CN109784524A - 件量预测方法及装置、设备和存储介质 - Google Patents
件量预测方法及装置、设备和存储介质 Download PDFInfo
- Publication number
- CN109784524A CN109784524A CN201711112594.5A CN201711112594A CN109784524A CN 109784524 A CN109784524 A CN 109784524A CN 201711112594 A CN201711112594 A CN 201711112594A CN 109784524 A CN109784524 A CN 109784524A
- Authority
- CN
- China
- Prior art keywords
- part amount
- amount information
- predicted
- day
- incomplete statistics
- 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.)
- Granted
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种件量预测方法及装置、设备和存储介质,该方法包括:获取历史日期的真实件量信息和不完全统计件量信息,以及待预测日的不完全统计件量信息;其中,不完全统计件量信息通过定时统计基于快件的路由信息所预测的派送日期生成;根据历史日期的真实件量信息和不完全统计件量信息、待预测日的不完全统计件量信息建立件量预测模型,得到件量预测结果并输出。本发明通过利用基于快件路由信息生成的不完全统计件量信息,结合真实件量进行数据分析和建模预测,提升了短期件量预测的准确性。
Description
技术领域
本申请涉及快递技术领域,具体涉及一种件量预测方法及装置、设备和存储介质。
背景技术
当前快递行业主流的件量预测方法通常是根据历史真实件量进行预测,例如对根据历史真实件量进行同比增长或环比增长等方式进行预测。该类方法主要关注件量变化的趋势与周期,对于节假日、促销节日(例如双十一、双十二等)等外生冲击事件发生日的预测存在较大误差。
此外,当前快递行业对于快件路由信息的采集越来越及时,信息完整性、时效性也不断提升,但当前的件量预测方法没有利用该信息来提升短期件量预测的准确性,尤其是次日件量预测的准确性。
发明内容
鉴于现有技术中的上述缺陷或不足,期望提供一种利用快件路由信息提升的件量预测方法及装置、设备和存储介质。
第一方面,本发明提供一种件量预测方法,包括:
获取历史日期的真实件量信息和不完全统计件量信息,以及待预测日的不完全统计件量信息;其中,不完全统计件量信息通过定时统计基于快件的路由信息所预测的派送日期生成;
根据历史日期的真实件量信息和不完全统计件量信息、待预测日的不完全统计件量信息建立件量预测模型,得到件量预测结果并输出。
第二方面,本发明提供一种件量预测装置,包括获取单元和预测单元。
获取单元配置用于获取历史日期的真实件量信息和不完全统计件量信息,以及待预测日的不完全统计件量信息;其中,不完全统计件量信息通过定时统计基于快件的路由信息所预测的派送日期生成;
预测单元配置用于根据历史日期的真实件量信息和不完全统计件量信息、待预测日的不完全统计件量信息建立件量预测模型,得到件量预测结果并输出。
第三方面,本发明还提供一种设备,包括一个或多个处理器和存储器,其中存储器包含可由该一个或多个处理器执行的指令以使得该一个或多个处理器执行根据本发明各实施例提供的件量预测方法。
第四方面,本发明还提供一种存储有计算机程序的计算机可读存储介质,该计算机程序使计算机执行根据本发明各实施例提供的件量预测方法。
本发明诸多实施例提供的件量预测方法及装置、设备和存储介质通过利用基于快件路由信息生成的不完全统计件量信息,结合真实件量进行数据分析和建模预测,提升了短期件量预测的准确性;
本发明一些实施例提供的件量预测方法及装置、设备和存储介质进一步通过对模型筛选出的相似历史日期进行过滤筛选,进一步提升预测的准确性;
本发明一些实施例提供的件量预测方法及装置、设备和存储介质进一步通过选取不完全统计件量增速较高的时段进行分析预测,避免增速较低时段数据影响预测的准确性,进一步提升预测的准确性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1为本发明一实施例提供的一种件量预测方法的流程图。
图2为某营业部某日的不完全统计件量信息节选示意图。
图3为图1所示方法的一种优选实施方式中步骤S50的流程图。
图4为图3所示步骤S50的一种优选实施方式的流程图。
图5为图1所示方法的一种优选实施方式的流程图。
图6为图1所示方法的一种优选实施方式的流程图。
图7为本发明一实施例提供的一种件量预测装置的结构示意图。
图8为图7所示装置的一种优选实施方式的结构示意图。
图9为图7所示装置的一种优选实施方式的结构示意图。
图10为本发明一实施例提供的一种设备的结构示意图。
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。
图1为本发明一实施例提供的件量预测方法的流程图。
如图1所示,在本实施例中,本发明提供的件量预测方法包括:
S30:获取历史日期的真实件量信息和不完全统计件量信息,以及待预测日的不完全统计件量信息;其中,不完全统计件量信息通过定时统计基于快件的路由信息所预测的派送日期生成;
S50:根据历史日期的真实件量信息和不完全统计件量信息、待预测日的不完全统计件量信息建立件量预测模型,得到件量预测结果并输出。
具体地,在本实施例中,待预测日为当前日期的次日,在更多实施例中,还可根据实际需求将待预测日配置为当前日期起的第三日或第四日等。
在步骤S30中,某营业部某日的真实件量信息即该营业部在该日实际派送的快件数量,例如,营业部755A在2017年8月6日的真实件量信息为4025件。
某营业部某日的不完全统计件量信息即该营业部根据各快件的路由信息统计得到的预计将于该日派送的不完全统计件量的时间序列。图2为某营业部某日的不完全统计件量信息节选示意图。如图2所示,营业部755A在2017年8月5日11时(6日0点减去13小时)统计得到对于8月6日的不完全统计件量为415件,在8月5日12时统计得到为462件,……,在8月6日0时统计得到为1420件,……,在8月6日2时统计得到为1426件。
因此,只要历史日期和待预测日的各快件的路由信息完整,即可获取到历史日期的不完全统计件量信息,以及待预测日的不完全统计件量信息。
通过对不同历史日期的真实件量信息相似性和不完全统计件量信息相似性进行分析,申请人发现两者之间存在非常高的关联性,即对于不完全统计件量信息相似性高的日期,其真实件量信息较为接近;而对于不完全统计件量信息相似性低的日期,其真实件量信息差距较大。因此,可以通过比较历史日期与待预测日的不完全统计件量信息相似性,对待预测日的真实件量作出准确性较高的预测。
在本实施例中,真实件量信息和不完全统计件量信息以营业部(包括下属网点)为数据统计单位,在更多实施例中,可根据实际需求将真实件量信息和不完全统计件量信息配置为以网点、行政区域等不同单位作为数据统计单位,可实现相同的技术效果。
优选地,对于路由信息缺失导致无法被统计至不完全统计件量信息中的快件,同样应当不计入真实件量,以保障真实件量相似性与不完全统计件量相似性两者关联性的可靠性。例如,营业部755A在2017年8月6日实际派送的4025件快件中,有120件快件缺失路由信息导致无法被统计至不完全统计件量信息中,则营业部755A在2017年8月6日的真实件量信息应记为3905件。
在步骤S50中,本实施例中采用动态时间弯曲距离法(dynamic time warping,简称dtw)来分析各历史日期与待预测日的不完全统计件量信息的相似性,在更多实施例中,可采用其它时间序列相似性算法进行上述分析,例如欧氏距离、闵可夫斯基距离等,可实现较为相似的技术效果。
图3为图1所示方法的一种优选实施方式中步骤S50的流程图。
如图3所示,在一优选实施例中,步骤S50包括:
S51:根据历史日期和待预测日的不完全统计件量信息建立件量预测模型;
S53:在模型中采用动态时间弯曲距离法分析各历史日期与待预测日的不完全统计件量信息的相似性,选出相似性最高的若干历史日期;
S55:根据选出的各历史日期的真实件量生成待预测日的件量预测结果并输出。
具体地,在本实施例中,该件量预测模型为基于动态时间弯曲距离法生成的机器学习模型,在步骤S53中选取出与待预测日的不完全统计件量信息相似性最高的5个历史日期,在步骤S55中采用通过模型训练确定的最优方法(例如对5个历史日期的真实件量信息取算数均值、加权均值、取中位数,或,通过模型训练确定的其它更为复杂的算法,等)生成件量预测结果。在更多实施例中,在步骤S51中可根据实际需求配置生成不同类型的预测模型,在步骤S53中可根据实际需求设定选取不同数量的历史日期,也可在步骤S55中预配置固定的结果生成方式,均可实现相同的技术效果。
上述实施例通过利用基于快件路由信息生成的不完全统计件量信息,结合真实件量进行数据分析和建模预测,提升了短期件量预测的准确性。
图4为图3所示步骤S50的一种优选实施方式的流程图。
如图4所示,在一优选实施例中,步骤S55之前还包括:
S54:判断选出的各历史日期的不完全统计件量信息在预定时段的相似性是否满足预定阈值:否,则过滤相似性最低的历史日期,并循环步骤S54。
具体地,在本实施例中,预定时段配置为待预测日0点后的时段,0点后时段的不完全统计件量时间序列的相似性可以通过dtw判断,也可以为便于计算配置为通过比较方差等方法判断。
例如,步骤S53选取出的历史日期A/B/C/D/E的0点后时段的不完全统计件量时间序列之间的方差过大,超过预定阈值,则过滤与其它日期相似性最低的日期A,然后再重新对历史日期B/C/D/E进行判断,直至满足条件,或仅剩余两个历史日期。
以上描述的循环中止条件仅为示例,在更多实施例中可配置不同的循环中止条件,可实现同样技术效果。
优选地,当步骤S53选取出的历史日期少于三项时,则跳过步骤S54,直接进入步骤S55。
上述实施例进一步通过对模型筛选出的相似历史日期进行过滤筛选,进一步提升预测的准确性。
图5为图1所示方法的一种优选实施方式的流程图。
如图5所示,在一优选实施例中,上述方法还包括:
S40:根据历史日期的不完全统计件量信息分析各快件的不完全统计件量增速。
步骤S51具体包括:
S511:根据不完全统计件量增速的分析结果选取历史日期和待预测日的不完全统计件量信息中增速高于第一阈值的时段,建立件量预测模型。
具体地,通过步骤S40对不完全统计件量信息的不完全统计件量增速分析可知,不完全统计件量通常在一定的时段内具有较高增速,例如在对应日期的(-24时-0时)增速较高,或,在对应日期的(-22时-2时)增速较高,等。该时段通常与路由信息的统计效率、营业部或网点的配送制度等多方面因素相关。而在该时段之前,由于不完全统计件量的数量和增速都较低,时间序列通常都较为相似,数据的区分度较低,因此数据价值也较低,反而容易影响预测的准确性。
步骤S511通过步骤S40的分析可以确定上述增速较高的时段,从而利用该时段的数据来建立件量预测模型,从而有效提高预测的准确性。
上述实施例进一步通过选取不完全统计件量增速较高的时段进行分析预测,避免增速较低时段数据影响预测的准确性,进一步提升预测的准确性。
图6为图1所示方法的一种优选实施方式的流程图。
如图6所示,在一优选实施例中,上述方法还包括:
S20:定时统计基于快件的路由信息所预测的派送日期,生成每日的不完全统计件量信息。
进一步优选地,上述方法还包括:
S10:基于快件的路由信息预测所述快件的派送日期。
具体地,在提供路由信息的系统或其它数据来源方并未生成预测派送日期或每日的不完全统计件量信息时,需要基于路由信息自动生成信息;而当提供路由信息的系统或其它数据来源方已生成并提供上述信息时,则可以直接获取信息。
图7为本发明一实施例提供的一种件量预测装置的结构示意图。图7所示的装置可对应执行图1所示的方法。
如图7所示,在本实施例中,本发明提供一种件量预测装置10,包括获取单元13和预测单元15。
获取单元13配置用于获取历史日期的真实件量信息和不完全统计件量信息,以及待预测日的不完全统计件量信息;其中,不完全统计件量信息通过定时统计基于快件的路由信息所预测的派送日期生成;
预测单元15配置用于根据历史日期的真实件量信息和不完全统计件量信息、待预测日的不完全统计件量信息建立件量预测模型,得到件量预测结果并输出。
上述装置的件量预测原理可参考图1所示的方法,此处不再赘述。
图8为图7所示装置的一种优选实施方式的结构示意图。图8所示的装置可对应执行图3-5所示的任一方法。
如图8所示,在一优选实施例中,预测单元15包括建模子单元151、相似性分析子单元153和预测子单元155。
建模子单元151配置用于根据历史日期和待预测日的不完全统计件量信息建立件量预测模型;
相似性分析子单元153配置用于在模型中采用动态时间弯曲距离法分析各历史日期与待预测日的不完全统计件量信息的相似性,选出相似性最高的若干历史日期;
预测子单元155配置用于根据选出的各历史日期的真实件量生成待预测日的件量预测结果并输出。
进一步优选地,预测单元15还包括过滤子单元154。
过滤子单元154配置用于判断相似性分析子单元153选出的各历史日期的不完全统计件量信息在预定时段的相似性是否满足预定阈值:否,则过滤相似性最低的历史日期,并返回循环。
同样如图8所示,在一优选实施例中,该装置还包括增速分析单元14。
具体地,增速分析单元14配置用于根据历史日期的不完全统计件量信息分析各快件的不完全统计件量增速;
建模子单元151进一步配置用于根据不完全统计件量增速的分析结果选取历史日期和待预测日的不完全统计件量信息中增速高于第一阈值的时段,建立件量预测模型。
上述各优选实施例提供的装置的预测原理可分别参考图3-5所示的方法,此处不再赘述。
图9为图7所示装置的一种优选实施方式的结构示意图。图9所示装置可对应执行图6所示的方法。
如图9所示,在一优选实施例中,该装置还包括统计单元12。
统计单元12配置用于定时统计基于快件的路由信息所预测的派送日期,生成每日的不完全统计件量信息。
进一步优选地,该装置还包括配送时间预测单元11。
配送时间预测单元11配置用于基于快件的路由信息预测快件的派送日期。
上述各优选实施例提供的装置的预测原理可参考图6所示的方法,此处不再赘述。
图10为本发明一实施例提供的一种设备的结构示意图。
如图10所示,作为另一方面,本申请还提供了一种设备1000,包括一个或多个中央处理单元(CPU)1001,其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。在RAM1003中,还存储有设备1000操作所需的各种程序和数据。CPU1001、ROM1002以及RAM1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
以下部件连接至I/O接口1005:包括键盘、鼠标等的输入部分1006;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007;包括硬盘等的存储部分1008;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1010上,以便于从其上读出的计算机程序根据需要被安装入存储部分1008。
特别地,根据本公开的实施例,上述任一实施例描述的件量预测方法可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,所述计算机程序包含用于执行件量预测方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1009从网络上被下载和安装,和/或从可拆卸介质1011被安装。
作为又一方面,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例的装置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,该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件量预测方法。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这根据所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以通过执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以通过专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元或模块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,例如,各所述单元可以是设置在计算机或移动智能设备中的软件程序,也可以是单独配置的硬件装置。其中,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。
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本申请构思的情况下,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 (16)
1.一种件量预测方法,其特征在于,包括:
获取历史日期的真实件量信息和不完全统计件量信息,以及待预测日的不完全统计件量信息;其中,所述不完全统计件量信息通过定时统计基于快件的路由信息所预测的派送日期生成;
根据所述历史日期的真实件量信息和不完全统计件量信息、所述待预测日的不完全统计件量信息建立件量预测模型,得到件量预测结果并输出。
2.根据权利要求1所述的方法,其特征在于,所述根据所述历史日期的真实件量信息和不完全统计件量信息、所述待预测日的不完全统计件量信息建立件量预测模型,得到件量预测结果并输出包括:
根据所述历史日期和所述待预测日的不完全统计件量信息建立件量预测模型;
在所述模型中采用动态时间弯曲距离法分析各历史日期与待预测日的不完全统计件量信息的相似性,选出相似性最高的若干历史日期;
根据选出的各历史日期的真实件量生成待预测日的件量预测结果并输出。
3.根据权利要求2所述的方法,其特征在于,所述根据选出的各历史日期的真实件量生成待预测日的件量预测结果并输出之前还包括:
判断选出的各历史日期的不完全统计件量信息在预定时段的相似性是否满足预定阈值:否,则过滤相似性最低的历史日期,并循环当前步骤。
4.根据权利要求2或3所述的方法,其特征在于,还包括:
根据所述历史日期的不完全统计件量信息分析各快件的不完全统计件量增速;
所述根据所述历史日期和所述待预测日的不完全统计件量信息建立件量预测模型包括:
根据所述不完全统计件量增速的分析结果选取所述历史日期和所述待预测日的不完全统计件量信息中增速高于第一阈值的时段,建立件量预测模型。
5.根据权利要求1-3任一项所述的方法,其特征在于,还包括:
定时统计基于快件的路由信息所预测的派送日期,生成每日的不完全统计件量信息。
6.根据权利要求5所述的方法,其特征在于,还包括:
基于快件的路由信息预测所述快件的派送日期。
7.根据权利要求1-3任一项所述的方法,其特征在于,所述待预测日为当前日期的次日。
8.一种件量预测装置,其特征在于,包括:
获取单元,配置用于获取历史日期的真实件量信息和不完全统计件量信息,以及待预测日的不完全统计件量信息;其中,所述不完全统计件量信息通过定时统计基于快件的路由信息所预测的派送日期生成;
预测单元,配置用于根据所述历史日期的真实件量信息和不完全统计件量信息、所述待预测日的不完全统计件量信息建立件量预测模型,得到件量预测结果并输出。
9.根据权利要求8所述的装置,其特征在于,所述预测单元包括:
建模子单元,配置用于根据所述历史日期和所述待预测日的不完全统计件量信息建立件量预测模型;
相似性分析子单元,配置用于在所述模型中采用动态时间弯曲距离法分析各历史日期与待预测日的不完全统计件量信息的相似性,选出相似性最高的若干历史日期;
预测子单元,配置用于根据选出的各历史日期的真实件量生成待预测日的件量预测结果并输出。
10.根据权利要求9所述的装置,其特征在于,所述预测单元还包括:
过滤子单元,配置用于判断相似性分析子单元选出的各历史日期的不完全统计件量信息在预定时段的相似性是否满足预定阈值:否,则过滤相似性最低的历史日期,并返回循环。
11.根据权利要求9或10所述的装置,其特征在于,还包括:
增速分析单元,配置用于根据所述历史日期的不完全统计件量信息分析各快件的不完全统计件量增速;
所述建模子单元进一步配置用于根据所述不完全统计件量增速的分析结果选取所述历史日期和所述待预测日的不完全统计件量信息中增速高于第一阈值的时段,建立件量预测模型。
12.根据权利要求8-10任一项所述的装置,其特征在于,还包括:
统计单元,配置用于定时统计基于快件的路由信息所预测的派送日期,生成每日的不完全统计件量信息。
13.根据权利要求12所述的装置,其特征在于,还包括:
配送时间预测单元,配置用于基于快件的路由信息预测所述快件的派送日期。
14.根据权利要求8-10任一项所述的装置,其特征在于,所述待预测日为当前日期的次日。
15.一种设备,其特征在于,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1-7中任一项所述的方法。
16.一种存储有计算机程序的计算机可读存储介质,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711112594.5A CN109784524B (zh) | 2017-11-13 | 2017-11-13 | 件量预测方法及装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711112594.5A CN109784524B (zh) | 2017-11-13 | 2017-11-13 | 件量预测方法及装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109784524A true CN109784524A (zh) | 2019-05-21 |
CN109784524B CN109784524B (zh) | 2023-06-16 |
Family
ID=66484774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711112594.5A Active CN109784524B (zh) | 2017-11-13 | 2017-11-13 | 件量预测方法及装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109784524B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325398A (zh) * | 2020-02-19 | 2020-06-23 | 上海东普信息科技有限公司 | 网点货量的预测方法及系统、存储介质 |
CN112183832A (zh) * | 2020-09-17 | 2021-01-05 | 上海东普信息科技有限公司 | 快递揽件量的预测方法、装置、设备和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310286A (zh) * | 2013-06-25 | 2013-09-18 | 浙江大学 | 一种具有时间序列特性的产品订单预测方法及装置 |
CN104899405A (zh) * | 2014-03-04 | 2015-09-09 | 携程计算机技术(上海)有限公司 | 数据预测方法和系统以及报警方法和系统 |
-
2017
- 2017-11-13 CN CN201711112594.5A patent/CN109784524B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310286A (zh) * | 2013-06-25 | 2013-09-18 | 浙江大学 | 一种具有时间序列特性的产品订单预测方法及装置 |
CN104899405A (zh) * | 2014-03-04 | 2015-09-09 | 携程计算机技术(上海)有限公司 | 数据预测方法和系统以及报警方法和系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325398A (zh) * | 2020-02-19 | 2020-06-23 | 上海东普信息科技有限公司 | 网点货量的预测方法及系统、存储介质 |
CN112183832A (zh) * | 2020-09-17 | 2021-01-05 | 上海东普信息科技有限公司 | 快递揽件量的预测方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109784524B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Green Supplier Evaluation and Selections: A State‐of‐the‐Art Literature Review of Models, Methods, and Applications | |
US9208209B1 (en) | Techniques for monitoring transformation techniques using control charts | |
CN110689070B (zh) | 一种业务预测模型的训练方法及装置 | |
US20190034945A1 (en) | Information processing system, information processing method, and information processing program | |
Krauß et al. | Selection and application of machine learning-algorithms in production quality | |
CN111222815A (zh) | 确定单品补货量方法、装置、设备及存储介质 | |
CN105260835A (zh) | 多来源业务大数据的建模、分析、自我优化的方法 | |
CN111402017A (zh) | 一种基于大数据的信用评分方法和系统 | |
CN107357764A (zh) | 数据分析方法、电子设备及计算机存储介质 | |
CN106156987A (zh) | 库存差异的均衡方法及装置 | |
CN109784524A (zh) | 件量预测方法及装置、设备和存储介质 | |
CN114782065A (zh) | 一种基于模型组合的商品销量预测方法、装置及存储介质 | |
Braglia et al. | A lean approach to address material losses: materials cost deployment (MaCD) | |
CN116579804A (zh) | 一种节假日商品销量预测方法、装置及计算机存储介质 | |
CN109376929B (zh) | 配送参数的确定方法、确定装置、存储介质和电子设备 | |
JP5831363B2 (ja) | 製造工期予測装置、製造工期予測方法、及びコンピュータプログラム | |
CN110188793A (zh) | 数据异常分析方法及装置 | |
CN109767024A (zh) | 件量预测方法及装置、设备和存储介质 | |
Schreckenberg et al. | Developing a maturity-based workflow for the implementation of ML-applications using the example of a demand forecast | |
US11423045B2 (en) | Augmented analytics techniques for generating data visualizations and actionable insights | |
CN116843378A (zh) | 一种基于深度学习的五金配件供应预测方法及系统 | |
CN110119784B (zh) | 一种订单推荐方法及装置 | |
CN112257978A (zh) | 智能化调度农产品资源的方法和装置 | |
US20210019662A1 (en) | Analyzing Performance of Models Trained with Varying Constraints | |
CN116308494A (zh) | 供应链需求预测方法 |
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 |