物流指令预测模型的训练方法、装置及存储介质与流程

本发明涉及计算机，尤其涉及一种物流指令预测模型的训练方法、装置及存储介质。

背景技术：

1、现有的物流系统面临数据隔阂的问题，不同类型的数据如订单数据、车辆定位数据、道路交通数据等存在着格式不同、语义不兼容的问题，这些异构格式的数据难以有效地融合，无法构建出一个全面描述物流系统的知识图谱。例如订单系统中的订单数据包含订单号、客户信息、货物信息等属性，而车辆定位系统中的定位数据包含车辆编号、位置坐标、速度等属性，这两类数据之间存在语义鸿沟，直接融合并构建知识图谱存在困难。另外，不同数据源产生的频率和粒度也存在差异，给数据融合带来额外挑战。除此之外，现有的算法手段也存在局限，传统算法难以自动规划出高质量的物流方案。例如在突发事件造成物流系统中断时，手工规划非常耗时，而现有算法无法处理好异构数据间的复杂关系，无法快速自动规划出新的高质量物流方案。这些因数据隔阂而导致的难以有效融合不同数据，以及算法自动规划能力弱等问题，成为制约现有物流系统进一步智能化的关键所在。

技术实现思路

1、本发明提供了一种物流指令预测模型的训练方法、装置及存储介质，可以实现快速、准确地预测物流订单的多源异构数据对应的物流指令。

2、一方面，本发明提供了一种物流指令预测模型的训练方法，所述方法包括：

3、获取样本物流订单的样本多源异构数据；所述样本多源异构数据包括样本订单数据、样本车辆运输数据、样本道路交通数据、样本评价数据中的至少两种；所述样本物流订单标注了样本物流指令标签；

4、将所述样本多源异构数据输入预设模型，基于所述预设模型的图谱构建网络构建样本知识图谱；所述样本知识图谱包括样本节点以及样本连接线，所述样本节点表征所述样本多源异构数据，所述样本连接线表征所述样本多源异构数据之间的关联关系；

5、基于所述预设模型的编码器对所述样本知识图谱进行特征提取，得到样本物流特征；

6、基于所述预设模型的解码器对所述样本物流特征进行物流指令预测，得到样本预测物流指令；

7、基于所述样本预测物流指令与所述样本物流指令标签之间的差异，对所述预设模型进行训练，得到物流指令预测模型。

8、示例性的，所述基于所述预设模型的编码器对所述样本知识图谱进行特征提取，得到样本物流特征，包括：

9、基于所述预设模型的编码器对所述样本知识图谱中的样本订单数据进行特征提取，得到样本订单属性特征；所述样本订单属性特征包括样本订单优先级特征、样本时效特征中的至少一种；和/或

10、基于所述预设模型的编码器对所述样本知识图谱中的样本车辆运输数据进行特征提取，得到样本车辆属性特征；所述样本车辆属性特征包括样本车辆位置特征、样本载货量特征中的至少一种；和/或

11、基于所述预设模型的编码器对所述样本知识图谱中的样本道路交通数据进行特征提取，得到样本道路属性特征；所述样本道路属性特征包括样本通行时间特征、样本拥堵状态特征中的至少一种；

12、将所述样本订单属性特征、所述样本车辆属性特征、所述样本道路属性特征中的至少一种，确定为所述样本物流特征。

13、示例性的，所述方法还包括：

14、基于所述预设模型的编码器对所述样本知识图谱中的样本评价数据进行特征提取，得到样本评价属性特征；

15、所述将所述样本订单属性特征、所述样本车辆属性特征、所述样本道路属性特征中的至少一种，确定为所述样本物流特征，包括：

16、将所述样本订单属性特征、所述样本车辆属性特征、所述样本道路属性特征、所述样本评价属性特征中的至少一种，确定为所述样本物流特征。

17、示例性的，所述基于所述预设模型的解码器对所述样本物流特征进行物流指令预测，得到样本预测物流指令，包括：

18、基于所述预设模型的解码器对所述样本物流特征进行物流策略预测，得到样本预测物流策略；

19、基于所述预设模型的输出模块将所述样本预测物流策略转换成物流执行指令，得到所述样本预测物流指令。

20、示例性的，所述基于所述预设模型的解码器对所述样本物流特征进行物流策略预测，得到样本预测物流策略，包括：

21、基于所述预设模型的解码器对所述样本订单属性特征进行订单调度预测，得到样本订单调度策略；和/或

22、基于所述预设模型的解码器对所述样本订单属性特征、所述样本车辆属性特征进行车辆调度预测，得到样本车辆调度策略；和/或

23、基于所述预设模型的解码器对所述样本订单属性特征、所述样本道路属性特征进行路线预测，得到样本路线规划策略；

24、将所述样本订单调度策略、所述样本车辆调度策略、所述样本路线规划策略中的至少一种，确定为所述样本预测物流策略。

25、示例性的，所述基于所述预设模型的输出模块将所述样本预测物流策略转换成物流执行指令，得到所述样本预测物流指令，包括：

26、基于所述预设模型的输出模块将所述样本订单调度策略转化成样本订单调度指令；

27、基于所述预设模型的输出模块将所述样本车辆调度策略转化成样本车辆调度指令；

28、基于所述预设模型的输出模块将所述样本路线规划策略转化成样本路径规划指令；

29、将所述样本订单调度指令、所述样本车辆调度指令、所述样本路径规划指令中的至少一种，确定为所述样本预测物流指令；

30、所述方法还包括：

31、基于所述样本评价属性特征，对所述样本预测物流指令进行评估，根据评估结果，对所述样本预测物流指令进行微调，得到样本调整物流指令；

32、相应的，所述基于所述样本预测物流指令与所述样本物流指令标签之间的差异，对所述预设模型进行训练，得到物流指令预测模型，包括：

33、基于所述样本调整物流指令与所述样本物流指令标签之间的差异，对所述预设模型进行训练，得到物流指令预测模型。

34、示例性的，所述方法还包括：

35、获取目标物流订单的目标多源异构数据；

36、将所述目标多源异构数据，输入所述物流指令预测模型进行物流指令预测，得到目标预测物流指令；所述目标预测物流指令包括订单调度指令、车辆调度指令、路径规划指令中的至少一种。

37、另一方面提供了一种物流指令预测模型的训练装置，所述装置包括：

38、样本数据获取模块，用于获取样本物流订单的样本多源异构数据；所述样本多源异构数据包括样本订单数据、样本车辆运输数据、样本道路交通数据、样本评价数据中的至少两种；所述样本物流订单标注了样本物流指令标签；

39、样本图谱构建模块，用于将所述样本多源异构数据输入预设模型，基于所述预设模型的图谱构建网络构建样本知识图谱；所述样本知识图谱包括样本节点以及样本连接线，所述样本节点表征所述样本多源异构数据，所述样本连接线表征所述样本多源异构数据之间的关联关系；

40、样本特征提取模块，用于基于所述预设模型的编码器对所述样本知识图谱进行特征提取，得到样本物流特征；

41、样本预测模块，用于基于所述预设模型的解码器对所述样本物流特征进行物流指令预测，得到样本预测物流指令；

42、模型训练模块，用于基于所述样本预测物流指令与所述样本物流指令标签之间的差异，对所述预设模型进行训练，得到物流指令预测模型。

43、另一方面提供了一种电子设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上所述的物流指令预测模型的训练方法。

44、另一方面提供了一种计算机存储介质，所述计算机存储介质存储有至少一条指令或至少一段程序，所述至少一条指令或至少一段程序由处理器加载并执行以实现如上所述的物流指令预测模型的训练方法。

45、另一方面提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行以实现如上所述的物流指令预测模型的训练方法。

46、本发明提供的物流指令预测模型的训练方法、装置及存储介质，具有如下技术效果：

47、本发明获取样本物流订单的样本多源异构数据；样本多源异构数据包括样本订单数据、样本车辆运输数据、样本道路交通数据、样本评价数据中的至少两种；样本物流订单标注了样本物流指令标签；将样本多源异构数据输入预设模型，基于预设模型的图谱构建网络构建样本知识图谱；样本知识图谱包括样本节点以及样本连接线，样本节点表征样本多源异构数据，样本连接线表征样本多源异构数据之间的关联关系；基于预设模型的编码器对样本知识图谱进行特征提取，得到样本物流特征；基于预设模型的解码器对样本物流特征进行物流指令预测，得到样本预测物流指令；基于样本预测物流指令与样本物流指令标签之间的差异，对预设模型进行训练，得到物流指令预测模型。本技术以知识图谱形式统一表示订单、车辆、路况等多源数据，通过深度学习模型学习实体间的关系特征，形成对物流领域知识的理解；通过对样本物流订单的样本多源异构数据进行训练，得到物流指令预测模型，可以实现快速、准确地预测物流订单的多源异构数据对应的物流指令。可以处理复杂的多源异构数据，了解更丰富的业务语义，生成更智能的决策方案；可以更快速响应各类异常情况，保证物流连续性，提高用户满意度。