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！

龙图腾网获悉香港中文大学(深圳)申请的专利一种基于联邦学习的跨物流中转场资源协同分配方法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：CN120013211B 。

龙图腾网通过国家知识产权局官网在2025-10-21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：202510490455.4，技术领域涉及：G06Q10/0631；该发明授权一种基于联邦学习的跨物流中转场资源协同分配方法是由黄川;田源明;张崴设计研发完成，并于2025-04-18向国家知识产权局提交的专利申请。

本一种基于联邦学习的跨物流中转场资源协同分配方法在说明书摘要公布了：本发明公开了一种基于联邦学习的跨物流中转场资源协同分配方法，包括以下步骤：在每个物流中转场内构建多源异构数据的集合，并进行特征提取得到每个物流中转场的特征向量；生成各个物流中转场的本地数据集；构建联邦学习模型，由各个物流中转场和中央服务器协同进行训练；基于联邦学习模型，构建一个时间跨度为T的跨中转场资源协同分配优化问题，并通过求解优化问题得到协同分配策略。本发明通过分布式训练和安全聚合技术，实现不同物流中转场内资源的协同调度，在保护各物流中转场隐私的同时，提升资源利用效率。

本发明授权一种基于联邦学习的跨物流中转场资源协同分配方法在权利要求书中公布了：1.一种基于联邦学习的跨物流中转场资源协同分配方法，其特征在于：包括以下步骤： 在每个物流中转场内构建多源异构数据的集合，并进行特征提取得到每个物流中转场的特征向量； 生成各个物流中转场的本地数据集，第i个物流中转场的本地数据集，记为，其中表示第个物流中转场的第个特征样本向量，表示第个物流中转场的特征样本总数，并根据本地数据集构建出本地训练集，其中表示第个物流中转场的资源分配策略集合，其中表示第个物流中转场的第个真实资源分配策略； 构建联邦学习模型，由各个物流中转场和中央服务器协同进行训练，包括； A1、将每个物流中转场作为联邦学习的一个节点，中央服务器向各物流中转场，下发当前全局模型参数，所述全局模型采用多层感知机模型，全局模型参数为多层感知机模型的参数；其中t表示第t个时间段，初始状态下t=1，此时即为，为初始化的模型参数； A2、各物流中转场基于本地数据执行若干轮小批量训练，更新本地模型参数； 训练过程以每个中转场i的特征样本向量集合作为模型输入，以真实历史记录得到的资源分配策略集合作为监督标签；训练目标为学习一个将特征向量映射至最优资源分配策略的预测函数,该函数通过最小化交叉熵损失函数实现模型拟合，其局部训练目标函数为： 其中，表示模型预测的策略概率分布； 整体的损失函数为 1 其中，为多层感知模型对第个物流中转场的第k个策略概率分布，为在第个物流中转场中的参数向量；并采用批量为B的小批量随机梯度下降方法对参数进行更新，对本地模型参数的更新过程表示为： 2 其中，为学习率，为单个批量的梯度；、分别表示第个物流中转场第t个时刻和第t+1个时刻的本地模型参数； A3、各个物流中转场将更新后的本地模型参数上传至中央服务器； A4、中央服务器根据各节点数据规模加权平均计算新的全局模型参数，并分发至各节点； 中心服务器以概率从个物流中转场中随机选择个物流中转场进行训练和参数聚合，并对全局参数进行更新，更新过程为： 由于每个中转场节点将其采集到的特征样本向量集合划分为个小批次，每个批次大小为B，用于本地模型训练时的梯度下降更新过程；对于每个物流中转场，结合已经更新的轮次，计算选择的第s个物流中转场的迭代更新参数； 3 其中，表示选择的第s个物流中转场第轮迭代后的参数，表示全局参数；Z表示当前迭代的轮次； 4 其中，为考虑各物流中转场数据量权重的全局更新量，其计算公式为： 5 表示选择的S个物流中转场中，第s个物流中转场的特征样本数目； A5、令t=t+1，中央服务器将更新后的全局模型参数作为新的，下发到每一个物流中转场，进行下一轮训练，直到达到设定轮次后得到训练结果，将此时的全局模型参数记为，并分发给每一个物流中转节点； 基于联邦学习模型，构建一个时间跨度为T的跨中转场资源协同分配优化问题，并通过求解优化问题得到协同分配策略。

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香港中文大学(深圳)，其通讯地址为：518172 广东省深圳市龙岗区龙城街道龙翔大道2001号；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”。

以上内容由龙图腾AI智能生成。