CN108960537A - 物流订单的预测方法及装置、可读介质 - Google Patents

Abstract

一种物流订单的预测方法及装置、可读介质，所述物流订单的预测方法包括：获取物流订单的第一历史数据；对所述物流订单的第一历史数据进行傅里叶变换，选取对应频域能量高于预设门限的时域上的时间长度T；基于所述物流订单的第一历史数据，构建时间长度为T的特征向量f_0；基于所述物流订单的第一历史数据，选取与f_0距离最近的k个时间长度为T的特征向量；k为正整数；对所述k个特征向量进行加权平均，生成所述物流订单的第一预测值。应用上述方案，可以在有限的数据特征前提下，提高物流订单预测的准确度。

Description

物流订单的预测方法及装置、可读介质

技术领域

本发明实施例涉及人工智能的应用领域，尤其涉及一种物流订单的预测方法及装置、可读介质。

背景技术

在整车物流的供应链中，对整车物流的订单进行预测能够让调度人员提前做好准备，未雨绸缪，从而使得运输资源的调度更加合理、提升运输效率。

现有的订单预测方案中，订单预测的实现有很多的难度，具体原因有：1.受市场环境变化、消费者心理等因素影响，订单量的波动剧烈，规律性不明显；2.现有的用于整车物流的订单预测工作主要由人工通过经验公式进行，预测效率和预测准确度都不尽如人意，只能勉强达到业务要求；3.人工预测受限于人的计算量和工作量，无法快速、及时地做到非常细颗粒度的预测；4.物流企业由于不直接面对消费者，无法获得和订单量息息相关的消费者数据、销量数据，导致用于预测的数据特征匮乏，增大了订单预测的难度、更降低了准确度。

综上所述，现有的整车物流订单预测方法，利用人工通过简单的经验公式完成，费时费力，并且准确度较低，只能勉强达到业务要求。此外，由于物流企业由于不直接面对消费者，缺少消费数据作为整车物流订单预测的数据支撑，若采用技术手段也只能依靠历史订单数据做时间序列的预测，预测难度增大、准确度较低。

发明内容

本发明实施例解决的技术问题是如何提高物流订单预测的准确度。

为解决上述技术问题，本发明实施例提供一种物流订单的预测方法，包括：获取物流订单的第一历史数据；对所述物流订单的第一历史数据进行傅里叶变换，选取对应频域能量高于预设门限的时域上的时间长度T；基于所述物流订单的第一历史数据，构建时间长度为T的特征向量f_0；基于所述物流订单的第一历史数据，选取与f_0距离最近的k个时间长度为T的特征向量；k为正整数；对所述k个特征向量进行加权平均，生成所述物流订单的第一预测值。

可选地，T为一个或者多个；当T为多个时，每个T均对应独立的k；在生成所述物流订单的第一预测值之后，还包括：对基于每个T和k所生成的所述物流订单的第一预测值进行加权平均，生成所述物流订单的第二预测值。

可选地，在对所述物流订单的第一历史数据进行傅里叶变换之前，还包括：对所述物流订单的第一历史数据进行清洗处理；所述清洗处理包括以下至少一种：补充不完整的数据、数据异常值处理。

可选地，在对所述物流订单的第一历史数据进行傅里叶变换之前，还包括：基于时间、地域和运载工具型号三个维度，对所获取的物流订单的第一历史数据进行划分，生成特定时间、特定地域和特定运载工具型号对应的所述物流订单的第一历史数据。

可选地，在选取与f_0距离最近的k个时间长度为T的特征向量之前，还包括：获取所述物流订单的第二历史数据，所述物流订单的第二历史数据早于所述物流订单的第一历史数据；基于所述物流订单的第二历史数据，利用KNN模型训练获取T对应的k。

可选地，所述基于所述物流订单的第二历史数据，利用KNN模型训练获取T对应的k包括：将所述物流订单的第二历史数据分为：训练数据和期望数据；对所述训练数据进行傅里叶变换，选取对应频域能量高于预设门限的时域上的时间长度T；基于所述物流订单的第二历史数据，构建长度为T的特征向量m_0；基于所述物流订单的第二历史数据，选取与m_0距离最近的k1个长度为T的特征向量；对k1个特征向量进行加权平均，生成k1对应的预测数据；基于所述期望数据和所述预测数据，计算预测准确度；选择对应所述预测准确度最高的k1作为T对应的k。

本发明实施例提供一种物流订单的预测装置，包括：第一获取单元，适于获取物流订单的第一历史数据；第一选取单元，适于对所述物流订单的第一历史数据进行傅里叶变换，选取对应频域能量高于预设门限的时域上的时间长度T；构建单元，适于基于所述物流订单的第一历史数据，构建时间长度为T的特征向量f_0；第二选取单元，适于基于所述物流订单的第一历史数据，选取与f_0距离最近的k个时间长度为T的特征向量；k为正整数；第一生成单元，适于对所述k个特征向量进行加权平均，生成所述物流订单的第一预测值。

可选地，T为一个或者多个；当T为多个时，每个T均对应独立的k；所述物流订单的预测装置还包括：第二生成单元，适于对基于每个T和k所生成的所述物流订单的第一预测值进行加权平均，生成所述物流订单的第二预测值。

可选地，所述物流订单的预测装置还包括：清洗处理单元，适于对所述物流订单的第一历史数据进行清洗处理；所述清洗处理包括以下至少一种：补充不完整的数据、数据异常值处理。

可选地，所述物流订单的预测装置还包括：切片处理单元，适于基于时间、地域和运载工具型号三个维度，对所获取的物流订单的第一历史数据进行划分，生成特定时间、特定地域和特定运载工具型号对应的所述物流订单的第一历史数据。

可选地，所述物流订单的预测装置还包括：第二获取单元，适于获取所述物流订单的第二历史数据，所述物流订单的第二历史数据早于所述物流订单的第一历史数据；第三获取单元，适于基于所述物流订单的第二历史数据，利用KNN模型训练获取T对应的k。

可选地，所述第三获取单元包括：划分子单元，适于将所述物流订单的第二历史数据分为：训练数据和期望数据；第一选取子单元，适于对所述训练数据进行傅里叶变换，选取对应频域能量高于预设门限的时域上的时间长度T；构建子单元，适于基于所述物流订单的第二历史数据，构建长度为T的特征向量m_0；第二选取子单元，适于基于所述物流订单的第二历史数据，选取与m_0距离最近的k1个长度为T的特征向量；生成子单元，适于对k1个特征向量进行加权平均，生成k1对应的预测数据；计算子单元，适于基于所述期望数据和所述预测数据，计算预测准确度；选择子单元，适于选择对应所述预测准确度最高的k1作为T对应的k。

本发明实施例提供一种计算机可读存储介质，计算机可读存储介质为非易失性存储介质或非瞬态存储介质，其上存储有计算机指令，所述计算机指令运行时执行上述任一种所述方法的步骤。

本发明实施例提供一种物流订单的预测装置，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行上述任一种所述方法的步骤。

与现有技术相比，本发明实施例的技术方案具有以下有益效果：

本发明实施例通过对物流订单的第一历史数据进行傅里叶变换，选取对应频域能量高于预设门限的时域上的时间长度T，然后基于物流订单的第一历史数据，构建时间长度为T的特征向量f_0，并选取与f_0距离最近的k个时间长度为T的特征向量，最后对k个特征向量进行加权平均，生成物流订单的第一预测值。利用K最近邻(k-NearestNeighbor，KNN)算法对物流订单进行预测，由于KNN模型中的每个样本均可以用它最接近的k个邻居样本来代表，故可以在有限的数据特征前提下，提高物流订单预测的准确度。

进一步，通过对物流订单的第一历史数据进行清洗处理，可以补充不完整的数据，去除异常值数据，提高物流订单预测的准确度。

进一步，通过对物流订单的第一历史数据进行划分，可以有效区分不同时间、地域和运载工具型号对应的历史数据，从而提高物流订单的预测效率。

此外，通过对每个T和k所生成的物流订单的第一预测值进行加权平均，生成物流订单的第二预测值，可以在一定程度上弥补了订单数据特征量不足的缺陷，进一步提高物流订单预测的准确度。

附图说明

图1是本发明实施例提供的一种物流订单的预测方法的流程图；

图2是本发明实施例提供的一种利用KNN模型训练获取k的方法的流程图；

图3是本发明实施例提供的另一种物流订单的预测方法的流程图；

图4是本发明实施例提供的一种物流订单的预测装置的结构示意图。

具体实施方式

现有的订单预测方案中，利用人工通过简单的经验公式完成，费时费力，并且准确度较低，只能勉强达到业务要求。此外，由于物流企业由于不直接面对消费者，缺少消费数据作为整车物流订单预测的数据支撑，若采用技术手段也只能依靠历史订单数据做时间序列的预测，预测难度增大、准确度较低。

本发明实施例通过对物流订单的第一历史数据进行傅里叶变换，选取对应频域能量高于预设门限的时域上的时间长度T，然后基于物流订单的第一历史数据，构建时间长度为T的特征向量f_0，并选取与f_0距离最近的k个时间长度为T的特征向量，最后对k个特征向量进行加权平均，生成物流订单的第一预测值。利用KNN模型(即KNN算法)对物流订单进行预测，由于KNN模型中的每个样本均可以用它最接近的k个邻居样本来代表，故可以在有限的数据特征前提下，提高物流订单预测的准确度。

为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。

参见图1，本发明实施例提供了一种物流订单的预测方法，可以包括如下步骤：

步骤S101，获取物流订单的第一历史数据。

在具体实施中，由于一定时间内的物流业务的订单数据具有相关性，故可以基于已经发生的物流订单数据，预测未来一段时间内的订单数据。

在具体实施中，所述物流订单的第一历史数据可以为实时订单采集系统实时采集的一段时间内的已经发生的物流订单数据，也可以为数据平台或者数据库存储的已经发生的物流订单数据，本发明实施例不做限制。

在具体实施中，为了提高物流订单预测的准确度，可以在对所述物流订单的第一历史数据进行傅里叶变换之前，首先对所述物流订单的第一历史数据进行清洗处理。

在本发明一实施例中，所述清洗处理包括以下至少一种：补充不完整的数据、数据异常值处理。

例如，2017年1月1日由于节假日无物流订单数据，则补充该日订单数据为0，从而避免订单数据异常影响物流订单预测的准确度。

通过对物流订单的第一历史数据进行清洗处理，可以补充不完整的数据，去除异常值数据，提高物流订单预测的准确度。

在具体实施中，为了提高物流订单预测的效率，可以在对所述物流订单的第一历史数据进行傅里叶变换之前，首先对所述物流订单的第一历史数据进行切片处理。

在本发明一实施例中，在对所述物流订单的第一历史数据进行傅里叶变换之前，还包括：基于时间、地域和运载工具型号三个维度，对所获取的物流订单的第一历史数据进行划分，生成特定时间、特定地域和特定运载工具型号对应的所述物流订单的第一历史数据。

通过对物流订单的第一历史数据进行划分，可以有效区分不同时间、地域和运载工具型号对应的历史数据，从而提高物流订单的预测效率。

例如，如果期望预测2017年1月1日的上海发往南京的所有车型的订单数量，则可能需要2012年～2016年间每天由上海发往南京的所有车型的数量作为物流订单的第一历史数据。

在具体实施中，所述运载工具可以为车辆，也可以为轮船等其他运载工具，本发明实施例不做限制。

步骤S102，对所述物流订单的第一历史数据进行傅里叶变换，选取对应频域能量高于预设门限的时域上的时间长度T。

在具体实施中，可以对所述物流订单的第一历史数据进行傅里叶变换，提取所述物流订单的第一历史数据对应的频域特征。所述傅里叶变换可以采用现有的实现方法，此处不再赘述。

在具体实施中，所述时间长度T可以为一个，也可以为多个。

例如，通过傅里叶变换，发现所述物流订单的第一历史订单数据在T1＝7和T2＝14对应的频域上的傅里叶变换后能量高于预设门限，说明历史订单数据具有较强的7天和14天周期特性，因此可以分别选取7个相邻的自然天和14个相邻的自然天对应的订单数据为一个样本。

步骤S103，基于所述物流订单的第一历史数据，构建时间长度为T的特征向量f_0。

在具体实施中，可以直接从所述物流订单的第一历史数据中，选取时间长度为T的特征向量f_0。

例如，所述物流订单的第一历史数据包括：从1日到28日对应的订单量，分别为：D1对应的订单量、D2对应的订单量、D3对应的订单量、D4对应的订单量、…、D28对应的订单量，期望预测29日对应的订单量，且通过步骤S102计算获知T等于7，则可以直接提取D22～D28对应的订单量，作为特征向量f_0。

步骤S104，基于所述物流订单的第一历史数据，选取与f_0距离最近的k个时间长度为T的特征向量；k为正整数。

在具体实施中，可以遍历所述物流订单的第一历史数据，直接从所述物流订单的第一历史数据中，选取与f_0距离最近的k个时间长度为T的特征向量；也可以对所述物流订单的第一历史数据进行特征值分解，从所述物流订单的第一历史数据的特征矩阵中，选取与f_0距离最近的k个时间长度为T的特征向量。

在具体实施中，当直接从所述物流订单的第一历史数据中，选取与f_0距离最近的k个时间长度为T的特征向量时，可以基于T，对所述物流订单的第一历史数据进行划窗，以获取不同的特征向量。

在本发明一实施例中，直接从所述物流订单的第一历史数据中，选取与f_0距离最近的k个时间长度为T的特征向量，分别为：f_1、f_2、…、f_k，其中每一个特征向量和f_0的距离均小于所述物流订单的第一历史数据中的其他特征向量。

在具体实施中，所述距离可以为欧式距离。

在具体实施中，在选取与f_0距离最近的k个时间长度为T的特征向量之前，需要基于KNN模型训练获取T对应的k。

在本发明一实施例中，在选取与f_0距离最近的k个时间长度为T的特征向量之前，还包括：获取所述物流订单的第二历史数据，所述物流订单的第二历史数据早于所述物流订单的第一历史数据；基于所述物流订单的第二历史数据，训练获取T对应的k。

在具体实施中，所述物流订单的第二历史数据可以为早于所述物流订单的第一历史数据的历史数据。例如，所述物流订单的第一历史数据为2018年的历史数据，所述物流订单的第二历史数据为2016年～～2017年的历史数据。

在本发明一实施例中，所述基于所述物流订单的第二历史数据，训练获取T对应的k包括：将所述物流订单的第二历史数据分为：训练数据和期望数据；对所述训练数据进行傅里叶变换，选取对应频域能量高于预设门限的时域上的时间长度T；基于所述物流订单的第二历史数据，构建长度为T的特征向量m_0；基于所述物流订单的第二历史数据，选取与m_0距离最近的k1个长度为T的特征向量；对k1个特征向量进行加权平均，生成k1对应的预测数据；基于所述期望数据和所述预测数据，计算预测准确度；选择对应所述预测准确度最高的k1作为T对应的k。

可以理解的是，在对所述训练数据进行傅里叶变换之前，也可以采用步骤S101中描述的清洗处理方法和切片处理方法对所述训练数据进行处理，此处不再赘述。

在具体实施中，当所述时间长度T为多个时，每个T均对应独立的k，需要针对每个时间长度T，利用KNN模型训练获取其对应的k。

步骤S105，对所述k个特征向量进行加权平均，生成所述物流订单的第一预测值。

在具体实施中，当T为一个时，可以通过对k个特征向量进行加权平均，生成所述物流订单的第一预测值，作为物流订单的预测结果。

在具体实施中，当T为多个时，在生成所述物流订单的第一预测值之后，还包括：对基于每个T和k所生成的所述物流订单的第一预测值进行加权平均，生成所述物流订单的第二预测值，作为物流订单的预测结果。

此外，通过对每个T和k所生成的物流订单的第一预测值进行加权平均，生成物流订单的第二预测值，可以在一定程度上弥补了订单数据特征量不足的缺陷，进一步提高物流订单预测的准确度。

应用上述方案，通过对物流订单的第一历史数据进行傅里叶变换，选取对应频域能量高于预设门限的时域上的时间长度T，然后基于物流订单的第一历史数据，构建时间长度为T的特征向量f_0，并选取与f_0距离最近的k个时间长度为T的特征向量，最后对k个特征向量进行加权平均，生成物流订单的第一预测值。利用KNN模型对物流订单进行预测，由于KNN模型中的每个样本均可以用它最接近的k个邻居样本来代表，故可以在有限的数据特征前提下，提高物流订单预测的准确度。

为使本领域技术人员更好的理解和实施本发明，本发明实施例还提供了一种利用KNN模型训练获取k的方法，如图2所示。

参见图2，所述利用KNN模型训练获取k的方法可以包括如下步骤：

步骤S201，获取物流订单的第二历史数据。

在具体实施中，所述物流订单的第二历史数据可以为比较老的历史数据，例如前面几年的历史数据。

步骤S202，对所述物流订单的第二历史数据进行清洗处理。

在具体实施中，可以采用步骤S101中描述的清洗处理方法对所述物流订单的第二历史数据进行清洗处理，此处不再赘述。

步骤S203，对清洗处理后的所述物流订单的第二历史数据进行切片处理。

步骤S204，对切片处理后的所述第二历史数据进行傅里叶变换，确定时间长度T。

在具体实施中，可以对切片处理后的所述第二历史数据进行傅里叶变换，选取对应频域能量高于预设门限的时域上的时间长度T。

在具体实施中，T可以为一个，也可以为多个。

步骤S205，针对每个T，利用KNN模型训练获取其对应的k。

为使本领域技术人员更好的理解和实施本发明，本发明实施例还提供了另一种物流订单的预测方法，如图3所示。

参见图3，所述物流订单的预测方法可以包括如下步骤：

步骤S301，通过实时采集系统获取物流订单的第一历史数据。

步骤S302，对所述物流订单的第一历史数据进行清洗处理。

在具体实施中，可以采用步骤S101中描述的清洗处理方法对所述物流订单的第一历史数据进行清洗处理，此处不再赘述。

步骤S303，对清洗处理后的所述物流订单的第一历史数据进行切片处理。

步骤S304，对切片处理后的所述物流订单的第一历史数据进行傅里叶变换，确定时间长度T。

在具体实施中，T可以为一个，也可以为多个。

步骤S305，基于所述物流订单的第一历史数据、T及其对应的k，利用KNN模型生成所述物流订单的第一预测值，作为物流订单的预测结果。

在具体实施中，当T为多个时，在生成所述物流订单的第一预测值之后，还需要对基于每个T和k所生成的所述物流订单的第一预测值进行加权平均，生成所述物流订单的第二预测值，作为物流订单的预测结果。

为使本领域技术人员更好的理解和实施本发明，本发明实施例还提供了一种能够实现上述物流订单的预测方法的装置，如图4所示。

参见图4，所述物流订单的预测装置40可以包括：第一获取单元41、第一选取单元42、构建单元43、第二选取单元44和第一生成单元45，其中：

所述第一获取单元41，适于获取物流订单的第一历史数据。

所述第一选取单元42，适于对所述物流订单的第一历史数据进行傅里叶变换，选取对应频域能量高于预设门限的时域上的时间长度T。

所述构建单元43，适于基于所述物流订单的第一历史数据，构建时间长度为T的特征向量f_0。

所述第二选取单元44，适于基于所述物流订单的第一历史数据，选取与f_0距离最近的k个时间长度为T的特征向量；k为正整数。

所述第一生成单元45，适于对所述k个特征向量进行加权平均，生成所述物流订单的第一预测值。

在具体实施中，T为一个或者多个；当T为多个时，每个T均对应独立的k；所述物流订单的预测装置40还包括：第二生成单元(未示出)，适于对基于每个T和k所生成的所述物流订单的第一预测值进行加权平均，生成所述物流订单的第二预测值。

在本发明一实施例中，所述物流订单的预测装置40还包括：清洗处理单元(未示出)，适于对所述物流订单的第一历史数据进行清洗处理；所述清洗处理包括以下至少一种：补充不完整的数据、数据异常值处理。

在本发明一实施例中，所述物流订单的预测装置40还包括：切片处理单元(未示出)，适于基于时间、地域和运载工具型号三个维度，对所获取的物流订单的第一历史数据进行划分，生成特定时间、特定地域和特定运载工具型号对应的所述物流订单的第一历史数据。

在本发明一实施例中，所述物流订单的预测装置40还包括：第二获取单元(未示出)和第三获取单元(未示出)，其中：

所述第二获取单元，适于获取所述物流订单的第二历史数据，所述物流订单的第二历史数据早于所述物流订单的第一历史数据。

所述第三获取单元，适于基于所述物流订单的第二历史数据，利用KNN模型训练获取T对应的k。

在具体实施中，所述第三获取单元包括：划分子单元(未示出)、第一选取子单元(未示出)、构建子单元(未示出)、第二选取子单元(未示出)、生成子单元(未示出)、计算子单元(未示出)和计算子单元(未示出)，其中：

所述划分子单元，适于将所述物流订单的第二历史数据分为：训练数据和期望数据。

所述第一选取子单元，适于对所述训练数据进行傅里叶变换，选取对应频域能量高于预设门限的时域上的时间长度T。

所述构建子单元，适于基于所述物流订单的第二历史数据，构建长度为T的特征向量m_0。

所述第二选取子单元，适于基于所述物流订单的第二历史数据，选取与m_0距离最近的k1个长度为T的特征向量。

所述生成子单元，适于对k1个特征向量进行加权平均，生成k1对应的预测数据。

所述计算子单元，适于基于所述期望数据和所述预测数据，计算预测准确度。

所述选择子单元，适于选择对应所述预测准确度最高的k1作为T对应的k。

在具体实施中，所述物流订单的预测装置40的工作流程及原理可以参考上述实施例中提供的方法中的描述，此处不再赘述。

本发明实施例提供一种计算机可读存储介质，计算机可读存储介质为非易失性存储介质或非瞬态存储介质，其上存储有计算机指令，所述计算机指令运行时执行上述任一种所述方法对应的步骤，此处不再赘述。

本发明实施例提供一种物流订单的预测装置，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行上述任一种所述方法对应的步骤，此处不再赘述。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。

虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (14)

1.一种物流订单的预测方法，其特征在于，包括：

获取物流订单的第一历史数据；

对所述物流订单的第一历史数据进行傅里叶变换，选取对应频域能量高于预设门限的时域上的时间长度T；

基于所述物流订单的第一历史数据，构建时间长度为T的特征向量f_0；

基于所述物流订单的第一历史数据，选取与f_0距离最近的k个时间长度为T的特征向量；k为正整数；

对所述k个特征向量进行加权平均，生成所述物流订单的第一预测值。

2.根据权利要求1所述的物流订单的预测方法，其特征在于，T为一个或者多个；

当T为多个时，每个T均对应独立的k；

在生成所述物流订单的第一预测值之后，还包括：

对基于每个T和k所生成的所述物流订单的第一预测值进行加权平均，生成所述物流订单的第二预测值。

3.根据权利要求1所述的物流订单的预测方法，其特征在于，在对所述物流订单的第一历史数据进行傅里叶变换之前，还包括：

对所述物流订单的第一历史数据进行清洗处理；

所述清洗处理包括以下至少一种：补充不完整的数据、数据异常值处理。

4.根据权利要求1所述的物流订单的预测方法，其特征在于，在对所述物流订单的第一历史数据进行傅里叶变换之前，还包括：

基于时间、地域和运载工具型号三个维度，对所获取的物流订单的第一历史数据进行划分，生成特定时间、特定地域和特定运载工具型号对应的所述物流订单的第一历史数据。

5.根据权利要求1所述的物流订单的预测方法，其特征在于，在选取与f_0距离最近的k个时间长度为T的特征向量之前，还包括：

获取所述物流订单的第二历史数据，所述物流订单的第二历史数据早于所述物流订单的第一历史数据；

基于所述物流订单的第二历史数据，利用KNN模型训练获取T对应的k。

6.根据权利要求5所述的物流订单的预测方法，其特征在于，所述基于所述物流订单的第二历史数据，利用KNN模型训练获取T对应的k包括：

将所述物流订单的第二历史数据分为：训练数据和期望数据；

对所述训练数据进行傅里叶变换，选取对应频域能量高于预设门限的时域上的时间长度T；

基于所述物流订单的第二历史数据，构建长度为T的特征向量m_0；

基于所述物流订单的第二历史数据，选取与m_0距离最近的k1个长度为T的特征向量；

对k1个特征向量进行加权平均，生成k1对应的预测数据；

基于所述期望数据和所述预测数据，计算预测准确度；

选择对应所述预测准确度最高的k1作为T对应的k。

7.一种物流订单的预测装置，其特征在于，包括：

第一获取单元，适于获取物流订单的第一历史数据；

第一选取单元，适于对所述物流订单的第一历史数据进行傅里叶变换，选取对应频域能量高于预设门限的时域上的时间长度T；

构建单元，适于基于所述物流订单的第一历史数据，构建时间长度为T的特征向量f_0；

第二选取单元，适于基于所述物流订单的第一历史数据，选取与f_0距离最近的k个时间长度为T的特征向量；k为正整数；

第一生成单元，适于对所述k个特征向量进行加权平均，生成所述物流订单的第一预测值。

8.根据权利要求7所述的物流订单的预测装置，其特征在于，T为一个或者多个；

当T为多个时，每个T均对应独立的k；

还包括：

第二生成单元，适于对基于每个T和k所生成的所述物流订单的第一预测值进行加权平均，生成所述物流订单的第二预测值。

9.根据权利要求7所述的物流订单的预测装置，其特征在于，还包括：

清洗处理单元，适于对所述物流订单的第一历史数据进行清洗处理；

所述清洗处理包括以下至少一种：补充不完整的数据、数据异常值处理。

10.根据权利要求7所述的物流订单的预测装置，其特征在于，还包括：

切片处理单元，适于基于时间、地域和运载工具型号三个维度，对所获取的物流订单的第一历史数据进行划分，生成特定时间、特定地域和特定运载工具型号对应的所述物流订单的第一历史数据。

11.根据权利要求7所述的物流订单的预测装置，其特征在于，还包括：

第二获取单元，适于获取所述物流订单的第二历史数据，所述物流订单的第二历史数据早于所述物流订单的第一历史数据；

第三获取单元，适于基于所述物流订单的第二历史数据，利用KNN模型训练获取T对应的k。

12.根据权利要求11所述的物流订单的预测装置，其特征在于，所述第三获取单元包括：

划分子单元，适于将所述物流订单的第二历史数据分为：训练数据和期望数据；

第一选取子单元，适于对所述训练数据进行傅里叶变换，选取对应频域能量高于预设门限的时域上的时间长度T；

构建子单元，适于基于所述物流订单的第二历史数据，构建长度为T的特征向量m_0；

第二选取子单元，适于基于所述物流订单的第二历史数据，选取与m_0距离最近的k1个长度为T的特征向量；

生成子单元，适于对k1个特征向量进行加权平均，生成k1对应的预测数据；

计算子单元，适于基于所述期望数据和所述预测数据，计算预测准确度；

选择子单元，适于选择对应所述预测准确度最高的k1作为T对应的k。

13.一种计算机可读存储介质，计算机可读存储介质为非易失性存储介质或非瞬态存储介质，其上存储有计算机指令，其特征在于，所述计算机指令运行时执行权利要求1至6中任一项所述方法的步骤。

14.一种物流订单的预测装置，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，其特征在于，所述处理器运行所述计算机指令时执行权利要求1至6中任一项所述方法的步骤。