CN110889560A - 一种具有深度可解释性的快递序列预测的方法 - Google Patents
一种具有深度可解释性的快递序列预测的方法 Download PDFInfo
- Publication number
- CN110889560A CN110889560A CN201911240899.3A CN201911240899A CN110889560A CN 110889560 A CN110889560 A CN 110889560A CN 201911240899 A CN201911240899 A CN 201911240899A CN 110889560 A CN110889560 A CN 110889560A
- Authority
- CN
- China
- Prior art keywords
- express delivery
- prediction
- sequence
- express
- time
- 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 52
- 230000008878 coupling Effects 0.000 claims abstract description 9
- 238000010168 coupling process Methods 0.000 claims abstract description 9
- 238000005859 coupling reaction Methods 0.000 claims abstract description 9
- 230000000694 effects Effects 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims abstract description 6
- 230000003203 everyday effect Effects 0.000 claims abstract 2
- 239000013598 vector Substances 0.000 claims description 15
- 230000007246 mechanism Effects 0.000 claims description 12
- 230000014509 gene expression Effects 0.000 claims description 11
- 230000007774 longterm Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 230000002457 bidirectional effect Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012800 visualization Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种具有深度可解释性的快递序列预测的方法,将未来一段时间内目标区域的快递业务量表示为一个连续时间段中每天快递包裹量形成的时间序列,所述快递序列预测则为多步时间序列的预测。本发明提出的一种具有深度可解释性的快递序列预测的方法,与现有的预测快递业务量的方法相比,具有对多个因素的复杂耦合关系进行建模和自适应的动态分配影响权重的特定。同时该发明能够对方法的预测过程提供解释,发掘用户快递行为与影响因素的关联关系,在资源调度分配、电商促销活动等应用场景有着极其重要的作用。
Description
技术领域
本发明涉及智慧城市以及数据挖掘领域,尤其涉及利用深度神经网络进行快递业务量预测的方法。
背景技术
近年来随着经济发展,网购的兴起不仅带来了商业上的变化,更在逐步改变着传统消费者的购物习惯和理念。快递物流行业的发展,将虚拟网络与现实社会紧密的联系在了一起,为人们的日常生活提供了极大的便利。然而快递的日益普及也伴随着新的问题产生:一方面,日常时间段内,不同小区快递量存在一定范围波动变化,如果分拣人员、派件人员、仓库容量等人力资源保持不变,资源将无法充分利用;另一方面,双十一、春节前后等特殊时间节点,对快递包裹数量的错误估计容易造成快递爆仓、延时配送等问题,也间接导致了大量快递包裹毁坏、错送、耽搁,直接影响服务消费体验。现有的工作具有一定的局限性,一方面,现有工作未有提出对影响快递的多个因素的复杂耦合关系进行建模和自适应的动态分配影响权重的方法;另一方面,目前的工作未有针对深度神经网络预测模型提供模型可解释性的设计。由于人们的快递行为往往是与线上购物、快递配送服务相互关联的,如何解释用户与电商活动的关系,通过发掘用户快递行为与影响因素的关联关系在资源调度分配、电商促销活动等应用场景有着极其重要的意义。
目前,在智慧城市领域利用城市多源大数据对快递业务量进行预测的工作还未大量展开。
发明内容
本发明基于以上需求和缺陷,针对影响快递的多种因素进行分析,通过深度神经网络和多注意力机制对历史快递序列及关联因素特征进行建模学习,最终对目标区域未来一段时间的快递业务量进行预测。
本发明的技术方案为:一种具有深度可解释性的快递序列预测的方法,将未来一段时间内目标区域的快递业务量表示为一个连续时间段中每天快递包裹量形成的时间序列,所述快递序列预测则为多步时间序列的预测。
进一步的,一种具有深度可解释性的快递序列预测的方法,所述多步时间序列的预测方法包括以下步骤:
S1:数据分析与预处理:对快递数据进行汇聚,提取特征,并进行预处理和分析;所述特征包括内部特征和外部特征;所述内部特征反映快递时间序列对自身长期影响;所述外部特征反映与快递关联的外部因素的短期影响;
S2:构建预测模型:所述预测模型为DeepExpress时序预测模型;所述DeepExpress时序预测模型利用编码模块对所述内部特征和所述外部特征分别进行编码,将所述编码后的所述内部特征和所述外部特征表达进行拼接,利用预测解码模块通过多层感知机对序列化数据进行解码进行最终结果的回归预测;
S3:训练优化模型:利用训练样本对所述DeepExpress时序预测模型进行训练,通过网格搜索算法进行自动化调参,使DeepExpress时序预测模型最终收敛,优化DeepExpress时序预测模型的性能;
S4:利用模型进行预测:对于新的目标区域,应用训练好的DeepExpress时序预测模型;根据历史数据对未来快递业务量进行预测。
进一步的,一种具有深度可解释性的快递序列预测的方法,所述S1中所述快递数据为多源数据,所述多源数据包括历史快递面单数据、节假日信息表、历史天气记录数据。
进一步的,一种具有深度可解释性的快递序列预测的方法,所述S1中预处理使用的方法包括one-hot编码、归一化、正则化、矩阵变换、步长平移。
进一步的,一种具有深度可解释性的快递序列预测的方法,所述S1中所述分析为对提取的特征与快递之间的影响进行分析,定义对快递行为产生积极影响的为正向特征,对快递行为产生消极影响的为负向特征。
进一步的,一种具有深度可解释性的快递序列预测的方法,所述S2中对所述内部特征进行编码是以处理后的快递序列作为编码器输入,通过时间注意力机制捕获历史快递序列中存在的长期时序依赖和周期性变化规律,选取历史相关的时间步并为其分配较高的注意力权重,随后通过双向的GRU单元建立快递序列长期时序依赖关系的高维特征表达作为快递序列编码模块的输出。
进一步的,一种具有深度可解释性的快递序列预测的方法,所述S2中外部特征编码,以处理后的与快递存在耦合关联的离散数据特征作为编码器输入,通过特征注意力机制自适应的提取与当前状态存在紧密耦合的影响特征,并为其分配较高的注意力权重,随后通过双向的GRU单元建立外部特征短期关联影响关系的高维特征表达作为外部特征编码模块的输出。
进一步的,一种具有深度可解释性的快递序列预测的方法,所述预测模型中设置了注意力权重参数的监测机制,在模型进行预测的同时捕获所述两个编码器模块中注意力层的参数,用于模型获得预测结果后捕获时间和特征注意力向量并将其可视化。
进一步的,一种具有深度可解释性的快递序列预测的方法,所述可视化以热力图的形式可视化输出,其中颜色越深则表示参数对应的历史时间步/外部特征影响耦合性越大,模型预测过程中分配的注意力就越多。
本发明的有益效果为:本发明提出的一种具有深度可解释性的快递序列预测的方法,与现有的预测快递业务量的方法相比,具有对多个因素的复杂耦合关系进行建模和自适应的动态分配影响权重的特定。同时该发明能够对方法的预测过程提供解释,发掘用户快递行为与影响因素的关联关系,在资源调度分配、电商促销活动等应用场景有着极其重要的作用。
附图说明
图1为本发明一种基于深度神经网络的快递序列预测方法的流程图;
图2为本发明一种基于深度神经网络的快递序列预测方法的DeepExpress模型内部参数详细设计图;
图3为本发明一种基于深度神经网络的快递序列预测方法的实验结果对比图;
图4为本发明一种基于深度神经网络的快递序列预测方法的权重分配可视化结果。
具体实施方式
下面结合附图来进一步描述本发明的技术方案:
在描述本发明的方法之前,先对快递序列预测问题进行描述与形式化定义。本发明以时间序列预测为研究背景,将问题定义为目标区域快递包裹数量的多步时间序列的预测问题。
形式上,本发明所有涉及的参数定义如下:
模型包含两种输入X和Y,分别表示外部特征和快递序列,模型输出为一个长度K的序列,表示目标区域未来K天的快递量的预测结果。给定历史特征的时间窗长度L和历史快递序列长度T(其中L≤T),输入序列X包含N个特征,表示从目标时间t到过去t-l+1天的所有特征输入序列。表示长度为L的特征序列,表示t时刻具有n维特征的输入向量,Y=(y0,y1,…,yt-1)∈RT表示快递的历史值序列。
基于以上参数定义,对该问题定义如下:
对于给定T天的历史快递序列以及n维外部特征序列的当前和历史的记录值,本发明要解决的问题即为建立一个时序预测模型用于未来序列值得估计,表示为其中F(·)为映射函数,整个预测过程则是通过对前一步预测结果的K次迭代生成预测序列E(R)={yt,yt+1,…,yt+k|k∈K},R∈{Ru,Rc,Rr,Rv}。
如图1所示,一种具有深度可解释性的快递序列预测的方法,所述多步时间序列的预测方法包括以下步骤:
S1:数据分析与预处理:对快递数据进行汇聚,提取特征,并进行预处理和分析;所述特征包括内部特征和外部特征;所述内部特征反映快递时间序列对自身长期影响;所述外部特征反映与快递关联的外部因素的短期影响。
其中,所述快递数据为多源数据,所述多源数据包括历史快递面单数据、节假日信息表、历史天气记录数据等数据集。
基于以上数据集,可以提取两种类型的特征:1)内部特征,旨在捕捉快递时间序列自身长期影响。由于受到静态因素(包括社群人口结构、交通情况、POI数量/类别等)的共同影响,快递业务量呈现出规律性的长周期波动。因此以历史快递序列的变化情况对所有静态因素的综合影响进行量化;2)外部特征,旨在捕捉与快递关联的外部因素短期影响,外部特征具体又包括月份、周数、星期、天气、气温、季节、节假日等。原始特征需要进行数据与处理转化为用于机器学习的训练样本和测试样本,具体包括one-hot编码、归一化、正则化、矩阵变换、步长平移等方法。
在同一区域活动的人群通常具有许多相似的社会属性,例如年龄、收入、职业等,这样的人群我们定义为一个社群。属于同一社群的人会拥有相似的行为模式。因此提出假设同一区域的社群拥有相同的快递行为模式,反之则不同。基于此种假设,我们对提取的特征与快递之间的影响进行分析,定义对快递行为产生积极影响的为正向特征,对快递行为产生消极影响的为负向特征。
S2:构建预测模型:所述预测模型为DeepExpress时序预测模型;所述DeepExpress时序预测模型利用编码模块对所述内部特征和所述外部特征分别进行编码,将所述编码后的所述内部特征和所述外部特征表达进行拼接,利用预测解码模块通过多层感知机对序列化数据进行解码进行最终结果的回归预测。
S21:图2为本发明提出的一种具有深度可解释性的快递序列预测的方法的DeepExpress模型,其中快递序列编码模块为虚线框A部分,主要包含两个部分:时间注意力机制和双向GRU单元。其中时间注意力机制用于捕获历史快递序列中存在的长期时序依赖和周期性变化规律,核心思想是对整个序列的每个时间步分配不同的注意力权重,按照相关程度对不同时间步的优先级进行排序。双向GRU单元用于编码快递序列长期时序依赖关系的高维特征表达。通过此种方式,DeepExpress能够保留长期历史快递序列中最相关的信息,屏蔽冗余信息,从而提升预测精度。
注意力权重为合隐藏状态zt-1与编码器输入状态yt-1的相似度匹配,每个输入状态在t时刻的注意权重通过公式(1)自动学习:
其中zt-1是一个共享参数用来捕获快递序列和外部特征之间的耦合关系。随后使用公式(2)保证所有注意权重之和为1。α表示归一化之后第i个状态的相关性权重。
t时刻的输出向量为序列编码器的所有输入状态及其对应的注意权重的加权和,由公式(3)计算得到。
最后通过双向GRU单元从两个方向对输出向量信息进行汇总和编码,见公式(4)。
S22:图2中虚线框B部分为外部特征编码模块,与快递序列编码模块采用类似的结构,其目的在于动态地为不同的输入特征分配注意权重并进行编码,从而使DeepExpress模型可以自适应地在每个时间节点选择最有影响力的外部特征。其中特征注意力机制用于捕获动态变化的多种不同的特征对快递行为的短期影响,核心思想是对每个时间步上的一组特征向量分配不同的注意力权重,自适应的挑选出影响较大的特征。双向GRU单元用于编码外部特征短期影响关系的高维特征表达。通过此种方式,DeepExpress能够接受更多维度的特征输入并根据在每个时间步的影响程度动态选择特征用于结果预测,有效的屏蔽冗余特征,从而提升预测精度。
通过公式(6)对u进行归一化计算得到β。
上下文向量通过公式(7)使用外部特征及其对应的注意权重的加权和计算得到。
最后利用双向GRU单元对上下文向量进行编码表示,其结构与快递序列编码器相同,见公式(8)。
S23:预测解码模块。以步骤S21、S22中的模块输出作为该模块的输入,将两种不同形式的特征表达进行拼接,通过多层感知机对序列化数据进行解码并进行最终结果的回归预测。具体来说,通过将上述两个编码器的输出通过公式(9)拼接在一起获得一个新的输入,并将多个输入映射到一个全连接层中实现。
zt=[gx;gy] (9)
zt即为步骤4、5中已经说明的连接两个编码器的共享参数,用于量化输入序列间的耦合度。同时zt也作为预测解码器新的输入,其目的是解码连接序列进行最终预测。在DeepExpress模型中,通过构建多层感知机近似估计预测函数F(·),具体见公式(10)。
S3:训练优化模型:利用训练样本对所述DeepExpress时序预测模型进行训练,通过网格搜索算法进行自动化调参,使DeepExpress时序预测模型最终收敛,优化DeepExpress时序预测模型的性能。
S4:利用模型进行预测:对于新的目标区域,对于一个新的目标区域,提取并量化相关特征,然后应用于训练好的DeepExpress时序预测模型,根据历史数据对未来快递业务量进行预测,输出预测结果,如图3所示。
值得提出的是,本发明一种具有深度可解释性的快递序列预测的方法的预测模型中设置了注意力权重参数的监测机制,在模型进行预测的同时捕获所述两个编码器模块中注意力层的参数,用于模型获得预测结果后捕获时间和特征注意力向量并将其可视化。
所述可视化的原理为:当模型训练收敛时,在验证阶段获得模型的注意力向量,降低数据的维数并转为二维形式,然后对向量进行归一化计算,并按时间顺序输出。
所述可视化利用Seaborn工具以热力图的形式可视化输出,其中颜色越深则表示参数对应的历史时间步/外部特征影响耦合性越大,模型预测过程中分配的注意力就越多,见图4,如此通过实际案例便能验证模型中注意力机制的有效性。
Claims (9)
1.一种具有深度可解释性的快递序列预测的方法,其特征在于:将未来一段时间内目标区域的快递业务量表示为一个连续时间段中每天快递包裹量形成的时间序列,所述快递序列预测则为多步时间序列的预测。
2.根据权利要求1所述的一种具有深度可解释性的快递序列预测的方法,其特征在于:所述多步时间序列的预测方法包括以下步骤:
S1:数据分析与预处理:对快递数据进行汇聚,提取特征,并进行预处理和分析;所述特征包括内部特征和外部特征;所述内部特征反映快递时间序列对自身长期影响;所述外部特征反映与快递关联的外部因素的短期影响;
S2:构建预测模型:所述预测模型为DeepExpress时序预测模型;所述DeepExpress时序预测模型利用编码模块对所述内部特征和所述外部特征分别进行编码,将所述编码后的所述内部特征和所述外部特征表达进行拼接,利用预测解码模块通过多层感知机对序列化数据进行解码进行最终结果的回归预测;
S3:训练优化模型:利用训练样本对所述DeepExpress时序预测模型进行训练,通过网格搜索算法进行自动化调参,使DeepExpress时序预测模型最终收敛,优化DeepExpress时序预测模型的性能;
S4:利用模型进行预测:对于新的目标区域,应用训练好的DeepExpress时序预测模型;根据历史数据对未来快递业务量进行预测。
3.根据权利要求2所述的一种具有深度可解释性的快递序列预测的方法,其特征在于:所述S1中所述快递数据为多源数据,所述多源数据包括历史快递面单数据、节假日信息表、历史天气记录数据。
4.根据权利要求2所述的一种具有深度可解释性的快递序列预测的方法,其特征在于:所述S1中预处理使用的方法包括one-hot编码、归一化、正则化、矩阵变换、步长平移。
5.根据权利要求2所述的一种具有深度可解释性的快递序列预测的方法,其特征在于:所述S1中所述分析为对提取的特征与快递之间的影响进行分析,定义对快递行为产生积极影响的为正向特征,对快递行为产生消极影响的为负向特征。
6.根据权利要求2所述的一种具有深度可解释性的快递序列预测的方法,其特征在于:所述S2中对所述内部特征进行编码是以处理后的快递序列作为编码器输入,通过时间注意力机制捕获历史快递序列中存在的长期时序依赖和周期性变化规律,选取历史相关的时间步并为其分配较高的注意力权重,随后通过双向的GRU单元建立快递序列长期时序依赖关系的高维特征表达作为快递序列编码模块的输出。
7.根据权利要求2所述的一种具有深度可解释性的快递序列预测的方法,其特征在于:所述S2中外部特征编码,以处理后的与快递存在耦合关联的离散数据特征作为编码器输入,通过特征注意力机制自适应的提取与当前状态存在紧密耦合的影响特征,并为其分配较高的注意力权重,随后通过双向的GRU单元建立外部特征短期关联影响关系的高维特征表达作为外部特征编码模块的输出。
8.根据权利要求2所述的一种具有深度可解释性的快递序列预测的方法,其特征在于:所述预测模型中设置了注意力权重参数的监测机制,在模型进行预测的同时捕获所述两个编码器模块中注意力层的参数,用于模型获得预测结果后捕获时间和特征注意力向量并将其可视化。
9.根据权利要求8所述的一种具有深度可解释性的快递序列预测的方法,其特征在于:所述可视化以热力图的形式可视化输出,其中颜色越深则表示参数对应的历史时间步/外部特征影响耦合性越大,模型预测过程中分配的注意力就越多。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911240899.3A CN110889560A (zh) | 2019-12-06 | 2019-12-06 | 一种具有深度可解释性的快递序列预测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911240899.3A CN110889560A (zh) | 2019-12-06 | 2019-12-06 | 一种具有深度可解释性的快递序列预测的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110889560A true CN110889560A (zh) | 2020-03-17 |
Family
ID=69750790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911240899.3A Pending CN110889560A (zh) | 2019-12-06 | 2019-12-06 | 一种具有深度可解释性的快递序列预测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110889560A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111862092A (zh) * | 2020-08-05 | 2020-10-30 | 复旦大学 | 一种基于深度学习的快递外包装缺陷检测方法及装置 |
CN113779859A (zh) * | 2021-02-02 | 2021-12-10 | 北京瑞莱智慧科技有限公司 | 可解释的时序预测模型的训练方法、装置和计算设备 |
WO2022053064A1 (zh) * | 2020-09-14 | 2022-03-17 | 胜斗士(上海)科技技术发展有限公司 | 用于时间序列预测的方法和装置 |
CN114579643A (zh) * | 2022-05-05 | 2022-06-03 | 国家邮政局邮政业安全中心 | 快递业务量预测方法、装置及电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180060666A1 (en) * | 2016-08-29 | 2018-03-01 | Nec Laboratories America, Inc. | Video system using dual stage attention based recurrent neural network for future event prediction |
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 |
US20190130425A1 (en) * | 2017-10-31 | 2019-05-02 | Oracle International Corporation | Demand forecasting using weighted mixed machine learning models |
US20190156253A1 (en) * | 2017-11-22 | 2019-05-23 | United Parcel Service Of America, Inc. | Automatically generating volume forecasts for different hierarchical levels via machine learning models |
CN109902862A (zh) * | 2019-02-13 | 2019-06-18 | 北京航空航天大学 | 一种融合时间注意力机制的时间序列预测系统 |
CN110019401A (zh) * | 2017-12-25 | 2019-07-16 | 顺丰科技有限公司 | 件量预测方法、装置、设备及其存储介质 |
CN110084438A (zh) * | 2019-05-09 | 2019-08-02 | 上汽安吉物流股份有限公司 | 订单的预测方法及装置、物流系统以及计算机可读介质 |
CN110196946A (zh) * | 2019-05-29 | 2019-09-03 | 华南理工大学 | 一种基于深度学习的个性化推荐方法 |
-
2019
- 2019-12-06 CN CN201911240899.3A patent/CN110889560A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180060666A1 (en) * | 2016-08-29 | 2018-03-01 | Nec Laboratories America, Inc. | Video system using dual stage attention based recurrent neural network for future event prediction |
US20190130425A1 (en) * | 2017-10-31 | 2019-05-02 | Oracle International Corporation | Demand forecasting using weighted mixed machine learning models |
US20190156253A1 (en) * | 2017-11-22 | 2019-05-23 | United Parcel Service Of America, Inc. | Automatically generating volume forecasts for different hierarchical levels via machine learning models |
CN110019401A (zh) * | 2017-12-25 | 2019-07-16 | 顺丰科技有限公司 | 件量预测方法、装置、设备及其存储介质 |
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 |
CN109902862A (zh) * | 2019-02-13 | 2019-06-18 | 北京航空航天大学 | 一种融合时间注意力机制的时间序列预测系统 |
CN110084438A (zh) * | 2019-05-09 | 2019-08-02 | 上汽安吉物流股份有限公司 | 订单的预测方法及装置、物流系统以及计算机可读介质 |
CN110196946A (zh) * | 2019-05-29 | 2019-09-03 | 华南理工大学 | 一种基于深度学习的个性化推荐方法 |
Non-Patent Citations (1)
Title |
---|
许荣斌;王业国;王福田;何明慧;汪梦龙;谢莹;: "基于改进PSO-BP算法的快递业务量预测" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111862092A (zh) * | 2020-08-05 | 2020-10-30 | 复旦大学 | 一种基于深度学习的快递外包装缺陷检测方法及装置 |
WO2022053064A1 (zh) * | 2020-09-14 | 2022-03-17 | 胜斗士(上海)科技技术发展有限公司 | 用于时间序列预测的方法和装置 |
CN113779859A (zh) * | 2021-02-02 | 2021-12-10 | 北京瑞莱智慧科技有限公司 | 可解释的时序预测模型的训练方法、装置和计算设备 |
CN113779859B (zh) * | 2021-02-02 | 2022-04-05 | 北京瑞莱智慧科技有限公司 | 可解释的时序预测模型的训练方法、装置和计算设备 |
CN114579643A (zh) * | 2022-05-05 | 2022-06-03 | 国家邮政局邮政业安全中心 | 快递业务量预测方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111291266B (zh) | 基于人工智能的推荐方法、装置、电子设备及存储介质 | |
CN110889560A (zh) | 一种具有深度可解释性的快递序列预测的方法 | |
CN111339433B (zh) | 基于人工智能的信息推荐方法、装置、电子设备 | |
CN112529168B (zh) | 一种基于gcn的属性多层网络表示学习方法 | |
CN109919685B (zh) | 客户流失预测方法、装置、设备及计算机可读存储介质 | |
CN112532439B (zh) | 一种基于注意力多组件时空跨域神经网络模型的网络流量预测方法 | |
CN111611488B (zh) | 基于人工智能的信息推荐方法、装置、电子设备 | |
CN112819604A (zh) | 基于融合神经网络特征挖掘的个人信用评估方法与系统 | |
CN111127146A (zh) | 基于卷积神经网络与降噪自编码器的信息推荐方法及系统 | |
CN112508265A (zh) | 面向业务流程管理的时间与活动多任务预测方法及系统 | |
CN116187555A (zh) | 基于自适应动态图的交通流预测模型构建方法及预测方法 | |
Wu et al. | Optimized deep learning framework for water distribution data-driven modeling | |
CN112149352B (zh) | 一种结合gbdt自动特征工程对营销活动点击的预测方法 | |
CN111882157A (zh) | 一种基于深度时空神经网络的需求预测方法、系统及计算机可读存储介质 | |
CN113627070A (zh) | 一种短期光伏功率预测方法 | |
Čurčić et al. | Gaining insights into dwelling characteristics using machine learning for policy making on nearly zero-energy buildings with the use of smart meter and weather data | |
CN111783688B (zh) | 一种基于卷积神经网络的遥感图像场景分类方法 | |
CN110991247B (zh) | 一种基于深度学习与nca融合的电子元器件识别方法 | |
CN116757773A (zh) | 服装电子商务销售管理系统及其方法 | |
CN115510948A (zh) | 一种基于鲁棒图分类的区块链钓鱼检测方法 | |
CN115187312A (zh) | 基于深度学习的客户流失预测方法及系统 | |
CN111105148B (zh) | 离职概率评估方法、装置及计算机可读存储介质 | |
CN114358474A (zh) | 一种典型多能用户模型建立方法 | |
CN116155755B (zh) | 一种基于线性优化封闭子图编码的链路符号预测方法 | |
CN117494906B (zh) | 一种基于多元时间序列的天然气日负荷预测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200317 |