买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉杭州宇谷科技股份有限公司申请的专利基于多目标深度学习的换电推荐方法和系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119397107B 。

龙图腾网通过国家知识产权局官网在2025-07-01发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510006882.0，技术领域涉及：G06F16/9535；该发明授权基于多目标深度学习的换电推荐方法和系统是由李朝;黄家明;李洋震;朱成祥设计研发完成，并于2025-01-03向国家知识产权局提交的专利申请。

本基于多目标深度学习的换电推荐方法和系统在说明书摘要公布了：本申请涉及一种基于多目标深度学习的换电推荐方法、系统、电子设备和存储介质，利用了电池的基本属性、换电柜的相关数据、骑手的个人信息以及骑手与电池之间的互动记录等多维度基础信息，通过基于深度学习的多目标推荐系统，深入挖掘这些数据中的潜在变量，并将将这些基础信息与挖掘出的隐含变量整合进推荐系统模型中，实时输出最符合骑手需求的换电柜和电池建议。解决了相关技术中换电推荐方法用户匹配度较低，以及资源利用率较低的问题，不仅降低了成本和生产压力，增进了供需关系的均衡。

本发明授权基于多目标深度学习的换电推荐方法和系统在权利要求书中公布了：1.一种基于多目标深度学习的换电推荐方法，其特征在于，基于改进ESMM模型实现，所述方法包括： 利用多层感知器，将多维度原始特征转换为高维特征表示； 将各个高维特征表示整合为共享底层特征，其中，所述多维度原始特征包括：用户特征、电池特征和电柜特征，所述电柜特征包括电柜位置和分布信息、设备内资源信息，以及设备状态信息，其中，所述设备状态信息包括：运行状态、故障状态和维护记录； 基于所述共享底层特征，通过专家网络，分别学习与不同类型的特定任务相关的特征表示，得到多个不同维度的特征学习结果，将所述多维度的特征学习结果进行加权融合； 通过任务塔，基于所述加权合并的结果进行预测，得到与用户习惯匹配的换电推荐结果； 其中，所述任务塔包括第一任务塔和第二任务塔，所述第一任务塔专注电柜推荐任务预测，所述第二任务塔进行电池推荐任务预测； 所述第一任务塔和所述第二任务塔具备各自独立的任务特定输出层，输出层包含两层全连接层，第一层全连接层对输入数据进行初步的特征变换与整合，将专家层加权合并后传入的特征信息进一步加工，提取出任务相关性的特征表示；第二层全连接层在所述特征表示基础上进行更深入的计算与映射；使用Sigmoid激活函数处理，生成最终的预测值； 在模型训练过程，使用交叉熵损失对任务塔的预测结果进行监督，并以最小化电柜推荐任务、电池推荐任务的预测值与真实值之间的误差为目标，训练改进ESMM模型； 所述专家网络包括多个结构共享但独立训练的专家层，每个专家层用于专注学习与一种特定任务相关的特征表示； 通过门控网络生成每个专家层对应的权重参数，根据所述权重参数，将所有特征表示加权融合，得到所述多个不同维度的特征学习结果的加权融合结果; 通过专家网络，分别学习与不同类型的特定任务相关的特征表示，得到多维度的特征学习结果包括： 通过第一全连接层，对所述共享底层特征进行线性变换，并利用激活函数，将所述共享底层特征映射至新的特征空间，获取与所述特定任务对应的潜在特征； 通过第二全连接层，将所述潜在特征进行线性变换和激活，强化与所述特定任务相关的特征模式，输出所述特征学习结果； 将所述多维度的特征学习结果进行加权融合包括： 通过门控网络，获取各个专家层输出的特征学习结果，并通过全连接层分别对所述特征学习结果处理，以及，通过Softmax函数将所述全连接层输出的结果转换为各个专家层对应的门控信号； 根据所述门控信号，对各个专家层输出的特征学习结果进行加权组合，得到所述多个不同维度的特征学习结果的加权融合结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人杭州宇谷科技股份有限公司，其通讯地址为：310000 浙江省杭州市余杭区良渚街道七贤路1号1幢6楼603室；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。