CN116756203B - 一种基于碳减排目标的知识图谱驱动冷链物流设备选型方法及装置 - Google Patents
一种基于碳减排目标的知识图谱驱动冷链物流设备选型方法及装置 Download PDFInfo
- Publication number
- CN116756203B CN116756203B CN202310697803.6A CN202310697803A CN116756203B CN 116756203 B CN116756203 B CN 116756203B CN 202310697803 A CN202310697803 A CN 202310697803A CN 116756203 B CN116756203 B CN 116756203B
- Authority
- CN
- China
- Prior art keywords
- equipment
- knowledge graph
- entity
- information
- carbon emission
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 66
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 60
- 230000009467 reduction Effects 0.000 title claims abstract description 21
- 238000010187 selection method Methods 0.000 title claims description 3
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 68
- 230000006870 function Effects 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000005057 refrigeration Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 230000014509 gene expression Effects 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000007418 data mining Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 2
- 238000010276 construction Methods 0.000 abstract 1
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 238000006386 neutralization reaction Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Animal Behavior & Ethology (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种基于碳减排目标的知识图谱驱动冷链物流设备选型方法及装置,首先,收集企业现有设备信息和历史设备信息。然后利用Neo4j图关系数据库将收集到的设备信息知识整合到知识图谱中,并定义各种设备之间的关系和属性。接着,应用基于知识图谱优化的TransE嵌入方式与多特征图注意力网络建立推荐***,最后,结合***特性和企业需求,用多目标优化加权平均算法推荐多套高效环保的设备选型方案。本发明满足业务需求的同时最大限度地降低碳排放,将低碳理念融入设备选型决策过程。随着技术不断进步,该方法和装置将得到广泛应用,为构建低碳环保的冷链供应链体系做出重要贡献。
Description
技术领域
本发明属于知识图谱、碳中和以及设备推荐***领域,特别涉及一种基于碳减排目标的知识图谱驱动冷链物流设备选型方法及装置。
背景技术
知识图谱(Knowledge Graph)是一种结构化的、语义化的知识表示方法,它可以将人类知识和世界知识以图谱的形式进行组织和表示,实现了知识的智能化管理、语义化搜索和推理等功能。知识图谱是在人工智能技术和互联网技术的基础上发展起来的,它利用自然语言处理、机器学习、推理推断等技术对海量数据进行深度挖掘,从而提取出知识实体、知识关系和知识属性等信息,进而构建知识图谱。
碳中和(Carbon Neutral)是指通过采取一系列措施,实现减少温室气体排放并加强吸收,从而实现在一定时间内达到碳排放量与碳吸收量相平衡的目标。设备推荐***(Equipment Recommendation System)是一种利用人工智能技术为企业或个人推荐适合的设备的***。它能够根据用户的需求、使用场景、预算和其他相关因素,自动化地推荐最佳的设备方案,设备选型推荐***需要通过数据采集、处理、分析和算法推荐等技术手段,实现对设备的自动化推荐,提高设备选型的效率和准确度。
在面对冷链物流设备推荐时,已有论文主要基于“用户需求和反馈”和“设备属性和技术指标”为基础的协同过滤推荐算法,然而此类方法设备的可靠性、效率以及设备碳排放量等问题均未考虑,不能有效根据设备效率及碳排放量等属性准确提供低碳转型的冷链物流设备。
发明内容
发明目的:针对现有技术中未考虑冷链物流设备碳排放量及设备使用效率低下等问题,本发明提出了一种基于碳减排目标的知识图谱驱动冷链物流设备选型方法及装置,通过知识图谱的方法建立冷链物流设备低碳转型的知识图谱,建立设备之间高度关联性的同时提高设备使用的效率,最终通过结合用户兴趣偏好建立低碳转型的冷链物流设备推荐方法。
技术方案:本发明提出一种基于碳减排目标的知识图谱驱动冷链物流设备选型方法,包括如下步骤:
步骤1:收集企业设备信息E,其中E主要包括仓储设备信息E1、物流设备信息E2和冷藏设备信息E3,获取用户信息U及历史订单信息H;
步骤2:将收集到的设备信息E和设备之间的关联关系构建企业设备信息知识图谱G,并存储于Neo4j图关系数据库中;
步骤3:对知识图谱G中的信息进行从高维到低维的嵌入操作得到实体和关系的嵌入向量ei和rk;
步骤4:对实体和关系的嵌入向量ei和rk进行特征聚合得到最终实体表示E4={e0””,e1””,…,en””},其中n为实体个数,ej””表示每个设备j的嵌入向量,j为大于等于0小于等于n的整数;
步骤5:对用户信息U及历史订单信息H进行用户嵌入表示获得用户嵌入向量U';
步骤6:综合考虑用户历史订单信息及设备碳排放量信息,推荐多套高效环保的设备选型方案以满足业务需求的同时最大限度地降低碳排放;
步骤6.1:计算每个设备的嵌入向量ej””与用户i嵌入向量Ui'之间的相似度;
步骤6.2:对于用户i,将其所有可用的设备按照相似度升序排列,得到设备列表L,根据设备类型将设备列表L进行划分得到可用设备列表集合LA,即LA={LA0,LA1,…,LAn},其中n为设备类型数量,LA中的每个元素均是集合;
步骤6.3:对于用户i,对可用设备列表集合LA中的元素进行笛卡尔乘积,获取完整供应链可用集合A={A0,A1,…,Am},其中为LA中各子集设备数量的乘积,对于每个组合Ai,计算组合Ai的碳排放量Ci和效率fi;
步骤6.4:使用多目标优化加权平均算法在所有计算出的设备组合中,选出碳排放量最低同时效率最高的多套设备组合。
进一步地,所述步骤1的具体方法为:
步骤1.1:获取企业设备信息E,其中E主要包括仓储设备信息E1、物流设备信息E2和冷藏设备信息E3,获取用户信息U及历史订单信息H;
步骤1.2:运用数据挖掘知识对获取到的企业设备数据E、用户信息U及历史订单信息H进行数据清洗及数据预处理。
进一步地,所述步骤2的具体方法为:
步骤2.1:将预处理后的企业仓储设备信息E1、物流设备信息E2和冷藏设备信息E3整合到一个数据源D1中;
步骤2.2:使用Neo4j图数据库设计知识图谱模型架构G',定义节点和关系类型;节点类型包括各种冷链物流设备,节点属性包括设备类型、设备属性、设备功耗、效率、环保性;关系类型包括设备之间的相似性、替代性、依赖关系;
步骤2.3:将整合后的数据源信息D1导入知识图谱架构G'中,构建知识图谱G=(h,r,t),G=(h,r,t)表示知识图谱中的头节点h,关系节点r和尾节点t;
步骤2.4:对Neo4j图数据库中的数据进行数据清洗和处理,确保数据的准确性和一致性。
进一步地,所述步骤3的具体方法为:
步骤3.1:定义并初始化实体嵌入向量ei和关系嵌入向量rk,其中i表示第i个实体,k表示第k种关系,实体表示知识图谱G中的头节点h与尾节点t,关系表示知识图谱中的关系节点r;
步骤3.2:对知识图谱G中的每一条知识表达(三元组)使用对应的实体嵌入向量ei和关系嵌入向量rk表示,将所有知识表达的嵌入表示拼接成G1,构成知识图谱G的整体嵌入表示;
步骤3.3:从实体集合中随机选取与正样本头实体h或尾实体t不同的实体作为负样本并定义为负样本集合G2;
步骤3.4定义知识图谱三元组(h,r,t)损失函数,损失函数的定义为:其中,G1表示正样本集合,G2表示负样本集合,γ是常量,d(h+r,t)表示曼哈顿距离,曼哈顿距离计算公式为:/>
步骤3.5:使用随机梯度下降SGD优化算法对模型参数进行训练,目标是最小化损失函数;
步骤3.6:提取训练完成后实体和关系的嵌入向量ei和rk并将其作为特征进行后续的任务处理。
进一步地,所述步骤4的具体方法为:
步骤4.1:将实体嵌入向量ei和关系嵌入向量rk通过一个线性变换矩阵W进行变换,得到新的实体向量ei'和关系向量rk',其计算公式为:ei'=W*ei,rk'=W*rk;
步骤4.2:使用注意力机制计算实体i和其邻居实体j在关系k下的注意力系数aijk,其计算公式为:aijk=LeakyReLU((ei'*rk)*(ej')T),其中LeakyReLU为激活函数其公式为:LeakyReLU(x)=max(0,x)+α*min(0,x),α默认为0.01;
步骤4.3:对每个实体i的所有邻居j在关系k下的注意力系数使用softmax函数进行归一化,其计算公式为:αijk=exp(aijk)/∑jexp(aijk);
步骤4.4:计算新的实体表示ei”,将邻居实体j的表示ej'乘以归一化后的注意力系数αijk,并对邻居实体求和:ei”=Σjαijk*ej';
步骤4.5:对ei”进行多头注意力处理以增强模型的表达能力:ei”'=concat(M1*ei”,M2*ei”,...,MK*ei”),其中Mi是注意力头的权重矩阵;
步骤4.6:将多头注意力后的实体表示ei”'输入到一个多层感知机MLP进行非线性变换,其中,输入部分为多头注意力后的实体表示ei”',隐藏层由三个全连接层和两个激活层组成,全连接层包含多个神经元,每个神经元与ei”'中的一个元素相连;全连接层后接激活层RELU;激活函数RELU的公式为f(x)=max(0,x),输出部分为最终的实体表示E4={e0””,e1””,…,en””},其中n为实体个数。
进一步地,所述步骤5的具体方法为:
步骤5.1:对用户的历史订单信息进行聚合,得到用户的历史订单向量UH,其中,对于每个用户i,用户的历史订单向量UHi的计算方法为:UH={UH1,UH2,…UHn},其中,n表示用户的数量,qij是用户i对设备j的的评分,ej””是产品j对应的设备嵌入向量;
步骤5.2:对用户的历史订单向量UH进行归一化处理,得到用户的嵌入向量U';每个用户i的嵌入向量Ui'就是将其UHi除以其L2范数即可,其中U'={U1',U2',…Un'},其中,n表示用户的数量;
进一步地,所述步骤6.1中计算相似度的具体方法为:
对于每个设备j,用户i,计算其嵌入向量ej””与用户i嵌入向量Ui'之间的余弦相似度sij;使用余弦相似度计算公式:
进一步地,所述步骤6.3计算组合Ai的碳排放量Ci和效率fi,具体为:
设fj是设备j的效率,Cj是设备j的碳排放量,则组合Ci的碳排放量和效率fi的计算公式为:其中,/>表示设备组合Ai的碳排放量之和,/>表示设备组合Ai的效率乘积。
进一步地,所述步骤6.4中定义效率目标权重ω=0.5,碳排放量目标的权重1-ω=0.5,即目标函数g(Ai)=ωFi-(1-ω)Ci,选出碳排放量最低同时效率最高的10套设备组合,即g(Ai)较大的10组设备组合作为推荐的设备组合。
本发明还公开一种基于碳减排目标的知识图谱驱动冷链物流设备选型装置,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,其特征在于,所述计算机程序被加载至处理器时执行上述一种基于碳减排目标的知识图谱驱动冷链物流设备选型方法的步骤。
有益效果:
1、本发明方法基于已有的neo4j图关系数据库作为数据存储,利用知识图谱架构表示设备之间的相似性、替代性、依赖关系,更加全面地建模设备嵌入,同时利用邻居节点进行特征聚合,获得更精确的冷链物流设备表示。
2、本发明方法考虑冷链物流全过程设备组合的碳排放量及效率情况,并结合用户兴趣表示,实现低碳减排目标冷链物流设备推荐方法。
3、本发明方法有助于提供高效率设备选型推荐,提升冷链企业生产效率同时降低碳排放,有助于“碳中和”目标实现。
附图说明
图1为本发明总体流程图;
图2为MLP结构示意图;
图3为本发明总体示意图;
图4为本发明具体实施流程图。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明公开了一种基于碳减排目标的知识图谱驱动冷链物流设备选型方法及装置,参见图1,具体包括如下步骤:
步骤1:通过企业内部的资料库和设备管理***等途径,收集企业设备信息E,其中E主要包括仓储设备信息E1、物流设备信息E2和冷藏设备信息E3,获取用户信息U及历史订单信息H。
步骤1.1:获取企业设备信息E,其中E主要包括仓储设备信息E1、物流设备信息E2和冷藏设备信息E3,获取用户信息U及历史订单信息H。
步骤1.2:运用数据挖掘知识对获取到的企业设备数据E、用户信息U及历史订单信息H进行数据清洗及数据预处理。
步骤2:将收集到的设备信息E和设备之间的关联关系构建企业设备信息知识图谱G,并存储于Neo4j图关系数据库中。
步骤2.1:将预处理后的企业仓储设备信息E1、物流设备信息E2和冷藏设备信息E3整合到一个数据源D1中。
步骤2.2:使用Neo4j图数据库设计知识图谱模型架构G',定义节点和关系类型。节点类型包括各种冷链物流设备,节点属性包括设备类型、设备属性、设备功耗、效率、环保性等;关系类型包括设备之间的相似性、替代性、依赖关系等。
步骤2.3:将整合后的数据源信息D1导入知识图谱架构G'中,构建知识图谱G=(h,r,t),G=(h,r,t)表示知识图谱中的头节点h,关系节点r和尾节点t。
步骤2.4:对Neo4j图数据库中的数据进行数据清洗和处理,确保数据的准确性和一致性。
步骤3:对知识图谱G中的信息进行从高维到低维的嵌入操作得到实体和关系的嵌入向量ei和rk。
步骤3.1:定义并初始化实体(entity)嵌入向量ei和关系(relation)嵌入向量rk,其中i表示第i个实体,k表示第k种关系,实体表示知识图谱G中的头节点h与尾节点t,关系表示知识图谱中的关系节点r。
步骤3.2:对知识图谱G中的每一条知识表达(三元组)使用对应的实体嵌入向量ei和关系嵌入向量rk表示,将所有知识表达的嵌入表示拼接成G1,构成知识图谱G的整体嵌入表示。
步骤3.3:从实体集合中随机选取与正样本头实体h或尾实体t不同的实体作为负样本并定义为负样本集合G2。
步骤3.4定义知识图谱三元组(h,r,t)损失函数,损失函数的定义为:其中,G1表示正样本集合,G2表示负样本集合,γ是常量,d(h+r,t)表示曼哈顿距离,曼哈顿距离计算公式为:/>
步骤3.5:使用随机梯度下降(SGD)优化算法对模型参数进行训练,目标是最小化损失函数。
步骤3.6:提取训练完成后实体和关系的嵌入向量ei和rk并将其作为特征进行后续的任务处理。
步骤4:对实体和关系的嵌入向量ei和rk进行特征聚合得到最终实体表示E4。
步骤4.1:将实体嵌入向量ei和关系嵌入向量rk通过一个线性变换矩阵W进行变换,得到新的实体向量ei'和关系向量rk'其计算公式为:ei'=W*ei,rk'=W*rk。
步骤4.2:使用注意力机制计算实体i和其邻居实体j在关系k下的注意力系数aijk其计算公式为:aijk=LeakyReLU((ei'*rk)*(ej')T),其中LeakyReLU为激活函数其公式为:LeakyReLU(x)=max(0,x)+α*min(0,x),α默认为0.01。
步骤4.3:对每个实体i的所有邻居j在关系k下的注意力系数使用softmax函数进行归一化,其计算公式为:αijk=exp(aijk)/∑jexp(aijk)。
步骤4.4:计算新的实体表示ei”,将邻居实体j的表示ej'乘以归一化后的注意力系数αijk,并对邻居实体求和:ei”=Σjαijk*ej'。
步骤4.5:对ei”进行多头注意力(Multi-Head Attention)处理以增强模型的表达能力:ei”'=concat(M1*ei”,M2*ei”,...,MK*ei”),其中Mi是注意力头的权重矩阵。
步骤4.6:将多头注意力后的实体表示ei”'输入到一个MLP(多层感知机)进行非线性变换,具体的MLP内部结构如图2所示,其中,输入部分为多头注意力后的实体表示ei”',隐藏层主要有三个全连接层和两个激活层组成,全连接层包含多个神经元,每个神经元与ei”'中的一个元素相连。这一层的作用是将输入信号进行线性变换,全连接层后接激活层RELU这一层的作用是引入非线性因素,增强模型的表达能力。激活函数RELU的公式为f(x)=max(0,x),输出部分为最终的实体表示E4={e0””,e1””,…,en””},其中n为实体个数。
步骤5:对用户信息U及历史订单信息H进行用户嵌入表示获得用户嵌入向量U'。
步骤5.1:对用户的历史订单信息进行聚合,得到用户的历史订单向量UH。其中,对于每个用户i,用户的历史订单向量UHi的计算方法为:UH={UH1,UH2,…UHn}其中,n表示用户的数量,qij是用户i对设备j的的评分,ej””是产品j对应的设备嵌入向量。
步骤5.2:对用户的历史订单向量UH进行归一化处理,得到用户的嵌入向量U'。具体而言,每个用户i的嵌入向量Ui'就是将其UHi除以其L2范数即可,其中U'={U1',U2',…Un'},其中,n表示用户的数量。
步骤6:综合考虑用户历史订单信息及设备碳排放量信息,推荐多套高效环保的设备选型方案以满足业务需求的同时最大限度地降低碳排放。
步骤6.1:计算每个设备的嵌入向量与用户嵌入向量之间的相似度:对于每个设备j,用户i,计算其嵌入向量ej””与用户i嵌入向量Ui'之间的余弦相似度sij。具体而言,可以使用余弦相似度计算公式:
步骤6.2:对于用户i,将其所有可用的设备按照余弦相似度升序排列,得到设备列表L,根据设备类型将设备列表L进行划分得到可用设备列表集合LA,即LA={LA0,LA1,…,LAn},其中n为设备类型数量,LA中的每个元素均是设备集合。
步骤6.3:对于用户i,对可用设备列表集合LA中的元素进行笛卡尔乘积,获取完整供应链可用集合A={A0,A1,…,Am},其中m为LA集合中的设备数量乘积,即对于每个组合Ai,计算组合Ai的碳排放量ACi和效率Afi。具体而言,设fj是设备j的效率,Cj是设备j的碳排放量,则组合ACi的碳排放量和效率fi的计算公式为:/>其中,/>表示设备组合Ai的碳排放量之和,/>表示设备组合Ai的效率乘积。
步骤6.4:使用多目标优化加权平均算法在所有计算出的设备组合中选出碳排放量最低同时效率最高的10套设备组合,具体而言,定义效率目标权重ω=0.5,碳排放量目标的权重1-ω=0.5,即目标函数g(Ai)=ωFi-(1-ω)Ci较大的10组设备组合作为推荐的设备组合。
本发明创造性的提出了一种基于碳减排目标的知识图谱驱动冷链物流设备选型方法及装置有效的降低了冷链物流碳排放量的同时提高冷链物流效率。装置包括存储器、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,计算机程序被加载至处理器时执行上述一种基于碳减排目标的知识图谱驱动冷链物流设备选型方法的步骤。
针对技术方案中相关的字母含义解释如下:
上述实施方式只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰,都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于碳减排目标的知识图谱驱动冷链物流设备选型方法,其特征在于,包括如下步骤:
步骤1:收集企业设备信息E,其中E主要包括仓储设备信息E1、物流设备信息E2和冷藏设备信息E3,获取用户信息U及历史订单信息H;
步骤2:利用收集到的设备信息E和设备之间的关联关系构建企业设备信息知识图谱G,并存储于Neo4j图关系数据库中;
步骤3:对知识图谱G中的信息进行从高维到低维的嵌入操作得到实体和关系的嵌入向量ei和rk;
步骤4:对实体和关系的嵌入向量ei和rk进行特征聚合得到最终实体表示E4={e0””,e1””,…,en””},其中n为实体个数,ej””表示每个设备j的嵌入向量,j为大于等于0小于等于n的整数;
步骤4.1:将实体嵌入向量ei和关系嵌入向量rk通过一个线性变换矩阵W进行变换,得到新的实体向量ei'和关系向量rk',其计算公式为:ei'=W*ei,rk'=W*rk;
步骤4.2:使用注意力机制计算实体i和其邻居实体j在关系k下的注意力系数aijk,其计算公式为:aijk=LeakyReLU((ei'*rk)*(ej')T),其中LeakyReLU为激活函数其公式为:LeakyReLU(x)=max(0,x)+α*min(0,x),α默认为0.01;
步骤4.3:对每个实体i的所有邻居j在关系k下的注意力系数使用softmax函数进行归一化,其计算公式为:αijk=exp(aijk)/∑jexp(aijk);
步骤4.4:计算新的实体表示ei”,将邻居实体j的表示ej'乘以归一化后的注意力系数αijk,并对邻居实体求和:ei”=Σjαijk*ej';
步骤4.5:对ei”进行多头注意力处理以增强模型的表达能力:ei”'=concat(M1*ei”,M2*ei”,...,MK*ei”),其中Mi是注意力头的权重矩阵,i大于等于1小于等于K的整数;
步骤4.6:将多头注意力后的实体表示ei”'输入到一个多层感知机MLP进行非线性变换,其中,输入部分为多头注意力后的实体表示ei”',隐藏层由三个全连接层和两个激活层组成,全连接层包含多个神经元,每个神经元与ei”'中的一个元素相连;全连接层后接激活层RELU;激活函数RELU的公式为f(x)=max(0,x),输出部分为最终的实体表示E4={e0””,e1””,…,en””},其中n为实体个数;
步骤5:对用户信息U及历史订单信息H进行用户嵌入表示获得用户嵌入向量U';
步骤5.1:对用户的历史订单信息进行聚合,得到用户的历史订单向量UH,其中,对于每个用户i,用户的历史订单向量UHi的计算方法为:UH={UH1,UH2,…UHn},其中,n表示用户的数量,qij是用户i对设备j的的评分,ej””是产品j对应的设备嵌入向量;
步骤5.2:对用户的历史订单向量UH进行归一化处理,得到用户的嵌入向量U';每个用户i的嵌入向量Ui'就是将其UHi除以其L2范数即可,其中U'={U1',U2',…Un'},其中,n表示用户的数量;
步骤6:综合考虑用户历史订单信息及设备碳排放量信息,推荐多套高效环保的设备选型方案以满足业务需求的同时最大限度地降低碳排放;
步骤6.1:计算每个设备的嵌入向量ej””与用户i嵌入向量Ui'之间的相似度;
计算相似度的具体方法为:
对于每个设备j,用户i,计算其嵌入向量ej””与用户i嵌入向量Ui'之间的余弦相似度sij;
使用余弦相似度计算公式:
步骤6.2:对于用户i,将其所有可用的设备按照相似度升序排列,得到设备列表L,根据设备类型将设备列表L进行划分得到可用设备列表集合LA,即LA={LA0,LA1,…,LAn},其中n为设备类型数量,LA中的每个元素均是集合;
步骤6.3:对于用户i,对可用设备列表集合LA中的元素进行笛卡尔乘积,获取完整供应链可用集合A={A0,A1,…,Am},其中为LA中各子集设备数量的乘积,对于每个组合Ai,计算组合Ai的碳排放量Ci和效率fi;
步骤6.4:使用多目标优化加权平均算法在所有计算出的设备组合中,选出碳排放量最低同时效率最高的多套设备组合。
2.根据权利要求1所述的一种基于碳减排目标的知识图谱驱动冷链物流设备选型方法,其特征在于,所述步骤1的具体方法为:
步骤1.1:获取企业设备信息E,其中E主要包括仓储设备信息E1、物流设备信息E2和冷藏设备信息E3,获取用户信息U及历史订单信息H;
步骤1.2:运用数据挖掘知识对获取到的企业设备数据E、用户信息U及历史订单信息H进行数据清洗及数据预处理。
3.根据权利要求1所述的一种基于碳减排目标的知识图谱驱动冷链物流设备选型方法,其特征在于,所述步骤2的具体方法为:
步骤2.1:将预处理后的企业仓储设备信息E1、物流设备信息E2和冷藏设备信息E3整合到一个数据源D1中;
步骤2.2:使用Neo4j图数据库设计知识图谱模型架构G',定义节点和关系类型;节点类型包括各种冷链物流设备,节点属性包括设备类型、设备属性、设备功耗、效率、环保性;关系类型包括设备之间的相似性、替代性、依赖关系;
步骤2.3:将整合后的数据源信息D1导入知识图谱架构G'中,构建知识图谱G=(h,r,t),G=(h,r,t)表示知识图谱中的头节点h,关系节点r和尾节点t;
步骤2.4:对Neo4j图数据库中的数据进行数据清洗和处理,确保数据的准确性和一致性。
4.根据权利要求1所述的一种基于碳减排目标的知识图谱驱动冷链物流设备选型方法,其特征在于,所述步骤3的具体方法为:
步骤3.1:定义并初始化实体嵌入向量ei和关系嵌入向量rk,其中i表示第i个实体,k表示第k种关系,实体表示知识图谱G中的头节点h与尾节点t,关系表示知识图谱中的关系节点r;
步骤3.2:对知识图谱G中的每一条知识表达即三元组使用对应的实体嵌入向量ei和关系嵌入向量rk表示,将所有知识表达的嵌入表示拼接成G1,构成知识图谱G的整体嵌入表示;
步骤3.3:从实体集合中随机选取与正样本头实体h或尾实体t不同的实体作为负样本并定义为负样本集合G2;
步骤3.4定义知识图谱三元组(h,r,t)损失函数,损失函数的定义为:其中,G1表示正样本集合,G2表示负样本集合,γ是常量,d(h+r,t)表示曼哈顿距离,曼哈顿距离计算公式为:/>
步骤3.5:使用随机梯度下降SGD优化算法对模型参数进行训练,目标是最小化损失函数;
步骤3.6:提取训练完成后实体和关系的嵌入向量ei和rk并将其作为特征进行后续的任务处理。
5.根据权利要求1所述的一种基于碳减排目标的知识图谱驱动冷链物流设备选型方法,其特征在于,所述步骤6.3计算组合Ai的碳排放量Ci和效率fi,具体为:
设fj是设备j的效率,Cj是设备j的碳排放量,则组合Ci的碳排放量和效率fi的计算公式为:其中,/>表示设备组合Ai的碳排放量之和,/>表示设备组合Ai的效率乘积。
6.根据权利要求1所述的一种基于碳减排目标的知识图谱驱动冷链物流设备选型方法,其特征在于,所述步骤6.4中定义效率目标权重ω=0.5,碳排放量目标的权重1-ω=0.5,即目标函数g(Ai)=ωFi-(1-ω)Ci,选出碳排放量最低同时效率最高的10套设备组合,即g(Ai)较大的10组设备组合作为推荐的设备组合。
7.一种基于碳减排目标的知识图谱驱动冷链物流设备选型装置,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,其特征在于,所述计算机程序被加载至处理器时执行权利要求1-6任一项所述的一种基于碳减排目标的知识图谱驱动冷链物流设备选型方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310697803.6A CN116756203B (zh) | 2023-06-13 | 2023-06-13 | 一种基于碳减排目标的知识图谱驱动冷链物流设备选型方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310697803.6A CN116756203B (zh) | 2023-06-13 | 2023-06-13 | 一种基于碳减排目标的知识图谱驱动冷链物流设备选型方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116756203A CN116756203A (zh) | 2023-09-15 |
CN116756203B true CN116756203B (zh) | 2024-06-11 |
Family
ID=87958350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310697803.6A Active CN116756203B (zh) | 2023-06-13 | 2023-06-13 | 一种基于碳减排目标的知识图谱驱动冷链物流设备选型方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116756203B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020138928A1 (en) * | 2018-12-24 | 2020-07-02 | Samsung Electronics Co., Ltd. | Information processing method, apparatus, electrical device and readable storage medium |
CN114138985A (zh) * | 2022-02-08 | 2022-03-04 | 深圳希施玛数据科技有限公司 | 文本数据处理的方法、装置、计算机设备以及存储介质 |
CN114399251A (zh) * | 2021-12-30 | 2022-04-26 | 淮阴工学院 | 基于语义网和簇偏好的冷链物流推荐方法及装置 |
CN114756694A (zh) * | 2022-06-16 | 2022-07-15 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于知识图谱的推荐***、推荐方法和相关设备 |
CN115564314A (zh) * | 2022-11-24 | 2023-01-03 | 安徽蓝海之光科技有限公司 | 一种基于低碳用能优化协同的区域碳排放智慧测量*** |
CN115618009A (zh) * | 2022-09-26 | 2023-01-17 | 中国计量大学 | 基于注意力机制的知识图谱偏好预测推荐方法 |
CN115618098A (zh) * | 2022-09-08 | 2023-01-17 | 淮阴工学院 | 基于知识增强与空洞卷积的冷链物流推荐方法及装置 |
CN115618108A (zh) * | 2022-10-24 | 2023-01-17 | 云南中烟工业有限责任公司 | 新零售模式下基于知识图谱的卷烟品牌推荐方法 |
WO2023039901A1 (zh) * | 2021-09-18 | 2023-03-23 | 京东方科技集团股份有限公司 | 一种文本推荐方法、模型训练方法、装置及可读存储介质 |
CN115860529A (zh) * | 2022-11-23 | 2023-03-28 | 卡奥斯工业智能研究院(青岛)有限公司 | 基于工业互联网的供应链碳核算*** |
CN116204628A (zh) * | 2023-02-27 | 2023-06-02 | 南京邮电大学 | 一种知识图谱增强的物流知识神经协同过滤推荐方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210173711A1 (en) * | 2015-10-28 | 2021-06-10 | Qomplx, Inc. | Integrated value chain risk-based profiling and optimization |
-
2023
- 2023-06-13 CN CN202310697803.6A patent/CN116756203B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020138928A1 (en) * | 2018-12-24 | 2020-07-02 | Samsung Electronics Co., Ltd. | Information processing method, apparatus, electrical device and readable storage medium |
WO2023039901A1 (zh) * | 2021-09-18 | 2023-03-23 | 京东方科技集团股份有限公司 | 一种文本推荐方法、模型训练方法、装置及可读存储介质 |
CN114399251A (zh) * | 2021-12-30 | 2022-04-26 | 淮阴工学院 | 基于语义网和簇偏好的冷链物流推荐方法及装置 |
CN114138985A (zh) * | 2022-02-08 | 2022-03-04 | 深圳希施玛数据科技有限公司 | 文本数据处理的方法、装置、计算机设备以及存储介质 |
CN114756694A (zh) * | 2022-06-16 | 2022-07-15 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于知识图谱的推荐***、推荐方法和相关设备 |
CN115618098A (zh) * | 2022-09-08 | 2023-01-17 | 淮阴工学院 | 基于知识增强与空洞卷积的冷链物流推荐方法及装置 |
CN115618009A (zh) * | 2022-09-26 | 2023-01-17 | 中国计量大学 | 基于注意力机制的知识图谱偏好预测推荐方法 |
CN115618108A (zh) * | 2022-10-24 | 2023-01-17 | 云南中烟工业有限责任公司 | 新零售模式下基于知识图谱的卷烟品牌推荐方法 |
CN115860529A (zh) * | 2022-11-23 | 2023-03-28 | 卡奥斯工业智能研究院(青岛)有限公司 | 基于工业互联网的供应链碳核算*** |
CN115564314A (zh) * | 2022-11-24 | 2023-01-03 | 安徽蓝海之光科技有限公司 | 一种基于低碳用能优化协同的区域碳排放智慧测量*** |
CN116204628A (zh) * | 2023-02-27 | 2023-06-02 | 南京邮电大学 | 一种知识图谱增强的物流知识神经协同过滤推荐方法 |
Non-Patent Citations (3)
Title |
---|
Preference-aware Graph Attention Networks for Cross-Domain Recommendations with Collaborative Knowledge Graph;Yakun Li 等;《Transactions on Information Systems (TOIS)》;20230207;1-26 * |
一种融合语义分析特征提取的推荐算法;陈嘉颖 等;计算机研究与发展;20200315;562-575 * |
推荐任务中知识图谱嵌入应用研究综述;田萱 等;《 计算机科学与探索》;20220307;1681-1725 * |
Also Published As
Publication number | Publication date |
---|---|
CN116756203A (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | A return-cost-based binary firefly algorithm for feature selection | |
CN109918528A (zh) | 一种基于语义保护的紧凑的哈希码学习方法 | |
Pan et al. | Improved binary pigeon-inspired optimization and its application for feature selection | |
Li et al. | Graph-based dynamic ensemble pruning for facial expression recognition | |
CN111210023B (zh) | 数据集分类学习算法自动选择***及方法 | |
Yang et al. | Margin optimization based pruning for random forest | |
Khoudja et al. | Ontology matching using neural networks: survey and analysis | |
Raghavendra et al. | Artificial humming bird with data science enabled stability prediction model for smart grids | |
Guo et al. | Hyperbolic Contrastive Graph Representation Learning for Session-based Recommendation | |
CN116756203B (zh) | 一种基于碳减排目标的知识图谱驱动冷链物流设备选型方法及装置 | |
Dasiopoulou et al. | Applying fuzzy DLs in the extraction of image semantics | |
Chow et al. | A new feature selection scheme using a data distribution factor for unsupervised nominal data | |
Greene et al. | An analysis of current trends in CBR research using multi-view clustering | |
CN115564013B (zh) | 提高网络表示学习表示能力的方法、模型训练方法和*** | |
Chu et al. | A data-driven meta-learning recommendation model for multi-mode resource constrained project scheduling problem | |
US20220108166A1 (en) | Methods and systems for slot linking through machine learning | |
Bichindaritz | Memory structures and organization in case-based reasoning | |
Zhang et al. | Decision making methods for formulating the reserve scheme of spare parts based on deep neural network | |
Zhang et al. | A novel optimization method for ontology matching based on heuristic population evolution algorithm | |
Tej et al. | Comparative study of clustering distance measures to determine neural network architectures | |
Almazini et al. | Enhanced feature clustering method based on ant colony optimization for feature selection | |
Hou et al. | Wind power forecasting method of large-scale wind turbine clusters based on DBSCAN clustering and an enhanced hunter-prey optimization algorithm | |
Rahman et al. | An unsupervised neural network approach to predictive data mining | |
Ameen | Optimizing deep learning networks using multi-armed bandits | |
Mishra et al. | Assessment of basic clustering techniques using teaching-learning-based optimisation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |