[发明专利]基于深度学习的区域物流单量预测系统及方法

说明书

本发明公开了基于深度学习的区域物流单量预测系统及方法，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；区域节点嵌入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，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，作为预测模型的特征输入；物流预测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。本方法综合考虑区域本身静态特征和相似区域的静态特征上下文信息，对区域级别物流量进行更为显著的长期且精准的预测。

技术领域

本发明属于计算机计算技术领域，主要涉及了一种基于深度学习的区域物 流单量预测系统及方法。

背景技术

由于电子商务的蓬勃发展，订单投递量激增，对物流服务的承载量、质量、 时效性提了更高的要求。目前包裹投递最常用的方法是通过配送员从配送网点 接单后上门交付给消费者。但快递包裹的交付过程中往往存在各种问题，例如： 由于无法精准预测下一周的营业部区域配送包裹数，进而无法对配送人员做出 合理安排调度，使得配送效率下降，相关企业也会损失经济利益。相关研究表 明，当某个区域的物流量短时间内激增后，往往会导致该区域的包裹运送时间 大大延长，这使得特殊时期的物流服务往往会让消费者等待时间过长、无法按 时完成配送任务。

当下的电商物流预测的现有解决方案侧重于宏观平台预测，倾向于利用单 源数据(例如，历史销售数据和日期类型)来模拟与时间相关的物流变化模型 并预测物流量。这一类方法并没有考虑到区域本身的特征，例如区域人口、性 别比例、购买力等静态特征。静态特征是指一些能够显著影响区域物流单量且 长时间内不随时间变化而变化的特征。另一方面，对于区域需求预测场景下的 问题，一些解决方案将区域本身的特征纳入预测，但是这一类研究往往将每个 区域视作独立的个体，没有显式建模这类特征带来的区域之间的相似性，进而 在研究中遗漏了区域关联性的信息。考虑到当今的区域细分物流场景下越来越 多的线上和线下区域关联性，上述这两类研究显然不适合于进行多区域的物流 需求预测。

因此，末端物流的智慧化、便捷化、规范化是我国物流行业发展迫在眉睫 的需求，鉴于更精准预测长时间物流变化而更好调度物流资源而带来的经济效 益，通过计算机技术对物流单量的预测是十分有必要的。

发明内容

本发明正是针对当下电商平台细分区域的物流配送场景，如何充分利用各 个区域之间的内部特征、相似关联关系和时序特征，更加精确地预测区域物流 需求单量的长期变化情况的问题，提供一种基于深度学习的区域物流单量预测 系统及方法，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；区域节点嵌入模块用 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，作为预测模型的特征输入；物流预测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。本方法综合考虑区域本身静 态特征和相似区域的静态特征上下文信息，一方面，考虑区域内与区域间特征 提取与处理。在长期物流预测的过程中，区域本身特征会对物流量变化情况产 生较大影响，针对这一类基本不随时间变化而变化的特征，充分考虑如何从中 抽象提取出有利于物流预测的信息，并在此基础上通过这些特征描述区域之间 的相似关联性进而进一步优化预测精准；另一方面，考虑对物流进行的长期变 化预测，部分区域的物流单量会呈现以一周为长度的单量周期性变化，捕捉到 这种周期性变化也并以之为依据对物流进行长期变化预测是物流规划的难题之一，本发明对该方面也提出了有效的解决模型，对区域级别物流量进行更为显 著的长期且精准的预测。

为了实现上述目的，本发明采取的技术方案是：基于深度学习的区域物流 单量预测系统，包括特征建模模块、嵌入模块和物流预测模块：