买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：华东师范大学;京创智汇(上海)物流科技有限公司

摘要：本发明公开了一种基于注意力机制的货运车辆仓库逗留时长预测方法，利用深度学习技术，按照大宗货运车辆在厂内装货时的不同排队状态设计了分别与之对应的深度学习模块。根据装运作业已完成车辆信息感知仓库的作业能力，基于作业中车辆与排队车辆提取队列中任务完成进展相关的信息，利用Attention机制提取队列中前序车辆与当前车辆仓库逗留时长预测相关的重要信息，将前序车辆信息加权结果与当前车辆信息进行残差连接，最后使用单层神经网络作为回归层得到最终时长预测值。本发明在物流仓库车辆排队的逗留时长预测研究中，更适用于仓库作业能力不确定的情况，整体模型结构设计更适用于具有多种排队状态的场景，能有效提升货车在仓库逗留的时长预测精度。

主权项：1.一种基于注意力机制的货运车辆仓库逗留时长预测方法，其特征在于，该方法包括以下具体步骤：步骤1：历史数据处理与分析：对历史数据进行预处理及分析，提取影响装货车辆在仓库的逗留时长的因素，并将数据集划分为训练集、验证集与测试集；步骤2：排队前序车辆集划分：根据车辆所处排队状态将队列中与当前预测目标相关的前序车辆划分成三个集合：排队车辆集合、正在作业的车辆集合与作业完成的车辆集合；步骤3：仓库作业能力特征提取：基于步骤2得到的作业完成的车辆集，提取各车辆特征并结合序列预测模型对仓库作业能力特征进行向量表示；步骤4：车辆特征向量提取：基于步骤2获得正在作业的车辆集、排队车辆集与步骤3得到的仓库作业能力表示向量，结合序列预测深度学习模型得到排队与正在作业车辆任务进展信息的向量表示；步骤5：前序车辆重要性提取：基于步骤4得到的排队与正在作业车辆任务进展信息向量表示，结合注意力机制获取前序车辆任务进展信息对当前车辆逗留时长预测的重要程度，根据重要性权重矩阵计算得到前序车辆加权信息，通过使用残差连接层将加权信息与当前车辆任务进展信息连接获得目标车辆的最终向量表示；步骤5中，将前序各正在作业车辆节点的输出向量rwork与正在排队车辆节点的输出向量rwait作为MaskedMulti-HeadAttention模块的输入，计算得到前序车辆任务进展信息对当前车辆逗留时长预测的重要程度，影响重要程度的因素包括前序车辆任务的货物种类与重量、前序车辆的已工作时长与预计剩余逗留时长，并通过残差连接层连接前序车辆加权信息与当前车辆信息得到目标车辆信息的最终向量表示，具体构建过程如下：目标车辆在t时刻对应的输出向量表示为其由t时刻的输入的当前车辆任务进展信息向量与注意力模块输出的信息加权向量通过残差连接计算得到，公式如下： 取前序正在排队与正在工作车辆的任务进展信息向量，将其映射到n个子空间中，在时刻t下车辆c节点输出的任务进展信息向量rc,t的第i个子空间表示为hc,t,i，分别计算同一个子空间中不同车辆向量之间的重要性权重将与当前车辆相关的权重与前序车辆的子空间向量hc,t,i进行加权得到该子空间下的输出向量将所有子空间的输出向量进行连接，得到当前车辆的注意力模块加权信息向量MaskedMulti-HeadAttention模块的构建过程如下： 由表示车辆c对应于目标车辆的重要性权重，其由车辆对仓库滞留时长预测的重要程度计算得到，若车辆则若车辆c∈PC，则满足权重之和等于1，公式如下： 所组成的权重矩阵表示为Ai,t，其遵循self-attention机制，公式如下： 其中，Qi,t与Ki,t同为子空间hc,t,i组成的矩阵，Qi,t与Ki,t的权重矩阵均由最终构建完成的仓库逗留时长预测模型训练得到，分别表示为Wiq与Wik，dk为由hc,t,i的维度所得到的尺度因子；步骤6：训练与保存模型：将步骤5得到的最终向量表示输入到单层全连接神经网络进行回归计算，输出为所预测的车辆仓库逗留时长，在训练集上使用均方误差损失函数衡量预测时长与真实时长的差距，通过Adam优化器反向传播更新多模块深度学习模型中的参数，每次更新参数后计算验证集上的损失函数值，保存损失函数值最小的模型；步骤7：车辆仓库逗留时长预测：将目标车辆及其相关前序车辆信息输入训练好的模型中，得到逗留时长预测值。

全文数据：

权利要求：

百度查询： 华东师范大学 京创智汇(上海)物流科技有限公司 一种基于注意力机制的货运车辆仓库逗留时长预测方法