CN108985526B - 运力预测方法及装置、计算机可读存储介质、终端 - Google Patents

运力预测方法及装置、计算机可读存储介质、终端 Download PDF

Info

Publication number
CN108985526B
CN108985526B CN201810956387.6A CN201810956387A CN108985526B CN 108985526 B CN108985526 B CN 108985526B CN 201810956387 A CN201810956387 A CN 201810956387A CN 108985526 B CN108985526 B CN 108985526B
Authority
CN
China
Prior art keywords
capacity
individual
macroscopic
probability
prediction
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.)
Active
Application number
CN201810956387.6A
Other languages
English (en)
Other versions
CN108985526A (zh
Inventor
金忠孝
吴远皓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SAIC Motor Corp Ltd
Anji Automotive Logistics Co Ltd
Original Assignee
SAIC Motor Corp Ltd
Anji Automotive Logistics Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by SAIC Motor Corp Ltd, Anji Automotive Logistics Co Ltd filed Critical SAIC Motor Corp Ltd
Priority to CN201810956387.6A priority Critical patent/CN108985526B/zh
Publication of CN108985526A publication Critical patent/CN108985526A/zh
Application granted granted Critical
Publication of CN108985526B publication Critical patent/CN108985526B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

一种运力预测方法及装置、计算机可读存储介质、终端，所述运力预测方法包括以下步骤：确定行程，所述行程根据出发地和目的地确定；获取多个个体在所述行程的个体特征数据；根据所述个体特征数据预测每个个体的有效运力概率；如果所述有效运力概率超出预设概率阈值，则确定所述个体在所述行程为有效运力；确定所述多个个体在所述行程的有效运力的总数，记为个体运力总数。本发明方案可以对运力个体的行为进行预测，有助于提高运力预测的准确性。

Description

运力预测方法及装置、计算机可读存储介质、终端
技术领域
本发明涉及计算机技术领域，尤其涉及一种运力预测方法及装置、计算机可读存储介质、终端。
背景技术
在现代大规模物流系统中，对运力进行准确的预测具有很强的经济和社会意义。准确的运力预测不仅能够预防爆仓、订单延误等风险，还可以在日常的运营中减少运力浪费，提高运营效率。
作为进行决策判断的重要一环，已有大量与运力预测有关的相关研究。例如在一种现有技术中，如申请公布号CN107038492A的专利，其公开了一种利用ARMA模型进行订单预测的方法。然而ARMA模型虽然能够从历史数据中提取出一些时间序列的特征，但仍属于传统的宏观分析方法。由于其模型的复杂度非常有限，所能表征的特征种类也比较单一，导致该方法的预测结果准确性较低，应用范围受到较大限制。
在现有技术中，还存在以模糊推理理论为依据，以自适应网络为框架的运力预测方法，主要用于预测未来数年航运市场的宏观运力预测，虽然能对较大时间尺度下整个区域运力市场的变化情况进行预测，但对于局部区域而言，准确性较低，导致该预测方法获得的预测结果对于实际的物流运营帮助不大。
发明内容
本发明解决的技术问题是提供一种运力预测方法及装置、计算机可读存储介质、终端，可以对运力个体的行为进行预测，有助于提高运力预测的准确性。
为解决上述技术问题，本发明实施例提供一种运力预测方法，包括以下步骤：确定行程，所述行程根据出发地和目的地确定；获取多个个体在所述行程的个体特征数据；根据所述个体特征数据预测每个个体的有效运力概率；如果所述有效运力概率超出预设概率阈值，则确定所述个体在所述行程为有效运力；确定所述多个个体在所述行程的有效运力的总数，记为个体运力总数。
可选的，所述个体特征数据包括以往个体特征数据以及当前个体特征数据；其中，所述以往个体特征数据包括所述多个个体在以往预设时长内上报的运力数、所述多个个体在以往预设时长内目的地偏好、所述个体在所述以往预设时长内是否成为有效运力；所述当前个体特征数据包括多个个体当前上报的运力数、所述多个个体的当前目的地偏好。
可选的，根据所述个体特征数据预测每个个体的有效运力概率包括：根据所述以往个体特征数据，通过训练确定概率模型f(X)；根据所述概率模型f(X)以及所述当前个体特征数据，预测每个个体的有效运力概率。
可选的，通过训练确定概率模型f(X)包括：通过训练使所述概率模型f(X)满足C值为最小值，其中，所述C值采用下述公式表示：
Figure BDA0001772768210000021
其中，X(i)＝[tId,oId,dId,Xfeature]，tId用于表示第i个个体的标识，oId用于表示所述出发地，dId用于表示所述目的地，Xfeature用于表示第i个个体的以往个体特征数据，y(i)用于表示对应于所述以往个体特征数据的第i个个体是否成为有效运力，f(X(i))用于表示根据所述概率模型f(X)确定的第i个个体成为有效运力的概率，n用于表示个体总数。
可选的，所述概率模型f(X)的训练算法选自：SVM算法以及GBDT算法。
可选的，在根据所述概率模型f(X)以及所述当前个体特征数据，预测每个个体的有效运力概率之前，所述运力预测方法还包括：更新所述概率模型f(X)。
可选的，所述运力预测方法还包括：获取所述行程的宏观运力数据；根据所述宏观运力数据预测所述行程的宏观运力数目；根据所述个体运力总数以及所述宏观运力数目，确定所述行程的运力预测数据。
可选的，所述宏观特征数据包括以往宏观特征数据以及当前宏观特征数据；其中，所述以往宏观特征数据包括在以往预设时长内所述行程对应的上报的运力数、在以往预设时长内所述行程对应的发运的实际运力数；所述当前宏观特征数据包括多个个体当前上报的运力数。
可选的，根据所述宏观运力数据预测所述行程的宏观运力数目包括：根据所述以往宏观特征数据，通过训练确定宏观预测模型；根据所述宏观预测模型以及所述当前宏观特征数据，预测所述行程的宏观运力数目。
可选的，所述通过训练确定宏观预测模型包括：采用深度神经网络算法进行迭代训练，直至所述宏观预测模型的结果与所述以往宏观特征数据的误差收敛，以确定所述宏观预测模型。
可选的，所述宏观预测模型中的每个神经元的激活函数包括ReLU函数。
可选的，在根据所述宏观预测模型以及所述当前宏观特征数据，预测所述行程的宏观运力数目之前，所述运力预测方法还包括：更新所述宏观预测模型。
可选的，所述根据所述个体运力总数以及所述宏观运力数目，确定所述行程的运力预测数据包括：对所述个体运力总数以及所述宏观运力数目进行加权平均，以计算得到所述行程的运力预测数据。
为解决上述技术问题，本发明实施例提供一种运力预测装置，包括：行程确定模块，适于确定行程，所述行程根据出发地和目的地确定；个体数据获取模块，适于获取多个个体在所述行程的个体特征数据；个体概率预测模块，适于根据所述个体特征数据预测每个个体的有效运力概率；有效运力确定模块，适于当所述有效运力概率超出预设概率阈值时，确定所述个体在所述行程为有效运力；个体总数确定模块，适于确定所述多个个体在所述行程的有效运力的总数，记为个体运力总数。
可选的，所述个体特征数据包括以往个体特征数据以及当前个体特征数据；其中，所述以往个体特征数据包括所述多个个体在以往预设时长内上报的运力数、所述多个个体在以往预设时长内目的地偏好、所述个体在所述以往预设时长内是否成为有效运力；所述当前个体特征数据包括多个个体当前上报的运力数、所述多个个体的当前目的地偏好。
可选的，所述个体概率预测模块包括：概率模型确定子模块，适于根据所述以往个体特征数据，通过训练确定概率模型f(X)；个体概率确定子模块，适于根据所述概率模型f(X)以及所述当前个体特征数据，预测每个个体的有效运力概率。
可选的，所述概率模型确定子模块包括：概率模型确定单元，适于通过训练使所述概率模型f(X)满足C值为最小值，其中，所述C值采用下述公式表示：
Figure BDA0001772768210000041
其中，X(i)＝[tId,oId,dId,Xfeature]，tId用于表示第i个个体的标识，oId用于表示所述出发地，dId用于表示所述目的地，Xfeature用于表示第i个个体的以往个体特征数据，y(i)用于表示对应于所述以往个体特征数据的第i个个体是否成为有效运力，f(X(i))用于表示根据所述概率模型f(X)确定的第i个个体成为有效运力的概率，n用于表示个体总数。
可选的，所述概率模型f(X)的训练算法选自：SVM算法以及GBDT算法。
可选的，所述运力预测装置还包括：个体更新模块，适于在根据所述概率模型f(X)以及所述当前个体特征数据，预测每个个体的有效运力概率之前，更新所述概率模型f(X)。
可选的，所述运力预测装置还包括：宏观数据获取模块，适于获取所述行程的宏观运力数据；宏观运力预测模块，适于根据所述宏观运力数据预测所述行程的宏观运力数目；行程运力确定模块，适于根据所述个体运力总数以及所述宏观运力数目，确定所述行程的运力预测数据。
可选的，所述宏观特征数据包括以往宏观特征数据以及当前宏观特征数据；其中，所述以往宏观特征数据包括在以往预设时长内所述行程对应的上报的运力数、在以往预设时长内所述行程对应的发运的实际运力数；所述当前宏观特征数据包括多个个体当前上报的运力数。
可选的，所述宏观运力预测模块包括：宏观模型确定子模块，适于根据所述以往宏观特征数据，通过训练确定宏观预测模型；宏观运力预测子模块，适于根据所述宏观预测模型以及所述当前宏观特征数据，预测所述行程的宏观运力数目。
可选的，所述宏观模型确定子模块包括：宏观模型确定单元，适于采用深度神经网络算法进行迭代训练，直至所述宏观预测模型的结果与所述以往宏观特征数据的误差收敛，以确定所述宏观预测模型。
可选的，所述宏观预测模型中的每个神经元的激活函数包括ReLU函数。
可选的，所述运力预测装置还包括：宏观更新模块，适于在根据所述宏观预测模型以及所述当前宏观特征数据，预测所述行程的宏观运力数目之前，更新所述宏观预测模型。
可选的，所述行程运力确定模块包括：计算子模块，适于对所述个体运力总数以及所述宏观运力数目进行加权平均，以计算得到所述行程的运力预测数据。
为解决上述技术问题，本发明实施例提供一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行上述运力预测方法的步骤。
为解决上述技术问题，本发明实施例提供一种终端，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运力预测方法的步骤。
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：
在本发明实施例中，确定行程，所述行程根据出发地和目的地确定；获取多个个体在所述行程的个体特征数据；根据所述个体特征数据预测每个个体的有效运力概率；如果所述有效运力概率超出预设概率阈值，则确定所述个体在所述行程为有效运力；确定所述多个个体在所述行程的有效运力的总数，记为个体运力总数。采用上述方案，根据个体在行程的个体特征数据，预测每个个体的有效运力概率，进而确定所述个体在所述行程是否为有效运力，以及确定所述多个个体在所述行程的有效运力的总数，相比于现有技术中根据宏观运力数据预测整个区域运力市场中多个个体的运力，采用本发明实施例的方案，可以对运力个体的行为进行预测，有助于提高运力预测的准确性。
进一步，在本发明实施例中，还可以根据宏观运力数据预测所述行程的宏观运力数目，进而根据所述个体运力总数以及所述宏观运力数目，确定所述行程的运力预测数据，相比于现有技术中根据宏观运力数据预测整个区域运力市场中多个个体的运力，采用本发明实施例的方案，可以将宏观统计数据和运力个体行为预测进行有机结合，充分挖掘这两种不同层次的信息，增强物流运力预测的准确性。
附图说明
图1是本发明实施例中一种运力预测方法的流程图；
图2是图1中步骤S13的一种具体实施方式的流程图；
图3是本发明实施例中另一种运力预测方法的部分流程图；
图4是图3中步骤S32的一种具体实施方式的流程图；
图5是本发明实施例中一种运力预测装置的结构示意图。
具体实施方式
如前所述，在现有的运力预测方法中，预测结果准确性较低，导致应用范围受到较大限制，或者对于实际的物流运营帮助不大，因此亟需一种运力预测方法，以提高运力预测的准确性。
本发明的发明人经过研究发现，在现有技术中，往往是根据宏观运力数据，对运力进行预测，而忽视了运力个体的行为对运力市场的影响，导致预测结果的准确性较低。
在本发明实施例中，确定行程，所述行程根据出发地和目的地确定；获取多个个体在所述行程的个体特征数据；根据所述个体特征数据预测每个个体的有效运力概率；如果所述有效运力概率超出预设概率阈值，则确定所述个体在所述行程为有效运力；确定所述多个个体在所述行程的有效运力的总数，记为个体运力总数。采用上述方案，根据个体在待预测的行程的个体特征数据，预测每个个体的有效运力概率，进而确定所述个体在所述行程是否为有效运力，以及确定所述多个个体在所述行程的有效运力的总数，相比于现有技术中根据宏观运力数据预测整个区域运力市场中多个个体的运力，采用本发明实施例的方案，可以对运力个体的行为进行预测，有助于提高运力预测的准确性。
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。
参照图1，图1是本发明实施例中一种运力预测方法的流程图。所述运力预测方法可以包括步骤S11至步骤S15：
步骤S11：确定行程，所述行程根据出发地和目的地确定；
步骤S12：获取多个个体在所述行程的个体特征数据；
步骤S13：根据所述个体特征数据预测每个个体的有效运力概率；
步骤S14：如果所述有效运力概率超出预设概率阈值，则确定所述个体在所述行程为有效运力；
步骤S15：确定所述多个个体在所述行程的有效运力的总数，记为个体运力总数。
在步骤S11的具体实施中，对于每个行程中的具体线路不作限制。具体而言，根据出发地和目的地确定行程，可以获取不止一条具体线路，对于从出发地出发且到达目的地的个体，均可以视为该行程的运力。
在步骤S12的具体实施中，多个个体在所述行程的个体特征数据可以是定期通过调度系统及报车系统等外部系统获取的，还可以是通过装载在各运力车辆、船舶上的随车状态收集装置获取的。
可以理解的是，所述个体特征数据可以是实时获取的，还可以是储存于运力行为数据库中的数据，且在具体实施中，可以对所述运力行为数据库中的数据进行更新。
进一步地，所述个体特征数据可以包括以往个体特征数据以及当前个体特征数据；其中，所述以往个体特征数据可以包括所述多个个体在以往预设时长内上报的运力数、所述多个个体在以往预设时长内目的地偏好、所述个体在所述以往预设时长内是否成为有效运力；所述当前个体特征数据可以包括多个个体当前上报的运力数、所述多个个体的当前目的地偏好。
具体地，通过所述多个个体在以往预设时长内上报的运力数、所述个体在所述以往预设时长内是否成为有效运力，可以获知在历史记录中的实际运力数占上报运力数的比例，从而可以有助于根据每个个体当前是否上报运力预测该个体在当前成为有效运力的可能性，还可以有助于根据多个个体当前上报的运力数预测所述多个个体在当前的实际运力数。
具体地，根据所述多个个体在以往预设时长内目的地偏好、所述个体在所述以往预设时长内是否成为有效运力，可以获知在历史记录中目的地偏好对成为有效运力的影响，从而可以有助于根据每个个体的当前目的地偏好预测该个体在当前成为有效运力的可能性，还可以有助于根据多个个体的当前目的地偏好预测所述多个个体在当前的实际运力数。
需要指出的是，在具体实施中，所述多个个体在当前的实际运力数还可以受到其他因素的影响，例如天气因素、每个个体的驾驶习惯、每个个体的违章情况等，在对其他因素进行分析时，也应当将该因素对应的数据加入个体特征数据中，在本发明实施例中，对于个体特征数据中具体包含的内容不作限制。
在步骤S13的具体实施中，根据所述个体特征数据预测每个个体的有效运力概率的步骤可以通过机器分析或人工分析实现，例如包括但不局限于逻辑回归、支持向量机、深度神经网络等，还可以通过概率模型实现。
参照图2，图2是图1中步骤S13的一种具体实施方式的流程图，根据所述个体特征数据预测每个个体的有效运力概率的步骤可以包括步骤S21至步骤S22，以下对各个步骤进行说明。
在步骤S21中，根据所述以往个体特征数据，通过训练确定概率模型。
具体地，通过获取历史数据，进而对所有有效历史数据进行多轮不同模型参数的迭代，从而得到概率模型f(X)。
更具体地，通过训练确定概率模型f(X)可以包括：通过训练使所述概率模型f(X)满足C值为最小值，其中，所述C值采用下述公式表示：
Figure BDA0001772768210000081
其中，X(i)＝[tId,oId,dId,Xfeature]，tId用于表示第i个个体的标识，oId用于表示所述出发地，dId用于表示所述目的地，Xfeature用于表示第i个个体的以往个体特征数据，y(i)用于表示对应于所述以往个体特征数据的第i个个体是否成为有效运力，f(X(i))用于表示根据所述概率模型f(X)确定的第i个个体成为有效运力的概率，n用于表示个体总数。
在步骤S22中，根据所述概率模型以及所述当前个体特征数据，预测每个个体的有效运力概率。
具体地，可以采用所述概率模型f(X)对当前个体是否成为有效运力的概率进行预测，也即确定P(tId,oId,dId)。
更进一步地，在根据所述概率模型f(X)以及所述当前个体特征数据，预测每个个体的有效运力概率之前，还可以包括：更新所述概率模型f(X)。
具体地，所述概率模型f(X)是根据历史数据经过训练确定的，可以根据新增的数据，对所述概率模型f(X)进行持续性地更新，以寻求更高的预测准确性。
更进一步地，所述概率模型f(X)的训练算法可以选自：支持向量机(SupportVector Machines，SVM)算法以及梯度提升决策树(Gradient Boosting Decision Tree，GBDT)算法，以减少样本损失，提高运力预测准确率。
继续参照图1，在步骤S14的具体实施中，如果所述有效运力概率超出预设概率阈值，则确定所述个体在所述行程为有效运力。
需要指出的是，所述预设概率阈值不应当设置过高，否则会误将多个有效运力个体判断为非有效运力，导致与实际结果相比，所述预测结果过于悲观；所述预设概率阈值不应当设置过低，否则会误将多个非有效运力个体判断为有效运力，导致与实际结果相比，所述预测结果过于乐观，均会导致运力预测准确率下降。作为一个非限制性的例子，所述预设概率阈值可以设置为50％至75％，优选为60％。
在本发明实施例中，根据个体在行程的个体特征数据，预测每个个体的有效运力概率，进而确定所述个体在所述行程是否为有效运力，以及确定所述多个个体在所述行程的有效运力的总数，相比于现有技术中根据宏观运力数据预测整个区域运力市场中多个个体的运力，采用本发明实施例的方案，可以对运力个体的行为进行预测，有助于提高运力预测的准确性。
参照图3，图3是本发明实施例中另一种运力预测方法的部分流程图。所述另一种运力预测方法可以包括图1示出的步骤S11至步骤S15，还可以包括步骤S31至步骤S33：
步骤S31：获取所述行程的宏观运力数据；
步骤S32：根据所述宏观运力数据预测所述行程的宏观运力数目；
步骤S33：根据所述个体运力总数以及所述宏观运力数目，确定所述行程的运力预测数据。
在步骤S31的具体实施中，可以通过外部报车系统和调度系统获取所述行程的宏观运力数据，还可以最新数据及相关特征数据存入宏观预测数据库中。
具体地，所述宏观特征数据可以包括以往宏观特征数据以及当前宏观特征数据；其中，所述以往宏观特征数据可以包括在以往预设时长内所述行程对应的上报的运力数、在以往预设时长内所述行程对应的发运的实际运力数；所述当前宏观特征数据可以包括多个个体当前上报的运力数，所述多个个体当前的目的地偏好。
具体地，通过在以往预设时长内所述行程对应的上报的运力数、在以往预设时长内所述行程对应的发运的实际运力数，可以获知在历史记录中的实际运力数占上报运力数的宏观比例，从而可以有助于根据多个个体当前上报的运力数宏观性地预测所述多个个体在当前的实际运力数。
需要指出的是，在具体实施中，所述行程的宏观运力数目还可以受到其他因素的影响，例如天气因素、每个个体的驾驶习惯、每个个体的违章情况等，在对其他因素进行分析时，也应当将该因素对应的数据加入宏观运力数据中，在本发明实施例中，对于宏观运力数据中具体包含的内容不作限制。
在本发明实施例的一种具体实施方式中，所述宏观运力数据中的数据可以包含以往连续30天以及待预测当天(即第31天)的单个行程的报车数，以及待预测当天的星期、月份、天气等信息。有助于使形成的宏观预测模型是根据30天历史数据结合第31天的特征对第31天的运力进行预测。
在步骤S32的具体实施中，可以根据所述宏观运力数据预测所述行程的宏观运力数目。
参照图4，图4是图3中步骤S32的一种具体实施方式的流程图，根据所述宏观运力数据预测所述行程的宏观运力数目的步骤可以包括步骤S41至步骤S42，以下对各个步骤进行说明。
在步骤S41中，根据所述以往宏观特征数据，通过训练确定宏观预测模型。
具体地，可以采用深度神经网络算法进行迭代训练，直至所述宏观预测模型的结果与所述以往宏观特征数据的误差收敛，以确定所述宏观预测模型。
可以理解的是，所述深度神经网络包含的隐层的层数不应当过少，否则得到的模型的准确性过低，所述深度神经网络包含的隐层的层数不应当过多，否则容易出现过拟合，并且占用过多运算资源。作为一个非限制性的例子，所述深度神经网络包含的隐层的层数可以为2至5层。
在本发明实施例的一种优选实施方式中，所述深度神经网络可以包含3个隐层，每层包含的神经元数目例如分别为30、15、10，神经元激活函数可以为修正线性单元(Rectified Linear Unit，ReLU)函数。
在步骤S42中，根据所述宏观预测模型以及所述当前宏观特征数据，预测所述行程的宏观运力数目。
具体地，可以将当前宏观特征数据输入所述宏观预测模型，例如可以包括待预测当天的报车数、星期、月份、天气等信息输入所述宏观预测模型，根据历史数据结合当前宏观特征数据对当前的宏观运力数目进行预测。
更进一步地，在根据所述宏观预测模型以及所述当前宏观特征数据，预测所述行程的宏观运力数目之前，还可以包括：更新所述宏观预测模型。
具体地，所述宏观预测模型是根据历史数据经过训练确定的，可以根据新增的数据，对所述宏观预测模型进行持续性地更新，以寻求更高的预测准确性。
继续参照图3，在步骤S33的具体实施中，可以根据所述个体运力总数以及所述宏观运力数目，确定所述行程的运力预测数据。
具体地，所述根据所述个体运力总数以及所述宏观运力数目，确定所述行程的运力预测数据包括：对所述个体运力总数以及所述宏观运力数目进行加权平均，以计算得到所述行程的运力预测数据。
需要指出的是，在进行加权平均计算时，所述个体运力总数的权重不应当过低，否则个体运力总数的预测结果得不到体现，容易导致准确性下降；所述个体运力总数的权重不应当过高，否则宏观运力数目的预测结果得不到体现，容易导致准确性下降。
作为一个非限制性的例子，所述个体运力总数的权重可以设置为0.6至0.8，优选为0.7。具体地，可以根据宏观运力数目的权重为0.3，个体运力总数权重为0.7的比例将二者的结果进行加权平均，得到最终的运力预测数据。
在本发明实施例中，还可以根据宏观运力数据预测所述行程的宏观运力数目，进而根据所述个体运力总数以及所述宏观运力数目，确定所述行程的运力预测数据，相比于现有技术中根据宏观运力数据预测整个区域运力市场中多个个体的运力，采用本发明实施例的方案，可以将宏观统计数据和运力个体行为预测进行有机结合，充分挖掘这两种不同层次的信息，增强物流运力预测的准确性。
参照图5，图5是本发明实施例中一种运力预测装置的结构示意图。所述运力预测装置可以包括：
行程确定模块51，适于确定行程，所述行程根据出发地和目的地确定；
个体数据获取模块52，适于获取多个个体在所述行程的个体特征数据；
个体概率预测模块53，适于根据所述个体特征数据预测每个个体的有效运力概率；
有效运力确定模块54，适于当所述有效运力概率超出预设概率阈值时，确定所述个体在所述行程为有效运力；
个体总数确定模块55，适于确定所述多个个体在所述行程的有效运力的总数，记为个体运力总数。
进一步地，所述运力预测装置还可以包括：
个体更新模块56，适于在根据所述概率模型f(X)以及所述当前个体特征数据，预测每个个体的有效运力概率之前，更新所述概率模型f(X)；
宏观数据获取模块57，适于获取所述行程的宏观运力数据；
宏观运力预测模块58，适于根据所述宏观运力数据预测所述行程的宏观运力数目；
行程运力确定模块59，适于根据所述个体运力总数以及所述宏观运力数目，确定所述行程的运力预测数据；
宏观更新模块510，适于在根据所述宏观预测模型以及所述当前宏观特征数据，预测所述行程的宏观运力数目之前，更新所述宏观预测模型。
进一步地，所述个体特征数据可以包括以往个体特征数据以及当前个体特征数据；其中，所述以往个体特征数据可以包括所述多个个体在以往预设时长内上报的运力数、所述多个个体在以往预设时长内目的地偏好、所述个体在所述以往预设时长内是否成为有效运力；所述当前个体特征数据可以包括多个个体当前上报的运力数、所述多个个体的当前目的地偏好。
所述个体概率预测模块53可以包括：概率模型确定子模块(图未示)，适于根据所述以往个体特征数据，通过训练确定概率模型f(X)；个体概率确定子模块(图未示)，适于根据所述概率模型f(X)以及所述当前个体特征数据，预测每个个体的有效运力概率。
所述概率模型确定子模块可以包括：概率模型确定单元，适于通过训练使所述概率模型f(X)满足C值为最小值，其中，所述C值可以采用下述公式表示：
Figure BDA0001772768210000131
其中，X(i)＝[tId,oId,dId,Xfeature]，tId用于表示第i个个体的标识，oId用于表示所述出发地，dId用于表示所述目的地，Xfeature用于表示第i个个体的以往个体特征数据，y(i)用于表示对应于所述以往个体特征数据的第i个个体是否成为有效运力，f(X(i))用于表示根据所述概率模型f(X)确定的第i个个体成为有效运力的概率，n用于表示个体总数。
所述概率模型f(X)的训练算法可以选自：支持向量机(Support VectorMachines，SVM)算法以及梯度提升决策树(Gradient Boosting Decision Tree，GBDT)算法。
进一步地，所述宏观特征数据可以包括以往宏观特征数据以及当前宏观特征数据；其中，所述以往宏观特征数据可以包括在以往预设时长内所述行程对应的上报的运力数、在以往预设时长内所述行程对应的发运的实际运力数；所述当前宏观特征数据可以包括多个个体当前上报的运力数。
所述宏观运力预测模块可以包括：宏观模型确定子模块(图未示)，适于根据所述以往宏观特征数据，通过训练确定宏观预测模型；宏观运力预测子模块(图未示)，适于根据所述宏观预测模型以及所述当前宏观特征数据，预测所述行程的宏观运力数目。
所述宏观模型确定子模块可以包括：宏观模型确定单元，适于采用深度神经网络算法进行迭代训练，直至所述宏观预测模型的结果与所述以往宏观特征数据的误差收敛，以确定所述宏观预测模型。
所述宏观预测模型中的每个神经元的激活函数可以包括ReLU函数。
所述行程运力确定模块59可以包括：计算子模块(图未示)，适于对所述个体运力总数以及所述宏观运力数目进行加权平均，以计算得到所述行程的运力预测数据。
关于该运力预测装置的原理、具体实现和有益效果请参照前文及图1至图4示出的关于运力预测方法的相关描述，此处不再赘述。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行图1至图4示出的运力预测方法的步骤。所述计算机可读存储介质例如可以包括非挥发性存储器(non-volatile)或者非瞬态(non-transitory)存储器，还可以包括光盘、机械硬盘、固态硬盘等。
本发明实施例还提供了一种终端，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图1至图4示出的运力预测方法的步骤。所述终端包括但不限于手机、计算机、平板电脑等终端设备。
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 (24)

1.一种运力预测方法，其特征在于，包括以下步骤：
确定行程，所述行程根据出发地和目的地确定；
获取多个个体在所述行程的个体特征数据；
根据所述个体特征数据预测每个个体的有效运力概率；
如果所述有效运力概率超出预设概率阈值，则确定所述个体在所述行程为有效运力；
确定所述多个个体在所述行程的有效运力的总数，记为个体运力总数；
其中，所述个体特征数据包括以往个体特征数据以及当前个体特征数据；
根据所述个体特征数据预测每个个体的有效运力概率包括：
根据所述以往个体特征数据，通过训练确定概率模型f(X)；
根据所述概率模型f(X)以及所述当前个体特征数据，预测每个个体的有效运力概率；
其中，通过训练确定概率模型f(X)包括：
通过训练使所述概率模型f(X)满足C值为最小值，其中，所述C值采用下述公式表示：
Figure FDA0003194721580000011
其中，X(i)＝[tId,oId,dId,Xfeature]，tId用于表示第i个个体的标识，oId用于表示所述出发地，dId用于表示所述目的地，Xfeature用于表示第i个个体的以往个体特征数据，y(i)用于表示对应于所述以往个体特征数据的第i个个体是否成为有效运力，f(X(i))用于表示根据所述概率模型f(X)确定的第i个个体成为有效运力的概率，n用于表示个体总数。
2.根据权利要求1所述的运力预测方法，其特征在于，
其中，所述以往个体特征数据包括所述多个个体在以往预设时长内上报的运力数、所述多个个体在以往预设时长内目的地偏好、所述个体在所述以往预设时长内是否成为有效运力；
所述当前个体特征数据包括多个个体当前上报的运力数、所述多个个体的当前目的地偏好。
3.根据权利要求1所述的运力预测方法，其特征在于，所述概率模型f(X)的训练算法选自：SVM算法以及GBDT算法。
4.根据权利要求1所述的运力预测方法，其特征在于，在根据所述概率模型f(X)以及所述当前个体特征数据，预测每个个体的有效运力概率之前，还包括：
更新所述概率模型f(X)。
5.根据权利要求1所述的运力预测方法，其特征在于，还包括：
获取所述行程的宏观运力数据；
根据所述宏观运力数据预测所述行程的宏观运力数目；
根据所述个体运力总数以及所述宏观运力数目，确定所述行程的运力预测数据。
6.根据权利要求5所述的运力预测方法，其特征在于，所述宏观运力数据包括以往宏观特征数据以及当前宏观特征数据；
其中，所述以往宏观特征数据包括在以往预设时长内所述行程对应的上报的运力数、在以往预设时长内所述行程对应的发运的实际运力数；
所述当前宏观特征数据包括多个个体当前上报的运力数。
7.根据权利要求6所述的运力预测方法，其特征在于，根据所述宏观运力数据预测所述行程的宏观运力数目包括：
根据所述以往宏观特征数据，通过训练确定宏观预测模型；
根据所述宏观预测模型以及所述当前宏观特征数据，预测所述行程的宏观运力数目。
8.根据权利要求7所述的运力预测方法，其特征在于，所述通过训练确定宏观预测模型包括：
采用深度神经网络算法进行迭代训练，直至所述宏观预测模型的结果与所述以往宏观特征数据的误差收敛，以确定所述宏观预测模型。
9.根据权利要求8所述的运力预测方法，其特征在于，所述宏观预测模型中的每个神经元的激活函数包括ReLU函数。
10.根据权利要求7所述的运力预测方法，其特征在于，在根据所述宏观预测模型以及所述当前宏观特征数据，预测所述行程的宏观运力数目之前，还包括：
更新所述宏观预测模型。
11.根据权利要求7所述的运力预测方法，其特征在于，所述根据所述个体运力总数以及所述宏观运力数目，确定所述行程的运力预测数据包括：
对所述个体运力总数以及所述宏观运力数目进行加权平均，以计算得到所述行程的运力预测数据。
12.一种运力预测装置，其特征在于，包括：
行程确定模块，适于确定行程，所述行程根据出发地和目的地确定；
个体数据获取模块，适于获取多个个体在所述行程的个体特征数据；
个体概率预测模块，适于根据所述个体特征数据预测每个个体的有效运力概率；
有效运力确定模块，适于当所述有效运力概率超出预设概率阈值时，确定所述个体在所述行程为有效运力；
个体总数确定模块，适于确定所述多个个体在所述行程的有效运力的总数，记为个体运力总数；
其中，所述个体特征数据包括以往个体特征数据以及当前个体特征数据；所述个体概率预测模块包括：
概率模型确定子模块，适于根据所述以往个体特征数据，通过训练确定概率模型f(X)；
个体概率确定子模块，适于根据所述概率模型f(X)以及所述当前个体特征数据，预测每个个体的有效运力概率；
其中，所述概率模型确定子模块包括：
概率模型确定单元，适于通过训练使所述概率模型f(X)满足C值为最小值，其中，所述C值采用下述公式表示：
Figure FDA0003194721580000041
其中，X(i)＝[tId,oId,dId,Xfeature]，tId用于表示第i个个体的标识，oId用于表示所述出发地，dId用于表示所述目的地，Xfeature用于表示第i个个体的以往个体特征数据，y(i)用于表示对应于所述以往个体特征数据的第i个个体是否成为有效运力，f(X(i))用于表示根据所述概率模型f(X)确定的第i个个体成为有效运力的概率，n用于表示个体总数。
13.根据权利要求12所述的运力预测装置，其特征在于，
其中，所述以往个体特征数据包括所述多个个体在以往预设时长内上报的运力数、所述多个个体在以往预设时长内目的地偏好、所述个体在所述以往预设时长内是否成为有效运力；
所述当前个体特征数据包括多个个体当前上报的运力数、所述多个个体的当前目的地偏好。
14.根据权利要求12所述的运力预测装置，其特征在于，所述概率模型f(X)的训练算法选自：SVM算法以及GBDT算法。
15.根据权利要求12所述的运力预测装置，其特征在于，还包括：
个体更新模块，适于在根据所述概率模型f(X)以及所述当前个体特征数据，预测每个个体的有效运力概率之前，更新所述概率模型f(X)。
16.根据权利要求12所述的运力预测装置，其特征在于，还包括：
宏观数据获取模块，适于获取所述行程的宏观运力数据；
宏观运力预测模块，适于根据所述宏观运力数据预测所述行程的宏观运力数目；
行程运力确定模块，适于根据所述个体运力总数以及所述宏观运力数目，确定所述行程的运力预测数据。
17.根据权利要求16所述的运力预测装置，其特征在于，所述宏观运力数据包括以往宏观特征数据以及当前宏观特征数据；
其中，所述以往宏观特征数据包括在以往预设时长内所述行程对应的上报的运力数、在以往预设时长内所述行程对应的发运的实际运力数；
所述当前宏观特征数据包括多个个体当前上报的运力数。
18.根据权利要求17所述的运力预测装置，其特征在于，所述宏观运力预测模块包括：
宏观模型确定子模块，适于根据所述以往宏观特征数据，通过训练确定宏观预测模型；
宏观运力预测子模块，适于根据所述宏观预测模型以及所述当前宏观特征数据，预测所述行程的宏观运力数目。
19.根据权利要求18所述的运力预测装置，其特征在于，所述宏观模型确定子模块包括：
宏观模型确定单元，适于采用深度神经网络算法进行迭代训练，直至所述宏观预测模型的结果与所述以往宏观特征数据的误差收敛，以确定所述宏观预测模型。
20.根据权利要求19所述的运力预测装置，其特征在于，所述宏观预测模型中的每个神经元的激活函数包括ReLU函数。
21.根据权利要求18所述的运力预测装置，其特征在于，还包括：
宏观更新模块，适于在根据所述宏观预测模型以及所述当前宏观特征数据，预测所述行程的宏观运力数目之前，更新所述宏观预测模型。
22.根据权利要求18所述的运力预测装置，其特征在于，所述行程运力确定模块包括：
计算子模块，适于对所述个体运力总数以及所述宏观运力数目进行加权平均，以计算得到所述行程的运力预测数据。
23.一种计算机可读存储介质，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11任一项所述运力预测方法的步骤。
24.一种终端，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，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11任一项所述运力预测方法的步骤。
CN201810956387.6A 2018-08-21 2018-08-21 运力预测方法及装置、计算机可读存储介质、终端 Active CN108985526B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810956387.6A CN108985526B (zh) 2018-08-21 2018-08-21 运力预测方法及装置、计算机可读存储介质、终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810956387.6A CN108985526B (zh) 2018-08-21 2018-08-21 运力预测方法及装置、计算机可读存储介质、终端

Publications (2)

Publication Number Publication Date
CN108985526A CN108985526A (zh) 2018-12-11
CN108985526B true CN108985526B (zh) 2021-09-14

Family

ID=64553812

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810956387.6A Active CN108985526B (zh) 2018-08-21 2018-08-21 运力预测方法及装置、计算机可读存储介质、终端

Country Status (1)

Country Link
CN (1) CN108985526B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109686093B (zh) * 2019-01-23 2020-10-30 北京航空航天大学 一种基于轨迹分析的交通运力测算方法和装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101620694A (zh) * 2008-07-02 2010-01-06 中冶宝钢技术服务有限公司 物流运输决策支持系统及方法、运输管理系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120323638A1 (en) * 2011-06-18 2012-12-20 International Business Machines Corporation Production system carrier capacity prediction process and tool
EP2975561B1 (en) * 2014-07-14 2023-12-13 Gerrit Böhm Capacity prediction for public transport vehicles
CN105303817B (zh) * 2015-09-16 2019-01-29 北京嘀嘀无限科技发展有限公司 一种出行方式的规划方法及装置
CN106529781A (zh) * 2016-11-02 2017-03-22 合肥飞友网络科技有限公司 一种航线运力评估系统及其工作方法
CN106875225A (zh) * 2017-02-24 2017-06-20 泰康保险集团股份有限公司 用于客户服务的方法及装置
CN107067218A (zh) * 2017-06-08 2017-08-18 北京惠赢天下网络技术有限公司 一种配送商的货物配送方法、系统及终端
CN107403296B (zh) * 2017-06-29 2020-12-01 北京星选科技有限公司 运力配置方法及装置
CN107679746A (zh) * 2017-09-29 2018-02-09 飞友科技有限公司 一种计算航班运力的方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101620694A (zh) * 2008-07-02 2010-01-06 中冶宝钢技术服务有限公司 物流运输决策支持系统及方法、运输管理系统

Also Published As

Publication number Publication date
CN108985526A (zh) 2018-12-11

Similar Documents

Publication Publication Date Title
Wang et al. DeepSD: Supply-demand prediction for online car-hailing services using deep neural networks
CN111860872B (zh) 用于异常检测的系统和方法
WO2021121354A1 (en) Model-based deep reinforcement learning for dynamic pricing in online ride-hailing platform
US11544558B2 (en) Continual learning of artificial intelligence systems based on bi-level optimization
CN111723929A (zh) 一种基于神经网络的数值预报产品订正方法、装置和系统
CN111860989B (zh) 一种基于蚁群算法优化的lstm神经网络短时交通流量预测方法
CN109598566A (zh) 下单预测方法、装置、计算机设备和计算机可读存储介质
WO2023207411A1 (zh) 一种基于时空数据的流量确定方法、装置、设备和介质
Xing et al. A short-term traffic flow prediction method based on kernel extreme learning machine
Brahimi et al. Modelling on car-sharing serial prediction based on machine learning and deep learning
CN108985526B (zh) 运力预测方法及装置、计算机可读存储介质、终端
CN117252307B (zh) 流量预测方法、装置、计算机设备和存储介质
CN114584601A (zh) 用户流失识别及干预方法、系统、终端及介质
CN115293366B (zh) 模型训练方法、信息预测方法、装置、设备及介质
US20230186150A1 (en) Hyperparameter selection using budget-aware bayesian optimization
CN115238789A (zh) 基于改进gru的金融行业另类数据预测方法和系统
CN115905293A (zh) 作业执行引擎的切换方法及装置
CN110837903A (zh) 一种轨道交通短期客流预测方法、系统及电子设备
Han et al. iETA: A Robust and Scalable Incremental Learning Framework for Time-of-Arrival Estimation
CN113743488B (zh) 基于平行车联网的车辆监控方法、装置、设备及存储介质
KR20200112495A (ko) 상권 분석 서비스 제공 서버 및 그 방법
CN116662815B (zh) 时间预测模型的训练方法以及相关设备
US11938943B1 (en) Slice-based dynamic neural networks
CN113643564B (zh) 一种停车数据修复方法、装置、计算机设备以及存储介质
US20220277329A1 (en) Systems and methods for repositioning vehicles in a ride-hailing platform

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
GR01 Patent grant
GR01 Patent grant