CN107563560A - 一种业务量预测方法、装置、设备、存储介质 - Google Patents
一种业务量预测方法、装置、设备、存储介质 Download PDFInfo
- Publication number
- CN107563560A CN107563560A CN201710798947.5A CN201710798947A CN107563560A CN 107563560 A CN107563560 A CN 107563560A CN 201710798947 A CN201710798947 A CN 201710798947A CN 107563560 A CN107563560 A CN 107563560A
- Authority
- CN
- China
- Prior art keywords
- industry
- gdp
- data
- traffic
- macroeconomy
- 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
本发明涉及一种业务量预测方法、装置、设备、存储介质。该业务预测方法包括以下步骤:获取历史业务量数据;获取目标城市宏观经济与产业结构数据;分析历年业务量数据与所述历史业务量数据及目标城市宏观经济与产业结构数据的相关系数;根据相关系数对历史业务量数据和目标城市宏观经济与产业结构数据进行筛选;利用多元线性回归方法进行数据拟合,对目标城市第i年的业务量数据进行预测。本方法兼顾内部与外部影响因素来预测长期战略性的业务量,可靠性强;并将宏观因素等各外部因素进行量化分析,通过数学建模的方式进行预测,准确性高。
Description
技术领域
本发明涉及数据预测技术领域,具体地说一种业务量预测方法、装 置、设备、存储介质,尤其适用于物流领域、长期战略性的快件业务量 的预测。
背景技术
业务量预测是物流领域至关重要的技术环节之一,准确度较高的业 务预测有助于前置性规划资源,做到精准性资源投入,从而提升时效、 降低成本。
在物流技术领域上,现有的业务量预测多是基于时间序列模型做的, 主要依赖于历史业务量内部数据的发展趋势做预测,该方法较适用于短 期业务量预测,对于长期来说,历史的重复性与参考性较低,仅参考内 部数据,较难预测未来10-20年的业务量的发展趋势。在行业上,长期 的业务量通常以决策者主观对市场的判断,结合公司战略定位进行预测, 缺少量化数据支撑,无法准确客观地实现长期业务预测。
基于上述情况,提供一种准确客观而且可以进行长期业务量预测的 业务量预测方法,是目前需要解决的问题。
发明内容
鉴于现有技术中的上述缺陷或不足,本发明的目的在于提供一种 业务量预测方法、装置、设备、存储介质,可以准确客观的进行业务 量预测,且可应用于长期业务量预测。
为实现上述发明目的,本发明采用如下技术方案:
一方面,提供了一种业务量预测方法,包括以下步骤:
获取内部因素:获取历史业务量数据;
获取外部因素:获取目标城市宏观经济与产业结构数据;
相关性分析:分析历年业务量数据与所述历史业务量数据及目标 城市宏观经济与产业结构数据的相关系数;各因素的相关性通过相关 系数来反映;
相关性筛选:根据相关系数对历史业务量数据和目标城市宏观经 济与产业结构数据进行筛选;
业务量预测:利用多元线性回归方法进行数据拟合,对目标城市 第i年的业务量数据进行预测,其中,i为自然数或者年份。
优选的,所述获取历史业务量数据,包括获取上一年的业务量数 据,其中,对于第i+1年业务量Vi+1,上一年业务量数据为Vi;对于第 i年业务量Vi,上一年业务量数据为Vi-1。
进一步的,所述获取目标城市宏观经济与产业结构数据包括:
定义各个产业;
为各个产业分配唯一对应的标识。
进一步的,所述相关性分析,包括采用相关性公式对历年业务量 数据与所述历史业务量数据及目标城市宏观经济与产业结构数据的相 关系数进行计算,所述相关性公式为:
其中,r为相关系数,Cov为协方差,X为所述历史业务量及目标 城市宏观经济与产业结构数据,Y为历年业务量V,为X的均方差 或标准差,为Y的均方差或标准差。
进一步的,所述相关性筛选,为筛选出相关系数r取值范围在0.6 ≤|r|≤1的历史业务量数据和目标城市宏观经济与产业结构数据。
优选的,所述相关性筛选包括:
筛选出相关系数r取值范围在0.7≤|r|≤1的历史业务量数据和 目标城市宏观经济与产业结构数据;
删除相关系数r取值范围在0.7≤|r|≤1以外的历史业务量数据 和目标城市宏观经济与产业结构数据。
进一步的,所述业务量预测包括:
确定自变量;
确定各个自变量的相关系数r;
根据各个自变量和与其相对应的相关系数,确定多元线性回归方 程;
根据多元线性回归方程,预测目标城市第i年的业务量数据Vi。
进一步的,所述自变量包括:上一年的业务量数据Vi-1、目标城市 宏观经济与产业结构数据GDP,所述GDP包括:GDP1、GDP21~GDP2k、GDP31~ GDP3n,
其中,GDP1代表第一产业GDP;
GDP21~GDP2k代表第二产业GDP,k代表第二产业中符合相关性筛选要 求的细分产业个数;
GDP31~GDP3n代表第三产业GDP,n代表第三产业中符合相关性筛选要 求的细分产业个数。
进一步的,所述多元线性回归方程为:
Vi=r0*Vi-1+r1*GDP1+r2*GDP21+……+r1+k*GDP2k+r2+k*GDP31+…… +r1+k+n*GDP3n。
进一步的,所述第一产业包括农业、林业、牧业和渔业;
所述第二产业包括轻工业和重工业;
所述第三产业包括批发和零售业、交通运输、仓储和邮政业、住宿 和餐饮业、信息传输、软件和信息技术服务业、金融业、房地产业、租 赁和商务服务业、科学研究、技术服务业、水利环境和公共设施管理业、 居民服务、修理和其他服务业、教育、卫生和社会工作、文化、体育和 娱乐业、公共管理、社会保障和社会组织。
另一方面,提供了一种业务量预测装置,包括:
获取历史业务量数据和目标城市宏观经济与产业结构数据的采集 单元;
分析历年业务量数据与所述历史业务量数据及目标城市宏观经济 与产业结构数据的相关系数的运算单元;
根据相关系数对历史业务量数据和目标城市宏观经济与产业结构 数据进行筛选的筛选单元;
利用多元线性回归方法进行数据拟合,对目标城市第i年的业务 量数据进行预测的预测单元。
另一方面,提供了一种设备,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所 述一个或多个处理器执行本发明示例的任一种业务量预测方法。
另一方面,提供了一种存储有计算机程序的计算机可读存储介质, 该程序被处理器执行时实现本发明示例的任一种业务量预测方法。
与现有技术相比,本发明具有以下有益效果:
1、本发明示例的业务量预测方法,可靠性强,兼顾内部与外部的 影响因素,且每种因素考虑的很全面,完整,不遗漏任何可能存在的 影响业务量的因素,可以有效预测长期战略性的业务量。
2、本发明示例的业务量预测方法,准确性高,将宏观因素等各外 部因素进行量化分析,通过数学建模的方式进行预测,其预测结果受 到各项数据支持,准确客观。
3、本发明示例的业务量预测装置、设备及可读存储介质,可执行 本发明示例的业务量预测方法,采集影响业务量的内外部因素并通过 数学建模的方式进行预测,准确客观。
附图说明
图1为本发明一个实施例业务量预测方法的示例性流程图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解 的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发 明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与 发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例 中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本 申请,本发明实施例公式及方程中的“*”,表示乘号“×”。
如图1所示,本实施例提供了一种业务量预测方法,包括:
S1、获取内部因素和外部因素,其中内部因素指上一年业务量, 外部因素包括统计年鉴中各城市宏观经济与产业结构数据,即城市各 产业的GDP;
应当注意,尽管在附图中以特定顺序描述了本发明方法的操作, 但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或 是必须执行全部所示的操作才能实现期望的结果。相反,流程图中描 绘的步骤可以改变执行顺序。例如:具体实施时,获取内部因素和外 部因素的顺序不限定先后,既可以先获取内部因素,再获取外部因素, 也可以先获取外部因素,再获取内部因素;
S2:分析业务量与内部因素及外部因素的相关系数;
S3、根据相关系数的取值范围筛选出与历年业务量相关性较高的 内部因素及外部因素;
S4、利用多元线性回归方法进行数据拟合,得出业务量与相关性 较高的内外部因素的拟合关系,并对各城市第i年的业务量数据进行 预测,其中,i为自然数或者年份。
具体地,S1中,上一年的业务量可通过企业的业务量统计数据获取, 城市各产业GDP可通过经济发展相关数据得到。
步骤S2的相关性分析包括如下步骤:
S21、定义内部因素:上一年业务量,其中,对于第i+1年业务量 Vi+1,上一年业务量数据为Vi;对于第i年业务量Vi,上一年业务量数据 为Vi-1,本实施例以预测第i年业务量Vi进行说明,其上一年业务量数 据为Vi-1;
S22、定义外部因素:各城市宏观经济与产业结构数据,即城市各产 业的GDP;
S23、定义各产业:
S23-1、第一产业(农业、林业、牧业和渔业)GDP,即GDP1;
S23-2、第二产业(轻工业、重工业),即GDP21、GDP22;
S23-3、第三产业(批发和零售业、交通运输、仓储和邮政业、住宿 和餐饮业、信息传输、软件和信息技术服务业、金融业、房地产业、租 赁和商务服务业、科学研究、技术服务业、水利环境和公共设施管理业、 居民服务、修理和其他服务业、教育、卫生和社会工作、文化、体育和 娱乐业、公共管理、社会保障和社会组织),即GDP31、GDP32……GDP3n, 其中n代表第三产业中各细分产业个数;至此,每个细分产业都对应唯 一的GDP标识;
S24、依次分析城市维度的历年业务量数据与对应城市的上一年业 务量,及各产业GDP的相关性,所述相关性公式为:
其中,r为相关系数,Cov为协方差,X分别输入各内外部因素(包 括上一年业务量、各产业GDP),Y输入历年业务量V,为X的均 方差或标准差,为Y的均方差或标准差。
每一项内部因素及外部因素均需要分别计算其相关系数,因此,X 需要分别输入各个内外部因素,即上一年业务量及城市各产业GDP,Y 为历年业务量数据。
本实施例中,以第一产业为例,分析第一产业GDP1与业务量V 的相关性,代入上述公式,得到相关系数具体如下:
以此类推,依次将各内外部因素代入相关系数的公式,分别分析 每个内外部因素与业务量之间的相关性。
具体地,步骤S3包括如下步骤:
S31、统计学上,相关系数取值范围在0.6≤|r|≤1时,(进一步 可优选0.7≤|r|≤1)代表两变量间高度线性相关。因此,根据相关 性分析结果,筛选出相关系数不低于0.6内外部因素;
S32、删除相关系数低于0.6的内外部因素,特别是相关性低的产 业GDP;
具体地,步骤S4包括如下步骤:
S41、确定自变量:
(1)上一年业务量Vi-1,其中i表示第i年;
(2)第一产业GDP,即GDP1;
(3)第二产业GDP,即GDP21……GDP2k,其中k代表第二产业中 符合相关性要求的细分产业个数;
(4)第三产业GDP,即GDP31、GDP32……GDP3n,其中n代表第 三产业中符合相关性要求的细分产业个数;
S42、采用多元线性回归方法,分析历年业务量数据与上一年业务量Vi-1,及各产业GDP的定量关系,确定各自变量的相关系数r;
S43、根据各自变量与对应的相关系数,确定多元线性回归方程:
Vi=r0*Vi-1+r1*GDP1+r2*GDP21+……+r1+k*GDP2k+r2+k*GDP31+…… +r1+k+n*GDP3n。
S44、根据多元线性回归方程,预测第i年各城市的业务量,其中第 i年的各城市产业GDP可通过经济发展相关数据得到。
本实施例中,以杭州为例,计算2018年杭州业务量如下:
已知杭州2016年业务量及2017-2018年各产业GDP,可进行如下逐 年计算:
V(2017)=r0*V(2016)+r1*GDP1(2017)+a2*GDP21(2017)……+r1+k*GDP2k(2017)+ r2+k*GDP31(2017)+……+r1+k+n*GDP3n(2017);
V(2018)=r0*V(2017)+r1*GDP1(2018)+r2*GDP21(2018)……+r1+k*GDP2k(2018)+ r2+k*GDP31(2018)+……+r1+k+n*GDP3n(2018)。
从以上步骤看出,该方法摒弃了时间序列模型,致力于得到长期业 务量的预测值,从时间层面上看更具有长远性。在分析影响因素方面, 考虑的很全面,完整,不遗漏任何可能存在的影响业务量的因素。因而 可以达到两种效果:可靠性强,兼顾内部与外部的影响因素来预测长 期战略性的业量;准确性高,将宏观因素等各外部因素进行量化分析,通过数学建模的方式进行预测,用数据说话,真实可靠。
本实施例还提供了一种业务量预测装置,包括:
获取历史业务量数据和目标城市宏观经济与产业结构数据的采集 单元;
分析历年业务量数据与所述历史业务量数据及目标城市宏观经济 与产业结构数据的相关系数的运算单元;
根据相关系数对历史业务量数据和目标城市宏观经济与产业结构 数据进行筛选的筛选单元;
利用多元线性回归方法进行数据拟合,对目标城市第i年的业务 量数据进行预测的预测单元。
采集单元获取历史业务量数据和目标城市宏观经济与产业结构数 据后,运算单元根据相关性公式,依次分别计算各个历史业务量数据 和目标城市宏观经济与产业结构数据与历年业务量数据的相关系数 r,相关系数的取值范围设为0.6≤|r|≤1,筛选单元筛选出处于相关 系数取值范围内的历史业务量数据和目标城市宏观经济与产业结构数 据,筛选出的数据为与历年业务量相关性较高的因素,然后预测单元 确定自变量及各个自变量的相关系数r;根据各个自变量和与其相对 应的相关系数,确定多元线性回归方程;根据多元线性回归方程,预 测目标城市第i年的业务量数据Vi。
本实施例所涉及的单元可以通过软件的方式实现,也可以通过硬 件的方式来实现。所描述的单元或模块也可以设置在处理器中。这些 单元或模块的名称在某种情况下并不构成对该单元或模块本身的限 定。
本实施例还提供了一种设备,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所 述一个或多个处理器执行本实施例的业务量预测方法。
具体的,该设备的处理器可采用计算机的CPU,该设备的存储器 可采用计算机可读存储介质,如光盘、软盘、移动硬盘、U盘、SD卡 等,处理器执行时实现的方法本实施例已作出详细说明,在此不再赘 述。
本实施例还提供了一种存储有计算机程序的计算机可读存储介 质,该程序被处理器执行时实现本实施例的业务量预测方法。具体的, 可读存储介质可以为光盘、软盘、移动硬盘、U盘、SD卡等,其被执 行时实现的方法本实施例已作出详细说明,在此不再赘述。该计算机 可读存储介质可以是上述实施例中所述设备中所包含的计算机可读存 储介质;也可以是单独存在,未装配入设备中的计算机可读存储介质。 计算机可读存储介质存储有一个或者一个以上程序,所述程序被一个 或者一个以上的处理器用来执行描述于本申请的业务预测方法。
若是预测第i+1年的业务量数据,将上述实施例中的上一年业务 量数据Vi-1用Vi替代即可,原理和其余步骤不变,可对业务量数据进 行长期预测。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说 明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限 于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离 所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合 而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于) 具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (13)
1.一种业务量预测方法,其特征是,包括以下步骤:
获取内部因素:获取历史业务量数据;
获取外部因素:获取目标城市宏观经济与产业结构数据;
相关性分析:分析历年业务量数据与所述历史业务量数据及目标城市宏观经济与产业结构数据的相关系数;
相关性筛选:根据相关系数对历史业务量数据和目标城市宏观经济与产业结构数据进行筛选;
业务量预测:利用多元线性回归方法进行数据拟合,对目标城市第i年的业务量数据进行预测。
2.根据权利要求1所述的业务量预测方法,其特征是,所述获取历史业务量数据,包括获取上一年的业务量数据,其中,对于第i+1年业务量Vi+1,上一年业务量数据为Vi;对于第i年业务量Vi,上一年业务量数据为Vi-1。
3.根据权利要求2所述的业务量预测方法,其特征是,所述获取目标城市宏观经济与产业结构数据包括:
定义各个产业;
为各个产业分配唯一对应的标识。
4.根据权利要求3所述的业务量预测方法,其特征是,所述相关性分析,包括采用相关性公式对历年业务量数据与所述历史业务量数据及目标城市宏观经济与产业结构数据的相关系数进行计算,所述相关性公式为:
<mrow>
<mi>r</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>C</mi>
<mi>o</mi>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>,</mo>
<mi>Y</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msqrt>
<mrow>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
</mrow>
</msqrt>
<msqrt>
<mrow>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mi>Y</mi>
<mo>)</mo>
</mrow>
</mrow>
</msqrt>
</mrow>
</mfrac>
</mrow>
其中,r为相关系数,Cov为协方差,X为所述历史业务量及目标城市宏观经济与产业结构数据,Y为历年业务量V,为X的均方差或标准差,为Y的均方差或标准差。
5.根据权利要求4所述的业务量预测方法,其特征是,所述相关性筛选,为筛选出相关系数r取值范围在0.6≤|r|≤1的历史业务量数据和目标城市宏观经济与产业结构数据。
6.根据权利要求5所述的业务量预测方法,其特征是,所述相关性筛选包括:
筛选出相关系数r取值范围在0.7≤|r|≤1的历史业务量数据和目标城市宏观经济与产业结构数据;
删除相关系数r取值范围在0.7≤|r|≤1以外的历史业务量数据和目标城市宏观经济与产业结构数据。
7.根据权利要求5或6所述的业务量预测方法,其特征是,所述业务量预测包括:
确定自变量;
确定各个自变量的相关系数r;
根据各个自变量和与其相对应的相关系数,确定多元线性回归方程;
根据多元线性回归方程,预测目标城市第i年的业务量数据Vi。
8.根据权利要求7所述的业务量预测方法,其特征是,所述自变量包括:上一年的业务量数据Vi-1、目标城市宏观经济与产业结构数据GDP,所述GDP包括:GDP1、GDP21~GDP2k、GDP31~GDP3n,
其中,GDP1代表第一产业GDP;
GDP21~GDP2k代表第二产业GDP,k代表第二产业中符合相关性筛选要求的细分产业个数;
GDP31~GDP3n代表第三产业GDP,n代表第三产业中符合相关性筛选要求的细分产业个数。
9.根据权利要求8所述的业务量预测方法,其特征是,所述多元线性回归方程为:
Vi=r0*Vi-1+r1*GDP1+r2*GDP21+……+r1+k*GDP2k+r2+k*GDP31+……+r1+k+n*GDP3n。
10.根据权利要求8所述的业务量预测方法,其特征是,
所述第一产业包括农业、林业、牧业和渔业;
所述第二产业包括轻工业和重工业;
所述第三产业包括批发和零售业、交通运输、仓储和邮政业、住宿和餐饮业、信息传输、软件和信息技术服务业、金融业、房地产业、租赁和商务服务业、科学研究、技术服务业、水利环境和公共设施管理业、居民服务、修理和其他服务业、教育、卫生和社会工作、文化、体育和娱乐业、公共管理、社会保障和社会组织。
11.一种业务量预测装置,其特征是,包括:
获取历史业务量数据和目标城市宏观经济与产业结构数据的采集单元;
分析历年业务量数据与所述历史业务量数据及目标城市宏观经济与产业结构数据的相关系数的运算单元;
根据相关系数对历史业务量数据和目标城市宏观经济与产业结构数据进行筛选的筛选单元;
利用多元线性回归方法进行数据拟合,对目标城市第i年的业务量数据进行预测的预测单元。
12.一种设备,其特征是,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行如权利要求1~10中任一项所述的方法。
13.一种存储有计算机程序的计算机可读存储介质,其特征是,该程序被处理器执行时实现如权利要求1~10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710798947.5A CN107563560A (zh) | 2017-09-07 | 2017-09-07 | 一种业务量预测方法、装置、设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710798947.5A CN107563560A (zh) | 2017-09-07 | 2017-09-07 | 一种业务量预测方法、装置、设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107563560A true CN107563560A (zh) | 2018-01-09 |
Family
ID=60978238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710798947.5A Pending CN107563560A (zh) | 2017-09-07 | 2017-09-07 | 一种业务量预测方法、装置、设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107563560A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109299826A (zh) * | 2018-09-28 | 2019-02-01 | 上海中信信息发展股份有限公司 | 一种进馆档案数量预测方法、装置、电子设备及存储介质 |
CN110533216A (zh) * | 2019-07-19 | 2019-12-03 | 国网辽宁省电力有限公司 | 基于调控云的超短期负荷预测修正技术 |
CN110728496A (zh) * | 2019-10-14 | 2020-01-24 | 浙江农林大学暨阳学院 | 一种基于线性回归的科研项目申请量分派方法 |
CN112418534A (zh) * | 2020-11-26 | 2021-02-26 | 上海东普信息科技有限公司 | 揽件量预测方法及装置、电子设备、计算机可读存储介质 |
CN112965956A (zh) * | 2021-03-18 | 2021-06-15 | 上海东普信息科技有限公司 | 数据库水平扩容方法、装置、设备和存储介质 |
CN113191537A (zh) * | 2021-04-15 | 2021-07-30 | 上海东普信息科技有限公司 | 快递周揽件数据的预测方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1416739A2 (en) * | 2002-10-30 | 2004-05-06 | Agilent Technologies Inc | Color interpolation for image sensors using a local linear regression method |
CN102831489A (zh) * | 2012-08-29 | 2012-12-19 | 广东电网公司 | 电力配网建设物资需求预测方法及装置 |
-
2017
- 2017-09-07 CN CN201710798947.5A patent/CN107563560A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1416739A2 (en) * | 2002-10-30 | 2004-05-06 | Agilent Technologies Inc | Color interpolation for image sensors using a local linear regression method |
CN102831489A (zh) * | 2012-08-29 | 2012-12-19 | 广东电网公司 | 电力配网建设物资需求预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
钟林: "成都区域物流量预测与分析", 《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 (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109299826A (zh) * | 2018-09-28 | 2019-02-01 | 上海中信信息发展股份有限公司 | 一种进馆档案数量预测方法、装置、电子设备及存储介质 |
CN110533216A (zh) * | 2019-07-19 | 2019-12-03 | 国网辽宁省电力有限公司 | 基于调控云的超短期负荷预测修正技术 |
CN110728496A (zh) * | 2019-10-14 | 2020-01-24 | 浙江农林大学暨阳学院 | 一种基于线性回归的科研项目申请量分派方法 |
CN112418534A (zh) * | 2020-11-26 | 2021-02-26 | 上海东普信息科技有限公司 | 揽件量预测方法及装置、电子设备、计算机可读存储介质 |
CN112418534B (zh) * | 2020-11-26 | 2022-10-14 | 上海东普信息科技有限公司 | 揽件量预测方法及装置、电子设备、计算机可读存储介质 |
CN112965956A (zh) * | 2021-03-18 | 2021-06-15 | 上海东普信息科技有限公司 | 数据库水平扩容方法、装置、设备和存储介质 |
CN113191537A (zh) * | 2021-04-15 | 2021-07-30 | 上海东普信息科技有限公司 | 快递周揽件数据的预测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107563560A (zh) | 一种业务量预测方法、装置、设备、存储介质 | |
Kucharčíková et al. | Evaluating the effectiveness of investment in human capital in e-business enterprise in the context of sustainability | |
Gavrikova et al. | Strategic aspects of asset management: An overview of current research | |
Keong Choong | Understanding the features of performance measurement system: a literature review | |
Steen-Olsen et al. | Effects of sector aggregation on CO2 multipliers in multiregional input–output analyses | |
Abramo et al. | The impact of unproductive and top researchers on overall university research performance | |
Venkatesh et al. | Metabolism-modelling approaches to long-term sustainability assessment of urban water services | |
Gurmu | Construction materials management practices enhancing labour productivity in multi-storey building projects | |
Wisniewski | Microeconometrics in business management | |
Raoofpanah et al. | Solving a new robust green cellular manufacturing problem with environmental issues under uncertainty using Benders decomposition | |
Emrouznejad et al. | Managing Service Productivity | |
Bachtrögler et al. | Guide to the galaxy of EU regional funds recipients: Evidence from new data | |
Górecki et al. | Who risks and wins?—Simulated cost variance in sustainable construction projects | |
Stanivuk et al. | Application of six sigma model on efficient use of vehicle fleet | |
Miller | E-health: knowledge generation, value intangibles, and intellectual capital | |
Lovaglio et al. | Comparing time series characteristics of official and web job vacancy data | |
Omrani et al. | A robust DEA model under discrete scenarios for assessing bank branches | |
Liu et al. | Profit-oriented distributionally robust chance constrained flowshop scheduling considering credit risk | |
Tolstykh et al. | Ecosystem approach for assessing the socio-economic development of industrial and regional systems in the context of digitalization | |
Korde et al. | State-of-the-art review of construction performance models and factors | |
Krajčovič et al. | System of parametric modelling and assessing the production staff utilisation as a basis for aggregate production planning | |
Turtureanu et al. | A Projection Approach of Tourist Circulation under Conditions of Uncertainty | |
Ugur et al. | Information asymmetry, risk aversion and R&D subsidies: effect-size heterogeneity and policy conundrums | |
Mbakop et al. | Moving to a flexible shop floor by analyzing the information flow coming from levels of decision on the shop floor of developing countries using artificial neural network: Cameroon, case study | |
Hayden | Estimation of a rating model for corporate exposures |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180109 |