物流路由序列生成方法、装置、计算机设备和存储介质与流程

1.本技术涉及物流技术领域，特别是涉及一种物流路由序列生成方法、装置、计算机设备和存储介质。


背景技术：

2.物流路由规划是指导快件高效运输的有效途径。生成订单起始地至目的地以及途径地的有序序列是物流路由规划的基础，该序列经相应运力资源的联通形成物流路由，成为物流路由池的一员，供规划使用。目前处理该问题的方法主要有两种，分别为搜索算法(深度、广度搜索)和经验规则限制法。
3.然而常见的广度、深度搜索算法时间复杂度过高，难以应用在物流网点和运力规模日益庞大的快递行业中；而经验规则限制法虽然缩小了搜索规模，但是依赖经营管理经验，使搜索丧失了灵活性，过于死板。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种规模小且灵活性较高的物流路由序列生成方法、装置、计算机设备和存储介质。
5.一种物流路由序列生成方法，所述方法包括：
6.获取历史物流路由序列；
7.读取所述历史物流路由序列中包含的各物流网点的网点代码；
8.分别对所述历史物流路由序列中各所述网点代码进行向量化，生成向量化物流路由序列；
9.基于所述向量化物流路由序列，生成与所述向量化物流路由序列对应的相似物流路由序列。
10.在其中的一个实施例中，所述基于所述向量化物流路由序列，生成与所述向量化物流路由序列对应的相似物流路由序列，包括：
11.将所述向量化物流路由序列输入通过训练确定的序列到序列翻译模型；
12.获取所述序列到序列翻译模型输出的向量化相似物流路由序列；
13.基于所述向量化相似物流路由序列得到所述相似物流路由序列。
14.在其中的一个实施例中，所述分别对所述历史物流路由序列中各所述网点代码进行向量化，生成向量化物流路由序列，包括：
15.分别将各所述网点代码输入词向量模型；其中，所述词向量模型基于所有网点代码构建得到；
16.获取所述词向量模型输出的各所述网点代码对应的词向量；
17.分别以所述词向量替换所述历史物流路由序列中对应的网点代码，得到所述历史物流路由序列对应的向量化物流路由序列。
18.在其中的一个实施例中，所述序列到序列翻译模型包括编码器和解码器；
19.将所述向量化物流路由序列输入通过训练确定的序列到序列翻译模型，获取所述序列到序列翻译模型输出的向量化相似物流路由序列，包括：
20.将所述向量化物流路由序列输入所述编码器，得到固定长度的中间向量；
21.将所述中间向量输入所述解码器，获取所述解码器输出的向量化相似物流路由序列。
22.在其中的一个实施例中，所述翻译模型的训练包括步骤：
23.获取样本物流路由序列，所述样本物流路由序列为预设历史时间段内发生的物流路由序列；
24.构建序列到序列翻译模型架构，基于所述样本物流路由序列对所述翻译模型架构进行训练，并在满足终止条件时停止训练，得到所述序列到序列翻译模型。
25.在其中的一个实施例中，所述构建序列到序列翻译模型架构包括：
26.构建基于长短期记忆网络的初始编码器；
27.构建基于长短期记忆网络的初始解码器；
28.将所述初始编码器的输出作为所述初始解码器的输入进行拼接，并在拼接得到模型外部添加修正逻辑，得到所述序列翻译模型架构。
29.一种物流路由序列生成装置，所述装置包括：
30.获取模块，用于获取历史物流路由序列；
31.网点代码读取模块，用于读取所述历史物流路由序列中包含的各物流网点的网点代码；
32.向量化模块，用于分别对所述历史物流路由序列中各所述网点代码进行向量化，生成向量化物流路由序列；
33.相似物流路由序列生成模块，生成与所述向量化物流路由序列对应的相似物流路由序列。
34.在其中的一个实施例中，所述相似物流路由序列生成模块包括：
35.输入单元，用于将所述向量化物流路由序列输入通过训练确定的序列到序列翻译模型；
36.翻译结果获取单元，用于获取所述序列到序列翻译模型输出的向量化相似物流路由序列；
37.所述相似物流路由序列生成模块具体用于：基于所述向量化相似物流路由序列得到所述相似物流路由序列。
38.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述物流路由序列生成方法的步骤。
39.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述物流路由序列生成方法的步骤。
40.上述物流路由序列生成方法、装置、计算机设备和存储介质，该方法通过对已经发生的物流路由序列进行向量化之后，得到向量化物流路由序列，再将向量化物流路由序列输入编码器得到固定长度的向量，将固定长度的向量输入解码器，得到与输入的向量化物流路由序列相似度的物流路由序列。上述方法通过先将获取的物流路由序列进行向量化处理，然后利用向量化处理后的物流序列来生成与其相似的相似物流路由序列，可以降低计
hot(独热编码)、svd(singular value decomposition,奇异值分解)、nnlm(nerual network language model,神经网络语言模型)、word2vec(获取词向量的模型)、glove(global vectors,全局向量)，等方式实现对网点代码的向量化。
58.在一个实施例中，如图2所示，分别对历史物流路由序列中各网点代码进行向量化，生成向量化物流路由序列，包括步骤s131至步骤s133。
59.步骤s131，分别将各网点代码输入词向量模型；其中，词向量模型基于所有网点代码构建得到。
60.词向量(word vector)或称为词嵌入(word embedding)，表示将词表中的单词映射为实数向量。词向量模型可用于将语料库中的词转化成向量，以便后续在词向量的基础上进行各种计算，即可根据输入的词输出一个在向量空间中对应的表示。词向量模型常见的有两种算法cbow(continuous bag-of-words model,连续词袋模型)和skip gram(continuous skip-gram model,连续跳图模型)。cbow是已知当前词的上下文，来预测当前词；而skip-gram则相反，是在已知当前词的情况下，预测其上下文。
61.其中，所有网点代码包括所希望构建的词向量模型覆盖范围内的所有物流网点的网点代码；这一覆盖范围通常以物流范围为基准，例如某物流公司的物流范围为全国各地，则所有网点代码包括全国各地的所有物流网点的网点代码。
62.在一个实施例中，词向量模型的构建可采用任意一种方式实现；构建词向量模型时使用所有网点代码进行构建，构建得到的词向量模型可以生成一个可以反映网点代码间相似度的词空间，该词空间包含整个网点代码字典，其表现为网点代码以向量化形式进行表示，即词空间包含所有网点代码及网点代码对应的词向量。构建好的词向量模型可对于输入的网点代码输出对应的词向量，也可以对于输入的词向量输出对应的网点代码。
63.步骤s132，获取词向量模型输出的各网点代码对应的词向量。
64.步骤s133，分别以词向量替换历史物流路由序列中对应的网点代码，得到历史物流路由序列对应的向量化物流路由序列。
65.本步骤中，将历史物流路由序列中各网点代码以对应的词向量进行替换，可得到向量化后的历史物流路由序列，在本实施例中记为向量化物流路由序列。
66.本实施例中，通过构建好的词向量模型分别对历史物流路由序列中的各网点代码确定对应的词向量，然后将历史物流路由序列中各网点代码以词向量进行替换，可得到向量化历史物流路由序列，后续可用于生成新的物流路由序列；词向量模型运行速度较快，得到的词向量可以较好的表示网点代码之间的相似度。
67.步骤s140，基于向量化物流路由序列，生成与向量化物流路由序列对应的相似物流路由序列。
68.在得到历史物流路由序列对应的向量化物流路由序列之后，基于该向量化物流路由序列可生成与历史物流路由序列相似的物流路由序列，在本实施例中记为相似物流路由序列；需要说明的是，本实施例中输出的相似物流路由路径与输入的历史物流路由序列相似，但属于不同的路由序列。
69.在一个实施例中，如图3所示，基于向量化物流路由序列，生成与向量化物流路由序列对应的相似物流路由序列，包括步骤s141至步骤s143。
70.步骤s141，将向量化物流路由序列输入通过训练确定的序列到序列翻译模型。
71.序列到序列翻译模型(sequence to sequence,通常简称为seq2seq)是一类特殊的递归神经网络体系结构；用于构建seq2seq模型的最常见架构是encoder-decoder架构，在本实施例中，序列到序列翻译模型包括编码器和解码器。序列到序列翻译模型的输入和输出均为序列，在本实施例中，输入序列到序列翻译模型的序列为向量化的物流路由序列，输出同样为向量化的物流路由序列。
72.在一个实施例中，序列到序列翻译模型的训练过程包括构建序列到序列翻译模型框架，利用样本向量化物流路由序列，其中，样本向量化物流路由序列包括多组样本，每一组包括两个相似的向量化物流路由序列，分别以各组向量化物流路由序列对序列到序列翻译模型架构进行训练，直至达到终止条件停止训练，得到序列到序列翻译模型。其中可以通过计算向量化物流路由序列的相似度，以及设定的相似度阈值来判断两个向量化物流路由序列是否相似。
73.步骤s142，获取序列到序列翻译模型输出的向量化相似物流路由序列。
74.进一步地，在一个实施例中，将向量化物流路由序列输入通过训练确定的序列到序列翻译模型，获取序列到序列翻译模型输出的向量化相似物流路由序列，包括：将向量化物流路由序列输入编码器，得到固定长度的中间向量；将中间向量输入解码器，获取解码器输出的向量化相似物流路由序列。
75.其中，编码器(encoder)主要指的是将句子编码成一个能够映射出句子大致内容的固定长度的向量。解码器(decoder)，是将由编码器得到的固定长度的向量再还原成对应的序列数据，一般使用和编码器同样的结构。实际操作过程会将由编码器得到的定长向量传递给解码器，解码器节点会使用这个向量作为隐藏层输入和一个开始标志位作为当前位置的输入。
76.步骤s143，基于向量化相似物流路由序列得到相似物流路由序列。
77.在一个实施例中，基于向量化相似物流路由序列得到相似物流路由序列包括：读取向量化相似路由序列中的各词向量，分别将各词向量输入词向量模型，获取词向量模型输出的词向量对应的网点代码，将网点代码在向量化物流路由序列中替换对应的词向量，得到转换为网点代码的相似物流路由序列。其中所用到的词向量为上述实施例中的基于所有网点代码构建的词向量模型。
78.在本实施例中，利用训练好的序列到序列模型对向量化物流路由序列进行翻译，得到与其相似的物流路由序列，后续可用于路径规划。序列到序列模型无需考虑序列长度和顺序，每个输入对应一个输出。
79.上述物流路由序列生成方法，该方法通过对已经发生的物流路由序列进行向量化之后，得到向量化物流路由序列，再将向量化物流路由序列输入编码器得到固定长度的向量，将固定长度的向量输入解码器，得到与输入的向量化物流路由序列相似度的物流路由序列。上述方法通过先将获取的物流路由序列进行向量化处理，然后利用向量化处理后的物流序列来生成与其相似的相似物流路由序列，可以降低计算复杂度，从而缩小规模，同时不需要依赖个人经验，灵活性较高。
80.进一步地，在一个实施例中，如图4所示翻译模型的训练包括步骤s410：获取样本物流路由序列，样本物流路由序列为预设历史时间段内发生的物流路由序列；步骤s420：构建序列到序列翻译模型架构，基于样本物流路由序列对翻译模型架构进行训练，并在满足
终止条件时停止训练，得到序列到序列翻译模型。
81.其中，预设历史时间段可以根据实际情况自行设定，例如可以设置为历史6个月、12个月内或者历史24个月，等等；预设历史时间段可以提前设置；也可以在训练模型时进行设置，例如在需要获取样本时，由用户输入待获取数据的时间范围，在对应的路径获取该时间范围内的历史物流路由序列作为样本物流路由序列。在一个实施例中，可以从预设数据库中获取样本物流路由序列。可以理解地，在其它实施例中也可以通过其它方式获取样本物流路由序列。
82.在一个实施例中，序列到序列翻译模型架构包括编码器和解码器。模型的训练主要需要考虑三个部分：编码器的输入，解码器的输入，以及解码器的输出。其中编码器的输入：序列任务的数据集主要分为原序列和转换序列，比如在本实施例中，编码器的lstm(long short-term memory，长短期记忆网络)投入的输入为历史物流路由序列所对应的向量。在本实施例中，解码器的输入为编码器的输出；解码器的输出为与历史物流理由序列对应的向量相似的向量化路由序列。
83.终止条件即模型训练的终止条件，在一个具体实施例中，序列到序列翻译模型的训练终止条件设置为直至用于判断模型输出贴近样本数据的损失函数指标达到一个经验值(例：损失函数指标达到0.01)；在其它实施例中，终止条件也可以设置为其它条件。
84.其中，在一个实施例中，如图5所示，构建序列到序列翻译模型架构包括步骤s421至步骤s423。
85.步骤s421，构建基于长短期记忆网络的初始编码器。
86.其中，长短期记忆网络(lstm)，是一种时间循环神经网络，是为了解决一般的rnn存在的长期依赖问题而专门设计出来的，所有的rnn都具有一种重复神经网络模块的链式形式。
87.步骤s422，构建基于长短期记忆网络的初始解码器。
88.步骤s423，将初始编码器的输出作为初始解码器的输入进行拼接，并在拼接得到模型外部添加修正逻辑，得到序列翻译模型架构。
89.将初始编码器的输出作为初始解码器的输入进行拼接包括：按照以下顺序将上述已实现的模型部件组装为序列到序列(seq2seq)翻译模型：输入向量化的路由序列，编码器，固定长度的向量，解码器，输出向量化序列。进一步地，在拼接得到序列到序列翻译模型架构后，在外部添加一段根据训练数据修正编码器和解码器参数的修正逻辑。
90.本实施例中，通过构建初始编码器和初始解码器，并按照一定的顺序拼接初始编码器和初始解码器，对于得到的序列到序列模型架构基于样本物流路由序列进行训练，并在达到终止条件时停止训练，得到序列到序列翻译模型，可用于对于输入的物流路由序列进行翻译，得到与原序列相似的新序列。
91.在一个具体实施例中，上述物流路由序列生成方法包括以下步骤：
92.获取历史物流路由，组成历史物流路由序列；分别读取各历史物流路由序列中的各网点代码。
93.利用构建好的词向量模型对各网点代码进行向量化，得到各网点代码对应的词向量，将各历史物流路由序列中的网点代码分别以对应的词向量进行替换，得到对应的向量化历史物流路由序列。其中，构建词向量模型包括：制作网点代码字典；网点代码字典中收
集了全国所有网点代码；基于网点代码字典构建一个word2vec词向量模型；该模型将根据所有现有路由序列生成一个可以反映网点代码间相似度的词空间，该空间包含整个网点代码字典，其表现形式为网点代码的向量化表示，即网点代码的词向量。
94.将向量化历史物流路由序列作为训练好的序列到序列翻译模型的输入，获取序列到序列翻译模型输出的新序列，即向量化相似物流路由序列；将向量化相似物流路由序列转换得到与历史物流路由序列相似的物流路由序列。
95.其中，序列到序列翻译模型的构建包括步骤：
①
构建一个基于lstm网络的编码器；该编码器输入是向量化后的路由序列，其输出为一个固定长度的向量；
②
构建一个基于lstm网络的解码器；该解码器输入是编码器输出的固定长度向量，其输出为一个形同编码器输入的向量化序列；
③
用一段组装逻辑将编码器和解码器连接起来，组装为序列到序列翻译模型架构；(其中组装逻辑主要是按照以下顺序将上述已实现的模型部件组装为序列到序列翻译模型：输入向量化的路由序列，编码器，固定长度的向量，解码器，输出向量化序列)；
④
组装好序列到序列翻译模型架构后，在外部添加一段根据训练数据修正编码器和解码器参数的修正逻辑；
⑤
基于样本物流路由序列对序列到序列翻译模型架构进行训练，直至用于判断模型贴近训练数据的损失函数指标达到一个经验值(例：损失函数指标达到0.01)。如图6所示为序列到序列翻译模型的结构示意图。
96.本实施例中，通过先生成路由序列再进行串联的方式，缩小了路由串联的规模，同时节约了时间和计算力资源；使用编解码中间向量作为路由序列信息的抽象表示，保证了新序列与原序列的相似性，从而保证了新序列的可执行性；翻译模型产生的是与原序列相似的新序列，由此串联出的是与原路由相似的新路由；而与已有路由相似的新路由是路由优化的重要基础。由上述路由序列生成方法产出的路由序列可以成为路由优化模型的输入，为下游项目提供支持。
97.应该理解的是，虽然上述实施例中所涉及的各流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述实施例中所涉及的各流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
98.在一个实施例中，如图7所示，提供了一种物流路由序列生成装置，包括：获取模块710、网点代码读取模块720、向量化模块730和相似物流路由序列生成模块740，其中：
99.获取模块710，用于获取历史物流路由序列。
100.网点代码读取模块720，用于读取历史物流路由序列中包含的各物流网点的网点代码。
101.向量化模块730，用于分别对历史物流路由序列中各网点代码进行向量化，生成向量化物流路由序列。
102.相似物流路由序列生成模块740，生成与向量化物流路由序列对应的相似物流路由序列。
103.上述物流路由序列生成装置，通过对已经发生的物流路由序列进行向量化之后，
得到向量化物流路由序列，再将向量化物流路由序列输入编码器得到固定长度的向量，将固定长度的向量输入解码器，得到与输入的向量化物流路由序列相似度的物流路由序列。上述装置通过先将获取的物流路由序列进行向量化处理，然后利用向量化处理后的物流序列来生成与其相似的相似物流路由序列，可以降低计算复杂度，从而缩小规模，同时不需要依赖个人经验，灵活性较高。
104.在一个实施例中，相似物流路由序列生成模块740包括：输入单元，用于将向量化物流路由序列输入通过训练确定的序列到序列翻译模型；翻译结果获取单元，用于获取序列到序列翻译模型输出的向量化相似物流路由序列；在本实施例中，相似物流路由序列生成模块具体用于：基于向量化相似物流路由序列得到相似物流路由序列。
105.在一个实施例中，向量化模块730包括：输入单元，用于分别将各网点代码输入词向量模型；其中，词向量模型基于所有网点代码构建得到；词向量获取单元，用于获取词向量模型输出的各网点代码对应的词向量；替换单元，用于分别以词向量替换历史物流路由序列中对应的网点代码，得到历史物流路由序列对应的向量化物流路由序列。
106.在一个实施例中，序列到序列翻译模型包括编码器和解码器；在本实施例中，上述相似物流路由序列生成模块740具体用于：将向量化物流路由序列输入编码器，得到固定长度的中间向量；将中间向量输入解码器，获取解码器输出的向量化相似物流路由序列。
107.在一个实施例中，上述装置还包括训练模型，包括样本获取单元用于：获取样本物流路由序列，样本物流路由序列为预设历史时间段内发生的物流路由序列；训练单元，用于构建序列到序列翻译模型架构，基于样本物流路由序列对翻译模型架构进行训练，并在满足终止条件时停止训练，得到序列到序列翻译模型。
108.在一个实施例中，上述装置的训练单元包括编码器构建子单元，用于构建基于长短期记忆网络的初始编码器；解码器构建子单元，用于构建基于长短期记忆网络的初始解码器；拼接子单元，用于将初始编码器的输出作为初始解码器的输入进行拼接，并在拼接得到模型外部添加修正逻辑，得到序列翻译模型架构。
109.关于物流路由序列生成装置的具体限定可以参见上文中对于物流路由序列生成方法的限定，在此不再赘述。上述物流路由序列生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
110.在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、运营商网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种物流路由序列生成方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
111.本领域技术人员可以理解，图8中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
112.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
113.获取历史物流路由序列；读取历史物流路由序列中包含的各物流网点的网点代码；分别对历史物流路由序列中各网点代码进行向量化，生成向量化物流路由序列；基于向量化物流路由序列，生成与向量化物流路由序列对应的相似物流路由序列。
114.在一个实施例中，处理器执行计算机程序时还实现以下步骤：将向量化物流路由序列输入通过训练确定的序列到序列翻译模型；获取序列到序列翻译模型输出的向量化相似物流路由序列；基于向量化相似物流路由序列得到相似物流路由序列。
115.在一个实施例中，处理器执行计算机程序时还实现以下步骤：分别将各网点代码输入词向量模型；其中，词向量模型基于所有网点代码构建得到；获取词向量模型输出的各网点代码对应的词向量；分别以词向量替换历史物流路由序列中对应的网点代码，得到历史物流路由序列对应的向量化物流路由序列。
116.在一个实施例中，处理器执行计算机程序时还实现以下步骤：将向量化物流路由序列输入编码器，得到固定长度的中间向量；将中间向量输入解码器，获取解码器输出的向量化相似物流路由序列。
117.在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取样本物流路由序列，样本物流路由序列为预设历史时间段内发生的物流路由序列；构建序列到序列翻译模型架构，基于样本物流路由序列对翻译模型架构进行训练，并在满足终止条件时停止训练，得到序列到序列翻译模型。
118.在一个实施例中，处理器执行计算机程序时还实现以下步骤：构建基于长短期记忆网络的初始编码器；构建基于长短期记忆网络的初始解码器；将初始编码器的输出作为初始解码器的输入进行拼接，并在拼接得到模型外部添加修正逻辑，得到序列翻译模型架构。
119.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
120.获取历史物流路由序列；读取历史物流路由序列中包含的各物流网点的网点代码；分别对历史物流路由序列中各网点代码进行向量化，生成向量化物流路由序列；基于向量化物流路由序列，生成与向量化物流路由序列对应的相似物流路由序列。
121.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将向量化物流路由序列输入通过训练确定的序列到序列翻译模型；获取序列到序列翻译模型输出的向量化相似物流路由序列；基于向量化相似物流路由序列得到相似物流路由序列。
122.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：分别将各网点代码输入词向量模型；其中，词向量模型基于所有网点代码构建得到；获取词向量模型输出的各网点代码对应的词向量；分别以词向量替换历史物流路由序列中对应的网点代码，得到历史物流路由序列对应的向量化物流路由序列。
123.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将向量化物流路
由序列输入编码器，得到固定长度的中间向量；将中间向量输入解码器，获取解码器输出的向量化相似物流路由序列。
124.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取样本物流路由序列，样本物流路由序列为预设历史时间段内发生的物流路由序列；构建序列到序列翻译模型架构，基于样本物流路由序列对翻译模型架构进行训练，并在满足终止条件时停止训练，得到序列到序列翻译模型。
125.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：构建基于长短期记忆网络的初始编码器；构建基于长短期记忆网络的初始解码器；将初始编码器的输出作为初始解码器的输入进行拼接，并在拼接得到模型外部添加修正逻辑，得到序列翻译模型架构。
126.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。
127.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
128.以上实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。