快递投递系统的制作方法

1.本发明涉及人工智能领域，且更为具体地，涉及一种快递投递系统。


背景技术：

2.目前，大城市中的快递投递基于高精度地图和大数据已近非常成熟，但是，在较为偏远的乡村地区，还需要进一步改进快递投递系统，使得在提高配送效率的同时减少人力成本，因此，快递投递系统中的路径规划便成为值得关注的问题。
3.目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
4.近年来，深度学习以及神经网络的发展为快递投递系统的运行提供了新的解决思路和方案。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种快递投递系统，其使用基于深度学习的人工智能模块，将快递投递路线的拓扑图的高维空间特征映射到当前规划的路径矩阵的高维空间中，并在映射之前对当前规划的路径矩阵进行随机增强，以获分类特征图，通过这样的方式，以提高分类准确性，从而有效地提高配送效率。
6.根据本技术的一个方面，提供了一种快递投递系统，其包括：
7.投递线路数据单元，用于获取快递投递路线的拓扑图并将所述拓扑图转化为二维的第一数值矩阵，其中，所述拓扑图包含多个目标节点以及各个目标节点之间的连接关系和距离；所述数值矩阵中各个位置的特征值对应于所述拓扑图中目标节点之间的连接关系和距离；
8.第一特征图生成单元，用于将所述第一数值矩阵通过卷积神经网络以获得对应于所述第一数值矩阵的第一特征图，其中，所述第一特征图包含用于对当前规划路径进行判断以确定其是否合理的高维图结构特征；
9.当前规划路径单元，用于获取当前规划路径并将所述当前规划路径转化为二维的第二数值矩阵，其中，所述当前规划路径包含多个目标节点以及各个目标节点之间的距离；
10.第二特征图生成单元，用于将所述第二数值矩阵通过所述卷积神经网络以获得对应于所述第二数值矩阵的第二特征图，所述第二特征图包含所述当前规划路径的高维图结构特征；
11.数据增强单元，用于对所述第二特征图进行伯努利随机增强以获得第三特征图；
12.查询单元，用于将所述第三特征图与所述第一特征图进行矩阵相乘以将所述第三特征图的高维图结构特征映射到所述第一特征图的路径特征空间中，以获得分类特征图；以及
13.规划分析单元，用于将所述分类特征图通过分类器以获得分类结果，所述分类结
果用于表示当前规划路径是否合理。
14.在上述快递投递系统中，在所述第一数值矩阵中，如果两个目标节点之间有连接则对应位置的特征值为两个目标节点之间的距离，如果两个目标节点之间无连接则对应位置的特征值为0。
15.在上述快递投递系统中，所述数据增强单元，用于对所述第二特征图进行伯努利随机增强以获得伯努利随机增强矩阵作为所述第三特征图，其中，所述伯努利随机增强矩阵表示为：
[0016][0017]
其中，i为对角矩阵，所述第二特征图中的非零区域为r
m1
×
n1
。
[0018]
在上述快递投递系统中，所述规划分析单元，进一步用于将所述分类特征图通过一个或多个全连接层以通过所述一个或多个全连接层对所述分类特征图进行编码，以获得分类特征向量；以及，将所述分类特征向量输入softmax分类函数以获得所述分类结果。
[0019]
在上述快递投递系统中，所述卷积神经网络为深度残差网络。
[0020]
根据本技术的另一方面，提供了一种快递投递系统的运行方法，其包括：
[0021]
通过投递线路数据单元获取快递投递路线的拓扑图并将所述拓扑图转化为二维的第一数值矩阵，其中，所述拓扑图包含多个目标节点以及各个目标节点之间的连接关系和距离；所述数值矩阵中各个位置的特征值对应于所述拓扑图中目标节点之间的连接关系和距离；
[0022]
通过第一特征图生成单元将所述第一数值矩阵通过卷积神经网络以获得对应于所述第一数值矩阵的第一特征图，其中，所述第一特征图包含用于对当前规划路径进行判断以确定其是否合理的高维图结构特征；
[0023]
通过当前规划路径单元获取当前规划路径并将所述当前规划路径转化为二维的第二数值矩阵，其中，所述当前规划路径包含多个目标节点以及各个目标节点之间的距离；
[0024]
通过第二特征图生成单元将所述第二数值矩阵通过所述卷积神经网络以获得对应于所述第二数值矩阵的第二特征图，所述第二特征图包含所述当前规划路径的高维图结构特征；
[0025]
通过数据增强单元对所述第二特征图进行伯努利随机增强以获得第三特征图；
[0026]
通过查询单元将所述第三特征图与所述第一特征图进行矩阵相乘以将所述第三特征图的高维图结构特征映射到路径特征空间中，以获得分类特征图；以及
[0027]
通过规划分析单元将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示当前规划路径是否合理。
[0028]
与现有技术相比，本技术提供的一种快递投递系统，其使用基于深度学习的人工智能模块，将快递投递路线的拓扑图的高维空间特征映射到当前规划的路径矩阵的高维空间中，并在映射之前对当前规划的路径矩阵进行随机增强，以获分类特征图，通过这样的方式，以提高分类准确性，从而有效地提高配送效率。
附图说明
[0029]
通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0030]
图1为根据本技术实施例的快递投递系统的应用场景图。
[0031]
图2为根据本技术实施例的快递投递系统的框图。
[0032]
图3为根据本技术实施例的快递投递系统中规划分析单元的框图。
[0033]
图4为根据本技术实施例的快递投递系统的运行方法的流程图。
[0034]
图5为根据本技术实施例的快递投递系统的运行方法的系统架构示意图。
[0035]
图6为根据本技术实施例的快递投递系统的运行方法中，将所述分类特征图通过分类器以获得分类结果的流程图。
具体实施方式
[0036]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0037]
场景概述
[0038]
如上所述，目前，大城市中的快递投递基于高精度地图和大数据已近非常成熟，但是，在较为偏远的乡村地区，还需要进一步改进快递投递系统，使得在提高配送效率的同时减少人力成本，因此，快递投递系统中的路径规划便成为值得关注的问题。
[0039]
本技术的发明人发现，与大城市中的快递投递不同的是，在乡村快递投递场景下，通常每个自然村或者居民居住点会有一个快递收发点，快递投递仅需要考虑在各个快递收发点之间的路径问题即可，而不需要考虑具体投递的快递数量等其它城市中的快递投递需要考虑的因素。因此，这种快递投递系统的核心就是基于图的拓扑结构的路径规划过程，也就是，在存在既有节点和路线的情况下进行由各节点之间的连接边组成的路径规划。
[0040]
因此，在本技术的技术方案中，首先获得当前节点和路线的详细拓扑信息，也就是，应用图结构的技术，将拓扑图中的多个节点作为矩阵的行和列，从而使得矩阵的每个位置对应于节点之间的连接的边。并且，如果两个节点有连接，则在矩阵位置处填充两个节点之间的距离值，而无连接则填充零作为距离值。
[0041]
接下来，通过卷积神经网络技术以获得信息的更高维表达，也就是，将上述获得的数值矩阵通过卷积神经网络以获得第一特征图，该第一特征图包含用于对当前规划的路径进行判断以确定其是否合理的高维图结构特征。并且，为了对当前规划的路径进行判断，还需要将所获得的高维图结构特征映射到当前规划的路径中。本技术的发明人考虑到规划的路径由多个节点到节点之间的连接组成，且如上所述，每个连接都对应于数值矩阵中的一个位置，因此可以将规划的路径也转换为一个数值矩阵，并通过所述卷积神经网络获得第二特征图，该第二特征图包括当前规划的路径的高维特征。
[0042]
然后，在将第二特征图与第一特征图相乘以将高维图结构特征映射到路径特征空间之前，由于第二特征图是稀疏矩阵，首先对其进行随机增强，例如，伯努利随机增强可以
填充稀疏矩阵，即，对于稀疏矩阵中的非零区域，如果记为r
m1
×
n1
，则伯努利随机增强矩阵为：
[0043][0044]
其中，i为对角矩阵。
[0045]
将该伯努利随机增强矩阵进行线性转换以得到与第一特征图相同大小的第三特征图，并与第一特征图相乘就可以获得分类特征图。然后，将分类特征图通过分类器获得用于表示当前规划的路径是否合理的分类结果。
[0046]
基于此，本技术提出了一种快递投递系统，其包括：投递线路数据单元，用于获取快递投递路线的拓扑图并将所述拓扑图转化为二维的第一数值矩阵，其中，所述拓扑图包含多个目标节点以及各个目标节点之间的连接关系和距离；所述数值矩阵中各个位置的特征值对应于所述拓扑图中目标节点之间的连接关系和距离；第一特征图生成单元，用于将所述第一数值矩阵通过卷积神经网络以获得对应于所述第一数值矩阵的第一特征图，其中，所述第一特征图包含用于对当前规划路径进行判断以确定其是否合理的高维图结构特征；当前规划路径单元，用于获取当前规划路径并将所述当前规划路径转化为二维的第二数值矩阵，其中，所述当前规划路径包含多个目标节点以及各个目标节点之间的距离；第二特征图生成单元，用于将所述第二数值矩阵通过所述卷积神经网络以获得对应于所述第二数值矩阵的第二特征图，所述第二特征图包含所述当前规划路径的高维图结构特征；数据增强单元，用于对所述第二特征图进行伯努利随机增强以获得第三特征图；查询单元，用于将所述第三特征图与所述第一特征图进行矩阵相乘以将所述第三特征图的高维图结构特征映射到所述第一特征图的路径特征空间中，以获得分类特征图；以及，规划分析单元，用于将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示当前规划路径是否合理。
[0047]
图1图示了根据本技术实施例的快递投递系统的应用场景图。如图1所示，在该应用场景中，通过电子地图(例如，如图1中所示意的w)获取快递投递路线的拓扑图(例如，如图1中所示意的t)和当前规划路径；然后，将所述当前规划路径和所述拓扑图输入至部署有快递投递系统的服务器中(例如，如图1中所示意的云服务器s)，其中，所述快递投递系统能够对所述拓扑图和所述当前规划路径进行处理，以生成用于表示当前规划路径是否合理的分类结果。
[0048]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0049]
示例性系统
[0050]
图2图示了根据本技术实施例的一种快递投递系统的框图。如图2所示，根据本技术实施例的一种快递投递系统200，包括：投递线路数据单元210，用于获取快递投递路线的拓扑图并将所述拓扑图转化为二维的第一数值矩阵，其中，所述拓扑图包含多个目标节点以及各个目标节点之间的连接关系和距离；所述数值矩阵中各个位置的特征值对应于所述拓扑图中目标节点之间的连接关系和距离；第一特征图生成单元220，用于将所述第一数值矩阵通过卷积神经网络以获得对应于所述第一数值矩阵的第一特征图，其中，所述第一特
征图包含用于对当前规划路径进行判断以确定其是否合理的高维图结构特征；当前规划路径单元230，用于获取当前规划路径并将所述当前规划路径转化为二维的第二数值矩阵，其中，所述当前规划路径包含多个目标节点以及各个目标节点之间的距离；第二特征图生成单元240，用于将所述第二数值矩阵通过所述卷积神经网络以获得对应于所述第二数值矩阵的第二特征图，所述第二特征图包含所述当前规划路径的高维图结构特征；数据增强单元250，用于对所述第二特征图进行伯努利随机增强以获得第三特征图；查询单元260，用于将所述第三特征图与所述第一特征图进行矩阵相乘以将所述第三特征图的高维图结构特征映射到所述第一特征图的路径特征空间中，以获得分类特征图；以及，规划分析单元270，用于将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示当前规划路径是否合理。
[0051]
相应地，在根据本技术实施例的所述快递投递系统200中，所述投递线路数据单元210，用于获取快递投递路线的拓扑图并将所述拓扑图转化为二维的第一数值矩阵，其中，所述拓扑图包含多个目标节点以及各个目标节点之间的连接关系和距离；所述数值矩阵中各个位置的特征值对应于所述拓扑图中目标节点之间的连接关系和距离。在具体实施中，可通过智能终端设备获得快递投递路线的拓扑图。
[0052]
更具体地，在本技术实施例中，在所述第一数值矩阵中，如果两个目标节点之间有连接则对应位置的特征值为两个目标节点之间的距离，如果两个目标节点之间无连接则对应位置的特征值为0。也就是，应用图结构的技术，将拓扑图中的多个节点作为矩阵的行和列，从而使得矩阵的每个位置对应于节点之间的连接的边。并且，如果两个节点有连接，则在矩阵位置处填充两个节点之间的距离值，而无连接则填充零作为距离值。
[0053]
在本技术实施例中，所述第一特征图生成单元220，用于将所述第一数值矩阵通过卷积神经网络以获得对应于所述第一数值矩阵的第一特征图，其中，所述第一特征图包含用于对当前规划路径进行判断以确定其是否合理的高维图结构特征。也就是，使用卷积神经网络提取出所述第一数值矩阵中的高维特征，以获得对应于第一数值矩阵的第一特征图，该第一特征图包含用于对当前规划的路径进行判断以确定其是否合理的高维图结构特征。
[0054]
特别地，在本技术实施例中，所述卷积神经网络为深度残差网络。例如，restnet 50。本领域普通技术人员应知晓，由于梯度消失，深层网络很难训练，因为梯度反向传播到前面的层，重复相乘可能使梯度无穷小，结果就是，随着网络的层数更深，其性能趋于饱和，甚至迅速下降。而残差网络的特点是容易优化，并且能够通过增加相当的深度来提高准确率。其内部的残差块引入一个恒等快捷键(也称之为跳跃连接线)，直接跳过一个或者多个层，在网络上堆叠这样的结构，就算梯度消失，至少把原来的输出恒等映射了过去，相当于在浅层网络上堆叠了“复制层”，缓解了在深度神经网络中增加深度带来的梯度消失问题。
[0055]
在本技术实施例中，所述当前规划路径单元230，用于获取当前规划路径并将所述当前规划路径转化为二维的第二数值矩阵，其中，所述当前规划路径包含多个目标节点以及各个目标节点之间的距离。
[0056]
应可以理解，为了对当前规划的路径进行判断，还需要将所获得的高维图结构特征映射到当前规划的路径中。由于规划的路径由多个节点到节点之间的连接组成，且如上所述，每个连接都对应于数值矩阵中的一个位置，因此可以将规划的路径也转换为一个数
值矩阵。具体地，在所述第二数值矩阵中，可以将规划路径中的多个节点作为矩阵的行和列，从而使得矩阵的每个位置对应于节点之间的连接的边。并且，如果两个节点有连接，则在矩阵位置处填充两个节点之间的距离值，而无连接则填充零作为距离值。
[0057]
在本技术实施例中，所述第二特征图生成单元240，用于将所述第二数值矩阵通过所述卷积神经网络以获得对应于所述第二数值矩阵的第二特征图，所述第二特征图包含所述当前规划路径的高维图结构特征。也就是，使用卷积神经网络提取出所述第二数值矩阵中的高维特征，以获得对应于第二数值矩阵的第二特征图，该第二特征图包含当前规划的路径的高维特征。
[0058]
在本技术实施例中，所述数据增强单元250，用于对所述第二特征图进行伯努利随机增强以获得第三特征图。应可以理解，在将第二特征图与第一特征图相乘以将高维图结构特征映射到路径特征空间之前，由于第二特征图是稀疏矩阵，需要进一步对其进行随机增强。
[0059]
更具体地，在本技术实施例中，所述数据增强单元，用于对所述第二特征图进行伯努利随机增强以获得伯努利随机增强矩阵作为所述第三特征图，其中，所述伯努利随机增强矩阵表示为：
[0060][0061]
其中，i为对角矩阵，所述第二特征图中的非零区域为r
m1
×
n1
。然后，将该伯努利随机增强矩阵进行线性转换以得到与第一特征图相同大小的第三特征图，以便于后续进行矩阵相乘。
[0062]
在本技术实施例中，所述查询单元260，用于将所述第三特征图与所述第一特征图进行矩阵相乘以将所述第三特征图的高维图结构特征映射到所述第一特征图的路径特征空间中，以获得分类特征图。应可以理解，将所述第三特征图与所述第一特征图进行矩阵相乘，获得的分类特征图可以融合用于对当前规划的路径进行判断以确定其是否合理的高维图结构特征和当前规划的路径的高维特征。
[0063]
在本技术实施例中，所述规划分析单元270，用于将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示当前规划路径是否合理。也就是，采用解耦的方式，所述分类器包括编码器。
[0064]
更具体地，在本技术实施例中，所述规划分析单元，进一步用于将所述分类特征图通过一个或多个全连接层以通过所述一个或多个全连接层对所述分类特征图进行编码，以获得分类特征向量。也就是，通过一个或多个全连接层作为编码器对所述分类特征图进行编码，以充分利用所述分类特征图中各个位置的信息和各个位置之间的关联信息，以获得分类特征向量。然后，将所述分类特征向量输入softmax分类函数以获得所述分类结果，也就是，所述分类函数的分类标签为路径规划合理和路径规划不合理，所述分类结果用于表示当前规划路径属于分类标签的概率，概率较大值对应的分类标签为所述分类结果。
[0065]
图3图示了根据本技术实施例的快递投递系统中规划分析单元的框图。如图3所示，所述规划分析单元270，包括：分类特征向量生成子单元271，用于将所述分类特征图通过一个或多个全连接层以通过所述一个或多个全连接层对所述分类特征图进行编码，以获
得分类特征向量；以及，分类子单元272，用于将所述分类特征向量生成子单元271获得的所述分类特征向量输入softmax分类函数以获得所述分类结果。
[0066]
综上，基于本技术快递投递系统被阐明，其使用基于深度学习的人工智能模块，将快递投递路线的拓扑图的高维空间特征映射到当前规划的路径矩阵的高维空间中，并在映射之前对当前规划的路径矩阵进行随机增强，以获分类特征图，通过这样的方式，以提高分类准确性，从而有效地提高配送效率。
[0067]
这里，本领域技术人员可以理解，上述快递投递系统200中的各个单元和模块的具体功能和操作已经在上述描述中得到了详细介绍，并因此，将省略其重复描述。
[0068]
如上所述，根据本技术实施例的快递投递系统200可以实现在服务器中，例如，云服务器、终端服务器等。在一个示例中，根据本技术实施例的快递投递系统200可以作为一个软件模块和/或硬件模块而集成到服务器中。例如，该快递投递系统200可以是该服务器的操作系统中的一个软件模块，或者可以是针对于该服务器所开发的一个应用程序；当然，该快递投递系统200同样可以是该服务器的众多硬件模块之一。
[0069]
替换地，在另一示例中，该快递投递系统200与该服务器也可以是分立的设备，并且该快递投递系统200可以通过有线和/或无线网络连接到该服务器，并且按照约定的数据格式来传输交互信息。
[0070]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0071]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0072]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0073]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0074]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
[0075]
示例性方法
[0076]
根据本技术的另一方面，还提供了一种快递投递系统的运行方法。
[0077]
图4图示了根据本技术实施例的快递投递系统的运行方法的流程图。如图4所示，根据本技术实施例的快递投递系统的运行方法的流程图，包括：s110，通过投递线路数据单
元获取快递投递路线的拓扑图并将所述拓扑图转化为二维的第一数值矩阵，其中，所述拓扑图包含多个目标节点以及各个目标节点之间的连接关系和距离；所述数值矩阵中各个位置的特征值对应于所述拓扑图中目标节点之间的连接关系和距离；s120，通过第一特征图生成单元将所述第一数值矩阵通过卷积神经网络以获得对应于所述第一数值矩阵的第一特征图，其中，所述第一特征图包含用于对当前规划路径进行判断以确定其是否合理的高维图结构特征；s130，通过当前规划路径单元获取当前规划路径并将所述当前规划路径转化为二维的第二数值矩阵，其中，所述当前规划路径包含多个目标节点以及各个目标节点之间的距离；s140，通过第二特征图生成单元将所述第二数值矩阵通过所述卷积神经网络以获得对应于所述第二数值矩阵的第二特征图，所述第二特征图包含所述当前规划路径的高维图结构特征；s150，通过数据增强单元对所述第二特征图进行伯努利随机增强以获得第三特征图；s160，通过查询单元将所述第三特征图与所述第一特征图进行矩阵相乘以将所述第三特征图的高维图结构特征映射到路径特征空间中，以获得分类特征图；以及，s170，通过规划分析单元将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示当前规划路径是否合理。
[0078]
图5为根据本技术实施例的快递投递系统的运行方法的系统架构示意图。如图5所示，在该网络架构中，首先，获取快递投递路线的拓扑图并将所述拓扑图转化为二维的第一数值矩阵(例如，如图5中所示意的in1)；接着，将所述第一数值矩阵通过卷积神经网络(例如，如图5中所示意的cnn)以获得对应于所述第一数值矩阵的第一特征图(例如，如图5中所示意的f1)；接着，获取当前规划路径并将所述当前规划路径转化为二维的第二数值矩阵(例如，如图5中所示意的in2)；接着，将所述第二数值矩阵通过所述卷积神经网络以获得对应于所述第二数值矩阵的第二特征图(例如，如图5中所示意的f2)；接着，对所述第二特征图进行伯努利随机增强以获得第三特征图(例如，如图5中所示意的f3)；接着，将所述第三特征图与所述第一特征图进行矩阵相乘以将所述第三特征图的高维图结构特征映射到路径特征空间中，以获得分类特征图(例如，如图5中所示意的fc)；然后，将所述分类特征图通过分类器(例如，如图5中所示意的分类器)以获得分类结果，所述分类结果用于表示当前规划路径是否合理。
[0079]
在步骤s110中，通过投递线路数据单元获取快递投递路线的拓扑图并将所述拓扑图转化为二维的第一数值矩阵，其中，所述拓扑图包含多个目标节点以及各个目标节点之间的连接关系和距离；所述数值矩阵中各个位置的特征值对应于所述拓扑图中目标节点之间的连接关系和距离。在具体实施中，可通过智能终端设备获得快递投递路线的拓扑图。
[0080]
更具体地，在本技术实施例中，在所述第一数值矩阵中，如果两个目标节点之间有连接则对应位置的特征值为两个目标节点之间的距离，如果两个目标节点之间无连接则对应位置的特征值为0。也就是，应用图结构的技术，将拓扑图中的多个节点作为矩阵的行和列，从而使得矩阵的每个位置对应于节点之间的连接的边。并且，如果两个节点有连接，则在矩阵位置处填充两个节点之间的距离值，而无连接则填充零作为距离值。
[0081]
在步骤s120中，通过第一特征图生成单元将所述第一数值矩阵通过卷积神经网络以获得对应于所述第一数值矩阵的第一特征图，其中，所述第一特征图包含用于对当前规划路径进行判断以确定其是否合理的高维图结构特征。也就是，使用卷积神经网络提取出所述第一数值矩阵中的高维特征，以获得对应于所述第一数值矩阵的第一特征图。也就是，
使用卷积神经网络提取出所述第一数值矩阵中的高维特征，以获得对应于第一数值矩阵的第一特征图，该第一特征图包含用于对当前规划的路径进行判断以确定其是否合理的高维图结构特征。
[0082]
在步骤s130中，通过当前规划路径单元获取当前规划路径并将所述当前规划路径转化为二维的第二数值矩阵，其中，所述当前规划路径包含多个目标节点以及各个目标节点之间的距离。
[0083]
应可以理解，为了对当前规划的路径进行判断，还需要将所获得的高维图结构特征映射到当前规划的路径中。由于规划的路径由多个节点到节点之间的连接组成，且如上所述，每个连接都对应于数值矩阵中的一个位置，因此可以将规划的路径也转换为一个数值矩阵。具体地，在所述第二数值矩阵中，可以将规划路径中的多个节点作为矩阵的行和列，从而使得矩阵的每个位置对应于节点之间的连接的边。并且，如果两个节点有连接，则在矩阵位置处填充两个节点之间的距离值，而无连接则填充零作为距离值。
[0084]
在步骤s140中，通过第二特征图生成单元将所述第二数值矩阵通过所述卷积神经网络以获得对应于所述第二数值矩阵的第二特征图，所述第二特征图包含所述当前规划路径的高维图结构特征。也就是，使用卷积神经网络提取出所述第二数值矩阵中的高维特征，以获得对应于第二数值矩阵的第二特征图，该第二特征图包含当前规划的路径的高维特征。
[0085]
在步骤s150中，通过数据增强单元对所述第二特征图进行伯努利随机增强以获得第三特征图。应可以理解，在将第二特征图与第一特征图相乘以将高维图结构特征映射到路径特征空间之前，由于第二特征图是稀疏矩阵，需要进一步对其进行随机增强。
[0086]
更具体地，在本技术实施例中，所述伯努利随机增强矩阵表示为：
[0087][0088]
其中，i为对角矩阵，所述第二特征图中的非零区域为r
m1
×
n1
。然后，将该伯努利随机增强矩阵进行线性转换以得到与第一特征图相同大小的第三特征图，以便于后续进行矩阵相乘。
[0089]
在步骤s160中，通过查询单元将所述第三特征图与所述第一特征图进行矩阵相乘以将所述第三特征图的高维图结构特征映射到路径特征空间中，以获得分类特征图。应可以理解，将所述第三特征图与所述第一特征图进行矩阵相乘，获得的分类特征图可以融合用于对当前规划的路径进行判断以确定其是否合理的高维图结构特征和当前规划的路径的高维特征。
[0090]
在步骤s170中，通过规划分析单元将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示当前规划路径是否合理。也就是，采用解耦的方式，所述分类器包括编码器。
[0091]
更具体地，在本技术实施例中，将所述分类特征图通过分类器以获得分类结果的过程，包括：首先，将所述分类特征图通过一个或多个全连接层以通过所述一个或多个全连接层对所述分类特征图进行编码，以获得分类特征向量。也就是，通过一个或多个全连接层作为编码器对所述分类特征图进行编码，以充分利用所述分类特征图中各个位置的信息和
各个位置之间的关联信息，以获得分类特征向量。然后，将所述分类特征向量输入softmax分类函数以获得所述分类结果。也就是，所述分类函数的分类标签为路径规划合理和路径规划不合理，所述分类结果用于表示当前规划路径属于分类标签的概率，概率较大值对应的分类标签为所述分类结果。
[0092]
图6图示了根据本技术实施例的快递投递系统的运行方法中，将所述分类特征图通过分类器以获得分类结果的流程图。如图6所示，将所述分类特征图通过分类器以获得分类结果，包括：s210，将所述分类特征图通过一个或多个全连接层以通过所述一个或多个全连接层对所述分类特征图进行编码，以获得分类特征向量；以及，s220，将所述分类特征向量生成子单元271获得的所述分类特征向量输入softmax分类函数以获得所述分类结果。
[0093]
综上，基于本技术快递投递系统被阐明，其使用基于深度学习的人工智能模块，将快递投递路线的拓扑图的高维空间特征映射到当前规划的路径矩阵的高维空间中，并在映射之前对当前规划的路径矩阵进行随机增强，以获分类特征图，通过这样的方式，以提高分类准确性，从而有效地提高配送效率。