CN109214559B - 物流业务的预测方法及装置、可读存储介质 - Google Patents

物流业务的预测方法及装置、可读存储介质 Download PDF

Info

Publication number
CN109214559B
CN109214559B CN201810945240.7A CN201810945240A CN109214559B CN 109214559 B CN109214559 B CN 109214559B CN 201810945240 A CN201810945240 A CN 201810945240A CN 109214559 B CN109214559 B CN 109214559B
Authority
CN
China
Prior art keywords
logistics
historical data
prediction
prediction model
data
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
CN201810945240.7A
Other languages
English (en)
Other versions
CN109214559A (zh
Inventor
金忠孝
丁文博
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 CN201810945240.7A priority Critical patent/CN109214559B/zh
Publication of CN109214559A publication Critical patent/CN109214559A/zh
Application granted granted Critical
Publication of CN109214559B publication Critical patent/CN109214559B/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"
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management

Landscapes

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

Abstract

一种物流业务的预测方法及装置、可读存储介质，所述物流业务的预测装置包括：获取物流业务的第一历史数据；获取共享参数，所述共享参数为物流业务的第二历史数据对应的第二预测模型中的共享参数，所述物流业务的第二历史数据早于所述物流业务的第一历史数据；基于所述物流业务的第一历史数据和所述共享参数，利用机器学习算法生成第一预测模型，所述第一预测模型包括：所述共享参数和所述物流业务的第一历史数据对应的任务参数；基于所述第一预测模型，对物流业务进行预测，并生成预测结果。应用上述方案，可以同时兼顾物流业务预测的效果和效率。

Description

物流业务的预测方法及装置、可读存储介质
技术领域
本发明实施例涉及物流技术领域，尤其涉及一种物流业务的预测方法及 装置、可读存储介质。
背景技术
在物流领域的预测中，越来越多地使用到了机器学习算法。传统的、经 典的机器学习算法通常只考虑一个独立的问题，通过具有一定概率分布特性 的历史数据训练出来的模型解决特定的一个任务。目前的人工智能系统，包 括图像识别、在线翻译等，主要是通过离线训练和在线预测完成的。这种方 法是基于“数据所处的环境是静态的、不发生变化的”这样一种假设，通过 对某个时间段的静态数据进行学习，利用学习得到的模型来预测未来。
在现实中，数据会源源不断地产生，随着时间的推移，新产生的数据和 历史数据的概率分布特性逐渐产生差异。以人为例，一个人面对的社会时刻 发生变化、产生新的数据，知识也因此需要更新，否则会跟不上时代的进步。 机器学习算法也是类似，一个根据历史数据训练出的模型如果不具备在线学 习、持续学习、终身学习的功能，随着时间推移，将无法满足实际应用的需 求。
针对上述问题，目前存在三种解决方案：
1、重新学习方案，将新数据作为训练数据或者将新数据和历史数据共同 作为训练数据，重新训练一个机器学习模型，使其能够学习到新数据和旧数 据上的特征针对新产生的数据。这种方案的优点可以使得训练出的模型在新 数据上的表现能力有所提高，缺点是对旧数据的表现能力不如之前的模型， 即会遗忘旧数据中的一些特征，效果较差。
2、迁移学习方案，对在历史数据上训练出的模型进行微调，用于新数据， 同时旧的模型也不需要删除，根据输入数据的情况选择使用哪种模型进行预 测。这种方案适用于数据之间差异不会特别显著的场景，基于“新旧数据产 生于差别不大的业务场景”的假设。这种方案的优点是不需要太多的新数据 便能训练出一个优秀的新模型，缺点是在模型中没有知识积累的过程，新模 型仍旧会遗忘在旧数据上的特征，并且，新旧数据必须产生于同一业务场景 且共享部分特征，效果较差。
3、模型库方案，该方案可以和上述两种方案结合，每一个通过上面方案 之一训练出的新模型均会被保存在模型库中，模型库能够保存一定数量的模 型。模型库到达保存数量上限后，每有新数据进入，针对新数据训练出的模 型被保存在模型库中，而在新数据上表现最差的模型将被永久删除。这种方 案的优点是能够提供一系列针对不同数据分布训练出的机器学习模型，以应 对不断更新的数据分布，在新数据分布和旧数据分布上都能有不错的表现。 缺点在于需要训练大量的模型，即需要大量的存储空间。以及，在模型库中模型的选取、删除操作上，需要有一定的策略才能取得较好的效果，效率较 差。
综上所述，现有的物流业务预测方法无法同时兼顾效果和效率，即在效 率和效果上都不尽人意。
发明内容
本发明实施例解决的技术问题是如何同时兼顾物流业务预测的效果和效 率。
为解决上述技术问题，本发明实施例提供一种物流业务的预测方法，包 括：获取物流业务的第一历史数据；获取共享参数，所述共享参数为物流业 务的第二历史数据对应的第二预测模型中的共享参数，所述物流业务的第二 历史数据早于所述物流业务的第一历史数据；基于所述物流业务的第一历史 数据和所述共享参数，利用机器学习算法生成第一预测模型，所述第一预测 模型包括：所述共享参数和所述物流业务的第一历史数据对应的任务参数； 基于所述第一预测模型，对物流业务进行预测，并生成预测结果。
可选地，所述获取共享参数包括：获取所述物流业务的第二历史数据； 基于所述物流业务的第二历史数据，利用机器学习算法生成第二预测模型， 所述第二预测模型包括：所述共享参数和所述物流业务的第二历史数据对应 的任务参数；基于所述第二预测模型，获取所述共享参数。
可选地，所述基于所述物流业务的第二历史数据，利用机器学习算法生 成第二预测模型包括：基于所述物流业务的第二历史数据选择Y0和X0，其中X0的发生时间早于Y0；基于X0和预设的函数F0，生成Y0的预测值
Figure BDA0001769322560000031
其中
Figure BDA0001769322560000032
Figure BDA0001769322560000033
θ0为X0对应的任务参数，θs为所述共享参数；基于Y0和
Figure BDA0001769322560000034
利用机器学习算法训练F0，以获取θ0的取值和θs的取值，使得L(
Figure BDA0001769322560000035
Y0)最 小，其中L(
Figure BDA0001769322560000036
Y0)为
Figure BDA0001769322560000037
和Y0之间的均方误差或者平均误差；将训练后的F0作为所述第二预测模型。
可选地，在将训练后的F0作为所述第二预测模型之后，还包括：获取物 流业务的第四历史数据，所述物流业务的第二历史数据早于所述物流业务的 第四历史数据；基于所述物流业务的第四历史数据选择Yn和Xn，其中Xn的发 生时间早于Yn，n为正整数；基于X0、Xn、所述第二预测模型和预设的函数 Fn，生成Y0的预测值
Figure BDA0001769322560000038
Yn的预测值
Figure BDA0001769322560000039
其中
Figure BDA00017693225600000310
Figure BDA00017693225600000311
Figure BDA00017693225600000312
θn为Xn对应的任务参数；基于Y0和
Figure BDA00017693225600000313
Yn和
Figure BDA00017693225600000314
利用机器学 习算法训练Fn，以获取θn的取值并更新θs的取值，使得Loss最小，其中Loss＝L (
Figure BDA00017693225600000315
Y0)+L(
Figure BDA00017693225600000316
Yn)+R(θ0，θn，θs)，R(θ0，θn，θs)为正则项；将 所述第二预测模型更新为训练后的Fn。
可选地，Y0和X0对应第一运输线路；Yn和Xn对应第二运输线路。
可选地，所述机器学习算法为以下至少一种：长连接神经网络算法、卷 积神经网络算法、循环神经网络算法、长短记忆神经网络算法、向量机算法。
可选地，当所述机器学习算法为多种时，还包括：对利用多种机器学习 算法生成的预测结果进行加权处理，生成最终预测结果。
可选地，所述基于所述物流业务的第一历史数据和所述共享参数，利用 机器学习算法生成第二预测模型之前，还包括：对所述物流业务的第一历史 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，所述基于所述物流业务的第一历史数据和所述共享参数，利用 机器学习算法生成第二预测模型之前，还包括：基于时间、地域和运载工具 型号三个维度，对所获取的物流业务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业务的第一历史数据。基 于所述物流业务的第一历史数据和所述共享参数，利用机器学习算法生成第 一预测模型。
可选地，所述基于所述物流业务的第一历史数据和所述共享参数，利用 机器学习算法生成第一预测模型之后，还包括：获取物流业务的第三历史数 据，所述物流业务的第一历史数据早于所述物流业务的第三历史数据；基于 所述物流业务的第三历史数据和所述共享参数，迭代更新所述第一预测模型。
本发明实施例提供一种物流业务的预测装置，包括：第一获取单元，适 于获取物流业务的第一历史数据；第二获取单元，适于获取共享参数，所述 共享参数为物流业务的第二历史数据对应的第二预测模型中的共享参数，所 述物流业务的第二历史数据早于所述物流业务的第一历史数据；第一生成单 元，适于基于所述物流业务的第一历史数据和所述共享参数，利用机器学习 算法生成第一预测模型，所述第一预测模型包括：所述共享参数和所述物流 业务的第一历史数据对应的任务参数；第二生成单元，适于基于所述第一预测模型，对物流业务进行预测，并生成预测结果。
可选地，所述第二获取单元包括：第一获取子单元，适于获取所述物流 业务的第二历史数据；生成子单元，适于基于所述物流业务的第二历史数据， 利用机器学习算法生成第二预测模型，所述第二预测模型包括：所述共享参 数和所述物流业务的第二历史数据对应的任务参数；第二获取子单元，适于 基于所述第二预测模型，获取所述共享参数。
可选地，所述生成子单元包括：第一选择模块，适于基于所述物流业务 的第二历史数据选择Y0和X0，其中X0的发生时间早于Y0；第一处理模块，适 于基于X0和预设的函数F0，生成Y0的预测值
Figure BDA0001769322560000041
其中
Figure BDA0001769322560000042
θ0为X0对应的任务参数，θs为所述共享参数；第二处理模块，适于基于Y0和
Figure BDA0001769322560000043
利用机器学习算法训练F0，以获取θ0的取值和θs的取值，使得L(
Figure BDA0001769322560000044
Y0)最 小，其中L(
Figure BDA0001769322560000045
Y0)为
Figure BDA0001769322560000046
和Y0之间的均方误差或者平均误差；第三处理模块， 适于将训练后的F0作为所述第二预测模型。
可选地，所述物流业务的预测装置还包括：获取模块，适于获取物流业 务的第四历史数据，所述物流业务的第二历史数据早于所述物流业务的第四 历史数据；第二选择模块，适于基于所述物流业务的第四历史数据选择Yn和Xn， 其中Xn的发生时间早于Yn，n为正整数；第四处理模块，适于基于X0、Xn、 所述第二预测模型和预设的函数Fn，生成Y0的预测值
Figure BDA0001769322560000051
Yn的预测值
Figure BDA0001769322560000052
其 中
Figure BDA0001769322560000053
Figure BDA0001769322560000054
θn为Xn对应的任务参数；第 五处理模块，适于基于Y0和
Figure BDA0001769322560000055
Yn和
Figure BDA0001769322560000056
利用机器学习算法训练Fn，以获取θn的 取值并更新θs的取值，使得Loss最小，其中Loss＝L(
Figure BDA0001769322560000057
Y0)+L(
Figure BDA0001769322560000058
Yn) +R(θ0，θn，θs)，R(θ0，θn，θs)为正则项；第六处理模块，适于将所述第 二预测模型更新为训练后的Fn。
可选地，Y0和X0对应第一运输线路；Yn和Xn对应第二运输线路。
可选地，所述机器学习算法为以下至少一种：长连接神经网络算法、卷 积神经网络算法、循环神经网络算法、长短记忆神经网络算法、向量机算法。
可选地，所述物流业务的预测装置还包括：第三生成单元，适于对利用 多种机器学习算法生成的预测结果进行加权处理，生成最终预测结果。
可选地，所述物流业务的预测装置还包括：清洗处理单元，适于对所述 物流业务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，所述物流业务的预测装置还包括：划片处理单元，适于基于时 间、地域和运载工具型号三个维度，对所获取的物流业务的第一历史数据进 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业务 的第一历史数据。
可选地，所述物流业务的预测装置还包括：第三获取单元，适于获取物 流业务的第三历史数据，所述物流业务的第一历史数据早于所述物流业务的 第三历史数据；迭代单元，适于基于所述物流业务的第三历史数据和所述共 享参数，迭代更新所述第一预测模型。
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物流业务的预测方法的步骤。
本发明实施例提供一种物流业务的预测装置，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物流业务的预测方法的步骤。
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：
本发明实施例基于物流业务的第一历史数据和共享参数，生成第一预测 模型，并对物流业务进行预测，可以通过共享参数利用旧数据(第二历史数 据)中的特征信息，对物流业务进行预测。一方面，直接采用共享参数，可 以避免训练大规模的数据，提高物流业务的预测效率；另一方面，采用旧数 据中的特征信息预测物流业务，可以提高物流业务的预测效果。故上述方案 可以同时兼顾物流业务预测的效果和效率。
进一步，基于第一运输线路训练F0，基于第二运输线路训练Fn，可以提 取不同地域中的物流数据特征差异，提高第二预测模型的准确率，从而进一 步提高物流业务的预测效果。
进一步，通过对物流业务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，进一步提高物流业务的预测效果。
进一步，通过对物流业务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，从而提高物流业务的预测效率。
附图说明
图1是本发明实施例提供的一种物流业务的预测方法的流程图；
图2是本发明实施例提供的一种第二预测模型的训练过程的示意图；
图3是本发明实施例提供的一种第二预测模型的更新过程的示意图；
图4是本发明实施例提供的一种物流业务的预测装置的结构示意图。
具体实施方式
现有的物流业务预测方法中，重新学习方案虽然可以使得训练出的模型 在新数据上的表现能力有所提高，但是对旧数据的表现能力不如之前的模型， 即会遗忘旧数据中的一些特征，效果较差；迁移学习方案不需要太多的新数 据便能训练出一个优秀的新模型，但是在模型中没有知识积累的过程，新模 型仍旧会遗忘在旧数据上的特征，并且，新旧数据必须产生于同一业务场景 且共享部分特征，效果较差；模型库方案虽然在新数据分布和旧数据分布上 都能有不错的表现，但是需要训练大量的模型，效率较差。故现有的物流业 务预测方法无法同时兼顾效果和效率。
本发明实施例基于物流业务的第一历史数据和共享参数，生成第一预测 模型，并对物流业务进行预测，可以通过共享参数利用旧数据(第二历史数 据)中的特征信息，对物流业务进行预测。一方面，直接采用共享参数，可 以避免训练大规模的数据，提高物流业务的预测效率；另一方面，采用旧数 据中的特征信息预测物流业务，可以提高物流业务的预测效果。故上述方案 可以同时兼顾物流业务预测的效果和效率。
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业务的预测方法，可以包括如下 步骤；
步骤S101，获取物流业务的第一历史数据。
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物流订单数据。
在具体实施中，所述物流业务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，为了提高物流业务预测的准确度，可以在基于所述物流 业务的第一历史数据和所述共享参数，利用机器学习算法生成第一预测模型 之前，首先对所述物流业务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，避免订单数据异常影响物流业务预测的准确度。
通过对物流业务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，提高物流业务预测的准确度。
在具体实施中，为了提高物流业务预测的效率，可以在基于所述物流业 务的第一历史数据和所述共享参数，利用机器学习算法生成第一预测模型之 前，首先对所述物流业务的第一历史数据进行切片处理。
在本发明一实施例中，所述基于所述物流业务的第一历史数据和所述共 享参数，利用机器学习算法生成第二预测模型之前，还包括：基于时间、地 域和运载工具型号三个维度，对所获取的物流业务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业务的第一历 史数据。
通过对物流业务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，从而提高物流业务的预测效率。
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 作为历史的训练数据。
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，获取共享参数，所述共享参数为物流业务的第二历史数据对 应的第二预测模型中的共享参数，所述物流业务的第二历史数据早于所述物 流业务的第一历史数据。
在具体实施中，为了保证物流业务的训练效率，用于训练的物流业务的 第一历史数据有限，而为了提高物流业务的训练效果，需要提取大量物流业 务的历史数据的特征，故引入了共享参数，所述共享参数为物流业务的第二 历史数据对应的第二预测模型中的共享参数。
在具体实施中，所述物流业务的第二历史数据可以为早于所述物流业务 的第一历史数据的历史数据。例如，所述物流业务的第一历史数据为2018年 的历史订单数据，所述物流业务的第二历史数据为2016年～2017年的历史订 单数据。
在具体实施中，可以训练所述物流业务的第二历史数据，获取所述共享 参数，并将所述共享参数用于物流业务的预测过程中。即使所述物流业务的 第一历史数据与所述物流业务的第二历史数据不尽相同，所述物流业务的第 二历史数据、所述共享参数也可以为物流业务的预测带来新的启发，可以提 高物流业务的预测效果，即提高物流业务的预测准确率。
在本发明一实施例中，所述获取共享参数包括：获取所述物流业务的第 二历史数据；基于所述物流业务的第二历史数据，利用机器学习算法生成第 二预测模型，所述第二预测模型包括：所述共享参数和所述物流业务的第二 历史数据对应的任务参数；基于所述第二预测模型，获取所述共享参数。
在具体实施中，在基于所述物流业务的第二历史数据，利用机器学习算 法生成第二预测模型之前，也可以采用步骤S101中描述的清洗处理方法和切 片处理方法对所述物流业务的第二历史数据进行处理，此处不再赘述。
在本发明一实施例中，所述基于所述物流业务的第二历史数据，利用机 器学习算法生成第一预测模型包括：基于所述物流业务的第二历史数据选择 Y0和X0，其中X0的发生时间早于Y0；基于X0和预设的函数F0，生成Y0的预测 值
Figure BDA0001769322560000091
其中
Figure BDA0001769322560000092
θ0为X0对应的任务参数，θs为所述共享参 数；基于Y0和
Figure BDA0001769322560000093
利用机器学习算法训练F0，以获取θ0的取值和θs的取值， 使得L(
Figure BDA0001769322560000094
Y0)最小，其中L(
Figure BDA0001769322560000095
Y0)为
Figure BDA0001769322560000096
和Y0之间的均方误差或者平均误 差；将训练后的F0作为所述第二预测模型。
在具体实施中，随着物流订单的新数据源源不断地被生产出来，在积累 一定数量的新数据后，可以基于新的历史数据迭代更新所述第二预测模型。 在迭代更新所述第二预测模型时，任务参数θ0可以使用上一个任务保留的值， 不再训练，仅需要训练新数据对应的任务参数θn的取值和共享参数θs的取值。
在本发明一实施例中，在将训练后的F0作为所述第二预测模型之后，还 包括：获取物流业务的第四历史数据，所述物流业务的第二历史数据早于所 述物流业务的第四历史数据；基于所述物流业务的第四历史数据选择Yn和Xn， 其中Xn的发生时间早于Yn，n为正整数；基于X0、Xn、所述第二预测模型和 预设的函数Fn，生成Y0的预测值
Figure BDA0001769322560000101
Yn的预测值
Figure BDA0001769322560000102
其中
Figure BDA0001769322560000103
Figure BDA0001769322560000104
Figure BDA0001769322560000105
θn为Xn对应的任务参数；基于Y0和
Figure BDA0001769322560000106
Yn和
Figure BDA0001769322560000107
利用机器 学习算法训练Fn，以获取θn的取值并更新θs的取值，使得Loss最小，其中Loss＝L(
Figure BDA0001769322560000108
Y0)+L(
Figure BDA0001769322560000109
Yn)+R(θ0，θn，θs)，R(θ0，θn，θs)为正则 项；将所述第二预测模型更新为训练后的Fn。
可以理解的是，随时物流业务数据的不断产生，可以基于新产生的历史 数据，重复执行上述更新所述第二预测模型的实施例，迭代更新多次所述第 二预测模型，此处不再赘述。
在具体实施中，由于物流业务受消费者消费习惯、促销活动等因素影响， 有一定的地域差别。出发地和目的地的不同，会导致物流业务的走势不同， 故可以基于第一运输线路训练F0，基于第二运输线路训练Fn。
在本发明一实施例中，Y0和X0对应第一运输线路；Yn和Xn对应第二运输 线路。
基于第一运输线路训练F0，基于第二运输线路训练Fn可以提取不同地域 的物流数据特征差异，提高第二预测模型的准确率，从而进一步提高物流业 务的预测效果。
在具体实施中，虽然不同出发地和目的地的物流订单走势存在差异，但 是也存在一些共性，例如产品的销售总体情况一致。
在具体实施中，所述机器学习算法可以为：长连接神经网络算法、卷积 神经网络算法、循环神经网络算法、长短记忆神经网络算法、向量机算法中 的一种或者几种。
步骤S103，基于所述物流业务的第一历史数据和所述共享参数，利用机 器学习算法生成第一预测模型，所述第一预测模型包括：所述共享参数和所 述物流业务的第一历史数据对应的任务参数。
在具体实施中，所述生成第一预测模型可以包括：基于所述物流业务的 第一历史数据和所述共享参数的取值，利用机器学习算法对预设的第一预测 模型进行训练，获取所述第一预测模型对应的任务参数的取值。
在具体实施中，所述机器学习算法可以为：长连接神经网络算法、卷积 神经网络算法、循环神经网络算法、长短记忆神经网络算法、向量机算法中 的一种或者几种。
在具体实施中，基于所述物流业务的第一历史数据和所述共享参数，利 用机器学习算法生成第一预测模型之后，还可以通过实时采集的历史数据， 对所述第一预测模型进行迭代更新，以获取最新的数据特征。
例如，所述第一预测模型的生成系统可以包括：初始模型模块、数据更 新模块、模型更新模块，其中：所述初始模型模块为基于所述物流业务的第 一历史数据训练生成的第一预测模型；所述数据更新模块用于收集和存储源 源不断产生的新的物流业务历史数据，并提供给所述模型更新模块作为训练 数据；所述模型更新模块基于所述第一预测模型，用新产生的物流业务历史 数据进行训练，并将所述第一预测模型更新为训练完成的模型。
步骤S104，基于所述第一预测模型，对物流业务进行预测，并生成预测 结果。
在具体实施中，当所述机器学习算法为多种时，可以对利用多种机器学 习算法生成的预测结果进行加权求和，生成最终预测结果。
在具体实施中，所述第一预测模型可以为终身学习模型，当业务发生了 一定的改变，旧的历史数据不能作为训练数据用于训练机器学习模型，可以 获取新的历史数据进行清洗，然后利用机器学习算法对所述第一预测模型模 型进行更新训练。在所述第一预测模型的训练过程中，虽然历史数据，即业 务形态发生了变化，但是共享参数取值可保持不变，即历史的学习经验也能 部分适用于新的业务形态，新的任务参数则会根据需要重新训练。
在本发明一实施例中，基于所述物流业务的第一历史数据和所述共享参 数，利用机器学习算法生成第一预测模型之后，还包括：获取物流业务的第 三历史数据，所述物流业务的第一历史数据早于所述物流业务的第三历史数 据；基于所述物流业务的第三历史数据和所述共享参数，迭代更新所述第一 预测模型。
可以理解的是，步骤S101和步骤S102仅用来区分不同的执行步骤，并 不代表执行的先后顺序，既可以先执行步骤S101，后执行步骤S102，也可以 先执行步骤S102，后执行步骤S101，还可以同时执行步骤S101和步骤S102。
应用上述方案，基于物流业务的第一历史数据和共享参数，生成第一预 测模型，并对物流业务进行预测，可以通过共享参数利用旧数据(第二历史 数据)中的特征信息，对物流业务进行预测。一方面，直接采用共享参数， 可以避免训练大规模的数据，提高物流业务的预测效率；另一方面，采用旧 数据中的特征信息预测物流业务，可以提高物流业务的预测效果。故上述方 案可以同时兼顾物流业务预测的效果和效率。
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 一种第二预测模型的产生过程的示意图，如图2所示。
参见图2，第二预测模型的产生过程可以包括：首先获取物流业务的第二 历史数据，然后对物流业务的第二历史数据进行清洗，并基于清洗后的物流 业务的第二历史数据训练所述第二预测模型20。所述第二预测模型20包括： 共享参数θs和任务参数θ0、任务参数θ1、…、任务参数θm。
在具体实施中，可以同时训练共享参数的取值和任务参数的取值。
在训练过程中，可以将物流业务的第二历史数据划分为m个任务，每个 任务对应一组训练数据和期望数据，基于每个任务的训练数据和预设的第二 预测模型，生成预测结果，即任务1预测结果、任务2预测结果、……、任 务m预测结果，通过每个任务对应的预测结果和期望数据，训练获取共享参 数θs的取值和任务参数θ0、任务参数θ1、…、任务参数θm的取值。
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 一种第二预测模型的更新过程的示意图，如图3所示。
当通过图2所示的方法，基于物流业务的第二历史数据，训练获取第二 预测模型之后，随着物流订单的新数据源源不断地被生产出来，在积累一定 数量的新数据后，可以基于新的数据迭代更新第二预测模型。参见图3，第二 预测模型的更新过程可以包括：首先获取物流业务的第四历史数据，所述物 流业务的第二历史数据早于所述物流业务的第四历史数据，然后对物流业务 的第四历史数据进行清洗，并基于清洗后的物流业务的第四历史数据更新第 二预测模型。第二预测模型30包括：共享参数θs和任务参数θ0、任务参数θ1、…、 任务参数θm、任务参数θn。
在迭代更新第二预测模型时，任务参数θ0、任务参数θ1、…、任务参数θm可 以为之前保留的值，不再训练，仅需要训练新的任务参数θn的取值和共享参 数θs的取值。
在训练过程中，可以基于物流业务的第四历史数据生成任务n的训练数 据和任务n的期望数据，基于任务n的训练数据和第二预测模型，生成任务n 预测结果，通过任务n预测结果和任务n的期望数据，训练获取共享参数θs的 取值、任务参数θn的取值。
应用上述方案，利用基于历史数据训练的机器学习模型中学到的知识， 并将之用在新任务、新数据对应的机器学习模型训练过程中。即使新任务、 新数据与旧任务、旧数据不尽相同，旧任务、旧数据也能够给新任务、新数 据的学习带来新的启发。与此同时，由于共享参数可以共享，故新任务、新 数据的引入不会大幅改变模型对旧任务、旧数据的知识，甚至能够一定程度 上改善模型在旧任务、旧数据上的性能。在物流预测上取得了较好的结果， 不仅能让机器学习模型随着任务、数据的变化自我学习、更新；更提升了在 新任务、新数据上的预测精度。
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 一种能够实现上述物流业务的预测方法的装置，如图4所示。
参见图4，所述物流业务的预测装置40包括：第一获取单元41、第二获 取单元42、第一生成单元43和第二生成单元44，其中：
所述第一获取单元41，适于获取物流业务的第一历史数据。
所述第二获取单元42，适于获取共享参数，所述共享参数为物流业务的 第二历史数据对应的第二预测模型中的共享参数，所述物流业务的第二历史 数据早于所述物流业务的第一历史数据。
所述第一生成单元43，适于基于所述物流业务的第一历史数据和所述共 享参数，利用机器学习算法生成第一预测模型，所述第一预测模型包括：所 述共享参数和所述物流业务的第一历史数据对应的任务参数。
所述第二生成单元44，适于基于所述第一预测模型，对物流业务进行预 测，并生成预测结果。
在本发明一实施例中，所述第二获取单元42包括：第一获取子单元(未 示出)、生成子单元(未示出)和第二获取子单元(未示出)，其中：
所述第一获取子单元，适于获取所述物流业务的第二历史数据。
所述生成子单元，适于基于所述物流业务的第二历史数据，利用机器学 习算法生成第二预测模型，所述第二预测模型包括：所述共享参数和所述物 流业务的第二历史数据对应的任务参数。
所述第二获取子单元，适于基于所述第二预测模型，获取所述共享参数。
在本发明一实施例中，所述生成子单元包括：第一选择模块(未示出)、 第一处理模块(未示出)、第二处理模块(未示出)和第三处理模块(未示出)， 其中：
所述第一选择模块，适于基于所述物流业务的第二历史数据选择Y0和X0， 其中X0的发生时间早于Y0。
所述第一处理模块，适于基于X0和预设的函数F0，生成Y0的预测值
Figure BDA0001769322560000141
其中
Figure BDA0001769322560000142
θ0为X0对应的任务参数，θs为所述共享参数。
所述第二处理模块，适于基于Y0和
Figure BDA0001769322560000143
利用机器学习算法训练F0，以获 取θ0的取值和θs的取值，使得L(
Figure BDA0001769322560000144
Y0)最小，其中L(
Figure BDA0001769322560000145
Y0)为
Figure BDA0001769322560000146
和Y0之 间的均方误差或者平均误差。
所述第三处理模块，适于将训练后的F0作为所述第二预测模型。
在具体实施中，所述物流业务的预测装置40还包括：第二选择模块(未 示出)、第四处理模块(未示出)、第五处理模块(未示出)和第六处理模块 (未示出)，其中：
所述获取模块，适于获取物流业务的第四历史数据，所述物流业务的第 二历史数据早于所述物流业务的第四历史数据。
所述第二选择模块，适于基于所述物流业务的第四历史数据选择Yn和Xn， 其中Xn的发生时间早于Yn，n为正整数。
所述第四处理模块，适于基于X0、Xn、所述第二预测模型和预设的函数 Fn，生成Y0的预测值
Figure BDA0001769322560000151
Yn的预测值
Figure BDA0001769322560000152
其中
Figure BDA0001769322560000153
Figure BDA0001769322560000154
Figure BDA0001769322560000155
θn为Xn对应的任务参数。
所述第五处理模块，适于基于Y0和
Figure BDA0001769322560000156
Yn和
Figure BDA0001769322560000157
利用机器学习算法训练 Fn，以获取θn的取值并更新θs的取值，使得Loss最小，其中Loss＝L(
Figure BDA0001769322560000158
Y0) +L(
Figure BDA0001769322560000159
Yn)+R(θ0，θn，θs)，R(θ0，θn，θs)为正则项。
所述第六处理模块，适于将所述第二预测模型更新为训练后的Fn。
在本发明一实施例中，Y0和X0对应第一运输线路；Yn和Xn对应第二运输 线路。
在具体实施中，所述机器学习算法为以下至少一种：长连接神经网络算 法、卷积神经网络算法、循环神经网络算法、长短记忆神经网络算法、向量 机算法。
在本发明一实施例中，所述物流业务的预测装置40还包括：第三生成单 元(未示出)，适于对利用多种机器学习算法生成的预测结果进行加权处理， 生成最终预测结果。
在本发明一实施例中，所述物流业务的预测装置40还包括：清洗处理单 元(未示出)，适于对所述物流业务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，所述物流业务的预测装置40还包括：划片处理单 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 流业务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业务的第一历史数据。
在具体实施中，所述物流业务的预测装置40还包括：第三获取单元(未 示出)和迭代单元(未示出)，其中：
所述第三获取单元，适于获取物流业务的第三历史数据，所述物流业务 的第一历史数据早于所述物流业务的第三历史数据。
所述迭代单元，适于基于所述物流业务的第三历史数据和所述共享参数， 迭代更新所述第一预测模型。
在具体实施中，所述物流业务的预测装置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业务的预测装置，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 (18)

1.一种物流业务的预测方法，其特征在于，包括：
获取物流业务的第一历史数据；
获取共享参数，所述共享参数为物流业务的第二历史数据对应的第二预测模型中的共享参数，所述物流业务的第二历史数据早于所述物流业务的第一历史数据；
基于所述物流业务的第一历史数据和所述共享参数，利用机器学习算法生成第一预测模型，所述第一预测模型包括：所述共享参数和所述物流业务的第一历史数据对应的任务参数；
基于所述第一预测模型，对物流业务进行预测，并生成预测结果；
其中，所述获取共享参数包括：
获取所述物流业务的第二历史数据；
基于所述物流业务的第二历史数据，利用机器学习算法生成第二预测模型，所述第二预测模型包括：所述共享参数和所述物流业务的第二历史数据对应的任务参数；
基于所述第二预测模型，获取所述共享参数；
其中，所述基于所述物流业务的第二历史数据，利用机器学习算法生成第二预测模型包括：
基于所述物流业务的第二历史数据选择Y0和X0，其中X0的发生时间早于Y0；
基于X0和预设的函数F0，生成Y0的预测值
Figure FDA0003009578570000011
其中
Figure FDA0003009578570000012
θ0为X0对应的任务参数，θs为所述共享参数；
基于Y0和
Figure FDA0003009578570000013
利用机器学习算法训练F0，以获取θ0的取值和θs的取值，使得
Figure FDA0003009578570000014
最小，其中
Figure FDA0003009578570000015
为
Figure FDA0003009578570000016
和Y0之间的均方误差或者平均误差；
将训练后的F0作为所述第二预测模型。
2.根据权利要求1所述的物流业务的预测方法，其特征在于，在将训练后的F0作为所述第二预测模型之后，还包括：
获取物流业务的第四历史数据，所述物流业务的第二历史数据早于所述物流业务的第四历史数据；
基于所述物流业务的第四历史数据选择Yn和Xn，其中Xn的发生时间早于Yn，n为正整数；
基于X0、Xn、所述第二预测模型和预设的函数Fn，生成Y0的预测值
Figure FDA0003009578570000021
Yn的预测值
Figure FDA0003009578570000022
其中
Figure FDA0003009578570000023
Figure FDA0003009578570000024
θn为Xn对应的任务参数；
基于Y0和
Figure FDA0003009578570000025
Yn和
Figure FDA0003009578570000026
利用机器学习算法训练Fn，以获取θn的取值并更新θs的取值，使得Loss最小，其中
Figure FDA0003009578570000027
Figure FDA0003009578570000028
R(θ0，θn，θs)为正则项；
将所述第二预测模型更新为训练后的Fn。
3.根据权利要求2所述的物流业务的预测方法，其特征在于，Y0和X0对应第一运输线路；Yn和Xn对应第二运输线路。
4.根据权利要求1至3任一项所述的物流业务的预测方法，其特征在于，所述机器学习算法为以下至少一种：
长连接神经网络算法、卷积神经网络算法、循环神经网络算法、长短记忆神经网络算法、向量机算法。
5.根据权利要求4所述的物流业务的预测方法，其特征在于，当所述机器学习算法为多种时，还包括：
对利用多种机器学习算法生成的预测结果进行加权处理，生成最终预测结果。
6.根据权利要求1所述的物流业务的预测方法，其特征在于，所述基于所述物流业务的第一历史数据和所述共享参数，利用机器学习算法生成第二预测模型之前，还包括：
对所述物流业务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。
7.根据权利要求1所述的物流业务的预测方法，其特征在于，所述基于所述物流业务的第一历史数据和所述共享参数，利用机器学习算法生成第二预测模型之前，还包括：
基于时间、地域和运载工具型号三个维度，对所获取的物流业务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业务的第一历史数据；
基于所述物流业务的第一历史数据和所述共享参数，利用机器学习算法生成第一预测模型。
8.根据权利要求1所述的物流业务的预测方法，其特征在于，所述基于所述物流业务的第一历史数据和所述共享参数，利用机器学习算法生成第一预测模型之后，还包括：
获取物流业务的第三历史数据，所述物流业务的第一历史数据早于所述物流业务的第三历史数据；
基于所述物流业务的第三历史数据和所述共享参数，迭代更新所述第一预测模型。
9.一种物流业务的预测装置，其特征在于，包括：
第一获取单元，适于获取物流业务的第一历史数据；
第二获取单元，适于获取共享参数，所述共享参数为物流业务的第二历史数据对应的第二预测模型中的共享参数，所述物流业务的第二历史数据早于所述物流业务的第一历史数据；
第一生成单元，适于基于所述物流业务的第一历史数据和所述共享参数，利用机器学习算法生成第一预测模型，所述第一预测模型包括：所述共享参数和所述物流业务的第一历史数据对应的任务参数；
第二生成单元，适于基于所述第一预测模型，对物流业务进行预测，并生成预测结果；
其中，所述第二获取单元包括：
第一获取子单元，适于获取所述物流业务的第二历史数据；
生成子单元，适于基于所述物流业务的第二历史数据，利用机器学习算法生成第二预测模型，所述第二预测模型包括：所述共享参数和所述物流业务的第二历史数据对应的任务参数；
第二获取子单元，适于基于所述第二预测模型，获取所述共享参数；
其中，所述生成子单元包括：
第一选择模块，适于基于所述物流业务的第二历史数据选择Y0和X0，其中X0的发生时间早于Y0；
第一处理模块，适于基于X0和预设的函数F0，生成Y0的预测值
Figure FDA0003009578570000041
其中
Figure FDA0003009578570000042
Figure FDA0003009578570000043
θ0为X0对应的任务参数，θs为所述共享参数；
第二处理模块，适于基于Y0和
Figure FDA0003009578570000044
利用机器学习算法训练F0，以获取θ0的取值和θs的取值，使得
Figure FDA0003009578570000045
最小，其中
Figure FDA0003009578570000046
为
Figure FDA0003009578570000047
和Y0之间的均方误差或者平均误差；
第三处理模块，适于将训练后的F0作为所述第二预测模型。
10.根据权利要求9所述的物流业务的预测装置，其特征在于，还包括：
获取模块，适于获取物流业务的第四历史数据，所述物流业务的第二历史数据早于所述物流业务的第四历史数据；
第二选择模块，适于基于所述物流业务的第四历史数据选择Yn和Xn，其中Xn的发生时间早于Yn，n为正整数；
第四处理模块，适于基于X0、Xn、所述第二预测模型和预设的函数Fn，生成Y0的预测值
Figure FDA0003009578570000048
Yn的预测值
Figure FDA0003009578570000049
其中
Figure FDA00030095785700000410
Figure FDA00030095785700000411
θn为Xn对应的任务参数；
第五处理模块，适于基于Y0和
Figure FDA00030095785700000412
Yn和
Figure FDA00030095785700000413
利用机器学习算法训练Fn，以获取θn的取值并更新θs的取值，使得Loss最小，其中
Figure FDA00030095785700000414
Figure FDA00030095785700000415
R(θ0，θn，θs)为正则项；
第六处理模块，适于将所述第二预测模型更新为训练后的Fn。
11.根据权利要求10所述的物流业务的预测装置，其特征在于，Y0和X0对应第一运输线路；Yn和Xn对应第二运输线路。
12.根据权利要求9至11任一项所述的物流业务的预测装置，其特征在于，所述机器学习算法为以下至少一种：
长连接神经网络算法、卷积神经网络算法、循环神经网络算法、长短记忆神经网络算法、向量机算法。
13.根据权利要求12所述的物流业务的预测装置，其特征在于，还包括：
第三生成单元，适于对利用多种机器学习算法生成的预测结果进行加权处理，生成最终预测结果。
14.根据权利要求9所述的物流业务的预测装置，其特征在于，还包括：
清洗处理单元，适于对所述物流业务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。
15.根据权利要求9所述的物流业务的预测装置，其特征在于，还包括：
划片处理单元，适于基于时间、地域和运载工具型号三个维度，对所获取的物流业务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业务的第一历史数据。
16.根据权利要求9所述的物流业务的预测装置，其特征在于，还包括：
第三获取单元，适于获取物流业务的第三历史数据，所述物流业务的第一历史数据早于所述物流业务的第三历史数据；
迭代单元，适于基于所述物流业务的第三历史数据和所述共享参数，迭代更新所述第一预测模型。
17.一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8中任一项所述方法的步骤。
18.一种物流业务的预测装置，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8中任一项所述方法的步骤。
CN201810945240.7A 2018-08-17 2018-08-17 物流业务的预测方法及装置、可读存储介质 Active CN109214559B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810945240.7A CN109214559B (zh) 2018-08-17 2018-08-17 物流业务的预测方法及装置、可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810945240.7A CN109214559B (zh) 2018-08-17 2018-08-17 物流业务的预测方法及装置、可读存储介质

Publications (2)

Publication Number Publication Date
CN109214559A CN109214559A (zh) 2019-01-15
CN109214559B true CN109214559B (zh) 2021-05-25

Family

ID=64988700

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810945240.7A Active CN109214559B (zh) 2018-08-17 2018-08-17 物流业务的预测方法及装置、可读存储介质

Country Status (1)

Country Link
CN (1) CN109214559B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934233B (zh) * 2019-03-11 2021-04-16 北京经纬恒润科技股份有限公司 一种运输业务识别方法和系统
CN110097211B (zh) * 2019-03-27 2022-06-17 跨越速运集团有限公司 基于蒙特卡洛组合的物流业务预测方法及系统
CN109993374B (zh) * 2019-04-15 2021-01-05 成都四方伟业软件股份有限公司 货物量预测方法及装置
CN110110931A (zh) * 2019-05-09 2019-08-09 上汽安吉物流股份有限公司 订单预测方法和装置、物流系统及计算机可读介质
CN110309947A (zh) * 2019-05-09 2019-10-08 上汽安吉物流股份有限公司 整车物流订单预测方法及装置、物流系统以及计算机可读介质
CN112884388B (zh) * 2019-11-29 2023-06-09 顺丰科技有限公司 管理策略生成模型的训练方法、装置以及设备
JP2021157654A (ja) * 2020-03-27 2021-10-07 Ｋｙｂ株式会社 機械学習装置、学習モデルの生成方法及びプログラム

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105976153A (zh) * 2016-06-20 2016-09-28 中联物流（中国）有限公司 物流管理系统的发车数据预测方法
CN107146015A (zh) * 2017-05-02 2017-09-08 联想(北京)有限公司 多变量时间序列预测方法和系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10324705B2 (en) * 2016-03-09 2019-06-18 ScoreData Corporation System and method for run-time update of predictive analytics system

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105976153A (zh) * 2016-06-20 2016-09-28 中联物流（中国）有限公司 物流管理系统的发车数据预测方法
CN107146015A (zh) * 2017-05-02 2017-09-08 联想(北京)有限公司 多变量时间序列预测方法和系统

Also Published As

Publication number Publication date
CN109214559A (zh) 2019-01-15

Similar Documents

Publication Publication Date Title
CN109214559B (zh) 物流业务的预测方法及装置、可读存储介质
Han et al. Research on adaptive job shop scheduling problems based on dueling double DQN
US11281969B1 (en) Artificial intelligence system combining state space models and neural networks for time series forecasting
CN113099729B (zh) 生产调度的深度强化学习
CN108564326B (zh) 订单的预测方法及装置、计算机可读介质、物流系统
Wang et al. Learning scheduling policies for multi-robot coordination with graph attention networks
Lin et al. An efficient deep reinforcement learning model for urban traffic control
Masmoudi et al. Project scheduling under uncertainty using fuzzy modelling and solving techniques
EP4383136A2 (en) Population based training of neural networks
CN111033535A (zh) 用于乘车订单调度的系统和方法
CN108960537B (zh) 物流订单的预测方法及装置、可读介质
Dibangoye et al. Learning to act in decentralized partially observable MDPs
CN113287124A (zh) 用于搭乘订单派遣的系统和方法
Hildebrandt et al. Supervised learning for arrival time estimations in restaurant meal delivery
CN115066694A (zh) 计算图优化
JP2021108121A (ja) 様々な空間解像度および時間解像度の予報を組み合わせる方法、装置、及び、プログラム
WO2021105313A1 (en) Parallelised training of machine learning models
CN114925849A (zh) 一种图数据上的联邦学习优化方法
CN116662815B (zh) 时间预测模型的训练方法以及相关设备
CN112514352A (zh) 更新调度规则的方法、设备、系统、存储介质和终端
EP4246375A1 (en) Model processing method and related device
JP2022172503A (ja) 衛星観測計画立案システム、衛星観測計画立案方法、および衛星観測計画立案プログラム
Viktorin et al. Multi-Chaotic Differential Evolution For Vehicle Routing Problem With Profits.
Kurmankhojayev et al. Road traffic demand estimation and traffic signal control
Saha et al. Learning time-series data of industrial design optimization using recurrent neural networks

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