(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 202211383170.3 (22)申请日 2022.11.07 (66)本国优先权数据 202210351632.7 202 2.04.02 CN (71)申请人 惠龙易通国际物流股份有限公司 地址 212000 江苏省镇江市长江路758号 (72)发明人 施俊　施芸　 (74)专利代理 机构 北京康达联禾知识产权代理 事务所(普通 合伙) 11461 专利代理师 张冉舒 (51)Int.Cl. G06F 16/9537(2019.01) G06F 16/29(2019.01) G06N 3/04(2006.01) G06Q 10/08(2012.01) (54)发明名称 一种基于HTM的物 流货运车辆快速查询系统 及其设计方法 (57)摘要 本发明公开了一种基于HTM的物 流货运车辆 快速查询系统及其设计方法。 针对物 流车辆大数 据查询系统访问本地存储设备效率低的问题， 引 入了基于HTM的机器学习方案替代原有的单一数 据库检索的方案， 设计了基于HTM的物流货运车 辆快速查询系统， 以完成物流车辆大数据的快速 查询。 本发明利用了HTM在时序预测方面运行效 率高的优点， 构建了物流车辆的轨迹预测方案， 并在此基础上完成了车辆的快速查询系统， 利用 HTM机器学习训练模型， 降低存储压力， 提高物流 大数据系统中检索物流车辆数据的效率。 并且该 模型能够动态的适应车辆的轨迹变化， 可以实时 记录并完成训练， 增强了该系统的有效性和实用 性。 权利要求书1页 说明书4页 附图2页 CN 115544395 A 2022.12.30 CN 115544395 A 1.一种基于HTM的物流货运车辆快速查询系统及其设计方法， 其特征在于， 包括以下步 骤： 步骤1， 采集单个物流车辆在某个较长时间内路线统计数据， 将所经过的每个区县地点 转换为六位数 的地理编码， 与该物流车辆的索引编码联合编码， 构成具有时序特性的物流 车辆轨迹实时在线数据流； 步骤2， 针对物流平台的物流车辆轨迹分析应用， 将该物流车辆的每个时间点的车辆和 地点的联合编码转 化为输入编码作为输入， 用HTM模型 学习该物流车辆行驶轨 迹的变化； 步骤3， 利用HTM空间池算法对该输入空间池化， 将该输入映射为一组激活的微柱， 完成 空间池对输入数据的表征； 步骤4， 空间池完成学习之后， 在被激活微柱上生成学习细胞集将被激活的微柱集送入 时间池进行训练， 构建输入之间的时序关系， 并在HTM中形成记 忆； 步骤5， 时间池完成对物流车辆实时在线轨迹数据的学习， 输出下个时间点的物流车辆 轨迹预测模式， 由分类解码器根据最终训练的结果给出预测的物流车辆与地点的联合编 码， 最后将该 联合编码解码为车辆和地 点， 作为该物流车辆的下个时间点的预测到 达地点。 步骤6， 实现一个基于HTM训练模型的物流车辆的在线查询系统， 对模型输入起始地点 和到达地点， 根据输出车辆与起始地点的联合编码， 判断该车辆是否有该到达地点的预测 模式， 将满足条件的车辆作为两个地 点之间的来往车辆， 完成快速查询。 2.根据权利要求1所述的一种基于HTM的物流货运车辆快速查询系统及其设计方法， 其 特征在于， 所述步骤6中， 实现一个基于HTM训练模型的物 流车辆的在 线查询系统， 主要包括 以下步骤： 步骤6.1， 将物流车辆的车牌 号与经过地点作为联合编码输入 模型进行训练； 步骤6.2， 完成训练后达到输入该物流车辆与目前所在地点可以预测到下一目的地的 效果； 步骤6.3， 输入的两个地点， 根据该物流车辆与起始地点的联合编码， 判断下一到达地 点是否包 含输入的到 达地点； 步骤6.4， 若包 含， 该物流车辆即为两个地 点之间的经常往来车辆 。 步骤6.5， 将该物流平台所有的物流车辆与所行驶的轨迹的联合编码都输入HTM模型进 行以上训练， 完成最终的训练。权　利　要　求　书 1/1 页 2 CN 115544395 A 2一种基于 HTM的物流货运车辆快速查询系统及其设计方 法 技术领域 [0001]本发明涉及人工智能深度学习领域,尤其涉及一种基于HTM的物流货运车辆快速 查询系统及其设计方法。 背景技术 [0002]随着互联网的逐渐普及， 在线购物的需求日渐增长， 随之而来的物流需求也逐渐 上升。 对于物流平台而言， 面对海量的物流数据， 一个稳定且高效的物流管理平台不可或 缺。 随着物流大数据体积的不断增长， 物流平台也应逐步调整自身的数据管理方式。 在面对 物流大数据的情况， 传统的数据检索方案在存储上面临着巨大压力， 并且已经出现检索效 率低， 稳定性较弱的问题。 因而很难保证服 务器的稳定性， 以及物流决策的及时性。 [0003]受益于近些年来的大数据和计算力的提升， 以及各种算法上的优化， 深度学习广 泛的应用于图像、 语音、 自然语 言处理等领域， 其中以循环神经网络、 卷积神经网络、 对抗神 经网络、 Tr ansforms等为几个典型的深度学习算法。 另一方面， 脑科学、 生物神经学的研 究 取的了不断突破， 为人工神经网络的研究提供了良好的借鉴。 其中， 一种受人类大脑皮层启 发的时间序列数据预测模型， 层级时序记忆(Hierarchical  Temporal  Memory,HTM)开始受 到人们的广泛关注， 该模型利用了稀疏分布表征， 通过 空间池和时间池等算法完成学习， 广 泛的应用于时间序列的分析和处理， 据一些研究报道称， HTM的预测效果与LSTM相当甚至更 好。 [0004]因此提出了一种基于HTM 的物流货运车辆快速查询系统及其设计方法， 减少物流 车辆数据所需要的存 储空间， 提高物流管理平台对物流车辆的快速查询效率。 发明内容 [0005]本发明的目的在于提供一种基于HTM的物流货运车辆快速查询系统及其设计方 法， 以解决现有的系统在面对物流大数据的情况下， 数据检索方案在 存储上的巨大压力， 和 检索效率低， 稳定性较弱的问题。 利用HTM机器学习训练模型， 降低存储压力， 提高物 流大数 据系统中检索物流车辆数据的效率。 [0006]一种基于 HTM的物流货运车辆快速查询系统及其设计方法， 包括以下步骤： [0007]步骤1， 采集单个物流车辆在某个较长时间内路线统计数据， 将所经过的每个区县 地点转换为六位数 的地理编码， 与该物流车辆的索引编码联合编码， 构成具有时序特性的 物流车辆 轨迹实时在线数据流； [0008]步骤2， 针对物流平台的物流车辆轨迹分析应用， 将该物流车辆的每个时间点的车 辆和地点的联合编码转化为输入编码作为输入， 用HTM模型学习该物流车辆行驶轨迹的变 化； [0009]步骤3， 利用HTM空间池算法对该输入空间池化， 将该输入映射为一 组激活的微柱， 完成空间池 对输入数据的表征； [0010]步骤4， 空间池完成学习之后， 在被激活微柱上生成学习细胞集将被激活的微柱集说　明　书 1/4 页 3 CN 115544395 A 3