CN111340278B - 目的地货量的预测方法及存储介质 - Google Patents
目的地货量的预测方法及存储介质 Download PDFInfo
- Publication number
- CN111340278B CN111340278B CN202010102829.8A CN202010102829A CN111340278B CN 111340278 B CN111340278 B CN 111340278B CN 202010102829 A CN202010102829 A CN 202010102829A CN 111340278 B CN111340278 B CN 111340278B
- Authority
- CN
- China
- Prior art keywords
- fluctuation
- period
- cargo quantity
- cargo
- destination
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (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
本发明提供了目的地货量的预测方法及存储介质，通过将预设历史时间段的货量数据经信号处理得到波动周期，在预测下一时刻的货量的时候，参考了前一周期的波动参数，进而预测下一时刻周期的货量；且本发明可以根据实时得到的货量，调整瞬时波动参数，减小预测的误差，及时监控到货量的变动，便于资源最优配置。并且通过采用各个网点发出的货量数据作为预测的原始数据，在预测上会更加的准确。
Description
技术领域
本发明涉及电子商务快递领域，尤其涉及目的地货量的预测方法及存储介质。
背景技术
现有技术快递交件量的预测方法，一般采用时间序列模型和灰色理论模型为基于统计学理论的线性算法模型，这对样本要求较高，对非线性数据预测结果较差。而采用神经网络结构较难确定，容易陷入局部极值。采用支持向量机的核函数及参数较难确定等。上述方法还存在着精度较低，计算复杂度高，没有精确到小时预测，需要事先建立相关模型参数，且不能及时自动调整模型参数（例如电商临时促销活动，节假日等突发因素）等问题。
发明内容
有鉴于此，有必要针对传统文传统预测方法的精度低、计算复杂以及预测不准确的问题，提供目的地货量的预测方法及存储介质。
为了达到上述目的，本发明提供一种目的地货量的预测方法，获取一预设历史时间段的目的地货量，所述目的地货量包括交件量以及重量；计算所述预设历史时间段的货量的波动周期T，每一个波动周期具有一基线R，所述基线为下一波动周期货量预测的参考值；计算预设历史时间段最后一个波动周期内的波动参数X，将其作为预测波动周期的波动参数；根据所述基线R以及所述波动参数X对所述目的地货量进行预测。
进一步地，所述目的地货量为各个网点发往同一目的地的货量。
进一步地，还包括：将预测得到各个网点发往同一目的地的货量进行整合得到该目的地的预测货量。
进一步地，所述波动参数的计算公式为X=（m-R）/R，m为预设历史时间段的某天历史交件总数量，R为所述某天所在周期的基线。
进一步地，根据公式Y=a*R+b*R*X对所述分拨网点的货量进行预测，其中，X为上一波动周期内对应日期的波动参数，Y为分拨网点的货量预测值，R为基线，a和b 是常系数。
进一步地，还包括：获取预设历史时间段的预测货量与实际货量，计算实际货量与预测货量的差值，若超过一预设阈值，则根据所述差值进行所述波动参数X的调整。
进一步地，所述波动参数X的调整具体包括：采集分拨网点的实际货量；根据公式D=（分拨网点的昨日实际货量-分拨网点的昨日预测值）/昨日分拨网点的实际货量，计算得到波动差D。
进一步地，若所述波动差D的绝对值超过一预设阈值，将今日及今日以后的波动参数与所述波动差进行求和，并更新所述波动参数。
进一步地，所述计算预设历史时间段的货量的波动周期T具体包括：利用小波滤波方法过滤所述预设历史时间段的货量的数据噪声；根据极值法获取所述预设历史时间段货量的波峰以及波谷，相邻波峰或者波谷时间相减得到周期T；若所述预设历史时间段的一周期内的货量与平均周期的货量偏差超过两倍标准差，则判定该周期为异常周期，并剔除该异常周期的货量数据，然后将正常周期时长的平均值作为所述波动周期T。
本发明还提供一种存储介质，存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如所述的目的地货量的预测方法的步骤。
本发明的有益效果是：本发明提供了目的地货量的预测方法及存储介质，将预设历史时间段的货量数据经信号处理得到波动周期；在预测下一时刻的货量的时候，参考了前一周期的波动参数，进而预测下一时刻周期的货量；且本发明可以根据实时得到的货量，调整瞬时波动参数，减小预测的误差，及时监控到货量的变动，便于资源最优配置。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。
图1为本发明一实施例提供的目的地货量的预测方法的流程图。
图2为本发明一实施例提供的波动周期的波形图。
图3为本发明一实施例提供的周期计算步骤的流程图。
图4为本发明一实施例提供的周期预测的波形图。
图5为本发明一实施例提供的波动参数调整步骤的流程图。
图6为本发明另一实施例提供的目的地货量的预测方法的流程图。
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，并不用于限定本发明。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
如图1所示，本发明一实施例提供一种目的地货量的预测方法，包括如下S1~S5。一实施例获取的所述预设历史时间段的目的地货量是实际到达目的地货量，即不同网点发送的快件，以实际到达的货量为处理数据。
S1、获取一预设历史时间段的目的地货量，所述目的地货量包括交件量以及重量。
S2、计算所述预设历史时间段的货量的波动周期T，每一个波动周期具有一基线R，所述基线为下一波动周期货量预测的参考值。如图2所示，虚线为经过滤波处理的数据，实线为原始数据。
如图3所示，所述计算预设历史时间段的货量的波动周期T具体包括S201~S203。通过小波滤波方法进行预处理，进而通过极值法获取波动周期，最后再排除异常周期的货量数据，并通过周期的平均数据进行填补。
S201、利用小波滤波方法过滤所述预设历史时间段的货量的数据噪声。
S202、根据极值法获取所述预设历史时间段货量的波峰以及波谷，相邻波峰或者波谷时间相减得到周期T。
S203、若所述预设历史时间段的一周期内的货量与平均周期的货量偏差超过两倍标准差，则判定该周期为异常周期，并剔除该异常周期的货量数据，然后将正常周期时长的平均值作为所述波动周期T。
S3、计算预设历史时间段最后一个波动周期内的波动参数X，将其作为预测波动周期的波动参数。
所述波动参数的计算公式为X=（m-R）/R，m为预设历史时间段的某天历史交件总数量，R为所述某天所在周期的基线。所述波动参数包括每日波动参数以及每一小时的波动参数。
S4、根据所述基线R以及所述波动参数X对所述目的地货量进行预测。
根据公式Y=a*R+b*R*X对所述分拨网点的货量进行预测，其中，X为上一波动周期内对应日期的波动参数，Y为分拨网点的货量预测值，R为基线，a和b 是常系数。
具体的如图4所示，周期T以及周期T-1为预设历史时间段的最后两个周期，T+1为第一时间序列的周期。所述分拨网点预测的波动参数参考前一个周期的每日的波动参数。
S5、获取预设历史时间段的预测货量与实际货量，计算实际货量与预测货量的差值，若超过一预设阈值，则根据所述差值进行所述波动参数X的调整。
如图5所示，所述波动参数X的调整具体包括：S501~ S502。通过采集得到的实际货量与预测值进行对比，进而可以调整波动参数。
S501、采集分拨网点的实际货量。
S502、根据公式D=（分拨网点的昨日实际货量-分拨网点的昨日预测值）/分拨网点的实际货量，计算得到波动差D。
S503、若所述波动差D的绝对值超过一预设阈值，将今日及今日以后的波动参数与所述波动差进行求和，并更新所述波动参数。所述预设阈值在0~0.1之间。
本发明一实施例提供了目的地货量的预测方法，通过将历史时间段的目的地货量经信号处理得到波动周期；并在预测下一时刻的目的地的货量的时候，参考了前一周期的每日或瞬时的波动参数，进行预测下一时刻周期的货量；且本发明可以根据实时得到的货量量，调整瞬时波动特征参数，减小预测的误差，及时监控到货量的变动，便于资源最优配置。
本发明只需历史货量数据，数据维度简单，计算复杂低，计算相关参数方便灵活，方便开发部署，稳定性好，计算速度快。
使用本系统可以实时查看未来发往目的地的发货量，帮助相关人员及早协调资源，避免爆仓。
如图6所示，本发明另一实施例提供一种目的地货量的预测方法，包括如下S101~S106。
在另一实施例中，所述目的地货量为各个网点发往同一目的地的货量，即由于快件在运送的途中，因为不同网点在都具有一延迟，进而采用从各个网点发出的货量数据作为预测的原始数据。
其中，方法S101~S05与一实施例的S1~S5方法相同，另外还包括如下步骤。
S106、将预测得到各个网点发往同一目的地的货量整合得到该目的地的预测货量。
另一实施例通过采用各个网点发出的货量数据作为预测的原始数据，在预测上会更加的准确。
本发明提供一种存储介质，存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行一实施例或另一实施例所述的目的地货量的预测方法的步骤。
本发明提供的目的地货量的预测系统，可以应用于预测发往一目的地的每日的快件重量或瞬时的快件重量，只需要采集历史的重量数据即可预测得到。
以上所述实施例仅表达了本发明一些示例性实施例，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种目的地货量的预测方法，其特征在于，
获取一预设历史时间段的目的地货量，所述目的地货量包括交件量以及重量；
计算所述预设历史时间段的货量的波动周期T，每一个波动周期具有一基线R，所述基线为下一波动周期货量预测的参考值；
计算预设历史时间段最后一个波动周期内的波动参数X，将其作为预测波动周期的波动参数；所述波动参数的计算公式为X=（m-R）/R，m为预设历史时间段的某天历史交件总数量，R为所述某天所在周期的基线；
根据公式Y=a*R+b*R*X对所述分拨网点的货量进行预测，其中，X为上一波动周期内对应日期的波动参数，Y为分拨网点的货量预测值，R为基线，a和b 是常系数；
根据所述基线R以及所述波动参数X对所述目的地货量进行预测。
2.根据权利要求1所述的目的地货量的预测方法，其特征在于，
所述目的地货量为各个网点发往同一目的地的货量。
3.根据权利要求2所述的目的地货量的预测方法，其特征在于，还包括：
将预测得到各个网点发往同一目的地的货量进行整合得到该目的地的预测货量。
4.根据权利要求1所述的目的地货量的预测方法，其特征在于，还包括：
获取预设历史时间段的预测货量与实际货量，计算实际货量与预测货量的差值，若超过一预设阈值，则根据所述差值进行所述波动参数X的调整。
5.根据权利要求1所述的目的地货量的预测方法，其特征在于，
所述波动参数X的调整具体包括：
采集分拨网点的实际货量；
根据公式D=（分拨网点的昨日实际货量-分拨网点的昨日预测值）/分拨网点的昨日实际货量，计算得到波动差D。
6.根据权利要求1所述的目的地货量的预测方法，其特征在于，
若所述波动差D的绝对值超过一预设阈值，将今日及今日以后波动参数与所述波动差进行求和，并更新所述波动参数。
7.根据权利要求1所述的目的地货量的预测方法，其特征在于，
所述计算预设历史时间段的货量的波动周期T具体包括：
利用小波滤波方法过滤所述预设历史时间段的货量的数据噪声；
根据极值法获取所述预设历史时间段货量的波峰以及波谷，相邻波峰或者波谷时间相减得到周期；
若所述预设历史时间段的一周期内的货量与平均周期的货量偏差超过两倍标准差，则判定该周期为异常周期，并剔除该异常周期的货量数据，然后将正常周期时长的平均值作为所述波动周期T。
8.一种存储介质，存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至7中任一项所述的目的地货量的预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010102829.8A CN111340278B (zh) | 2020-02-19 | 2020-02-19 | 目的地货量的预测方法及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010102829.8A CN111340278B (zh) | 2020-02-19 | 2020-02-19 | 目的地货量的预测方法及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111340278A CN111340278A (zh) | 2020-06-26 |
| CN111340278B true CN111340278B (zh) | 2023-10-24 |
Family
ID=71181710
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010102829.8A Active CN111340278B (zh) | 2020-02-19 | 2020-02-19 | 目的地货量的预测方法及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111340278B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112132485A (zh) * | 2020-09-30 | 2020-12-25 | 上海众源网络有限公司 | 一种指标数据处理方法、装置、电子设备及存储介质 |
| CN113780939A (zh) * | 2021-08-26 | 2021-12-10 | 杭州拼便宜网络科技有限公司 | 仓储空间配置方法、装置、设备和存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001106310A (ja) * | 1999-10-08 | 2001-04-17 | Kirin Engineering Co Ltd | 物流システム |
| CN109284856A (zh) * | 2018-07-25 | 2019-01-29 | 顺丰科技有限公司 | 一种快递包材物料需求预测方法、装置及设备、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 |
| CN109754114A (zh) * | 2018-11-30 | 2019-05-14 | 跨越速运集团有限公司 | 货量智能预测方法及系统 |
| CN109934385A (zh) * | 2019-01-29 | 2019-06-25 | 跨越速运集团有限公司 | 基于长短记忆神经网络的货量预测方法及系统 |
| CN110111036A (zh) * | 2019-03-28 | 2019-08-09 | 跨越速运集团有限公司 | 基于lstm模型融合的物流货量预测方法及系统 |
| CN110348612A (zh) * | 2019-06-24 | 2019-10-18 | 深圳市恒路物流股份有限公司 | 分拨中心货量预测方法及装置 |
| CN110751497A (zh) * | 2018-07-23 | 2020-02-04 | 北京京东尚科信息技术有限公司 | 一种商品补货方法和装置 |
-
2020
- 2020-02-19 CN CN202010102829.8A patent/CN111340278B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001106310A (ja) * | 1999-10-08 | 2001-04-17 | Kirin Engineering Co Ltd | 物流システム |
| CN110751497A (zh) * | 2018-07-23 | 2020-02-04 | 北京京东尚科信息技术有限公司 | 一种商品补货方法和装置 |
| CN109284856A (zh) * | 2018-07-25 | 2019-01-29 | 顺丰科技有限公司 | 一种快递包材物料需求预测方法、装置及设备、存储介质 |
| CN109754114A (zh) * | 2018-11-30 | 2019-05-14 | 跨越速运集团有限公司 | 货量智能预测方法及系统 |
| 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 |
| CN109934385A (zh) * | 2019-01-29 | 2019-06-25 | 跨越速运集团有限公司 | 基于长短记忆神经网络的货量预测方法及系统 |
| CN110111036A (zh) * | 2019-03-28 | 2019-08-09 | 跨越速运集团有限公司 | 基于lstm模型融合的物流货量预测方法及系统 |
| CN110348612A (zh) * | 2019-06-24 | 2019-10-18 | 深圳市恒路物流股份有限公司 | 分拨中心货量预测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111340278A (zh) | 2020-06-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Williams | Stock control with sporadic and slow-moving demand | |
| US7587330B1 (en) | Method and system for constructing prediction interval based on historical forecast errors | |
| CN108647891A (zh) | 数据异常归因分析方法及装置 | |
| CN111340278B (zh) | 目的地货量的预测方法及存储介质 | |
| CN110232483B (zh) | 深度学习负荷预测方法、装置及终端设备 | |
| CN111325398B (zh) | 网点货量的预测方法及系统、存储介质 | |
| CN105956734A (zh) | 动态设置it设备的性能的指标阈值的方法及系统 | |
| CN102082703A (zh) | 业务支撑系统设备性能监控的方法及装置 | |
| CN110766184A (zh) | 订单量预测方法和装置 | |
| CN108876458A (zh) | 一种基于网络爬虫的商品动态预测方法及系统 | |
| CN116203352A (zh) | 一种配电网的故障预警方法、装置、设备及介质 | |
| CN111143070A (zh) | 一种资源调度方法和装置 | |
| CN112580844A (zh) | 气象数据处理方法、装置、设备及计算机可读存储介质 | |
| US20110015967A1 (en) | Methodology to identify emerging issues based on fused severity and sensitivity of temporal trends | |
| CN114048927A (zh) | 需求量预测方法、装置、电子设备和存储介质 | |
| CN111800807A (zh) | 一种基站用户数量告警的方法及装置 | |
| CN114444751A (zh) | 物资需求预测方法、装置、计算机设备以及存储介质 | |
| CN111523083A (zh) | 一种电力负荷申报数据的确定方法以及装置 | |
| CN116720600A (zh) | 落货量预测方法、装置、设备及存储介质 | |
| CN111368257B (zh) | 煤改电负荷特性的分析预测方法及装置 | |
| CN115796330A (zh) | 基于Prophet模型的预测方法、设备和存储介质 | |
| CN115345551A (zh) | 货量预测方法、装置、设备及存储介质 | |
| McGehee et al. | Rainfall erosivity: essential historical, conceptual, and practical perspectives for continued application | |
| CN114283344A (zh) | 一种森林生态水文过程自动实时监测方法及系统 | |
| CN114580740A (zh) | 母线负荷预测方法、装置、电子设备及存储介质 |
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 |