CN112070284A - 用于件量预测的筛选方法、装置、设备和存储介质 - Google Patents

用于件量预测的筛选方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN112070284A
CN112070284A CN202010856881.2A CN202010856881A CN112070284A CN 112070284 A CN112070284 A CN 112070284A CN 202010856881 A CN202010856881 A CN 202010856881A CN 112070284 A CN112070284 A CN 112070284A
Authority
CN
China
Prior art keywords
model
data
component prediction
data set
component
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
Application number
CN202010856881.2A
Other languages
English (en)
Inventor
夏扬
陈玉芬
李斯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dongpu Software Co Ltd
Original Assignee
Dongpu Software Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dongpu Software Co Ltd filed Critical Dongpu Software Co Ltd
Priority to CN202010856881.2A priority Critical patent/CN112070284A/zh
Publication of CN112070284A publication Critical patent/CN112070284A/zh
Pending legal-status Critical Current

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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种用于件量预测的筛选方法、装置、设备和存储介质，针对当前物流行业对快递件量的预测通常采用某一特定的预测模型进行，导致预测件量不准确的问题，通过集合多个件量预测模块，根据输入的目标数据集及模型参数，自动筛选出适合该目标数据集的件量预测模型，一方面提高件量预测的准确性，另一方面，大大节省了算法人员的时间，更为公司从研发到实际投入缩短了大量的时间。

Description

用于件量预测的筛选方法、装置、设备和存储介质
技术领域
本发明属于业务量预测的技术领域，尤其涉及一种用于件量预测的筛选方法、装置、设备和存储介质。
背景技术
预测是大数据最核心的应用，大数据预测将传统意义预测拓展到“现测”。大数据预测的优势体现在它把一个非常困难的预测问题，转化为一个相对简单的描述问题，而这是传统小数据集根本无法企及的。从预测的角度看，大数据预测所得出的结果不仅仅得到处理现实业务简单、客观的结论，更能用于帮助企业经营决策，收集起来的资料还可以被规划，引导开发更大的消费力量。
时间序列数据挖掘以事物在不同时刻的状态所形成的数据为研究对象，通过对时间序列数据的特征进行分析和研究，揭示事物的发展变化规律，用于指导人们的社会、经济、军事和生活等活动。时间序列挖掘对人类社会、科技和经济的发展具有重大意义，正逐渐成为数据挖掘的研究热点之一。
对于物流行业来说，时序数据预测主要采用传统时序模型、广义可加模型和树模型三种方法。通用做法是输入清洗后的历史收派件数据，然后分析其随时间的变化趋势，建立模型从而进行外推预测。
但是，当前物流行业对快递件量的预测通常采用某一特定的预测模型进行的，不论是日预测，还是周预测，亦或是月预测都采用这个特定的预测模块，导致预测件量不准确，不利于公司的业务开展。
发明内容
本发明的目的是提供一种用于件量预测的筛选方法、装置、设备和存储介质，集合了基于时间序列预测的多个模型，输入测试数据及模型参数后，自动筛选出适合测试数据的件量预测模型。
为解决上述问题，本发明的技术方案为：
一种用于件量预测的筛选方法，包括：
步骤S1：获取件量的历史数据，对历史数据进行预处理，选取出至少一历史周期的目标数据集；
步骤S2：根据目标数据集创建件量预测模型，所述件量预测模型包括自回归模型、移动平均模型、ARMA模型、双指数平滑模型和季节性平滑模型；
步骤S3：确定模型参数，将模型参数输入至少一个件量预测模型进行件量预测；在相同模型参数下，比较各件量预测模型输出的件量预测值与件量实际值的差异，选取差异最小的件量预测模型作为目标件量预测模型。
根据本发明一实施例，所述步骤S1进一步包括：
步骤S11：清洗历史数据，替换空数据及异常数据；
步骤S12：对历史数据作平滑处理；
步骤S13：检测历史数据的平稳性。
根据本发明一实施例，所述步骤S12进一步包括：
分析历史数据的年、月、周变化趋势，得到年变化数据集、月变化数据集及周变化数据集；
分别对年变化数据集、月变化数据集及周变化数据集作数据平滑处理，得到年目标数据集、月目标数据集及周目标数据集。
根据本发明一实施例，所述步骤S12进一步包括：
对所述周变化数据集作数据平滑处理时，采用以下计算公式调整周变化数据集中的数据，消除周变化趋势：
Figure BDA0002646717770000021
其中，ai,j为第i周中第j天的件量值，i为大于1的正整数，j＝1,2,3,4,5,6,7；ai-1,j为第i-1周中的第j天的件量值；si-1为第i-1周7天的件量值总和。
根据本发明一实施例，所述步骤S13进一步包括：
采用时序图或自相关图检测各个目标数据集的数据平稳性；
调整不平稳数据，得到平稳的各个目标数据集。
根据本发明一实施例，所述步骤S3进一步包括：
选取一平稳的目标数据集分别进行取对数、取指数、取平方、作差分、作积分处理，得到五条曲线作为件量预测模型的数据基础；
选取一组包括历史数据时长、模型预测时长、数据起始点在内的模型参数的数值，写入各件量预测模型中并同时进行件量预测，得到一组各件量预测模型输出的件量预测值；
分别将各件量预测值与件量实际值进行比较，选取差异最小的件量预测值对应的件量预测模型作为目标件量预测模型。
一种用于件量预测的筛选装置，包括：
数据处理模块，用于获取件量的历史数据，对历史数据进行预处理，选取出至少一历史周期的目标数据集；
模型创建模块，用于根据目标数据集创建件量预测模型，所述件量预测模型包括自回归模型、移动平均模型、ARMA模型、双指数平滑模型和季节性平滑模型；
模型筛选模块，用于确定模型参数，将模型参数输入至少一个件量预测模型进行件量预测；在相同模型参数下，比较各件量预测模型输出的件量预测值与件量实际值的差异，选取差异最小的件量预测模型作为目标件量预测模型。
根据本发明一实施例，所述数据处理模块包括：
数据清洗单元，用于清洗历史数据，替换空数据及异常数据；
数据平滑处理单元，用于对历史数据作平滑处理；
数据平稳性检测单元，用于检测历史数据的平稳性。
一种用于件量预测的筛选设备，包括：
存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述用于件量预测的筛选设备执行本发明一实施例中的用于件量预测的筛选方法。
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现本发明一实施例中的用于件量预测的筛选方法。
本发明由于采用以上技术方案，使其与现有技术相比具有以下的优点和积极效果：
本发明一实施例中的用于件量预测的筛选方法，针对当前物流行业对快递件量的预测通常采用某一特定的预测模型进行，导致预测件量不准确的问题，通过集合多个件量预测模块，根据输入的目标数据集及模型参数，自动筛选出适合该目标数据集的件量预测模型，一方面提高件量预测的准确性，另一方面，大大节省了算法人员的时间，更为公司从研发到实际投入缩短了大量的时间。
附图说明
图1为本发明一实施例中的用于件量预测的筛选方法流图；
图2为本发明一实施例中的消除周变化趋势曲线图；
图3为本发明一实施例中的用于件量预测的筛选装置的框图；
图4为本发明一实施例中的用于件量预测的筛选设备的示意图。
具体实施方式
以下结合附图和具体实施例对本发明提出的一种用于件量预测的筛选方法、装置、设备和存储介质作进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。
实施例一
请参考图1，本实施例中的用于件量预测的筛选方法，包括：
步骤S1：获取件量的历史数据，对历史数据进行预处理，选取出至少一历史周期的目标数据集。
在本实施例中，件量历史数据是指物流行业中存储的件量数据，也可以是某统计机构公布的某段时间内物流行业中件量的数据。件量包含收件量，也可以包含发件量。在数据库中，无论是线上还是线下，均会存储派件量、收件量的信息。该些信息可以但不限于包含：件量的类型、时间。时间可以是按天存储，也可以是按照周存储，也可以按照录入系统的具体时间存储。
对获取的历史数据进行预处理，包括：
步骤S11：清洗历史数据，替换空数据及异常数据；
步骤S12：对历史数据作平滑处理；
步骤S13：检测历史数据的平稳性。
其中，在步骤S11中，清洗历史数据，去除获取的历史数据中不需要的信息及替换异常数据。通常在对数据进行统计分析之前，需要将一些不规则数据滤除掉，以确保分析的准确性。数据清洗是一个减少数据错误与不一致性的过程，主要是检测并删除或改正不规则数据。
在本实施例中，主要是针对件量进行预测，因此可以去除历史数据中包含的单号信息及地址信息。在这些历史数据中，可能会出现空数据或数值异常(如非数值表示)的数据，将这些空数据或数值异常的数据用其相邻的数据替换。
具体地，历史数据包含收件量和/或发件量，可以根据不同的业务场景从数据库中调取各网点收件量(有订单、无订单)和派件量的信息，下面将以某网点的收件量为测试数据，历史数据所在日期为2011/01/01-2017/11/30，获得的历史数据经过数据清洗后可以如下表1所示。
Figure BDA0002646717770000051
Figure BDA0002646717770000061
在步骤S12中，对历史数据作平滑处理，包括：
分析历史数据的年、月、周变化趋势，得到年变化数据集、月变化数据集及周变化数据集；分别对年变化数据集、月变化数据集及周变化数据集作数据平滑处理，得到年目标数据集、月目标数据集及周目标数据集。
具体的，以对周变化数据集作数据平滑处理为例，说明数据平滑处理方法。将周变化数据集按时序排列，绘成曲线，如图2中的曲线a。为了提高数据的精确度，将件量的数值进行归一化。从曲线a中可以看出，周变化趋势从周一(2017/7/4)到周日(2017/7/10)，件量呈明显的下降趋势。而对对周变化数据集作数据平滑处理的目的是，消除这种下降趋势，使曲线a尽量平缓，就如图2中的曲线b所示。该曲线b与曲线a相比，其变化趋势明显减小，整体上呈现平稳的特性。
本实施例用于消除周变化趋势的方法为：通过以下计算公式，调整历史数据，使数据趋于平稳。
Figure BDA0002646717770000062
其中，ai,j为第i周中第j天的件量值，i为大于1的正整数，j＝1,2,3,4,5,6,7；ai-1,j为第i-1周中的第j天的件量值；si-1为第i-1周7天的件量值总和。根据上述计算公式，逐个调整件量的周目标数据集中的数值。最终经过数据平滑处理的周目标数据集所转换成的曲线如图2中的曲线b所示。
对年变化数据集及月变化数据集的数据平滑处理，与上述对周变化数据集的处理方法一致，在此不做赘述。
在步骤S13中，检测历史数据的平稳性。本实施例提供了两种检测数据平稳性的方法，分别为时序图检测及自相关图检测。
其中，时序图检测遵循平稳时间序列的均值、方差为常数的原则，平稳序列在时序图中显示出在某一常数值附件随机波动的特性，且波动范围有限、无明显趋势性或周期性。如果某序列在时序图中表现为明显的趋势性或周期性，那么就说明该序列是不平稳的，不是平稳序列。
而自相关图检测则是随延迟期数k的增加，平稳时间序列的自相关系数p会很快地衰减向零。非平稳序列的自相关系数衰减向零的速度通常比较慢。非平稳序列的典型的自相关图：自相关图上显示出明显的三角对称性；位于零轴一侧，有单调趋势序列的典型特征，或有明显的正弦波动规律。
根据上述时序图及自相关图的原理，将年目标数据集或月目标数据集或周目标数据集进行时序图检测或自相关图检测，判断数据平稳性。如发现不平稳序列，则针对该不平稳序列进行调整(如线性增长的长期趋势，可以通过一阶差分形成新的平稳的(消除长期趋势)时间序列)，直到数据集中的序列趋于平稳。
步骤S2：根据目标数据集创建件量预测模型，所述件量预测模型包括自回归模型、移动平均模型、ARMA模型、双指数平滑模型和季节性平滑模型。
自回归模型、移动平均模型、ARMA模型、双指数平滑模型、季节性平滑模型都是基于时间序列的预测模型，其中，自回归模型及移动平均模型的结合可以成为ARMA模型，该自回归模型、移动平均模型、ARMA模型都是用于分析平稳时间序列的。
自回归模型(AutoRegressivemodel，AR模型)，如果某个时间序列的任意数值可以表示成下面的回归方程，那么该时间序列服从p阶的自回归过程，可以表示为AR(p)：
Figure BDA0002646717770000071
xt，xt-1xt-2，......，xt-p为不同时间点记录的数值；
Figure BDA0002646717770000072
为自回归系数；
ut为时间序列的白噪声；
Figure BDA0002646717770000073
为一阶自回归方程；
Figure BDA0002646717770000074
为二阶自回归方程；
可以发现，AR模型利用前期数值与后期数值的相关关系(自相关)，建立包含前期数值和后期数值的回归方程，达到预测的目的，因此成为自回归过程。这里的白噪声，可以理解成时间序列数值的随机波动，这些随机波动的总和会互相抵消，最终等于0。
移动平均模型(Moving Average model，MA模型)，如果某个时间序列的任意数值可以表示成下面的回归方程，那么该时间序列服从q阶的移动平均过程，可以表示为MA(q)：
Figure BDA0002646717770000081
ut，ut-1，ut-2，......，ut-q为不同时间点的白噪声项；
θ1，θ2，θ3，......，θq为移动回归方程系数；
xt为时间点t对应的数值；
可以发现，某个时间点的指标数值等于白噪声序列的加权和，如果回归方程中，白噪声只有两项，那么该移动平均过程为2阶移动平均过程MA(2)。
自回归移动平均模型(Auto Regressive and Moving Average model，ARMA模型)由两部分组成：自回归部分和移动平均部分，因此包含两个阶数，可以表示为ARMA(p,q)，p是自回归阶数，q为移动平均阶数，回归方程表示为：
Figure BDA0002646717770000082
从回归方程可知，自回归移动平均模型综合了AR和MA两个模型的优势，在ARMA模型中，自回归过程负责量化当前数据与前期数据之间的关系，移动平均过程负责解决随机变动项的求解问题。
指数平滑法是对单变量数据进行时间序列预测的一种方法，包括一次指数平滑、二次指数平滑等。其中，线性二次指数平滑法的公式为：
Figure BDA0002646717770000083
式中：
Figure BDA0002646717770000084
分别为t期和t–1期的二次指数平滑值；a为平滑系数。在
Figure BDA0002646717770000085
和
Figure BDA0002646717770000086
已知的条件下，二次指数平滑法的预测模型为：
Yt+T＝at+bt.T
Figure BDA0002646717770000087
Figure BDA0002646717770000088
式中：Yt+T为t+T期的预测值，T为由t期向后推移的期数。
季节性平滑模型也称Holt Winter季节性指数平滑模型，其本质上就是三次指数平滑法，添加了一个新的参数c来表示平滑后的趋势。Holt Winter季节性指数平滑包括预测等式和包含三个平滑参数α，β，γ的三个平滑等式，一个是水平等式Lt，一个是趋势等式bt，一个是季节性成分，被表示为St：
Lt＝α(yt-St-s)+(1*α)(Lt-1+bt-1)；
bt＝β(Lt-Lt-1)+(1-β)bt-1，
St＝γ(yt-Lt)+(1-γ)St-s
Ft+k＝Lt+kbt+St+k-s，
Ft+k为模型预测的等式，s是季节周期的长度，α、β、γ的值都位于[0，1]之间。
上述自回归模型、移动平均模型、ARMA模型、双指数平滑模型、季节性平滑模型都可采用计算机语言编程实现，在本实施例中不作介绍。在实际应用中，可搭建服务系统，该服务系统分成多个子服务器，每个子服务器负责一种件量预测模型。
步骤S3：确定模型参数，将模型参数输入至少一个件量预测模型进行件量预测；在相同模型参数下，比较各件量预测模型输出的件量预测值与件量实际值的差异，选取差异最小的件量预测模型作为目标件量预测模型。
具体的，选取一平稳的目标数据集，如周目标数据集，对该周目标数据集分别进行取对数、取指数、取平方、作差分、作积分处理，得到五条曲线作为件量预测模型的数据基础。也就是说，这五条曲线在上述步骤S2中的各个件量预测模型中都存在。
选取一组包括历史数据时长、模型预测时长、数据起始点在内的模型参数的数值，如历史数据时长＝7天、模型预测时长＝1天、数据起始点＝周目标数据集中每月1日的数据值。将这些参数写入各个件量预测模型中，并同时进行件量预测，得到一组各件量预测模型输出的件量预测值。
为了使得到的预测结果更准确，可以采用不同的模型参数，进行多次件量预测。如下一次件量预测的模型参数可取：历史数据时长＝15天、模型预测时长＝3天、数据起始点＝周目标数据集中每月5日的数据值，将这些参数写入各个件量预测模型中进行件量预测，得到另一组件量预测值。
如此，可得到多组件量预测值，分别将每组中的件量预测值与件量实际值进行比较，选取差异最小的件量预测值对应的件量预测模型作为目标件量预测模型。
本实施例输入件量预测模型中的测试数据为周目标数据集，那么最终得到的目标件量预测模型就是周件量预测模型。以此类推，年件量预测模型及月件量预测模型也可根据上述方法进行确定。
本实施例用于件量预测的筛选方法，针对当前物流行业对快递件量的预测通常采用某一特定的预测模型进行，导致预测件量不准确的问题，通过集合多个件量预测模块，根据输入的目标数据集及模型参数，自动筛选出适合该目标数据集的件量预测模型，一方面提高件量预测的准确性，另一方面，大大节省了算法人员的时间，更为公司从研发到实际投入缩短了大量的时间。
实施例二
本发明还提供了一种用于件量预测的筛选装置，参看图3，该装置包括：
数据处理模块1，用于获取件量的历史数据，对历史数据进行预处理，选取出至少一历史周期的目标数据集；
模型创建模块2，用于根据目标数据集创建件量预测模型，所述件量预测模型包括自回归模型、移动平均模型、ARMA模型、双指数平滑模型和季节性平滑模型；
模型筛选模块3，用于确定模型参数，将模型参数输入至少一个件量预测模型进行件量预测；在相同模型参数下，比较各件量预测模型输出的件量预测值与件量实际值的差异，选取差异最小的件量预测模型作为目标件量预测模型。
该数据处理模块1包括数据清洗单元、数据平滑处理单元及数据平稳性检测单元。该数据清洗单元用于清洗历史数据，替换空数据及异常数据；该数据平滑处理单元用于对历史数据作平滑处理；该数据平稳性检测单元用于检测历史数据的平稳性。
上述数据处理模块1、模型创建模块2及模型筛选模块3的具体内容及实现方法，均如实施例一中所述，在此也不再赘述。
实施例三
上述实施例二从模块化功能实体的角度对本发明用于件量预测的筛选装置进行详细描述，下面从硬件处理的角度对本发明用于件量预测的筛选设备进行详细描述。
请参看图4，该用于件量预测的筛选设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)510(例如，一个或一个以上处理器)和存储器520，一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对用于件量预测的筛选设备500中的一系列指令操作。
进一步地，处理器510可以设置为与存储介质530通信，在用于件量预测的筛选设备500上执行存储介质530中的一系列指令操作。
用于件量预测的筛选设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个以上操作系统531，例如Windows Serve、Vista等等。
本领域技术人员可以理解，图4示出的用于件量预测的筛选设备结构并不构成对用于件量预测的筛选设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质。该计算机可读存储介质中存储有指令，当该指令在计算机上运行时，使得计算机执行实施例一中的用于件量预测的筛选方法的步骤。
实施例二中的模块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，本发明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全部或部分可以以软件的形式体现出来，该计算机软件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)执行本发明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。
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，上述描述的装置及设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式。即使对本发明作出各种变化，倘若这些变化属于本发明权利要求及其等同技术的范围之内，则仍落入在本发明的保护范围之中。

Claims (10)

1.一种用于件量预测的筛选方法，其特征在于，包括：
步骤S1：获取件量的历史数据，对历史数据进行预处理，选取出至少一历史周期的目标数据集；
步骤S2：根据目标数据集创建件量预测模型，所述件量预测模型包括自回归模型、移动平均模型、ARMA模型、双指数平滑模型和季节性平滑模型；
步骤S3：确定模型参数，将模型参数输入至少一个件量预测模型进行件量预测；在相同模型参数下，比较各件量预测模型输出的件量预测值与件量实际值的差异，选取差异最小的件量预测模型作为目标件量预测模型。
2.如权利要求1所述的用于件量预测的筛选方法，其特征在于，所述步骤S1进一步包括：
步骤S11：清洗历史数据，替换空数据及异常数据；
步骤S12：对历史数据作平滑处理；
步骤S13：检测历史数据的平稳性。
3.如权利要求2所述的用于件量预测的筛选方法，其特征在于，所述步骤S12进一步包括：
分析历史数据的年、月、周变化趋势，得到年变化数据集、月变化数据集及周变化数据集；
分别对年变化数据集、月变化数据集及周变化数据集作数据平滑处理，得到年目标数据集、月目标数据集及周目标数据集。
4.如权利要求3所述的用于件量预测的筛选方法，其特征在于，所述步骤S12进一步包括：
对所述周变化数据集作数据平滑处理时，采用以下计算公式调整周变化数据集中的数据，消除周变化趋势：
Figure FDA0002646717760000011
其中，ai,j为第i周中第j天的件量值，i为大于1的正整数，j＝1,2,3,4,5,6,7；ai-1,j为第i-1周中的第j天的件量值；si-1为第i-1周7天的件量值总和。
5.如权利要求2所述的用于件量预测的筛选方法，其特征在于，所述步骤S13进一步包括：
采用时序图或自相关图检测各个目标数据集的数据平稳性；
调整不平稳数据，得到平稳的各个目标数据集。
6.如权利要求1所述的用于件量预测的筛选方法，其特征在于，所述步骤S3进一步包括：
选取一平稳的目标数据集分别进行取对数、取指数、取平方、作差分、作积分处理，得到五条曲线作为件量预测模型的数据基础；
选取一组包括历史数据时长、模型预测时长、数据起始点在内的模型参数的数值，写入各件量预测模型中并同时进行件量预测，得到一组各件量预测模型输出的件量预测值；
分别将各件量预测值与件量实际值进行比较，选取差异最小的件量预测值对应的件量预测模型作为目标件量预测模型。
7.一种用于件量预测的筛选装置，其特征在于，包括：
数据处理模块，用于获取件量的历史数据，对历史数据进行预处理，选取出至少一历史周期的目标数据集；
模型创建模块，用于根据目标数据集创建件量预测模型，所述件量预测模型包括自回归模型、移动平均模型、ARMA模型、双指数平滑模型和季节性平滑模型；
模型筛选模块，用于确定模型参数，将模型参数输入至少一个件量预测模型进行件量预测；在相同模型参数下，比较各件量预测模型输出的件量预测值与件量实际值的差异，选取差异最小的件量预测模型作为目标件量预测模型。
8.如权利要求7所述的用于件量预测的筛选装置，其特征在于，所述数据处理模块包括：
数据清洗单元，用于清洗历史数据，替换空数据及异常数据；
数据平滑处理单元，用于对历史数据作平滑处理；
数据平稳性检测单元，用于检测历史数据的平稳性。
9.一种用于件量预测的筛选设备，其特征在于，包括：
存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述用于件量预测的筛选设备执行如权利要求1-6中任意一项所述的用于件量预测的筛选方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的用于件量预测的筛选方法。
CN202010856881.2A 2020-08-24 2020-08-24 用于件量预测的筛选方法、装置、设备和存储介质 Pending CN112070284A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010856881.2A CN112070284A (zh) 2020-08-24 2020-08-24 用于件量预测的筛选方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010856881.2A CN112070284A (zh) 2020-08-24 2020-08-24 用于件量预测的筛选方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN112070284A true CN112070284A (zh) 2020-12-11

Family

ID=73659967

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010856881.2A Pending CN112070284A (zh) 2020-08-24 2020-08-24 用于件量预测的筛选方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN112070284A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112734340A (zh) * 2021-01-21 2021-04-30 上海东普信息科技有限公司 快递件量的预测指标筛选方法、装置、设备及存储介质
CN112785057A (zh) * 2021-01-21 2021-05-11 上海东普信息科技有限公司 基于指数平滑的件量预测方法、装置、设备及存储介质
CN112801358A (zh) * 2021-01-21 2021-05-14 上海东普信息科技有限公司 基于模型融合的件量预测方法、装置、设备及存储介质
CN113191537A (zh) * 2021-04-15 2021-07-30 上海东普信息科技有限公司 快递周揽件数据的预测方法、装置、设备及存储介质
CN115758733A (zh) * 2022-11-21 2023-03-07 贵州电网有限责任公司 一种导线接头温度预测方法、装置、设备及存储介质

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112734340A (zh) * 2021-01-21 2021-04-30 上海东普信息科技有限公司 快递件量的预测指标筛选方法、装置、设备及存储介质
CN112785057A (zh) * 2021-01-21 2021-05-11 上海东普信息科技有限公司 基于指数平滑的件量预测方法、装置、设备及存储介质
CN112801358A (zh) * 2021-01-21 2021-05-14 上海东普信息科技有限公司 基于模型融合的件量预测方法、装置、设备及存储介质
CN112734340B (zh) * 2021-01-21 2023-09-01 上海东普信息科技有限公司 快递件量的预测指标筛选方法、装置、设备及存储介质
CN112785057B (zh) * 2021-01-21 2023-09-01 上海东普信息科技有限公司 基于指数平滑的件量预测方法、装置、设备及存储介质
CN113191537A (zh) * 2021-04-15 2021-07-30 上海东普信息科技有限公司 快递周揽件数据的预测方法、装置、设备及存储介质
CN115758733A (zh) * 2022-11-21 2023-03-07 贵州电网有限责任公司 一种导线接头温度预测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN112070284A (zh) 用于件量预测的筛选方法、装置、设备和存储介质
Jha et al. Time series forecasting model for supermarket sales using FB-prophet
CN106991145B (zh) 一种监测数据的方法及装置
Abidin et al. Forecasting share prices of small size companies in Bursa Malaysia using geometric Brownian motion
Abidin et al. A review on Geometric Brownian Motion in forecasting the share prices in Bursa Malaysia
US10740679B1 (en) Analytics scripting systems and methods
CN112785057B (zh) 基于指数平滑的件量预测方法、装置、设备及存储介质
CN114155072B (zh) 基于大数据分析的财务预测模型构建方法及系统
Singer Stochastic differential equation models with sampled data
Mor et al. A comparative study of forecasting methods for sporadic demand in an auto service station
CN112183827A (zh) 快递月揽件量的预测方法、装置、设备和存储介质
CN112686433B (zh) 快递数量的预测方法、装置、设备及存储介质
CN117034197A (zh) 基于多维Isolate-Detect多变点检测的企业用电典型模式分析方法
CN112070292A (zh) 件量预测方法、装置、设备和存储介质
CN116228175A (zh) 一种基于企业级工程施工成本的实时管理系统
CN112418534B (zh) 揽件量预测方法及装置、电子设备、计算机可读存储介质
CN115271192A (zh) 一种工业生产指数预测方法及处理器
CN113657945A (zh) 用户价值预测方法、装置、电子设备和计算机存储介质
CN112669093A (zh) 海洋经济预测方法、系统、电子设备及存储介质
Jahandari et al. Analysis and compensation of asynchronous stock time series
CN110580494A (zh) 一种基于分位数逻辑回归的数据分析方法
CN112734340B (zh) 快递件量的预测指标筛选方法、装置、设备及存储介质
CN112183832A (zh) 快递揽件量的预测方法、装置、设备和存储介质
CN116934486B (zh) 一种基于深度学习的决策评估方法及系统
Fojtík et al. Approximate Valuation of Life Insurance Portfolio with the Cluster Analysis: Trade-Off Between Computation Time and Precision.

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