CN105976153A - 物流管理系统的发车数据预测方法 - Google Patents

Abstract

本发明涉及一种物流管理系统的发车数据预测方法，包括以下步骤：从历史数据库中读取统计时间内发车选项对应的第一历史数据，根据所述统计时间生成树形数据结构；为各个第一时间周期设置权重，根据所述权重、各个第三时间周期的第一历史数据以及各个第二时间周期内的第一历史数据获取选定时间内发车量的估计值；获取输入的发车计划对应的第一发车数据以及对应的第一影响因子，以所述发车量的估计值为输入，以选定时间内的发车量对应的第二发车数据为输出，以所述第一发车数据以及所述第一影响因子为反馈量构建预测模型；根据所述预测模型对选定时间内的发车数据进行预测。

Description

物流管理系统的发车数据预测方法

技术领域

本发明涉及物流管理技术领域，特别是涉及一种物流管理系统的发车数据预测方法。

背景技术

物流管理(Logistics Management)是指在社会再生产过程中，根据物质资料实体流动的规律，应用管理的基本原理和科学方法，对物流活动进行计划、组织、指挥、协调、控制和监督，使各项物流活动实现最佳的协调与配合，以降低物流成本，提高物流效率和经济效益。发车数据预测是物流管理中的一项重要内容，科学地进行发车数据预测对降低物流成本，提高物流效率和经济效益有重要意义。

在进行发车数据预测时，现有技术一般是基于客户在每个月前给出的下个月总发运计划，并根据月总计划每周对下一周进行具体到每天的预测。现有的预测方法受发运站点工作人员的经验以及当前发生的会影响发运量的事件的影响较大，预测精确度低、效率差。

发明内容

基于此，有必要针对预测精确度低、效率差的问题，提供一种物流管理系统的发车数据预测方法。

一种物流管理系统的发车数据预测方法，包括以下步骤：

从历史数据库中读取统计时间内发车选项对应的第一历史数据，根据所述统计时间生成树形数据结构；其中，将所述统计时间划分为若干个等长的第一时间周期，将各个第一时间周期设为所述树形数据结构的第一层，将各个第一时间周期划分为相同数量的第二时间周期，将各个第二时间周期设为所述树形数据结构的第二层，将各个第二时间周期划分为若干个第三时间周期，将各个第三时间周期设为所述树形数据结构的第三层；

为各个第一时间周期设置权重，根据所述权重、各个第三时间周期的第一历史数据以及各个第二时间周期内的第一历史数据获取选定时间内发车量的估计值；

获取输入的发车计划对应的第一发车数据以及对应的第一影响因子，以所述发车量的估计值为输入，以选定时间内的发车量对应的第二发车数据为输出，以所述第一发车数据以及所述第一影响因子为反馈量构建预测模型；

根据所述预测模型对选定时间内的发车数据进行预测。

上述物流管理系统的发车数据预测方法，将统计时间分为三层树形结构，为树形结构的第一层的每个第一时间周期设置权重，将权重应用于第二层和第三层，得到未来一段时间内发车量的估计值为输入，以未来一段时间内的发车数据为输出，以发车计划对应的发车数据和影响因子为反馈量建立预测模型，并根据所述预测模型对未来一段时间内的发车数据进行预测，有效的考虑到历史发运数据中所体现的周期性，预测准确性高，且无需人工操作，自动获取数据，效率高。

附图说明

图1为本发明的物流管理系统的发车数据预测方法流程图。

具体实施方式

下面结合附图对本发明的物流管理系统的发车数据预测方法的实施例进行描述。

如图1所示，本发明的物流管理系统的发车数据预测方法可包括以下步骤：

S1，从历史数据库中读取统计时间内发车选项对应的第一历史数据，根据所述统计时间生成树形数据结构；其中，将所述统计时间划分为若干个等长的第一时间周期，将各个第一时间周期设为所述树形数据结构的第一层，将各个第一时间周期划分为相同数量的第二时间周期，将各个第二时间周期设为所述树形数据结构的第二层，将各个第二时间周期划分为若干个第三时间周期，将各个第三时间周期设为所述树形数据结构的第三层；

在一个实施例中，所述统计时间可以是设定时间的前若干年。例如，要预测的是2016年的发车数据，则可将所述统计时间设为2016年的前3年，即2015年、2014年和2013年。所述第一时间周期可以是1年，则所述统计时间可以分为2015年、2014年和2013年3个周期。所述第二时间周期可以是1个月，则2015年、2014年和2013年可分别划分为12个月，即12个第二时间周期。所述第三时间周期可以是1天，则每一年的每一个月可以分为28至31天不等。为便于描述，在下面的实施例中均以第一时间周期为1年，第二时间周期为1个月，第三时间周期为1天进行说明。

S2，为各个第一时间周期设置权重，根据所述权重、各个第三时间周期的第一历史数据以及各个第二时间周期内的第一历史数据获取选定时间内发车量的估计值；

在步骤S2中，可根据以下方式获取所述估计值：

步骤(2-1)：根据发车选项中方向对应的类别将各个第三时间周期内的第一历史数据划分为若干项第二历史数据，根据第a个第一时间周期的第b个第二时间周期内第二历史数据和第a个第一时间周期的第b个第二时间周期的第c个第三时间周期内的第二历史数据计算第a个第一时间周期的第b个第二时间周期的第c个第三时间周期内的第一发车比率值，根据预设的权重对所述第一发车比率值进行加权平均，获取选定时间内的第一预测数据；其中，所述权重根据所述第三时间周期对应的第一时间周期与当前时间的时间间隔的关联关系而设定；a、b和c为正整数；

根据步骤S1的实施例，以2015年为例，假设发车方向包括广州、深圳和珠海，可以将2015年的第一历史数据划分为3类第二历史数据。所述第一发车比率值可以是向各个不同方向的发车比例。所述权重可以根据所述第三时间周期对应的第一时间周期与当前时间的时间间隔来设置。例如，2015年离当前时间最接近，则可以将2015年每一天的权重设为4；2014年离当前时间较为接近，则可以将2014年每一天的权重设为2；2013年离当前时间最远，则可以将2013年每一天的权重设为1。

可根据如下公式计算所述第一发车比率值：

${\mathrm{\γ}}_{abc}=\frac{x_{abc}}{x_{ab}};$

式中，γ_abc为第a个第一时间周期的第b个第二时间周期的第c个第三时间周期内的第一发车比率值，x_abc为第a个第一时间周期的第b个第二时间周期的第c个第三时间周期内的第二历史数据，x_ab为第a个第一时间周期的第b个第二时间周期内第二历史数据。

在此基础上，可根据如下公式对所述第一发车比率值进行加权平均，得到第一预测数据：

$P_1=\frac{\underset{a}{\Σ}{\mathrm{\λ}}_a{\mathrm{\γ}}_{abc}}{\underset{a}{\Σ}{\mathrm{\λ}}_a},$

式中，P₁为第一预测数据，λ_a为第a个第一时间周期对应的权重，γ_abc为第a个第一时间周期的第b个第二时间周期的第c个第三时间周期内的第一发车比率值。

以2015年1月1日为例，则2015年1月1日往广州方向的第一发车比率值等于2015年1月1日往广州方向的发车量与2015年1月往广州方向的发车量的比值。从而，2016年1月1日往广州方向的第一预测数据可记为(2015年1月1日的第一发车比率值*4+2014年1月1日的第一发车比率值*2+2013年1月1日的第一发车比率值*1)/(1+2+4)。

步骤(2-2)：根据第a个第一时间周期的第b个第二时间周期内的第一历史数据和第a个第一时间周期的第b个第二时间周期的第c个第三时间周期内的第一历史数据计算第a个第一时间周期的第b个第二时间周期的第c个第三时间周期内的第二发车比率值，根据所述权重对所述第二发车比率值进行加权平均，获取选定时间内的第二预测数据，对所述第二预测数据进行时间序列分析，获取选定时间内的第三预测数据；

可根据如下公式计算所述第二发车比率值：

${\mathrm{\β}}_{abc}=\frac{y_{abc}}{y_{ab}};$

式中，β_abc为第a个第一时间周期的第b个第二时间周期的第c个第三时间周期内的第二发车比率值，y_abc为第a个第一时间周期的第b个第二时间周期的第c个第三时间周期内的第一历史数据，y_ab为第a个第一时间周期的第b个第二时间周期内第一历史数据。

在此基础上，可根据如下公式对所述第二发车比率值进行加权平均，得到第二预测数据：

$P_2=\frac{\underset{a}{\Σ}{\mathrm{\λ}}_a{\mathrm{\β}}_{abc}}{\underset{a}{\Σ}{\mathrm{\λ}}_a},$

式中，P₂为第二预测数据，λ_a为第a个第一时间周期对应的权重，β_abc为第a个第一时间周期的第b个第二时间周期的第c个第三时间周期内的第二发车比率值。

仍以2015年1月1日为例，则2015年1月1日的第二发车比率值等于2015年1月1日的总发车量与2015年1月的总发车量的比值。从而，2016年1月1日的第二预测数据可记为(2015年1月1日的第二发车比率值*4+2014年1月1日的第二发车比率值*2+2013年1月1日的第二发车比率值*1)/(1+2+4)。

在一个实施例中，可根据如下方式对所述第二预测数据进行时间序列分析：

步骤(2-2-1)：从各个第二时间周期中截取若干个第三时间周期，设为第四时间周期，根据第四时间周期内各个第三时间周期对应的时间选项将各个第三时间周期划分为若干个周期类别；

在本步骤中，所述第四时间周期可以包括若干个(例如，3至4个)完整的星期，所述周期类别可以是不同的星期数，例如，星期一为一个类别，星期二为另一个类别，以此类推。

步骤(2-2-2)：根据第a个第一时间周期的第d个第四时间周期的第i个周期类别的第三时间周期内的第一历史数据与第a个第一时间周期的第d个第四时间周期内的第一历史数据计算第a个第一时间周期的第d个第四时间周期的第i个周期类别的第三时间周期内的第三发车比率值，根据所述权重对所述第三发车比率值进行加权平均，获取对应的第四预测数据；

在本步骤中，可根据截取的3至4个星期对应的第一历史数据计算出该月份星期X(X＝1，2，3，……，7)的第三发车比率值。例如，2015年1月星期一的第三发车比率值为(选出的星期一的发车量的总和)/(选出的日期的发车量的总和)。对第三发车比率值进行加权平均，可得到2016年的第四预测数据为(2015年的第三发车比率值*4+2014年的第三发车比率值*2+2013年的第三发车比率值*1)/(1+2+4)。

步骤(2-2-3)：对所述第三发车比率值进行归一化处理，根据归一化的第三发车比率值对第二预测数据进行校正，对校正后的第二预测数据进行平滑处理，获取对应的第四预测数据；

可将每月日期对应到星期数及2016年星期X的第三发车比率值，此时2016年星期X的第三发车比率值的总和会大于100％，然后，可对第三发车比率值进行归一化处理，例如可通过以下方式进行归一化处理：

(每个日期对应的2016年星期X的第三发车比率值)/(2016年星期X的第三发车比率值的总和)，最终使该总和为100％。

对第二预测数据进行校正时，可将2016年的第二预测数据减去整理后的2016年归一化的第三发车比率值。此时得出的是每个星期X会对该日造成影响的第四预测数据。可将此第四预测数据*0.618，使影响曲线更会平滑。

步骤(2-2-4)：从所述选定时间内选择若干个第三时间周期，将所述第三时间周期对应的第四预测数据设为0，重复上述步骤，获取对应的第三预测数据。

所选择的第三时间周期可以是该月的非工作日。可将2016年每日发运比率减去平滑后的第四预测数据，得出初步2016年的第三预测数据。找出该月已知的非工作日，将当日的发运比率调整为0，再运用上述方法，可将第三预测数据的总和调整为100％。

步骤(2-3)：根据所述第一预测数据和第三预测数据获取选定时间内发车量的估计值。

S3，获取输入的发车计划对应的第一发车数据以及对应的第一影响因子，以所述发车量的估计值为输入，以选定时间内的发车量对应的第二发车数据为输出，以所述第一发车数据以及所述第一影响因子为反馈量构建预测模型；

在步骤S3中，可收集每周发运站点反馈回来的影响发运数量的事件反馈，对事件进行多角度分析，包括发生的时间，起因，结果，责任方，等。可将这些事件分为三大类：造成更多订单的客观事件，造成更少订单的客观事件以及无法预测出影响的人为失误事件。在三大类的基础上，再将这些事件根据其性质依照上述各个角度分析合并为多个小类。最后，可以客户每月前提供的发运总计划为参照，估算出各个类别的事件对发运量的影响。例如，节日促销、临时加单等情况可能造成更多订单；订单管制、临散拼单、业务减少等情况可能造成更少订单；信息更新不及时、预测食物、计划信息不准确可划分为认为失误事件，影响未知。

S4，根据所述预测模型对选定时间内的发车数据进行预测。

在本步骤中，通过采用上述预测模型对选定时间内的发车数据进行预测，可使预测工作流程优化，大大减少人力成本。而且，预测结果随着数据量增大，会越来越准确。

可将上述预测模型生成预测文件，并通过VBA等软件化工具允许预测文件，得到最终的预测数据。

本申请具有以下优点：

(1)对历史数据进行时间序列分析，让预测在历史数据的基础上体现出每个月份各自的日发运分布情况(每个月份根据其各自包含的节日不同，季节不同在日发运分布上会产生较大差异)，加上对发运站点工作人员对下周会发生的事件的预测(大部分事件是可以提前知道的)，使预测工作既有数据基础，又能对当前状态进行柔性调整，随着数据的积累，预测准确度不断提升。

(2)事件预测的可操作性更强，由VBA编写预测工具进行简化，快速的预测，可大大减少人力成本。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种物流管理系统的发车数据预测方法，其特征在于，包括以下步骤：

从历史数据库中读取统计时间内发车选项对应的第一历史数据，根据所述统计时间生成树形数据结构；其中，将所述统计时间划分为若干个等长的第一时间周期，将各个第一时间周期设为所述树形数据结构的第一层，将各个第一时间周期划分为相同数量的第二时间周期，将各个第二时间周期设为所述树形数据结构的第二层，将各个第二时间周期划分为若干个第三时间周期，将各个第三时间周期设为所述树形数据结构的第三层；

为各个第一时间周期设置权重，根据所述权重、各个第三时间周期的第一历史数据以及各个第二时间周期内的第一历史数据获取选定时间内发车量的估计值；

获取输入的发车计划对应的第一发车数据以及对应的第一影响因子，以所述发车量的估计值为输入，以选定时间内的发车量对应的第二发车数据为输出，以所述第一发车数据以及所述第一影响因子为反馈量构建预测模型；

根据所述预测模型对选定时间内的发车数据进行预测。

2.根据权利要求1所述的物流管理系统的发车数据预测方法，其特征在于，为各个第一时间周期设置权重，根据所述权重、各个第三时间周期的第一历史数据以及各个第二时间周期内的第一历史数据获取选定时间内发车量的估计值的步骤包括：

根据发车选项中方向对应的类别将各个第三时间周期内的第一历史数据划分为若干项第二历史数据，根据第a个第一时间周期的第b个第二时间周期内第二历史数据和第a个第一时间周期的第b个第二时间周期的第c个第三时间周期内的第二历史数据计算第a个第一时间周期的第b个第二时间周期的第c个第三时间周期内的第一发车比率值，根据预设的权重对所述第一发车比率值进行加权平均，获取选定时间内的第一预测数据；其中，所述权重根据所述第三时间周期对应的第一时间周期与当前时间的时间间隔的关联关系而设定；a、b和c为正整数；

根据第a个第一时间周期的第b个第二时间周期内的第一历史数据和第a个第一时间周期的第b个第二时间周期的第c个第三时间周期内的第一历史数据计算第a个第一时间周期的第b个第二时间周期的第c个第三时间周期内的第二发车比率值，根据所述权重对所述第二发车比率值进行加权平均，获取选定时间内的第二预测数据，对所述第二预测数据进行时间序列分析，获取选定时间内的第三预测数据；

根据所述第一预测数据和第三预测数据获取选定时间内发车量的估计值。

3.根据权利要求2所述的物流管理系统的发车数据预测方法，其特征在于，计算第a个第一时间周期的第b个第二时间周期的第c个第三时间周期内的第一发车比率值的步骤包括：

根据如下公式计算所述第一发车比率值：

${\mathrm{\γ}}_{abc}=\frac{x_{abc}}{x_{ab}};$

式中，γ_abc为第a个第一时间周期的第b个第二时间周期的第c个第三时间周期内的第一发车比率值，x_abc为第a个第一时间周期的第b个第二时间周期的第c个第三时间周期内的第二历史数据，x_ab为第a个第一时间周期的第b个第二时间周期内第二历史数据。

4.根据权利要求2所述的物流管理系统的发车数据预测方法，其特征在于，根据预设的权重对所述第一发车比率值进行加权平均，获取选定时间内的第一预测数据的步骤包括：

根据如下公式对所述第一发车比率值进行加权平均：

$P_1=\frac{\underset{a}{\Σ}{\mathrm{\λ}}_a{\mathrm{\γ}}_{abc}}{\underset{a}{\Σ}{\mathrm{\λ}}_a},$

式中，P₁为第一预测数据，λ_a为第a个第一时间周期对应的权重，γ_abc为第a个第一时间周期的第b个第二时间周期的第c个第三时间周期内的第一发车比率值。

5.根据权利要求2所述的物流管理系统的发车数据预测方法，其特征在于，计算第a个第一时间周期的第b个第二时间周期的第c个第三时间周期内的第二发车比率值的步骤包括：

根据如下公式计算所述第二发车比率值：

${\mathrm{\β}}_{abc}=\frac{y_{abc}}{y_{ab}};$

式中，β_abc为第a个第一时间周期的第b个第二时间周期的第c个第三时间周期内的第二发车比率值，y_abc为第a个第一时间周期的第b个第二时间周期的第c个第三时间周期内的第一历史数据，y_ab为第a个第一时间周期的第b个第二时间周期内第一历史数据。

6.根据权利要求2所述的物流管理系统的发车数据预测方法，其特征在于，根据所述权重对所述第二发车比率值进行加权平均，获取选定时间内的第二预测数据的步骤包括：

根据如下公式对所述第二发车比率值进行加权平均：

$P_2=\frac{\underset{a}{\Σ}{\mathrm{\λ}}_a{\mathrm{\β}}_{abc}}{\underset{a}{\Σ}{\mathrm{\λ}}_a},$

式中，P₂为第二预测数据，λ_a为第a个第一时间周期对应的权重，β_abc为第a个第一时间周期的第b个第二时间周期的第c个第三时间周期内的第二发车比率值。

7.根据权利要求2所述的物流管理系统的发车数据预测方法，其特征在于，对所述第二预测数据进行时间序列分析，获取选定时间内的第三预测数据的步骤包括：

从各个第二时间周期中截取若干个第三时间周期，设为第四时间周期，根据第四时间周期内各个第三时间周期对应的时间选项将各个第三时间周期划分为若干个周期类别；

根据第a个第一时间周期的第d个第四时间周期的第i个周期类别的第三时间周期内的第一历史数据与第a个第一时间周期的第d个第四时间周期内的第一历史数据计算第a个第一时间周期的第d个第四时间周期的第i个周期类别的第三时间周期内的第三发车比率值，根据所述权重对所述第三发车比率值进行加权平均，获取对应的第四预测数据；

对所述第二预测数据进行归一化处理，根据所述第三发车比率值对归一化的第二预测数据进行校正，对校正后的第二预测数据进行平滑处理，获取对应的第四预测数据；

从所述选定时间内选择若干个第三时间周期，将所述第三时间周期对应的第四预测数据设为0，重复上述步骤，获取对应的第三预测数据。

8.根据权利要求7所述的物流管理系统的发车数据预测方法，其特征在于，在获取对应的第三预测数据之后，还包括以下步骤：

计算各个第二时间周期内的设定时间点以后的第一发车比率值的第一总和，对所述第一总和进行加权平均，获取选定时间内的第五预测数据；

计算各个第二时间周期内的设定时间点以后的第三预测数据的第二总和；

根据所述第五预测数据和第二总和对所述第三预测数据进行校正。

9.根据权利要求8所述的物流管理系统的发车数据预测方法，其特征在于，根据所述第五预测数据和第二总和对所述第三预测数据进行校正的步骤包括：

根据如下公式对所述第三预测数据进行校正：

$\begin{array}{c}{P}_3^{\′}=\frac{P_3\left(1-P_{3,t}\right)}{1-P_5}\\ P_3^{\′\′}=\frac{P_3{P}_{3,t}}{P_5}\end{array};$

式中，P₃'为校正后设定时间点以前的第三预测数据，P₃”为校正后设定时间点以后的第三预测数据，P₃为校正前的第三预测数据，P_3,t为设定时间点以后的第三预测数据，P₅为第五预测数据。

10.根据权利要求1至9任意一项所述的物流管理系统的发车数据预测方法，其特征在于，所述统计时间为三年，所述第一时间周期为一年，所述第二时间周期为一个月，所述第三时间周期为一天。