49、基于多任务学习的运输目的地校准方法研究

基于多任务学习的运输目的地校准方法研究

1. 运输目的地校准概述

运输目的地校准是一个重要的任务，对于物流运输的效率和准确性有着关键影响。对于一个运单地址，首先会提取其涉及的运单轨迹所经过的停留热点作为候选。此阶段的目标是通过构建运输目的地匹配模型，为运单地址匹配最可能的停留热点，从而实现校准。

识别停留热点中的目的地实例，然后将该实例与运单地址进行匹配，这两个任务被直观地视为准确识别运单地址运输目的地的两个连续步骤。可以将目的地识别任务转化为一个二分类问题，把目的地实例作为正例，其他停留热点类型作为反例。而运单地址匹配任务则可以通过对不同运单地址上下文中运输目的地的匹配模式进行建模，将匹配度（得分）最高的作为其匹配的运输目的地。

目的地实例的识别任务和运单地址的匹配任务并非相互独立，而是相互影响。例如，前者的准确识别结果可以抑制后者中非目的地的匹配度。基于此，设计了一个多任务运输目的地匹配模型。

1.1 多任务运输目的地匹配模型结构

该模型的整体结构如下：
- 离散特征（如上下文中的 Fmc）首先使用嵌入技术投影到密集向量，然后与归一化的连续特征拼接。每个候选表示为向量 $h = [f_1, f_2, \cdots, f_n]$，其中 $f_i \in R^{K_i}$ 是特征嵌入向量，$\sum_{i=1}^{n} K_i = K$，$K$ 是整个候选特征空间的维度。
- 上下文特征嵌入向量被输入到一个具有 $K$ 个隐藏单元的密集层，投影到高维表示 $c \in R^{K}$。
- 引入注意力机制应用于候选，捕获停留热点的每个特征值对目的地实例识别任务的贡献。使用注意力单元计算给定上下文表示 $c$