CN109816442A - 一种基于特征标签的多维度运费预测方法及其系统 - Google Patents
一种基于特征标签的多维度运费预测方法及其系统 Download PDFInfo
- Publication number
- CN109816442A CN109816442A CN201910040305.8A CN201910040305A CN109816442A CN 109816442 A CN109816442 A CN 109816442A CN 201910040305 A CN201910040305 A CN 201910040305A CN 109816442 A CN109816442 A CN 109816442A
- Authority
- CN
- China
- Prior art keywords
- label
- tag
- client
- freight charges
- training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000000714 time series forecasting Methods 0.000 abstract description 10
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于特征标签的多维度运费预测方法，针对客户订单进行预测和训练，获取客户标签、客户标签训练结果和公共标签训练结果；根据客户标签训练结果，对不同的客户标签进行标签定义，获得公共标签；根据公共标签训练结果，对公共标签进行标签定义，获得各个标签的预测运费。本发明还公开了一种基于特征标签的多维度运费预测系统，包括订单标签预测模块、订单标签训练模块、客户标签处理模块和公共标签处理模块。本发明基于LSTM特征标签的多维度时序运费预测算法，可实现对物流运费的准确预测，解决了传统的时序预测模型难以解决多变量或多输入的问题，提高了物流效率，降低了成本，便于统筹管理。
Description
技术领域
本发明涉及运费计算技术领域，具体涉及一种基于特征标签的多维度运费预测方法及其系统。
背景技术
中国物流产业目前正处在“物流硬件升级阶段”末期和“物流成本管理时代”初期的发展阶段。随着中国产业结构日益走向规模化和专业化的格局，伴随信息技术的大量应用、电子商务的兴起以及对成本控制要求的提升，物流行业对物流运费的准确预测的需求日益增加。对物流运费的准确预测可对物流企业的决策有着至关重要的作用。
然而，现阶段传统的物流运费预测方法存在以下的困难点：
1、运费随季节性和促销活动关联明显；
2、运费对不同的类型的客户相差变化很大；
3、运费变化对多种维度敏感，例如天气，交通，人口密度等因素。
发明内容
基于此，针对上述问题，有必要提出一种实现对物流运费的准确预测，提高物流效率，降低成本，便于统筹管理的基于特征标签的多维度运费预测方法及其系统。
本发明提供一种基于特征标签的多维度运费预测方法，其技术方案如下：
一种基于特征标签的多维度运费预测方法，包括以下步骤：
a、针对客户订单进行预测和训练，获取客户标签、客户标签训练结果和公共标签训练结果，并将客户标签传输至客户标签管理器；
b、根据客户标签训练结果，对不同的客户标签进行标签定义，获得公共标签，并传输至公共标签管理器；
c、根据公共标签训练结果，对公共标签进行标签定义，获得各个标签的预测运费。
在本技术方案中，基于LSTM特征标签的多维度时序运费预测算法，来对物流运费进行预测，时间序列预测分析就是利用过去一段时间内某事件时间的特征来预测未来一段时间内该事件的特征，传统的时序预测模型例如ARIMA难以解决多变量或多输入问题，而神经网络如LSTM则擅长于处理多个变量的问题，该特性使其有助于解决时间序列预测问题；并且，利用对多个客户打上不同的标签，例如行业，规模，下单频率等等，还有现阶段公共的标签，例如天气，是否促销(节日)，交通状况等，对每个不同的标签分别LSTM预测运费，最后再将各个标签的运费加权平均，或者在对其进行线性拟合(可配置)，得到最终结果；提高了物流效率，降低了成本，便于统筹管理。
优选的，所述步骤a中的标签训练包括如下步骤：
针对每个客户的标签进行LSTM训练，获取包括行业、规模和下单频率的客户标签类型，并将该训练结果传输至客户标签管理器。
优选的，所述步骤a中的标签训练还包括以下步骤：
针对每个公共标签进行LSTM训练，获取包括天气、节日促销和交通状况的公共标签类型，并将该训练结果传输至公共标签管理器。
LSTM(Long Short-Term Memory)是长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件；其擅长于处理多个变量的问题，有助于解决时间序列预测问题。
优选的，还包括以下步骤：
对各个标签的预测运费进行加权平均或线性拟合，得到最终运费预测结果。
获取了标签的运费后，再将各个标签的运费加权平均，或者在对其进行线性拟合(可配置)，得到最终结果。
本发明还提供一种基于特征标签的多维度运费预测系统，其技术方案如下：
一种基于特征标签的多维度运费预测系统，包括订单标签预测模块、订单标签训练模块、客户标签处理模块和公共标签处理模块，其中：
订单标签预测模块，用于针对客户订单进行预测，获取客户标签，并将客户标签传输至客户标签管理器；
订单标签训练模块，用于针对客户订单进行训练，获取客户标签训练结果和公共标签训练结果；
客户标签处理模块，用于根据客户标签训练结果，对不同的客户标签进行标签定义，获得公共标签，并传输至公共标签管理器；
公共标签处理模块，用于根据公共标签训练结果，对公共标签进行标签定义，获得各个标签的预测运费。
优选的，所述订单标签训练模块包括客户标签训练子模块，用于针对每个客户的标签进行LSTM训练，获取包括行业、规模和下单频率的客户标签类型，并将该训练结果传输至客户标签管理器。
优选的，所述订单标签训练模块还包括公共标签训练子模块，用于针对每个公共标签进行LSTM训练，获取包括天气、节日促销和交通状况的公共标签类型，并将该训练结果传输至公共标签管理器。
优选的，还包括预测运费计算模块，用于对各个标签的预测运费进行加权平均或线性拟合，得到最终运费预测结果。
本发明的有益效果是：
本发明基于LSTM特征标签的多维度时序运费预测算法，可实现对物流运费的准确预测，解决了传统的时序预测模型难以解决多变量或多输入的问题，提高了物流效率，降低了成本，便于统筹管理。
附图说明
图1是本发明实施例所述基于特征标签的多维度运费预测方法的流程图；
图2是本发明实施例所述基于特征标签的多维度运费预测系统的原理框图。
附图标记说明：
10-订单标签预测模块；20-订单标签训练模块；201-客户标签训练子模块；202-公共标签训练子模块；30-客户标签处理模块；40-公共标签处理模块；50-预测运费计算模块。
具体实施方式
下面结合附图对本发明的实施例进行详细说明。
实施例1
如图1所示，一种基于特征标签的多维度运费预测方法，包括以下步骤：
a、针对客户订单进行预测和训练，获取客户标签、客户标签训练结果和公共标签训练结果，并将客户标签传输至客户标签管理器；
b、根据客户标签训练结果，对不同的客户标签进行标签定义，获得公共标签，并传输至公共标签管理器；
c、根据公共标签训练结果，对公共标签进行标签定义，获得各个标签的预测运费。
在本实施例中，基于LSTM特征标签的多维度时序运费预测算法，来对物流运费进行预测，时间序列预测分析就是利用过去一段时间内某事件时间的特征来预测未来一段时间内该事件的特征，传统的时序预测模型例如ARIMA难以解决多变量或多输入问题，而神经网络如LSTM则擅长于处理多个变量的问题，该特性使其有助于解决时间序列预测问题；并且，利用对多个客户打上不同的标签，例如行业，规模，下单频率等等，还有现阶段公共的标签，例如天气，是否促销(节日)，交通状况等，对每个不同的标签分别LSTM预测运费，最后再将各个标签的运费加权平均，或者在对其进行线性拟合(可配置)，得到最终结果；提高了物流效率，降低了成本，便于统筹管理。
实施例2
本实施例在实施例1的基础上，所述步骤a中的标签训练包括如下步骤：
针对每个客户的标签进行LSTM训练，获取包括行业、规模和下单频率的客户标签类型，并将该训练结果传输至客户标签管理器。
实施例3
本实施例在实施例2的基础上，所述步骤a中的标签训练还包括以下步骤：
针对每个公共标签进行LSTM训练，获取包括天气、节日促销和交通状况的公共标签类型，并将该训练结果传输至公共标签管理器。
LSTM(Long Short-Term Memory)是长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件；其擅长于处理多个变量的问题，有助于解决时间序列预测问题。
实施例4
本实施例在实施例1的基础上，还包括以下步骤：
对各个标签的预测运费进行加权平均或线性拟合，得到最终运费预测结果。
获取了标签的运费后，再将各个标签的运费加权平均，或者在对其进行线性拟合(可配置)，得到最终结果。
实施例5
本实施例为实施例1的系统，如图2所示，一种基于特征标签的多维度运费预测系统，包括订单标签预测模块10、订单标签训练模块20、客户标签处理模块30和公共标签处理模块40，其中：
订单标签预测模块10，用于针对客户订单进行预测，获取客户标签，并将客户标签传输至客户标签管理器；
订单标签训练模块20，用于针对客户订单进行训练，获取客户标签训练结果和公共标签训练结果；
客户标签处理模块30，用于根据客户标签训练结果，对不同的客户标签进行标签定义，获得公共标签，并传输至公共标签管理器；
公共标签处理模块40，用于根据公共标签训练结果，对公共标签进行标签定义，获得各个标签的预测运费。
实施例6
本实施例为实施例2的系统，所述订单标签训练模块20包括客户标签训练子模块201，用于针对每个客户的标签进行LSTM训练，获取包括行业、规模和下单频率的客户标签类型，并将该训练结果传输至客户标签管理器。
实施例7
本实施例为实施例3的系统，所述订单标签训练模块20还包括公共标签训练子模块202，用于针对每个公共标签进行LSTM训练，获取包括天气、节日促销和交通状况的公共标签类型，并将该训练结果传输至公共标签管理器。
实施例8
本实施例为实施例4的系统，还包括预测运费计算模块50，用于对各个标签的预测运费进行加权平均或线性拟合，得到最终运费预测结果。
以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (8)
1.一种基于特征标签的多维度运费预测方法，其特征在于，包括以下步骤：
a、针对客户订单进行预测和训练，获取客户标签、客户标签训练结果和公共标签训练结果，并将客户标签传输至客户标签管理器；
b、根据客户标签训练结果，对不同的客户标签进行标签定义，获得公共标签，并传输至公共标签管理器；
c、根据公共标签训练结果，对公共标签进行标签定义，获得各个标签的预测运费。
2.根据权利要求1所述的基于特征标签的多维度运费预测方法，其特征在于，所述步骤a中的标签训练包括如下步骤：
针对每个客户的标签进行LSTM训练，获取包括行业、规模和下单频率的客户标签类型，并将该训练结果传输至客户标签管理器。
3.根据权利要求2所述的基于特征标签的多维度运费预测方法，其特征在于，所述步骤a中的标签训练还包括以下步骤：
针对每个公共标签进行LSTM训练，获取包括天气、节日促销和交通状况的公共标签类型，并将该训练结果传输至公共标签管理器。
4.根据权利要求1-3任一项所述的基于特征标签的多维度运费预测方法，其特征在于，还包括以下步骤：
对各个标签的预测运费进行加权平均或线性拟合，得到最终运费预测结果。
5.一种基于特征标签的多维度运费预测系统，其特征在于，包括订单标签预测模块、订单标签训练模块、客户标签处理模块和公共标签处理模块，其中：
订单标签预测模块，用于针对客户订单进行预测，获取客户标签，并将客户标签传输至客户标签管理器；
订单标签训练模块，用于针对客户订单进行训练，获取客户标签训练结果和公共标签训练结果；
客户标签处理模块，用于根据客户标签训练结果，对不同的客户标签进行标签定义，获得公共标签，并传输至公共标签管理器；
公共标签处理模块，用于根据公共标签训练结果，对公共标签进行标签定义，获得各个标签的预测运费。
6.根据权利要求5所述的基于特征标签的多维度运费预测系统，其特征在于，所述订单标签训练模块包括客户标签训练子模块，用于针对每个客户的标签进行LSTM训练，获取包括行业、规模和下单频率的客户标签类型，并将该训练结果传输至客户标签管理器。
7.根据权利要求6所述的基于特征标签的多维度运费预测系统，其特征在于，所述订单标签训练模块还包括公共标签训练子模块，用于针对每个公共标签进行LSTM训练，获取包括天气、节日促销和交通状况的公共标签类型，并将该训练结果传输至公共标签管理器。
8.根据权利要求5-7任一项所述的基于特征标签的多维度运费预测系统，其特征在于，还包括预测运费计算模块，用于对各个标签的预测运费进行加权平均或线性拟合，得到最终运费预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910040305.8A CN109816442A (zh) | 2019-01-16 | 2019-01-16 | 一种基于特征标签的多维度运费预测方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910040305.8A CN109816442A (zh) | 2019-01-16 | 2019-01-16 | 一种基于特征标签的多维度运费预测方法及其系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109816442A true CN109816442A (zh) | 2019-05-28 |
Family
ID=66604403
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910040305.8A Pending CN109816442A (zh) | 2019-01-16 | 2019-01-16 | 一种基于特征标签的多维度运费预测方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109816442A (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005101996A2 (en) * | 2004-04-16 | 2005-11-03 | Goldman Sachs & Co. | Apparatus, method and system for a designing and trading macroeconomic investment views |
| EP1811445A1 (en) * | 2005-12-30 | 2007-07-25 | Accenture Global Services GmbH | Churn prediction and management system |
| CN105825286A (zh) * | 2015-01-09 | 2016-08-03 | 北京仿真中心 | 一种武器装备全生命周期费用估算系统及方法 |
| CN106777335A (zh) * | 2017-01-13 | 2017-05-31 | 深圳爱拼信息科技有限公司 | 一种基于长短期记忆（lstm）模型的多标签行业分类方法及装置 |
| CN108022016A (zh) * | 2017-12-08 | 2018-05-11 | 宏谷信息科技（珠海）有限公司 | 一种基于人工智能的股票价格预测方法及系统 |
| CN108154264A (zh) * | 2017-12-21 | 2018-06-12 | 北京工业大学 | 一种基于arma-lstm模型的股票预测方法 |
| CN108230049A (zh) * | 2018-02-09 | 2018-06-29 | 新智数字科技有限公司 | 订单的预测方法及系统 |
| CN108596399A (zh) * | 2018-05-04 | 2018-09-28 | 国家邮政局邮政业安全中心 | 快递业务量预测的方法、装置、电子设备及存储介质 |
| CN108846692A (zh) * | 2018-06-05 | 2018-11-20 | 浙江大学城市学院 | 一种基于多因素循环神经网络的消费者消费行为预测方法 |
| CN108874823A (zh) * | 2017-05-12 | 2018-11-23 | 阿里巴巴集团控股有限公司 | 智能客服的实现方法和装置 |
| CN109063935A (zh) * | 2018-09-27 | 2018-12-21 | 北京三快在线科技有限公司 | 一种预测任务处理时间的方法、装置及存储介质 |
| CN109117973A (zh) * | 2017-06-26 | 2019-01-01 | 北京嘀嘀无限科技发展有限公司 | 一种网约车订单量预测方法及装置 |
| CN109146134A (zh) * | 2018-07-18 | 2019-01-04 | 顺丰科技有限公司 | 一种高峰揽件量预测方法、系统、设备及存储介质 |
-
2019
- 2019-01-16 CN CN201910040305.8A patent/CN109816442A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005101996A2 (en) * | 2004-04-16 | 2005-11-03 | Goldman Sachs & Co. | Apparatus, method and system for a designing and trading macroeconomic investment views |
| EP1811445A1 (en) * | 2005-12-30 | 2007-07-25 | Accenture Global Services GmbH | Churn prediction and management system |
| CN105825286A (zh) * | 2015-01-09 | 2016-08-03 | 北京仿真中心 | 一种武器装备全生命周期费用估算系统及方法 |
| CN106777335A (zh) * | 2017-01-13 | 2017-05-31 | 深圳爱拼信息科技有限公司 | 一种基于长短期记忆（lstm）模型的多标签行业分类方法及装置 |
| CN108874823A (zh) * | 2017-05-12 | 2018-11-23 | 阿里巴巴集团控股有限公司 | 智能客服的实现方法和装置 |
| CN109117973A (zh) * | 2017-06-26 | 2019-01-01 | 北京嘀嘀无限科技发展有限公司 | 一种网约车订单量预测方法及装置 |
| CN108022016A (zh) * | 2017-12-08 | 2018-05-11 | 宏谷信息科技（珠海）有限公司 | 一种基于人工智能的股票价格预测方法及系统 |
| CN108154264A (zh) * | 2017-12-21 | 2018-06-12 | 北京工业大学 | 一种基于arma-lstm模型的股票预测方法 |
| CN108230049A (zh) * | 2018-02-09 | 2018-06-29 | 新智数字科技有限公司 | 订单的预测方法及系统 |
| CN108596399A (zh) * | 2018-05-04 | 2018-09-28 | 国家邮政局邮政业安全中心 | 快递业务量预测的方法、装置、电子设备及存储介质 |
| CN108846692A (zh) * | 2018-06-05 | 2018-11-20 | 浙江大学城市学院 | 一种基于多因素循环神经网络的消费者消费行为预测方法 |
| CN109146134A (zh) * | 2018-07-18 | 2019-01-04 | 顺丰科技有限公司 | 一种高峰揽件量预测方法、系统、设备及存储介质 |
| CN109063935A (zh) * | 2018-09-27 | 2018-12-21 | 北京三快在线科技有限公司 | 一种预测任务处理时间的方法、装置及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 李朋林;梁露露;: "基于BP神经网络的煤炭价格影响因素及预测研究" * |
| 邬珊华;刘晓玲;杨忠振;: "基于组合模型的铁矿石海运价格多步预测方法" * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Krishna et al. | Sales-forecasting of retail stores using machine learning techniques | |
| Eken et al. | A smart bus tracking system based on location-aware services and QR codes | |
| CN104858155B (zh) | 一种多线接力包裹分拣物联网视觉检测方法及系统装置 | |
| CN108417029B (zh) | 基于自适应多任务深度学习的城市路网行程时间估计方法 | |
| CN110163669B (zh) | 基于特征系数似然估计和零售业业务规则的需求预测方法 | |
| US20170193335A1 (en) | Method for data encoding and accurate predictions through convolutional networks for actual enterprise challenges | |
| Salari et al. | Real-time delivery time forecasting and promising in online retailing: When will your package arrive? | |
| CN111368924A (zh) | 基于主动学习的不平衡数据分类方法 | |
| Grange | Challenges in modeling demand for inventory optimization of slow-moving items | |
| Rai et al. | Demand prediction for e-commerce advertisements: A comparative study using state-of-the-art machine learning methods | |
| CN113706291A (zh) | 欺诈风险预测方法、装置、设备及存储介质 | |
| CN109816442A (zh) | 一种基于特征标签的多维度运费预测方法及其系统 | |
| CN113781404B (zh) | 基于自监督预训练的道路病害检测方法和系统 | |
| Andrade et al. | Disaggregated retail forecasting: A gradient boosting approach | |
| Li et al. | Predicting best-selling new products in a major promotion campaign through graph convolutional networks | |
| CN108846692A (zh) | 一种基于多因素循环神经网络的消费者消费行为预测方法 | |
| CN107705083A (zh) | 一种基于云计算的物流系统 | |
| Oneto et al. | Delay prediction system for large-scale railway networks based on big data analytics | |
| CN107329882A (zh) | 获取在线数据的方法和装置、存储介质及电子装置 | |
| Han et al. | Application of broad learning system for container number identification | |
| JP7495058B2 (ja) | 受注予測モデル作成方法、受注予測モデル作成装置、受注予測方法および受注予測装置 | |
| CN114724089A (zh) | 一种基于互联网的智慧城市监测方法 | |
| CN113111729A (zh) | 人员识别模型的训练方法、识别方法、系统、装置及介质 | |
| CN114580692A (zh) | 配送路径生成方法、装置、设备及存储介质 | |
| Yamada et al. | MAS network: Surrogate neural network for multi-agent simulation |
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: 20190528 |