CN109993374B - 货物量预测方法及装置 - Google Patents

货物量预测方法及装置 Download PDF

Info

Publication number
CN109993374B
CN109993374B CN201910302907.6A CN201910302907A CN109993374B CN 109993374 B CN109993374 B CN 109993374B CN 201910302907 A CN201910302907 A CN 201910302907A CN 109993374 B CN109993374 B CN 109993374B
Authority
CN
China
Prior art keywords
data
cargo
prediction
cargo quantity
narx
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
CN201910302907.6A
Other languages
English (en)
Other versions
CN109993374A (zh
Inventor
覃进学
王丹
蓝科
刘旻哲
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.)
Chengdu Sefon Software Co Ltd
Original Assignee
Chengdu Sefon Software 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 Chengdu Sefon Software Co Ltd filed Critical Chengdu Sefon Software Co Ltd
Priority to CN201910302907.6A priority Critical patent/CN109993374B/zh
Publication of CN109993374A publication Critical patent/CN109993374A/zh
Application granted granted Critical
Publication of CN109993374B publication Critical patent/CN109993374B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06Q10/083—Shipping
    • G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供一种货物量预测方法及装置，涉及物流技术领域。本申请实施例通过获取m个货物量影响因子的序列数据，将所获取的序列数据输入预设改进NARX预测模型，利用预设改进NARX预测模型的非线性函数，得到对应的货物量预测数据，并采用指数平滑法对货物量预测数据进行处理，得到待预测时刻的货物量预测值，使得在预测过程中能够通过货物量影响因子对货物量的影响和预设改进NARX预测模型的非线性映射性，实现对货物量更精准地预测。

Description

货物量预测方法及装置
技术领域
本申请涉及物流技术领域，具体而言，涉及一种货物量预测方法及装置。
背景技术
随着社会经济的进步，物流业也随之得到了迅速发展，相应的，物流需求也呈现爆炸式的增长趋势。而对物流需求进行较为准确的预测，如，可以对未来的货物量进行预测，能够帮助物流管理者掌握货物量者的实际情况，以便优化物流调度安排。
现有技术中，在对货物量进行预测时，通常先基于NARX动态神经网络，并将货物量的历史值作为输入层进行训练，得到NARX预测模型，然后通过该NARX预测模型对货物量进行预测。
但是，上述现有通过NARX动态神经网络实现货物量预测的方法，预测精准度不高。
发明内容
本申请的目的在于，提供一种方法货物量预测方法及装置，用于解决现有通过NARX动态神经网络实现货物量预测时预测精准度不高的问题。
为实现上述目的，本申请实施例所采用的技术方案如下：
第一方面，本申请实施例提供一种货物量预测方法，该方法包括：
获取m个货物量影响因子的序列数据，其中，序列数据包括待预测时刻前的n个时刻的货物量影响因子数据，m和n均为大于0的整数；
根据序列数据和预设改进NARX预测模型，得到对应的货物量预测数据，其中，预设改进NARX预测模型的隐含层包括非线性函数；
采用指数平滑法对货物量预测数据进行处理，得到待预测时刻的货物量预测值。
可选地，上述根据序列数据和预设改进NARX预测模型，得到对应的货物量预测数据的步骤之前，该方法还包括：
获取m个货物量影响因子和实际货物量的历史数据；
基于反向传播算法，确定预设改进NARX预测模型隐含层的非线性函数和输出层权重矩阵。
可选地，上述获取m个货物量影响因子的序列数据的步骤之后，该方法还包括：
确定m个货物量影响因子的序列数据中不符合预设规则的数据和缺失数据；
去除不符合预设规则的数据，并采用相邻预设间隔数据的均值修补缺失数据，得到预处理后的m个货物量影响因子的序列数据；
将预处理后的m个货物量影响因子的序列数据进行归一化处理，得到归一化处理后的m个货物量影响因子的序列数据。
可选地，上述根据序列数据和预设改进NARX预测模型，得到对应的货物量预测数据的步骤，包括：
将归一化处理的m个货物量影响因子的序列数据输入预设改进NARX预测模型；
通过预设改进NARX预测模型的输入层、确定后的隐含层的非线性函数和输出层权重矩阵，得到对应的货物量预测数据。
可选地，货物量影响因子包括：经济数据指标、交通指标和人口指标。
第二方面，本申请实施例还提供一种货物量预测装置，包括：
获取模块，用于获取m个货物量影响因子的序列数据，其中，序列数据包括待预测时刻前的n个时刻的货物量影响因子数据，m和n均为大于0的整数；
预测模块，用于根据序列数据和预设改进NARX预测模型，得到对应的货物量预测数据，其中，预设改进NARX预测模型的隐含层包括非线性函数；
平滑处理模块，用于采用指数平滑法对货物量预测数据进行处理，得到待预测时刻的货物量预测值。
可选地，该货物量预测装置还包括：
训练模块，用于在预测模块根据序列数据和预设改进NARX预测模型，得到对应的货物量预测数据之前，获取m个货物量影响因子和实际货物量的历史数据；基于反向传播算法，确定预设改进NARX预测模型隐含层的非线性函数和输出层权重矩阵。
可选地，该货物量预测装置还包括：
预处理模块，用于在获取模块获取m个货物量影响因子的序列数据之后，确定m个货物量影响因子的序列数据中不符合预设规则的数据和缺失数据；去除不符合预设规则的数据，并采用相邻预设间隔数据的均值修补缺失数据，得到预处理后的m个货物量影响因子的序列数据；
归一化模块，用于将预处理后的m个货物量影响因子的序列数据进行归一化处理，得到归一化处理后的m个货物量影响因子的序列数据。
可选地，上述预测模块，具体用于将归一化处理的m个货物量影响因子的序列数据输入预设改进NARX预测模型；通过预设改进NARX预测模型的输入层、确定后的隐含层的非线性函数和输出层权重矩阵，得到对应的货物量预测数据。
可选地，货物量影响因子包括：经济数据指标、交通指标和人口指标。
本申请的有益效果是：
本申请实施例提供的货物量预测方法及装置，通过获取m个货物量影响因子的序列数据，将所获取的序列数据输入预设改进NARX预测模型，利用预设改进NARX预测模型的非线性函数，得到对应的货物量预测数据，并采用指数平滑法对所得到的货物量预测数据进行处理，得到待预测时刻的货物量预测值，使得在预测过程中能够通过货物量影响因子对货物量的影响和预设改进NARX预测模型的非线性映射性，实现对货物量更精准地预测。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例提供的货物量预测方法的流程示意图；
图2示出了本申请实施例提供的另一货物量预测方法的流程示意图；
图3示出了本申请实施例提供的又一货物量预测方法的流程示意图；
图4示出了本申请实施例提供的又一货物量预测方法的流程示意图；
图5示出了本申请实施例提供的货物量预测装置的结构示意图；
图6示出了本申请实施例提供的货物量预测装置的另一结构示意图；
图7示出了本申请实施例提供的货物量预测装置的又一结构示意图；
图8示出了本申请实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
本申请实施例提供一种货物量预测方法，能够实现对物流需求的更精确预测。该方法可以应用于计算机、服务器等具有计算能力的电子设备，本申请对此不作限定。
图1示出了本申请实施例提供的货物量预测方法的流程示意图。如图1所示，该货物量预测方法可以包括：
S101、获取m个货物量影响因子的序列数据。
其中，序列数据包括待预测时刻前的n个时刻的货物量影响因子数据，m和n均为大于0的整数。
具体地，货物量影响因子是指能够影响实际货物量水平的客观影响因素，例如，城市经济发展水平、城市人口基数、交通便利程度等，m的大小与货物量影响因子的类型数目相同。序列数据是指需要预测货物量的待预测时刻前的n个时刻对应的货物量影响因子数据。
以任一个货物量影响因子P为例，若需要预测t时刻的货物量，t时刻前的n个时刻依次为t-n，t-n+1，……，t-2，t-1，n为大于0的整数，如1、2、3…等等，则获取到货物量影响因子P在t时刻前n个时刻的序列数据可以为(DataPt-n，DataPt-n+1，……，DataPt-2，DataPt-1)。
S102、根据序列数据和预设改进NARX预测模型，得到对应的货物量预测数据。
其中，预设改进NARX预测模型的隐含层包括非线性函数。
具体地，货物量预测数据可以包括与n个时刻分别对应的n个预测货物量。预设改进NARX预测模型包括输入层、隐含层和输出层，可以将上述所获取的m个货物量影响因子的序列数据通过预设改进NARX预测模型的输入层输入，预设改进NARX预测模型的隐含层可以对输入层输出的数据进行计算、并通过非线性函数对其进行非线性变换。预设改进NARX预测模型的隐含层的非线性函数可以是Sigmoid函数，其表达式如下：
Figure BDA0002028331130000081
其中，S表示待预测货物量，x表示货物量影响因子的序列数据。
预设改进NARX预测模型的输出层可以输出根据m个货物量影响因子的序列数据所得到的货物量预测数据，该货物量预测数据中具有与上述n个时刻一一对应的n个预测货物量。
同样以待预测时刻为t时刻为例，若以S表示货物量，则货物量预测数据可以是：(St-n，St-n+1，……，St-2，St-1)。
S103、采用指数平滑法对货物量预测数据进行处理，得到待预测时刻的货物量预测值。
具体地，由于货物量会根据季节的变化发生变化，具有不规律性，因此，一段时间的货物量可能呈线性变化，也可能呈非线性变化，通过预设改进NARX预测模型得到货物量预测数据后，可以采用指数平滑法对货物量预测数据进行处理，以使得最终处理后待预测时刻的货物量预测值能够更加贴近真实的物流需求。
可选地，可以采用简单指数平滑法对上述货物量预测数据进行处理。以上述货物量预测数据(St-n，St-n+1，……，St-2，St-1)为例，假设待预测时刻t的货物量预测值为St，则采用简单指数平滑法对该货物量预测数据的处理过程如下：
St＝αSt+(1-α)St-1；
St-1＝αSt-1+(1-α)St-2；
St-2＝αSt-2+(1-α)St-3；
……
St-n+1＝αSt-n+1+(1-α)St-n+2；
St-n＝αSt-n+(1-α)St-n+1；
其中，α的值可根据序列数据进行选择，当序列数据呈现较稳定的水平趋势时，α可在0.05～0.20之间取值；当序列数据有波动，但长期趋势变化不大时，α可在0.1～0.4之间取值；当序列数据波动很大，长期趋势变化幅度较大，呈现明显且迅速的上升或下降趋势时，α可在0.6～0.8之间取值。
通过上述处理过程，即可计算得到待预测时刻t的货物量预测值St。
由上所述，本申请实施例通过获取m个货物量影响因子的序列数据，将所获取的m个货物量影响因子的序列数据输入预设改进NARX预测模型，利用预设改进NARX预测模型的非线性函数，得到对应的货物量预测数据，并采用指数平滑法对所得到的货物量预测数据进行处理，得到待预测时刻的货物量预测值，使得在预测过程中能够通过货物量影响因子对货物量的影响和预设改进NARX预测模型的非线性映射性，实现对货物量更精准地预测。
可选地，上述获取m个货物量影响因子的序列数据的步骤中，序列数据对应的时刻n大于或等于预设阈值。
具体地，若每个时刻表示一个月，则相应的预设阈值可以为6个月、7个月、8个月等。假设预设阈值为6，则序列数据对应的n应大于或等于6，此时，序列数据对应的时间序列较长。当序列数据对应的时间序列较长时，本申请实施例提供的上述货物量预测方法由于可利用预设改进NARX预测模型的非线性映射性实现对货物量的预测，所以可以依然保证货物量的预测精度。
需要说明的是，预设阈值也可以是其他更大或更小的数值，当n设置为该预设阈值时，序列数据对应的时刻所构成的时间序列较长。
图2示出了本申请实施例提供的另一货物量预测方法的流程示意图。
可选地，如图2所示，上述根据序列数据和预设改进NARX预测模型，得到对应的货物量预测数据的步骤之前，该货物量预测方法还可以包括：
S201、获取m个货物量影响因子和实际货物量的历史数据。
具体地，m个货物量影响因子和实际货物量的历史数据是指已经存在的m个货物量影响因子和实际货物量的实际数据，例如，若当前为2019年，则2000年至2018年中m个货物量影响因子和实际货物量的实际数据可以作为历史数据，当然也可以是更早年份或更少年份的数据。
S202、基于反向传播算法，确定预设改进NARX预测模型隐含层的非线性函数和输出层权重矩阵。
在获取到m个货物量影响因子和实际货物量的历史数据后，可以基于NARX神经网络，将m个货物量影响因子的历史数据作为输入、实际货物量的历史数据作为输出进行训练，得到预设改进NARX预测模型。相应的，该预设改进NARX预测模型的输入层所接收的数据应该为m个货物量影响因子的数据，输出层输出的数据应该为预测货物量数据。
对于训练得到的上述预设改进NARX预测模型，还可以将其输出的预测货物量数据与实际货物量的历史数据进行比较，当比较结果差异较大时，可以采用反向传播算法，对预设改进NARX预测模型的隐含层的非线性函数和输出层权重矩阵进行优化和更新。
具体地，在训练得到上述预设改进NARX预测模型后，可以计算预设改进NARX预测模型所输出的预测货物量数据的均方误差(Mean Square Error，MSE)、平均绝对误差(MeanAbsolute Error，MAE)或平均绝对百分比误差(Mean Absolute Percent Error，MAPE)，并将计算结果作为预设改进NARX预测模型的评价指标，当计算得到的评价指标越小时，预设改进NARX预测模型的预测精度越高。
可选地，在计算预设改进NARX预测模型的评价指标时，可以先采用随机算法随机生成1-3的整数，若生成整数为1，则计算预测货物量数据的MSE；若生成整数为2，则计算预测货物量数据的MAE；若生成整数为3，则计算预测货物量数据的MAPE，本申请在此不作限定。
当计算得到预设改进NARX预测模型的预测精度不够高，也即预设改进NARX预测模型的评价指标不小于某个预设值，如：0.05、0.08等，则可以将计算得到的评价指标(MSE、MAE或MAPE中的任一个)采用反向传播算法传播回预设改进NARX预测模型，预设改进NARX预测模型可以根据上述评价指标对隐含层的非线性函数和输出层权重矩阵进行优化和更新。
需要说明的是，上述用于判断预设改进NARX预测模型的评价指标的大小的预设值，可以是人为设定或随机生成的值，可以根据所需要的预设改进NARX预测模型的预测精度进行调整或设置，本申请对此亦不作限定。
举例说明，若输出层权重矩阵中节点a和b之间的连接权重为Wab，传播回预设改进NARX预测模型的评价指标为n，则可以用n对权重Wab求偏导，得到n对Wab的偏导值
Figure BDA0002028331130000131
进一步，可以采用如下权重更新算法对权重Wab进行更新：
Figure BDA0002028331130000132
其中，W′ab表示更新后的权重；Wab表示更新前的权重；μ表示学习速率，可以为0.5、0.6等常数；
Figure BDA0002028331130000133
为上述预设改进NARX预测模型的评价指标n对节点a和b之间的连接权重Wab的偏导值。
对于NARX神经网络而言，其能量函数定义如下：
Figure BDA0002028331130000134
其中，ENARX表示NARX神经网络的能量，S表示实际货物量，St表示预测货物量。通过对预设改进NARX预测模型的隐含层的非线性函数和输出层权重矩阵进行优化和更新，可以使得预设改进NARX预测模型的ENARX最小化，从而使其具有更高的稳定性。
图3示出了本申请实施例提供的又一货物量预测方法的流程示意图。
可选地，如图3所示，上述获取m个货物量影响因子的序列数据的步骤之后，该货物量预测方法还可以包括：
S301、确定m个货物量影响因子的序列数据中不符合预设规则的数据和缺失数据。
具体地，预设规则可以是指与所有数据的平均值差距在一定范围内，或者可以是指数据符合正常的变化趋势，而非特别明显的异常数据等。在获取到m个货物量影响因子的序列数据后，可以根据预设规则从中确定得到不符合预设规则的数据，还可以判断数据中的是否存在缺失数据。
S302、去除不符合预设规则的数据，并采用相邻预设间隔数据的均值修补缺失数据，得到预处理后的m个货物量影响因子的序列数据。
具体地，对m个货物量影响因子的序列数据中不符合预设规则的数据，可以直接进行删除。例如，一组数据d1、d2、d3、d4和d5中，d2不符合预设规则，则可以直接将d2进行删除。
进一步，对于m个货物量影响因子的序列数据的缺失数据，可以采用相邻预设间隔数据的均值修补缺失数据。其中，预设间隔可以是1、2、3等数值，本申请对此不作限定。
以预设间隔为3为例，对于一组数据d1、d2、d3、d4和d5，若d2缺失，则可以计算d3、d4和d5的均值，然后用d3、d4和d5的均值代替d2。
需要说明的是，在本申请部分实施方式中，对于上述不符合规则而被去除的数据，也可以将其当作缺失数据，并采用上述修补缺失数据的方法对其进行修补。在另外一部分实施方式中，对于上述不符合规则而被去除的数据，也可以不再进行修补。
S303、将预处理后的m个货物量影响因子的序列数据进行归一化处理，得到归一化处理后的m个货物量影响因子的序列数据。
具体地，由于不同货物量影响因子的取值范围存在不相同的情况，为了使得预设改进NARX预测模型能够更准确地根据m个货物量影响因子的序列数据得到预测货物量，可以对m个货物量影响因子的序列数据进行归一化处理。
例如，若货物量影响因子有：经济数据指标E、交通指标C和人口指标M，则m为3，对于3个货物量影响因子的序列数据可以按照如下过程进行归一化处理：
Figure BDA0002028331130000151
其中，E表示经济数据指标，Emax表示最大经济数据指标，Emin表示最小经济数据指标；
Figure BDA0002028331130000152
其中，C表示交通指标，Cmax表示最大交通指标，Cmin表示最小交通指标；
Figure BDA0002028331130000153
其中，M表示人口指标，Mmax表示最大人口指标，Mmin表示最小人口指标。
图4示出了本申请实施例提供的又一货物量预测方法的流程示意图。
可选地，如图4所示，上述根据序列数据和预设改进NARX预测模型，得到对应的货物量预测数据的步骤，包括：
S401、将归一化处理的m个货物量影响因子的序列数据输入预设改进NARX预测模型。
S402、通过预设改进NARX预测模型的输入层、确定后的隐含层的非线性函数和输出层权重矩阵，得到对应的货物量预测数据。
具体地，可以将经过归一化处理的m个货物量影响因子的序列数据输入上述预设改进NARX预测模型的输入层，预设改进NARX预测模型的隐含层可以通过非线性函数建立m个货物量影响因子的序列数据与预测货物量之间的非线性映射关系，并通过输出层的权重矩阵输出对应的n个预测货物量作为货物量预测数据。
基于前述方法实施例所述的货物量预测方法，本申请实施例还提供一种货物量预测装置。
图5示出了本申请实施例提供的货物量预测装置的结构示意图。如图5所示，该货物量预测装置可以包括：
获取模块11，用于获取m个货物量影响因子的序列数据，其中，序列数据包括待预测时刻前的n个时刻的货物量影响因子数据，m和n均为大于0的整数；预测模块12，用于序列数据和预设改进NARX预测模型，得到对应的货物量预测数据，其中，预设改进NARX预测模型的隐含层包括非线性函数；平滑处理模块13，用于采用指数平滑法对货物量预测数据进行处理，得到待预测时刻的货物量预测值。
图6示出了本申请实施例提供的另一货物量预测装置的结构示意图。
可选地，如图6所示，该货物量预测装置还可以包括：训练模块14，用于在预测模块根据序列数据和预设改进NARX预测模型，得到对应的货物量预测数据之前，获取m个货物量影响因子和实际货物量的历史数据；基于反向传播算法，确定预设改进NARX预测模型隐含层的非线性函数和输出层权重矩阵。
图7示出了本申请实施例提供的又一货物量预测装置的结构示意图。
可选地，如图7所示，该货物量预测装置还可以包括：预处理模块15，用于在获取模块获取m个货物量影响因子的序列数据之后，确定m个货物量影响因子的序列数据中不符合预设规则的数据和缺失数据；去除不符合预设规则的数据，并采用相邻预设间隔数据的均值修补缺失数据，得到预处理后的m个货物量影响因子的序列数据；归一化模块16，用于将预处理后的m个货物量影响因子的序列数据进行归一化处理，得到归一化处理后的m个货物量影响因子的序列数据。
可选地，上述预测模块12，具体用于将归一化处理的m个货物量影响因子的序列数据输入预设改进NARX预测模型；通过预设改进NARX预测模型的输入层、确定后的隐含层的非线性函数和输出层权重矩阵，得到对应的货物量预测数据。
可选地，货物量影响因子包括：经济数据指标、交通指标和人口指标。
如上所述，本申请实施例提供的货物量预测装置，执行了前述方法实施例所述的货物量预测方法，因此具备前述方法实施例中所述的全部有益效果，本申请在此不再一一赘述。
本申请实施例还提供一种电子设备，用于执行前述方法实施例所述的货物量预测方法。
图8示出了本申请实施例提供的电子设备的结构示意图。如图8所示，该电子设备包括：存储器21和处理器22，存储器21和处理器22通过总线连接，存储器21上存储有计算机程序，处理器22执行该计算机程序时执行前述方法实施例所述的货物量预测方法。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (6)

1.一种货物量预测方法，其特征在于，所述方法包括：
获取m个货物量影响因子的序列数据，其中，所述序列数据包括待预测时刻前的n个时刻的货物量影响因子数据，m和n均为大于0的整数；
根据所述序列数据和预设改进NARX预测模型，得到对应的货物量预测数据，其中，所述预设改进NARX预测模型的隐含层包括非线性函数；
采用指数平滑法对所述货物量预测数据进行处理，得到所述待预测时刻的货物量预测值；
其中，所述根据所述序列数据和预设改进NARX预测模型，得到对应的货物量预测数据的步骤之前，所述方法还包括：
获取m个货物量影响因子和实际货物量的历史数据；
基于反向传播算法，确定所述预设改进NARX预测模型隐含层的非线性函数和输出层权重矩阵；
其中，所述货物量影响因子包括：经济数据指标、交通指标和人口指标。
2.根据权利要求1所述的方法，其特征在于，所述获取m个货物量影响因子的序列数据的步骤之后，所述方法还包括：
确定m个货物量影响因子的序列数据中不符合预设规则的数据和缺失数据；
去除所述不符合预设规则的数据，并采用相邻预设间隔数据的均值修补所述缺失数据，得到预处理后的m个货物量影响因子的序列数据；
将预处理后的m个货物量影响因子的序列数据进行归一化处理，得到归一化处理后的m个货物量影响因子的序列数据。
3.根据权利要求2所述的方法，其特征在于，所述根据所述序列数据和预设改进NARX预测模型，得到对应的货物量预测数据的步骤，包括：
将归一化处理的m个货物量影响因子的序列数据输入所述预设改进NARX预测模型；
通过所述预设改进NARX预测模型的输入层、确定后的所述隐含层的非线性函数和输出层权重矩阵，得到对应的货物量预测数据。
4.一种货物量预测装置，其特征在于，包括：
获取模块，用于获取m个货物量影响因子的序列数据，其中，所述序列数据包括待预测时刻前的n个时刻的货物量影响因子数据，m和n均为大于0的整数；
预测模块，用于根据所述序列数据和预设改进NARX预测模型，得到对应的货物量预测数据，其中，所述预设改进NARX预测模型的隐含层包括非线性函数；
平滑处理模块，用于采用指数平滑法对所述货物量预测数据进行处理，得到所述待预测时刻的货物量预测值；
其中，所述装置还包括训练模块，用于在所述预测模块根据所述序列数据和预设改进NARX预测模型，得到对应的货物量预测数据之前，获取m个货物量影响因子和实际货物量的历史数据；基于反向传播算法，确定所述预设改进NARX预测模型隐含层的非线性函数和输出层权重矩阵；
其中，所述货物量影响因子包括：经济数据指标、交通指标和人口指标。
5.根据权利要求4所述的装置，其特征在于，还包括：
预处理模块，用于在所述获取模块获取m个货物量影响因子的序列数据之后，确定m个货物量影响因子的序列数据中不符合预设规则的数据和缺失数据；去除所述不符合预设规则的数据，并采用相邻预设间隔数据的均值修补所述缺失数据，得到预处理后的m个货物量影响因子的序列数据；
归一化模块，用于将预处理后的m个货物量影响因子的序列数据进行归一化处理，得到归一化处理后的m个货物量影响因子的序列数据。
6.根据权利要求5所述的装置，其特征在于，所述预测模块，具体用于将归一化处理的m个货物量影响因子的序列数据输入所述预设改进NARX预测模型；通过所述预设改进NARX预测模型的输入层、确定后的所述隐含层的非线性函数和输出层权重矩阵，得到对应的货物量预测数据。
CN201910302907.6A 2019-04-15 2019-04-15 货物量预测方法及装置 Active CN109993374B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910302907.6A CN109993374B (zh) 2019-04-15 2019-04-15 货物量预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910302907.6A CN109993374B (zh) 2019-04-15 2019-04-15 货物量预测方法及装置

Publications (2)

Publication Number Publication Date
CN109993374A CN109993374A (zh) 2019-07-09
CN109993374B true CN109993374B (zh) 2021-01-05

Family

ID=67133820

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910302907.6A Active CN109993374B (zh) 2019-04-15 2019-04-15 货物量预测方法及装置

Country Status (1)

Country Link
CN (1) CN109993374B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111062531B (zh) * 2019-12-13 2021-08-27 上海中通吉网络技术有限公司 快递干线运输方案的生成方法及装置
CN112785057B (zh) * 2021-01-21 2023-09-01 上海东普信息科技有限公司 基于指数平滑的件量预测方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106803128A (zh) * 2015-11-26 2017-06-06 华为技术有限公司 光伏发电的预测方法和装置
CN108665097A (zh) * 2018-05-02 2018-10-16 重庆交通大学 一种货运需求模拟预测方法、装置及存储介质
CN109214559A (zh) * 2018-08-17 2019-01-15 安吉汽车物流股份有限公司 物流业务的预测方法及装置、可读存储介质
CN109543924A (zh) * 2018-12-20 2019-03-29 上海德启信息科技有限公司 货量预测方法、装置和计算机设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150149234A1 (en) * 2013-11-27 2015-05-28 General Electric Company Systems and methods for airline fleet retirement prediction

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106803128A (zh) * 2015-11-26 2017-06-06 华为技术有限公司 光伏发电的预测方法和装置
CN108665097A (zh) * 2018-05-02 2018-10-16 重庆交通大学 一种货运需求模拟预测方法、装置及存储介质
CN109214559A (zh) * 2018-08-17 2019-01-15 安吉汽车物流股份有限公司 物流业务的预测方法及装置、可读存储介质
CN109543924A (zh) * 2018-12-20 2019-03-29 上海德启信息科技有限公司 货量预测方法、装置和计算机设备

Also Published As

Publication number Publication date
CN109993374A (zh) 2019-07-09

Similar Documents

Publication Publication Date Title
CN106874581B (zh) 一种基于bp神经网络模型的建筑空调能耗预测方法
CN112561082B (zh) 生成模型的方法、装置、设备以及存储介质
CN110717671B (zh) 一种确定参与方贡献度的方法及装置
CN106327028A (zh) 一种终端能源消耗量预测方法及装置
CN109409739B (zh) 一种基于pomdp模型的众包平台任务分配方法
CN109993374B (zh) 货物量预测方法及装置
US11763049B1 (en) Systems and methods for time series simulation
CN112613658A (zh) 逐日降雨量预测方法、装置、电子设备及存储介质
CN105894111B (zh) 一种基于互补型模糊神经网络的能源用量预测方法和装置
CN111898247A (zh) 滑坡位移预测方法、设备及存储介质
CN112990583A (zh) 一种数据预测模型的入模特征确定方法及设备
CN112465141A (zh) 模型压缩方法、装置、电子设备及介质
CN113705929A (zh) 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法
CN115203496A (zh) 基于大数据的项目智能预测及评估方法、系统及可读存储介质
CN117057258B (zh) 基于权重分配相关系数的黑启动过电压预测方法及系统
CN110009161A (zh) 供水预测方法及装置
CN112257958A (zh) 一种电力饱和负荷预测方法及装置
CN114971736A (zh) 电力计量物资需求预测方法、装置、电子设备和存储介质
CN114066642A (zh) 电力零售的风险预测方法、终端及存储介质
CN111861227A (zh) 基于隶属度分析的用户推荐方法、装置、电子设备及介质
CN112581311A (zh) 一种多风电场聚合后出力长期波动特性预测方法及系统
CN110580494A (zh) 一种基于分位数逻辑回归的数据分析方法
CN109033216A (zh) 对象参数权重确定方法、装置、电子设备及可读存储介质
WO2024161615A1 (ja) 予測装置、予測方法、および予測プログラム
Li et al. A Novel Multi-variable Grey Prediction Model with the Inequality Constraints.

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