预测模型训练方法和装置、介质和计算机设备与流程

本公开涉及物流配送，尤其涉及预测模型训练方法和装置、介质和计算机设备。

背景技术：

1、在物流配送领域，往往会将线下物理空间划分为多个配送区域，通过不同的空间id对不同的配送区域进行表示，并将各个配送区域的空间id编码成向量，该向量可以用于对预测模型进行训练，训练好的预测模型能够对目标配送区域内与配送业务相关的业务指标进行预测。然而，在相关技术中，空间id对应的向量的维度较高，导致预测模型的网络参数众多，从而使得预测模型的训练效率较低。

技术实现思路

1、第一方面，本公开实施例提供一种预测模型训练方法，所述方法包括：获取多个样本配送区域之间的供需关系图；所述多个样本配送区域之间的供需关系图用于表征所述多个样本配送区域内的配送资源的历史供需信息之间的相似度；将所述多个样本配送区域之间的供需关系图输入预先训练的图神经网络，获取所述图神经网络输出的所述多个样本配送区域内的配送资源的供需向量；基于所述多个样本配送区域内的配送资源的供需向量对预测模型进行训练；所述预测模型用于对目标配送区域内的配送资源的需求方和/或供给方的状态进行预测。

2、在一些实施例中，所述获取多个样本配送区域之间的供需关系图，包括：获取所述多个样本配送区域的历史订单数据和配送资源的供给量；基于所述多个样本配送区域的历史订单数据和配送资源的供给量确定所述多个样本配送区域的历史供需信息；基于所述多个样本配送区域的历史供需信息之间的相似度，建立所述多个样本配送区域之间的供需关系图。

3、在一些实施例中，样本配送区域的历史供需信息包括该样本配送区域在多个样本时间点的历史供需信息；所述基于所述多个样本配送区域的历史订单数据和配送资源的供给量确定所述多个样本配送区域的历史供需信息，包括：基于样本配送区域的历史订单数据和配送资源的供给量确定该样本配送区域在历史时间段内的历史供需信息；对该样本配送区域在历史时间段内的历史供需信息进行分片聚合，得到该样本配送区域在各个样本时间点的历史供需信息。

4、在一些实施例中，样本配送区域的历史供需信息包括该样本配送区域的历史供给信息和历史需求信息；任意两个样本配送区域内的配送资源的历史供需信息之间的相似度基于以下方式确定：获取两个样本配送区域的历史供给信息之间的第一相似度以及所述两个样本配送区域的历史需求信息之间的第二相似度；基于所述第一相似度和所述第二相似度确定所述两个样本配送区域的历史供需信息之间的相似度。

5、在一些实施例中，所述基于所述第一相似度和所述第二相似度确定所述两个样本配送区域的历史供需信息之间的相似度，包括：对所述第一相似度和所述第二相似度进行线性加权处理，得到所述两个样本配送区域的历史供需信息之间的相似度。

6、在一些实施例中，所述供需关系图包括多个节点以及所述多个节点中每个节点的属性信息，每个节点对应一个样本配送区域，历史供需信息的相似度大于预设的相似度阈值的节点之间通过边进行连接，且边的权重用于表征该边所连接的两个节点的历史供需信息之间的相似度。

7、在一些实施例中，所述图神经网络基于以下方式训练得到：从所述供需关系图中获取目标节点，确定与所述目标节点的历史供需信息之间的相似度大于所述相似度阈值的第一节点以及与所述目标节点的历史供需信息之间的相似度小于或等于所述相似度阈值的第二节点；基于所述供需关系图对所述图神经网络进行训练，以使所述目标节点的供需向量与所述第一节点的供需向量之间的差异最小化，且所述目标节点的供需向量与所述第二节点的供需向量之间的差异最大化。

8、第二方面，本公开实施例提供一种预测模型训练装置，所述装置包括：第一获取模块，用于获取多个样本配送区域之间的供需关系图；所述多个样本配送区域之间的供需关系图用于表征所述多个样本配送区域内的配送资源的历史供需信息之间的相似度；第二获取模块，用于将所述多个样本配送区域之间的供需关系图输入预先训练的图神经网络，获取所述图神经网络输出的所述多个样本配送区域内的配送资源的供需向量；训练模块，用于基于所述多个样本配送区域内的配送资源的供需向量对预测模型进行训练；所述预测模型用于对目标配送区域内的配送资源的需求方和/或供给方的状态进行预测。

9、第三方面，本公开实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开任一实施例所述的方法。

10、第四方面，本公开实施例提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本公开任一实施例所述的方法。

11、本公开实施例提出一种基于空间(即配送区域)、时间序列(即历史供需信息)和图嵌入技术的空间id表示方式，通过多个样本配送区域的即历史供需信息建立该多个样本配送区域的供需关系图，再基于供需关系图训练出图神经网络，从而基于图神经网络获取空间id对应的供需向量表示。上述方式获取的供需向量的维度较低，从而减少了基于该供需向量训练的预测模型的网络参数的数量，提高了预测模型的训练和推理速度。

12、应当理解，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。

技术特征：

1.一种预测模型训练方法，所述方法包括：

2.根据权利要求1所述的方法，所述获取多个样本配送区域之间的供需关系图，包括：

3.根据权利要求2所述的方法，样本配送区域的历史供需信息包括该样本配送区域在多个样本时间点的历史供需信息；所述基于所述多个样本配送区域的历史订单数据和配送资源的供给量确定所述多个样本配送区域的历史供需信息，包括：

4.根据权利要求2所述的方法，样本配送区域的历史供需信息包括该样本配送区域的历史供给信息和历史需求信息；任意两个样本配送区域内的配送资源的历史供需信息之间的相似度基于以下方式确定：

5.根据权利要求4所述的方法，所述基于所述第一相似度和所述第二相似度确定所述两个样本配送区域的历史供需信息之间的相似度，包括：

6.根据权利要求1至5任意一项所述的方法，所述供需关系图包括多个节点以及所述多个节点中每个节点的属性信息，每个节点对应一个样本配送区域，历史供需信息的相似度大于预设的相似度阈值的节点之间通过边进行连接，且边的权重用于表征该边所连接的两个节点的历史供需信息之间的相似度。

7.根据权利要求6所述的方法，所述图神经网络基于以下方式训练得到：

8.一种预测模型训练装置，所述装置包括：

9.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现权利要求1至7任意一项所述的方法。

10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1至7任意一项所述的方法。

技术总结
一种预测模型训练方法和装置、介质和计算机设备，所述方法包括：获取多个样本配送区域之间的供需关系图；所述多个样本配送区域之间的供需关系图用于表征所述多个样本配送区域内的配送资源的历史供需信息之间的相似度；将所述多个样本配送区域之间的供需关系图输入预先训练的图神经网络，获取所述图神经网络输出的所述多个样本配送区域内的配送资源的供需向量；基于所述多个样本配送区域内的配送资源的供需向量对预测模型进行训练；所述预测模型用于对目标配送区域内的配送资源的需求方和/或供给方的状态进行预测。

技术研发人员：黄鑫,张振,姜泰旭,朱兴
受保护的技术使用者：拉扎斯网络科技（上海）有限公司
技术研发日：
技术公布日：2024/1/11