CN112183873B - 一种交通业务量预测方法、系统、装置及存储介质 - Google Patents

一种交通业务量预测方法、系统、装置及存储介质 Download PDF

Info

Publication number
CN112183873B
CN112183873B CN202011080598.1A CN202011080598A CN112183873B CN 112183873 B CN112183873 B CN 112183873B CN 202011080598 A CN202011080598 A CN 202011080598A CN 112183873 B CN112183873 B CN 112183873B
Authority
CN
China
Prior art keywords
traffic
day
periodicity
historical
base
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
Application number
CN202011080598.1A
Other languages
English (en)
Other versions
CN112183873A (zh
Inventor
周国静
王安琪
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.)
Suzhou Chuanglv Tianxia Information Technology Co ltd
Original Assignee
Suzhou Chuanglv Tianxia Information Technology 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 Suzhou Chuanglv Tianxia Information Technology Co ltd filed Critical Suzhou Chuanglv Tianxia Information Technology Co ltd
Priority to CN202011080598.1A priority Critical patent/CN112183873B/zh
Publication of CN112183873A publication Critical patent/CN112183873A/zh
Application granted granted Critical
Publication of CN112183873B publication Critical patent/CN112183873B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

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

Abstract

本申请涉及一种交通业务量预测方法、系统、装置及存储介质，其中方法包括：通过数据分析工具对历史原始业务量S0进行可视化然后分析历史原始业务量S0中所包含的周期性类型；采用Prophet算法提取历史原始业务量S0中每一周期性类型所对应的周期因子，然后从历史原始业务量S0中剔除所有的周期因子以得到基业务量Sn；将每天的基业务量定义为标签y，训练基业务量Sn中第n天之前t天的基业务量数据映射到yn的模型；利用训练好的模型预测以当天为基准的未来T天的预测基业务量PT；根据未来T天包含的周期性类型，将相应的周期因子增加到预测基业务量PT中，得到最终预测业务量P。本申请具有能够有效降低交通业务量预测误差的效果。

Description

一种交通业务量预测方法、系统、装置及存储介质
技术领域
本申请涉及计算机技术的领域，尤其是涉及一种交通业务量预测方法、系统、装置及存储介质。
背景技术
在交通领域，业务量主要被定义为需求量、成交量、交易额等，提前预知未来业务量的走势，对资源规划、战略调整都至关重要，因此需要对未来业务量进行精准预测。当前的对交通业务量的预测方法主要依照年同比和日环比来设计的，即，根据一年前业务量的走势和当前的业务量来推测未来业务量的走势。
针对上述中的业务量预测方法，其存在以下缺陷：每年的法定节、星期等周期日期的不对齐会导致交通业务量预测出现比较大的预测误差，遇到突发情况例如大环境政策调整而导致的周期日期变动时，这种预测误差会更大。
发明内容
为了改善交通业务量预测误差的问题，本申请提供一种交通业务量预测方法、系统、装置及存储介质。
第一方面，本申请提供一种交通业务量预测方法，采用如下的技术方案：
一种交通业务量预测方法，包括：
通过数据分析工具对历史原始业务量S0进行可视化然后分析历史原始业务量S0中所包含的周期性类型；
采用Prophet算法提取历史原始业务量S0中每一周期性类型所对应的周期因子，然后从历史原始业务量S0中剔除所有的周期因子以得到基业务量Sn；
将每天的基业务量定义为标签y，训练基业务量Sn中第n天之前t天的基业务量数据映射到yn的模型；
利用训练好的模型预测以当天为基准的未来T天的预测基业务量PT；
根据未来T天包含的周期性类型，将相应的周期因子增加到预测基业务量PT中，得到最终预测业务量P。
通过采用上述技术方案，本发明从原始业务量中剥离了周期性因子，例如法定节假日、星期和年度，从而得到了基业务量，接着利用机器学习算法根据历史基业务量预测未来基业务量，把握近期基业务量的走势，最后加入周期因子得到最终预测业务量，不仅便于将不同年份的假日日期对齐而提高预测数据的准确性，也很好的解决了由于突发情况而造成的预测误差的问题。
优选的，所述通过数据分析工具对历史原始业务量S0进行可视化然后分析历史原始业务量S0中所包含的周期性类型具体包括：
通过数据分析工具Excel对历史原始业务量S0进行可视化，然后分析历史原始业务量S0中所包含的周期性类型，所述周期性类型包括法定节假日周期性、星期周期性和年度周期性。
通过采用上述技术方案，通过Excel将历史原始业务量S0进行折线图或者柱状图形式的可视化，便于工作人员观察到原始业务量中的周期类型，便于后续采用Prophet算法对周期因子提取时的对模型参数的设置。
优选的，所述采用Prophet算法提取历史原始业务量S0中每一周期性类型所对应的周期因子，然后从历史原始业务量S0中剔除所有的周期因子以得到基业务量Sn，具体包括：
如果历史原始业务量S0中包含法定节假日周期性，首先根据国务院公布的法定节假日信息定义相应日期对应的节假日类型，然后采用Prophet算法提取法定节假日因子H，最后从历史原始业务量S0中剔除法定节假日因子H得到一级业务量S1；如果历史原始业务量S0中不包含法定节假日周期性，则直接将历史原始业务量S0配置为一级业务量S1；
如果历史原始业务量S0中包含星期周期性，先使用Prophet算法提取星期周期因子W，再从一级业务量S1中剔除星期周期因子W得到二级业务量S2；如果历史原始业务量S0中不包含星期周期性，则直接将一级业务量S1配置为二级业务量S2；
如果历史原始业务量S0中包含年度周期性，先使用Prophet算法提取年度周期因子Y，再从二级业务量S2中剔除年度周期因子Y得到三级业务量S3；如果历史原始业务量S0中不包含年度周期性，则直接将二级业务量S2配置为三级业务量S3；
得到历史的基业务量Sn=S3。
通过采用上述技术方案，从原始业务量中剥离了周期性因子（如法定节假日、星期、年度），从而得到基业务量。
优选的，所述将每天的基业务量定义为标签y，训练基业务量Sn中第n天之前t天的基业务量数据映射到yn的模型，具体包括：
将基业务量Sn中每天的基业务量定义为标签y，将第n天之前t天的基业务量定义为x1、x2、x3、……、xt，然后采用线性回归算法训练x1、x2、x3、……、xt映射到yn的模型。
通过采用上述技术方案，利用机器学习算法得出了一年中每一天的映射模型，实现了能够根据历史基业务量预测未来基业务量的目的，便于把握近期基业务量的走势，并且可以很好的捕捉突发事件对业务量的影响。
优选的，所述利用训练好的模型预测以当天为基准的未来T天的预测基业务量PT具体包括：
利用训练好的模型预测以当天为基准的未来第k天的预测基业务量Pk，所述第k天为以当天为基准的未来T天中的某一天；
当k=1时，结合当天之前m天的基业务量利用训练好的模型预测以当天为基准的未来第1天的预测基业务量Pk；其中，m为预设的与t相等的值；
当k为大于1且小于等于m的整数时，结合预测基业务量P1、P2、……、Pi以及当天之前的g天的基业务量利用训练好的模型预测以当天为基准的未来第k天的预测基业务量Pk，其中，i=k-1且i+g=m；
当k为大于m的整数时，结合预测基业务量P(k-m)、P(k-m+1)、……、P(k-1)利用训练好的模型预测以当天为基准的未来第k天的预测基业务量Pk；
根据以当天为基准的未来T天中的每一天的预测基业务量计算未来T天的预测基业务量PT=∑Pk，k=1、2、……、T。
通过采用上述技术方案，根据训练好的模型，可以预测未来T天中的每一天的基业务量，最后加入相应的周期因子即可得到最终预测业务量。其中，未来第一天的基业务量预测完全依靠过去m天的基业务量数据，而未来的其它天的基业务量预测则是通过前面相应天的预测基业务量以及m天内的基业务量数据来实现的，并不是完全依赖过去的数据或者往年的数据，在一定程度上提高了数据预测的准确性。
第二方面，本申请提供一种交通业务量预测系统，采用如下的技术方案：
一种交通业务量预测系统，包括：
原始数据分析模块，用于通过数据分析工具对历史原始业务量S0进行可视化然后分析出历史原始业务量S0中所包含的周期性类型；
因子剔除模块，用于采用Prophet算法提取历史原始业务量S0中每一周期性类型所对应的周期因子，然后从历史原始业务量S0中剔除所有的周期因子以得到基业务量Sn；
模型映射模块，用于将每天的基业务量定义为标签y，并训练基业务量Sn中第n天之前t天的基业务量数据映射到yn的模型；
基业务量预测模块，用于利用所述模型映射模块中训练好的模型预测以当天为基准的未来T天的预测基业务量PT；
最终预测业务量计算模块，用于根据未来T天包含的周期性类型，将相应的周期因子增加到预测基业务量PT中，得到最终预测业务量P。
通过采用上述技术方案，实现了从业务量中提取所蕴含的周期因子，并剥离出基业务量，接着根据基业务量训练模型，预测未来基业务量，最后加入周期因子得到最终预测业务量。由于当前的最终业务量是基于预测的基业务量结合当前周期因子而预测的，所以针对突发情况如大环境政策调整、非抗力自然因素等造成的假日时间调整，最终业务量的预测响应耗时大大减小，且预测精准度得到了显著提升。
优选的，所述原始数据分析模块具体用于：通过数据分析工具Excel对历史原始业务量S0进行可视化，然后分析历史原始业务量S0中所包含的周期性类型，所述周期性类型包括法定节假日周期性、星期周期性和年度周期性。
通过采用上述技术方案，便于观察历史原始业务量S0中包含的周期类型。
优选的，所述因子剔除模块包括：
法定节假日因子剔除子模块，用于当历史原始业务量S0中包含法定节假日周期性时，首先根据国务院公布的法定节假日信息定义相应日期对应的节假日类型，然后采用Prophet算法提取法定节假日因子H，最后从历史原始业务量S0中剔除法定节假日因子H得到一级业务量S1；还用于当历史原始业务量S0中不包含法定节假日周期性时，直接将历史原始业务量S0配置为一级业务量S1；
星期周期因子剔除子模块，用于当历史原始业务量S0中包含星期周期性时，先使用Prophet算法提取星期周期因子W，再从一级业务量S1中剔除星期周期因子W得到二级业务量S2；还用于当历史原始业务量S0中不包含星期周期性时，直接将一级业务量S1配置为二级业务量S2；
年度周期因子剔除子模块，用于当历史原始业务量S0中包含年度周期性时，先使用Prophet算法提取年度周期因子Y，再从二级业务量S2中剔除年度周期因子Y得到三级业务量S3；还用于当历史原始业务量S0中不包含年度周期性时，直接将二级业务量S2配置为三级业务量S3；
基业务量输出子模块，输出历史的基业务量Sn=S3。
通过采用上述技术方案，能够快速从历史原始业务量S0中提取所蕴含的周期因子，并剥离出基业务量。
第三方面，本申请提供一种交通业务量预测装置，采用如下的技术方案：
一种交通业务量预测装置，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行如上述任一种方法的计算机程序。
通过采用上述技术方案，便于实现通过从历史原始业务量S0剥离出基业务量，接着根据基业务量训练模型，预测未来基业务量，最后加入周期因子得到最终预测业务量的功能。有效提高了最终预测业务量的预测准确度，也大大减小了由于突发情况（如大环境政策调整、非抗力自然因素等）下的预测响应耗时。
第四方面，本申请提供一种计算机可读存储介质，采用如下的技术方案：
一种计算机可读存储介质，存储有能够被处理器加载并执行如上述任一种方法的计算机程序。
通过采用上述技术方案，存储有能够加载并执行上述方法的程序，有利于提高针对突发情况（如大环境政策调整、非抗力自然因素等）下的最终预测业务量预测误差较大的问题。
附图说明
图1是本申请实施例的交通业务量预测方法的流程图。
图2是本申请实施例的交通业务量预测方法的步骤S200的流程图。
图3是本申请实施例的交通业务量预测方法的步骤S400的流程图。
图4是本申请实施例的交通业务量预测系统的结构框图。
附图标记说明：1、原始数据分析模块；2、因子剔除模块；21、法定节假日因子剔除子模块；22、星期周期因子剔除子模块；23、年度周期因子剔除子模块；24、基业务量输出子模块；3、模型映射模块；4、基业务量预测模块；5、最终预测业务量计算模块。
具体实施方式
以下结合附图1-4对本申请作进一步详细说明。
本申请实施例公开一种交通业务量预测方法。参照图1，方法包括以下步骤：
S100、通过数据分析工具对历史原始业务量S0进行可视化然后分析历史原始业务量S0中所包含的周期性类型。
具体来说，数据分析工具采用Excel，周期性类型包括法定节假日周期性、星期周期性和年度周期性，经过Excel对历史原始业务量S0进行例如折线图、柱状图等的可视化后，可人为观察分析出历史原始业务量S0中包含的节假日类型。其中，分析出节假日类型的方式为观察对应的周期日的数据是否有突变，若有，则包含相应的周期性。
S200、采用Prophet算法提取历史原始业务量S0中每一周期性类型所对应的周期因子，然后从历史原始业务量S0中剔除所有的周期因子以得到基业务量Sn。
具体来说，结合图2，步骤S200包括以下子步骤：
S201、判断历史原始业务量S0中是否包含法定节假日周期性，若判断为是，则进入子步骤S202；若判断为否，则直接将原始业务量S0配置为一级业务量S1并进入子步骤S203。
S202、首先根据国务院公布的法定节假日信息定义相应日期对应的节假日类型，然后采用Prophet算法提取法定节假日因子H，最后从历史原始业务量S0中剔除法定节假日因子H得到一级业务量S1=S0/H后进入步骤S203。换句话说，将历史原始业务量S0中所有的与法定节假日周期性对应的数据除以对应的法定节假日因子H，而其他数据不变，从而得到一级业务量S1。其中，采用Prophet算法提取法定节假日因子H时，模型形式seasonality_mode选用累乘形式multiplicative，趋势拟合方式growth选用linear，年度周期yearly_seasonality和星期周期weekly_seasonality选用False。
在本实施例中，以某一法定节假日为例，将该法定节假日期间、法定节假日前A1天和法定节假日后A2天的数据归为与该法定节假日周期性对应的数据。其中，A1和A2可以根据法定节假日的不同以及实际需求的不同进行自由设置，举例来说，可将元旦期间、元旦前1天和元旦后1天的数据归为与元旦对应的数据，也可将春节期间、春节前2天和春节后3天的数据归为与春节对应的数据。
S203、判断一级业务量S1中是否包含星期周期性，若判断为是，则进入子步骤S204；若判断为否，则直接将一级业务量S1配置为二级业务量S2并进入子步骤S205。
S204、先使用Prophet算法提取星期周期因子W，再从一级业务量S1中剔除星期周期因子W得到二级业务量S2=S1/W后进入步骤S205。其中，使用Prophet算法提取星期周期因子W时，模型形式seasonality_mode选用累乘形式multiplicative，趋势拟合方式growth选用linear，年度周期yearly_seasonality选用False，星期周期weekly_seasonality选用True，节假日选项hiliday设置为None。
S205、判断二级业务量S2中是否包含年度周期性，若判断为是，则进入子步骤S206；若判断为否，则直接将二级业务量S2配置为三级业务量S3并进入子步骤S207。
S206、先使用Prophet算法提取年度周期因子Y，再从二级业务量S2中剔除年度周期因子Y得到三级业务量S3=S2/Y后进入步骤S207。其中，使用Prophet算法提取年度周期因子Y时，模型形式seasonality_mode选用累乘形式multiplicative，趋势拟合方式growth选用linear，年度周期yearly_seasonality选用True，星期周期weekly_seasonality选用False，节假日选项hiliday设置为None。
S207、得到历史的基业务量Sn=S3，然后进入步骤S300。
S300、将每天的基业务量定义为标签y，训练基业务量Sn中第n天之前t天的基业务量数据映射到yn的模型。具体来说，步骤S300包括：将基业务量Sn中每天的基业务量定义为标签y，将第n天之前t天的基业务量定义为x1、x2、x3、……、xt，然后采用线性回归算法训练x1、x2、x3、……、xt映射到yn的模型，从而得到一年中每一天的模型。
S400、利用训练好的模型预测以当天为基准的未来T天的预测基业务量PT，这里的当天即指在进行预测的这一天。
具体的，结合图3，步骤S400包括以下子步骤：
S401、利用步骤S300中训练好的模型预测以当天为基准的未来第k天的预测基业务量Pk，其中，第k天为以当天为基准的未来T天中的某一天。
需要说明的是，本步骤在执行前，先预设了一个与t相等的值m，结合第k天之前m天中每一天的基业务量或预测基业务量来计算第k天的预测基业务量。具体的，当k=1时，结合当天之前m天的基业务量利用训练好的模型预测以当天为基准的未来第1天的预测基业务量Pk。当k为大于1且小于等于m的整数时，结合预测基业务量P1、P2、……、Pi以及当天之前的g天的基业务量利用训练好的模型预测以当天为基准的未来第k天的预测基业务量Pk，其中，i=k-1且i+g=m。当k为大于m的整数时，结合预测基业务量P(k-m)、P(k-m+1)、……、P(k-1)利用训练好的模型预测以当天为基准的未来第k天的预测基业务量Pk。举例来说，当t=m=14且k=6时，结合预测基业务量P1、P2、P3、P4、P5以及当天之前的9天的基业务量利用训练好的与该第6天对应的模型预测P6；当t=m=14且k=25时，结合预测基业务量P11、P12、P13、……、P24再利用训练好的与该第25天对应的模型去预测P25。
S402、根据以当天为基准的未来T天中的每一天的预测基业务量计算未来T天的预测基业务量PT=∑Pk，k=1、2、……、T。
S500、根据未来T天包含的周期性类型，将相应的周期因子增加到预测基业务量PT中，得到最终预测业务量P=PT*H*W*Y。具体的，将未来T天中的每一天的数据乘以相应的周期因子即可得到该天的预测业务量，当某一天不具有周期因子时，则该天取预测基业务量，最后，综合起来的T天的预测业务量即为最终预测业务量P。
基于上述方法，本申请实施例公开一种交通业务量预测系统。参照图4，系统包括原始数据分析模块1、因子剔除模块2、模型映射模块3、基业务量预测模块4和最终预测业务量计算模块5。
参照图4，原始数据分析模块1用于通过数据分析工具Excel对历史原始业务量S0进行可视化，然后分析历史原始业务量S0中所包含的周期性类型，周期性类型包括法定节假日周期性、星期周期性和年度周期性。因子剔除模块2用于采用Prophet算法提取历史原始业务量S0中每一周期性类型所对应的周期因子，然后从历史原始业务量S0中剔除所有的周期因子以得到基业务量Sn。
参照图4，因子剔除模块2包括法定节假日因子剔除子模块21、星期周期因子剔除子模块22、年度周期因子剔除子模块23和基业务量输出子模块24。
法定节假日因子剔除子模块21用于当历史原始业务量S0中包含法定节假日周期性时，首先根据国务院公布的法定节假日信息定义相应日期对应的节假日类型，然后采用Prophet算法提取法定节假日因子H，最后从历史原始业务量S0中剔除法定节假日因子H得到一级业务量S1；其中，若历史原始业务量S0中不包含法定节假日周期性，则直接将历史原始业务量S0配置为一级业务量S1。星期周期因子剔除子模块22用于当历史原始业务量S0中包含星期周期性时，先使用Prophet算法提取星期周期因子W，再从法定节假日因子剔除子模块21得到的一级业务量S1中剔除星期周期因子W得到二级业务量S2；其中，若历史原始业务量S0中不包含星期周期性，则直接将法定节假日因子剔除子模块21得到的一级业务量S1配置为二级业务量S2。
年度周期因子剔除子模块23用于当历史原始业务量S0中包含年度周期性时，先使用Prophet算法提取年度周期因子Y，再从星期周期因子剔除子模块22得到的二级业务量S2中剔除年度周期因子Y得到三级业务量S3其中，若历史原始业务量S0中不包含年度周期性，则直接将星期周期因子剔除子模块22得到的二级业务量S2配置为三级业务量S3。基业务量输出子模块24用于输出历史基业务量Sn=S3。
参照图4，模型映射模块3用于将每天的基业务量定义为标签y，并训练基业务量Sn中第n天之前t天的基业务量数据映射到yn的模型；n可取一年中的任一天，从而可以得到一年中每一天的模型。基业务量预测模块4用于利用所述模型映射模块3中训练好的模型预测以当天为基准的未来T天的预测基业务量PT。最终预测业务量计算模块5用于根据未来T天包含的周期性类型，将相应的周期因子增加到预测基业务量PT中，从而得到最终预测业务量P并输出。
本申请实施例还公开一种交通业务量预测装置，其包括存储器和处理器，其中，存储器上存储有能够被处理器加载并执行如上述的交通业务量预测方法的方法的计算机程序。
本申请实施例还公开一种计算机可读存储介质。计算机可读存储介质内存储有能够被处理器加载并执行如上述的交通业务量预测方法的计算机程序，所述计算机可读存储介质例如包括：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。
以上实施例仅用以说明本发明的技术方案，而非对发明的保护范围进行限制。显然，所描述的实施例仅仅是本发明部分实施例，而不是全部实施例。基于这些实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明所要保护的范围。尽管参照上述实施例对本发明进行了详细的说明，本领域普通技术人员依然可以在不冲突的情况下，不作出创造性劳动对本发明各实施例中的特征根据情况相互组合、增删或作其他调整，从而得到不同的、本质未脱离本发明的构思的其他技术方案，这些技术方案也同样属于本发明所要保护的范围。

Claims (8)

1.一种交通业务量预测方法，其特征在于，包括：
通过数据分析工具对历史原始业务量S0进行可视化然后分析历史原始业务量S0中所包含的周期性类型；
采用Prophet算法提取历史原始业务量S0中每一周期性类型所对应的周期因子，然后从历史原始业务量S0中剔除所有的周期因子以得到基业务量Sn；
将每天的基业务量定义为标签y，训练基业务量Sn中第n天之前t天的基业务量数据映射到yn的模型；
利用训练好的模型预测以当天为基准的未来T天的预测基业务量PT；
根据未来T天包含的周期性类型，将相应的周期因子增加到预测基业务量PT中，得到最终预测业务量P；
所述将每天的基业务量定义为标签y，训练基业务量Sn中第n天之前t天的基业务量数据映射到yn的模型，具体包括：
将基业务量Sn中每天的基业务量定义为标签y，将第n天之前t天的基业务量定义为x1、x2、x3、……、xt，然后采用线性回归算法训练x1、x2、x3、……、xt映射到yn的模型；
所述利用训练好的模型预测以当天为基准的未来T天的预测基业务量PT具体包括：
利用训练好的模型预测以当天为基准的未来第k天的预测基业务量Pk，所述第k天为以当天为基准的未来T天中的某一天；
当k=1时，结合当天之前m天的基业务量利用训练好的模型预测以当天为基准的未来第1天的预测基业务量Pk；其中，m为预设的与t相等的值；
当k为大于1且小于等于m的整数时，结合预测基业务量P1、P2、……、Pi以及当天之前的g天的基业务量利用训练好的模型预测以当天为基准的未来第k天的预测基业务量Pk，其中，i=k-1且i+g=m；
当k为大于m的整数时，结合预测基业务量P(k-m)、P(k-m+1)、……、P(k-1)利用训练好的模型预测以当天为基准的未来第k天的预测基业务量Pk；
根据以当天为基准的未来T天中的每一天的预测基业务量计算未来T天的预测基业务量PT=∑Pk，k=1、2、……、T。
2.根据权利要求1所述的方法，其特征在于，所述通过数据分析工具对历史原始业务量S0进行可视化然后分析历史原始业务量S0中所包含的周期性类型具体包括：
通过数据分析工具Excel对历史原始业务量S0进行可视化，然后分析历史原始业务量S0中所包含的周期性类型，所述周期性类型包括法定节假日周期性、星期周期性和年度周期性。
3.根据权利要求2所述的方法，其特征在于，所述采用Prophet算法提取历史原始业务量S0中每一周期性类型所对应的周期因子，然后从历史原始业务量S0中剔除所有的周期因子以得到基业务量Sn，具体包括：
如果历史原始业务量S0中包含法定节假日周期性，首先根据国务院公布的法定节假日信息定义相应日期对应的节假日类型，然后采用Prophet算法提取法定节假日因子H，最后从历史原始业务量S0中剔除法定节假日因子H得到一级业务量S1；如果历史原始业务量S0中不包含法定节假日周期性，则直接将历史原始业务量S0配置为一级业务量S1；
如果历史原始业务量S0中包含星期周期性，先使用Prophet算法提取星期周期因子W，再从一级业务量S1中剔除星期周期因子W得到二级业务量S2；如果历史原始业务量S0中不包含星期周期性，则直接将一级业务量S1配置为二级业务量S2；
如果历史原始业务量S0中包含年度周期性，先使用Prophet算法提取年度周期因子Y，再从二级业务量S2中剔除年度周期因子Y得到三级业务量S3；如果历史原始业务量S0中不包含年度周期性，则直接将二级业务量S2配置为三级业务量S3；
得到历史的基业务量Sn=S3。
4.一种交通业务量预测系统，其特征在于，包括：
原始数据分析模块(1)，用于通过数据分析工具对历史原始业务量S0进行可视化然后分析出历史原始业务量S0中所包含的周期性类型；
因子剔除模块(2)，用于采用Prophet算法提取历史原始业务量S0中每一周期性类型所对应的周期因子，然后从历史原始业务量S0中剔除所有的周期因子以得到基业务量Sn；
模型映射模块(3)，用于将每天的基业务量定义为标签y，并训练基业务量Sn中第n天之前t天的基业务量数据映射到yn的模型；
基业务量预测模块(4)，用于利用所述模型映射模块(3)中训练好的模型预测以当天为基准的未来T天的预测基业务量PT；
最终预测业务量计算模块(5)，用于根据未来T天包含的周期性类型，将相应的周期因子增加到预测基业务量PT中，得到最终预测业务量P；
所述模型映射模块(3)具体用于将基业务量Sn中每天的基业务量定义为标签y，将第n天之前t天的基业务量定义为x1、x2、x3、……、xt，然后采用线性回归算法训练x1、x2、x3、……、xt映射到yn的模型；
所述基业务量预测模块(4)具体用于利用训练好的模型预测以当天为基准的未来第k天的预测基业务量Pk，所述第k天为以当天为基准的未来T天中的某一天；当k=1时，结合当天之前m天的基业务量利用训练好的模型预测以当天为基准的未来第1天的预测基业务量Pk；其中，m为预设的与t相等的值；当k为大于1且小于等于m的整数时，结合预测基业务量P1、P2、……、Pi以及当天之前的g天的基业务量利用训练好的模型预测以当天为基准的未来第k天的预测基业务量Pk，其中，i=k-1且i+g=m；当k为大于m的整数时，结合预测基业务量P(k-m)、P(k-m+1)、……、P(k-1)利用训练好的模型预测以当天为基准的未来第k天的预测基业务量Pk；根据以当天为基准的未来T天中的每一天的预测基业务量计算未来T天的预测基业务量PT=∑Pk，k=1、2、……、T。
5.根据权利要求4所述的系统，其特征在于，所述原始数据分析模块(1)具体用于：通过数据分析工具Excel对历史原始业务量S0进行可视化，然后分析历史原始业务量S0中所包含的周期性类型，所述周期性类型包括法定节假日周期性、星期周期性和年度周期性。
6.根据权利要求5所述的系统，其特征在于，所述因子剔除模块(2)包括：
法定节假日因子剔除子模块(21)，用于当历史原始业务量S0中包含法定节假日周期性时，首先根据国务院公布的法定节假日信息定义相应日期对应的节假日类型，然后采用Prophet算法提取法定节假日因子H，最后从历史原始业务量S0中剔除法定节假日因子H得到一级业务量S1；还用于当历史原始业务量S0中不包含法定节假日周期性时，直接将历史原始业务量S0配置为一级业务量S1；
星期周期因子剔除子模块(22)，用于当历史原始业务量S0中包含星期周期性时，先使用Prophet算法提取星期周期因子W，再从一级业务量S1中剔除星期周期因子W得到二级业务量S2；还用于当历史原始业务量S0中不包含星期周期性时，直接将一级业务量S1配置为二级业务量S2；
年度周期因子剔除子模块(23)，用于当历史原始业务量S0中包含年度周期性时，先使用Prophet算法提取年度周期因子Y，再从二级业务量S2中剔除年度周期因子Y得到三级业务量S3；还用于当历史原始业务量S0中不包含年度周期性时，直接将二级业务量S2配置为三级业务量S3；
基业务量输出子模块(24)，输出历史的基业务量Sn=S3。
7.一种交通业务量预测装置，其特征在于，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行如权利要求1至3中任一种方法的计算机程序。
8.一种计算机可读存储介质，其特征在于，存储有能够被处理器加载并执行如权利要求1至3中任一种方法的计算机程序。
CN202011080598.1A 2020-10-10 2020-10-10 一种交通业务量预测方法、系统、装置及存储介质 Active CN112183873B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011080598.1A CN112183873B (zh) 2020-10-10 2020-10-10 一种交通业务量预测方法、系统、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011080598.1A CN112183873B (zh) 2020-10-10 2020-10-10 一种交通业务量预测方法、系统、装置及存储介质

Publications (2)

Publication Number Publication Date
CN112183873A CN112183873A (zh) 2021-01-05
CN112183873B true CN112183873B (zh) 2023-09-12

Family

ID=73948786

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011080598.1A Active CN112183873B (zh) 2020-10-10 2020-10-10 一种交通业务量预测方法、系统、装置及存储介质

Country Status (1)

Country Link
CN (1) CN112183873B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107067283A (zh) * 2017-04-21 2017-08-18 重庆邮电大学 基于历史商家记录及用户行为的电商消费客流量预测方法
CN107229995A (zh) * 2017-05-24 2017-10-03 腾讯科技（深圳）有限公司 实现游戏业务量预估的方法、装置和计算机可读存储介质
CN107516140A (zh) * 2017-06-29 2017-12-26 中兴软创科技股份有限公司 交通节点节假日客流预测方法
CN108009724A (zh) * 2017-12-01 2018-05-08 中国光大银行股份有限公司信用卡中心 金融系统中的任务分配方法和系统
CN108446759A (zh) * 2018-02-11 2018-08-24 陕西师范大学 基于季节性长短期记忆网络模型的旅游客流量预测方法
US10115065B1 (en) * 2009-10-30 2018-10-30 Verint Americas Inc. Systems and methods for automatic scheduling of a workforce
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
CN109657831A (zh) * 2017-10-11 2019-04-19 顺丰科技有限公司 一种业务量预测方法、装置、设备、存储介质
CN111709566A (zh) * 2020-06-09 2020-09-25 信雅达系统工程股份有限公司 一种银行网点业务预测及调度方法
CN111738505A (zh) * 2020-06-19 2020-10-02 中国工商银行股份有限公司 银行网点工作量预测方法和装置、电子设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110145155A1 (en) * 2009-12-11 2011-06-16 Walter Robert A Methods, Systems, and Products for Predicting Work force Requirements

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10115065B1 (en) * 2009-10-30 2018-10-30 Verint Americas Inc. Systems and methods for automatic scheduling of a workforce
CN107067283A (zh) * 2017-04-21 2017-08-18 重庆邮电大学 基于历史商家记录及用户行为的电商消费客流量预测方法
CN107229995A (zh) * 2017-05-24 2017-10-03 腾讯科技（深圳）有限公司 实现游戏业务量预估的方法、装置和计算机可读存储介质
CN107516140A (zh) * 2017-06-29 2017-12-26 中兴软创科技股份有限公司 交通节点节假日客流预测方法
CN109657831A (zh) * 2017-10-11 2019-04-19 顺丰科技有限公司 一种业务量预测方法、装置、设备、存储介质
CN108009724A (zh) * 2017-12-01 2018-05-08 中国光大银行股份有限公司信用卡中心 金融系统中的任务分配方法和系统
CN108446759A (zh) * 2018-02-11 2018-08-24 陕西师范大学 基于季节性长短期记忆网络模型的旅游客流量预测方法
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
CN111709566A (zh) * 2020-06-09 2020-09-25 信雅达系统工程股份有限公司 一种银行网点业务预测及调度方法
CN111738505A (zh) * 2020-06-19 2020-10-02 中国工商银行股份有限公司 银行网点工作量预测方法和装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王晓、揣锦华、张立恒等.基于Prophet算法的铁路客流量预测研究.计算机技术与发展.2020,第33卷(第6期),136-140. *

Also Published As

Publication number Publication date
CN112183873A (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
WO2021164465A1 (zh) 智能预警方法与系统
CN110929036B (zh) 电力营销稽查管理方法、装置、计算机设备和存储介质
CN111177485B (zh) 基于参数规则匹配设备故障的预测方法、设备及介质
Ye et al. Passenger flow prediction in bus transportation system using ARIMA models with big data
CN116822997B (zh) 一种考虑绿色电力的实时碳排放核算方法及装置
CN114066262A (zh) 一种电网调度后评估异常指标溯因推理方法、系统、装置及存储介质
CN112070284A (zh) 用于件量预测的筛选方法、装置、设备和存储介质
Xu et al. An adaptive gamma process based model for residual useful life prediction
CN115577851A (zh) 能源消耗预测方法、装置、设备及存储介质
CN110059126B (zh) 基于lkj异常值数据的复杂关联网络分析方法及系统
US10198303B2 (en) Maintenance system and method for analyzing functional failures of a system
CN112183873B (zh) 一种交通业务量预测方法、系统、装置及存储介质
CN112165412B (zh) 一种基于时间序列模型的流量预测方法
CN114418146A (zh) 基于规则引擎的机电设备故障诊断方法、系统及终端
CN109711450A (zh) 一种电网预想故障集预测方法、装置、电子设备及存储介质
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
CN115169658B (zh) 基于npl和知识图谱的库存消耗预测方法、系统和存储介质
CN116257220A (zh) 基于云边协同的软件开发数据管理方法及系统
CN116308448A (zh) 一种基于神经网络的商户日交易量预测方法及系统
CN115271277A (zh) 电力设备画像构建方法、系统、计算机设备及存储介质
CN116167489A (zh) 建筑能源数据分析预测方法及系统
CN112949951A (zh) 数据预测方法、装置、电子设备及存储介质
JPH11126102A (ja) ガス需要量の予測方法
CN113391987A (zh) 一种上线软件系统的质量预测方法及装置
CN116432975B (zh) 页岩气多场站平台的开采管理方法、装置、设备及介质

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