[发明专利]基于深度学习的区域物流单量预测系统及方法

权利要求书

1.基于深度学习的区域物流单量预测系统，其特征在于，包括特征建模模块、嵌入模块和物流预测模块：

特征建模模块：所述模块用于提取和构建不同物流区区域内、区域间的特征并进行特征建模，将每一个区域视为一个节点，通过各个区域之间的相似程度构建图；

所述构建图的过程具体为：针对每一种特征使用Top-K算法筛选出与每个区域节点最相似的K个节点，并将这些节点用边相连接，遍历每一个区域节点并添加边后，完成了图的构建；

区域节点嵌入模块：所述模块用于对每一种区域内、区域间特征进行各区域节点类别的划分，最后通过图卷积神经网络为每一个区域节点进行特征嵌入，训练完成后每一个特征图均可生成E×N的矩阵，作为物流预测模块模型的特征输入；所述卷积神经网络的公式如下：

其中，A～＝I+A，A是图的邻接矩阵,I为单位矩阵，D～代表A～的度矩阵，σ为激活函数，而H^l则为第l层网络的特征向量，W^l为参数；

物流预测模块：所述模块根据区域节点嵌入模块得到的特征向量和时序特征进行长期物流预测；所述模块至少包含一组编码、解码器和特征选择子模块，特征选择子模块通过训练得到每个特征的重要程度并进行软性的特征选择，随后将处理过的特征输入编码器、解码器，编解码器根据特征和过去物流量信息给出未来长期的物流单量预测。

2.如权利要求1所述的基于深度学习的区域物流单量预测系统，其特征在于：所述特征建模模块中，提取的特征至少包括区域人口、性别比例、购买力、区域类型、年龄结构和区域级别，并依次生成特征对应的图。

3.如权利要求2所述的基于深度学习的区域物流单量预测系统，其特征在于：所述区域人口、性别比例和购买力特征下的区域之间相似程度计算方法为：

其中，c_i和c_j分别代表两个区域的特征数值，c_max和c_min分别代表所有区域中的该特征下的最大值和最小值；

所述区域级别特征下的区域之间相似程度计算方法为：

其中，d_i,d_j分别代表两个区域之间的离散特征数值；

所述年龄结构特征下的区域之间相似度计算方法为：将两个区域之间的年龄结构视作两个集合，通过计算二者之间的交并比来定义；

所述区域类型特征下的区域之间相似度计算方法为：通过一个9维向量来描述每个区域的各路区类型组成情况，计算两个区域之间的余弦相似度来定义。

4.如权利要求3所述的基于深度学习的区域物流单量预测系统，其特征在于：所述区域节点嵌入模块中，在输入图卷积网络进行特征嵌入之前，利用监督学习训练模型对特征图优化，进行各区域节点类别的划分；对于区域人口、性别比例、购买力和年龄结构四种特征，通过取平均值的方式即可进行区域节点类别的划分。

5.使用如权利要求1所述系统的基于深度学习的区域物流单量预测方法，其特征在于，包括如下步骤：

S1，提取和构建不同物流区区域内、区域间的特征并进行特征建模，将每一个区域视为一个节点，通过各个区域之间的相似程度构建图；所述提取的特征至少包括区域人口、性别比例、购买力、区域类型、年龄结构和区域级别，并依次生成特征对应的图；

S2，在完成了特征图的构建之后，通过图卷积神经网络对每一个特征图内的区域节点进行节点嵌入，即得到每个区域对应特征的特征向量；

S3，将区域内、区域间嵌入特征向量和未来时序特征向量输入物流预测模块的模型中，给出一个区域内过去时间的物流变化数据，即可得到预测得到的未来物流量数据。