CN110084437A - 订单的预测方法及装置、物流系统以及计算机可读介质 - Google Patents
订单的预测方法及装置、物流系统以及计算机可读介质 Download PDFInfo
- Publication number
- CN110084437A CN110084437A CN201910382564.9A CN201910382564A CN110084437A CN 110084437 A CN110084437 A CN 110084437A CN 201910382564 A CN201910382564 A CN 201910382564A CN 110084437 A CN110084437 A CN 110084437A
- Authority
- CN
- China
- Prior art keywords
- order
- history
- time
- parameter
- network model
- 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 49
- 238000003062 neural network model Methods 0.000 claims abstract description 68
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000010276 construction Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 241000208340 Araliaceae Species 0.000 claims description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 210000005036 nerve Anatomy 0.000 claims description 2
- 239000010410 layer Substances 0.000 description 19
- 238000004891 communication Methods 0.000 description 12
- 238000012360 testing method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 8
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
- G06Q10/0838—Historical data
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种订单的预测方法及装置、物流系统以及计算机可读介质。该方法包括提取多笔历史订单，每笔历史订单具有至少一个订单参数，所述订单参数包括订单时间；根据所述订单参数获得所述历史订单的时间序列；将所述历史订单的时间序列以及关联的外部参数作为样本，训练残差神经网络模型；以及使用经训练的残差神经网络模型预测目标时间段的订单量。本发明的订单预测方法和装置具备准确性高、时效性好及智能化的优点。
Description
技术领域
本发明涉及一种智能物流运输领域，尤其涉及一种预测物流订单数量分布的方法及装置、物流系统以及计算机可读介质。
背景技术
智能物流运输领域是人工智能技术与物流领域的交叉领域，旨在利用人工智能技术中的智能算法替代人工的方法来解决物流领域中的常见问题，例如供需预测问题、路径规划问题、道口计划问题、车辆调度问题、仓库选址问题等。其中供需预测问题又可以根据预测内容和预测周期分为订单预测、运力预测、仓储预测、天度预测、月度预测、年度预测等。在订单预测问题中，可以进一步根据发货地、收货地、商品类型等将问题细化。
智能物流运输领域解决订单预测问题的方案，一般是人工对历史订单数据进行分析，根据订单数量、商品产量和销量、仓储情况等数据，结合与商品相关的外部数据(如天气情况、经济情况、大宗商品价格等)，拟合出一系列能够大致描述订单数量变化规律的经验公式，并用于预测未来一段时间的订单数量。这种方案存在如下缺点：
1、人为筛选数据和设计经验公式的过程缓慢而低效，预测效果与人的经验高度相关，难以满足智能物流运输领域持续优化算法、实时预测的需要；
2、经验公式一般比较简单，大多是用线性模型进行拟合，难以描述多种数据之间存在的复杂的关系及特征。
发明内容
本发明所要解决的技术问题是提供一种基于残差神经网络模型的订单预测方法，可以根据多种复杂数据及信息来实时准确的预测目标时间段的订单量。
本发明为解决上述技术问题而采用的技术方案是提供一种订单的预测方法，包括以下步骤：提取多笔历史订单，每笔历史订单具有至少一个订单参数，所述订单参数包括订单时间；根据所述订单参数获得所述历史订单的时间序列；将所述历史订单的时间序列以及关联的外部参数作为样本，训练残差神经网络模型；以及使用经训练的残差神经网络模型预测目标时间段的订单量。
可选地，根据所述订单参数获得所述历史订单的时间序列的步骤包括：根据所述订单时间获得一个历史订单的时间序列。
可选地，根据所述订单参数获得所述历史订单的时间序列的步骤包括：根据所述订单时间之外的一个或多个订单参数将所述多笔历史订单分类；根据所述订单时间获得每类历史订单的时间序列。
可选地，所述订单参数还包括：出发地、目的地、商品类别、订单类型或其组合。
可选地，所述外部参数包括天气、经济数据或其组合。
可选地，所述方法还包括将所述历史订单的时间序列的变化特征包括在所述样本中。
可选地，所述残差神经网络模型包括多个层，所述多个层的数量和连接方式与所述历史订单的数据特点和/或所述样本的数量关联。
可选地，还包括将所述样本分为训练集、验证集和测试集，其中利用所述训练集来训练所述残差神经网络模型，且观察所述残差神经网络模型在验证集上的准确度，当所述验证集上的准确度达到最高时，停止训练，并利用所述残差神经网络模型在所述测试集上的表现来评估效果。
可选地，每产生新的历史订单，就实时提取历史订单。
本发明还提出一种订单的预测装置，包括：提取单元，用于提取多笔历史订单，每笔历史订单具有至少一个订单参数，所述订单参数包括订单时间；获取单元，用于根据所述订单参数获得所述历史订单的时间序列；构建单元，将所述历史订单的时间序列以及关联的外部参数作为样本，训练残差神经网络模型；以及预测单元，使用经训练的残差神经网络模型预测目标时间段的订单量。
可选地，获取单元根据订单时间获得一个历史订单的时间序列。在一些实施例中，获取单元按照如下方式获得所述时间序列：根据所述订单时间之外的一个或多个订单参数将所述多笔历史订单分类；根据所述订单时间获得每类历史订单的时间序列。
可选地，订单参数还包括：出发地、目的地、商品类别、订单类型或其组合。在一些实施例中，外部参数包括天气、经济数据或其组合。
可选地，构建单元还用于将历史订单的时间序列的变化特征包括在所述样本中。
可选地，残差神经网络模型包括多个层，所述多个层的数量和连接方式与历史订单的数据特点和/或样本的数量关联。
可选地，构建单元还用于将样本分为训练集、验证集和测试集，其中利用所述训练集来训练所述残差神经网络模型，且观察残差神经网络模型在验证集上的准确度，当验证集上的准确度达到最高时，停止训练，并利用残差神经网络模型在测试集上的表现来评估效果。
本发明为解决上述技术问题而采用的技术方案还包括一种物流系统，包括：存储器，用于存储可由处理器执行的指令；处理器，用于执行所述指令以实现如上所述的方法。
本发明为解决上述技术问题而采用的技术方案还包括一种存储有计算机程序代码的计算机可读介质，所述计算机程序代码在由处理器执行时实现如上所述的方法。
本发明由于采用以上技术方案，使之与现有技术相比，具有如下显著优点：
1、准确性高。利用残差神经网络模型从多种数据中提取出与未来订单量相关的信息，并根据这些信息对目标时间段的订单量进行预测，比传统的方式考虑到更多的信息，从而使预测结果的准确度更高；
2、时效性好。将训练好的残差神经网络模型放到云端，并与数据库连接，可以实时进行订单量的预测；
3、智能化。残差神经网络模型可以根据最新的数据进行在线学习，不断强化自身的预测能力，具有智能化的特点。
附图说明
为让本发明的上述目的、特征和优点能更明显易懂，以下结合附图对本发明的具体实施方式作详细说明，其中：
图1是本发明一实施例的订单预测方法的示例性流程图；
图2是残差神经网络模型中的残差块的结构示意图；
图3是本发明一实施例的订单预测方法中所使用的残差神经网络模型的结构示意图；
图4是本发明一实施例的订单预测方法的执行环境示意图；
图5是本发明一实施例的预测订单的装置的框图。
图6是本发明一实施例的物流系统的框图。
具体实施方式
为让本发明的上述目的、特征和优点能更明显易懂，以下结合附图对本发明的具体实施方式作详细说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其它不同于在此描述的其它方式来实施，因此本发明不受下面公开的具体实施例的限制。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
图1是本发明一实施例的订单预测方法的示例性流程图。参考图1所示，该订单的预测方法包括以下步骤：
步骤110，提取多笔历史订单。该多笔历史订单中每一笔都具有至少一个订单参数，并且该订单参数至少包括订单时间。
历史订单可以是在进行预测之前的任意一段时间之内已经产生的订单，可以是按照天、月或年等时间段为单位来计量。在本发明的实施例中，按照月为计量单位来对本发明的订单预测方法进行说明。在其他的实施例中，本发明的订单预测方法也可以按照天或年等单位来计量。
在一些实施例中，订单参数除订单时间之外还可以包括但不限于：出发地、目的地、商品类别、订单类型或其任意组合。用户可以自己定义各个订单参数的具体含义。例如订单时间可以表示订单生成的时间，或者表示货物的实际出库时间。出发地可以表示生产厂商的地址，或者表示货物的仓库位置。商品类别可以是按照商品的性质分类，例如对于汽车行业来说，商品类别可以是车身类型，如两厢车、三厢车、跑车、旅行车、敞篷车、SUV等。订单类型可以按照缓急分为例如普通类型或加急类型，也可以按照下单方式分为例如电话下单、网络下单、移动平台下单等。
步骤120，根据订单参数获得历史订单的时间序列。在本步骤中，期待获得历史订单的时间序列可以是按照时间顺序排列的大量数据列表，该数据列表中所包含的信息都与订单时间相对应。
当步骤110中的订单参数为订单时间时，本步骤还包括根据订单时间获得一个历史订单的时间序列。所获得的历史订单的时间序列可以如表一所示：
表一：
| 订单集编号 | 订单时间 | 订单量 |
| 1 | 2018年1月 | N1 |
| 2 | 2018年2月 | N2 |
| 3 | 2018年3月 | N3 |
| 4 | 2018年4月 | N4 |
| 5 | 2018年5月 | N5 |
表一所示的历史订单的时间序列中包含了多个订单时间以及对应于各个订单时间的订单量。在本发明的订单预测方法中，将各条订单时间及其对应的订单量组成的历史订单的时间序列作为样本，用于输入残差神经网络模型并对该模型进行训练，以用于对未来一段时间(目标时间段)的订单量进行预测。因此，在表一中还包含了订单集编号，用于对每一组订单时间及其对应的订单量进行编号。表一中所填写的内容均为示例，不用于限制该表格中的内容。
当步骤110中的订单参数除订单时间之外还包括其他一些参数时，本步骤还包括根据订单时间之外的一个或多个订单参数将多笔历史订单分类，并根据订单时间获得每类历史订单的时间序列。所获得的历史订单的时间序列可以如表二所示。
表二：
在表二中，*表示任意值，不用于限制该表格中的内容。如表二所示，订单参数除订单时间之外还包括出发地、目的地、商品类别和订单类型。举例说明，在本步骤中，在订单参数中，根据商品类别对多笔历史订单进行分类，例如商品类别包括A类、B类和C类。则对应于这三类历史订单，可以根据订单时间获得每类历史订单的时间序列，如表三A至表三C所示。
表三A：
| 订单集编号 | 订单时间 | 订单量 | 商品类别 |
| 11 | 2018年1月 | AN1 | A |
| 12 | 2018年2月 | AN2 | A |
| 13 | 2018年3月 | AN3 | A |
| 14 | 2018年4月 | AN4 | A |
| 15 | 2018年5月 | AN5 | A |
表三B：
| 订单集编号 | 订单时间 | 订单量 | 商品类别 |
| 21 | 2018年1月 | BN1 | B |
| 22 | 2018年2月 | BN2 | B |
| 23 | 2018年3月 | BN3 | B |
| 24 | 2018年4月 | BN4 | B |
| 25 | 2018年5月 | BN5 | B |
表三C：
在表三A至表三C中的订单集编号不同，表示每类历史订单的时间序列都作为不同的样本，用于输入残差神经网络模型并对该模型进行训练，再利用训练好的残差神经网络模型对目标时间段的订单量进行预测。
可以理解的是，表一和表二所示的历史订单的时间序列仅为示例，本领域技术人员可以根据实际需要设定订单参数里所要包含的内容。其中，表一所示为历史订单的时间序列至少要包含的内容，即订单时间及其对应的订单量。
在具体实施中，可能无法直接获得表一和表二所示的历史订单的时间序列，只能获取历史订单对应的整车物流订单时间序列数据、库存序列数据等原始数据。因此，可以通过一定的算法对所获取的原始数据进行处理，例如，数据清洗、剔除异常值等，从中提取出本发明所需要的历史订单的时间序列。
步骤130，将历史订单的时间序列以及关联的外部参数作为样本，训练残差神经网络模型。
神经网络模型常用于建立输入和输出之间的非线性关系，利用经训练的神经网络模型可以根据新的输入数据来预测其所对应的输出数据。理论上，网络越深，即网络的层数越多，训练的效果越好，得到的预测结果也会越准确。然而实际上，随着网络深度的增加，训练难度也增加，使网络很难被优化。残差神经网络模型(Residual Networks)，简称ResNets，即在神经网络模型中加入shortcut connections，使网络更容易被优化。
图2是残差神经网络模型中的残差块的结构示意图。参考图2所示，该残差块中包括两层隐含层，x表示输入，ReLU(Rectified Linear Unit)表示激活函数。F(x)表示残差块在第二层网络激活函数之前的输出。对于普通的神经网络结构来说，第二层网络在激活函数之前的输出原本为H(x)，则在该两层网络中，最优的输出就是输入x，也即需要根据H(x)＝x来对该两层网络进行优化。对于残差块来说，将输入x与第二层网络激活函数之前的输出连接起来，即通过shortcut connection将输入x与F(x)相加，使得H(x)＝F(x)+x。则在优化时只需要将F(x)＝H(x)-x优化为零即可。后者的优化比前者简单。将多个残差块连接起来，可以形成多层不同结构的残差神经网络模型。
图3是本发明一实施例的订单预测方法中所使用的残差神经网络模型的结构示意图。参考图3所示，其中将样本输入到输入层310，该样本即步骤120中所获得的历史订单的时间序列。输出层330的输出为目标时间段的订单量。中间层320为该网络模型中的隐含层，用于把输入层310所输入的样本抽象到另一个维度空间，来展现其抽象化的特征，从而可以对这些特征进行划分。图3中示例性的示出了321-326六层隐含层。在本发明的实施例中，中间层320中包含了若干如图2所示的残差块，如图3中的带箭头的曲线所示。可以理解的是，图3所示并不用于限制本发明实施例中的残差神经网络模型的具体结构，包括隐含层的结构以及残差块的shortcut connections的方式。
在一些实施例中，该残差神经网络模型包括多个层，该多个层的数量和连接方式与历史订单的数据特点和/或样本的数量关联。由于在步骤120中所获得历史订单的时间序列取决于订单参数。当订单参数不同时，该历史订单的时间序列的数据特点也不同。所选取的订单参数越多，所获得的历史订单的时间序列也越多，输入到残差神经网络模型的样本的数量也越多，相应数据的复杂度越高。当历史订单的时间序列较为简单时，如表一所示，该历史订单的时间序列仅根据订单时间而获得，则该残差神经网络模型的层的数量可以较少，如3层，连接方式也可以较简单，例如图3所示仅需要其中带箭头的虚线曲线所示的shortcut connections。当历史订单的时间序列较为复杂时，如表二所示，获得该历史订单的时间序列所根据的订单参数除订单时间之外还包括出发地、目的地、商品类别和订单类型，则该残差神经网络模型的层的数量需要增多，如图3所示的6层，连接方式也需要更复杂，例如同时采取图3中带箭头的虚线曲线和实线曲线所示的shortcut connections。
在一些实施例中，输入到残差神经网络模型的样本中还包括历史订单的时间序列的变化特征。该变化特征可以表示在某一段时间内，订单量随时间的变化规律，例如在一年中，订单量每个月的变化规律；再例如在一年中，某一类商品类别的商品订单量每个月的变化规律等。本发明实施例对如何获得该变化特征不做限制，本领域技术人员可以根据实际需要，利用任意方式计算任意订单参数及其组合的变化特征。
在实际应用中，一些关联的外部参数对物流订单的订单量会产生重要的影响。这些关联的外部参数可以包括但不限于天气、经济数据等或其组合。例如，在某一段时间内晴朗天气较多，订单量增多，恶劣天气较多，订单量减少；在某一段时间内经济数据较好，订单量增多，经济数据较差，订单量减少。因此，将这些关联的外部参数与历史订单的时间序列一起作为输入残差神经网络模型的样本。在利用该残差神经网络模型对目标时间段的订单量进行预测时，就可以结合天气预报和/或经济分析报告等因素，更加精准的预测目标时间段的订单量。
在一些实施例中，可以将本步骤130中所获得的样本分为训练集、验证集和测试集。其中利用训练集来训练残差神经网络模型，且观察残差神经网络模型在验证集上的准确度，当验证集上的准确度达到最高时，停止训练，并利用残差神经网络模型在测试集上的表现来评估效果。例如，表四是输入到残差神经网络模型的输入层310中的样本示例。
表四：
在表四所示的示例中，输入到残差神经网络模型输入层310的样本包括由订单时间、商品类别获得的历史订单的时间序列，以及相应订单时间对应的外部参数。其中订单时间从第M月到第N-1月共N-M个月的订单量是输入量。第N月的订单量作为根据第M月到第N-1月的订单量预测出的输出量。天气作为外部参数的一个示例，也分别对应于这些订单时间。根据商品类别和天气对这些历史订单进行分类，获得每类历史订单的时间序列，就形成了多个包含输入-输出的样本。
在一些实施例中，将表四中的样本均分为三份，假设每一份中的样本数量为s。第一份作为训练集，用于训练残差神经网络模型。该训练集中包括t个月中的订单量、商品类别和天气等数据。假设以t个月中的订单量、商品类别和天气作为输入，第t+1个月的订单量作为输出。第t+1个月的订单量所对应的商品类别和天气是已知的。经过训练，使该残差神经网络模型的输出等于第t+1个月、某一类商品类别、在某种天气情况下的订单量。
对残差神经网络模型进行训练的过程中可以使用BP算法。其中，通过训练误差来逐步调整各层间的输入权重和偏置，这个调整的过程依据的算法可以包括梯度下降法和最小二乘法。在本发明的优选实施例中采用梯度下降法。
第二份样本作为验证集，在训练过程结束之前，将验证集中的样本输入到经训练的残差神经网络模型中。由于验证集的样本数据不同于训练集中的数据，因此，通过观察经训练的残差神经网络模型的输出结果即可评估该经训练的残差神经网络模型的准确度。当验证集上的准确度达到最高时，停止训练。在另一实施例中，可以预设一准确度期望值E，若该经训练的残差神经网络模型的准确度尚未达到该准确度期望值E，则继续利用训练集对该残差神经网络模型进行训练，若已经达到该准确度期望值E，则停止训练。可以理解的是，当该经训练的残差神经网络模型的准确度尚未达到该准确度期望值E时，也可以更新训练集中的样本，例如增加一些新的样本进入训练集中，利用该更新的训练集继续训练该残差神经网络模型。
第三份样本作为测试集，将测试集中的样本数据输入到训练好的残差神经网络模型中。假设测试集中的样本数据包括c个月中的订单量、商品类别和天气等数据。通过训练好的残差神经网络模型所获得的输出为第c+1个月某一类商品类别、在某种天气情况下的订单量。第c+1个月中某一类商品类别、在某种天气情况下的订单量是已知的。比较该残差神经网络模型的输出和实际的订单量，即可对该残差神经网络模型的表现进行评估。
上述示例并不用于限制对样本的划分方式及数量。例如，在一些实施例中，可以选择样本总量的50％作为训练集，验证集和测试集的数量都是样本总量的25％。在其他的实施例中，可以根据实际需要确定用于输入到残差神经网络模型中的样本所包含的内容。
步骤140，使用经训练的残差神经网络模型预测目标时间段的订单量。
仍然以表四所示的样本为例，在该实施例中，目标时间段即为第N个月，该第N个月的订单量尚未产生，具体数量未知。当该残差神经网络模型经过训练之后，即可以使用该经训练的残差神经网络模型对第N个月的订单量进行预测。由于该示例的样本中除订单时间外还包括商品类别和天气，因此在利用该经训练的残差神经网络模型进行预测时，可以根据天气预报的信息，预测第N个月某一类商品类别的订单量。
本发明利用残差神经网络模型可以从多种样本数据，例如时间、地点、商品类别、天气、经济等各种数据中提取出与未来订单量变化相关的信息，并利用这些信息对订单量进行预测。与传统的方式相比，本发明的订单预测方法可以考虑到更多、更复杂的信息，从而可以更加精准的预测目标时间段的订单量。
在一些实施例中，当产生新的历史订单时，本发明的订单预测方法可以实时提取该历史订单，将新的历史订单加入到所有历史订单的集合中。这些实施例中的残差神经网络模型可以实时的更新输入样本的数据，并进行在线学习，使其自身的预测能力不断的被强化，具有智能化的特点。
图4是本发明一实施例的订单预测方法的执行环境示意图。参考图4所示，该执行环境主要由在线服务器410、防火墙420、路由器430和用户440。其中，用户440示例性的包括用户441和用户442，该示例并不用于限制用户的数量和分布。将按照本发明的订单预测方法中训练好的残差神经网络模型放到在线服务器410中，并与存储有历史订单、订单参数的数据库相连接。在线服务器410通过实时读取数据库中的物流订单数据，自动通过残差神经网络模型进行数据处理和订单量预测，具备良好的时效性。在一些实施例中，在线服务器410可在云平台上实现。仅作为示例，云平台可包括私有云、公共云、混合云、社区云、分布式云、互联云、多重云等或者其任意组合。
防火墙420将在线服务器410与公众访问网隔离开。路由器430用于在多网络互联环境中建立灵活的连接，并将来自在线服务器410的数据和信息提供给用户440。
本发明的实施例还包括一种预测订单的装置。图5是本发明一实施例的预测订单的装置500的框图，装置500包括提取单元501、获取单元502、构建单元503和预测单元504。提取单元501用于提取多笔历史订单，每笔历史订单具有至少一个订单参数，订单参数包括订单时间。获取单元502用于根据订单参数获得历史订单的时间序列。构建单元503将历史订单的时间序列以及关联的外部参数作为样本，训练残差神经网络模型。预测单元504使用经训练的残差神经网络模型预测目标时间段的订单量。
在一些实施例中，获取单元502根据订单时间获得一个历史订单的时间序列。在一些实施例中，获取单元502按照如下方式获得所述时间序列：根据所述订单时间之外的一个或多个订单参数将所述多笔历史订单分类；根据所述订单时间获得每类历史订单的时间序列。
在一些实施例中，订单参数还包括：出发地、目的地、商品类别、订单类型或其组合。在一些实施例中，外部参数包括天气、经济数据或其组合。
在一些实施例中，构建单元503还用于将历史订单的时间序列的变化特征包括在所述样本中。
在一些实施例中，残差神经网络模型包括多个层，所述多个层的数量和连接方式与历史订单的数据特点和/或样本的数量关联。
在一些实施例中，构建单元503还用于将样本分为训练集、验证集和测试集，其中利用所述训练集来训练所述残差神经网络模型，且观察残差神经网络模型在验证集上的准确度，当验证集上的准确度达到最高时，停止训练，并利用残差神经网络模型在测试集上的表现来评估效果。
本发明的技术方案还包括一种物流系统，该物流系统包括存储器和处理器。该物流系统可以包含在图4所示的在线服务器410中，也可以是独立系统。
图6是本发明一实施例的物流系统的框图。参考图5所示，该物流系统可以包括内部通信总线601、处理器602、只读存储器(ROM)603、随机存取存储器(RAM)604、通信端口605、以及硬盘607等。内部通信总线601可以实现系统内部各个组件之间的数据通信。处理器602可以进行判断和发出提示。在一些实施例中，处理器602可以由一个或多个处理器组成。通信端口605可以实现系统与外部组件，例如图4中所示的用户440之间进行数据通信。
在一些实施例中，系统通过通信端口605可以连接到网络，并从网络发送和接受信息及数据。该连接可以是有线连接、无线连接、能够实现数据传送和/或接收的任意其他通信连接、和/或这些连接的任意组合。有线连接可包括例如电缆、光缆、电话线等或者其任意组合。无线连接可包括例如蓝牙TM链路、Wi-FiTM链路、WiMaxTM链路、WLAN链路、ZigBee链路、移动网络链路(例如，3G，4G，5G等)等或其组合。在一些实施例中，通信端口605可以是包括标准化通信端口，诸如RS232、RS485等。
系统中的存储器可以包括不同形式的程序储存单元以及数据储存单元，例如硬盘607，只读存储器603和随机存取存储器604，能够存储计算机处理和/或通信使用的各种数据文件，以及处理器602所执行的可能的程序指令。系统中的处理器602执行这些指令以实现本发明的预测订单的方法的主要部分。处理器602处理的结果通过通信端口605传给用户440，并在用户界面上显示。
本发明的订单预测方法可以以计算机程序代码的形式存储在计算机可读介质中，该计算机程序代码由处理器执行以实现该方法所要达到的功能。
本发明的订单预测方法的一些方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。处理器可以是一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理器件(DAPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器或者其组合。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。例如，计算机可读介质可包括，但不限于，磁性存储设备(例如，硬盘、软盘、磁带……)、光盘(例如，压缩盘CD、数字多功能盘DVD……)、智能卡以及闪存设备(例如，卡、棒、键驱动器……)。
计算机可读介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等等、或合适的组合形式。计算机可读介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、射频信号、或类似介质、或任何上述介质的组合。
此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个申请实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
虽然本发明已参照当前的具体实施例来描述，但是本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，在没有脱离本发明精神的情况下还可做出各种等效的变化或替换，因此，只要在本发明的实质精神范围内对上述实施例的变化、变型都将落在本申请的权利要求书的范围内。
Claims (10)
1.一种订单的预测方法，包括以下步骤：
提取多笔历史订单，每笔历史订单具有至少一个订单参数，所述订单参数包括订单时间；
根据所述订单参数获得所述历史订单的时间序列；
将所述历史订单的时间序列以及关联的外部参数作为样本，训练残差神经网络模型；以及
使用经训练的残差神经网络模型预测目标时间段的订单量。
2.如权利要求1所述的方法，其特征在于，根据所述订单参数获得所述历史订单的时间序列的步骤包括：
根据所述订单时间获得一个历史订单的时间序列。
3.如权利要求1所述的方法，其特征在于，根据所述订单参数获得所述历史订单的时间序列的步骤包括：
根据所述订单时间之外的一个或多个订单参数将所述多笔历史订单分类；
根据所述订单时间获得每类历史订单的时间序列。
4.如权利要求1所述的方法，其特征在于，所述订单参数还包括：出发地、目的地、商品类别、订单类型或其组合。
5.如权利要求1所述的方法，其特征在于，所述外部参数包括天气、经济数据或其组合。
6.如权利要求1所述的方法，其特征在于，还包括将所述历史订单的时间序列的变化特征包括在所述样本中。
7.如权利要求1所述的方法，其特征在于，所述残差神经网络模型包括多个层，所述多个层的数量和连接方式与所述历史订单的数据特点和/或所述样本的数量关联。
8.一种订单的预测装置，包括：
提取单元，用于提取多笔历史订单，每笔历史订单具有至少一个订单参数，所述订单参数包括订单时间；
获取单元，用于根据所述订单参数获得所述历史订单的时间序列；
构建单元，将所述历史订单的时间序列以及关联的外部参数作为样本，训练残差神经网络模型；以及
预测单元，使用经训练的残差神经网络模型预测目标时间段的订单量。
9.一种物流系统，包括：
存储器，用于存储可由处理器执行的指令；
处理器，用于执行所述指令以实现如权利要求1-7任一项所述的方法。
10.一种存储有计算机程序代码的计算机可读介质，所述计算机程序代码在由处理器执行时实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910382564.9A CN110084437A (zh) | 2019-05-09 | 2019-05-09 | 订单的预测方法及装置、物流系统以及计算机可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910382564.9A CN110084437A (zh) | 2019-05-09 | 2019-05-09 | 订单的预测方法及装置、物流系统以及计算机可读介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110084437A true CN110084437A (zh) | 2019-08-02 |
Family
ID=67419327
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910382564.9A Pending CN110084437A (zh) | 2019-05-09 | 2019-05-09 | 订单的预测方法及装置、物流系统以及计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110084437A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111242747A (zh) * | 2020-01-21 | 2020-06-05 | 北京爱数智慧科技有限公司 | 一种订单报价方法和装置 |
| CN111859172A (zh) * | 2019-09-24 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 信息推送方法、装置、电子设备和计算机可读存储介质 |
| CN111898889A (zh) * | 2020-07-17 | 2020-11-06 | 拉扎斯网络科技（上海）有限公司 | 一种数据处理的方法、装置、打包装置和信号生成装置 |
| CN112418771A (zh) * | 2020-12-08 | 2021-02-26 | 安徽九天印务有限公司 | 一种食品包装薄膜的配送系统 |
| CN112488600A (zh) * | 2019-09-11 | 2021-03-12 | 英业达科技有限公司 | 订单预测方法 |
| CN112700275A (zh) * | 2020-12-30 | 2021-04-23 | 成群 | 基于大数据的产品生产方法及平台 |
Citations (4)
| 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 |
| CN105373840A (zh) * | 2015-10-14 | 2016-03-02 | 深圳市天行家科技有限公司 | 代驾订单预测方法和代驾运力调度方法 |
| CN108564326A (zh) * | 2018-04-19 | 2018-09-21 | 安吉汽车物流股份有限公司 | 订单的预测方法及装置、计算机可读介质、物流系统 |
| 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 |
-
2019
- 2019-05-09 CN CN201910382564.9A patent/CN110084437A/zh active Pending
Patent Citations (4)
| 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 |
| CN105373840A (zh) * | 2015-10-14 | 2016-03-02 | 深圳市天行家科技有限公司 | 代驾订单预测方法和代驾运力调度方法 |
| 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 |
| CN108564326A (zh) * | 2018-04-19 | 2018-09-21 | 安吉汽车物流股份有限公司 | 订单的预测方法及装置、计算机可读介质、物流系统 |
Non-Patent Citations (1)
| Title |
|---|
| 裔隽等: "Python机器学习实战", 科学技术文献出版社, pages: 220 - 221 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112488600A (zh) * | 2019-09-11 | 2021-03-12 | 英业达科技有限公司 | 订单预测方法 |
| CN111859172A (zh) * | 2019-09-24 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 信息推送方法、装置、电子设备和计算机可读存储介质 |
| CN111859172B (zh) * | 2019-09-24 | 2023-11-21 | 北京嘀嘀无限科技发展有限公司 | 信息推送方法、装置、电子设备和计算机可读存储介质 |
| CN111242747A (zh) * | 2020-01-21 | 2020-06-05 | 北京爱数智慧科技有限公司 | 一种订单报价方法和装置 |
| CN111242747B (zh) * | 2020-01-21 | 2023-07-21 | 北京爱数智慧科技有限公司 | 一种订单报价方法和装置 |
| CN111898889A (zh) * | 2020-07-17 | 2020-11-06 | 拉扎斯网络科技（上海）有限公司 | 一种数据处理的方法、装置、打包装置和信号生成装置 |
| CN111898889B (zh) * | 2020-07-17 | 2021-06-15 | 拉扎斯网络科技（上海）有限公司 | 一种数据处理的方法、装置、打包装置和信号生成装置 |
| CN112418771A (zh) * | 2020-12-08 | 2021-02-26 | 安徽九天印务有限公司 | 一种食品包装薄膜的配送系统 |
| CN112700275A (zh) * | 2020-12-30 | 2021-04-23 | 成群 | 基于大数据的产品生产方法及平台 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110084437A (zh) | 订单的预测方法及装置、物流系统以及计算机可读介质 | |
| CN110084438A (zh) | 订单的预测方法及装置、物流系统以及计算机可读介质 | |
| Pelissari et al. | SMAA methods and their applications: a literature review and future research directions | |
| Moshood et al. | Green and low carbon matters: A systematic review of the past, today, and future on sustainability supply chain management practices among manufacturing industry | |
| Ghosalkar et al. | Real estate value prediction using linear regression | |
| Mulligan et al. | Central place theory and its reemergence in regional science | |
| Myllyviita et al. | Impact of normalisation, elicitation technique and background information on panel weighting results in life cycle assessment | |
| Pantano et al. | Knowledge Push Curve (KPC) in retailing: Evidence from patented innovations analysis affecting retailers' competitiveness | |
| Prasad et al. | Interdependency analysis of lean manufacturing practices in case of Bulgarian SMEs: interpretive structural modelling and interpretive ranking modelling approach | |
| Brendel et al. | Information systems in the context of sustainable mobility services: A literature review and directions for future research | |
| Sun et al. | Modeling and analyzing the impact of the Internet of Things-based Industry 4.0 on circular economy practices for sustainable development: Evidence from the food processing industry of China | |
| CN115685892B (zh) | 工业规划的方法、装置、设备、存储介质和程序产品 | |
| CN111539764B (zh) | 基于次模函数的大数据多址选择方法 | |
| Hu et al. | Finished-vehicle transporter routing problem solved by loading pattern discovery | |
| WO2021126012A1 (ru) | Система для матрично-цифрового преобразования переменного множества данных | |
| CN115049158B (zh) | 城市系统运行状态的预测方法、系统、存储介质及终端 | |
| Aghdaie et al. | Sales branches performance evaluation: a multiple attribute decision making approach | |
| Patil et al. | Simultaneous dynamic demand estimation models for major seaports in India | |
| CN106779240A (zh) | 民航市场宏观指数的预测方法及系统 | |
| Zak et al. | Multiple objective optimization of the fleet sizing problem for road freight transportation | |
| Vaseei et al. | A network data envelopment analysis to evaluate the performance of a sustainable supply chain using bootstrap simulation | |
| Semenov | Methods of complex evaluation of the level of competitiveness | |
| JP7310459B2 (ja) | 情報処理方法および情報処理装置 | |
| Topcu et al. | A decision support methodology for increasing the efficiency of the largest border crossing between Europe and Turkey | |
| Brestovac et al. | Applying multi-criteria decision analysis methods in embedded systems design |
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: 20190802 |