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！

摘要：本发明涉及一种基于多源数据的即时配送路径预测方法，包括预测系统，其中预测系统包括个多源特征提取模块，实现特征层面的数据融合；以及一个基于深度神经网络的路径预测模块，基于多源特征预测骑手路径，完成模型层面的特征融合；该技术首先关联多源异构数据——骑手相遇数据、骑手打点上报数据、骑手GPS数据提取得到多源特征，然后将多源特征进一步进行特征组合。得到的一系列组合特征通过基于包含特征转换层的深度神经网络，输出得到一系列预测分数，最终通过分数排序得到分数最高的即时配送骑手的下一目的地，即路径预测结果。该技术利用了包含丰富时空信息的多源数据，消除了单一数据源低质量的影响，可以有效提高路径预测的准确率。

主权项：1.一种基于多源数据的即时配送路径预测方法，其特征在于，包括预测系统，其中预测系统包括个多源特征提取模块，实现特征层面的数据融合；以及一个基于深度神经网络的路径预测模块，基于多源特征预测骑手路径，完成模型层面的特征融合；所述方法包括以下步骤：S1.从即时配送平台提取骑手打点上报数据、骑手相遇数据、骑手GPS数据；S2.考虑多源数据的独立性与关联性，对多源数据进行多源特征提取与融合；S3.使用特征转换层提炼多源特征的高维特征表达，基于深度神经网络预测即时配送路径；其中，步骤S2的多源特征提取与融合工作，从多源数据中提取了目标骑手目的地与目标骑手的相遇骑手的目的地的多源组合特征，实现了特征层面的数据融合，具体工作如下：从多源数据中提取的三类特征分别是：相遇特征、GPS特征和激励特征，针对目标骑手的每个目的地，提取三类特征；针对目标骑手配送途中最近一次遇到的相遇骑手的每个目的地，提取两类特征即激励特征和相遇特征，然后取这两个骑手即目标骑手和相遇骑手的目的地特征的笛卡尔乘积得到组合特征，即A×B＝{a，b|a∈A∧b∈B}，每个组合特征代表目标骑手目的地和相遇骑手目的地的一种组合；具体如下，当目标骑手有N个目的地，而他在配送途中遇到的骑手有M个目的地时，模型首先从骑手打点上报数据、相遇数据以及GPS数据中提取出目标骑手N个目的地特征，以及相遇骑手M个目的地特征，然后得到M×N个组合特征；步骤S3设计的STSpecializedTransition深度神经网络完成了模型层面的特征融合，实现了目标骑手的下一个目的地预测，具体工作如下：路径预测模块的关键部分是基于深度神经网络的ST网络,ST网络预测了每个骑手目的地组合的可能性，ST网络对激励特征xI、相遇特征xE和GPS特征xG三类特征进行了不同的特征转换,每个特征转换由三层组成:输入层、隐藏层和输出层,经过特征转换得到的新特征向量最后通过全连接层连接在一起，利用sigmoid激活函数输出得分；经过特征转换得到的新特征向量k由k＝Kx|Wh，Wo，bh，bo表示，其中K·为由Wh，Wo，bh，bo参数化的特征转换函数，K·分解为h＝ReLUWhx+bh，k＝ReLUWoh+bo；其中，x为输入特征向量，h为隐含层的输出，Wh，bh为隐含层的权值和偏差，Wo，bo为输出层的权值和偏差，隐含层和输出层使用的激活函数为ReLU，不同特征转换函数的参数是相互独立的；对于目标骑手的目的地di，通过GPS特征转换得到新的GPS矢量kG， 与骑手的GPS特征相比，它与di被选为下一个目的地的可能性有更强的相关性，基于目的地激励特征新的激励向量分别表示目的地di，dj被骑手cp，ce选择的可能性； ST网络的特点之一是共享目标骑手cp和相遇骑手ce的激励特征转换层参数；因为需要共同分析目标骑手和相遇骑手的相遇特征得到骑手相遇可能性，所以需将两个骑手cp,ce的相遇特征拼接，然后输入到相遇特征转换层来获得新的相遇向量kE 新向量kE与相遇概率密切相关，相遇概率又与下一个目的地的正确性密切相关，最后，ST网络联合分析这些新的向量，并输出目标骑手目的地di的最终预测得分p， 其中Wf，bf是全连接层的权值和偏差，ST网络的预测任务是判断目的地组合是否正确，设y为样本标签，值为0或1，使用交叉熵损失函数对网络进行训练，即损失函数为Loss＝-[ylnp+l-yln1-p]，对于每个组合特征，通过ST网络得到预测得分，对得分进行排序，得分最高的组合特征所代表的目标骑手的目的地即为预测结果即目标骑手的下一个目的地； p＝MSTxcb， 整个路径预测过程可以用以上方程表示，表示预测得到的目标骑手下一个目的地，MST·表示ST网络函数，FtoL·表示组合特征与目标骑手目的地d的映射函数。

全文数据：

权利要求：

百度查询： 东南大学 一种基于多源数据的即时配送路径预测方法