CN104766193A - 干线物流运输需求预测方法 - Google Patents
干线物流运输需求预测方法 Download PDFInfo
- Publication number
- CN104766193A CN104766193A CN201510012693.0A CN201510012693A CN104766193A CN 104766193 A CN104766193 A CN 104766193A CN 201510012693 A CN201510012693 A CN 201510012693A CN 104766193 A CN104766193 A CN 104766193A
- Authority
- CN
- China
- Prior art keywords
- timing node
- shipping parameters
- main line
- time series
- logistics transportation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种干线物流运输需求预测方法,其包括有以下步骤:1)获取目标时间之前的多个时间节点内的运输参数,运输参数包括有运输里程、运输时间以及运输价格;2)对步骤1)中的多个时间节点内的运输参数依次赋予参照权数,其中,每一个时间节点内运输参数的参照权数的大小随时间节点与目标时间之间的间隔增加而减小;3)基于多个时间节点的运输参数及其参照权数,对目标时间的运输需求进行预测处理;采用上述技术方案的干线物流运输需求预测方法,其可通过对于目标时间之前的多个时间节点的综合分析,形成数据模型对于目标时间的运输需求进行预测,可有效降低人为因素对于预测过程的不定性影响,从而有效改善了预测的精度。
Description
技术领域
本发明涉及一种物流工程中的模拟方法,尤其是一种干线物流运输需求预测方法。
背景技术
物流运输行业中,公路干线运输占据相当大的比例,而在干线物流运输中,整体物流成本与物流时间等运输参数在实际物流中的变化较大;在物流运营过程中,对于未来的相应时间内的物流运输量往往由人工基于经验进行分析,从而对干线运输中,可能的运输参数进行相关准备;然而,由于人工参与的不定性因素,其预测结果往往难以保证精度,从而使得物流能力难以得到匹配。
发明内容
本发明要解决的技术问题是提供一种干线物流运输需求预测方法,其可对于干线物流过程中,目标时间内的运输需求进行有效预测,以针对不同运输需求以改善物流能力。
为解决上述技术问题,本发明涉及一种干线物流运输需求预测方法,其包括有以下步骤:
1)获取目标时间之前的多个时间节点内的运输参数,运输参数包括有运输里程、运输时间以及运输价格;
2)对步骤1)中的多个时间节点内的运输参数依次赋予参照权数,其中,每一个时间节点内运输参数的参照权数的大小随时间节点与目标时间之间的间隔增加而减小;
3)基于多个时间节点的运输参数及其参照权数,对目标时间的运输需求进行预测处理。
作为本发明的一种改进,所述步骤1)中,选取的时间节点的数量为n,n为正整数,n个时间节点中,至少包含有12个时间节点,其分别位于,以目标时间为起点,向前推算的12个连续期间内。采用上述方案,其可通过选取位于目标时间之前的12个月份内的时间节点,以有效反应运输参数受季节等周期性因素的影响,从而使得对于干线物流的运输需求的预测更为精确。
作为本发明的一种改进,所述步骤1)中,多个时间节点内的运输参数在获取过程中,对于每一个时间节点内的每一个运输参数,其均包括有数据检测步骤。
作为本发明的一种改进,对于每一个时间节点内的每一个运输参数进行数据检测的具体方法为:
4.1)检测当前输入的运输参数是否符合格式要求;
4.2)检测当前输入的运输参数是否存在前后重复;
4.3)检测当前输入的运输参数是否存在出现明显不合理;
4.4)将步骤4.1)至4.3)中检测合格的数据输入预测系统内。
采用上述方案,其可对于输入至预测系统内的,每一个时间节点内的运输参数进行检测,确保其为常规的数据,亦避免因数据导入过程中的失误,导致后续对于运输需求的预测精度得以下降。
作为本发明的一种改进,所述步骤4.1)至4.3)中,对于检测过程中不合格的数据,将其置入异常数据库。采用上述方案,其可将异常数据作为后续的数据检测过程中的依据,以提高数据检测的精度,从而进一步改善干线物流运输需求的预测精度。
上述步骤2)中,采用指数平滑法对于多个时间节点内的运输参数依次赋予参照权数。
作为本发明的一种改进,所述步骤2)中,采用一次指数平滑法对于多个时间节点内的运输参数依次赋予参照权数,其具体分析公式为:
SAt=α×At+(1-α)×SAt-1
其中,SAt为对于每一个时间节点的预测运输参数,α为平滑指数,At为每一个时间节点的实际运输参数,SAt-1为多个时间节点构成的时间序列中,每一个时间节点于时间序列内向前相邻的时间节点的预测运输参数;所述平滑指数α的取值范围为0.1至0.9,且其保留1位小数。
采用上述方案,其可通过指数平滑分析方法,其可有效依据时间序列的态势进行顺势延推,从而获取精确的目标时间的运输需求的预测值。
作为本发明的一种改进,所述干线物流运输需求预测过程中,对于位于时间序列最前端的时间节点,其于指数平滑分析公式内的SAt-1的值采用序列初始值进行预测分析;对于时间节点的数量n大于15的时间序列,序列初始值即为位于时间序列最前端的时间节点内的对应的实际运输参数;当n小于等于15时,序列初始值为时间序列中,位于前端的三个时间节点内的对应的实际运输参数的平均值。
采用上述方案,其在时间序列内时间节点较多的情况下,时间序列中的时间节点与目标时间的间隔较大,序列初始值对于目标时间的运输参数的预测结果影响较小,故而采用时间序列最前端的时间节点的实际运输参数作为序列初始值,即可简单而有效的进行预测处理;而在时间序列内时间节点较少的情况下,时间序列中的时间节点与目标时间的间隔较小,序列初始值对于目标时间的运输参数的预测结果的影响亦更为显著,故而此处采用位于时间序列前端的三个时间节点内的对应的实际运输参数的平均值作为序列初始值,则可有效改善预测的精度,以减少对预测值影响。
作为本发明的一种改进,所述步骤2)中,平滑指数α的取值方法为:
9.1)基于时间序列内多个时间节点的实际运输参数的变化趋势,确定α的取值范围;
9.2)在步骤9.1)中确定的α的取值范围内,α对应的所有数值列举,并分别将其代入指数平滑分析公式中,对时间序列内的每一个时间节点进行指数平滑分析,获取其对应的预测运输参数;
9.3)将步骤9.2)中,每一个时间节点的预测运输参数与其实际运输参数进行对比,分别计算不同α值的情况下,时间序列的预测运输参数与实际运输参数的绝对误差,选取绝对误差最小的α值作为目标时间的干线物流运输需求预测中的α值。
采用上述方案,其可通过对于时间序列中,时间节点内的运输参数的分布的观察,以及实际验证,从而获取对于时间序列而言绝对误差最小的平滑常数值,从而使得在采用指数平滑分析方法对目标时间的运输需求进行预测的误差可降至最低。
作为本发明的一种改进,所述步骤9.1)中,α的取值范围的确定方法为:当时间序列内多个时间节点的实际运输参数呈现趋于水平的趋势时,α的取值范围为0.1至0.3;当时间序列内多个时间节点的实际运输参数呈现稳定变化的趋势时,α的取值范围为0.3至0.5;当时间序列内多个时间节点的实际运输参数呈现明显变化的趋势时,α的取值范围为0.6至0.8。
采用上述技术方案的干线物流运输需求预测方法,其可通过对于目标时间之前的多个时间节点的综合分析,形成数据模型对于目标时间的运输需求进行预测,可有效降低人为因素对于预测过程的不定性影响,从而有效改善了预测的精度;同时,上述方案藉由依据时间序列的渐进顺序赋予相近于目标时间的时间节点内的运输参数更大的参照权数,从而可有效反应一定时间序列内运输需求随时间的增进的变化趋势,进而使得预测结果可基于运输需求的客观变化而更为贴合实际,改善了预测的准确度与可信度,使得目标时间的物流能力可尽可能的与其需求相配合。
附图说明
图1为本发明中干线物流运输需求预测方法流程图;
图2为本发明中运输参数的数据检测方法流程图;
图3为本发明中实施例1内2013年1月至12月的运输额分布图;
具体实施方式
下面结合附图和具体实施方式,进一步阐明本发明,应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
实施例1
一种干线物流运输需求预测方法,其包括有以下步骤:
1)获取目标时间之前的多个时间节点内的运输参数,运输参数包括有运输里程、运输时间以及运输价格;
2)对于步骤1)中,多个时间节点构成的时间序列内,每一个时间节点内的每一个运输参数进行数据检测;
3)对于步骤2)中,经过检测的多个时间节点内的运输参数采用一次指数平滑分析方法对其赋予参照权数,其具体方法为,通过时间序列中,时间节点内的运输参数的分布以及数据,进行一次指数平滑分析公式的确立;
4)通过步骤3)中的一次指数平滑分析公式,以及时间序列中时间节点内的运输参数对目标时间的运输需求进行预测处理。
上述干线物流运输需求预测方法的工作流程如图1所示。
作为本发明的一种改进,所述步骤1)中,运输参数包括有:物流起始地点,物流目标地点,物流距离,物流货物种类以及运量,物流车型数据,历史运输价格,运输时间,运输过程中的通行费用以及油价,服务质量评价数据,付款方式以及信用等级等,在物流过程中对物流能力可能造成影响的诸多相关参数;其中,对于物流距离与车型数据等短期内保持稳定的运输参数,其通过将现有数据进行枚举,并制成相关数据库,并直接从数据库中提取相关信息的方式进行获取,以避免人工录入可能产生的错误。以物流距离为例,华北区域多个主要城市的距离枚举可参见下表:
以南京运输钢材至成都为例,其运输参数的具体数据参见下表:
所述步骤1)中,选取的时间节点的数量为12个,其分别位于,以目标时间为起点,向前推算的12个连续月份内。采用上述方案,其可通过选取位于目标时间之前的12个月份内的时间节点,以有效反应运输参数受季节等周期性因素的影响,从而使得对于干线物流的运输需求的预测更为精确。
所述步骤2)中,对于每一个时间节点内的每一个运输参数进行数据检测的具体方法为:
4.1)检测当前输入的运输参数是否符合格式要求;检测运输参数的格式要求的具体方法为:结合运输参数的数值与关键字,检测参数数据是否在指定范围之内,对于不符合格式要求的数据需进行人工修正;
4.2)检测当前输入的运输参数是否存在前后重复;检测运输参数是否重复的具体方法为:系统根据运输参数的数值,以及参数的关键字,例如参数类别、参数时间等,对多个重复数据进行判定重复,保留其中一个数据,并将其与数据予以剔除;
4.3)检测当前输入的运输参数是否存在出现明显不合理;检测运输参数不合理的具体方法为,将运输参数与现有常规数据进行比对,如车辆长度15米,但核定载重为3吨,明显存在不合理,系统将判定为不合法数据,予以剔除;
4.4)将步骤4.1)至4.3)中检测合格的数据输入预测系统内。
上述数据处理的流程图如图2所示。
采用上述方案,其可对于输入至预测系统内的,每一个时间节点内的运输参数进行检测,确保其为常规的数据,亦避免因数据导入过程中的失误,导致后续对于运输需求的预测精度得以下降。
作为本发明的一种改进,所述步骤4.1)至4.3)中,对于检测过程中不合格的数据,将其置入异常数据库。采用上述方案,其可将异常数据作为后续的数据检测过程中的依据,以提高数据检测的精度,从而进一步改善干线物流运输需求的预测精度。
所述步骤2)中,采用一次指数平滑法对于多个时间节点内的运输参数依次赋予参照权数,其具体分析公式为:
SAt=α×At+(1-α)×SAt-1
其中,SAt为对于每一个时间节点的预测运输参数,α为平滑指数,At为每一个时间节点的实际运输参数,SAt-1为多个时间节点构成的时间序列中,每一个时间节点于时间序列内向前相邻的时间节点的预测运输参数;所述平滑指数α的取值范围为0.1至0.9,且其保留1位小数。
采用上述方案,其可通过指数平滑分析方法,其可有效依据时间序列的态势进行顺势延推,从而获取精确的目标时间的运输需求的预测值。
对于上述一次指数平滑分析公式的确立,其包括有:
a)一次指数平滑分析公式中序列初始值的确立;
b)平滑常数α的确立;
对于序列初始值,其用于在干线物流运输需求预测过程中,对于位于时间序列最前端的时间节点,其于指数平滑分析公式内的SAt-1的值进行确定。对于本实施例中,由12个时间节点构成的时间序列,其序列初始值为时间序列中,位于前端的三个时间节点内的对应的实际运输参数的平均值。
采用上述方案,其在时间序列内时间节点较少的情况下,时间序列中的时间节点与目标时间的间隔较小,序列初始值对于目标时间的运输参数的预测结果的影响亦更为显著,故而此处采用位于时间序列前端的三个时间节点内的对应的实际运输参数的平均值作为序列初始值,则可有效改善预测的精度。
作为本发明的一种改进,所述步骤2)中,平滑指数α的取值方法为:
9.1)基于时间序列内多个时间节点的实际运输参数的变化趋势,确定α的取值范围;
9.2)在步骤9.1)中确定的α的取值范围内,α对应的所有数值列举,并分别将其代入指数平滑分析公式中,对时间序列内的每一个时间节点进行指数平滑分析,获取其对应的预测运输参数;
9.3)将步骤9.2)中,每一个时间节点的预测运输参数与其实际运输参数进行对比,分别计算不同α值的情况下,时间序列的预测运输参数与实际运输参数的绝对误差,选取绝对误差最小的α值作为目标时间的干线物流运输需求预测中的α值。
采用上述方案,其可通过对于时间序列中,时间节点内的运输参数的分布的观察,以及实际验证,从而获取对于时间序列而言绝对误差最小的平滑常数值,从而使得在采用指数平滑分析方法对目标时间的运输需求进行预测的误差可降至最低。
作为本发明的一种改进,所述步骤9.1)中,α的取值范围的确定方法为:当时间序列内多个时间节点的实际运输参数呈现趋于水平的趋势时,α的取值范围为0.1至0.3;当时间序列内多个时间节点的实际运输参数呈现稳定变化的趋势时,α的取值范围为0.3至0.5;当时间序列内多个时间节点的实际运输参数呈现明显变化的趋势时,α的取值范围为0.6至0.8。
基于上述干线物流运输需求预测方法,对2014年1月的运输额进行预测处理。
选取2013年1月至2013年12月中,每个月份作为预测的时间节点,每个月份的运输额可参见图2:
由图2可获知,2013年1月至12月的运输额呈现稳定变化趋势,故而一次指数平滑分析公式中,平滑指数α的取值为0.3至0.5;平滑指数α于0.3至0.5的区间内,可能的数值分别为0.3、0.4、0.5,将上述三个数值分别带入一次指数平滑分析公式中,对于2013年1月至12月中,每个月的运输额进行一次指数平滑分析,其分析结果如下表:
上述表格中,序列初始值即为2013年1月至3月三个月份的运输额的均值,绝对误差的计算方法为,通过对时间序列内每一个时间节点的实际运输参数与预测运输参数的差值的绝对值进行算术平均值的计算。
由上述表格可知,当α为0.5时,绝对误差具有最小值,故而应选择0.5作为一次指数平滑分析中,平滑常数α的取值。
采用上述一次指数平滑公式对2014年1月的运输额进行预测处理,其预测运输量为5674.67万元,经过实际记录,2014年1月的实际运输额为5698.25万元,预测误差为23.58万元,其误差率为0.41%。综上所述,采用上述的干线物流运输需求预测方法,可精确预测目标时间的运输需求。
采用上述技术方案的干线物流运输需求预测方法,其可通过对于目标时间之前的多个时间节点的综合分析,形成数据模型对于目标时间的运输需求进行预测,可有效降低人为因素对于预测过程的不定性影响,从而有效改善了预测的精度;同时,上述方案藉由依据时间序列的渐进顺序赋予相近于目标时间的时间节点内的运输参数更大的参照权数,从而可有效反应一定时间序列内运输需求随时间的增进的变化趋势,进而使得预测结果可基于运输需求的客观变化而更为贴合实际,改善了预测的准确度与可信度,使得目标时间的物流能力可尽可能的与其需求相配合。
此外,采用上述干线物流运输需求预测方法后,其通过相关资源的提前调度,使得物流过程中,物流运营能力得到显著改善,其物流运营成本相较以往下降了12.6%,对于物流服务方,其服务满意度亦由92%上升至97%。
实施例2
基于实施例1中的干线物流运输需求预测方法,对2014年7月的运输额进行预测处理。
本实施例中,选取2013年1月至2014年6月中,每个月份作为预测的时间节点,即选取的时间节点的数量为18个;由于时间节点的数量n大于15,故在计算序列初始值时,采用最前端时间节点内的实运输参数作为序列初始值即可;为与实施例1中的序列初始值的计算方法形成对比,在平滑常数α采用0.3的前提下,采用两种不同的序列初始值分别进行计算,其计算结果参见下表:
由上表数据可得,对于n大于15的情况下,时间跨度较大,序列初始值的计算方式造成的预测值误差小于1‰,其影响可以忽略。为简化计算步骤,可直接采用最前端时间节点内的实运输参数作为序列初始值进行计算。
对于上述数据采取实施例1中的干线物流运输需求预测方法进行2014年7月的运输量进行计算,实际预测过程中,平滑常数α采取0.5,其预测运输量与实际运输量相比,误差率为0.32%。
本实施例其余特征与优点均与实施例1相同。
Claims (10)
1.一种干线物流运输需求预测方法,其特征在于,所述干线物流运输需求预测方法包括有以下步骤:
1)获取目标时间之前的多个时间节点内的运输参数,运输参数包括有运输里程、运输时间以及运输价格;
2)对步骤1)中的多个时间节点内的运输参数依次赋予参照权数,其中,每一个时间节点内运输参数的参照权数的大小随时间节点与目标时间之间的间隔增加而减小;
3)基于多个时间节点的运输参数及其参照权数,对目标时间的运输需求进行预测处理。
2.按照权利要求1所述的干线物流运输需求预测方法,其特征在于,所述步骤1)中,选取的时间节点的数量为n,n为正整数,n个时间节点中,至少包含有12个时间节点,其分别位于,以目标时间为起点,向前推算的12个连续月份内。
3.按照权利要求1或2所述的干线物流运输需求预测方法,其特征在于,所述步骤1)中,多个时间节点内的运输参数在获取过程中,对于每一个时间节点内的每一个运输参数,其均包括有数据检测步骤。
4.按照权利要求3所述的干线物流运输需求预测方法,其特征在于,对于每一个时间节点内的每一个运输参数进行数据检测的具体方法为:
4.1)检测当前输入的运输参数是否符合格式要求;
4.2)检测当前输入的运输参数是否存在前后重复;
4.3)检测当前输入的运输参数是否存在出现明显不合理;
4.4)将步骤4.1)至4.3)中检测合格的数据输入预测系统内。
5.按照权利要求4所述的干线物流运输需求预测方法,其特征在于,所述步骤4.1)至4.3)中,对于检测过程中不合格的数据,将其置入异常数据库。
6.按照权利要求2所述的干线物流运输需求预测方法,其特征在于,所述步骤2)中,采用指数平滑法对于多个时间节点内的运输参数依次赋予参照权数。
7.按照权利要求6所述的干线物流运输需求预测方法,其特征在于,所述步骤2)中,采用一次指数平滑法对于多个时间节点内的运输参数依次赋予参照权数,其具体分析公式为:
SAt=α×At+(1-α)×SAt-1
其中,SAt为对于每一个时间节点的预测运输参数,α为平滑指数,At为每一个时间节点的实际运输参数,SAt-1为多个时间节点构成的时间序列中,每一个时间节点于时间序列内向前相邻的时间节点的预测运输参数;所述平滑指数α的取值范围为0.1至0.9,且其保留一位小数。
8.按照权利要求7所述的干线物流运输需求预测方法,其特征在于,所述干线物流运输需求预测过程中,对于位于时间序列最前端的时间节点,其于指数平滑分析公式内的SAt-1的值采用序列初始值进行预测分析;
对于时间节点的数量n大于15的时间序列,序列初始值即为位于时间序列最前端的时间节点内的对应的实际运输参数;当n小于等于15时,序列初始值为时间序列中,位于前端的三个时间节点内的对应的实际运输参数的平均值。
9.按照权利要求7或8所述的干线物流运输需求预测方法,其特征在于,所述步骤2)中,平滑指数α的取值方法为:
9.1)基于时间序列内多个时间节点的实际运输参数的变化趋势,确定α的取值范围;
9.2)在步骤9.1)中确定的α的取值范围内,α对应的所有数值列举,并分别将其代入指数平滑分析公式中,对时间序列内的每一个时间节点进行指数平滑分析,获取其对应的预测运输参数;
9.3)将步骤9.2)中,每一个时间节点的预测运输参数与其实际运输参数进行对比,分别计算不同α值的情况下,时间序列的预测运输参数与实际运输参数的绝对误差,选取绝对误差最小的α值作为目标时间的干线物流运输需求预测中的α值。
10.按照权利要求9所述的干线物流运输需求预测方法,其特征在于,所述步骤9.1)中,α的取值范围的确定方法为:
当时间序列内多个时间节点的实际运输参数呈现趋于水平的趋势时,α的取值范围为0.1至0.3;
当时间序列内多个时间节点的实际运输参数呈现稳定变化的趋势时,α的取值范围为0.3至0.5;
当时间序列内多个时间节点的实际运输参数呈现明显变化的趋势时,α的取值范围为0.6至0.8。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510012693.0A CN104766193A (zh) | 2015-01-09 | 2015-01-09 | 干线物流运输需求预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510012693.0A CN104766193A (zh) | 2015-01-09 | 2015-01-09 | 干线物流运输需求预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104766193A true CN104766193A (zh) | 2015-07-08 |
Family
ID=53648007
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510012693.0A Pending CN104766193A (zh) | 2015-01-09 | 2015-01-09 | 干线物流运输需求预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104766193A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829667A (zh) * | 2017-11-23 | 2019-05-31 | 菜鸟智能物流控股有限公司 | 物流节点包裹量的预测方法和装置 |
EP3567531A1 (en) * | 2018-05-09 | 2019-11-13 | Volvo Car Corporation | Forecast demand for mobility units |
US11816179B2 (en) | 2018-05-09 | 2023-11-14 | Volvo Car Corporation | Mobility and transportation need generator using neural networks |
-
2015
- 2015-01-09 CN CN201510012693.0A patent/CN104766193A/zh active Pending
Non-Patent Citations (2)
Title |
---|
刘开元: "物流分配方法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 社会科学Ⅰ辑(经济政治与法律)》 * |
徐兴华: "基于组合预测方法的物流需求研究", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829667A (zh) * | 2017-11-23 | 2019-05-31 | 菜鸟智能物流控股有限公司 | 物流节点包裹量的预测方法和装置 |
CN109829667B (zh) * | 2017-11-23 | 2023-06-02 | 菜鸟智能物流控股有限公司 | 物流节点包裹量的预测方法和装置 |
EP3567531A1 (en) * | 2018-05-09 | 2019-11-13 | Volvo Car Corporation | Forecast demand for mobility units |
US11429987B2 (en) | 2018-05-09 | 2022-08-30 | Volvo Car Corporation | Data-driven method and system to forecast demand for mobility units in a predetermined area based on user group preferences |
US11816179B2 (en) | 2018-05-09 | 2023-11-14 | Volvo Car Corporation | Mobility and transportation need generator using neural networks |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111104981B (zh) | 一种基于机器学习的水文预报精度评价方法及系统 | |
Bleischwitz et al. | Extrapolation or saturation–Revisiting growth patterns, development stages and decoupling | |
Chen et al. | Travel time prediction system based on data clustering for waste collection vehicles | |
CN109961248B (zh) | 运单投诉预测方法、装置、设备及其存储介质 | |
CN102156732B (zh) | 基于特征站点的公交ic卡数据站点匹配方法 | |
CN104657788B (zh) | 基于行业景气指数的重点行业用电量预测方法 | |
CN107423859B (zh) | 一种组合模型建模方法及系统 | |
CN107895014B (zh) | 一种基于MapReduce框架的时间序列桥梁监测数据分析方法 | |
CN102082703A (zh) | 业务支撑系统设备性能监控的方法及装置 | |
CN102721397A (zh) | 基于垂直动载荷的现代时间序列提取路面特征参数的方法 | |
CN107092751B (zh) | 基于Bootstrap的变权重模型组合预测方法 | |
CN103914475A (zh) | 一种视频播放量的预测方法、系统和装置 | |
Song et al. | In-use product and steel stocks sustaining the urbanization of Xiamen, China | |
CN110991739A (zh) | 一种行业电量需求预测模型的构建方法及预测方法 | |
CN110060087A (zh) | 异常数据的检测方法、装置和服务器 | |
CN109379240A (zh) | 车联网流量预测模型构建方法、装置和电子设备 | |
CN103617468A (zh) | 一种生活必需品中长期预测方法 | |
CN104766193A (zh) | 干线物流运输需求预测方法 | |
CN110334816A (zh) | 一种工业设备检测方法、装置、设备及可读存储介质 | |
CN108831181A (zh) | 一种用于公交车辆行程时间预测的模型建立方法及系统 | |
CN106287233A (zh) | 一种管网漏失预警方法及系统 | |
CN107730893A (zh) | 一种基于乘客出行多维特征的共享巴士站点客流预测方法 | |
CN109327334A (zh) | 一种针对于设备性能的告警方法、装置及设备 | |
CN107589391A (zh) | 一种检测电能计量装置整体误差的方法、装置和系统 | |
CN104881718A (zh) | 基于多尺度经济先行指标的区域电力景气指数构建方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150708 |
|
RJ01 | Rejection of invention patent application after publication |