本发明涉及物流与人工智能，具体涉及一种基于多尺度时空图卷积网络的物流需求预测方法及装置、计算设备。
背景技术：
1、随着电子商务的迅猛发展，物流行业已成为现代经济中不可或缺的重要组成部分。物流网络的复杂性和动态性要求对其需求进行精准预测，以便实现资源的优化配置和高效调度。物流需求预测的准确性直接影响到物流企业的运营效率、成本控制和客户满意度。
2、传统的物流需求预测方法包括定性预测方法、时间序列模型以及回归分析方法等。其中，定性预测方法（如德尔菲法）通过专家咨询和意见对物流需求进行预测，该方法依赖于专家的经验和判断，适用于数据不足或难以量化的情境。如指数平滑法等时间序列模型，在移动平均的基础上赋予不同时间点的数据不同权重，以适应数据的变化趋势，然而，权重的选择往往依赖于经验。回归分析方法通过分析影响物流需求的各种因素与物流需求之间的关系，建立回归模型进行预测，但该方法的准确性受数据质量和变量选择的影响。综上所述，传统的物流需求预测方法的主观性强，容易受主观因素影响，预测结果不稳定。数据依赖度高，需要大量的历史数据作为支撑，然而，在实际操作中，往往难以获得完整的数据。
3、为解决上述问题，本发明提出一种基于多尺度时空图卷积网络的物流需求预测方法，通过引入多尺度图卷积网络层，能够捕捉物流网络中不同尺度的空间依赖关系。利用arima模型对时间序列数据进行建模，并将得到的预测值作为时空图的新特征，有效结合了物流需求的时间趋势和空间分布特性，不仅考虑历史物流需求的时间演变规律，还融入空间位置对需求的影响，增强了模型的预测能力。时空嵌入层结合grad-cam梯度定位网络层，能够更精准捕捉物流需求在时间和空间上的动态变化。通过多尺度时空图卷积网络中各节点的梯度更新网络权重，进一步优化了预测精度。
技术实现思路
1、鉴于上述问题，提出了本发明以便提供一种克服上述物流需求预测准确度较低问题的基于多尺度时空图卷积网络的物流需求预测方法及装置、计算设备。
2、根据本发明的一个方面，提供了一种基于多尺度时空图卷积网络的物流需求预测方法，包括：
3、获取物流网络的历史物流信息，其中，所述历史物流信息包括各个物流网络节点的物流需求量、时间戳、地理位置、处理容量以及物流流动；
4、从各个物流网络节点的物流需求量中提取时间序列数据，根据所述时间序列数据建立arima模型，通过所述arima模型得到各个物流网络节点的arima预测值；
5、根据所述物流网络节点构建时空图，将所述arima预测值作为新的特征添加至所述时空图的节点属性中；其中，各个物流网络节点作为所述时空图的顶点，各个物流网络节点的物流关系作为所述时空图的边；
6、将目标物流网络节点和所述时空图输入至多尺度时空图卷积网络，预测所述目标物流网络节点的物流需求量；其中，所述多尺度时空图卷积网络包括多尺度图卷积网络层、多头注意力层、时空嵌入层、无监督任务层以及冻结层，所述时空嵌入层集成grad-cam梯度定位网络层；
7、计算所述多尺度时空图卷积网络中各节点的梯度，汇总各节点梯度以更新所述多尺度时空图卷积网络的权重。
8、在一种可选的方式中，所述方法还包括：
9、根据所述各节点的梯度生成热力图，根据所述热力图优化物流资源的分配，其中，对于贡献度高的热力图节点，增加物流资源的投入；对于贡献度较低的热力图节点，减少物流资源的投入。
10、在一种可选的方式中，所述物流网络节点包括但不限于：物流中心、仓库、配送站以及零售商；
11、所述物流流动包括但不限于：物流运输成本、物流运输时间以及物流运输能力。
12、在一种可选的方式中，将目标物流网络节点和所述时空图输入至多尺度时空图卷积网络之后，所述方法还包括：
13、通过所述arima模型得到所述目标物流网络节点的arima预测值；
14、将所述目标物流网络节点的物流信息以及所述目标物流网络节点的arima预测值增量添加至所述时空图中。
15、在一种可选的方式中，所述根据所述时间序列数据建立arima模型进一步包括：
16、通过所述时间序列数据的自相关函数和偏自相关函数，确定所述arima模型的模型参数范围，其中，所述模型参数包括自回归项的阶数、差分次数以及移动平均项的阶数。
17、根据最大似然估计算法估计所述模型参数。
18、在一种可选的方式中，所述多尺度图卷积网络层包括多个并行的图卷积子层，每个图卷积子层使用不同大小的卷积核；
19、所述时空嵌入层包括时间编码器、空间编码器以及grad-cam梯度定位网络层；
20、所述无监督任务层包括多层时间卷积层、解码器以及损失函数，用于从所述时空图中生成正样本对和负样本对，其中，所述正样本对是同一物流节点在不同时间点的特征表示，负样本对是不同物流节点的特征表示；
21、所述冻结层用于冻结所述无监督任务层。
22、在一种可选的方式中，所述计算所述多尺度时空图卷积网络中各节点的梯度进一步包括：
23、定义损失函数以衡量网络输出与真实物流需求量的差异；
24、通过反向传播算法从所述多尺度时空图卷积网络的输出层开始，逐层计算网络中各节点的梯度，其中，所述冻结层不参与梯度计算。
25、在一种可选的方式中，所述多头注意力层的梯度计算公式为：
26、
27、
28、
29、其中，为损失函数对查询向量的梯度；为损失函数对键向量的梯度；为损失函数对值向量的梯度；为损失函数；为损失函数对多头注意力层输出的梯度；为键向量k的维度；为第i个节点的查询向量；为第j个节点的键向量；为第j个节点的值向量；q、k、v分别为时空图中节点的查询向量、键向量和值向量；为多头注意力层的输出。
30、根据本发明的另一方面，提供了一种基于多尺度时空图卷积网络的物流需求预测装置，包括：
31、历史物流信息获取模块，用于获取物流网络的历史物流信息，其中，所述历史物流信息包括各个物流网络节点的物流需求量、时间戳、地理位置、处理容量以及物流流动；
32、arima预测模型构建模块，用于从各个物流网络节点的物流需求量中提取时间序列数据，根据所述时间序列数据建立arima模型，通过所述arima模型得到各个物流网络节点的arima预测值；
33、时空图构建与特征增强模块，用于根据所述物流网络节点构建时空图，将所述arima预测值作为新的特征添加至所述时空图的节点属性中；其中，各个物流网络节点作为所述时空图的顶点，各个物流网络节点的物流关系作为所述时空图的边；
34、多尺度时空图卷积网络预测模块，用于将目标物流网络节点和所述时空图输入至多尺度时空图卷积网络，预测所述目标物流网络节点的物流需求量；其中，所述多尺度时空图卷积网络包括多尺度图卷积网络层、多头注意力层、时空嵌入层、无监督任务层以及冻结层，所述时空嵌入层集成grad-cam梯度定位网络层；
35、网络权重优化模块，用于计算所述多尺度时空图卷积网络中各节点的梯度，汇总各节点梯度以更新所述多尺度时空图卷积网络的权重。
36、根据本发明的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信。
37、根据本发明提供的方案，获取物流网络的历史物流信息，其中，所述历史物流信息包括各个物流网络节点的物流需求量、时间戳、地理位置、处理容量以及物流流动；从各个物流网络节点的物流需求量中提取时间序列数据，根据所述时间序列数据建立arima模型，通过所述arima模型得到各个物流网络节点的arima预测值；根据所述物流网络节点构建时空图，将所述arima预测值作为新的特征添加至所述时空图的节点属性中；其中，各个物流网络节点作为所述时空图的顶点，各个物流网络节点的物流关系作为所述时空图的边；将目标物流网络节点和所述时空图输入至多尺度时空图卷积网络，预测所述目标物流网络节点的物流需求量；其中，所述多尺度时空图卷积网络包括多尺度图卷积网络层、多头注意力层、时空嵌入层、无监督任务层以及冻结层，所述时空嵌入层集成grad-cam梯度定位网络层；计算所述多尺度时空图卷积网络中各节点的梯度，汇总各节点梯度以更新所述多尺度时空图卷积网络的权重。本发明通过引入多尺度图卷积网络层，能够捕捉物流网络中不同尺度的空间依赖关系。利用arima模型对时间序列数据进行建模，并将得到的预测值作为时空图的新特征，有效结合了物流需求的时间趋势和空间分布特性，不仅考虑历史物流需求的时间演变规律，还融入空间位置对需求的影响，增强了模型的预测能力。时空嵌入层结合grad-cam梯度定位网络层，能够更精准捕捉物流需求在时间和空间上的动态变化。通过多尺度时空图卷积网络中各节点的梯度更新网络权重，进一步优化了预测精度。
38、上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
1.一种基于多尺度时空图卷积网络的物流需求预测方法，其特征在于，包括：
2.根据权利要求1所述的基于多尺度时空图卷积网络的物流需求预测方法，其特征在于，所述方法还包括：
3.根据权利要求1或2所述的基于多尺度时空图卷积网络的物流需求预测方法，其特征在于，所述物流网络节点包括但不限于：物流中心、仓库、配送站以及零售商；
4.根据权利要求1或2所述的基于多尺度时空图卷积网络的物流需求预测方法，其特征在于，将目标物流网络节点和所述时空图输入至多尺度时空图卷积网络之后，所述方法还包括：
5.根据权利要求1或2所述的基于多尺度时空图卷积网络的物流需求预测方法，其特征在于，所述根据所述时间序列数据建立arima模型进一步包括：
6.根据权利要求1所述的基于多尺度时空图卷积网络的物流需求预测方法，其特征在于，所述多尺度图卷积网络层包括多个并行的图卷积子层，每个图卷积子层使用不同大小的卷积核；
7.根据权利要求1所述的基于多尺度时空图卷积网络的物流需求预测方法，其特征在于，所述计算所述多尺度时空图卷积网络中各节点的梯度进一步包括：
8.根据权利要求7所述的基于多尺度时空图卷积网络的物流需求预测方法，其特征在于，所述多头注意力层的梯度计算公式为：
9.一种基于多尺度时空图卷积网络的物流需求预测装置，其特征在于，包括：
10.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
