一种基于知识图谱的物流需求预测方法及系统与流程

本发明涉及知识图谱，尤其涉及一种基于知识图谱的物流需求预测方法及系统。

背景技术：

1、随着电子商务、智能仓储及区域配送业务的发展，物流业务运行过程中形成了大量订单、运输、仓储及配送数据。物流需求预测能够为仓储资源配置、运输调度及配送计划制定提供依据。现有方法通常基于历史订单量、运输量及仓储吞吐量，采用时间序列分析、回归模型或神经网络模型预测未来物流需求。

2、由于物流数据来源于不同业务环节，在字段结构、时间粒度及语义表达方面存在差异，现有方法缺少统一语义编码、跨度建模及跨源语义对齐过程，容易出现实体重复、关系冲突及语义关联缺失的问题。

3、现有基于知识图谱的物流需求分析方法多依据字段映射、实体共现及人工规则构建图谱，难以准确确定实体之间的关联关系与边权值。同时，固定邻域提取或全图传播方式容易遗漏关键关联节点，或引入与预测任务无关的信息。

4、此外，现有图谱特征传播方法未充分考虑关系方向、边权值及传播状态冲突，难以有效融合局部需求特征与全局关联特征。预测完成后，预测偏差通常未用于更新知识图谱，导致知识图谱难以适应物流需求关系的动态变化。

5、因此，如何提供一种基于知识图谱的物流需求预测方法及系统是本领域技术人员亟需解决的问题。

技术实现思路

1、本发明的一个目的在于提出一种基于知识图谱的物流需求预测方法及系统，本发明充分利用改进型dygie++模型、pathsim算法、斯坦纳树算法及知识图谱动态更新技术，对多源物流数据进行统一语义编码、实体关系提取、需求知识图谱构建、任务关联子图提取及局部与全局需求特征融合，实现物流需求量的精准预测与图谱反馈更新，具备数据关联性强、预测准确度高、抗干扰能力强和动态适应性好的优点。

2、根据本发明实施例的一种基于知识图谱的物流需求预测方法，包括如下步骤：

3、s1、获取多源物流基础数据并预处理，生成物流数据序列；

4、s2、通过改进型dygie++模型，对物流数据序列进行统一语义编码，基于编码结果执行跨度建模与语义对齐操作，提取多个实体，并计算各实体之间的语义一致率与上下文依赖值，根据计算结果构建各实体之间的关联关系；

5、s3、对各实体与关联关系执行冲突消解处理，根据冲突消解结果构建需求语义元路径，采用pathsim算法沿需求语义元路径计算各实体之间的结构相似度，根据结构相似度确定对应的边权值，构建需求知识图谱；

6、s4、获取目标预测任务并提取需求查询特征，计算需求查询特征与需求知识图谱中各节点之间的匹配值，基于匹配值与各边权值，采用斯坦纳树算法执行关联子图提取操作，得到需求匹配图；

7、s5、在改进型dygie++模型中，对需求匹配图执行跨度状态更新与跨节点关系传播操作，提取局部需求特征与全局关联特征并进行关联融合，生成目标预测任务对应的需求预测特征；

8、s6、基于需求预测特征计算预测物流需求量，获取对应的实际物流需求量，并与预测物流需求量进行差异分析，根据差异分析结果更新需求知识图谱。

9、可选的，所述多源物流基础数据表示从不同物流业务环节获取的订单、运输、仓储、配送及需求变化数据，所述预处理包括数据清洗、格式统一、缺失补全与时间对齐处理，所述实际物流需求量表示目标预测任务对应时间范围内实际发生的物流需求数值。

10、可选的，所述s2具体包括：

11、s21、构建改进型dygie++模型，该模型包括语义建模单元、状态传播单元与需求融合单元；

12、s22、将物流数据序列输入语义建模单元，提取各物流数据片段对应的数据来源特征、业务时序特征与上下文语义特征，并进行统一语义编码，生成语义编码序列；

13、s23、基于语义编码序列确定各物流数据片段的起始边界与终止边界，根据起始边界与终止边界构建候选跨度，并对各候选跨度执行边界特征提取与内部语义聚合处理，生成跨度表示序列；

14、s24、根据数据来源特征与业务时序特征，建立各候选跨度之间的跨源对应关系，依据跨源对应关系对跨度表示序列执行语义映射与差异校正处理，生成语义对齐序列；

15、s25、依据语义对齐序列，对各候选跨度进行实体边界判定与实体类别判定，提取多个实体；

16、对各实体的跨度表示进行差异计算，并根据差异计算结果确定语义一致率；

17、依据各实体在语义编码序列中的位置，提取各实体对应位置前后的语义编码，并进行注意力计算，得到上下文依赖值；

18、s26、基于语义一致率与上下文依赖值，对各实体之间的关联状态进行联合判定，确定各实体之间的关系类别、关系方向与关系强度值，构建各实体之间的关联关系。

19、可选的，所述s24具体包括：

20、s241、按照数据来源特征对各候选跨度进行来源划分，生成多个来源跨度集合，并按照业务时序特征对各来源跨度集合中的候选跨度进行时序排列；

21、s242、针对同一来源跨度集合，依次从该集合中选取各候选跨度作为基准跨度；

22、根据基准跨度对应的业务时序特征，从每一不同的来源跨度集合中分别提取与基准跨度处于同一时序范围的候选跨度，生成跨源候选跨度组；

23、s243、计算各跨源候选跨度组中基准跨度与各候选跨度之间的时序位置差，从每一不同来源跨度集合中选取时序位置差最小的候选跨度，将选取的候选跨度与基准候选跨度确定为跨源对应跨度，建立对应的跨源关联关系；

24、s244、采用深度广义典型相关性分析方法，按照数据来源特征分别设置非线性映射函数，将具有跨源关联关系的各候选跨度对应的跨度表示，输入对应的非线性映射函数，并映射至预设的共享语义空间，生成各候选跨度对应的来源投影表示；

25、对各来源投影表示执行相关性聚合处理，生成共享跨度表示；

26、s245、计算各来源投影表示与共享跨度表示之间的表示相关值，根据表示相关值更新各非线性映射函数的映射参数，并迭代执行跨度表示映射、表示相关值计算与映射参数更新处理，直至相邻两轮迭代中，各表示相关值的差值之和不大于预设收敛阈值，得到语义映射序列；

27、s246、计算语义映射序列中各语义映射表示与对应共享跨度表示之间的表示差异，根据表示差异对各语义映射表示进行差异校正，并按照各候选跨度在跨度表示序列中的顺序，重组差异校正后的语义映射表示，生成语义对齐序列。

28、可选的，所述s3具体包括：

29、s31、根据语义一致率、上下文依赖值与实体类别识别语义冲突实体，对语义冲突实体执行合并与实体标识统一处理，生成实体消解序列；

30、s32、基于实体消解序列重新映射各关联关系，并根据关系类别、关系方向与关系强度值对产生冲突的关联关系进行统一处理，生成关系消解序列；

31、s33、根据实体消解序列与关系消解序列，确定实体类别及关联关系的连接顺序，构建需求语义元路径；

32、s34、采用pathsim算法，沿需求语义元路径统计各同类别实体之间的路径连接情况，根据统计结果计算各实体之间的结构相似度；

33、s35、根据结构相似度与关系强度值确定各关联关系对应的边权值；

34、s36、将实体消解序列中的实体作为图谱节点，将关系消解序列中的关联关系作为图谱边，并绑定对应的关系方向与边权值，构建需求知识图谱。

35、可选的，所述s4具体包括：

36、s41、解析目标预测任务，提取需求查询特征；

37、s42、将需求查询特征与需求知识图谱中的各节点进行匹配计算，得到各节点对应的匹配值；

38、s43、根据匹配值筛选多个候选节点，并从需求知识图谱中提取连接各候选节点的图谱边与中间节点，构建候选关联图；

39、s44、根据候选关联图中各图谱边对应的边权值确定路径连接代价，并根据各节点对应的匹配值确定节点选择代价；

40、s45、将各候选节点作为终端节点，采用斯坦纳树算法，基于路径连接代价与节点选择代价提取连接各终端节点的目标斯坦纳树，具体包括：

41、以各终端节点为路径端点，在候选关联图中搜索各终端节点之间的候选连接路径；

42、分别累加各候选连接路径包含的图谱边对应的路径连接代价与中间节点对应的节点选择代价，得到各候选连接路径的路径综合代价；

43、按照路径综合代价由小至大的顺序选取候选连接路径，并将选取的候选连接路径依次加入初始斯坦纳树；

44、检测初始斯坦纳树中各终端节点之间的连接状态，针对未连接的终端节点继续选取对应路径综合代价最小的候选连接路径，直至各终端节点形成连通结构；

45、识别连通结构中的重复图谱边、环形路径与非终端叶节点，并依次执行图谱边合并、环形路径消除与非终端叶节点删除处理，生成目标斯坦纳树，所述非终端叶节点表示连通结构中不是终端节点的叶节点；

46、s46、从需求知识图谱中提取目标斯坦纳树对应的节点、图谱边、关系方向与边权值，构建需求匹配图。

47、可选的，所述s5具体包括：

48、s51、将需求匹配图输入改进型dygie++模型的状态传播单元，提取各节点对应的跨度表示，并结合关系方向与边权值，生成跨度状态序列；

49、s52、依据需求匹配图中的图谱边确定各节点对应的邻接节点，根据关系方向确定跨度状态传递方向，并依据边权值调节邻接节点的传播强度值，生成关联状态序列；

50、s53、对关联状态序列进行聚合处理，将聚合结果与对应跨度状态执行状态门控更新操作，得到更新后的跨度状态序列；

51、基于更新后的跨度状态序列，迭代执行状态传播、状态聚合与状态门控更新处理，直至相邻两轮迭代中跨度状态的差值之和不大于预设状态阈值，生成更新完成的跨度状态序列；

52、s54、计算需求查询特征与各节点更新完成的跨度状态之间的状态相关值，根据状态相关值确定目标节点，对目标节点与对应邻接节点的跨度状态执行局部关联聚合，生成局部需求特征；

53、s55、以目标节点为传播起点，沿需求匹配图中的多层连接路径执行跨节点关系传播，并依据关系方向、边权值与路径层级对传播结果进行分层聚合，生成全局关联特征；

54、s56、在需求融合单元中，分别计算需求查询特征与局部需求特征、全局关联特征之间的特征相关值，根据特征相关值对局部需求特征与全局关联特征执行权重分配与关联融合处理，生成目标预测任务对应的需求预测特征。

55、可选的，所述s53具体包括：

56、s531、按照关系方向将关联状态序列划分为正向关联状态集合与反向关联状态集合，并依据边权值分别对正向关联状态集合与反向关联状态集合执行加权聚合处理，生成正向聚合状态与反向聚合状态；

57、s532、分别计算正向聚合状态、反向聚合状态与对应跨度状态之间的状态一致值，并根据正向聚合状态与反向聚合状态之间的状态偏离值确定传播冲突值；

58、s533、依据状态一致值与传播冲突值，确定正向聚合状态和反向聚合状态对应的传播可信权重，并对正向聚合状态与反向聚合状态执行冲突抑制与可信状态融合处理，得到可信聚合状态；

59、s534、计算可信聚合状态与对应跨度状态之间的状态差异值，根据状态差异值确定跨度状态对应的状态保留权重与状态更新权重；

60、依据状态保留权重对跨度状态进行比例保留处理，并依据状态更新权重将可信聚合状态写入对应比例保留结果，得到更新后的跨度状态序列；

61、s535、基于更新后的跨度状态序列迭代执行状态传播、状态聚合与状态门控更新处理，计算相邻两轮迭代中各节点更新后的跨度状态之间的状态差值，并对各状态差值进行累加，直至状态差值之和不大于预设状态阈值，停止迭代，生成更新完成的跨度状态序列。

62、可选的，所述s6具体包括：

63、s61、对需求预测特征执行特征映射与数值回归计算操作，得到目标预测任务对应的预测物流需求量；

64、s62、获取目标预测任务对应时间范围内的实际物流需求数据，并统计得到实际物流需求量；

65、s63、计算预测物流需求量与实际物流需求量之间的需求偏差值；

66、s64、根据需求偏差值调整需求知识图谱中的对应节点、图谱边与边权值，完成需求知识图谱更新。

67、根据本发明实施例的一种基于知识图谱的物流需求预测系统，包括：

68、数据处理模块，用于获取多源物流基础数据并预处理，生成物流数据序列；

69、实体识别模块，用于通过改进型dygie++模型，对物流数据序列进行统一语义编码，基于编码结果执行跨度建模与语义对齐操作，提取多个实体，并计算各实体之间的语义一致率与上下文依赖值，根据计算结果构建各实体之间的关联关系；

70、图谱构建模块，用于对各实体与关联关系执行冲突消解处理，根据冲突消解结果构建需求语义元路径，采用pathsim算法沿需求语义元路径计算各实体之间的结构相似度，根据结构相似度确定对应的边权值，构建需求知识图谱；

71、需求匹配模块，用于获取目标预测任务并提取需求查询特征，计算需求查询特征与需求知识图谱中各节点之间的匹配值，基于匹配值与各边权值，采用斯坦纳树算法执行关联子图提取操作，得到需求匹配图；

72、需求预测模块，用于在改进型dygie++模型中，对需求匹配图执行跨度状态更新与跨节点关系传播操作，提取局部需求特征与全局关联特征并进行关联融合，生成目标预测任务对应的需求预测特征；

73、图谱更新模块，用于基于需求预测特征计算预测物流需求量，获取对应的实际物流需求量，并与预测物流需求量进行差异分析，根据差异分析结果更新需求知识图谱。

74、本发明的有益效果是：

75、首先，本发明通过改进型dygie++模型对多源物流基础数据进行统一语义编码、跨度建模与语义对齐，结合语义一致率及上下文依赖值提取实体关联关系，并对实体与关联关系进行冲突消解，能够降低多源物流数据之间的语义差异，减少实体重复、关系冲突及关联缺失，提高物流数据组织与语义表达的准确性。

76、其次，本发明通过需求语义元路径与pathsim算法计算实体之间的结构相似度，并据此确定边权值以构建需求知识图谱，同时结合需求查询特征、节点匹配值与斯坦纳树算法提取需求匹配图，能够保留与目标预测任务关联紧密的节点及连接路径，减少无关图谱信息对预测过程的干扰，提高需求关联信息提取的针对性与完整性。

77、最后，本发明依据关系方向与边权值执行跨度状态传播、状态聚合及门控更新，分别提取局部需求特征与全局关联特征并进行关联融合，实现物流需求量预测；同时根据预测物流需求量与实际物流需求量之间的需求偏差值更新需求知识图谱中的节点、图谱边与边权值，使需求知识图谱持续适应物流需求变化，提高物流需求预测的准确性、稳定性与动态适应能力。