CN111507542B - 货运订单量测量方法、装置及电子设备 - Google Patents

Abstract

本发明提供一种货量预测方法、装置及电子设备，其中，方法包括：获取待预测区域信息和与所述待预测区域信息对应的历史货量数据；将所述待预测区域信息和所述历史货量数据输入多个预测模型，得到多个预测货量；按照不同预测权重将所述多个预测货量融合，得到货量预测结果；所述预测权重与所述预测模型一一对应，所述预测权重相加之和等于1；所述预测模型通过区域信息和与所述区域信息对应的历史货量数据构建得到。在对货量进行预测时，可以采用多个预测模型同时进行预测，并且，基于预测模型的优劣势，按照不同的预测权重对各个模型的预测结果进行融合，可以尽量降低了各个预测模型的劣势，从而提高了预测精准度。

Description

货运订单量测量方法、装置及电子设备

技术领域

本发明涉及物流技术领域，尤其涉及一种货量测量方法、装置及电子设备。

背景技术

目前物流领域，尤其是卡车货运领域，车辆空驶，车辆等货等情况都会给承运人带来不小的损失，因此现有解决的方式多是通过人工调度相应车辆，尽量较少这种情况的发生。但是，由于未来一段时间各个货物集散点的出货量是人工无法预测的，即使采用人工调度，车辆空驶，车辆等货等情况还是屡见不鲜。

因此，如何得到未来一段时间准确的出货量就成了调度工作中的关键所在。目前的解决方法是利用人工智能或现有数学方法来建立预测模型进行预测，但是每种预测模型都存在各自的劣势。

因此，如何提高货量预测的精确度成为亟待解决的技术问题。

发明内容

为了解决现有技术中如何提高货量预测的精确度的问题，本发明提供一种货量测量方法、装置及电子设备。

第一方面，本发明提供一种货量预测方法，包括：获取待预测区域的历史数据；将所述历史数据输入多个预测模型，得到多个预测货量；按照不同预测权重将所述多个预测货量融合，得到货量预测结果；所述预测权重与所述预测模型一一对应，所述预测权重相加之和等于1；所述预测模型通过所述区域的历史数据构建得到。

可选地，所述预测权重包括：固定预测权重或动态预测权重。

可选地，所述预测权重包括动态预测权重，所述按照不同预测权重将所述多个预测货量融合包括：分别获取各个预测模型在预设时间段内的预测误差；基于所述预测误差计算各个预测模型的在所述预设时间段内的预测权重；利用所述预设时间段内的预测权重将所述多个预测货量融合。

可选地，分别获取各个预测模型在预设时间段内的预测误差包括：获取区域在预设时间段的实际出货量；获取多个预测模型在预设时间段的预测出货量；基于所述实际出货量和所述预测出货量得到各个预测模型的所述预设时间段内的预测误差。

可选地，所述预设时间段包括近预测时间点多个预设子时间段，所述基于所述实际出货量和所述预测出货量得得到各个预测模型的所述预设时间段内的预测误差包括：基于每个预设子时间段内所述实际出货量和所述预测出货量计算各个模型在每个预设子时间段内的子预测误差；分别融合所述子预测误差得到各个模型在所述预设时间段内的预测误差。

可选地，所述基于所述预测误差计算各个预测模型的在所述预设时间段内的预测权重包括：分别计算各个预测模型在所述预设时间段内的预测误差的倒数；计算各个预测模型在所述预设时间段内的预测误差的倒数之和；将第i个预测模型在所述预设时间段内的预测误差的倒数与所述各个预测模型在所述预设时间段内的预测误差的倒数之和的比值作为第i个模型的预测权重。

可选地，历史数据包括区域的历史货量信息。

根据第二方面，本发明实施例提供了一种货量预测装置，包括：预测模块，用于根据历史数据及预测模型，得到所述预测模型的预测数据；误差模块，用于根据历史数据及所述预测模型的预测数据，得到所述预测模型的预测误差；权重模块，用于根据多个所述预测模型的预测误差，得到所述预测模型的预测权重；融合单元，用于根据所述预测模型的预测权重及所述预测模型的预测货量，得到多个所述预测模型融合后的预测结果。。

根据第三方面，本发明实施例提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行所述上述第一方面任意一项所述的货量预测方法。

根据第四方面，本发明实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一方面任意一项所述的货量预测方法。

在对货量进行预测时，可以采用多个预测模型同时进行预测，并且，基于预测模型的优劣势，按照不同的预测权重对各个模型的预测结果进行融合，可以尽量降低了各个预测模型的劣势，从而提高了预测精准度。

各个预测模型的预测结果的预测权重依据各个模型在预设时间段内的预测精度进行动态调整，可以尽量保证预测精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。

图1为本发明实施例提供的货量预测方法流程示意图；

图2为本发明实施例提供的货量预测装置示意图；

图3为本发明实施例提供的电子设备框图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，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清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

正如背景技术所述，目前对于未来一段时间货量预测的方法通常采用人工智能或现有数学方法来建立预测模型进行预测，然而，发明人发现，由于模型自身算法限制，或者训练样本数量限制或或者训练样本优化程度限制等等因素，导致各个模型均具有不同的劣势，因此，采用单独的模型对未来一段时间的货量进行预测，可能导致预测结果不准确，因此发明人提出了一种货量预测方法，参见图1，该方法可以包括如下步骤：

S11.获取待预测区域的历史数据。作为示例性的实施例，待预测区域可以为货物集散点，也可以是以某个地点为中心在一定半径内的范围为区域，示例性的，可以为区域地址或装货地的地址为中心，半径30KM内的范围为区域，还可以是以某个地点所在的行政区域划分为区域，示例性的，可以为如区域地址或装货地地址所在城市或者行政区或者县等。需要说明的是，本实施例中所称的地址包括上述示例性的列举的区域，还可以包括其他自定义的区域或范围更广或范围更窄的区域。

所称历史数据可以为该区域历史上产生货物运输量的信息。在本实施例中可以以城市为区域为例进行说明：所称历史数据可以是将某一城市在历史预设时间段内的货量信息作为该区域的历史货量信息，例如，可以将该区域历史上某一天产生的运出该城市的货量信息作为该区域的历史货量信息，也可以是将某一城市在历史上某几天产生的运出该城市的货量信息可以作为该区域的历史货量信息，还可以是将某一城市在历史上某一段时间产生的运出该城市的货量信息作为该区域的历史货量信息；另外，货量信息还可以是运入该区域的货量信息，或者可以为运入和运出该区域的货量信息总和。本领域技术人员应当理解，本实施例所称的货量信息只要是能够反映出关于货量的数据，如货运订单量，货运重量，货运件数等均在本实施例的保护范围内。在本实施例中，可以以货物集散点在预设时间段内的出货量为例进行说明。

S12.将待预测区域的历史数据输入多个预测模型，得到多个预测货量。在本实施例中，所称待训练预测模型可以包括Lasso模型、Xgboost模型、Lightgbm模型、Prophet模型、ARIMA模型、Holt-Winter模型或者利用数学方法来建立预测模型中的至少任意两种的组合，本领域技术人员应当理解，本实施例中所称的预测模型还可以为其它模型。具体的预测模型通过区域的历史数据构建得到，训练方法可以按照现有模型的训练方法进行训练，在本实施例中对于训练方法不做限定。

S13.按照不同预测权重将多个预测货量融合，得到货量预测结果。

具体的，可以采用如下公式进行融合得到预测结果：

其中，G(x)是对所有预测模型的出货量预测值进行整合后的出货量预测值；K是预测模型的总数量，i为各预测模型对应的编号；α_i为预测模型i的预测权重；g_i为预测模型i的出货量预测值。

这里需要为每个预测模型分配预测权重。其中所有预测模型的预测权重相加之和等于1。

在对货量进行预测时，可以采用多个预测模型同时进行预测，并且，基于预测模型的优劣势，按照不同的预测权重对各个模型的预测结果进行融合，可以尽量降低了各个预测模型的劣势，从而提高了预测精准度。

作为示例性的实施例，为每个预测模型分配的预测权重可以为固定预测权重，也可以为动态预测权重，在本实施例中，可以以动态预测权重为例进行说明：

当预测权重为动态权重时，按照不同预测权重将多个预测货量融合可以采用如下方式进行动态分配权重，分别获取各个预测模型在预设时间段内的预测误差；基于预测误差计算各个预测模型的在预设时间段内的预测权重；利用预设时间段内的预测权重将多个预测货量融合。在本实施了中，所称的预设时间段可以为预测时间点前的一个或多个子预设时间段组成，例如，预设时间点为未来某一天，则预设时间段可以为预设时间点的前N天，示例性的，需要预测货物集散点A在2020年3月17日的出货量，则预设时间段可以为2020年3月12日到2020年3月16日。当然，更长或更短的预设时间段也同样在本实施例的保护范围内。在计算预设时间段内的预测误差可以采用如下方式，获取预测区域在预设时间段的实际出货量real_j(j∈{1，2，...，5})，获取多个预测模型在预设时间段的预测出货量predict_ij(j∈{1，2，...，5}；基于实际出货量和预测出货量得到各个预测模型的预设时间段内的预测误差。以预设时间点为未来某一天，预设时间段可以为预设时间点的前N天为例进行说明，获取近N日的实际出货量，获取各个预测模型近N日的预测出货量，得到各个预测模型近N日的预测误差，即err_i，j＝predict_ij-real_j(j∈{1，2，...，N})，基于各个预测模型近N日的预测误差进而得到每个预测模型分配预测权重α_i。

作为示例性的实施例，可以采用如下公式进行进行对权重进行动态分配：

其中，α_i为第i个预测模型的预测测权重；N为N个预设子时间段；err_i，j为i个预测模型在第j个子时间段内的子预测误差；k为预测模型的数量。

基于上述公式，基于每个预设子时间段内实际出货量和预测出货量计算各个模型在每个预设子时间段内的子预测误差；分别融合子预测误差得到各个模型在预设时间段内的预测误差，即计算第i个预测模型在N个子时间段内的预设误差的绝对值之和；分别计算各个预测模型在预设时间段内的预测误差的倒数；计算各个预测模型在预设时间段内的预测误差的倒数之和；将第i个预测模型在预设时间段内的预测误差的倒数与各个预测模型在预设时间段内的预测误差的倒数之和的比值作为第i个模型的预测权重。

下面以具体实例对动态预测权重的确定进行说明：

需要预测货物集散点A在2020年3月17日的出货量，可以利用预测模型1(例如ARIMA模型)得到2020年3月17的预测出货量g1，还可以利用预测模型2(例如Holt-Winter模型)，得到预测出货量g2。之后结合预测模型1的预测权重α₁和预测模型2的预测权重α₂，结合公式

其中k＝2

得到货物集散点A在2020年3月17日的出货量G(x)

动态预测权重α_i确定时可以获取货物集散点A在2020年3月12日到2020年3月16日的这5天的实际出货量real_j(j∈{1，2，...，5})，

预测模型1在这五天的预测出货量predict_1j(j∈{1，2，...，5})，预测模型2在这五天的预测出货量predict_2j(j∈{1，2，...，5})，

之后结合公式

其中，err_i，j＝predict_ij-real_j；i∈{1，2}，在本实施例中只是示例性的采用用2个预测模型进行说明，在实际应用时预测模型的数量大于或等于2个

j∈{1，2，...，5}，在本实施例中只是示例性只取了近5天的预测出货量和实际出货量，实际应用时，子预设时间段的数量大于或等于1。

各个预测模型的预测结果的预测权重依据各个模型在预设时间段内的预测精度进行动态调整，可以针对实际历史预测情况，实时调整当前预设结果，因此可以尽量保证预测精度。

本发明实施例提供了一种货量预测装置，如图2所示，包括：

预测模块21，用于根据历史数据及预测模型，得到所述预测模型的预测数据；误差模块22，用于根据历史数据及所述预测模型的预测数据，得到所述预测模型的预测误差；权重模块23，用于根据多个所述预测模型的预测误差，得到所述预测模型的预测权重；融合单元24，用于根据所述预测模型的预测权重及所述预测模型的预测货量，得到多个所述预测模型融合后的预测结果。

本发明实施例提供了一种电子设备，如图3所示，该电子设备包括一个或多个处理器31以及存储器32，图3中以一个处理器33为例。

该控制器还可以包括：输入装置33和输出装置34。

处理器31、存储器32、输入装置33和输出装置34可以通过总线或者其他方式连接，图3中以通过总线连接为例。

处理器31可以为中央处理器(CentralProcessingUnit，CPU)。处理器31还可以为其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现场可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器32作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本申请实施例中的控制方法对应的程序指令/模块。处理器31通过运行存储在存储器32中的非暂态软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的货量预测方法。

存储器32可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据服务器操作的处理装置的使用所创建的数据等。此外，存储器32可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器32可选包括相对于处理器31远程设置的存储器，这些远程存储器可以通过网络连接至网络连接装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置33可接收输入的数字或字符信息，以及产生与服务器的处理装置的用户设置以及功能控制有关的键信号输入。输出装置34可包括显示屏等显示设备。

一个或者多个模块存储在存储器32中，当被一个或者多个处理器31执行时，执行如图1所示的方法。

本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各电机控制方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)、随机存储记忆体(RandomAccessMemory，RAM)、快闪存储器(FlashMemory)、硬盘(HardDiskDrive，缩写：HDD)或固态硬盘(Solid-StateDrive，SSD)等；存储介质还可以包括上述种类的存储器的组合。

最后，本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。

Claims (4)

1.一种货运订单量预测方法，其特征在于，包括：

获取待预测区域的历史数据；

将所述历史数据输入多个预测模型，得到多个预测货运订单量；

按照不同预测权重将所述多个预测货运订单量融合，得到货运订单量预测结果；

所述预测权重与所述预测模型一一对应，所述预测权重相加之和等于1；

所述预测模型通过所述待预测区域的历史数据构建得到；

所述预测权重包括：固定预测权重或动态预测权重；

所述预测权重包括动态预测权重，所述按照不同预测权重将所述多个预测货运订单量融合包括：

分别获取各个预测模型在预设时间段内的预测误差；

基于所述预测误差计算各个预测模型的在所述预设时间段内的预测权重；

利用所述预设时间段内的预测权重将所述多个预测货运订单量融合；

分别获取各个预测模型在预设时间段内的预测误差包括：

获取所述待预测区域在预设时间段的实际出货订单量；

获取多个预测模型在预设时间段的预测出货订单量；

基于所述实际出货订单量和所述预测出货订单量得到各个预测模型的所述预设时间段内的预测误差；

所述预设时间段包括近预测时间点多个预设子时间段，所述基于所述实际出货订单量和所述预测出货订单量得得到各个预测模型的所述预设时间段内的预测误差包括：

基于每个预设子时间段内所述实际出货订单量和所述预测出货订单量计算各个模型在每个预设子时间段内的子预测误差；

分别融合所述子预测误差得到各个模型在所述预设时间段内的预测误差；

所述基于所述预测误差计算各个预测模型的在所述预设时间段内的预测权重包括：

分别计算各个预测模型在所述预设时间段内的预测误差的倒数；

计算各个预测模型在所述预设时间段内的预测误差的倒数之和；

将第i个预测模型在所述预设时间段内的预测误差的倒数与所述各个预测模型在所述预设时间段内的预测误差的倒数之和的比值作为第i个模型的预测权重；

所述历史数据包括所述待预测区域的历史货运订单量信息。

2.一种货运订单量预测装置，其特征在于，包括：

预测模块，用于根据历史数据及预测模型，得到所述预测模型的预测数据；

误差模块，用于根据历史数据及所述预测模型的预测数据，得到所述预测模型的预测误差；

权重模块，用于根据多个所述预测模型的预测误差，得到多个所述预测模型融合时所需的所述预测模型的预测权重；

融合单元，用于根据所述预测模型的预测权重及所述预测模型的预测货运订单量，得到多个所述预测模型融合后的预测结果；

所述预测权重包括：固定预测权重或动态预测权重；

所述融合单元还用于，分别获取各个预测模型在预设时间段内的预测误差；

基于所述预测误差计算各个预测模型的在所述预设时间段内的预测权重；

利用所述预设时间段内的预测权重将所述多个预测货运订单量融合；

所述融合单元还用于，获取待预测区域在预设时间段的实际出货订单量；

获取多个预测模型在预设时间段的预测出货订单量；

基于所述实际出货订单量和所述预测出货订单量得到各个预测模型的所述预设时间段内的预测误差；

所述预设时间段包括近预测时间点多个预设子时间段，

所述融合单元还用于，基于每个预设子时间段内所述实际出货订单量和所述预测出货订单量计算各个模型在每个预设子时间段内的子预测误差；

分别融合所述子预测误差得到各个模型在所述预设时间段内的预测误差；

所述融合单元还用于，分别计算各个预测模型在所述预设时间段内的预测误差的倒数；

计算各个预测模型在所述预设时间段内的预测误差的倒数之和；

将第i个预测模型在所述预设时间段内的预测误差的倒数与所述各个预测模型在所述预设时间段内的预测误差的倒数之和的比值作为第i个模型的预测权重；

所述历史数据包括所述待预测区域的历史货运订单量信息。

3.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行所述权利要求1所述的货运订单量预测方法。

4.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1所述的货运订单量预测方法。

Images