本发明涉及物流需求预测，具体涉及一种考虑时域和空域的数据驱动的物流需求预测方法和系统。
背景技术：
1、物流需求预测是根据物流市场过去和现在的需求状况以及影响物流市场需求变化的因素之间的关系，利用一定的经验判断、技术方法和预测模型，应用合适的科学方法对有关反映市场需求指标的变化以及发展的趋势进行预测。精确的需求预测可以促进物流信息系统和生产设施能力的计划和协调，并且通过物流需求预测可以确定产品是如何向配送中心和仓库或者零售商进行分配的。无论是配送中心和仓库或者零售商，为及时满足顾客需要，都需要保持一定量的库存，于是会产生库存成本。过多的库存将会产生额外的库存成本导致利润的减少；若库存不足则产生缺货成本，可能出现客户量的流失。因此合适的库存能够平衡配送中心的成本，而这很大程度上依赖于对需求量的预测，预测准确度越高，越能把握库存量。
2、传统的物流需求预测一般是以灰色预测法、arima方法为例的传统统计学预测模型，这类方法常用于数据量较少、时间序列较短、且存在一定不确定性的情况下。同时，这类传统预测方法通常基于线性模型或简单的数学形式，比如arima模型通常要求数据是平稳的。但是在现实案例中，受到多种因素影响，需求变化往往是复杂的，传统的预测方法对于复杂的非线性关系往往无法进行很好的拟合。为克服传统的预测方法的缺陷，现有技术一般使用支持向量机、神经网络一类的智能算法进行物流，这类智能算法更能够适应各种复杂的模式和关系，在处理大规模数据时能够发挥较高的计算效率。
3、然而，这类机器学习算法通常是基于时间序列考虑数据的信息，针对一个零售商而言，只考虑自身的历史数据对预测结果的影响，忽略了与其他零售商之间的空间结构信息，可能无法充分挖掘数据的潜在关联性，导致物流需求预测的准确率低。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足，本发明提供了一种考虑时域和空域的数据驱动的物流需求预测方法和系统，解决了现有的物流需求预测方法未考虑空间结构信息的技术问题。
3、(二)技术方案
4、为实现以上目的，本发明通过以下技术方案予以实现：
5、第一方面，本发明提供一种考虑时域和空域的数据驱动的物流需求预测方法，包括：
6、获取n个零售商的t时间内历史物流需求数据和空间关系数据；对这n个零售商进行节点编号，得到节点集合；对t时间内历史物流需求数据进行处理，得到特征矩阵；
7、基于节点集合和空间关系数据，构建图结构，并通过邻接矩阵表示图结构，所述图结构用于表示零售商之间的关系；
8、基于预先训练的图注意力网络对邻接矩阵和特征矩阵进行处理，得到融合空间信息的时序特征矩阵；
9、基于预先训练的添加attention机制的lstm模型对时序特征矩阵和预先设置的时间窗进行处理，得到需求预测量。
10、优选的，所述基于节点集合和空间关系数据，构建图结构，并通过连接矩阵表示图结构，所述图结构用于表示零售商之间的关系，包括：
11、根据基于节点集合和空间关系数据构建一个无向图g＝〈v,e〉，节点集合v＝{v1,v2,…,vn}代表n个零售商的编号，e则是节点间边的集合；
12、创建一个大小为n×n的零矩阵，其中行和列分别对应图中的节点vi；通过n个零售商的地理位置数据获取每个节点间的距离数据，若两节点间(vi,vj)的距离小于预设的距离阈值，即认为两节点之间是存在潜在关联的，(vi,vj)对应的邻接矩阵元素点为1，否则为0。
13、优选的，所述基于预先训练的图注意力网络对邻接矩阵和特征矩阵进行处理，得到融合空间信息的时序特征矩阵，包括：
14、在图注意力网络中，输入特征矩阵x与邻接矩阵a进行图注意力操作，初始节点特征h(0)＝x；通过邻接矩阵a得到每个节点i的邻居节点集合νi；
15、计算注意力系数；
16、eij＝a(w*hi,w*hj),j∈νi
17、其中，eij表示节点i和节点j之间的注意力系数，ni是节点i的邻居节点集合，w表示权重矩阵，hi和hj分别是节点i和节点j的特征向量，a是一个激活函数；
18、通过softmax函数对注意力系数进行归一化处理；
19、
20、利用归一化后的注意力权重对邻居节点的特征进行加权求和，得到节点i的新特征表示：
21、
22、输出融合融合空间信息的时间序列数据矩阵z＝h(2)，其中，h是指所有节点hi′的特征的集合，上标(2)是指经过两个隐藏层得到的结果。
23、优选的，所述基于预先训练的添加attention机制的lstm模型对时序特征矩阵和预先设置的时间窗进行处理，得到需求预测量，包括：
24、构建步长度l的时间窗，将时间窗内每个节点的需求数据传入lstm模型的隐藏层，通过遗忘门、输入门、输出门的处理更新每个时间步t的记忆单元ct和隐藏状态ht，传递给下一个时间步；
25、在一个时间窗(t-l+1,t)内，生成每个时间步s的隐藏状态hs，注意力机制将计算各时间步的权重和上下文向量，以预测t+1时间步的需求值；使用当前时间步的隐藏状态ht和时间窗内的每个隐藏状态hs，计算注意力权重et,s并进行归一化处理，得到归一化后的注意力权重αt,s：
26、et,s＝uttanh(w1hs+w2ht+b)
27、
28、其中，向量u是一个可学习的参数向量，其维度与lstm隐藏状态的维度一致，w1、w2是权重矩阵，b是偏置项，tanh是激活函数，softmax函数是归一化处理；
29、根据归一化后的注意力权重进行求和，生成每个时间步t的上下文向量εt；
30、
31、通过结合上下文向量εt和当前隐藏状态ht，生成新的特征表示特征表示包含了过去l个时间步的相关信息以及当前时间步的信息；
32、
33、将输入到一个全连接层进行最终预测，得到的下一个时间步的需求预测值
34、
35、其中，wl和bl是全连接层的权重和偏置。
36、第二方面，本发明提供一种考虑时域和空域的数据驱动的物流需求预测系统，包括：
37、数据获取模块，用于获取n个零售商的t时间内历史物流需求数据和空间关系数据；对这n个零售商进行节点编号，得到节点集合；对t时间内历史物流需求数据进行处理，得到特征矩阵；
38、图结构构建模块，用于基于节点集合和空间关系数据，构建图结构，并通过邻接矩阵表示图结构，所述图结构用于表示零售商之间的关系；
39、融合空间信息的时序特征矩阵获取模块，用于基于预先训练的图注意力网络对邻接矩阵和特征矩阵进行处理，得到融合空间信息的时序特征矩阵；
40、需求预测模块，用于基于预先训练的添加attention机制的lstm模型对时序特征矩阵和预先设置的时间窗进行处理，得到下一阶段的需求预测量。
41、优选的，所述基于节点集合和空间关系数据，构建图结构，并通过连接矩阵表示图结构，所述图结构用于表示零售商之间的关系，包括：
42、根据基于节点集合和空间关系数据构建一个无向图g＝〈v,e〉，节点集合v＝{v1,v2,…,vn}代表n个零售商的编号，e则是节点间边的集合；
43、创建一个大小为n×n的零矩阵，其中行和列分别对应图中的节点vi；通过n个零售商的地理位置数据获取每个节点间的距离数据，若两节点间(vi,vj)的距离小于预设的距离阈值，即认为两节点之间是存在潜在关联的，(vi,vj)对应的邻接矩阵元素点为1，否则为0。
44、优选的，所述基于预先训练的图注意力网络对邻接矩阵和特征矩阵进行处理，得到融合空间信息的时序特征矩阵，包括：
45、在图注意力网络中，输入特征矩阵x与邻接矩阵a进行图注意力操作，初始节点特征h(0)＝x；通过邻接矩阵a得到每个节点i的邻居节点集合νi；
46、计算注意力系数；
47、eij＝a(w*hi,w*hj),j∈νi
48、其中，eij表示节点i和节点j之间的注意力系数，ni是节点i的邻居节点集合，w表示权重矩阵，hi和hj分别是节点i和节点j的特征向量，a是一个激活函数；
49、通过softmax函数对注意力系数进行归一化处理；
50、
51、利用归一化后的注意力权重对邻居节点的特征进行加权求和，得到节点i的新特征表示：
52、
53、输出融合融合空间信息的时间序列数据矩阵z＝h(2)，其中，h是指所有节点hi′的特征的集合，上标(2)是指经过两个隐藏层得到的结果。
54、优选的，所述基于预先训练的添加attention机制的lstm模型对时序特征矩阵和预先设置的时间窗进行处理，得到需求预测量，包括：
55、构建步长度l的时间窗，将时间窗内每个节点的需求数据传入lstm模型的隐藏层，通过遗忘门、输入门、输出门的处理更新每个时间步t的记忆单元ct和隐藏状态ht，传递给下一个时间步；
56、在一个时间窗(t-l+1,t)内，生成每个时间步s的隐藏状态hs，注意力机制将计算各时间步的权重和上下文向量，以预测t+1时间步的需求值；使用当前时间步的隐藏状态ht和时间窗内的每个隐藏状态hs，计算注意力权重et,s并进行归一化处理，得到归一化后的注意力权重αt,s：
57、et,s＝uttanh(w1hs+w2ht+b)
58、
59、其中，向量u是一个可学习的参数向量，其维度与lstm隐藏状态的维度一致，w1、w2是权重矩阵，b是偏置项，tanh是激活函数，softmax函数是归一化处理；
60、根据归一化后的注意力权重进行求和，生成每个时间步t的上下文向量εt；
61、
62、通过结合上下文向量εt和当前隐藏状态ht，生成新的特征表示特征表示包含了过去l个时间步的相关信息以及当前时间步的信息；
63、
64、将输入到一个全连接层进行最终预测，得到的下一个时间步的需求预测值
65、
66、其中，wl和bl是全连接层的权重和偏置。
67、第三方面，本发明提供一种计算机可读存储介质，其存储用于考虑时域和空域的数据驱动的物流需求预测的计算机程序，其中，所述计算机程序使得计算机执行如上述所述的考虑时域和空域的数据驱动的物流需求预测方法。
68、第四方面，本发明提供一种电子设备，包括：
69、一个或多个处理器，存储器，以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上述所述的考虑时域和空域的数据驱动的物流需求预测方法。
70、(三)有益效果
71、本发明提供了一种考虑时域和空域的数据驱动的物流需求预测方法和系统。与现有技术相比，具备以下有益效果：
72、本发明首先获取n个零售商的t时间内历史物流需求数据和空间关系数据；对这n个零售商进行节点编号，得到节点集合；对t时间内历史物流需求数据进行处理，得到特征矩阵；基于节点集合和空间关系数据，构建图结构，并通过邻接矩阵表示图结构，所述图结构用于表示零售商之间的关系；基于预先训练的图注意力网络(gat)对邻接矩阵和特征矩阵进行处理，得到融合空间信息的时序特征矩阵；最后基于预先训练的添加attention机制的lstm模型对时序特征矩阵和预先设置的时间窗进行处理，得到需求预测量。本发明结合gat网络和lstm联合网络模型的优势，能够充分利用空间关系和时间序列信息，在预测物流需求时综合考虑节点间的空间依赖关系和时间序列数据的长期依赖关系。这种综合考虑不同维度的依赖关系，并且通过注意力机制分别为时间数据和空间数据赋予不同权重，使得模型能够更全面、更准确地预测未来的需求，并在各种物流场景下表现出良好的适应性。
1.一种考虑时域和空域的数据驱动的物流需求预测方法，其特征在于，包括：
2.如权利要求1所述的考虑时域和空域的数据驱动的物流需求预测方法，其特征在于，所述基于节点集合和空间关系数据，构建图结构，并通过连接矩阵表示图结构，所述图结构用于表示零售商之间的关系，包括：
3.如权利要求1所述的考虑时域和空域的数据驱动的物流需求预测方法，其特征在于，所述基于预先训练的图注意力网络对邻接矩阵和特征矩阵进行处理，得到融合空间信息的时序特征矩阵，包括：
4.如权利要求1～3任一所述的考虑时域和空域的数据驱动的物流需求预测方法，其特征在于，所述基于预先训练的添加attention机制的lstm模型对时序特征矩阵和预先设置的时间窗进行处理，得到需求预测量，包括：
5.一种考虑时域和空域的数据驱动的物流需求预测系统，其特征在于，包括：
6.如权利要求5所述的考虑时域和空域的数据驱动的物流需求预测系统，其特征在于，所述基于节点集合和空间关系数据，构建图结构，并通过连接矩阵表示图结构，所述图结构用于表示零售商之间的关系，包括：
7.如权利要求5所述的考虑时域和空域的数据驱动的物流需求预测系统，其特征在于，所述基于预先训练的图注意力网络对邻接矩阵和特征矩阵进行处理，得到融合空间信息的时序特征矩阵，包括：
8.如权利要求5～7任一所述的考虑时域和空域的数据驱动的物流需求预测系统，其特征在于，所述基于预先训练的添加attention机制的lstm模型对时序特征矩阵和预先设置的时间窗进行处理，得到需求预测量，包括：
9.一种计算机可读存储介质，其特征在于，其存储用于考虑时域和空域的数据驱动的物流需求预测的计算机程序，其中，所述计算机程序使得计算机执行如权利要求1～4任一所述的考虑时域和空域的数据驱动的物流需求预测方法。
10.一种电子设备，其特征在于，包括：
