(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210999582.3 (22)申请日 2022.08.19 (71)申请人 北京百度网讯科技有限公司 地址 100085 北京市海淀区上地十街10号 百度大厦二层 (72)发明人 曹宜超　丁建辉　陈珍　 (74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 专利代理师 孟洋 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 10/08(2012.01) G06N 20/00(2019.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 运输调度方法、 装置、 电子设备和存 储介质 (57)摘要 本公开提供了一种运输调度方法、 装置、 电 子设备和存储介质， 涉及深度学习、 智 能调度等 人工智能技术领域。 具体实现方案为： 基于多个 物品的属性信息、 多个运输工具的属性信息、 目 标函数以及约束， 采用机器学习模 型确定满足约 束且使得目标函数最小化的情况下， 至少一个物 品放入各运输工具的第一置信度， 以基于至少一 个物品放入 各运输工具的第一置信度， 确定多个 物品与多个运输工具之间的对应关系， 目标函数 表示多个运输工具在资源上的不平衡性； 在对应 关系的目标函数取值满足设定阈值的情况下， 将 对应关系确定为多个物品与多个运输工具之间 的目标运输关系。 能够保证多个运输工具在资源 上的不平衡性最小， 从而减少运输过程中的运输 成本。 权利要求书6页 说明书22页 附图6页 CN 115358466 A 2022.11.18 CN 115358466 A 1.一种运输调度方法， 其中， 所述方法包括： 获取多个物品的属性信息、 多个运输工具的属性信息、 目标函数以及约束； 其中， 所述 目标函数表示多个所述 运输工具在资源上的不平衡性； 基于多个所述物品的属性信息、 多个所述运输工具的属性信息、 所述目标函数以及所 述约束， 采用机器学习模型确定满足所述约束且使得所述 目标函数最小化的情况下， 至少 一个所述物品放入各所述运输工具的第一置信度， 以基于至少一个所述物品放入各所述运 输工具的第一置信度， 确定所述多个物品与所述多个运输 工具之间的对应关系； 在所述对应关系的目标函数取值满足设定 阈值的情况下， 将所述对应关系确定为所述 多个物品与所述多个运输 工具之间的目标运输关系。 2.根据权利要求1所述的方法， 其中， 所述基于多个所述物品的属性信息、 多个所述运 输工具的属性信息、 所述 目标函数以及所述约束， 采用机器学习模型确定满足所述约束且 使得所述目标函数最小化的情况下， 至少一个所述物品放入各所述运输工具的第一置信 度， 包括： 将多个所述物品的属性信息、 多个所述运输工具的属性信息、 所述目标函数以及所述 约束输入求解器， 以通过所述求解器获取多个第一变量Xi,b对应的第一特征向量、 多个第二 变量Yb,r对应的第二特征向量以及所述约束对应的第三特征向量； 其中， 所述第一变量Xi,b 表示是否将第i个物品放入第b个运输工具， 所述第二变量Yb,r表示第b个运输工具在第r种 资源上的不平衡值， i为1至I之间的整数， b为1至B之间的整数， r为1至R之间的整数， I为所 述物品的数量、 B为所述运输工具的数量、 R为所述资源的种类数量， I、 B和R为大于或等于1 的整数； 基于各所述第一特征向量、 各所述第二特征向量以及所述第三特征向量， 采用所述机 器学习模型， 确定 至少一个所述物品放入各 所述运输工具的第一置信度。 3.根据权利要求2所述的方法， 其中， 所述机器学习 模型包括依次连接的特征提取模块 和归一化模块； 所述基于各所述第一特征向量、 各所述第二特征向量以及所述第三特征向 量， 采用所述机器学习模型， 确定至少一个所述物品放入各所述运输工具的第一置信度， 包 括： 将各所述第 一特征向量、 各所述第 二特征向量以及所述第 三特征向量输入所述特征提 取模块， 以通过所述特征提取模块， 将各所述第一变量对应的第一特征向量， 与输入所述特 征提取模块的特征向量中除所述第一特征向量之外的其它特征向量融合， 得到各所述第一 变量对应的第四特征向量， 并将各所述第一变量对应的第四特征向量以目标顺序 组合， 得 到第一向量矩阵； 将所述第一向量矩阵输入所述归一化模块， 以通过所述归一化模块确定至少一个所述 物品放入各 所述运输工具的第一置信度。 4.根据权利要求3所述的方法， 其中， 所述特征提取模块包括依次连接的特征提取层和 矩阵变换层； 所述将各所述第一特征向量、 各所述第二特征向量以及所述第三特征向量输 入所述特征提取模块， 以通过所述特征提取模块， 将各所述第一变量对应的第一特征向量， 与输入所述特征提取模块的特征向量中除所述第一特征向量之外的其它特征向量融合， 得 到各所述第一变量对应的第四特 征向量， 包括： 将各所述第 一特征向量、 各所述第 二特征向量以及所述第 三特征向量输入所述特征提权　利　要　求　书 1/6 页 2 CN 115358466 A 2取层， 以通过所述特征提取层， 将各所述第一变量对应的第一特征向量， 与输入 所述特征提 取模块的特征向量中除所述第一特征向量之外的其它特征向量融合， 得到各所述第一变量 对应的第四特征向量， 并将各所述第二变量对应的第二特征向量， 与输入所述特征提取模 块的特征向量中除所述第二特征向量之外的其它特征向量融合， 得到各所述第二变量对应 的第五特征向量， 以及将各所述第一变量对应的第四特征向量和各所述第二变量对应的第 五特征向量以初始顺序组合， 得到第二向量矩阵； 获取存储有各所述第四特征向量和各所述第五特征向量在所述第二向量矩阵中的位 置信息的映射关系表； 将所述第二向量矩阵和所述映射关系表输入所述矩阵变换层， 以基于所述位置信息， 从所述第二向量矩阵中获取 各所述第一变量对应的第四特 征向量。 5.根据权利要求2 ‑4中任一项所述的方法， 其中， 所述基于至少一个所述物品放入各所 述运输工具的第一置信度， 确定所述多个物品与所述多个运输 工具之间的对应关系， 包括： 基于至少一个所述物品放入各所述运输工具的第 一置信度， 确定至少一个所述物品中 至少一个目标物品对应的第一目标运输 工具； 将多个所述物品的属性信 息、 多个所述运输工具的属性信 息、 所述目标函数、 所述约束 以及所述至少一个目标物品对应的第一 目标运输工具， 输入所述求解器， 以通过所述求解 器， 确定多个所述物品中除所述至少一个目标物品外的其它物品对应的第二目标运输工 具； 基于所述至少一个目标物品对应的第 一目标运输工具， 以及所述其它物品对应的第 二 目标运输 工具， 确定所述多个物品与所述多个运输 工具之间的对应关系。 6.根据权利要求5所述的方法， 其中， 所述方法还 包括： 在所述对应关系的目标函数取值不满足所述设定阈值的情况下， 执行至少一轮迭代， 直至所述对应关系的目标函数 取值满足所述设定阈值； 其中， 在所述至少一轮迭代中， 基于历史迭代中确定的所述多个物品与所述多个运输 工具之间的对应关系， 更新上一轮迭代中获取 的各所述第一特征向量、 各所述第二特征向 量以及所述第三特征向量， 并基于更新后的各所述第一特征向量、 各所述第二特征向量以 及所述第三特征向量， 采用机器学习模型确定满足所述约束且使得所述目标函数最小化的 情况下， 至少一个所述物品放入各所述运输工具 的第二置信度， 以基于至少一个所述物品 放入各所述运输工具的第二置信度， 确定所述多个物品与所述多个运输工具之 间的对应关 系。 7.根据权利要求6所述的方法， 其中， 各所述第一特征向量和/或各所述第二特征向量 所表示的对应变量的特征信息中， 包括以下信息中的至少一种： 对应变量在历史迭代中的 取值、 对应变量在历史迭代中取值的改变次数、 对应变量在历史迭代中取值次数最多的值、 对应变量在历史迭代中取值的最大值、 对应变量在历史迭代中取值的最小值、 对应变量是 否为稳定变量。 8.一种用于运输调度的机器学习模型的训练方法， 其中， 所述方法包括： 获取多个训练样本， 其中， 至少一个所述训练样本包括多个样本物品的属性信 息、 多个 样本运输工具 的属性信息、 目标函数以及约束； 所述 目标函数表示多个所述样本运输工具 在资源上的不平衡性；权　利　要　求　书 2/6 页 3 CN 115358466 A 3