CN110866786A - 一种货量预测方法、装置、电子设备及存储介质 - Google Patents
一种货量预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110866786A CN110866786A CN201911110854.4A CN201911110854A CN110866786A CN 110866786 A CN110866786 A CN 110866786A CN 201911110854 A CN201911110854 A CN 201911110854A CN 110866786 A CN110866786 A CN 110866786A
- Authority
- CN
- China
- Prior art keywords
- cargo
- data
- time period
- historical
- prediction
- 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
Images
Classifications
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供的一种货量预测方法、装置、电子设备及存储介质,方法包括:获取第一时间段的第一历史货量数据以及第二时间段的第二历史货量数据,第一时间段早于第二时间段;分别将第一历史货量数据输入多个预测模型,获得每个预测模型输出的第二时间段的货量数据预测值;根据每个预测模型输出的数据预测值从多个预测模型中确定目标预测模型,其中,目标预测模型获得的货量数据预测值与第二历史货量数据最接近;以目标预测模型进行货量数据预测。通过预先利用历史货量数据对多个模型进行预测,根据预测结果与真实的历史货量数据的比较结果,选择出目标预测模型进行货量数据预测,由此可以较大程度地提高货量预测的准确性。
Description
技术领域
本申请涉及物流领域,具体而言,涉及一种货量预测方法、装置、电子设备及存储介质。
背景技术
近年来,快递行业随着电商的兴起业务量也大大增加,货量预测则是机器学习技术预测类算法在物流公司的一项应用。针对中转场的管理人员,提前知晓中转场即将出发和到达多少货量,对安排人员和车辆有重大意义。
传统的人工预测货量的方法,对货量也有大约的一个估计,但是得到的预测货量数据偏差较大,且无法系统化,会影响一线同事对资源的合理配置。
发明内容
有鉴于此,本申请实施例的目的在于提供一种货量预测方法、装置、电子设备及存储介质,以改善利用传统的货量预测方法得到的预测货量数据偏差过大的问题。
第一方面,本申请实施例提供了一种货量预测方法,包括:获取第一时间段的第一历史货量数据以及第二时间段的第二历史货量数据,所述第一时间段早于所述第二时间段;分别将所述第一历史货量数据输入多个预测模型,获得每个预测模型输出的所述第二时间段的货量数据预测值;根据每个预测模型输出的所述数据预测值从所述多个预测模型中确定目标预测模型,其中,所述目标预测模型获得的所述货量数据预测值与所述第二历史货量数据最接近;以所述目标预测模型进行货量数据预测。
本申请实施例通过预先利用历史货量数据对多个模型进行预测,根据预测结果与真实的历史货量数据的比较结果,选择出目标预测模型进行货量数据预测,使得每次货量预测时都可以选择出最适合当前时间段的预测模型进行货量预测,可以较大程度地提高货量预测的准确性。
进一步地,所述以所述目标预测模型进行货量数据预测,包括:获取第三时间段的第三历史货量数据,所述第三时间段与所述第一时间段相距预设时长,所述第三时间段晚于所述第一时间段;利用所述目标预测模型对所述第三历史货量数据进行预测处理,得到第四时间段的货量数据预测值,所述第四时间段晚于所述第三时间段。
本申请实施例利用目标预测模型对与第一历史货量数据较为接近的第三历史货量数据进行预测,使得后续可以得到较为准确的第四时间段的货量预测数据。
进一步地,所述获取第一时间段的第一历史货量数据以及第二时间段的第二历史货量数据之前,所述方法包括:获取第一时间段的初始历史货量数据;剔除所述初始历史货量数据中的异常历史货量数据,得到所述第一历史货量数据。
本申请实施例通过对历史货量数据进行筛选,可以除去一些不利于货量预测的异常历史货量数据,使得后续可以更加准确的对货量数据进行预测。
进一步地,所述剔除所述初始历史货量数据中的异常历史货量数据,包括:根据初始历史货量数据,在预先建立的货量统计图中绘制所述初始历史货量数据对应的折线图,其中,所述货量统计图的横坐标表示时长,纵坐标表示历史货量数据;根据与所述初始历史货量数据对应的折线,剔除所述异常历史货量数据,得到与所述历史货量数据对应的折线,所述异常历史货量数据对应的折线波动大于预设折线波动范围;根据与所述历史货量数据对应的折线,得到所述第一历史货量数据。
本申请实施例通过绘制折线图可以更加直观的确定出需要剔除的历史货量,由此可以提高对历史数据的预处理的效率,更加快速地得到预测的历史货量数据。
进一步地,所述分别将所述第一历史货量数据输入多个预测模型,获得每个预测模型输出的所述第二时间段的货量数据预测值之前,所述方法还包括:获取多个第五时间段的第五历史货量数据以及与第五时间段对应的第六时间段的第六历史货量数据,所述第五时间段早于所述第六时间段;将多个第五历史货量数据,以及对应的多个第六历史货量数据作为输入,对初始预测模型进行训练,输出多个所述预测模型。
本申请实施例将多个历史货量数据作为样本输入至对应的初始预测模型中进行训练,以得到对应的预测模型,使得后续可以对预先建立的多个预测模型进行选择。
进一步地,所述初始预测模型包括时间序列模型、Lasso回归模型、Xgboost模型和/或Theta算法模型。
本申请实施例通过将设定初始预测模型的多种类型,使得后续可以得到多种类型的预测模型,以便后续可以对货量数据进行准确的预测。
第二方面,本申请实施例提供了一种货量预测装置,包括:获取模块,用于获取第一时间段的第一历史货量数据以及第二时间段的第二历史货量数据,所述第一时间段早于所述第二时间段;初始预测模块,用于分别将所述第一历史货量数据输入多个预测模型,获得每个预测模型输出的所述第二时间段的货量数据预测值;选择模块,用于从所述多个预测模型中确定目标预测模型,所述目标预测模型获得的所述货量数据预测值与所述第二历史货量数据最接近;目标预测模块,用于以所述目标预测模型进行货量数据预测。
本申请实施例通过预先利用历史货量数据对多个模型进行预测,根据预测结果与真实的历史货量数据的比较结果,选择出最接近真实的历史货量数据的目标预测模型进行货量数据预测,使得每次货量预测时都可以选择出最适合当前时间段的预测模型进行货量预测,可以较大程度地提高货量预测的准确性。
进一步地,所述目标预测模块具体用于:获取第三时间段的第三历史货量数据,所述第三时间段与所述第一时间段相距预设时长,所述第三时间段晚于所述第一时间段;利用所述目标预测模型对所述第三历史货量数据进行预测处理,得到第四时间段的货量数据预测值,所述第四时间段晚于所述第三时间段。
本申请实施例利用目标预测模块对与第一历史货量数据较为接近的第三历史货量数据进行预测,使得后续可以得到较为准确的第四时间段的货量预测数据。
第三方面,本申请实施例提供了一种电子设备,包括:处理器、存储器和总线,其中,所述处理器和所述存储器通过所述总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如上述的方法。
第四方面,本申请实施例提供了一种非暂态计算机可读存储介质所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如上述的方法。
本申请的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
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为本申请实施例提供的一种货量预测方法的流程示意图;
图2为本申请实施例提供的又一种货量预测方法的流程示意图;
图3为本申请实施例提供的一种货量预测装置的结构示意图;
图4示出了一种可应用于本申请实施例中的电子设备的结构框图。
具体实施方式
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描述。
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。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
图1为本申请实施例提供的一种货量预测方法的流程示意图,本申请实施例提供了一种货量预测方法,包括:
步骤110:获取第一时间段的第一历史货量数据以及第二时间段的第二历史货量数据,第一时间段早于第二时间段。
在本申请可选的实施过程中,如果对需要进行货量预测的第四时间段进行货量预测时,一般会采用将与第四时间段对应的第三时间段的历史货量数据输入至预测模型中进行预测的方式。由于同一预测模型,对于输入不同的时间段的历史货量数据,输出的货量数据预测值也可能不同。因此,可以预先利用与输入预测模型的第三时间段较为接近的第一时间段的第一历史数据进行预先预测。而对于多个预测模型时,不同的预测模型可能对应的货量数据预测值不同。因此,可以利用不同的预测模型对同一第一时间段的第一历史数据进行预测,以得到不同的货量数据预测值。再根据货量数据预测值来选择预测模型。
值得说明的是,在进行货量预测之前,首先获取第一时间段的第一历史货量数据以及第二时间段的第二历史货量数据,以便后续可以利用多个预测模型对同一第一历史货量数据进行预测,得到与第二历史数据对应的预测货量数据。
还需要说明的是,货量数据是一线工作人员的判断物流工作量的重要参考指标,货量数据可以为物流中转场中即将出发的货物量、即将到达的货物量和/或仓库存储的货物量。具体的需要进行预测的货量类型可以根据实际需求进行调整。
其中,第二时间段可以为较为接近想要预测的时间段的时间段,即第二时间段可以与想要预测的时间段距离预设长度,即:第二时间段可以与想要预测的时间段间隔一天,或者是间隔两天,使得想要预测的时间段的货量数据与第二时间段的第二历史数据的状态类似。而第一时间段的第一历史货量数据需要输入至预测模型中,可以得到第二时间段的预测货量数据。同时,第一时间段的时间点可以早于第二时间段,第一时间段的时间长度可以为3天,对应的第二时间段的时间长度可以为1天,或者是第一时间段的时间长度可以为7天,对应的第二时间段的时间长度可以为3天。第一时间段的具体时间长度以及第二时间段的具体时间长度可以根据预测模型需要的精度进行调整,第二时间段的具体时间长度还可以根据需要进行货量预测的时间长度进行调整。
举例来说,如果需要预测7月11日当天的货量数据,则可以获取7月6-10日的历史货量数据,将7月6-9日的历史货量数据作为第一历史货量数据,将7月10日的历史货量数据作为第二历史货量数据。
步骤120:分别将第一历史货量数据输入多个预测模型,获得每个预测模型输出的第二时间段的货量数据预测值。
在本申请可选的实施过程中,为了得到与多个预测模型对应的货量数据预测值,可以利用多个预测模型对同一第一历史货量数据进行预测,每一预测模型输出一个第二时间段的货量数据预测值。由此,使得每一货量数据预测值与一个预测模型进行对应,后续可以根据货量数据预测值来选择预测模型进行预测。
其中,多个预测模型的种类可以不同,且预测模型的数量不限定,预测模型的具体种类和数量可以根据实际需求进行调整。
举例来说,假设有预测模型A、预测模型B以及预测模型C,则可以利用预测模型A对7月6-9日的历史货量数据进行预测,得到7月10的货量数据预测值X;利用预测模型B对7月6-9日的历史货量数据进行预测,得到7月10的货量数据预测值Y;利用预测模型C对7月6-9日的历史货量数据进行预测,得到7月10的货量数据预测值Z。
步骤130:根据每个预测模型输出的数据预测值从多个预测模型中确定目标预测模型,其中,目标预测模型获得的货量数据预测值与第二历史货量数据最接近。
在本申请可选的实施过程中,为了从多个预测模型中确定出与第二时间段对应的预测效果最优的预测模型,由此,可以根据不同的预测模型得到的货量数据预测值与第二时间段的历史货量数据的接近程度,选择出与最接近的货量数据预测值对应的预测模型,作为目标模型进行后续预测。
值得说明的是,步骤130具体包括:根据每一预测模型对应的货量数据预测值和对应的第二历史货量数据进行偏差计算,得到与预测模型对应的偏差率;根据每个预测模型输出的数据预测值从多个预测模型中确定目标预测模型,其中,目标预测模型为偏差率最小的预测模型。
在本申请可选的实施过程中,可以通过将第二时间段的不同的货量数据预测值与历史货量数据的接近程序转换为偏差率,再根据偏差率从多个预测模型中选择偏差率最小的预测模型作为目标预测模型。
其中,偏差率可以为货量数据预测值与历史货量数据的差值的绝对值,还可以为货量数据预测值与历史货量数据的差值的绝对值与历史货量数据的比值。偏差率的具体形式可以根据需求进行调整。
举例来说,假设7月10日的真实历史货量数据为I,则将货量数据预测值X、货量数据预测值Y以及货量数据预测值Z与真实历史货量数据I进行偏差计算。如果货量数据预测值X对应的偏差率为x,货量数据预测值Y对应的偏差率为y,货量数据预测值Z对应的偏差率为z,且偏差率y最小,则可以选择与货量数据预测值X对应的预测模型B作为目标预测模型。
步骤140:以目标预测模型进行货量数据预测。
在本申请可选的实施例中,由于目标预测模型的选择,是基于多个预测模型对较为接近的历史货量数据进行的预测,从货量数据预测值与历史货量数据的接近程度中做出的选择。因此,利用目标预测模型可以得到需要进行预测的第四时间段的较为准确的货量数据,由此可以较大程度地提高货量预测的准确性。
还需要说明的是,步骤140具体包括:获取第三时间段的第三历史货量数据,第三时间段与第一时间段相距预设时长,第三时间段晚于第一时间段;利用目标预测模型对第三历史货量数据进行预测处理,得到第四时间段的货量数据预测值,第四时间段晚于第三时间段。
在本申请可选的实施例中,可以获取与需要进行预测的第四时间段对应的第三时间段的第三历史货量数据,并利用目标预测模型对第三历史货量数据进行预测,得到第四时间段的货量预测值。通过预先对多个预测模型进行选择,再利用选择出的目标预测模型进行预测可以获得较为准确的第四时间段的货量数据预测值。
其中,由于第四时间段的货量数据预测值是利用目标预测模型对第三时间段的历史货量数据进行预测处理得到的,因此第四时间段可以晚于第三时间段。第四时间段与第二时间段相隔第二预设时间段,以使第四时间段与第二时间段需要进行预测的状态相似。同时,第三时间段与第一时间段相隔第二预设时间段,以使通过第三时间段的历史货量数据进行预测得到的预测货量数据,与通过第一时间段的历史货量数据进行预测得到的预测货量数据的状态相似。第一时间段可以早于第三时间段,即第一时间段的开始点可以早于第三时间段。而第一时间段和第三时间段的时间长度不限定,可以根据货量数据的精度需求进行调整。同理,第二时间段可以早于第四时间段,即第二时间段的开始点可以早于第四时间段。第二时间段与第四时间段的具体时间长度不限定,可以根据货量数据的精度需求进行调整。
图2为本申请实施例提供的又一种货量预测方法的流程示意图,在步骤110之前,方法还包括:
步骤210:获取第一时间段的初始历史货量数据。
步骤220:剔除初始历史货量数据中的异常历史货量数据,得到第一历史货量数据。
在本申请可选的实施过程中,货量数据常常与时间有关,但也存在一些特殊的情况导致货量数据的突变,例如:成交的大客户订单较多,导致货量数据突增;或者是因为节假日、购物节等原因导致物流过多,也会导致货量数据突增。因此如果直接对获取到的初始历史货量进行货量预测,可能会因为一些异常数据而导致货量预测不够准确。可以通过预先选择第一时间段的初始历史货量数据,再剔除初始货量数据中的异常历史货量数据,使得后续可以更加准确地进行货量预测。
值得说明的是,在对节假日、购物节或者是其他类型的特殊日子进行的货量预测时,可以将节假日、购物节等特殊日子的货量数据作为第一历史数据,而将普通日子的货量数据作为异常货量数据进行剔除。
值得说明的是,步骤220具体包括:根据初始历史货量数据,在预先建立的货量统计图中绘制初始历史货量数据对应的折线图,其中,货量统计图的横坐标表示时长,纵坐标表示历史货量数据。根据与初始历史货量数据对应的折线,剔除异常历史货量数据,得到与历史货量数据对应的折线,异常历史货量数据对应的折线波动大于预设折线波动范围。根据与历史货量数据对应的折线,得到第一历史货量数据。
并且,可以根据比较每一时间点的货量数据与上一时间点的货量数据的波动起伏的差异,来判定货量数据是否异常,也可以判定每一时间点的波动起伏是否超过预设波动范围,来判定货量数据是否异常。具体的异常货量数据的判断方法可以根据实际需求进行选择。
需要说明的是,也可以根据初始历史货量数据绘制其他形式的统计图,如曲线图,条形图等,具体的统计图的类型可以根据实际的剔除需求进行选择。
在上述任一实施例的基础上,分别将第一历史货量数据输入多个预测模型,获得每个预测模型输出的第二时间段的货量数据预测值之前,方法还包括:获取多个第五时间段的第五历史货量数据以及与第五时间段对应的第六时间段的第六历史货量数据,第五时间段早于第六时间段。将多个第五历史货量数据,以及对应的多个第六历史货量数据作为输入,对初始预测模型进行训练,输出多个预测模型。
在本申请可选的实施过程中,在进行模型应用之前,可以预先进行模型的训练。对于一个初始预测模型,可以通过获取多组历史数据对该初始预测模型进行训练,即将多个第五历史数据以及对应的第六历史货量数据作为输入,对初始预测模型进行训练,最后得到对应的预测模型。
需要说明的是,对于每一组历史数据,可以选择第五时间段的第五历史货量数据以及对应的第六时间段的第六历史货量数据,第五时间段早于六时间段,即第五时间段的开始点早于第六时间段的开始点。其中,每一组历史数据中的第五时间段的开始点可以不同,第六时间段的开始也可以不同,第五时间段的时间长度可以相同也可以不同,第六时间段的时间长度可以相同也可以不同,具体的可以根据实际的预测需求进行调整。
其中,初始预测模型包括时间序列模型、Lasso回归模型、Xgboost模型和/或Theta算法模型,具体的初始预测模型的类型可以是上述单一的模型,也可以是上述多个模型的组合,具体的模型类型可以根据需求进行调整。
由此,通过本申请提供的货量预测方法可以帮助一线工作人员从不同的维度对货量的变化趋势进行把控。同时,通过选择最优的模型进行预测,相较人工预测,可实现提前七天与三十天获得需要的货量预测情况,最重要的是相较于传统的货量预测方法在外场整体货量预测层级上可达到90%以上的预测准确度,尤其是在节假日的预测上实现85%以上的准确度,而节假日期间的货量预测一直是物流行业的难点。
图3为本申请实施例提供的一种货量预测装置的结构示意图,本申请实施例还提供了一种货量预测装置300,包括:获取模块310,用于获取第一时间段的第一历史货量数据以及第二时间段的第二历史货量数据,所述第一时间段早于所述第二时间段;初始预测模块320,用于分别将所述第一历史货量数据输入多个预测模型,获得每个预测模型输出的所述第二时间段的货量数据预测值;选择模块330,用于从所述多个预测模型中确定目标预测模型,所述目标预测模型获得的所述货量数据预测值与所述第二历史货量数据最接近;目标预测模块340,用于以所述目标预测模型进行货量数据预测。
在上述实施例的基础上,所述目标预测模块340具体用于:获取第三时间段的第三历史货量数据,所述第三时间段与所述第一时间段相距预设时长,所述第三时间段晚于所述第一时间段;利用所述目标预测模型对所述第三历史货量数据进行预测处理,得到第四时间段的货量数据预测值,所述第四时间段晚于所述第三时间段。
在上述实施例的基础上,所述货量预测装置300还包括:筛选模块,用于获取第一时间段的初始历史货量数据;剔除所述初始历史货量数据中的异常历史货量数据,得到所述第一历史货量数据。
在上述实施例的基础上,所述筛选模块具体用于:根据初始历史货量数据,在预先建立的货量统计图中绘制所述初始历史货量数据对应的折线图,其中,所述货量统计图的横坐标表示时长,纵坐标表示历史货量数据;根据与所述初始历史货量数据对应的折线,剔除所述异常历史货量数据,得到与所述历史货量数据对应的折线,所述异常历史货量数据对应的折线波动大于预设折线波动范围;根据与所述历史货量数据对应的折线,得到所述第一历史货量数据。
在上述实施例的基础上,所述货量预测装置300还包括:训练模型模块,用于获取多个第五时间段的第五历史货量数据以及与第五时间段对应的第六时间段的第六历史货量数据,所述第五时间段早于所述第六时间段;将多个第五历史货量数据,以及对应的多个第六历史货量数据作为输入,对初始预测模型进行训练,输出多个所述预测模型。
在上述实施例的基础上,所述初始预测模型包括时间序列模型、Lasso回归模型、Xgboost模型和/或Theta算法模型。
本申请实施例提供的货量预测装置300用于执行上述货量预测方法,其具体的实施方式与方法的实施方式一致,此处不再赘述。
请参照图4,图4示出了一种可应用于本申请实施例中的电子设备10的结构框图。电子设备10可以包括存储器101、存储控制器102、处理器103、外设接口104、输入输出单元105、显示单元107。
所述存储器101、存储控制器102、处理器103、外设接口104、输入输出单元105、显示单元107各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。至少一个软件或固件(firmware)存储于所述存储器101中或固化在操作系统(operating system,OS)中的软件功能模块。所述处理器103用于执行存储器101中存储的可执行模块,软件功能模块或计算机程序。
其中,存储器101可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。其中,存储器101用于存储程序,所述处理器103在接收到执行指令后,执行所述程序,前述本申请实施例任一实施例揭示的流过程定义的服务器所执行的方法可以应用于处理器103中,或者由处理器103实现。
处理器103可以是一种集成电路芯片,具有信号的处理能力。上述的处理器103可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器103也可以是任何常规的处理器等。
所述外设接口104将各种输入/输出装置耦合至处理器103以及存储器101。在一些实施例中,外设接口104,处理器103以及存储控制器102可以在单个芯片中实现。在其他一些实例中,他们可以分别由独立的芯片实现。
输入输出单元105用于提供给用户输入数据实现用户与所述服务器(或本地终端)的交互。所述输入输出单元105可以是,但不限于,鼠标和键盘等。
显示单元107在所述电子设备10与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中,所述显示单元107可以是液晶显示器或触控显示器。若为触控显示器,其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作,并将该感应到的触控操作交由处理器103进行计算和处理。
可以理解,图4所示的结构仅为示意,所述电子设备10还可包括比图4中所示更多或者更少的组件,或者具有与图4所示不同的配置。图4中所示的各组件可以采用硬件、软件或其组合实现。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法中的对应过程,在此不再过多赘述。
综上所述,本申请实施例提供了一种货量预测方法、装置、电子设备及存储介质,所述方法包括:获取第一时间段的第一历史货量数据以及第二时间段的第二历史货量数据,所述第一时间段早于所述第二时间段;分别将所述第一历史货量数据输入多个预测模型,获得每个预测模型输出的所述第二时间段的货量数据预测值;从所述多个预测模型中确定目标预测模型,所述目标预测模型获得的所述货量数据预测值与所述第二历史货量数据最接近;以所述目标预测模型进行货量数据预测。本申请实施例通过预先利用历史货量数据对多个模型进行预测,根据预测结果与真实的历史货量数据的比较结果,选择出目标预测模型进行货量数据预测,使得每次货量预测时都可以选择出最适合当前时间段的预测模型进行货量预测,可以较大程度地提高货量预测的准确性。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、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,所述模块、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方式中,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,两个连续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,这依所涉及的功能而定。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,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
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。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。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种货量预测方法,其特征在于,包括:
获取第一时间段的第一历史货量数据以及第二时间段的第二历史货量数据,所述第一时间段早于所述第二时间段;
分别将所述第一历史货量数据输入多个预测模型,获得每个预测模型输出的所述第二时间段的货量数据预测值;
根据每个预测模型输出的所述数据预测值从所述多个预测模型中确定目标预测模型,其中,所述目标预测模型获得的所述货量数据预测值与所述第二历史货量数据最接近;
以所述目标预测模型进行货量数据预测。
2.根据权利要求1所述的货量预测方法,其特征在于,所述以所述目标预测模型进行货量数据预测,包括:
获取第三时间段的第三历史货量数据,所述第三时间段与所述第一时间段相距预设时长,所述第三时间段晚于所述第一时间段;
利用所述目标预测模型对所述第三历史货量数据进行预测处理,得到第四时间段的货量数据预测值,所述第四时间段晚于所述第三时间段。
3.根据权利要求1所述的货量预测方法,其特征在于,所述获取第一时间段的第一历史货量数据以及第二时间段的第二历史货量数据之前,所述方法包括:
获取第一时间段的初始历史货量数据;
剔除所述初始历史货量数据中的异常历史货量数据,得到所述第一历史货量数据。
4.根据权利要求3所述的货量预测方法,其特征在于,所述剔除所述初始历史货量数据中的异常历史货量数据,包括:
根据初始历史货量数据,在预先建立的货量统计图中绘制所述初始历史货量数据对应的折线图,其中,所述货量统计图的横坐标表示时长,纵坐标表示历史货量数据;
根据与所述初始历史货量数据对应的折线,剔除所述异常历史货量数据,得到与所述历史货量数据对应的折线,所述异常历史货量数据对应的折线波动大于预设折线波动范围;
根据与所述历史货量数据对应的折线,得到所述第一历史货量数据。
5.根据权利要求1-4任一项所述的货量预测方法,其特征在于,所述分别将所述第一历史货量数据输入多个预测模型,获得每个预测模型输出的所述第二时间段的货量数据预测值之前,所述方法还包括:
获取多个第五时间段的第五历史货量数据以及与第五时间段对应的第六时间段的第六历史货量数据,所述第五时间段早于所述第六时间段;
将多个第五历史货量数据,以及对应的多个第六历史货量数据作为输入,对初始预测模型进行训练,输出多个所述预测模型。
6.根据权利要求5所述的货量预测方法,其特征在于,所述初始预测模型包括时间序列模型、Lasso回归模型、Xgboost模型和/或Theta算法模型。
7.一种货量预测装置,其特征在于,包括:
获取模块,用于获取第一时间段的第一历史货量数据以及第二时间段的第二历史货量数据,所述第一时间段早于所述第二时间段;
初始预测模块,用于分别将所述第一历史货量数据输入多个预测模型,获得每个预测模型输出的所述第二时间段的货量数据预测值;
选择模块,用于从所述多个预测模型中确定目标预测模型,所述目标预测模型获得的所述货量数据预测值与所述第二历史货量数据最接近;
目标预测模块,用于以所述目标预测模型进行货量数据预测。
8.根据权利要求7所述的货量预测装置,其特征在于,所述目标预测模块具体用于:
获取第三时间段的第三历史货量数据,所述第三时间段与所述第一时间段相距预设时长,所述第三时间段晚于所述第一时间段;
利用所述目标预测模型对所述第三历史货量数据进行预测处理,得到第四时间段的货量数据预测值,所述第四时间段晚于所述第三时间段。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线,其中,
所述处理器和所述存储器通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1-6任一项所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911110854.4A CN110866786A (zh) | 2019-11-12 | 2019-11-12 | 一种货量预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911110854.4A CN110866786A (zh) | 2019-11-12 | 2019-11-12 | 一种货量预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110866786A true CN110866786A (zh) | 2020-03-06 |
Family
ID=69653965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911110854.4A Pending CN110866786A (zh) | 2019-11-12 | 2019-11-12 | 一种货量预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110866786A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507541A (zh) * | 2020-04-30 | 2020-08-07 | 南京福佑在线电子商务有限公司 | 货量预测模型构建方法、货量测量方法、装置及电子设备 |
CN111507542A (zh) * | 2020-04-30 | 2020-08-07 | 南京福佑在线电子商务有限公司 | 货量测量方法、装置及电子设备 |
CN111652438A (zh) * | 2020-06-04 | 2020-09-11 | 上海燕汐软件信息科技有限公司 | 物流线路的动态优化方法和装置 |
CN111861006A (zh) * | 2020-07-23 | 2020-10-30 | 上海中通吉网络技术有限公司 | 基于三次回归曲线的快递业务量预测方法、装置及设备 |
CN111950781A (zh) * | 2020-07-31 | 2020-11-17 | 上海中通吉网络技术有限公司 | 订单到达量预测方法及设备 |
CN112182118A (zh) * | 2020-09-29 | 2021-01-05 | 中国平安人寿保险股份有限公司 | 基于多数据源的目标对象预测方法及其相关设备 |
CN112819239A (zh) * | 2021-02-19 | 2021-05-18 | 北京骑胜科技有限公司 | 产品数量预测方法、装置、电子设备和可读存储介质 |
CN113743532A (zh) * | 2021-09-16 | 2021-12-03 | 睿云奇智(重庆)科技有限公司 | 异常检测方法、装置、设备及计算机存储介质 |
CN113762574A (zh) * | 2020-11-26 | 2021-12-07 | 北京京东振世信息技术有限公司 | 航班推荐方法和装置以及电子设备和介质 |
CN113988485A (zh) * | 2021-12-24 | 2022-01-28 | 北京京东振世信息技术有限公司 | 站点到货量预测方法、装置、电子设备和计算机可读介质 |
CN114594202A (zh) * | 2020-12-07 | 2022-06-07 | 大金工业株式会社 | 室内空气质量的预测方法及室内空气质量检测系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014071023A1 (en) * | 2012-10-31 | 2014-05-08 | Moses Christopher | Systems and methods for improving scheduling inefficiencies using predictive models |
CN107944598A (zh) * | 2017-10-31 | 2018-04-20 | 苏宁云商集团股份有限公司 | 一种物流路径配置方法及系统 |
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 |
-
2019
- 2019-11-12 CN CN201911110854.4A patent/CN110866786A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014071023A1 (en) * | 2012-10-31 | 2014-05-08 | Moses Christopher | Systems and methods for improving scheduling inefficiencies using predictive models |
CN107944598A (zh) * | 2017-10-31 | 2018-04-20 | 苏宁云商集团股份有限公司 | 一种物流路径配置方法及系统 |
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 |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507542A (zh) * | 2020-04-30 | 2020-08-07 | 南京福佑在线电子商务有限公司 | 货量测量方法、装置及电子设备 |
CN111507541B (zh) * | 2020-04-30 | 2021-01-29 | 南京福佑在线电子商务有限公司 | 货量预测模型构建方法、货量测量方法、装置及电子设备 |
CN111507542B (zh) * | 2020-04-30 | 2021-08-17 | 南京福佑在线电子商务有限公司 | 货运订单量测量方法、装置及电子设备 |
CN111507541A (zh) * | 2020-04-30 | 2020-08-07 | 南京福佑在线电子商务有限公司 | 货量预测模型构建方法、货量测量方法、装置及电子设备 |
CN111652438A (zh) * | 2020-06-04 | 2020-09-11 | 上海燕汐软件信息科技有限公司 | 物流线路的动态优化方法和装置 |
CN111652438B (zh) * | 2020-06-04 | 2024-04-19 | 上海燕汐软件信息科技有限公司 | 物流线路的动态优化方法和装置 |
CN111861006A (zh) * | 2020-07-23 | 2020-10-30 | 上海中通吉网络技术有限公司 | 基于三次回归曲线的快递业务量预测方法、装置及设备 |
CN111950781A (zh) * | 2020-07-31 | 2020-11-17 | 上海中通吉网络技术有限公司 | 订单到达量预测方法及设备 |
CN111950781B (zh) * | 2020-07-31 | 2024-09-13 | 上海中通吉网络技术有限公司 | 订单到达量预测方法及设备 |
CN112182118B (zh) * | 2020-09-29 | 2023-12-05 | 中国平安人寿保险股份有限公司 | 基于多数据源的目标对象预测方法及其相关设备 |
CN112182118A (zh) * | 2020-09-29 | 2021-01-05 | 中国平安人寿保险股份有限公司 | 基于多数据源的目标对象预测方法及其相关设备 |
CN113762574A (zh) * | 2020-11-26 | 2021-12-07 | 北京京东振世信息技术有限公司 | 航班推荐方法和装置以及电子设备和介质 |
CN113762574B (zh) * | 2020-11-26 | 2024-06-18 | 北京京东振世信息技术有限公司 | 航班推荐方法和装置以及电子设备和介质 |
CN114594202A (zh) * | 2020-12-07 | 2022-06-07 | 大金工业株式会社 | 室内空气质量的预测方法及室内空气质量检测系统 |
CN112819239B (zh) * | 2021-02-19 | 2024-05-14 | 北京骑胜科技有限公司 | 产品数量预测方法、装置、电子设备和可读存储介质 |
CN112819239A (zh) * | 2021-02-19 | 2021-05-18 | 北京骑胜科技有限公司 | 产品数量预测方法、装置、电子设备和可读存储介质 |
CN113743532B (zh) * | 2021-09-16 | 2024-03-19 | 睿云奇智(重庆)科技有限公司 | 异常检测方法、装置、设备及计算机存储介质 |
CN113743532A (zh) * | 2021-09-16 | 2021-12-03 | 睿云奇智(重庆)科技有限公司 | 异常检测方法、装置、设备及计算机存储介质 |
WO2023116075A1 (zh) * | 2021-12-24 | 2023-06-29 | 北京京东振世信息技术有限公司 | 站点到货量预测方法、装置、电子设备和计算机可读介质 |
CN113988485A (zh) * | 2021-12-24 | 2022-01-28 | 北京京东振世信息技术有限公司 | 站点到货量预测方法、装置、电子设备和计算机可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110866786A (zh) | 一种货量预测方法、装置、电子设备及存储介质 | |
US10754688B2 (en) | Systems and methods of a production environment tool | |
CN107766533B (zh) | 话务量异常的自动检测方法及系统、存储介质、电子设备 | |
CN108022007B (zh) | 目标应用的日活跃用户数量预测方法、装置和终端设备 | |
CN111401801B (zh) | 一种确定目标物品仓库分散化存储的处理系统、方法 | |
EP3850441B1 (en) | Industrial bottleneck detection and management method and system | |
JP2017091329A (ja) | データベース分析装置およびデータベース分析方法 | |
CN112527598A (zh) | 监控数据的方法、装置、设备、存储介质和程序产品 | |
Kundu et al. | Analysing the impact of uncertainty reduction on WLC methods in MTO flow shops | |
CN110462653B (zh) | 用于控制车身车间处理的方法和系统 | |
JP2020175977A (ja) | 物品配置最適化システム及び方法 | |
CN110874640B (zh) | 使用机器学习(ml)的间歇数据的分布选择和模拟 | |
CN108665097A (zh) | 一种货运需求模拟预测方法、装置及存储介质 | |
CN112365156A (zh) | 一种数据处理方法、数据处理装置、终端及存储介质 | |
CN115858291A (zh) | 一种系统指标的检测方法、装置、电子设备及其存储介质 | |
US10909177B1 (en) | Percentile determination system | |
Höller et al. | Determining optimal parameters for expediting policies under service level constraints | |
Baier et al. | Identifying failure root causes by visualizing parameter interdependencies with spectrograms | |
CN111915115A (zh) | 执行策略设置方法和装置 | |
US20210405627A1 (en) | Production planning system | |
US10552485B1 (en) | Performance percentile determination and display | |
Plinta et al. | Adaptive inventory control system for material items with continuous non-stationary demand | |
US20110270589A1 (en) | Determining ill conditioning in square linear system of equations | |
Hung et al. | Application extensions from the stochastic capacity rationing decision approach | |
US20160300180A1 (en) | Product data analysis |
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: 20200306 |