技术新讯 > 计算推算,计数设备的制造及其应用技术 > 基于分层图的仓配一体化物流应急供应预测系统及方法  >  正文

基于分层图的仓配一体化物流应急供应预测系统及方法

  • 国知局
  • 2024-11-06 14:56:06

本发明属于计算机智能计算与运用的,尤其涉及一种面向应急供应能力预测的分层时空图学习技术,具体涉及一种基于分层图的仓配一体化物流应急供应预测系统及方法。

背景技术:

1、仓储与配送一体化物流网络(integrated warehouse and distributionlogistics networks,简称iwdln)是指将仓储与配送两个环节融为一体,通过整合仓储和配送资源,实现物流节点的高效运转,优化物流成本。仓配一体化网络一般包括三类节点:仓库、分拣中心和配送站,工作流程为:

2、1)平台将用户的订单分配到各地仓库;

3、2)仓库将货物打包发车到下一级物流节点,一般为仓库或分拣中心;

4、3)仓库的货物到达分拣中心后会进行进一步的细化分拣;

5、4)由分拣中心发出的货物将送达到用户附近的配送站;

6、5)最终由配送站的快递员将包裹送达到用户手中。

7、以上完成了一次订单交付的流程。然而,面对诸如暴雨、台风、公共卫生紧急情况和安全事件等未预见事件引起的中断,iwdsn可能会面临困难。这些紧急情况引发的脆弱性使得在实际场景中预测物流供应能力成为一项具有挑战性的任务。

8、由于iwdsn中整个国家甚至整个世界范围内的路线规模庞大且周期长,紧急事件对路线上每个节点的影响将有显著差异。因此,尽管学术界和工业界的研究人员已经取得了一定进展,但在面对复杂的实际情况时,物流供应能力的预测仍然具有挑战性。因此,为了解决紧急供应预测问题,有必要同时预测仓库和配送站的供应能力。

9、现有的紧急事件下仓配供应能力研究主要集中在临时紧急物流网络的设计和优化、库存的最优分配和调度、以及紧急物流能力评估。这些研究主要采用数学模型和优化算法来分析紧急物流场景中的资源规划和网络设计。这些工作将紧急物流网络视为应对灾害的临时解决方案。此外,由于应急物流场景的固有复杂性和不确定性,这些技术往往难以处理大规模全局数据,难以揭示异构数据内部的潜在相关性,从而忽视了在应急网络中节点的有效表示和它们未来状态的预测。

10、此外,尽管图神经网络已经在时空预测任务中取得了进展,它们也广泛用于事故预测、交通需求预测和移动性预测,但它们通常关注时空数据的自回归演变,而未考虑紧急事件在不同时间和空间条件下对人类活动的不同影响。

技术实现思路

1、本发明正是针对现有技术中缺乏考虑仓配一体化物流供应场景中突发事件影响的问题,提供一种基于分层图的仓配一体化物流应急供应预测系统及方法,至少包括微观图学习模块、宏观图学习模块和时空联合预测模块,所述微观图模块引入元路径以聚合大规模仓配网络路由特征,并采用多视图学习,分别从路由视图和事件视图来获取仓配站点的空间特征;宏观图学习模块使用了一种轻量级图卷积方法,以刻画应急场景中以城市为单位的仓库集群和配送站之间的关系,学习仓配节点在宏观维度上的空间关联特征;时空联合预测模块捕捉供应数据的时序相关性,并与空间特征融合,以准确预测未来物流站点的供应能力。本方法通过分析应急物流网络中仓库和配送站的时空关联特征,以实现提高预测准确率、提升应急场景中仓配两端供应能力的总体目标。

2、为了实现上述目的,本发明采取的技术方案是:基于分层图的仓配一体化物流应急供应预测系统,至少包括微观图学习模块、宏观图学习模块和时空联合预测模块,

3、所述微观图学习模块:采用元路径进行微观层面的路由聚合操作,并采用多视图学习的方法对事件信息进行增强,分别从路由视图和事件视图获取仓配站点的空间特征;

4、所述宏观图学习模块:根据宏观物流图信息,基于lightgcn的轻量级图卷积方法,捕捉仓库集群和配送站之间的关系,学习仓库在宏观维度上和配送站之间的空间关联特征;所述仓库集群以城市为单位;

5、所述时空联合预测模块:对齐微观图学习模块和宏观图学习模块输出的空间特征,捕捉供应数据在时间维度上的的相关性,与已学习到的多层空间特征融合,实现对未来物流站点供应能力的预测。

6、作为本发明的一种改进,所述微观图学习模块包括路由聚合和事件增强,

7、所述路由聚合中,利用各种元路径管理微观拓扑图数据提取仓库和配送站的路由空间特征以基于所有节点的权重来识别关键元路径,获得路由视图的空间表示

8、所述事件增强中,利用多视图学习,引入事件相关信息,跟随模型并行学习,实现从路由视图和事件视图中分别获取节点的空间表示和

9、作为本发明的另一种改进,所述时空联合预测模块包括分层空间特征对齐和时空融合,

10、所述分层空间特征对齐中,融合微观图和宏观图之间节点类型的空间表示,引入分层门控机制,控制从宏观层面到微观层面流动的空间信息数量,以分别获得仓库和配送站的最终空间表示gw和gd;

11、所述时空融合中,将每类节点的时间序列被输入到一组标准的膨胀型1d卷积滤波器中,提取高层次的时间特征时间特征分别传递给两个tcn块,获得仓库节点和配送站节点的空间表示。

12、为了实现上述目的,本发明还采取的技术方案是:基于分层图的仓配一体化物流应急供应预测方法,其特征在于,具体包括如下步骤:

13、s1:基于收集到的微观图数据考虑形如仓库-分拣中心-配送站wi→sj→···→dm的元路径通过聚合节点p(u,v),学习物流节点在微观空间上的空间表示

14、s2:基于所有节点的权重识别关键元路径,获得路由视图的空间表示

15、s3:从事件的角度深入研究微观图,考虑路由信息和事件信息,利用图深度学习实现从不同视角和来观察和学习物流图结构,对事件下物流场景中的复杂关系进行建模,理解微观图的空间相关性;

16、s4:基于lightgcn的轻量级图卷积方法,学习仓库在宏观城市维度上和配送站之间的空间关联特征;

17、s5:根据城市-仓库之间的地理位置对应关系,将宏观图中的城市节点映射到微观图中的仓库节点的语义空间,利用门控机制控制宏观层面流向微观层面的信息数量,得到融合分层空间信息的仓库最终嵌入表示;

18、s6:重复步骤s5,利用门控机制控制宏观层面流向微观层面的信息数量,得到融合分层空间信息的配送站的最终嵌入表示;

19、s7:将每类节点的时间序列被输入到一组标准的膨胀型1d卷积滤波器中,提取高层次的时间特征时间特征分别传递给两个tcn块,获得仓库节点和配送站节点的供应能力嵌入表示,并通过一层mlp输出模型预测的未来的供应单量。

20、作为本发明的一种改进,所述步骤s1中,设计一个元路径编码器来聚合目标节点v的邻居节点:

21、

22、其中,是节点的嵌入层表示向量,wp是可训练的元路径特定的权重矩阵。

23、作为本发明的另一种改进,所述步骤s3中建模为:

24、

25、其中,是类型为τ的节点v的路由视图,是节点v的事件视图。

26、作为本发明的另一种改进,所述步骤s4中基于lightgcn方法,对宏观图中城市和配送站的宏观关联特征和进行提取和学习:

27、

28、其中,包含了第k层传递给城市和配送站的信息;第0层的信息将进行随机初始化;和代表了宏观图中城市和配送站的邻居节点;

29、

30、其中,和分别表示仓库和配送站在宏观层面上的空间特征信息,k为模型的层数。

31、作为本发明的又一种改进,所述步骤s5中,将宏观图中的城市节点映射到微观图中的仓库节点的语义空间

32、

33、其中,是城市节点的空间表示,是仓库节点的空间表示;mcw是记录节点信息的0-1转换矩阵,1代表仓库w位于城市i中,0则反之;

34、利用门控机制控制宏观层面流向微观层面的信息数量:

35、

36、其中,表示仓库节点的门控矩阵;是可学习的网络参数;

37、

38、其中,hw为融合分层空间信息的仓库最终嵌入表示。

39、作为本发明的更进一步改进,所述步骤s7中,带门控的tcn块包含了一个1-d因果卷积,还包括门控线性单元(glu)作为非线性激活函数:

40、

41、其中,为仓库和配送站的历史时间序列,作为tcn的输入。θ1,θ2,b,c是可学习的网络参数,*代表一维的卷积操作,⊙表示元素特定的哈达玛乘积;φ(·)代表双曲正切激活函数,σ(·)代表sigmoid函数。

42、与现有技术相比,本发明具有的技术优势及技术效果是:本发明提供了一种基于分层图的仓配一体化物流应急供应预测方法,首先,刻画微观图和宏观图来描述仓库、分拣中心和配送站之间的关系;在微观图学习中,通过节点匹配将事件信息注入到微观图中,并基于多视图学习获得事件增强的节点表示;设计了一种元路径聚合策略,动态选择iwdsn中的关键路由,并通过图学习层更新路线视图节点表示;在宏观图学习中,采用了基于lightgcn的二分图学习方法,获得仓库和配送站的空间表示;最后,对来自微观图和宏观图的节点进行层次嵌入融合,将宏观节点信息传递给微观仓库节点和配送站,输出层负责准确预测未来iwdsn的供应能力。本发明方法基于成熟的仓配一体化网络,在突发事件的影响下,高效地预测仓库和配送站的每日供应能力,保障应急物流下的物流节点间的高效调拨和稳定运行,适用范围广泛。

本文地址:https://www.jishuxx.com/zhuanli/20241106/324710.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。