(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 202211048475.9 (22)申请日 2022.08.30 (71)申请人 阿里健康科技 （中国） 有限公司 地址 100102 北京市朝阳区望京东园四区7 号楼15层15 06室 (72)发明人 周林　 (74)专利代理 机构 北京布瑞知识产权代理有限 公司 11505 专利代理师 尚文文 (51)Int.Cl. G06Q 10/08(2012.01) G06K 9/62(2022.01) (54)发明名称 流向补全 方法、 装置、 系统、 模型训练方法及 电子设备 (57)摘要 本说明书实施例提供了一种流向补全 方法、 装置、 系统、 模型训练方法及电子设备， 其中， 流 向补全方法基于历史流向特征集合， 获取与目标 节点有历史流向关系的关联节点在预设时间段 内的货物 量误差， 并根据多个关联节 点的上述货 物量误差， 确定缺失货物流向的流出节点， 实现 了对货物流向的补全， 保证了货物流向的完整 性。 另外， 历史流向特征集合包括从历史流向信 息上传行为中提取出的多个特征， 避免了基于单 一特征的货物 量误差不准确的问题， 提高了货物 量误差的精确度， 进而提高了流向预测的精确 性。 权利要求书3页 说明书12页 附图6页 CN 115409446 A 2022.11.29 CN 115409446 A 1.一种流向补全方法， 其特 征在于， 包括： 根据目标节点与多个关联节点各自对应的历史流向特征集合， 获取多个所述关联节点 在预设时间段内的货物量误差； 所述 目标节点包括缺失货物流向的流入节点， 所述关联节 点包括与所述目标节点存在历史流向关系的节点， 所述预设时间段覆盖所述缺失货物流向 信息的预计上传时间， 所述历史流向特征集合包括从历史流向信息上传行为中提取出的多 个特征， 所述货物量误差包括所述关联节点在所述预设时间段内， 预测的流出货物量与实 际上传的流出货物量的差值； 根据多个所述关联节点在所述预设时间段内的货物量误差， 获取所述缺失货物流向的 流出节点， 并根据所述 流出节点， 补全所述 缺失货物流向。 2.根据权利要求1所述的方法， 其特征在于， 所述历史流向特征集合包括所述历史流向 信息的上传时间特 征和所述历史流向信息的货物量特 征。 3.根据权利要求2所述的方法， 其特征在于， 所述上传时间特征包括上传时间在预设周 期内的索引， 所述预设周期包括周、 月和年中的至少一 者。 4.根据权利要求2所述的方法， 其特征在于， 所述货物量特征包括覆盖所述上传时间的 最近一个所述时间段内的货物量总和、 货物量均值和每天的货物量。 5.根据权利要求1所述的方法， 其特征在于， 所述根据多个所述关联节点在所述预设时 间段内的货物量 误差， 获取 所述缺失货物流向的流出节点包括： 将所述货物量 误差最大的所述关联节点， 确定为所述 缺失货物流向的流出节点。 6.根据权利要求1 ‑5任一项所述的方法， 其特征在于， 所述预设时间段的时间长度 大于 或等于所述目标节点和所述关联节点历史上传流向信息的周期平均值。 7.根据权利要求1 ‑5任一项所述的方法， 其特征在于， 所述根据目标节点与多个关联节 点各自对应的历史流向特征集合， 获取多个所述关联节点在预设时间段内的货物量误差包 括： 根据所述目标节点与多个所述关联节点各自对应的历史流向特征集合， 生成所述目标 节点与各 所述关联节点对应的流向预测模型； 根据所述目标节点与各所述关联节点对应的流向预测模型， 利用滑动 时间窗口， 预测 各所述关联节点在预设时间段内， 向所述目标节点的流出货物量； 计算各所述关联节点在预设时间段内， 预测的向所述目标节点的流出货物量与实际上 传的向所述目标节点的流出货物量的差值， 以获得各所述关联节点在所述预设时间段内的 货物量误差。 8.一种流向补全方法， 其特 征在于， 包括： 根据目标节点与多个关联节点各自对应的历史流向特征集合， 获取多个所述关联节点 的货物量误差； 所述 目标节点包括缺失货物流向的流入节点， 所述关联节点包括与所述 目 标节点存在历史流向关系的节点， 所述历史流向特征集合包括从历史流向信息上传行为中 提取出的多个特征， 所述货物量误差包括所述关联节点在预计流向上传时间， 预测的流出 货物量与实际上传的流出货物量的差值； 根据多个所述关联节点的货物量误差， 获取所述缺失货物流向的流出节点， 并根据所 述流出节点， 补全所述 缺失货物流向。 9.一种模型训练方法， 其特 征在于， 包括：权　利　要　求　书 1/3 页 2 CN 115409446 A 2获取目标节点与关联节点对应的历史流向特征集合， 所述目标节点包括缺失货物流向 的流入节点， 所述关联节点包括与所述 目标节点存在历史流向关系的节点， 所述历史流向 特征集合包括从历史流向信息上传行为中提取 出的多个特 征； 以所述目标节点与 所述关联节点对应的历史流向特征集合作为训练集， 对所述目标节 点与所述关联节点对应的神经网络模型进 行训练， 以获得所述目标节点与所述关联节点对 应的流向预测模型， 所述流向预测模型用于预测所述关联节点在预设时间段内， 向所述 目 标节点预测的流出货物量。 10.根据权利要求9所述的模型训练方法， 其特征在于， 所述历史流向特征集合包括所 述历史流向信息的上传时间特 征和所述历史流向信息的货物量特 征； 所述上传时间特征包括上传时间在预设周期内的索引， 所述预设周期包括周、 月和年 中的至少一 者； 所述货物量特征包括覆盖所述上传时间的最近一个所述 时间段内的货物量总和、 货物 量均值和每天的货物量。 11.一种流向补全系统， 其特 征在于， 包括： 服 务器、 目标节点和关联节点； 其中， 所述目标节点和所述关联节点， 均用于向所述服务器上传流向信息， 所述流向信息包 括货物的流入节点和流出节点信息； 所述服务器， 用于获取并存储所述流向信息， 根据目标节点与多个关联节点各自对应 的历史流向特征集合， 获取多个所述关联节点在预设时间段内的货物量误差， 并根据多个 所述关联节点在所述预设时间段内的货物量误差， 获取所述缺失货物流向的流出节点， 并 根据所述 流出节点， 补全所述 缺失货物流向； 所述目标节点包括缺失货物流向的流入节点， 所述关联节点包括与 所述目标节点存在 历史流向关系的节点， 所述预设时间段覆盖所述缺失货物流向的预计上传时间， 所述历史 流向特征集合包括从历史流向信息上传行为中提取出的多个特征， 所述货物量误差包括所 述关联节点在所述预设时间段内， 预测的流出货物量与实际上传的流出货物量的差值。 12.一种流向补全 装置， 其特 征在于， 包括： 流向预测模块， 用于根据目标节点与多个关联节点各自对应的历史流向特征集合， 获 取多个所述关联节点在预设时间段内的货物量误差； 所述目标节点包括缺失货物流向的流 入节点， 所述关联节点包括与所述 目标节点存在历史流向关系的节点， 所述预设时间段覆 盖所述缺 失货物流向的预计上传时间， 所述历史流向特征集合包括从历史流向信息上传行 为中提取出 的多个特征， 所述货物量误差包括所述关联节点在所述预设时间段内， 预测的 流出货物量与实际上传的流出货物量的差值； 流向补全模块， 用于根据多个所述关联节点在所述预设时间段内的货物量误差， 获取 所述缺失货物流向的流出节点， 并根据所述 流出节点， 补全所述 缺失货物流向。 13.一种电子设备， 其特 征在于， 包括： 存 储器和处 理器； 其中， 所述存 储器与所述处 理器连接， 所述存 储器用于存 储程序； 所述处理器， 用于通过运行所述存储中存储的程序， 实现如权利要求1 ‑8任一项所述的 流向补全方法或如权利要求9 ‑10任一项所述的模型训练方法。 14.一种存储介质， 其特征在于， 所述存储介质上存储有计算机程序， 所述计算机程序 被处理器运行时， 实现如权利要求1 ‑8任一项所述的流向补全方法或如权利要求9 ‑10任一权　利　要　求　书 2/3 页 3 CN 115409446 A 3