CN112785057A - 基于指数平滑的件量预测方法、装置、设备及存储介质 - Google Patents

基于指数平滑的件量预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112785057A
CN112785057A CN202110087027.9A CN202110087027A CN112785057A CN 112785057 A CN112785057 A CN 112785057A CN 202110087027 A CN202110087027 A CN 202110087027A CN 112785057 A CN112785057 A CN 112785057A
Authority
CN
China
Prior art keywords
prediction
component
exponential smoothing
data
model
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
CN202110087027.9A
Other languages
English (en)
Inventor
陈玉芬
李培吉
李斯
夏扬
苌生辉
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 CN202110087027.9A priority Critical patent/CN112785057A/zh
Publication of CN112785057A publication Critical patent/CN112785057A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06QDATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation, e.g. linear programming, "travelling salesman problem" or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/18Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Computing arrangements based on biological models using neural network models
    • G06N3/04Architectures, e.g. interconnection topology
    • G06N3/049Temporal neural nets, e.g. delay elements, oscillating neurons, pulsed inputs
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Computing arrangements based on biological models using neural network models
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06QDATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/08Logistics, e.g. warehousing, loading, distribution or shipping; Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • G06Q10/083Shipping
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06QDATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/08Logistics, e.g. warehousing, loading, distribution or shipping; Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • G06Q10/083Shipping
    • G06Q10/0838Historical data

Abstract

一种基于指数平滑的件量预测方法、装置、设备及存储介质,其中,预测方法包括步骤:获取件量的历史数据,对所述历史数据进行预处理并筛选出目标件量数据信息;根据所述目标件量数据信息构建多种预测模型;根据各种预测模型的预测结果进行至少一次指数平滑预测,并根据实际件量数据信息计算各种预测模型所对应的各次指数平滑预测的误差信息,筛选误差最小的预测模型、及预测模型所对应的指数平滑次数;根据筛选的预测模型及预测模型所对应的指数平滑次数进行件量预测。通过对各种预测模型进行至少一次指数平滑预测,并通过筛选获取最佳的预测模型及该预测模型所对应的指数平滑次数对快递的件量进行最佳预测,可以极大地提高件量的预测准确率。

Description

基于指数平滑的件量预测方法、装置、设备及存储介质
技术领域
本发明涉及快递技术领域,具体涉及一种基于指数平滑的件量预测方法、装置、设备及存储介质。
背景技术
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。
目前,快递行业内对件量的预测仍存在以下缺陷:
1、快递行业件量波动较大,难以预测,误差较大,会影响工作人员、车辆等资源的不足与浪费;
2、快递行业件量预测需求较多,件量预测影响快递各环节的效率;
3、快递行业的件量预测不仅受近期、同期、周期、天气、经济环境等影响,还受各预测模型影响,件量预测准确性较低。
发明内容
为解决快递技术领域中快递件量准确预测的问题,本申请提供一种基于指数平滑的件量预测方法、装置、设备及存储介质,通过将指数平滑方法与预测模型进行融合以对快递件量进行预测,提高预测准确率。
本发明技术方案如下:
本发明提供一种基于指数平滑的件量预测方法,包括步骤:
获取件量的历史数据,对所述历史数据进行预处理并筛选出目标件量数据信息;
根据所述目标件量数据信息构建多种预测模型;
根据各种预测模型的预测结果进行至少一次指数平滑预测,并根据实际件量数据信息计算各种预测模型所对应的各次指数平滑预测的误差信息,筛选误差最小的预测模型、及所述预测模型所对应的指数平滑次数;
根据筛选的所述预测模型及所述预测模型所对应的指数平滑次数进行件量预测。
进一步优选的,所述预测模型包括定性预测模型、时间序列预测模型、面板数据预测模型、小波分析预测模型、LSTM预测模型中的多种。
进一步优选的,根据各种预测模型的预测结果分别进行一次指数平滑预测、二次指数平滑预测和三次指数平滑预测。
进一步优选的,所述根据各种预测模型的预测结果进行至少一次指数平滑预测包括件量的数量的平滑预测及件量的预测指标的平滑预测。
进一步优选的,所述预测指标包括:近期因素、同期因素、周期因素、节假日因素、电商因素、月末因素、临时假日因素、天气因素、经济因素中的多种,还包括采用不同次指数平滑对所述预测指标进行指数平滑处理。
进一步优选的,所述根据实际件量数据信息计算各种预测模型所对应的各次指数平滑预测的误差信息,具体包括计算件量预测误差值、件量预测误差率、模型误差、测量误差、截断误差和舍入误差中的任一种或多种误差信息。
进一步优选的,所述对所述历史数据进行预处理包括:清洗历史数据、替换空数据及处理异常数据。
本发明还提供一种基于指数平滑的件量预测装置,包括:
数据处理模块,用于获取件量的历史数据,对所述历史数据进行预处理并筛选出目标件量数据信息;
模型创建模块,用于根据所述目标件量数据信息构建多种预测模型;
筛选模块,用于根据各种预测模型的预测结果进行至少一次指数平滑预测,并根据实际件量数据信息计算各种预测模型所对应的各次指数平滑预测的误差信息,筛选误差最小的预测模型、及所述预测模型所对应的指数平滑次数;
件量预测模块,用于根据筛选的所述预测模型及所述预测模型所对应的指数平滑次数进行件量预测。
本发明还提供一种基于指数平滑的件量预测设备,包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或所述指令集由所述处理器加载并执行以实现上述的件量预测方法。
本发明还提供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上述的件量预测方法。
依据上述实施例的件量预测方法、装置、终端设备及存储介质,通过对各种预测模型进行至少一次指数平滑预测,并通过筛选获取最佳的预测模型及该预测模型所对应的指数平滑次数对快递的件量进行最佳预测,与当前物流行业主要采用人工预测或粗略的方法来预测快递的件量相比,本申请提供的件量预测方法可以极大地提高件量的预测准确率,进一步,为物流工作的有序开展提供有力的数据基础,例如,基于预测的件量可以提前做好工作人员、车辆的准备,从而达到降低成本,减少损失的效果。
附图说明
图1为件量预测方法流程图;
图2为件量预测装置原理图;
图3为件量预测设备原理图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。
实施例一:
本实施例提供一种基于指数平滑的件量预测方法,其流程图如图1所示,具体包括如下步骤。
S100:获取件量的历史数据,对历史数据进行预处理并筛选出目标件量数据信息。
S200:根据目标件量数据信息构建多种预测模型。
S300:根据各种预测模型的预测结果进行至少一次指数平滑预测,并根据实际件量数据信息计算各种预测模型所对应的各次指数平滑预测的误差信息,筛选误差最小的预测模型、及所述预测模型所对应的指数平滑次数。
S400:根据筛选的预测模型及该预测模型所对应的指数平滑次数进行件量预测。
下面对上述步骤S100-S400进行具体说明。
在步骤S100中,获取件量的历史数据,对历史数据进行预处理并筛选出目标件量数据信息,其中,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。件量包含收件量,也可以包含发件量,还可以包含收件量和发件量。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:清洗历史数据,替换空数据及处理异常数据;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2017年-2020年期间的揽件量,获得的历史数据经过数据清洗后可以如下表1所示。
表1
收集日期 收件量
2017/1/1 XXXXXX
2017/1/2 XXXXXX
... XXXXXX
2020/12/31 XXXXXX
异常数据处理的方式可以是删除法、替代法(连续变量均值替代、离散变量用众数以及及中位数替代)、插补法(回归插补、多重插补),除了直接删除,还可以先将异常值变成缺失值,然后进行缺失值的补齐操作。实际应用中,对于异常值处理,一般划分为NA缺失值或者进行数据修整。
在步骤S200中,根据目标件量数据信息构建多种预测模型;其中,预测模型包括定性预测模型、时间序列预测模型、面板数据预测模型、小波分析预测模型、LSTM预测模型中的多种。
各预测模型具体描述如下:
定性预测模型是指,所谓的定性预测就是相关人员根据过去的经验、知识和直觉等对件量做出侧预测,无需连续的数据作为支撑,且时效性更强,受主观因素影响较大,所以业务敏感度的提升很有必要。
时间序列预测模型是指,时间序列大量的用于传统的预测中,一般需观察时间序列数据是否具有平稳性与季节性,若数据具有平稳非季节性,一般使用平滑法预测,如简单平均法、移动平均法、指数平滑法。对于季节性数据则使用季节性预测,如季节多元回归模型、季节自回归模型、时间序列分解。而数据是非平稳非季节性的,可以使用趋势预测法,包括线性趋势推测,非线性趋势推测,自回归预测模型。
面板数据预测模型是指,面板数据有时间序列和截面两个,可以克服时间序列分析受多重共线性的困扰,能够提供更多的信息、更多的变化、更少共线性、更多的自由度和更高的估计效率,而面板数据的单位根检验和协整分析是当前最前沿的领域之一。
小波分析预测模型是指,小波分析适用于具有非平稳、非线性和信噪比高的特点时间序列,若采用传统的去噪处理方法往往存在诸多缺陷。而小波理论是根据时频局部化的要求而发展起来的,具有自适应和数学显微镜性质,特别适合非平稳、非线性信号的处理。
LSTM预测模型是指,最近很火的LSTM(长短期记忆网络),是一种时间递归神经网络,能够在更长的序列中有更好的表现,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。LSTM准确率较高,内部参数较多,训练难度加大,通常需要的数据较多。而因GRU效果和LSTM相当,参数比LSTM更少,在构建大训练的模型时,也是个不错的选择。
进一步,可以采用不同次指数平滑对上述各预测模型进行指数平滑处理,使处理后的预测模型更平稳,波动更小。
在步骤S300中,根据各种预测模型的预测结果进行至少一次指数平滑预测,并根据实际件量数据信息计算各种预测模型所对应的各次指数平滑预测的误差信息,筛选误差最小的预测模型、及所述预测模型所对应的指数平滑次数。
具体的,根据各种预测模型的预测结果分别进行一次指数平滑预测、二次指数平滑预测和三次指数平滑预测。
当时间数列无明显的趋势变化,可用一次指数平滑预测,一次指数平滑预测具体包括:
其预测公式为:yt+1′=α*yt+(1-α)*yt′,其中,yt+1′为t+1期的预测值,即本期(t期)的平滑值St;yt为t期的实际值;yt′为t期的预测值,即上期的平滑值St-1
该公式又可以写作:yt+1′=yt′+α*(yt-yt′)。可见,下期预测值又是本期预测值与以α为折扣的本期实际值与预测值误差之和。
一次指数平滑法具有以下特点:
1.调整预测值的能力强;
2.预测值包含的信息量是全部历史数据;
3.加权的特点是离预测期较近的权数较大,较远的权数较小,权数之和为1。
二次指数平滑具体描述如下:
在一次指数平滑的基础上得二次指数平滑的计算公式为:
式中,为第t周期的二次指数平滑值;为第t周期的一次指数平滑值;为第t-1周期的二次指数平滑值;α为加权系数(也称为平滑系数)。
二次指数平滑法是对一次指数平滑值作再一次指数平滑的方法。它不能单独地进行预测,必须与一次指数平滑法配合,建立预测的数学模型,然后运用数学模型确定预测值。
二次指数平滑数学模型如下:
若时间序列的变动呈现出二次曲线趋势,则需要采用三次指数平滑法进行预测。三次指数平滑是在二次指数平滑的基础上再进行一次平滑,其计算公式为:
三次指数平滑的预测模型为:
根据各种预测模型的预测结果进行至少一次指数平滑预测包括件量的数量的平滑预测及件量的预测指标的平滑预测,其中,预测指标包括:近期因素、同期因素、周期因素、节假日因素、电商因素、月末因素、临时假日因素、天气因素、经济因素中的多种,还包括采用不同次指数平滑对这些预测指标进行指数平滑处理,使处理后的指标更平稳,波动更小。
进一步,近期因素包括近期件量、近期件量平滑值、近期周平均值,同期因素包括历史年度中同期件量指标,周期因素包括历史周中同一天的件量、历史月中同一天的件量、历史季度中同一天的件量、历史年度中同一天的件量。
以指数平滑方法对快递件量的预测指标进行预测为例进行说明。
假设要预测第t天的揽件量为xt,第t-1天的揽件量为xt-1,依次类推,设计预测指标:
进期因素包括以下内容:
1)近期件量:xt-1,xt-2,…,xt-14分别表示前1,2,…,14天件量。
2)近期件量平滑:近3天平均,近5天平均,近7天平均,近10天平均,近14天平均。其中(xt-1+xt-2+xt-3)/3表示近3天平均,依次类推
3)近期周平均:近2-8天平均,近7-14天平均。
同期因素包括以下内容:
同期因素包括历史年度中同期件量指标,例如,计算去年同期指标,如去年的今天lxt。只要将今年时间段的揽件量换成去年同一时间段的揽件量,即可计算近期因素中的所有指标的去年同期指标。
周期因素包括以下内容:
周期因素包括历史周中同一天的件量、历史月中同一天的件量、历史季度中同一天的件量、历史年度中同一天的件量,例如,计算上周同一天,上个月同一天,上个季度同一天,上年同一天件量。
节假日因素包括以下内容:
快递揽件受生产生活的影响,有元旦、清明、端午、中秋、国庆、春节等节假日。将对应日期用0-1变量分别表示是否元旦、清明、端午、中秋、国庆、春节等指标。也可以调用时间画像中的节假日。
电商因素包括以下内容:
快递揽件受电商的影响,有六一八、双九、双十一、双十二、年货节等电商节。将对应日期用0-1变量分别表示是否六一八、双九、双十一、双十二、年货节等指标。也可以调用时间画像中的电商节日。
月末因素包括以下内容:
快递件量受运营目标和客户销售目标及活动的影响,可能会出现月末件量激增的情况,将月末26-31日用0-1变量表示。
临时假日包括以下内容:
受政策因素影响,部分地区会出现临时假日,如北京国庆阅兵式,上海进博会等,用0-1变量表示。
天气因素包括以下内容:
快递件量会受天气因素影响,导致入库件量滞后于实际件量。
经济环境包括以下内容:
电商购物会受经济环境影响,进而影响快递件量,如新冠疫情导致2020年2月件量骤减。
进一步,根据实际件量数据信息计算各种预测模型所对应的各次指数平滑预测的误差信息,具体包括计算件量预测误差值、件量预测误差率、模型误差、测量误差、截断误差和舍入误差中的任一种或多种误差信息;其中,件量预测误差值和件量预测误差率的计算过程如下:
预测误差值公式:(A-E)/E超出为正,过少为负,其中A表示测量值,E表示正常值。
预测误差率计算方法:
a为第一次测量数据,b为第二次测量数据,c为第三次测量数,d为第四次测量数据,e为第五次测量数据
(a+b+c+d+e)/5=平均值
平均值/100=平均值的百分比。
上述的模型误差是指:在建立数学模型过程中,要将复杂的现象抽象归结为数学模型,往往要忽略一些次要因素的影响,对问题作一些简化。因此数学模型和实际问题有一定的误差,这种误差称为模型误差。
上述的测量误差是指:在建模和具体运算过程中所用的数据往往是通过观察和测量得到的,由于精度的限制,这些数据一般是近似的,即有误差,这种误差称为测量误差。
上述的截断误差是指:由于实际运算只能完成有限项或有限步运算,因此要将有些需用极限或无穷过程进行的运算有限化,对无穷过程进行截断,这样产生的误差成为截断误差。
上述的舍入误差是指:在数值计算过程中,由于计算工具的限制,往往对一些数进行四舍五入,只保留前几位数作为该数的近似值,这种由舍入产生的误差成为舍入误差。
通过上述计算的任一种或多各误差,筛选误差最小的预测模型、及该预测模型所对应的指数平滑次数,例如,可以根据件量预测误差值和件量预测误差率筛选对应的小波分析预测模型,及小波分析预测模型对应的二次指数平滑,再例如,还可以根据模型误差筛选对应的面板数据预测模型,及面板数据预测模型对应的三次指数平滑,所以,实际应用中,可根据设计的目标误差筛选出最佳的预测指标、预测模型、指数平滑次数,在步骤S400中,根据筛选的预测指标、预测模型、指数平滑次数对件量进行最佳预测,以提高件量的预测准确率。
通过本实施例提供的件量预测方法,对各种预测模型进行指数平滑预测,并通过筛选获取最佳的预测模型及该预测模型对应的指数平滑次数对快递的件量进行最佳预测,可以极大地提高件量的预测准确率,进一步,为物流工作的有序开展提供有力的数据基础,例如,基于预测的件量可以提前做好工作人员、车辆的准备,从而达到降低成本,减少损失的效果。
实施例二:
基于实施例一,本实施例提供一种件量预测融合模型生成装置,其原理图如图2所示,具体包括数据处理模块100、模型创建模块200、筛选模块300和件量预测模型400。
具体的,数据处理模块100用于获取件量的历史数据,对历史数据进行预处理并筛选出目标件量数据信息。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。件量包含收件量,也可以包含发件量,还可以包含收件量和发件量。
对获取的历史数据进行预处理,包括:清洗历史数据,替换空数据及处理异常数据;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。
异常数据处理的方式可以是删除法、替代法(连续变量均值替代、离散变量用众数以及中位数替代)、插补法(回归插补、多重插补),除了直接删除,还可以先将异常值变成缺失值,然后进行缺失值的补齐操作。
模型创建模块200用于根据目标件量数据信息构建多种预测模型。其中,预测模型包括定性预测模型、时间序列预测模型、面板数据预测模型、小波分析预测模型、LSTM预测模型中的多种。各预测模型具体请参考实施例一,本实施例不作赘述。
筛选模块300用于根据各种预测模型的预测结果进行至少一次指数平滑预测,并根据实际件量数据信息计算各种预测模型所对应的各次指数平滑预测的误差信息,筛选误差最小的预测模型、及所述预测模型所对应的指数平滑次数。
具体的,根据各种预测模型的预测结果进行至少一次指数平滑预测包括件量的数量的平滑预测及件量的预测指标的平滑预测,其中,预测指标包括:近期因素、同期因素、周期因素、节假日因素、电商因素、月末因素、临时假日因素、天气因素、经济因素中的多种。关于近期因素、同期因素、周期因素、节假日因素、电商因素、月末因素、临时假日因素、天气因素、经济因素的描述请参考实施例一,本实施例不作赘述。
进一步,根据实际件量数据信息计算各种预测模型所对应的各次指数平滑预测的误差信息,具体包括计算件量预测误差值、件量预测误差率、模型误差、测量误差、截断误差和舍入误差中的任一种或多种误差信息;关于件量预测误差值、件量预测误差率、模型误差、测量误差、截断误差和舍入误差的描述请参考实施例一,本实施例不作赘述。
筛选模块300通过计算的任一种或多各误差,筛选误差最小的预测模型及该预测模型对应的指数平滑次数,例如,可以根据件量预测误差值和件量预测误差率筛选对应的小波分析预测模型,及小波分析预测模型对应的二次指数平滑,再例如,还可以根据模型误差筛选对应的面板数据预测模型,及面板数据预测模型对应的三次指数平滑。所以,实际应用中,可根据设计的目标误差筛选出最佳的预测指标、预测模型、指数平滑次数。
件量预测模块400用于根据筛选的预测模型及预测模型所对应的指数平滑次数进行件量预测,具体的,件量预测模块400根据筛选出最佳的预测指标、预测模型、指数平滑次数进行件量预测,以提高件量的预测准确率。
通过本实施例提供的件量预测装置,对各种预测模型进行指数平滑预测,并通过筛选获取最佳的预测模型及该预测模型对应的指数平滑次数对快递的件量进行最佳预测,可以极大地提高件量的预测准确率,进一步,为物流工作的有序开展提供有力的数据基础,例如,基于预测的件量可以提前做好工作人员、车辆的准备,从而达到降低成本,减少损失的效果。
实施例三:
基于实施例一和实施例二,本实施例提供一种基于指数平滑的件量预测设备,该设备的原理图如图3所示,该设备500可以是平板电脑、笔记本电脑或台式电脑。设备500还可能被称为便携式终端、膝上型终端、台式终端等其他名称。
通常,设备500包括有处理器5001和存储器5002,处理器5001可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器5001可以采用DSP(DigitalSignalProcessing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器5001也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(CentralProcessing Unit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。
在一些实施例中,处理器5001可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器5001还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器5002可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器5002还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器5002中的非暂态的计算机可读存储介质用于存储至少一个指令、至少一段程序、代码集或指令集,该至少一条指令、至少一段程序、代码集或指令集用于被处理器5001所执行以实现本申请中实施例一提供的件量预测方法。
因此,本申请的设备500通过至少一条指令、至少一段程序、代码集或指令集执行实施例一提供的件量预测方法,具有的优点是:通过对各种预测模型进行至少一次指数平滑预测,并通过筛选获取最佳的预测模型及该预测模型所对应的指数平滑次数对快递的件量进行最佳预测,可以极大地提高件量的预测准确率。
在一些实施例中,设备500还可选包括有:外围设备接口5003和至少一个外围设备。处理器5001、存储器5002和外围设备接口5003之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口5003相连。
具体到本实施例中,为了实现件量预测方法,相应的外围设备包括数据库5004,进一步,处理器5001通过数据库5004可以获取件量历史数据信息,处理器5001根据件量历史数据信息进行相应的预测模型构建、指数平滑预测、件量预测操作。
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件量预测方法。
实施例二中的系统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产品的形式体现出来,该计算机软件产品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。
以上应用了具体个例对本发明进行阐述,只是用于帮助理解本发明,并不用以限制本发明。对于本发明所属技术领域的技术人员,依据本发明的思想,还可以做出若干简单推演、变形或替换。

Claims (10)

1.一种基于指数平滑的件量预测方法,其特征在于,包括步骤:
获取件量的历史数据,对所述历史数据进行预处理并筛选出目标件量数据信息;
根据所述目标件量数据信息构建多种预测模型;
根据各种预测模型的预测结果进行至少一次指数平滑预测,并根据实际件量数据信息计算各种预测模型所对应的各次指数平滑预测的误差信息,筛选误差最小的预测模型、及所述预测模型所对应的指数平滑次数;
根据筛选的所述预测模型及所述预测模型所对应的指数平滑次数进行件量预测。
2.如权利要求1所述的件量预测方法,其特征在于,所述预测模型包括定性预测模型、时间序列预测模型、面板数据预测模型、小波分析预测模型、LSTM预测模型中的多种。
3.如权利要求1所述的件量预测方法,其特征在于,根据各种预测模型的预测结果分别进行一次指数平滑预测、二次指数平滑预测和三次指数平滑预测。
4.如权利要求1所述的件量预测方法,其特征在于,所述根据各种预测模型的预测结果进行至少一次指数平滑预测包括件量的数量的平滑预测及件量的预测指标的平滑预测。
5.如权利要求4所述的件量预测方法,其特征在于,所述预测指标包括:近期因素、同期因素、周期因素、节假日因素、电商因素、月末因素、临时假日因素、天气因素、经济因素中的多种,还包括采用不同次指数平滑对所述预测指标进行指数平滑处理。
6.如权利要求4所述的件量预测方法,其特征在于,所述根据实际件量数据信息计算各种预测模型所对应的各次指数平滑预测的误差信息,具体包括计算件量预测误差值、件量预测误差率、模型误差、测量误差、截断误差和舍入误差中的任一种或多种误差信息。
7.如权利要求1所述的件量预测方法,其特征在于,所述对所述历史数据进行预处理包括:清洗历史数据、替换空数据及处理异常数据。
8.一种基于指数平滑的件量预测装置,其特征在于,包括:
数据处理模块,用于获取件量的历史数据,对所述历史数据进行预处理并筛选出目标件量数据信息;
模型创建模块,用于根据所述目标件量数据信息构建多种预测模型;
筛选模块,用于根据各种预测模型的预测结果进行至少一次指数平滑预测,并根据实际件量数据信息计算各种预测模型所对应的各次指数平滑预测的误差信息,筛选误差最小的预测模型、及所述预测模型所对应的指数平滑次数;
件量预测模块,用于根据筛选的所述预测模型及所述预测模型所对应的指数平滑次数进行件量预测。
9.一种基于指数平滑的件量预测设备,其特征在于,包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或所述指令集由所述处理器加载并执行以实现如权利要求1至7中任一项所述的件量预测方法。
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至7中任一项所述的件量预测方法。
CN202110087027.9A 2021-01-21 2021-01-21 基于指数平滑的件量预测方法、装置、设备及存储介质 Pending CN112785057A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110087027.9A CN112785057A (zh) 2021-01-21 2021-01-21 基于指数平滑的件量预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110087027.9A CN112785057A (zh) 2021-01-21 2021-01-21 基于指数平滑的件量预测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN112785057A true CN112785057A (zh) 2021-05-11

Family

ID=75758546

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110087027.9A Pending CN112785057A (zh) 2021-01-21 2021-01-21 基于指数平滑的件量预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112785057A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114579643A (zh) * 2022-05-05 2022-06-03 国家邮政局邮政业安全中心 快递业务量预测方法、装置及电子设备
CN114615134A (zh) * 2022-05-10 2022-06-10 北京华创方舟科技集团有限公司 一种it智能运维监控系统及运维方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114579643A (zh) * 2022-05-05 2022-06-03 国家邮政局邮政业安全中心 快递业务量预测方法、装置及电子设备
CN114615134A (zh) * 2022-05-10 2022-06-10 北京华创方舟科技集团有限公司 一种it智能运维监控系统及运维方法
CN114615134B (zh) * 2022-05-10 2022-08-05 北京华创方舟科技集团有限公司 一种it智能运维监控系统及运维方法

Similar Documents

Publication Publication Date Title
CN112785057A (zh) 基于指数平滑的件量预测方法、装置、设备及存储介质
CN102117469A (zh) 一种对信用风险进行评估的系统和方法
CA2854564C (en) Multi-asset portfolio simulation (maps)
CN112734559A (zh) 企业信用风险评价方法、装置及电子设备
CN111176635A (zh) 模块化量化系统及其执行方法、电子设备
CN102496126A (zh) 一种托管资产交易数据监控设备
CN113298291A (zh) 快递件量预测方法、装置、设备及存储介质
CN112950262A (zh) 销量预测方法、装置、计算机设备和存储介质
CN112200389A (zh) 数据预测方法、装置、设备及存储介质
CN112613997A (zh) 货币基金的组合投资预测方法和预测装置
CN111738507A (zh) 银行清算头寸资金备付量预测方法和装置、设备及介质
CN112801358A (zh) 基于模型融合的件量预测方法、装置、设备及存储介质
CN112734340A (zh) 快递件量的预测指标筛选方法、装置、设备及存储介质
Seelenfreund et al. Stock price behavior and trading
Mariano et al. High-mixed-frequency forecasting models for GDP and inflation
JP2004185551A (ja) 経営品質管理システム、経営品質管理方法、経営品質管理プログラム及び媒体
CN111786385B (zh) 一种电网运维方案规划方法、系统及设备
US20220277331A1 (en) Systems and methods for procurement cost forecasting
Ganokratanaa et al. Deep Index Price Forecasting in Steel Industry
CN112183832A (zh) 快递揽件量的预测方法、装置、设备和存储介质
CN112785443A (zh) 基于客户群体的理财产品推送方法及装置
CN114897381A (zh) 一种账务评价方法、装置、设备、介质及产品
CN112183827A (zh) 快递月揽件量的预测方法、装置、设备和存储介质
JP2020112847A (ja) 水需要予測方法およびシステム
CN113723672A (zh) 基于时序特征分解的资金流动性预测方法、装置和电子设备

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