CN110322046A - 一种消除异常货量影响的货量预测方法及系统 - Google Patents

Abstract

本发明公开了一种消除异常货量影响的货量预测方法及系统，其中，方法包括：根据选定的历史货物重量数据，计算货物重量的正常波动范围；对超出正常波动范围的异常货物重量进行修正；将修正后的历史货物重量数据结合相应的下单时间数据进行特征工程，构造按照下单时间排序的系列特征值；将系列特征值输入到预测模型进行训练；将预测日关联的特征值输入至训练好的预测模型中，获得预测货物重量。本发明在预测模型训练和预测前先对历史货物重量数据中的异常值进行修正，减少了异常值对预测结果的影响，使得最终得到的预测结果更为准确。

Description

一种消除异常货量影响的货量预测方法及系统

技术领域

本发明涉及货量预测技术领域，尤其涉及一种消除异常货量影响的货量预测方法及系统。

背景技术

近些年随着电商的蓬勃发展，物流行业的快速发展，各大快递公司货量激增造成了很大的管理压力。这种压力产生的根源在于公司业务发展过快，各个操作部或者营业点不能完成有效的经验积累和人才储备；进而时长造成了盲目决策、资源浪费。比如，在配置人力和车辆等资源上，缺乏经验已经成为一个极大的问题，过高的估计货量造成了资源的闲置，增加运营成本；而过低的估计货量造成了货物的积压，降低货物时效和客户满意度。因此，能够科学有效地对业务形势进行预判成为了物流行业一项重点课题。

目前，人工智能的发展，给物流行业的技术革新带来了更多可能。人工智能算法可以通过对历史数据的分析与学习，通过大数据产生预测的时间序列，科学有效的进行预测从而使管理更加精细，通过一些预测模型结合历史数据可以对未来的货量作出较为准确的预测，但是，事实上，历史数据中往往会存在一些异常值，从而导致预测的结果与实际情况出现较大的偏差，造成了资源的浪费。

发明内容

本发明提供了一种消除异常货量影响的货量预测方法及系统，以解决历史货量数据异常导致货量预测结果不准确的问题。

为了解决上述问题，本发明提供了一种消除异常货量影响的货量预测方法，其包括：根据选定的历史货物重量数据，计算货物重量的正常波动范围；对超出正常波动范围的异常货物重量进行修正；将修正后的历史货物重量数据结合相应的下单时间数据进行特征工程，构造按照下单时间排序的系列特征值；将系列特征值输入到预测模型进行训练；将预测日关联的特征值输入至训练好的预测模型中，获得预测货物重量。

作为本发明的进一步改进，根据选定的历史货物重量数据，计算货物重量的正常波动范围的步骤，包括：计算选定的历史货物重量的货量基准值，货量基准值为选定的历史货物重量的截尾平均值或算术平均值；计算选定的历史货物重量的标准差，并根据n倍的标准差定义货量偏差范围；确定货物重量的正常波动范围

作为本发明的进一步改进，对超出正常波动范围的异常货物重量值进行修正的步骤，包括：若选定的历史货物重量中某一单货物重量小于正常波动范围的最小值，则将该单货物重量替换为正常波动范围的最小值；若选定的历史货物重量中某一单货物重量大于波动范围的最大值，则将将该单货物重量替换为正常波动范围的最大值。

作为本发明的进一步改进，系列特征值包括星期特征值、节假日特征值、月份特征值、上周同一天货物重量特征值；星期特征值包括{0，1，2，3，4，5，6}，依次对应当前下单日期是星期一至星期日；节假日特征值包括{0，1}，若当前下单日期是节假日，则节假日特征值为1，若当前下单日期不是节假日，则节假日特征值为0；月份特征值包括{1，2，3，4，...，12}，依次对应当前下单日期月份为一月份至十二月份；上周同一天货物重量特征值为当前下单日期七日前的实际货物重量数据。

作为本发明的进一步改进，预测模型为Prophet模型、RNN模型、LSTM模型中的一种。

为了解决上述问题，本发明还提供了一种消除异常货量影响的货量预测系统，其包括：计算模块，用于根据选定的历史货物重量数据，计算货物重量的正常波动范围；修正模块，用于对超出正常波动范围的异常货物重量进行修正；特征模块，用于将修正后的历史货物重量数据结合相应的下单时间数据进行特征工程，构造按照下单时间排序的系列特征值；训练模块，用于将系列特征值输入到预测模型进行训练；预测模块，用于将预测日关联的特征值输入至训练好的预测模型中，获得预测货物重量。

作为本发明的进一步改进，计算模块包括：第一计算单元，用于计算选定的历史货物重量的货量基准值，货量基准值为选定的历史货物重量的截尾平均值或算术平均值；第二计算单元，用于计算选定的历史货物重量的标准差，并根据n倍的标准差定义货量偏差范围；确定单元，用于确定货物重量的正常波动范围

作为本发明的进一步改进，修正模块包括：第一修正单元，用于当选定的历史货物重量中某一单货物重量小于正常波动范围的最小值时，将该单货物重量替换为正常波动范围的最小值；第二修正单元，用于当选定的历史货物重量中某一单货物重量大于波动范围的最大值时，将将该单货物重量替换为正常波动范围的最大值。

作为本发明的进一步改进，系列特征值包括星期特征值、节假日特征值、月份特征值、上周同一天货物重量特征值；星期特征值包括{0，1，2，3，4，5，6}，依次对应当前下单日期是星期一至星期日；节假日特征值包括{0，1}，若当前下单日期是节假日，则节假日特征值为1，若当前下单日期不是节假日，则节假日特征值为0；月份特征值包括{1，2，3，4，...，12}，依次对应当前下单日期月份为一月份至十二月份；上周同一天货物重量特征值为当前下单日期七日前的实际货物重量数据。

作为本发明的进一步改进，预测模型为Prophet模型、RNN模型、LSTM模型中的一种。

相比于现有技术，本发明通过检测出历史货物重量数据中的异常值，并对其进行修正，再将修正后的历史货物重量数据构建的系列特征输入至预测模型中进行训练和预测，减少了历史货物重量数据中的异常值对预测结果的影响，使得最终得到的预测结果更为准确，方便工作人员对人力和车辆等资源进行合理分配。

附图说明

图1为本发明消除异常货量影响的货量预测方法第一个实施例的流程图；

图2为本发明消除异常货量影响的货量预测方法第二个实施例的流程图；

图3为本发明消除异常货量影响的货量预测方法第二个实施例的流程图；

图4为本发明预测方法与传统预测方法预测结果统计图；

图5为本发明预测方法与传统预测方法预测错误率统计图；

图6为本发明消除异常货量影响的货量预测系统第一个实施例的功能模块示意图；

图7为本发明消除异常货量影响的货量预测系统第二个实施例的功能模块示意图；

图8为本发明消除异常货量影响的货量预测系统第三个实施例的功能模块示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用来限定本发明。

图1展示了本发明消除异常货量影响的货量预测方法的一个实施例。如图1所示，本实施例中，该消除异常货量影响的货量预测方法包括：

步骤S1，根据选定的历史货物重量数据，计算货物重量的正常波动范围。

具体地，历史运单信息是记录客户历史运单记录的重要凭证，历史运单信息中记录着货物重量数据，通常地，历史运单信息一般按照时间的维度进行汇总并存储。在对客户下单货量预测之前，选取预测日前客户发生的全部或部分的历史货量重量数据。选定历史货物重量数据之后，先根据该数据计算货物重量的正常波动范围，该正常波动范围是指货物重量的一个合理的波动范围，超出该正常波动范围的历史货物重量数据即可视为异常值。

如图2所示，本发明一个实施例中，步骤S1包括以下步骤：

步骤S10，计算选定的历史货物重量的货量基准值货量基准值为选定的历史货物重量的截尾平均值或算术平均值。

需要说明的是，货量基准值为选定的历史货物重量的截尾平均值或算术平均值。当货量基准值为选定的历史货物重量的截尾平均值时，将选定的历史货物重量中的最大值和最小值去除，再计算剩余数据的平均值，得到货量基准值当货量基准值为选定的历史货物重量的算术平均值时，计算所有选定的历史货物重量的平均值，得到货量基准值

步骤S11，计算选定的历史货物重量的标准差σ，并根据n倍的标准差σ定义货量偏差范围。

通常地，标准差可以有效的反应一组数据的统计分布情况，反应组内个体的离散程度，因此，本实施例中，在计算得到货量基准值之后，进一步可以计算得到选定的历史货物重量的标准差σ，具体可参阅标准差的计算公式，此处不再赘述，再根据标准差σ来定义货量偏差范围，本实施例中，货物偏差范围为n倍的标准差σ。

步骤S12，确定货物重量的正常波动范围

具体地，根据计算得到的货量基准值和货量偏差范围确定货物重量的正常波动范围，该正常波动范围为n为自然数。

例如，下表1记录了选定2019年4月1日至2019年4月14日间的历史货量数据，假设货量基准值为选定的历史货物重量的截尾平均值，则先剔除表中历史货物重量数据的最大值103035kg和最小值5934kg，再对剩下的历史货量数据计算均值，得到货量基准值为41786.75kg；货量基准值计算后，再计算2019年4月1日至2019年4月14日间历史货量数据的标准差σ，得到标准差σ为5730kg；当货量偏差范围为n＝1倍的标准差σ时，将货量基准值和货量偏差范围带入计算公式最终得到该组选定的历史货物重量数据的正常波动范围为[36056.75，47516.75]，超出该正常波动范围的值均为异常值。

表1选定的历史货物重量数据的部分运单信息

步骤S2，对超出正常波动范围的异常货物重量进行修正。

具体地，在计算得到正常波动范围之后，逐一检测选定的历史货物重量数据，超出该正常波动范围的历史货物重量即可视为异常货物重量，再对异常货物重量进行修正，让货物重量处于一个合理的区间范围，从而后续在将历史货量数据带入预测模型进行训练和预测时，不会因为货量的激增或者骤减使预测模型发生变化。

本实施例中，采用强制货量上下限的方式来对异常货物重量进行修正，如图3所示，本发明一个实施例中，步骤S2包括以下步骤：

步骤S20，若选定的历史货物重量中某一单货物重量小于正常波动范围的最小值，则将该单货物重量替换为正常波动范围的最小值。

步骤S21，若选定的历史货物重量中某一单货物重量大于波动范围的最大值，则将将该单货物重量替换为正常波动范围的最大值。

具体地，针对于选定的历史货物重量数据中，小于正常波动范围的最小值的历史货物重量，以正常波动范围的最小值进行替换；大于正常波动范围的最大值的历史货物重量，以正常波动范围的最大值进行替换，从而完成对所有的异常货物重量进行修正。例如，以上述表1中的例子进行说明，通过上述例子计算确定选定的历史货物重量数据的正常波动范围为[36056.75，47516.75]，在选定的2019年4月1日至2019年4月14日间的历史货量数据中可以看出，2019年4月3日的货量数据103035大于该正常波动范围的最大值，则对2019年4月3日的货量数据103035进行修正，将该正常波动范围的最大值47516.75替换2019年4月3日的货量数据103035；2019年4月6日的货量数据5934小于正常波动范围的最小值，则对2019年4月6日的货量数据5934进行修正，将该正常波动范围的最小值36056.75替换2019年4月6日的货量数据5934，具体修正后的结果请查阅下表2。通过对异常货物重量进行修正使得所有的历史货物重量均处于一个合理的范围之内，保证后续在将历史货量数据带入预测模型进行训练时，不会因为货量的激增或者骤减使预测模型发生变化。

表2货量修正前与货量修正后

步骤S3，将修正后的历史货物重量数据结合相应的下单时间数据进行特征工程，构造按照下单时间排序的系列特征值。

本发明一个实施例中，在完成对选定的历史货物重量数据的检测和异常值修正之后，将修正后的历史货物重量数据结合相应的下单时间数据进行特征工程，构造按照下单时间排序的系列特征值，其中相应的下单时间数据包括星期几、是否为节假日、月份信息，从而最终构造的系列特征值包括星期特征值、节假日特征值、月份特征值、上周同一天货物重量特征值四个特征值，进一步的，星期特征值包括{0，1，2，3，4，5，6}，依次对应当前下单日期是星期一至星期日；节假日特征值包括{0，1}，若当前下单日期是节假日，则节假日特征值为1，若当前下单日期不是节假日，则节假日特征值为0；月份特征值包括{1，2，3，4，...，12}，依次对应当前下单日期月份为一月份至十二月份；上周同一天货物重量特征值为当前下单日期七日前的实际货物重量数据，具体如下表3所示：

表3特征工程示例

例如，以表1中2019年4月1日的数据举例，由于2019年4月1日是星期一，所以星期特征值为1，由于2019年4月1日不是节假日，所以节假日特征值为0，由于2019年4月1日是4月份，所以月份特征值为4，由于2019年4月1日的上周同一天为2019年3月25日，上周同一天货物重量特征值为39953kg。于是，2019年4月1日这一天的下单数据经特征工程后，构造得到特征值为[1，0，4，39953]。如此，按照下单时间排序，通过特征工程构造得到系列特征值。

步骤S4，将系列特征值输入到预测模型进行训练。

优选地，该预测模型为Prophet模型、RNN模型、LSTM模型中的一种。

步骤S5，将预测日关联的特征值输入至训练好的预测模型中，获得预测货物重量。

预测日关联的特征值，指预测日之前发生的与预测日关联的历史货量数据进行特征工程得到特征值。其中，与预测日关联的历史货量数据，基于预测模型训练时入模特征变量的输入形式确定。本发明一个实施例中，模型训练时，入模特征变量输入形式为上周同一天货物重量特征值、星期特征值、节假日特征值和月份特征值，则预测日关联的特征值为预测日七日前的实际货物重量数据，以及预测日当天的星期特征值、节假日特征值和月份特征值。由于预测日关联的特征值包含在模型训练时所采用的按照下单时间排序的系列特征值中，因此，预测时，直接调用即可。

本发明实施例中，通过检测出历史货物重量数据中的异常值，并对其进行修正，再将修正后的历史货物重量数据构建的系列特征输入至预测模型中进行训练和预测，从而减少了历史货物重量数据中的异常值对预测结果的影响，使得最终得到的预测结果更为准确，方便工作人员对人力和车辆等资源进行合理分配。

如图4所示，图4展示了某日某地23条线路采用不同预测方法进行货量预测的对比效果，其中表示实际货物重量，表示利用本发明方案消除异常货量影响的货量预测得到的货量预测结果，表示单独采用传统预测方法进行预测得到的货量预测结果。为了更好的反应预测模型的预测精度的变化，计算模型的错误率，错误率定义为实际货物重量w_f与预测货物重量差值的绝对值与实际货物重量w_f的比值，其表达式为：

通过实际货物重量与本发明消除异常货量影响的货量预测方法进行预测的预测货物重量和传统预测方法预测的预测货物重量分别计算每条线路的错误率，得到如图5所示的错误率统计图，其中，表示本发明方案消除异常货量影响的货量预测方法的预测错误率，表示传统预测方法的预测错误率。由图中可以看出，传统的预测方法总体平均错误率为21％,而本发明的消除异常货量影响的货量预测方法的错误率降低至19％。线路上看，本发明的消除异常货量影响的货量预测方法对于货量波动性大的线路(例如：哈尔滨、大连)效果提升明显。

图6展示了本发明消除异常货量影响的货量预测系统的一个实施例。如图6所示，在本实施例中，该消除异常货量影响的货量预测系统包括计算模块10、修正模块11、特征模块12、训练模块13和预测模块14。

其中，计算模块10，用于根据选定的历史货物重量数据，计算货物重量的正常波动范围；修正模块11，用于对超出正常波动范围的异常货物重量进行修正；特征模块12，用于将修正后的历史货物重量数据结合相应的下单时间数据进行特征工程，构造按照下单时间排序的系列特征值；训练模块13，用于将系列特征值输入到预测模型进行训练；预测模块14，用于将预测日关联的特征值输入至训练好的预测模型中，获得预测货物重量。

上述实施例的基础上，其他实施例中，如图7所示，计算模块10包括第一计算单元100、第二计算单元101和确定单元102。

其中，第一计算单元100，用于计算选定的历史货物重量的货量基准值货量基准值为选定的历史货物重量的截尾平均值或算术平均值；第二计算单元101，用于计算选定的历史货物重量的标准差σ，并根据n倍的标准差σ定义货量偏差范围；确定单元102，用于确定货物重量的正常波动范围

上述实施例的基础上，其他实施例中，如图8所示，修正模块11包括第一修正单元110和第二修正单元111。

其中，第一修正单元110，用于当选定的历史货物重量中某一单货物重量小于正常波动范围的最小值时，将该单货物重量替换为正常波动范围的最小值；第二修正单元111，用于当选定的历史货物重量中某一单货物重量大于波动范围的最大值时，将将该单货物重量替换为正常波动范围的最大值。

上述实施例的基础上，其他实施例中，系列特征值包括星期特征值、节假日特征值、月份特征值、上周同一天货物重量特征值；

星期特征值包括{0，1，2，3，4，5，6}，依次对应当前下单日期是星期一至星期日；

节假日特征值包括{0，1}，若当前下单日期是节假日，则节假日特征值为1，若当前下单日期不是节假日，则节假日特征值为0；

月份特征值包括{1，2，3，4，...，12}，依次对应当前下单日期月份为一月份至十二月份；

上周同一天货物重量特征值为当前下单日期七日前的实际货物重量数据。

上述实施例的基础上，其他实施例中，预测模型为Prophet模型、RNN模型、LSTM模型中的一种。

关于上述五个实施例消除异常货量影响的货量预测系统中各模块实现技术方案的其他细节，可参见上述实施例中的消除异常货量影响的货量预测方法中的描述，此处不再赘述。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于系统类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上对发明的具体实施方式进行了详细说明，但其只作为范例，本发明并不限制于以上描述的具体实施方式。对于本领域的技术人员而言，任何对该发明进行的等同修改或替代也都在本发明的范畴之中，因此，在不脱离本发明的精神和原则范围下所作的均等变换和修改、改进等，都应涵盖在本发明的范围内。

Claims (10)

1.一种消除异常货量影响的货量预测方法，其特征在于，其包括：

根据选定的历史货物重量数据，计算货物重量的正常波动范围；

对超出正常波动范围的异常货物重量进行修正；

将修正后的历史货物重量数据结合相应的下单时间数据进行特征工程，构造按照下单时间排序的系列特征值；

将所述系列特征值输入到预测模型进行训练；

将预测日关联的特征值输入至训练好的预测模型中，获得预测货物重量。

2.根据权利要求1所述的消除异常货量影响的货量预测方法，其特征在于，所述根据选定的历史货物重量数据，计算货物重量的正常波动范围的步骤，包括：

计算所述选定的历史货物重量的货量基准值所述货量基准值为选定的历史货物重量的截尾平均值或算术平均值；

计算所述选定的历史货物重量的标准差σ，并根据n倍的标准差σ定义货量偏差范围；

确定所述货物重量的正常波动范围

3.根据权利要求1所述的消除异常货量影响的货量预测方法，其特征在于，所述对超出正常波动范围的异常货物重量值进行修正的步骤，包括：

若选定的历史货物重量中某一单货物重量小于正常波动范围的最小值，则将该单货物重量替换为正常波动范围的最小值；

若选定的历史货物重量中某一单货物重量大于所述波动范围的最大值，则将将该单货物重量替换为正常波动范围的最大值。

4.根据权利要求1所述的消除异常货量影响的货量预测方法，其特征在于，所述系列特征值包括星期特征值、节假日特征值、月份特征值、上周同一天货物重量特征值；

所述星期特征值包括{0，1，2，3，4，5，6}，依次对应当前下单日期是星期一至星期日；

所述节假日特征值包括{0，1}，若当前下单日期是节假日，则所述节假日特征值为1，若当前下单日期不是节假日，则所述节假日特征值为0；

所述月份特征值包括{1，2，3，4，...，12}，依次对应当前下单日期所述月份为一月份至十二月份；

所述上周同一天货物重量特征值为当前下单日期七日前的实际货物重量数据。

5.根据权利要求1所述的消除异常货量影响的货量预测方法，其特征在于，所述预测模型为Prophet模型、RNN模型、LSTM模型中的一种。

6.一种消除异常货量影响的货量预测系统，其特征在于，其包括：

计算模块，用于根据选定的历史货物重量数据，计算货物重量的正常波动范围；

修正模块，用于对超出正常波动范围的异常货物重量进行修正；

特征模块，用于将修正后的历史货物重量数据结合相应的下单时间数据进行特征工程，构造按照下单时间排序的系列特征值；

训练模块，用于将所述系列特征值输入到预测模型进行训练；

预测模块，用于将预测日关联的特征值输入至训练好的预测模型中，获得预测货物重量。

7.根据权利要求6所述的消除异常货量影响的货量预测系统，其特征在于，所述计算模块包括：

第一计算单元，用于计算所述选定的历史货物重量的货量基准值所述货量基准值为选定的历史货物重量的截尾平均值或算术平均值；

第二计算单元，用于计算所述选定的历史货物重量的标准差σ，并根据n倍的标准差σ定义货量偏差范围；

确定单元，用于确定所述货物重量的正常波动范围

8.根据权利要求6所述的消除异常货量影响的货量预测系统，其特征在于，所述修正模块包括：

第一修正单元，用于当选定的历史货物重量中某一单货物重量小于正常波动范围的最小值时，将该单货物重量替换为正常波动范围的最小值；

第二修正单元，用于当选定的历史货物重量中某一单货物重量大于所述波动范围的最大值时，将将该单货物重量替换为正常波动范围的最大值。

9.根据权利要求6所述的消除异常货量影响的货量预测系统，其特征在于，所述系列特征值包括星期特征值、节假日特征值、月份特征值、上周同一天货物重量特征值；

所述星期特征值包括{0，1，2，3，4，5，6}，依次对应当前下单日期是星期一至星期日；

所述节假日特征值包括{0，1}，若当前下单日期是节假日，则所述节假日特征值为1，若当前下单日期不是节假日，则所述节假日特征值为0；

所述月份特征值包括{1，2，3，4，...，12}，依次对应当前下单日期所述月份为一月份至十二月份；

所述上周同一天货物重量特征值为当前下单日期七日前的实际货物重量数据。

10.根据权利要求6所述的消除异常货量影响的货量预测方系统，其特征在于，所述预测模型为Prophet模型、RNN模型、LSTM模型中的一种。