首先从骑手打点上报数据、相遇数据以及GPS数据中提取出目标骑手N个目的地特征，以及相遇骑手M个目的地特征，然后得到M×N个组合特征。

4.根据权利要求3所述的基于多源数据的即时配送路径预测方法，其特征在于，三类特征具体定义如下：

A.相遇特征，相遇发生在从某个出发点前往目的地的路程中，通过将骑手相遇数据与骑手打点上报数据相关联，提取得到相遇事件发生时骑手的出发点位置等相遇特征；假设目标骑手c_p和相遇骑手c_e的下一个目的地分别为d_i和d_j，如果根据目标骑手c_p和相遇骑手c_e的相遇特征x^E＝{L_o，L_d，t_e}发现他们不可能相遇，则推断下一目的地为d_i和d_j的假设是错误的，

B.GPS特征，设下一个目的地为d_i，则t时刻的骑手GPS特征包括从GPS数据中提取的骑手当前所在位置的地理位置L_g，以及从打点上报数据中提取的L_o，L_d，利用GPS特征x^G＝{L_g，L_o，L_d}，判断骑手当前的轨迹方向是否与到达目的地的方向d_i一致，从而验证目的地d_i是否为下一个目的地；

C.激励特征，对于骑手c，在t时刻，他有一组目的地集合D_c，t，从打点上报数据中提取这些目的地的激励特征激励特征主要由时间、空间、场景三类特征构成。

5.根据权利要求3所述的基于多源数据的即时配送路径预测方法，其特征在于，步骤S3设计的ST(Specialized Transition)深度神经网络完成了模型层面的特征融合，实现了目标骑手的下一个目的地预测，具体工作如下：

路径预测模块的关键部分是基于深度神经网络的ST网络，ST网络预测了每个骑手目的地组合的可能性，ST网络对激励特征x^I、相遇特征x^E和GPS特征x^G三类特征进行了不同的特征转换，每个特征转换由三层组成：输入层、隐藏层和输出层，经过特征转换得到的新特征向量最后通过全连接层连接在一起，利用sigmoid激活函数输出得分；

经过特征转换得到的新特征向量k由k＝K(x|W_h，W_o，b_h，b_o)表示，其中K(·)为由W_h，W_o，b_h，b_o

参数化的特征转换函数，K(·)分解为

h＝ReLU(W_hx+b_h)，

k＝ReLU(W_oh+b_o)；

其中，x为输入特征向量，h为隐含层的输出，W_h，b_h为隐含层的权值和偏差，W_o，b_o为输出层的权值和偏差，隐含层和输出层使用的激活函数为ReLU，不同特征转换函数的参数是相互独立的；

对于目标骑手的目的地d_i，通过GPS特征转换得到新的GPS矢量k^G，

与骑手的GPS特征相比，它与d_i被选为下一个目的地的可能性有更强的相关性，基于目的地激励特征新的激励向量分别表示目的地d_i，d_j被骑手c_p，c_e选择的可能性；

ST网络的特点之一是共享目标骑手c_p和相遇骑手c_e的激励特征转换层参数；

因为需要共同分析目标骑手和相遇骑手的相遇特征得到骑手相遇可能性，所以需将两个骑手c_p，c_e的相遇特征拼接，然后输入到相遇特征转换层来获得新的相遇向量k^E

新向量k^E与相遇概率密切相关，相遇概率又与下一个目的地的正确性密切相关，

最后，ST网络联合分析这些新的向量，并输出目标骑手目的地d_i的最终预测得分p，

其中W_f，b_f是全连接层的权值和偏差，

ST网络的预测任务是判断目的地组合是否正确，设y为样本标签，值为0或1，使用交叉熵损失函数对网络进行训练，即损失函数为

Loss＝-[yln(p)+(l-y)ln(1-p)]，

对于每个组合特征，通过ST网络得到预测得分，对得分进行排序，得分最高的组合特征所代表的目标骑手的目的地即为预测结果(即目标骑手的下一个目的地)；

p＝M_ST(x^cb)，

整个路径预测过程可以用以上方程表示，表示预测得到的目标骑手下一个目的地，M_ST(·)表示ST网络函数，F_toL(·)表示组合特征与目标骑手目的地d的映射函数。