一种基于位置匹配的LNG罐装安全管理方法及物联网系统与流程

一种基于位置匹配的lng罐装安全管理方法及物联网系统
技术领域
1.本发明涉及液化天然气管理技术领域，尤其涉及一种基于位置匹配的lng罐装安全管理方法及物联网系统。


背景技术：

2.2021年8月，国家能源局石油天然气司等部门公布《中国天然气发展报告(2021)》，报告显示：我国天然气多元供应体系持续完善，“全国一张网”基本成形。累计建成长输管道4.6万千米，全国天然气管道总里程达到约11万千米。但是，仍然有大量的远郊区县、山区、农村等经济欠发达地区、管道辐射不足的区域内，无法使用优势明显、安全、洁净的天然气来进行生活、工作。据统计，目前国内近6亿人仍然无法使用天然气。
3.然而，远郊区县、山区、农村燃气市场是城镇燃气的潜在市场，这些地区的能源供应作为国家整个能源系统不可分割的组成部分，其供应与消费必然影响到中国能源的供求形势。目前城市建设的重点逐步从市区向远郊区县、山区、农村战略转移，需要建立高效、安全、经济的能源供应体系。2021年1月，中央“一号文件”正式发布了“燃气下乡”政策文件，提出“加强乡村公共基础设施建设，推进燃气下乡，支持建设安全可靠的乡村储气罐站和微管网供气系统”。
4.液化天然气（lng）作为清洁能源现备受关注，天然气燃烧后产生的二氧化碳和氮氧化合物仅为煤的50%和20%，污染为液化石油气的1/4，煤的1/800。由于管道铺设投资费用大，lng气化站具有比管道气更好的经济性，在中小城镇可采用lng气化站作为气源供居民使用，此外还可用于商业，事业单位的生活以及用户的采暖等。可通过构建虚拟管网体系，推进燃气下乡工作，解决国内近6亿人仍然无法使用天然气的现状。
5.lng气化站的补充通常采用lng运输槽车进行配送补给，补给罐装过程中需要对气化站的位置和槽车位置进行匹配，确保配送的准确性。但是传统的地址匹配方法主要关注地址文本间字与字的匹配关系，无法准确识别不同表达方式下不同地址的同一指向关系，地址匹配速度较慢。因此在这一背景下，要对多源异构的海量地址数据进行匹配，传统的地址匹配方法已不再适用。
6.此外，在lng运输槽车配送过程中，缺乏对运输槽车位置的精准定位和运输数据的监管，lng运输安全性有待提高。


技术实现要素：

7.本发明的目的在于克服现有技术的不足，提供一种基于位置匹配的lng罐装安全管理方法及物联网系统，利用深度学习算法从地址文本中进行语义特征的提取，将深度学习应用于地址匹配，很大程度上减小地址表达方式与结构对地址匹配度的影响。同时，在运输过程中，根据运输槽车的相对位置和运动方向，匹配地图信息预测行驶方向，实现lng运输的全程监控。
8.本发明的目的是通过以下技术方案来实现的：
一种基于位置匹配的lng罐装安全管理方法，包括以下步骤：步骤一：lng分布式能源智能终端感知采集终端运行信息，生成罐装请求并发送至lng分布式能源管理平台；步骤二：lng分布式能源管理平台接收罐装请求后，获取lng运输车的车辆信息，生成罐装任务计划并分别下发至lng运输车和lng分布式能源智能终端；步骤三：lng运输车按照罐装任务计划前往lng分布式能源智能终端所在地，lng分布式能源管理平台对lng运输车的行驶轨迹进行实时跟踪监控；步骤四：lng运输车抵达lng分布式能源智能终端所在地后，发起位置匹配请求，通过lng分布式能源管理平台与lng分布式能源智能终端完成双向位置匹配认证，对lng分布式能源智能终端进行罐装。
9.具体的，所述步骤一具体为：lng分布式能源智能终端利用感知采集装置感知采集lng分布式能源智能终端的所处位置信息和液化天然气储量信息，并在液化天然气储量低于预设报警阈值时，生成罐装请求，并将罐装请求和所处位置信息发送至lng分布式能源管理平台。
10.具体的，所述步骤二具体为：lng分布式能源管理平台接收到lng分布式能源智能终端的罐装请求和所处位置信息后，获取当前与lng分布式能源管理平台处于通信连接的lng运输车的车辆信息，车辆信息包括槽车编号、车辆位置信息和车辆的速度信息；按照时间最短匹配原则，获取距离lng分布式能源智能终端运输时间最短的lng运输车的槽车编号和车辆位置信息，生成罐装任务计划并分别下发至lng运输车和lng分布式能源智能终端。
11.具体的，所述步骤三中lng分布式能源管理平台对lng运输车的行驶轨迹进行实时跟踪监控过程具体包括：lng分布式能源管理平台根据lng运输车的车辆位置信息和lng分布式能源智能终端所在地预先规划出lng运输车的罐装路径；选择惯性参考系作为参照，将坐标的圆心设定在车辆的中心位置，根据lng运输车的车辆位置信息和速度信息构建lng运输车的行驶坐标；基于lng运输车的行驶坐标确定lng运输车的姿态角和方向信息，将lng运输车的重力加速度总量划分成若干个分量，并采取累积线性加速度的方式，得出lng运输车的位移区间，计算lng运输车的方向角数值，并将测量得到的加速度分量代入到行驶坐标中，推测出lng运输车的行驶方向；根据lng运输车的行驶方向和车辆位置信息，分析获得lng运输车的行驶路径，将预先规划出lng运输车的罐装路径和行驶路径进行匹配，若路径不匹配则向lng运输车下发路线偏离告警。
12.具体的，所述步骤四中双向位置匹配认证过程为：lng罐装时，lng运输车向lng分布式能源管理平台发送对应lng分布式能源智能终端的罐装请求信息和槽车位置信息；lng分布式能源智能终端向管理平台发送对应槽车编号的罐装请求信息和lng分布式能源智能终端位置信息；lng分布式能源管理平台匹配lng运输车和lng分布式能源智能终端发送的感知信息，以及数据库中的罐装任务计划，匹配成功则分别向lng运输车和lng分布式能源智能终
端下发罐装指令；匹配失败，则向平台管理人员发起告警提示；lng运输车和lng分布式能源智能终端获得罐装指令后，分别开启各自的阀门进行罐装。
13.具体的，所述lng分布式能源管理平台根据罐装任务计划进行信息匹配过程具体包括：lng分布式能源管理平台构建地址匹配模型，分别对槽车位置信息和lng分布式能源智能终端的所处位置信息进行语义特征提取；lng分布式能源管理平台根据罐装请求信息查询出数据库中存储的罐装任务计划，获取罐装任务计划中的lng分布式能源智能终端的位置信息和槽车位置信息；将提取出的语义特征与数据库中罐装任务计划的地址进行地址文本语义匹配，并输出匹配结果。
14.具体的，所述lng分布式能源管理平台构建地址匹配模型过程具体包括：地址数据集划分：获取lng分布式能源管理平台历史罐装任务计划中的地址数据组成地址数据库，构建含有人工标记的地址数据集，并将其划分为训练集、验证集和测试集；地址元素的词向量训练：采用gensim自然语言处理库中的word2vec模型对地址数据库中的训练集进行词向量训练，从而获得当前应用语境下词表的词向量；地址文本语义匹配：采用esim模型作为地址文本语义匹配的基本模型，根据地址元素的上下文依赖关系进行局部建模，获得地址匹配模型；地址匹配验证和测试：根据验证集对地址匹配模型进行地址匹配验证，根据验证结果调整模型的隐层节点数、学习率及mini batch大小，最后利用测试集进行地址匹配测试。
15.具体的，所述地址元素的词向量训练过程具体包括：word2vec属于无监督的神经网络语言模型，采用gensim自然语言处理库中的word2vec模型对地址数据库中的训练集进行词向量训练，先根据当前词与其局部上下文的分布进行建模，从而得到当前词的词向量；训练过程中采用的模型为cbow模型，训练方法为negative sampling；最后生成该语料库的地址元素词表及其对应的256维词向量。
16.一种基于位置匹配的lng罐装安全管理物联网系统，采用上述一种基于位置匹配的lng罐装安全管理方法实现，系统包括对象平台、传感网络平台、lng分布式能源管理平台、服务平台和用户平台；其中，对象平台用于感知采集lng运输车的车辆信息和lng分布式能源智能终端的终端运行信息，并根据终端运行信息生成罐装请求通过传感网络平台传输至lng分布式能源管理平台；对象平台包括lng分布式能源智能终端和lng运输车；lng分布式能源智能终端利用感知采集装置感知采集lng分布式能源智能终端的所处位置信息和液化天然气储量信息，并在液化天然气储量低于预设报警阈值时，生成罐装请求，并将罐装请求和所处位置信息发送至lng分布式能源管理平台；传感网络平台用于实现管理平台和对象平台感知与控制的通信连接；lng分布式能源管理平台用于根据采集的lng运输车的车辆信息和lng分布式能源智能终端的终端运行信息，生成罐装任务计划并分别下发至lng运输车和lng分布式能源智能终端，以及对lng运输车的行驶轨迹进行实时跟踪监控；lng分布式能源管理平台接收到
lng分布式能源智能终端的罐装请求和所处位置信息后，获取当前与lng分布式能源管理平台处于通信连接的lng运输车的车辆信息，车辆信息包括槽车编号、车辆位置信息和车辆的速度信息；按照时间最短匹配原则，获取距离lng分布式能源智能终端运输时间最短的lng运输车的槽车编号和车辆位置信息，生成罐装任务计划并分别下发至lng运输车和lng分布式能源智能终端；lng分布式能源管理平台对lng运输车的行驶轨迹进行实时跟踪监控过程具体包括：lng分布式能源管理平台根据lng运输车的车辆位置信息和lng分布式能源智能终端所在地预先规划出lng运输车的罐装路径；选择惯性参考系作为参照，将坐标的圆心设定在车辆的中心位置，根据lng运输车的车辆位置信息和速度信息构建lng运输车的行驶坐标；基于lng运输车的行驶坐标确定lng运输车的姿态角和方向信息，将lng运输车的重力加速度总量划分成若干个分量，并采取累积线性加速度的方式，得出lng运输车的位移区间，计算lng运输车的方向角数值，并将测量得到的加速度分量，带入到行驶坐标中，推测出lng运输车的行驶方向；根据lng运输车的行驶方向和车辆位置信息，分析获得lng运输车的行驶路径，将预先规划出lng运输车的罐装路径和行驶路径进行匹配，若路径不匹配则向lng运输车下发路线偏离告警；服务平台用于从lng分布式能源管理平台获取用户需求的lng罐装流程中lng运输车的车辆信息和lng分布式能源智能终端的终端运行信息；用户平台用于各类用户从服务平台获取lng运输车的车辆信息和lng分布式能源智能终端的终端运行信息。
17.具体的，所述lng运输车抵达lng分布式能源智能终端所在地后，发起位置匹配请求，通过lng分布式能源管理平台与lng分布式能源智能终端完成双向位置匹配认证，对lng分布式能源智能终端进行罐装；双向位置匹配认证过程为：lng罐装时，lng运输车向lng分布式能源管理平台发送对应lng分布式能源智能终端的罐装请求信息和槽车位置信息；lng分布式能源智能终端向lng分布式能源管理平台发送对应槽车编号的罐装请求信息和lng分布式能源智能终端的位置信息；lng分布式能源管理平台根据罐装任务计划进行信息匹配，匹配成功则分别向lng运输车和lng分布式能源智能终端下发罐装指令；匹配失败，则向平台管理人员发起告警提示；lng运输车和lng分布式能源智能终端获得罐装指令后，分别开启各自的阀门进行罐装。
18.lng分布式能源管理平台根据罐装任务计划进行信息匹配过程具体包括：lng分布式能源管理平台构建地址匹配模型，分别对槽车位置信息和lng分布式能源智能终端的所处位置信息进行语义特征提取；lng分布式能源管理平台根据罐装请求信息查询出数据库中存储的罐装任务计划，获取罐装任务计划中的lng分布式能源智能终端的位置信息和槽车位置信息；将提取出的语义特征与数据库中罐装任务计划的地址进行地址文本语义匹
配，并输出匹配结果。
19.lng分布式能源管理平台构建地址匹配模型过程具体包括：地址数据集划分：获取lng分布式能源管理平台历史罐装任务计划中的地址数据组成地址数据库，构建含有人工标记的地址数据集，并将其划分为训练集、验证集和测试集；地址元素的词向量训练：采用gensim自然语言处理库中的word2vec模型对地址数据库中的训练集进行词向量训练，从而获得当前应用语境下词表的词向量；地址文本语义匹配：采用esim模型作为地址文本语义匹配的基本模型，根据地址元素的上下文依赖关系进行局部建模，获得地址匹配模型。
20.地址匹配验证和测试，根据验证集对地址匹配模型进行地址匹配验证，根据验证结果调整模型的隐层节点数、学习率及mini batch大小，最后利用测试集进行地址匹配测试。
21.地址元素的词向量训练过程具体包括：word2vec属于无监督的神经网络语言模型，采用gensim自然语言处理库中的word2vec模型对地址数据库中的训练集进行词向量训练，先根据当前词与其局部上下文的分布进行建模，从而得到当前词的词向量；训练过程中采用的模型为cbow模型，训练方法为negative sampling；最后生成该语料库的地址元素词表及其对应的256维词向量。
22.本发明的有益效果：1、本发明利用深度学习算法从地址文本中进行语义特征的提取，将深度学习应用于地址匹配，很大程度上减小地址表达方式与结构对地址匹配度的影响，减少了lng罐装过程中的位置匹配时间，提高了lng罐装效率。
23.2、本发明在运输过程中实时感知采集车辆相关信息进行监控，并根据运输槽车的相对位置和运动方向，匹配地图信息预测行驶方向，实现lng运输的全程监控，提高了lng运输罐装的安全性。
附图说明
24.图1是本发明的方法流程图；图2是模型构建流程图；图3是本发明系统架构图。
具体实施方式
25.为了对本发明的技术特征、目的和有益效果有更加清楚的理解，现对本发明的技术方案精选以下详细说明。显然，所描述的实施案例是本发明一部分实施例，而不是全部实施例，不能理解为对本发明可实施范围的限定。基于本发明的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的其他所有实施例，都属于本发明的保护范围。
26.实施例一：本实施例中，如图1所示，一种基于位置匹配的lng罐装安全管理方法，包括以下步骤：步骤一：lng分布式能源智能终端感知采集终端运行信息，生成罐装请求并发送至
lng分布式能源管理平台；步骤二：lng分布式能源管理平台接收罐装请求后，获取lng运输车的车辆信息，生成罐装任务计划并分别下发至lng运输车和lng分布式能源智能终端；步骤三：lng运输车按照罐装任务计划前往lng分布式能源智能终端所在地，lng分布式能源管理平台对lng运输车的行驶轨迹进行实时跟踪监控；步骤四：lng运输车抵达lng分布式能源智能终端所在地后，发起位置匹配请求，通过lng分布式能源管理平台与lng分布式能源智能终端完成双向位置匹配认证，对lng分布式能源智能终端进行罐装。
27.本实施例中，所述步骤一具体为：lng分布式能源智能终端利用感知采集装置感知采集lng分布式能源智能终端的所处位置信息和液化天然气储量信息，并在液化天然气储量低于预设报警阈值时，生成罐装请求，并将罐装请求和所处位置信息发送至lng分布式能源管理平台。
28.本实施例中，所述步骤二具体为：lng分布式能源管理平台接收到lng分布式能源智能终端的罐装请求和所处位置信息后，获取当前与lng分布式能源管理平台处于通信连接的lng运输车的车辆信息，车辆信息包括槽车编号、车辆位置信息和车辆的速度信息；按照时间最短匹配原则，以位置信息和速度信息计算评估出各运输车所需时间，获取距离lng分布式能源智能终端运输时间最短的lng运输车的槽车编号和车辆位置信息，生成罐装任务计划并分别下发至lng运输车和lng分布式能源智能终端。
29.本实施例中，所述lng分布式能源管理平台对lng运输车的行驶轨迹进行实时跟踪监控过程具体包括：lng分布式能源管理平台根据lng运输车的车辆位置信息和lng分布式能源智能终端所在地预先规划出lng运输车的罐装路径；选择惯性参考系作为参照，将坐标的圆心设定在车辆的中心位置，根据lng运输车的车辆位置信息和速度信息构建lng运输车的行驶坐标；基于lng运输车的行驶坐标确定lng运输车的姿态角和方向信息，将lng运输车的重力加速度总量划分成若干个分量，并采取累积线性加速度的方式，得出lng运输车的位移区间，计算lng运输车的方向角数值，并将测量得到的加速度分量，带入到行驶坐标中，推测出lng运输车的行驶方向；根据lng运输车的行驶方向和车辆位置信息，分析获得lng运输车的行驶路径，将预先规划出lng运输车的罐装路径和行驶路径进行匹配，若路径不匹配则向lng运输车下发路线偏离告警。
30.本实施例中，双向位置匹配认证过程为：lng罐装时，lng运输车向lng分布式能源管理平台发送对应lng分布式能源智能终端的罐装请求信息和槽车位置信息；lng分布式能源智能终端向管理平台发送对应槽车编号的罐装请求信息和lng分布式能源智能终端位置信息；lng分布式能源管理平台匹配lng运输车和lng分布式能源智能终端发送的感知信息，以及数据库中的罐装任务计划，匹配成功则分别向lng运输车和lng分布式能源智能终端下发罐装指令；匹配失败，则向平台管理人员发起告警提示；
lng运输车和lng分布式能源智能终端获得罐装指令后，分别开启各自的阀门进行罐装。
31.本实施例中，所述lng分布式能源管理平台根据罐装任务计划进行信息匹配过程具体包括：lng分布式能源管理平台构建地址匹配模型，分别对槽车位置信息和lng分布式能源智能终端的所处位置信息进行语义特征提取；lng分布式能源管理平台根据罐装请求信息查询出数据库中存储的罐装任务计划，获取罐装任务计划中的lng分布式能源智能终端的位置信息和槽车位置信息；将提取出的语义特征与数据库中罐装任务计划的地址进行地址文本语义匹配，并输出匹配结果。
32.本实施例中，如图2所示，lng分布式能源管理平台构建地址匹配模型过程具体如下：地址数据集划分：获取lng分布式能源管理平台历史罐装任务计划中的地址数据组成地址数据库，构建含有人工标记的地址数据集，并将其划分为训练集、验证集和测试集。其中，训练集用于模型自身参数的训练，验证集用于模型超参数的调整与优化，测试集用于模型精度的最终评价。
33.地址元素的词向量训练：采用gensim自然语言处理库中的word2vec模型对地址数据库中的训练集进行词向量训练，从而获得当前应用语境下词表的向量表示，构建地址语义匹配模型的输入。word2vec属于无监督的神经网络语言模型(neural network language model, nnlm)，其本质是一个全连接神经网络，可根据当前词与其局部上下文的分布进行建模，从而得到当前词的词向量。训练过程中采用的模型为cbow模型，训练方法为negative sampling。最后生成该语料库的地址元素词表及其对应的256维词向量。
34.地址文本语义匹配：采用esim模型作为地址文本语义匹配的基本模型，esim模型属于基于交互的深度文本匹配模型中的一种，其在模型构造中综合利用了卷积神经网络和循环神经网络在自然语言处理中的一些特性，可根据地址元素的上下文依赖关系进行局部建模，最终完成地址匹配任务。
35.地址匹配验证和测试：根据验证集对地址匹配模型进行地址匹配验证，为获得性能最佳的esim模型，本发明对模型的隐层节点数、学习率及mini batch大小进行了调整，并综合根据模型在验证集上的最佳精度、模型的训练时长、模型训练损失的收敛速度以及模型在验证集上预测精度的稳定性选择了一组较优的参数组合。最后利用测试集进行地址匹配测试。
36.传统的地址匹配算法主要侧重于利用匹配地址的字面重叠直接进行相似度计算与文本匹配，该种方法已很难适用于当今海量的多源异构地址数据的匹配任务。因此，本发明设计并实现了基于深度学习的地址匹配算法，不同于传统的地址匹配算法，该算法侧重研究地址文本在语义上的相似程度，并以此为基础完成匹配任务。
37.实施例二：如图3所示，本实施例还提供了一种基于位置匹配的lng罐装安全管理物联网系统，采用上述实施例一中的一种基于位置匹配的lng罐装安全管理方法实现，系统包括对象平台、传感网络平台、lng分布式能源管理平台、服务平台和用户平台；其中，对象平台用于感知采集lng运输车的车辆信息和lng分布式能源智能终端的终端运行信息，并根据终端运行信息生成罐装请求通过传感网络平台传输至lng分布式能源管
理平台；对象平台包括lng分布式能源智能终端和lng运输车；lng分布式能源智能终端利用感知采集装置感知采集lng分布式能源智能终端的所处位置信息和液化天然气储量信息，并在液化天然气储量低于预设报警阈值时，生成罐装请求，并将罐装请求和所处位置信息发送至lng分布式能源管理平台；传感网络平台用于实现管理平台和对象平台感知与控制的通信连接；lng分布式能源管理平台用于根据采集的lng运输车的车辆信息和lng分布式能源智能终端的终端运行信息，生成罐装任务计划并分别下发至lng运输车和lng分布式能源智能终端，以及对lng运输车的行驶轨迹进行实时跟踪监控；lng分布式能源管理平台接收到lng分布式能源智能终端的罐装请求和所处位置信息后，获取当前与lng分布式能源管理平台处于通信连接的lng运输车的车辆信息，车辆信息包括槽车编号、车辆位置信息和车辆的速度信息；按照时间最短匹配原则，获取距离lng分布式能源智能终端运输时间最短的lng运输车的槽车编号和车辆位置信息，生成罐装任务计划并分别下发至lng运输车和lng分布式能源智能终端；lng分布式能源管理平台对lng运输车的行驶轨迹进行实时跟踪监控过程具体包括：lng分布式能源管理平台根据lng运输车的车辆位置信息和lng分布式能源智能终端所在地预先规划出lng运输车的罐装路径；选择惯性参考系作为参照，将坐标的圆心设定在车辆的中心位置，根据lng运输车的车辆位置信息和速度信息构建lng运输车的行驶坐标；基于lng运输车的行驶坐标确定lng运输车的姿态角和方向信息，将lng运输车的重力加速度总量划分成若干个分量，并采取累积线性加速度的方式，得出lng运输车的位移区间，计算lng运输车的方向角数值，并将测量得到的加速度分量，带入到行驶坐标中，推测出lng运输车的行驶方向；根据lng运输车的行驶方向和车辆位置信息，分析获得lng运输车的行驶路径，将预先规划出lng运输车的罐装路径和行驶路径进行匹配，若路径不匹配则向lng运输车下发路线偏离告警；服务平台用于从lng分布式能源管理平台获取用户需求的lng罐装流程中lng运输车的车辆信息和lng分布式能源智能终端的终端运行信息；用户平台用于各类用户从服务平台获取lng运输车的车辆信息和lng分布式能源智能终端的终端运行信息。
38.具体的，所述lng运输车抵达lng分布式能源智能终端所在地后，发起位置匹配请求，通过lng分布式能源管理平台与lng分布式能源智能终端完成双向位置匹配认证，对lng分布式能源智能终端进行罐装；双向位置匹配认证过程为：lng罐装时，lng运输车向lng分布式能源管理平台发送对应lng分布式能源智能终端的罐装请求信息和槽车位置信息；lng分布式能源智能终端向lng分布式能源管理平台发送对应槽车编号的罐装请求信息和lng分布式能源智能终端的位置信息；lng分布式能源管理平台根据罐装任务计划进行信息匹配，匹配成功则分别向lng
运输车和lng分布式能源智能终端下发罐装指令；匹配失败，则向平台管理人员发起告警提示；lng运输车和lng分布式能源智能终端获得罐装指令后，分别开启各自的阀门进行罐装。
39.lng分布式能源管理平台根据罐装任务计划进行信息匹配过程具体包括：lng分布式能源管理平台构建地址匹配模型，分别对槽车位置信息和lng分布式能源智能终端的所处位置信息进行语义特征提取；lng分布式能源管理平台根据罐装请求信息查询出数据库中存储的罐装任务计划，获取罐装任务计划中的lng分布式能源智能终端的位置信息和槽车位置信息；将提取出的语义特征与数据库中罐装任务计划的地址进行地址文本语义匹配，并输出匹配结果。
40.lng分布式能源管理平台构建地址匹配模型过程具体包括：地址数据集划分：获取lng分布式能源管理平台历史罐装任务计划中的地址数据组成地址数据库，构建含有人工标记的地址数据集，并将其划分为训练集、验证集和测试集；地址元素的词向量训练：采用gensim自然语言处理库中的word2vec模型对地址数据库中的训练集进行词向量训练，从而获得当前应用语境下词表的词向量；地址文本语义匹配：采用esim模型作为地址文本语义匹配的基本模型，根据地址元素的上下文依赖关系进行局部建模，获得地址匹配模型。
41.地址匹配验证和测试，根据验证集对地址匹配模型进行地址匹配验证，根据验证结果调整模型的隐层节点数、学习率及mini batch大小，最后利用测试集进行地址匹配测试。
42.地址元素的词向量训练过程具体包括：word2vec属于无监督的神经网络语言模型，采用gensim自然语言处理库中的word2vec模型对地址数据库中的训练集进行词向量训练，先根据当前词与其局部上下文的分布进行建模，从而得到当前词的词向量；训练过程中采用的模型为cbow模型，训练方法为negative sampling；最后生成该语料库的地址元素词表及其对应的256维词向量。
43.以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由所附的权利要求书及其等效物界定。