CN112183832A - 快递揽件量的预测方法、装置、设备和存储介质 - Google Patents

快递揽件量的预测方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN112183832A
CN112183832A CN202010982200.7A CN202010982200A CN112183832A CN 112183832 A CN112183832 A CN 112183832A CN 202010982200 A CN202010982200 A CN 202010982200A CN 112183832 A CN112183832 A CN 112183832A
Authority
CN
China
Prior art keywords
data set
historical
data
predicting
period
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
CN202010982200.7A
Other languages
English (en)
Inventor
夏扬
李斯
陈玉芬
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 CN202010982200.7A priority Critical patent/CN112183832A/zh
Publication of CN112183832A publication Critical patent/CN112183832A/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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0838—Historical data

Abstract

本发明公开了一种快递揽件量的预测方法、装置、设备和存储介质，针对当前业内主要采用人工预测或粗略的方法来预测“双十一”的快递揽件量，预测准确率低，造成货物滞留、爆仓等问题，通过获取揽件量的历史数据，对历史数据进行预处理，得到N个历史周期的双十一前的第一数据集及包含双十一的第二数据集；预测第二数据集中第N个历史周期的揽件量总和的同比增长率，从而得到第二数据集中第N个历史周期的揽件量总和的预测值；预测第二数据集中第N个历史周期的日揽件量的占比率，最终得到第二数据集中第N个历史周期的日揽件量预测值。该预测方法，可有效提高双十一的快递揽件量预测的准确性，为双十一购物节的快递资源配置提供更可靠的数据支持。

Description

快递揽件量的预测方法、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，尤其涉及一种快递揽件量的预测方法、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。
随着物流行业的快速发展，业务量(快递件量)的管控关系着物流公司的业务能否正常进行。因此，对件量进行预测就显得尤为重要。
对于物流领域的件量预测问题，件量总是随时间发生变化的，当前业内主要采用人工预测或粗略的方法来预测快递的揽件量(如月揽件量)，尤其当碰到购物节，如“双十一”或“双十二”时，其揽件量较平时比较大，如预测不准的话会影响后续货车以及人工的调度，造成货物滞留、爆仓的情况，不利于快递公司的业务开展。
发明内容
本发明的目的是提供一种快递揽件量的预测方法、装置、设备和存储介质，有效提高如“双十一”等购物节的快递揽件量预测的准确性，为“双十一”等购物节的快递资源配置提供更可靠的数据支持。
为解决上述问题，本发明的技术方案为：
一种快递揽件量的预测方法，适用于特殊日期的快递揽件量预测，所述快递揽件量的预测方法包括：
步骤S1：获取揽件量的历史数据，对历史数据进行预处理，得到N个历史周期的第一数据集及第二数据集；所述第一数据集为所述特殊日期前的揽件量数据，所述第二数据集为包含所述特殊日期的揽件量数据；
步骤S2：分析第一数据集中N个历史周期的揽件量总和的增长趋势及第二数据集中前N-1个历史周期的揽件量总和的增长趋势，将第一数据集中前N-1个历史周期的揽件量总和的增长趋势与第二数据集中前N-1个历史周期的揽件量总和的增长趋势进行比较，根据比较结果，预测第二数据集中第N个历史周期的揽件量相对于第N-1个历史周期的揽件量的增长率；
步骤S3：根据所述步骤S2中预测得到的增长率及第二数据集中的第N-1个历史周期的揽件量总和，计算得到第二数据集中第N个历史周期的揽件量总和；
步骤S4：分析第二数据集中前N-1个历史周期中每个历史周期的日揽件量，根据分析结果，预测第二数据集中第N个历史周期的日揽件量的占比率；
步骤S5：根据所述步骤S4中预测得到的日揽件量的占比率及所述步骤S3中得到的第N个历史周期的揽件量总和，计算得到第二数据集中第N个历史周期的日揽件量预测值。
根据本发明一实施例，所述步骤S1进一步包括：
清洗历史数据，替换空数据及异常数据；
将所述特殊日期所在月份之前的历史数据设为第一数据集，将包含所述特殊日期的月份的历史数据设为第二数据集。
根据本发明一实施例，所述步骤S2进一步包括：
一历史周期为一年，计算第一数据集中每年的揽件量总和，并统计当年揽件量总和相比上一年的揽件量总和的增长率，得到第一增长率序列；
计算第二数据集中前N-1年的揽件量总和，并统计当年揽件量总和相比上一年的揽件量总和的增长率，得到第二增长率序列；
比较第一增长率序列中的前N-2个值与第二增长率序列中相应顺序的值，若值相近，则将第二数据集中第N年的揽件量总和相比于第N-1年的揽件量总和的增长率取值为第一增长率序列中的第N-1个的值。
根据本发明一实施例，所述步骤S4进一步包括：
选取第二数据集中包含特殊日期在内的，日期连续的若干历史数据；统计若干所述历史数据中前N-1个历史周期的日揽件量占相应的历史周期的揽件量总和的比例值，得到N-1个历史周期的日占比序列；
比较所述N-1个日占比序列中的相应位置的数值，若数值相近，则将第二数据集中第N个历史周期的日占比序列取值为第N-1个历史周期的日占比序列中的值。
根据本发明一实施例，所述步骤S5之后还包括：
将第二数据集中第N个历史周期的日揽件量预测值与第N个历史周期的日揽件量实际值进行对比，计算误差。
根据本发明一实施例，所述特殊日期为11月11日或12月12日。
一种快递揽件量的预测装置，包括：
数据预处理模块，用于获取揽件量的历史数据，对历史数据进行预处理，得到N个历史周期的第一数据集及第二数据集；所述第一数据集为所述特殊日期前的揽件量数据，所述第二数据集为包含所述特殊日期的揽件量数据；
周期增长率预测模块，用于分析第一数据集中N个历史周期的揽件量总和的增长趋势及第二数据集中前N-1个历史周期的揽件量总和的增长趋势，将第一数据集中前N-1个历史周期的揽件量总和的增长趋势与第二数据集中前N-1个历史周期的揽件量总和的增长趋势进行比较，根据比较结果，预测第二数据集中第N个历史周期的揽件量相对于第N-1个历史周期的揽件量的增长率；
周期揽件量总和预测模块，用于根据所述周期增长率预测模块得到的增长率及第二数据集中的第N-1个历史周期的揽件量总和，计算得到第二数据集中第N个历史周期的揽件量总和；
日占比率预测模块，用于分析第二数据集中前N-1个历史周期中每个历史周期的日揽件量，根据分析结果，预测第二数据集中第N个历史周期的日揽件量的占比率；
日揽件量预测模块，用于根据所述日占比率预测模块得到的日揽件量的占比率及所述周期揽件量总和预测模块得到的第N个历史周期的揽件量总和，计算得到第二数据集中第N个历史周期的日揽件量预测值。
根据本发明一实施例，快递揽件量的预测装置还包括校验模块，用于比较第二数据集中第N个历史周期的日揽件量预测值与第N个历史周期的日揽件量实际值的大小，计算误差。
一种快递揽件量的预测设备，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，以使得所述快递揽件量的预测设备执行本发明一实施例中的快递揽件量的预测方法。
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快递揽件量的预测方法。
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快递揽件量的预测方法，针对当前业内主要采用人工预测或粗略的方法来预测如“双十一”或“双十二”购物节的快递揽件量，预测准确率低，造成货物滞留、爆仓等问题，通过获取揽件量的历史数据，对历史数据进行预处理，得到N个历史周期的双十一前的第一数据集及包含双十一的第二数据集；分析第一数据集中N个历史周期的揽件量总和的同比增长率及第二数据集中前N-1个历史周期的揽件量总和的同比增长率，预测第二数据集中第N个历史周期的揽件量总和的同比增长率，从而得到第二数据集中第N个历史周期的揽件量总和的预测值；分析第二数据集中前N-1个历史周期中每个历史周期的日揽件量，根据分析结果，预测第二数据集中第N个历史周期的日揽件量的占比率，最终得到第二数据集中第N个历史周期的日揽件量预测值。上述对双十一快递揽件量的预测方法，可有效提高双十一的快递揽件量预测的准确性，为双十一购物节的快递资源配置提供更可靠的数据支持。
附图说明
图1为本发明一实施例中的快递揽件量的预测方法流图；
图2为本发明一实施例中的快递揽件量的预测装置框图；
图3为本发明一实施例中的快递揽件量的预测设备的示意图。
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快递揽件量的预测方法、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，本实施例中的快递月揽件量的预测方法，包括：
步骤S1：获取揽件量的历史数据，对历史数据进行预处理，得到N个历史周期的第一数据集及第二数据集；所述第一数据集为所述特殊日期前的揽件量数据，所述第二数据集为包含所述特殊日期的揽件量数据。
在本实施例中，快递揽件量的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。件量包含揽件量，当然可以是发件量，本实施例以揽件量为例。在数据库中，无论是线上还是线下，均会存储揽件量的信息。该些信息可以但不限于包含：件量的类型、时间、数量。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：清洗历史数据，替换空数据及异常数据；将特殊日期所在月份之前的历史数据设为第一数据集，将包含特殊日期的月份的历史数据设为第二数据集。
其中，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，主要是针对揽件量进行预测，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，历史数据包含揽件量，可以根据不同的业务场景从数据库中调取各网点揽件量(有订单、无订单)信息，下面将以某网点的揽件量为测试数据，历史数据所在日期为2011/01/01-2018/12/31，获得的历史数据经过数据清洗后可以如下表1所示。
表1
Figure BDA0002687963800000061
上表1列出了历史数据中1个月的件量揽收数据。按照上表的格式，将2011年到2018年的历史数据做好处理。
将特殊日期所在月份之前的历史数据设为第一数据集，将包含特殊日期的月份的历史数据设为第二数据集。这里的特殊日期是指11月11日(双十一)或12月12日(双十二)，下面以11月11日(双十一)为例进行数据集的划分。将2011年到2018年的历史数据中每年的1月份到10月份的揽件量历史数据设为第一数据集，将2011年到2018年的历史数据中每年的11月份的揽件量历史数据设为第二数据集。
步骤S2：分析第一数据集中N个历史周期的揽件量总和的增长趋势及第二数据集中前N-1个历史周期的揽件量总和的增长趋势，将第一数据集中前N-1个历史周期的揽件量总和的增长趋势与第二数据集中前N-1个历史周期的揽件量总和的增长趋势进行比较，根据比较结果，预测第二数据集中第N个历史周期的揽件量相对于第N-1个历史周期的揽件量的增长率。
以一年为一个历史周期，那么这里的N就是8。计算第一数据集中每年的揽件量总和，并统计当年揽件量总和相比上一年的揽件量总和的增长率w，得到第一增长率序列{w1，w2，...，w7}。
计算第二数据集中前7年(2011年-2017年11.10-11.20)中每年的揽件量总和，并统计当年揽件量总和相比上一年的揽件量总和的增长率w’，得到第二增长率序列{w’1，w’2，...，w’6}。
第一增长率序列的值与第二增长率序列的值如下表2所示：
表2
Figure BDA0002687963800000071
比较第一增长率序列中的前6个值(即2012年到2017年的同比增长率)与第二增长率序列中相应顺序的值，如上表1所示，2012年到2017年的同比增长率w与w’的值都相近，因此，可以将第二数据集中第8年(2018年)的揽件量总和相比于第7年(2017年)的揽件量总和的同比增长率取值为第一增长率序列中的第7个值，即47％。
步骤S3：根据步骤S2中预测得到的第二数据集第N个历史周期的同比增长率及第二数据集中的第N-1个历史周期的揽件量总和，计算得到第二数据集中第N个历史周期的揽件量总和。
上述步骤S2中得到了第二数据集中2018年11月份中11.10-11.20的揽件量总和的同比增长率为47％，以及第二数据集中2017年11月份中11.10-11.20的揽件量总和，那么根据同比增长率的计算公式，可以计算得到2018年11月份中11.10-11.20的揽件量总和。
步骤S4：分析第二数据集中前N-1个历史周期中每个历史周期的日揽件量，根据分析结果，预测第二数据集中第N个历史周期的日揽件量的占比率。
具体的，分别计算第二数据集中2011年到2017年，每年11.10-11.20中每天的揽件量占当年11.10-11.20的揽件量总和的比例值，得到如下表3所示的数据：
表3
Figure BDA0002687963800000081
从表3中，可以看出每年11.10-11.20的日揽件量相对于总量的占比值相近，因此，可以将2018年11.10-11.20的日揽件量相对于总量的占比值用2017年11.10-11.20的日揽件量相对于总量的占比值代替。即20182018年11.10-11.20的日揽件量相对于总量的占比值分别为5％，17％，16％，12％，9％，8％，7％，7％，6％，6％，7％。
步骤S5：根据步骤S4中预测得到的第N个历史周期的日揽件量的占比率及步骤S3中得到的第N个历史周期的揽件量总和，计算得到第二数据集中第N个历史周期的日揽件量预测值。
即根据步骤S3预测出的2018年11.10-11.20总和及步骤S4的2018年11.10-11.20的日揽件量的占比率，计算出2018年11.10-11.20日每天的快递揽件量预测值。
为了验证上述快递揽件量预测的准确性，将2018年11.10-11.20日每天的揽件量预测值与实际2018年11.10-11.20日的历史月揽件量实际值进行比较，计算误差。结果表明，上述快递揽件量的预测方法可达到95％以上的预测准确性，较以前的方法(只能达到80％的准确率)大大提升了双十一揽件量预测的准确性，为双十一购物节的快递资源配置提供更可靠的数据支持。
实施例二
本发明还提供了一种快递揽件量的预测装置，参看图2，该装置包括：
数据预处理模块1，用于获取揽件量的历史数据，对历史数据进行预处理，得到N个历史周期的第一数据集及第二数据集；该第一数据集为所述特殊日期前的揽件量数据，所述第二数据集为包含所述特殊日期的揽件量数据；其中，该特殊日期为“双十一”购物节或“双十二”购物节；
周期增长率预测模块2，用于分析第一数据集中N个历史周期的揽件量总和的增长趋势及第二数据集中前N-1个历史周期的揽件量总和的增长趋势，将第一数据集中前N-1个历史周期的揽件量总和的增长趋势与第二数据集中前N-1个历史周期的揽件量总和的增长趋势进行比较，根据比较结果，预测第二数据集中第N个历史周期的揽件量相对于第N-1个历史周期的揽件量的增长率；
周期揽件量总和预测模块3，用于根据周期增长率预测模块得到的增长率及第二数据集中的第N-1个历史周期的揽件量总和，计算得到第二数据集中第N个历史周期的揽件量总和；
日占比率预测模块4，用于分析第二数据集中前N-1个历史周期中每个历史周期的日揽件量，根据分析结果，预测第二数据集中第N个历史周期的日揽件量的占比率；
日揽件量预测模块5，用于根据日占比率预测模块得到的日揽件量的占比率及周期揽件量总和预测模块得到的第N个历史周期的揽件量总和，计算得到第二数据集中第N个历史周期的日揽件量预测值。
校验模块6，用于比较第二数据集中第N个历史周期的日揽件量预测值与第N个历史周期的日揽件量实际值的大小，计算误差。
上述数据预处理模块1、周期增长率预测模块2、周期揽件量总和预测模块3、日占比率预测模块4、日揽件量预测模块5及校验模块6的具体内容及实现方法，均如实施例一中所述，在此不再赘述。
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快递揽件量的预测装置进行详细描述，下面从硬件处理的角度对本发明快递揽件量的预测设备进行详细描述。
请参看图3，该快递揽件量的预测设备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(centralprocessingunits，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快递揽件量的预测设备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，在快递揽件量的预测设备500上执行存储介质530中的一系列指令操作。
快递揽件量的预测设备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WindowsServe、Vista等等。
本领域技术人员可以理解，图3示出的快递揽件量的预测设备结构并不构成对快递揽件量的预测设备的限定，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快递揽件量的预测方法的步骤。
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-onlymemory，ROM)、随机存取存储器(Randomaccessmemory，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)

1.一种快递揽件量的预测方法，其特征在于，适用于特殊日期的快递揽件量预测，所述快递揽件量的预测方法包括：
步骤S1：获取揽件量的历史数据，对历史数据进行预处理，得到N个历史周期的第一数据集及第二数据集；所述第一数据集为所述特殊日期前的揽件量数据，所述第二数据集为包含所述特殊日期的揽件量数据；
步骤S2：分析第一数据集中N个历史周期的揽件量总和的增长趋势及第二数据集中前N-1个历史周期的揽件量总和的增长趋势，将第一数据集中前N-1个历史周期的揽件量总和的增长趋势与第二数据集中前N-1个历史周期的揽件量总和的增长趋势进行比较，根据比较结果，预测第二数据集中第N个历史周期的揽件量相对于第N-1个历史周期的揽件量的增长率；
步骤S3：根据所述步骤S2中预测得到的增长率及第二数据集中的第N-1个历史周期的揽件量总和，计算得到第二数据集中第N个历史周期的揽件量总和；
步骤S4：分析第二数据集中前N-1个历史周期中每个历史周期的日揽件量，根据分析结果，预测第二数据集中第N个历史周期的日揽件量的占比率；
步骤S5：根据所述步骤S4中预测得到的日揽件量的占比率及所述步骤S3中得到的第N个历史周期的揽件量总和，计算得到第二数据集中第N个历史周期的日揽件量预测值。
2.如权利要求1所述的快递揽件量的预测方法，其特征在于，所述步骤S1进一步包括：
清洗历史数据，替换空数据及异常数据；
将所述特殊日期所在月份之前的历史数据设为第一数据集，将包含所述特殊日期的月份的历史数据设为第二数据集。
3.如权利要求1所述的快递揽件量的预测方法，其特征在于，所述步骤S2进一步包括：
一历史周期为一年，计算第一数据集中每年的揽件量总和，并统计当年揽件量总和相比上一年的揽件量总和的增长率，得到第一增长率序列；
计算第二数据集中前N-1年的揽件量总和，并统计当年揽件量总和相比上一年的揽件量总和的增长率，得到第二增长率序列；
比较第一增长率序列中的前N-2个值与第二增长率序列中相应顺序的值，若值相近，则将第二数据集中第N年的揽件量总和相比于第N-1年的揽件量总和的增长率取值为第一增长率序列中的第N-1个的值。
4.如权利要求2所述的快递揽件量的预测方法，其特征在于，所述步骤S4进一步包括：
选取第二数据集中包含特殊日期在内的，日期连续的若干历史数据；统计若干所述历史数据中前N-1个历史周期的日揽件量占相应的历史周期的揽件量总和的比例值，得到N-1个历史周期的日占比序列；
比较所述N-1个日占比序列中的相应位置的数值，若数值相近，则将第二数据集中第N个历史周期的日占比序列取值为第N-1个历史周期的日占比序列中的值。
5.如权利要求1所述的快递揽件量的预测方法，其特征在于，所述步骤S5之后还包括：
将第二数据集中第N个历史周期的日揽件量预测值与第N个历史周期的日揽件量实际值进行对比，计算误差。
6.如权利要求1至5中任意一项所述的快递揽件量的预测方法，其特征在于，所述特殊日期为11月11日或12月12日。
7.一种快递揽件量的预测装置，其特征在于，包括：
数据预处理模块，用于获取揽件量的历史数据，对历史数据进行预处理，得到N个历史周期的第一数据集及第二数据集；所述第一数据集为所述特殊日期前的揽件量数据，所述第二数据集为包含所述特殊日期的揽件量数据；
周期增长率预测模块，用于分析第一数据集中N个历史周期的揽件量总和的增长趋势及第二数据集中前N-1个历史周期的揽件量总和的增长趋势，将第一数据集中前N-1个历史周期的揽件量总和的增长趋势与第二数据集中前N-1个历史周期的揽件量总和的增长趋势进行比较，根据比较结果，预测第二数据集中第N个历史周期的揽件量相对于第N-1个历史周期的揽件量的增长率；
周期揽件量总和预测模块，用于根据所述周期增长率预测模块得到的增长率及第二数据集中的第N-1个历史周期的揽件量总和，计算得到第二数据集中第N个历史周期的揽件量总和；
日占比率预测模块，用于分析第二数据集中前N-1个历史周期中每个历史周期的日揽件量，根据分析结果，预测第二数据集中第N个历史周期的日揽件量的占比率；
日揽件量预测模块，用于根据所述日占比率预测模块得到的日揽件量的占比率及所述周期揽件量总和预测模块得到的第N个历史周期的揽件量总和，计算得到第二数据集中第N个历史周期的日揽件量预测值。
8.如权利要求7所述的快递揽件量的预测装置，其特征在于，还包括校验模块，用于比较第二数据集中第N个历史周期的日揽件量预测值与第N个历史周期的日揽件量实际值的大小，计算误差。
9.一种快递揽件量的预测设备，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，以使得所述快递揽件量的预测设备执行如权利要求1-6中任意一项所述的快递揽件量的预测方法。
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中任意一项所述的快递揽件量的预测方法。
CN202010982200.7A 2020-09-17 2020-09-17 快递揽件量的预测方法、装置、设备和存储介质 Pending CN112183832A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010982200.7A CN112183832A (zh) 2020-09-17 2020-09-17 快递揽件量的预测方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010982200.7A CN112183832A (zh) 2020-09-17 2020-09-17 快递揽件量的预测方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN112183832A true CN112183832A (zh) 2021-01-05

Family

ID=73920169

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010982200.7A Pending CN112183832A (zh) 2020-09-17 2020-09-17 快递揽件量的预测方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN112183832A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180039895A1 (en) * 2016-08-02 2018-02-08 Beijing Baidu Netcom Science And Technology Co., Ltd. Data predicting method and apparatus
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
CN109146134A (zh) * 2018-07-18 2019-01-04 顺丰科技有限公司 一种高峰揽件量预测方法、系统、设备及存储介质
CN109583625A (zh) * 2018-10-19 2019-04-05 顺丰科技有限公司 一种揽件量预测方法、系统、设备及存储介质
CN109784524A (zh) * 2017-11-13 2019-05-21 顺丰科技有限公司 件量预测方法及装置、设备和存储介质
CN109961165A (zh) * 2017-12-25 2019-07-02 顺丰科技有限公司 件量预测方法、装置、设备及其存储介质
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
CN111242659A (zh) * 2018-11-28 2020-06-05 顺丰科技有限公司 客户件量预测方法和装置、异动客户预警方法和装置
CN111415027A (zh) * 2019-01-08 2020-07-14 顺丰科技有限公司 构建件量预测模型的方法和装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180039895A1 (en) * 2016-08-02 2018-02-08 Beijing Baidu Netcom Science And Technology Co., Ltd. Data predicting method and apparatus
CN109784524A (zh) * 2017-11-13 2019-05-21 顺丰科技有限公司 件量预测方法及装置、设备和存储介质
CN109961165A (zh) * 2017-12-25 2019-07-02 顺丰科技有限公司 件量预测方法、装置、设备及其存储介质
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
CN109146134A (zh) * 2018-07-18 2019-01-04 顺丰科技有限公司 一种高峰揽件量预测方法、系统、设备及存储介质
CN109583625A (zh) * 2018-10-19 2019-04-05 顺丰科技有限公司 一种揽件量预测方法、系统、设备及存储介质
CN111242659A (zh) * 2018-11-28 2020-06-05 顺丰科技有限公司 客户件量预测方法和装置、异动客户预警方法和装置
CN111415027A (zh) * 2019-01-08 2020-07-14 顺丰科技有限公司 构建件量预测模型的方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李帅: "基于大规模快递数据的时序分析研究与实现", 《中国硕士优秀学位论文数据库 基础科学辑》 *

Similar Documents

Publication Publication Date Title
CN110751371B (zh) 基于统计四分位距的商品库存风险预警方法、系统及计算机可读存储介质
CN106991145B (zh) 一种监测数据的方法及装置
Bajgrowicz et al. Jumps in high-frequency data: Spurious detections, dynamics, and news
US8024218B2 (en) Method and apparatus for determining the product marketability utilizing a percent coverage
US20090024407A1 (en) Indicating which of forecasting models at different aggregation levels has a better forecast quality
CN112070284A (zh) 用于件量预测的筛选方法、装置、设备和存储介质
CN112150237B (zh) 多模型融合的订单逾期预警方法、装置、设备及存储介质
CN112308414A (zh) 收入异常检测的方法、装置、电子设备及存储介质
CN115394358A (zh) 基于深度学习的单细胞测序基因表达数据插补方法和系统
CN114782065A (zh) 一种基于模型组合的商品销量预测方法、装置及存储介质
CN115775110A (zh) 一种服务质量评估方法及装置
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
CN112785057A (zh) 基于指数平滑的件量预测方法、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
CN113835947A (zh) 一种基于异常识别结果确定异常原因的方法和系统
CN112070292A (zh) 件量预测方法、装置、设备和存储介质
Loboz Cloud resource usage: extreme distributions invalidating traditional capacity planning models
CN115796330A (zh) 基于Prophet模型的预测方法、设备和存储介质
CN114444934A (zh) 一种企业销售周期性评价算法及其工具化应用
CN115062687A (zh) 企业信用监控方法、装置、设备及存储介质
CN114358910A (zh) 异常财务数据处理方法、装置、设备及存储介质
CN113240489A (zh) 一种基于大数据统计分析的物品推荐方法及装置
CN1555025A (zh) 销售预测管理系统、方法及记录介质
Lascsáková The analysis of the commodity price forecasting success considering different lengths of the initial condition drift

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: 20210105