CN112801327A - 预测物流件量与其建模的方法、装置、设备及存储介质 - Google Patents
预测物流件量与其建模的方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112801327A CN112801327A CN201911112015.6A CN201911112015A CN112801327A CN 112801327 A CN112801327 A CN 112801327A CN 201911112015 A CN201911112015 A CN 201911112015A CN 112801327 A CN112801327 A CN 112801327A
- Authority
- CN
- China
- Prior art keywords
- prediction
- data
- predicting
- model
- periodic
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims description 89
- 230000000737 periodic effect Effects 0.000 claims abstract description 108
- 238000012549 training Methods 0.000 claims description 46
- 239000000126 substance Substances 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 14
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 12
- 238000012417 linear regression Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 abstract 1
- 230000006870 function Effects 0.000 description 17
- 230000008569 process Effects 0.000 description 15
- 230000009286 beneficial effect Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000011426 transformation method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 239000002904 solvent Substances 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
- G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种预测物流件量与其建模的方法、装置、设备及存储介质，本申请实施例主要通过对数据去除周期性特征后的部分提取时序特征及依据多种时序预测模型产生预测参数，根据所述预测参数及所述时序特征对梯度提升模型进行训练而产生非周期性预测模型；可选地，判断待测数据是否具周期性特征，若判断为是，将所述待测数据根据周期性预测模型及非周期性预测模型进行预测而产生预测值，若判断为否，将所述待测数据根据所述非周期性预测模型进行预测而产生所述预测值。从而可以提高物流月度件量的预测准确率。
Description
技术领域
本申请涉及数据处理技术领域，具体涉及物流月度件量的一种预测物流件量的建模方法、装置、设备及存储介质与一种预测物流件量的方法、装置、设备及存储介质。
背景技术
件量预测是物流领域的基本预测，其中月度件量预测能够为下游人力及排班规划提供支持，帮助物流业者更好地降低成本，提升利润。物流领域的网点(比如收发点)的月度件量(比如每月货量)经常发生量级或趋势上的改变，例如：肇因于客户迁入迁出、促销政策、周围商户转型等情况。
举例来说，假设每年受春节影响，月度件量会较低；每年受购物节(如双11促销等)因素影响，月度件量会较高，正常情况下，件量应呈逐年平稳上升趋势。再者，当某个网点的件量发生量级变化(如件量大幅陡升或陡降)时，尚可容许月度件量预测模型用一至两周(如7至14个数据点)调整完毕，而月度件量预测模型则被要求在下一个月或下两个月(如1或2个数据点)调整完毕，导致月度预测相对于月度预测的灵敏度要求更高。
但是，现有模型在预测物流月度件量的灵敏度方面有所欠缺，例如某网点的流失件量的量级由10000+下降为3000+，现有模型可能需要迟至6个月后才可能将预测值的量级调整到3000+，导致在网点的真实量级发生变化的情况下，无法快速进行调整，造成预测出现较大误差，影响预测准确性。
有鉴于此，有需要对现有技术进行改良。
发明内容
本申请实施例提供一种预测物流件量与其建模的方法、装置、设备及存储介质，可以提高物流月度件量的预测准确性。
在一方面，本申请实施例提供了一种预测物流件量的建模方法，包括：
获取在一段历史时期内的真实月度件量的数据；
对所述数据去除周期性特征后的部分提取时序特征及依据多种时序预测模型产生预测参数；以及
根据所述预测参数及所述时序特征对梯度提升模型进行训练而产生非周期性预测模型。
在一些实施方式中，所述对所述数据去除周期性特征后的部分提取时序特征及依据多种时序预测模型产生预测参数包括：
将所述数据去除周期性特征后的部分区分成训练集及验证集；
将多种时序预测模型对所述训练集的预测结果与所述验证集进行比对而产生多个预测误差；对所述训练集提取多个时序特征；及
依据所述多种预测结果、所述多个预测误差及所述多个时序特征产生所述预测参数。
在一些实施方式中，所述验证集取自所述数据的记录时间在目标月份以前的较晚期间的部分，所述训练集的数据取自所述数据的记录时间在早于所述较晚期间(如所述验证集以前)的部分。
在一些实施方式中，所述多种时序预测模型包括下列多个模型中的至少两种：ARIMA、ETS、NNETAR、TBATS、STLM-AR、RW-DRIFT、THETAF、
及SNAIVE。
在一些实施方式中，所述根据所述预测参数及所述时序特征对梯度提升模型进行训练而产生非周期性预测模型是依据所述多种预测结果、所述多个预测误差及所述多个时序特征提升模型进行训练而产生非周期性预测模型。
在一些实施方式中，所述梯度提升模型为GBDT模型、XGBoost模型及LightGBM模型中的一种。
在一些实施方式中，所述对所述数据去除周期性特征包括：
将所述数据采用时域对频域变换法转到频域；
将所述数据在频域中的周期性特征去除；及
将所述周期性特征被去除的所述数据采用频域对时域变换法转到时域。
在一些实施方式中，所述时域对频域变换法为傅里叶变换法，所述频域对时域变换法为逆傅里叶变换法。
在一些实施方式中，所述获取在一段历史时期内的真实月度件量的数据包括：
将在多个网点中的真实月度件量连续存在次数进行排序；及
获取在所述多个网点中的真实月度件量连续存在次数最多的至少一网点的真实月度件量作为所述在一段历史时期内的真实月度件量的数据。
另一方面，本申请实施例还提供了一种预测物流件量的建模装置，包括：
获取模块，用于获取在一段历史时期内的真实月度件量的数据；
提参模块，用于对所述数据去除周期性特征后的部分提取时序特征及依据多种时序预测模型产生预测参数；以及
训练模块，用于根据所述预测参数及所述时序特征对梯度提升模型进行训练而产生非周期性预测模型。
又一方面，本申请实施例还提供了一种设备，包括处理器和存储器，所述存储器中存储有程序代码，所述处理器调用所述存储器中的程序代码时执行如上所述的预测物流件量的建模方法。
再一方面，本申请实施例还提供了一种存储介质，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行本申请实施例提供的预测物流件量的建模方法。
次一方面，本申请实施例还提供了一种预测物流件量的方法，包括：
对多个待测网点获取在一段历史时期内的真实月度件量的待测数据；及
判断所述待测数据是否具周期性特征，若判断为是，将所述待测数据根据周期性预测模型及非周期性预测模型进行预测而产生预测值，若判断为否，将所述待测数据根据所述非周期性预测模型进行预测而产生所述预测值。
在一些实施方式中，所述非周期性预测模型是根据如上所述的预测物流件量的建模方法所产生的非周期性预测模型。
在一些实施方式中，所述周期性预测模型是ARIMA模型或线性回归模型。
在一些实施方式中，所述将所述待测数据根据所述周期性预测模型及所述非周期性预测模型进行预测而产生预测值包括：
对所述待测数据去除周期性特征后的部分提取时序参数及依据多种时序预测模型产生预测特征；
将所述时序参数及所述预测特征输入所述非周期性预测模型进行预测而产生第一预测分量；
对所述待测数据具备周期性特征的部分输入所述周期性预测模型进行预测而产生第二预测分量；及
将所述第一预测分量与所述第二预测分量相加而产生所述预测值。
在一些实施方式中，所述将所述待测数据根据所述非周期性预测模型进行预测而产生所述预测值包括：
对所述待测数据去除周期性特征后的部分提取时序参数及依据多种时序预测模型产生预测特征；
将所述时序参数及所述预测特征输入所述非周期性预测模型进行预测而产生预测分量；及
输出所述预测分量作为所述预测值。
另一方面，本申请实施例还提供了一种预测物流件量的装置，包括：
获测模块，用于对多个待测网点获取在一段历史时期内的真实月度件量的待测数据；以及
判测模块，用于判断所述待测数据是否具周期性特征，若判断为是，将所述待测数据根据周期性预测模型及非周期性预测模型进行预测而产生预测值，若判断为否，将所述非周期性预测模型进行预测而产生所述预测值。
又一方面，本申请实施例还提供了一种设备，包括处理器和存储器，所述存储器中存储有程序代码，所述处理器调用所述存储器中的程序代码时执行如上所述的预测物流件量的方法。
再一方面，本申请实施例还提供了一种存储介质，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行本申请实施例提供的预测物流件量的方法。
本申请实施例在预测物流件量的建模过程，可以通过获取在一段历史时期内的真实月度件量的数据；对所述数据去除周期性特征后的部分提取时序特征及依据多种时序预测模型产生预测参数；以及根据所述预测参数及所述时序特征对梯度提升模型进行训练而产生非周期性预测模型。另，在预测物流件量的过程，可以通过对多个待测网点获取在一段历史时期内的真实月度件量的待测数据；及判断所述待测数据是否具周期性特征，若判断为是，将所述待测数据根据周期性预测模型及非周期性预测模型进行预测而产生预测值，若判断为否，将所述待测数据根据所述非周期性预测模型进行预测而产生所述预测值。从而，利用去除周期性的数据根据多种时序预测模型产生预测参数及时序特征对梯度提升模型进行训练，可以提升所述非周期性预测模型的预测准确性，进而，可以采用非周期性预测模型与周期性预测模型分别对待测数据的非周期性部分与周期性部分进行预测，避免单一种预测模型与另一种数据的特性不相符而导致预测失准的情况，可以有效提升物流月度件量的预测准确性，有利于优化现有单一预测模型的预测效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域技术人员来讲，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是本申请实施例提供的预测物流件量的建模方法的流程示意图；
图2是本申请实施例提供的预测物流件量的建模装置的结构示意图；
图3是本申请实施例提供的预测物流件量的方法的流程示意图；
图4是本申请实施例提供的预测物流件量的装置的结构示意图；
图5是本申请实施例提供的设备的结构示意图；
图6是本申请实施例提供的方法对物流月度件量进行预测的优化效果示意图。
具体实施方式
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，都属于本申请保护的范围。
请参阅图1，图1是本申请一实施例提供的预测物流件量的建模方法的流程示意图。所述预测物流件量的建模方法的执行主体可以是本申请实施例提供的预测物流件量的建模装置，或者集成了所述预测物流件量的建模装置的设备，比如终端或服务器等，例如：所述预测物流件量的建模方法可以采用硬件或者软件的方式实现，所述设备可以是带有存储器的各种电子运算装置，所述电子运算装置可以是智能手机、平板电脑、掌上电脑、笔记本电脑、固定电脑，或者服务器等等，所述运算装置还可以包括其它功能性元件。以下举例说明可用于物流月度件量的所述预测物流件量的建模方法的实施过程，但不以此为限。
如图1所示，所述预测物流件量的建模方法可以包括步骤S101、S102及S103，分别说明如下。
如图1所示，步骤S101，获取在一段历史时期内的真实月度件量的数据。
举例来说，本方法实施例可应用于对物流领域的月度预测场景(比如某一地区的多个网点场景)中的月度件量预测进行建模过程。在用于对月度件量预测值进行建模时，可通过设备中的存储器获取所述月度预测场景中的多个网点在目标月份(比如本月或未来的某月)以前的一段历史时期内的真实月度件量的数据，譬如所述历史时期可以例如是在所述目标月份前的一年内逐月的月度件量的真实统计数据。
举例来说，所述历史时期可以例如是以季或年为单位，应被注意的是，所述历史时期的时间范围越长，被纳入的数据量越多，会造成预测误差的干扰因素的越多，且整个建模过程中产生的运算量越大。为了适度减少数据运算量及减少干扰，在实际应用上，由于现有模型需要6个月左右的时间才能学习到上述情况的真实值趋势变化，且物流领域的网点(收发点)的月度件量不定期发生量级或趋势上的改变，例如：客户迁入迁出、促销政策、周围商户转型等情况。因此，实际选择的历史时期可以例如是年为单位，有利于依据短期间内的数据进行建模，可以减少发生因为距今过久以前的数据与目标月份预测结果的相关性过低影响建模效率的情况。
另一方面，每个网点实际上的数据统计月度的长度可能不一致。
可选地，在一些实施例中，所述获取在一段历史时期内的真实月度件量的数据包括：将在多个网点中的真实月度件量连续存在次数进行排序；及获取在所述多个网点中的真实月度件量连续存在次数最多的至少一网点的真实月度件量作为所述在一段历史时期内的真实月度件量的数据。
举例来说，由于每个网点实际运作期间可能不同，使得不同网点的数据统计期间可能长短不一，为了能够取得完整性高的数据进行建模，可以例如选取在所有网点的统计数据中具备最长月份数的网点的所有真实月度件量作为用于进行建模的原始数据。
应被理解的是，所述具备最多月数的网点的数量可能是一个或多个，例如在4个网点中，有1个网点的统计历史月份从2018年6月到2019年9月，1个网点的统计历史月份从2018年8月到2019年9月，2个网点的统计历史月份从2018年5月到2019年9月，则可选择统计历史月份从2018年5月到2019年9月的2个网点的所有真实月度件量作为用于进行建模的原始数据，诸如此类，不另赘述。
应被注意的是，本申请上述实施例的有益效果至少在于：通过设定上述一段历史时期内的真实月度件量的数据为在所述多个网点中的真实月度件量连续存在次数最多的至少一网点的真实月度件量，可以获取与目标月份在近期内较为相关的最长历史月份数据作为用于建模的原始数据，除可排除相关性低的历史数据，更可利用所述最长历史月份数据提高数据信息的完整性，降低短期内的突发事件对整体影响的比重，例如：由于短期内的客户迁入迁出、促销政策、周围商户转型等情况，导致数据采样时期过短影响整体趋势可信度。因此，可以利用真正与目标月份相关性高的最长历史数据进行预测物流件量的建模数据，有利于提高所述目标月份的月度件量的预测准确性。
如图1所示，步骤S102，对所述数据去除周期性特征后的部分提取时序特征及依据多种时序预测模型产生预测参数。
举例来说，可以利用所述数据去除周期性特征后的部分，即非周期性的数据作为训练模型用的依据，进行提取时序特征及依据多种时序预测模型产生预测参数，例如：同时将所述数据去除周期性特征后的部分输入多种时序预测模型用于产生多种预测结果，而且可以对所述数据去除周期性特征后的部分提取时序特征，例如在时间序列上的不同特征值之间的变化程度(如斜率)等，后续再利用所述多种预测结果及时序特征进行模型训练过程，有利于避免单一模型导致预测结果偏差过大，进而可以提高后续模型训练后的预测准确性。
在一些实施例中，所述对所述数据去除周期性特征包括：将所述数据采用时域对频域变换法转到频域；将所述数据在频域中的周期性特征去除，例如去除一些阶数的谐波(harmonic)；及将所述周期性特征被去除的所述数据采用频域对时域变换法转到时域。可选地，所述时域对频域变换法为傅里叶变换法(如FFT)，所述频域对时域变换法为逆傅里叶变换法(如IFFT)。
应被注意的是，本申请上述实施例的有益效果至少在于：由于合理的月度件量预测模型需满足以下特性：具有合理的年周期性及长期趋势，以及能够迅速根据近期件量的量级变化进行相应调整。为了降低在数据中反复出现的周期性特征对预测结果的影响，可以考虑对所述数据去除周期性特征，例如，通过对所述数据在频域中去除周期性特征的上述过程，可以确实去除所述数据在时域中的周期性特征，但所述数据仍保有合理的年周期性及长期趋势，有利于月度件量预测模型满足上述月度件量预测模型的合理特性。
在一些实施例中，所述对所述数据去除周期性特征后的部分提取时序特征及依据多种时序预测模型产生预测参数可包括：
将所述数据去除周期性特征后的部分区分成训练集及验证集；
将多种时序预测模型对所述训练集的预测结果与所述验证集进行比对而产生多个预测误差；
对所述训练集提取多个时序特征；及
依据所述多种预测结果、所述多个预测误差及所述多个时序特征产生所述预测参数。
举例来说，先将所述数据去除周期性特征后的部分区分成训练集及验证集(例如区分比例为8:2或其他比例)，再将多种时序预测模型对所述训练集的预测结果与所述验证集进行比对(例如利用各种误差算法)产生多个预测误差，再对所述训练集提取多个时序特征(例如时序间的差值或比例关系)，再将所述多种预测结果、所述多个预测误差及所述多个时序特征组合产生所述预测参数，从而，可以对所述数据去除周期性特征后的部分提取时序特征及依据多种时序预测模型产生预测参数进行后续建模过程，有利于提高模型的预测准确性。
应被注意的是，本申请上述实施例的有益效果至少在于：通过将多种时序预测模型对所述训练集的预测结果与所述验证集进行比对而产生多个预测误差，可以得知多种时序模型的预测偏差情况，所述预测偏差情况可以作为后续建模过程中对不同预测结果定义权重的依据，使得越精准的预测结果被赋予越高的权重，同时辅以多个时序特征，可以基于所述时序特征提高模型的预测准确性。
可选地，在一些实施例中，所述验证集可取自所述数据的记录时间在目标月份以前的较晚期间的部分，所述训练集的数据可取自所述数据的记录时间在早于所述较晚期间(如所述验证集以前)的部分。
应被注意的是，本申请上述实施例的有益效果至少在于：利用所述数据的记录时间在目标月份以前的较晚期间的部分与所述目标月份的关联性较高的特性，能够迅速根据近期件量的量级变化进行相应调整等特性，可以适当地验证利用所述训练集的数据进行时序预测的预测结果的偏差度，进而根据不同偏差度择优选取预测结果作为后续建模过程的主要依据，使得训练完的模型的预测结果能更贴近所述目标月份的真实月度件量。
可选地，在一些实施例中，所述多种时序预测模型包括下列多个模型中的至少两种：ARIMA、ETS、NNETAR、TBATS、STLM-AR、RW-DRIFT、THETAF、
及SNAIVE。
举例来说，可以例如采用上述多种模型中的至少两种作为不同预测参考依据，优选地，还可同时采用ARIMA、ETS、NNETAR、TBATS、STLM-AR、RW-DRIFT、THETAF、
及SNAIVE等9种模型，但这只是示例性的，并不以此为限，还可以采用其他时序预测模型作为产生上述预测结果的依据。
应被理解的是，上述各种模型(例如ARIMA、ETS、NNETAR、TBATS、STLM-AR、RW-DRIFT、THETAF、
及SNAIVE)各自为代表某种特性的时序预测模型，各种模型还可以被替换为具备相同性、相似性或衍生性的其他时序预测模型，例如，ARIMA模型具备周期性预测的特性，替代地，基于此特征，还可选用线性回归模型作为ARIMA模型的替代模型，依此类推，ETS、NNETAR、TBATS、STLM-AR、RW-DRIFT、THETAF、
及SNAIVE模型，也可以被替换为具备相同性、相似性或衍生性的其他时序预测模型，不再逐一赘述。
应被注意的是，本申请上述实施例的有益效果至少在于：所述时序预测模型采用的种类越多，可以提供的预测结果作为后续建模的参考层面越为多元，更能降低单一种预测结果造成预测偏差，有利于提高后续模型训练后的预测准确性。
如图1所示，步骤S103，根据所述预测参数及所述时序特征对梯度提升模型进行训练而产生非周期性预测模型。
在一些实施例中，所述根据所述预测参数及所述时序特征对梯度提升模型进行训练而产生非周期性预测模型是依据所述多种预测结果、所述多个预测误差及所述多个时序特征提升模型进行训练而产生非周期性预测模型。
举例来说，所述预测参数(所述多种预测结果及所述多个预测误差)及所述时序特征可以作为后续模型训练过程的依据，可用于提升模型的可信度。应被理解的是，梯度提升(Gradient Boosting)模型是一种提升方法，也是一种常用于回归和分类问题的集成学习算法和机器学习技术，以弱预测模型(通常是决策树)集合的形式产生预测模型。主要思想是每一次建立模型都是在之前建立模型损失函数的梯度下降方向，即通过优化损失函数(loss function)来生成这些模型。
在一些实施例中，所述梯度提升模型可为GBDT模型、XGBoost模型及LightGBM模型中的一种。
举例来说，以XGBoost为例，XGBoost算法是Boosting算法的其中一种，Boosting算法的思想是将许多弱分类器集成在一起形成一个强分类器。应被理解的是，因为XGBoost是一种提升树模型，所以它是将许多树模型集成在一起，形成一个很强的分类器。XGBoost算法思想就是不断地添加树，不断地进行特征分裂来生长一棵树，每次添加一个树，其实是学习一个新函数，去拟合上次预测的残差。当有k棵树被训练完成，需要预测一个样本的分数，其为根据这个样本的特征，在每棵树中会落到对应的一个叶子节点，每个叶子节点就对应一个分数，最后只需要将每棵树对应的分数相加即为所述样本的预测值。
应被注意的是，本申请上述实施例的有益效果至少在于：以XGBoost模型为例，通过根据所述预测参数及所述时序特征对所述XGBoost模型进行训练而产生所述非周期性预测模型，具有优点诸如：可以使用许多策略去防止过拟合，例如正则化项、收缩率和列(特征)取样(Shrinkage and Column Subsampling)等；目标函数优化可利用损失函数关于待求函数的二阶导数；另，支持并行化是XGBoost模型的特点，虽然树与树之间是串行关系，但是同层级节点可并行，具体可对于某个节点，在节点内选择最佳分裂点、候选分裂点计算增益用多线程并行，有利于增快训练速度；添加了对稀疏数据的处理；又，交叉验证可利用早停法(early stop)进行，当预测结果已经很好的时候可以提前停止建树，可加快训练速度；另，支持设置样本权重，例如依据所述预测误差对不同预测结果设定不同权重，所述权重可以体现在XGBoost模型的一阶导数和二阶导数，通过调整权重可以去更加关注不同时序预测模型的预测效果。
相应地，本申请上述预测物流件量的建模方法实施例还可以被实施为硬件形式。如图2所示，本申请预测物流件量的建模装置实施例可以包括获取模块201、提参模块202以及训练模块203。
具体地，
获取模块201，用于获取在一段历史时期内的真实月度件量的数据；
提参模块202，用于对所述数据去除周期性特征后的部分提取时序特征及依据多种时序预测模型产生预测参数；
训练模块203，用于根据所述预测参数及所述时序特征对梯度提升模型进行训练而产生非周期性预测模型。
在一些实施方式中，所述获取模块201包括：
排序单元，用于将在多个网点中的真实月度件量连续存在次数进行排序；及
选获单元，用于获取在所述多个网点中的真实月度件量连续存在次数最多的至少一网点的真实月度件量作为所述在一段历史时期内的真实月度件量的数据。
在一些实施方式中，所述提参模块202还包括：
分集单元，用于将所述数据去除周期性特征后的部分区分成训练集及验证集；
比对单元，用于将多种时序预测模型对所述训练集的预测结果与所述验证集进行比对而产生多个预测误差；
提取单元，用于对所述训练集提取多个时序特征；及
生成单元，用于依据所述多种预测结果、所述多个预测误差及所述多个时序特征产生所述预测参数。
在一些实施方式中，所述提参模块202还包括：
第一变换单元，用于将所述数据采用时域对频域变换法转到频域；
去周期性单元，用于将所述数据在频域中的周期性特征去除；及
第二变换单元，用于将所述周期性特征被去除的所述数据采用频域对时域变换法转到时域。
在一些实施方式中，所述提参模块202还包括：
取验单元，用于选取所述数据的记录时间在目标月份以前的较晚期间的部分作为所述验证集；及
取训单元，用于选取所述数据的记录时间在早于所述较晚期间(如所述验证集以前)的部分作为所述训练集。
在一些实施方式中，所述提参模块202还包括：
第一选模单元，用于选取下列多个模型中的至少两种作为所述多种时序预测模型：ARIMA、ETS、NNETAR、TBATS、STLM-AR、RW-DRIFT、THETAF、
及SNAIVE。
在一些实施方式中，所述训练模块203包括：
第二选模单元，用于选取GBDT模型、XGBoost模型及LightGBM模型中的一种作为所述梯度提升模型。
其中，以上各个操作的具体实施内容可参见前面的预测物流件量的建模方法实施例，在此不再赘述。
请参阅图3，图3是本申请一实施例提供的预测物流件量的方法的流程示意图。所述预测物流件量的方法的执行主体可以是本申请实施例提供的预测物流件量的装置，或者集成了所述预测物流件量的装置的设备，比如终端或服务器等，例如：所述预测物流件量的方法可以采用硬件或者软件的方式实现，所述设备可以是带有存储器的各种电子运算装置，所述电子运算装置可以是智能手机、平板电脑、掌上电脑、笔记本电脑、固定电脑，或者服务器等等，所述运算装置还可以包括其它功能性元件。以下举例说明可用于物流月度件量的所述预测物流件量的方法的实施过程，但不以此为限。
如图3所示，所述预测物流件量的方法可以包括步骤S301及S302，分别说明如下。
如图1所示，步骤S301，对多个待测网点获取在一段历史时期内的真实月度件量的待测数据。
举例来说，本方法实施例可应用于对物流领域的月度预测场景(比如某一地区中的多个网点场景)中的目标月份的月度件量进行预测过程。在用于对月度件量进行预测时，可通过设备中的存储器获取所述月度预测场景中的全部待测网点在目标月份(比如本月或未来的某月)以前的一段历史时期内的真实月度件量的数据，譬如所述历史时期可以例如是在所述目标月份前的三年内逐月的月度件量的真实统计数据。
如图3所示，步骤S302，判断所述待测数据是否具周期性特征，若判断为是，将所述待测数据根据周期性预测模型及非周期性预测模型进行预测而产生预测值，若判断为否，将所述待测数据根据所述非周期性预测模型进行预测而产生所述预测值，例如将所述待测数据输入所述非周期性预测模型的预测结果直接输出作为所述预测值。
应被理解的是，所述周期性预测模型是至少对数据的周期性特征部分(如在时域中重复出现的部分或在频域中的诸多谐波部分)具备优选预测功能的模型，例如可以是ARIMA模型或线性回归模型；所述非周期性预测模型是至少对数据的非周期性特征部分(如去除周期性特征后的部分)具备优选预测功能的模型，例如可以是上述预测物流件量的建模方法实施例所产生的非周期性预测模型。
在一些实施例中，所述将所述待测数据根据所述周期性预测模型及所述非周期性预测模型进行预测而产生预测值包括：
对所述待测数据去除周期性特征后的部分提取时序参数及依据多种时序预测模型产生预测特征；
将所述时序参数及所述预测特征输入所述非周期性预测模型进行预测而产生第一预测分量；
对所述待测数据具备周期性特征的部分输入所述周期性预测模型进行预测而产生第二预测分量；及
将所述第一预测分量与所述第二预测分量相加而产生所述预测值。
举例来说，为了对所述待测数据中的周期性部分与非周期性部分进行个别预测，所述周期性部分与非周期性部分的预测过程可以并列地进行，也可以循序进行，其中所述待测数据中的周期性部分与非周期性部分可以例如用诸如FFT或IFFT算法进行分离。例如在非周期性部分的预测情况中，对所述待测数据去除周期性特征后的部分提取时序参数及依据多种时序预测模型产生预测特征，例如，在此所述的时序参数与如上所述的预测物流件量的建模方法实施例中的时序特征的特性相同，在此所述的预测特征与如上所述的预测物流件量的建模方法实施例中的预测参数的特性相同，用于将所述时序参数及所述预测特征输入所述非周期性预测模型(例如上述预测物流件量的建模方法实施例所产生的非周期性预测模型)进行预测而产生第一预测分量。
还有，在周期性部分的预测情况中，对所述待测数据具备周期性特征的部分输入所述周期性预测模型(例如ARIMA模型或线性回归模型)进行预测而产生第二预测分量。
接着，可以利用所述第一预测分量与第二预测分量产生所述预测值，例如：由于所述周期性部分与非周期性部分是从所述待测数据中直接区分的，所以，可以将所述第一预测分量与所述第二预测分量直接相加而产生所述预测值，但不以此为限，在其他应用中，也可以例如是将所述第一预测分量与所述第二预测分量分别乘上不同权重后相加而产生所述预测值。
应被注意的是，本申请上述实施例的有益效果至少在于：通过对所述待测数据去除周期性特征后的部分(如时序参数及所述预测特征)进行非周期性预测，且对所述待测数据具备周期性特征的部分进行周期性预测，可以量身定制地对周期性数据与非周期性数据个别预测，避免单一种预测模型与另一种数据的特性不相符而导致预测失准的情况，可以有效提升预测准确性。
替代地，在一些实施例中，所述将所述待测数据根据所述非周期性预测模型进行预测而产生所述预测值包括：
对所述待测数据去除周期性特征后的部分提取时序参数及依据多种时序预测模型产生预测特征；
将所述时序参数及所述预测特征输入所述非周期性预测模型进行预测而产生预测分量；及
输出所述预测分量作为所述预测值。
另一方面，相应地，本申请上述预测物流件量的方法实施例还可以被实施为硬件形式。如图4所示，本申请预测物流件量的装置实施例可以包括获测模块401及判测模块402。
具体地，
获测模块401，用于对多个待测网点获取在一段历史时期内的真实月度件量的待测数据；
判测模块402，用于判断所述待测数据是否具周期性特征，若判断为是，将所述待测数据根据周期性预测模型及非周期性预测模型进行预测而产生预测值，若判断为否，将所述非周期性预测模型进行预测而产生所述预测值。
在一些实施例中，所述判测模块402包括：
第一取模单元，用于选取上述预测物流件量的建模方法实施例所产生的非周期性预测模型作为所述非周期性预测模型。
在一些实施例中，所述判测模块402包括：
第二取模单元，用于选取ARIMA模型或线性回归模型作为所述周期性预测模型。
在一些实施例中，所述判测模块402还包括：
取测单元，用于对所述待测数据去除周期性特征后的部分提取时序参数及依据多种时序预测模型产生预测特征；
第一预测单元，用于将所述时序参数及所述预测特征输入所述非周期性预测模型进行预测而产生第一预测分量；
第二预测单元，用于对所述待测数据具备周期性特征的部分输入所述周期性预测模型进行预测而产生第二预测分量；及
合成单元，用于将所述第一预测分量与所述第二预测分量相加而产生所述预测值。
在一些实施例中，所述判测模块402还包括：
取测单元，用于对所述待测数据去除周期性特征后的部分提取时序参数及依据多种时序预测模型产生预测特征；
预测单元，用于将所述时序参数及所述预测特征输入所述非周期性预测模型进行预测而产生预测分量；及
输测单元，用于输出所述预测分量作为所述预测值。
其中，以上各个操作的具体实施内容可参见前面的预测物流件量的方法实施例，在此不再赘述。
图5示例了本发明实施例提供的设备500的具体结构框图，所述设备500可以用于实施上述实施例中提供的预测物流件量的建模方法及/或预测物流件量的方法。所述设备500可以是智能手机、平板电脑或服务器等。
如图5所示，设备500可以包括RF(Radio Frequency，射频)电路510、包括有一个或一个以上(图中仅示出一个)计算机可读存储介质的存储器520、输入单元530、显示单元540、传输模块550、包括有一个或者一个以上(图中仅示出一个)处理核心的处理器560以及电源570等部件。本领域技术人员可以理解，图5中示出的设备500结构并不构成对设备500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。其中：
RF电路510用于接收以及发送电磁波，实现电磁波与电信号的相互转换，从而与通信网络或者其他设备进行通信。RF电路510可包括各种现有的用于执行这些功能的电路元件，例如，天线、射频收发器、数字信号处理器、加密/解密芯片、用户身份模块(SIM)卡、存储器等等。RF电路510可与各种网络如互联网、企业内部网、无线网络进行通信或者通过无线网络与其他设备进行通信。上述的无线网络可包括蜂窝式电话网、无线局域网或者城域网。上述的无线网络可以使用各种通信标准、协议及技术，包括但并不限于全球移动通信系统(Global System for Mobile Communication，GSM)、增强型移动通信技术(Enhanced DataGSM Environment，EDGE)，宽带码分多址技术(Wideband Code Division MultipleAccess，WCDMA)，码分多址技术(Code Division Access，CDMA)、时分多址技术(TimeDivision Multiple Access，TDMA)，无线保真技术(Wireless Fidelity，Wi-Fi)(如美国电气和电子工程师协会标准IEEE802.11a、IEEE 802.11b、IEEE802.11g和/或IEEE 802.11n)、网络电话(Voice over Internet Protocol，VoIP)、全球微波互联接入(WorldwideInteroperability for Microwave Access，Wi-Max)、其他用于邮件、即时通信及短消息的协议，以及任何其他合适的通信协议，甚至可包括那些当前仍未被开发出来的协议。
存储器520可用于存储软件程序以及模块，如上述实施例中物流月度件量预测优化方法的程序指令/模块，处理器560通过运行存储在存储器520内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现物流月度件量预测优化的功能。存储器520可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器520可进一步包括相对于处理器560远程设置的存储器，这些远程存储器可以通过网络连接至设备500。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。
输入单元530可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地，输入单元530可包括触敏表面以及其他输入设备。触敏表面，也称为触摸显示屏或者触控板，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触敏表面上或在触敏表面附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触敏表面可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器560，并能接收处理器560发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面。除了触敏表面，输入单元530还可以包括其他输入设备。具体地，其他输入设备可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元540可用于显示由用户输入的信息或提供给用户的信息以及设备500的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元540可包括显示面板541，可选的，可以采用LCD(Liquid Crystal Display，液晶显示器)、OLED(Organic Light-Emitting Diode，有机发光二极管)等形式来配置显示面板541。进一步的，触敏表面可覆盖显示面板541，当触敏表面检测到在其上或附近的触摸操作后，传送给处理器560以确定触摸事件的类型，随后处理器560根据触摸事件的类型在显示面板541上提供相应的视觉输出。虽然在图5中，触敏表面与显示面板541是作为两个独立的部件来实现输入和输出功能，但是在某些实施例中，可以将触敏表面与显示面板541集成而实现输入和输出功能。
设备500通过传输模块550(例如Wi-Fi模块)可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图5示出了传输模块550，但是可以理解的是，其并不属于设备500的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。
处理器560是设备500的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器520内的软件程序和/或模块，以及调用存储在存储器520内的数据，执行设备500的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器560可包括一个或多个处理核心；在一些实施例中，处理器560可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器560中。
设备500还包括给各个部件供电的电源570(比如电池)，在一些实施例中，电源可以通过电源管理系统与处理器560逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源570还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
具体在本实施例中，设备500的显示单元540是触摸屏显示器，设备500还包括有存储器520，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器520中，且经配置以由一个或者一个以上处理器560执行一个或者一个以上程序包含用于进行以下操作的指令：
可选地，以上述预测物流件量的建模方法为例，
获取在一段历史时期内的真实月度件量的数据；
对所述数据去除周期性特征后的部分提取时序特征及依据多种时序预测模型产生预测参数；及
根据所述预测参数及所述时序特征对梯度提升模型进行训练而产生非周期性预测模型。
附加地或替代地，以上述预测物流件量的方法为例，
对多个待测网点获取在一段历史时期内的真实月度件量的待测数据；及
判断所述待测数据是否具周期性特征，若判断为是，将所述待测数据根据周期性预测模型及非周期性预测模型进行预测而产生预测值，若判断为否，将所述非周期性预测模型进行预测而产生所述预测值。
在上述实施例中，对各个实施例的描述仅是举例说明，某个实施例中没有详述的部分，可以参见上文针对预测物流件量的建模方法及/或预测物流件量的方法实施例的详细描述，此处不再赘述。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，所述指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本申请实施例提供一种存储介质，其中存储有计算机程序的多条指令，所述指令能够被处理器进行加载，以执行本申请实施例所提供的任一种预测物流件量的建模方法及/或预测物流件量的方法实施例中的步骤。例如，所述指令可以执行如下步骤及/或与其有关的步骤：
可选地，以上述预测物流件量的建模方法为例，
获取在一段历史时期内的真实月度件量的数据；
对所述数据去除周期性特征后的部分提取时序特征及依据多种时序预测模型产生预测参数；及
根据所述预测参数及所述时序特征对梯度提升模型进行训练而产生非周期性预测模型。
附加地或替代地，上述预测物流件量的方法为例，
对多个待测网点获取在一段历史时期内的真实月度件量的待测数据；及
判断所述待测数据是否具周期性特征，若判断为是，将所述待测数据根据周期性预测模型及非周期性预测模型进行预测而产生预测值，若判断为否，将所述非周期性预测模型进行预测而产生所述预测值。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
其中，所述存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁盘或光盘等。
由于所述存储介质中所存储的指令，可以执行本申请实施例所提供的上述预测物流件量的建模方法及/或预测物流件量的方法实施例中的步骤，因此，可以实现本申请实施例所提供的预测物流件量的建模方法及/或预测物流件量的方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
举例来说，如图6所示，示例本申请上述实施例提供的方法对物流月度件量进行预测的优化效果示意图。其中，实心园点(模型1)表示本申请上述方法实施例混合多种模型进行预测优化的月度预测件量，空心圆点(模型2)表示仅用单种模型(如Prophet)进行直接预测的月度预测件量，从图中可知，使用本申请上述方法实施例对某一月度预测场景中约20000个网点月度预测件量进行优化，优化后的误差(如MAPE)在10％以内的网点数量占比(如0至100％)明显多于未经优化的单种模型的月度预测件量，显示本申请上述方法实施例确实可以降低错误率，有利于提高预测准确性。
从而，本申请上述实施例在预测物流件量的建模过程，可以通过获取在一段历史时期内的真实月度件量的数据；对所述数据去除周期性特征后的部分提取时序特征及依据多种时序预测模型产生预测参数；以及根据所述预测参数及所述时序特征对梯度提升模型进行训练而产生非周期性预测模型。另，在预测物流件量的过程，可以通过对多个待测网点获取在一段历史时期内的真实月度件量的待测数据；及判断所述待测数据是否具周期性特征，若判断为是，将所述待测数据根据周期性预测模型及非周期性预测模型进行预测而产生预测值，若判断为否，将所述待测数据根据所述非周期性预测模型进行预测而产生所述预测值。从而，利用去除周期性的数据根据多种时序预测模型产生预测参数及时序特征对梯度提升模型进行训练，可以提升所述非周期性预测模型的预测准确性，进而，可以采用非周期性预测模型与周期性预测模型分别对待测数据的非周期性部分与周期性部分进行预测，避免单一种预测模型与另一种数据的特性不相符而导致预测失准的情况，可以有效提升物流月度件量的预测准确性，有利于优化现有单一预测模型的预测效果。
以上对本申请实施例所提供的预测物流件量与其建模的方法、装置、设备及存储介质进行了详细介绍，本文中应用了具体个例对本申请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申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种预测物流件量的建模方法，其特征在于，包括：
获取在一段历史时期内的真实月度件量的数据；
对所述数据去除周期性特征后的部分提取时序特征及依据多种时序预测模型产生预测参数；以及
根据所述预测参数及所述时序特征对梯度提升模型进行训练而产生非周期性预测模型。
2.根据权利要求1所述的预测物流件量的建模方法，其特征在于，所述对所述数据去除周期性特征后的部分提取时序特征及依据多种时序预测模型产生预测参数包括：
将所述数据去除周期性特征后的部分区分成训练集及验证集；
将多种时序预测模型对所述训练集的预测结果与所述验证集进行比对而产生多个预测误差；
对所述训练集提取多个时序特征；及
依据所述多种预测结果、所述多个预测误差及所述多个时序特征产生所述预测参数。
3.一种预测物流件量的建模装置，其特征在于，包括：
获取模块，用于获取在一段历史时期内的真实月度件量的数据；
提参模块，用于对所述数据去除周期性特征后的部分提取时序特征及依据多种时序预测模型产生预测参数；以及
训练模块，用于根据所述预测参数及所述时序特征对梯度提升模型进行训练而产生非周期性预测模型。
4.一种设备，其特征在于，包括处理器和存储器，所述存储器中存储有程序代码，所述处理器调用所述存储器中的程序代码时执行如权利要求1至2任一项所述的预测物流件量的建模方法。
5.一种存储介质，其特征在于，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行如权利要求1至2任一项所述的预测物流件量的建模方法。
6.一种预测物流件量的方法，其特征在于，包括：
对多个待测网点获取在一段历史时期内的真实月度件量的待测数据；及
判断所述待测数据是否具周期性特征，若判断为是，将所述待测数据根据周期性预测模型及非周期性预测模型进行预测而产生预测值，若判断为否，将所述待测数据根据所述非周期性预测模型进行预测而产生所述预测值；
其中所述非周期性预测模型是根据权利要求1至2任一项所述的预测物流件量的建模方法所产生的非周期性预测模型，所述周期性预测模型是ARIMA模型或线性回归模型。
7.根据权利要求6所述的预测物流件量的方法，其特征在于，
所述将所述待测数据根据所述周期性预测模型及所述非周期性预测模型进行预测而产生预测值包括：
对所述待测数据去除周期性特征后的部分提取时序参数及依据多种时序预测模型产生预测特征；
将所述时序参数及所述预测特征输入所述非周期性预测模型进行预测而产生第一预测分量；
对所述待测数据具备周期性特征的部分输入所述周期性预测模型进行预测而产生第二预测分量；及
将所述第一预测分量与所述第二预测分量相加而产生所述预测值；及
所述将所述待测数据根据所述非周期性预测模型进行预测而产生所述预测值包括：
对所述待测数据去除周期性特征后的部分提取时序参数及依据多种时序预测模型产生预测特征；
将所述时序参数及所述预测特征输入所述非周期性预测模型进行预测而产生预测分量；及
输出所述预测分量作为所述预测值。
8.一种预测物流件量的装置，其特征在于，包括：
获测模块，用于对多个待测网点获取在一段历史时期内的真实月度件量的待测数据；以及
判测模块，用于判断所述待测数据是否具周期性特征，若判断为是，将所述待测数据根据周期性预测模型及非周期性预测模型进行预测而产生预测值，若判断为否，将所述非周期性预测模型进行预测而产生所述预测值。
9.一种设备，其特征在于，包括处理器和存储器，所述存储器中存储有程序代码，所述处理器调用所述存储器中的程序代码时执行如权利要求6至7任一项所述的预测物流件量的方法。
10.一种存储介质，其特征在于，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行如权利要求6至7任一项所述的预测物流件量的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911112015.6A CN112801327B (zh) | 2019-11-14 | 2019-11-14 | 预测物流件量与其建模的方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911112015.6A CN112801327B (zh) | 2019-11-14 | 2019-11-14 | 预测物流件量与其建模的方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112801327A true CN112801327A (zh) | 2021-05-14 |
| CN112801327B CN112801327B (zh) | 2024-07-02 |
Family
ID=75803613
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911112015.6A Active CN112801327B (zh) | 2019-11-14 | 2019-11-14 | 预测物流件量与其建模的方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112801327B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113408797A (zh) * | 2021-06-07 | 2021-09-17 | 北京京东振世信息技术有限公司 | 流转量预测多时序模型生成方法、信息发送方法和装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015176565A1 (zh) * | 2014-05-22 | 2015-11-26 | 袁志贤 | 一种基于多维时间序列的电气设备故障预测方法 |
| 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 |
| CN109767024A (zh) * | 2017-11-09 | 2019-05-17 | 顺丰科技有限公司 | 件量预测方法及装置、设备和存储介质 |
| CN109919685A (zh) * | 2019-03-18 | 2019-06-21 | 苏州大学 | 客户流失预测方法、装置、设备及计算机可读存储介质 |
| 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 |
| CN110414719A (zh) * | 2019-07-05 | 2019-11-05 | 电子科技大学 | 一种基于多变量灰色模型时间序列的车流量预测方法 |
-
2019
- 2019-11-14 CN CN201911112015.6A patent/CN112801327B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015176565A1 (zh) * | 2014-05-22 | 2015-11-26 | 袁志贤 | 一种基于多维时间序列的电气设备故障预测方法 |
| CN109767024A (zh) * | 2017-11-09 | 2019-05-17 | 顺丰科技有限公司 | 件量预测方法及装置、设备和存储介质 |
| 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 |
| 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 |
| CN109919685A (zh) * | 2019-03-18 | 2019-06-21 | 苏州大学 | 客户流失预测方法、装置、设备及计算机可读存储介质 |
| CN110414719A (zh) * | 2019-07-05 | 2019-11-05 | 电子科技大学 | 一种基于多变量灰色模型时间序列的车流量预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 冯光升 等: "基于混合预测的云平台资源自适应分配方法", 计算机科学与探索, no. 10, pages 1172 - 1179 * |
| 唐静 等: "基于多维特征分析的月用电量精准预测研究", 电力系统保护与控制, no. 16, pages 145 - 150 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113408797A (zh) * | 2021-06-07 | 2021-09-17 | 北京京东振世信息技术有限公司 | 流转量预测多时序模型生成方法、信息发送方法和装置 |
| CN113408797B (zh) * | 2021-06-07 | 2023-09-26 | 北京京东振世信息技术有限公司 | 流转量预测多时序模型生成方法、信息发送方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112801327B (zh) | 2024-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109684118B (zh) | 异常数据的检测方法、装置、设备及计算机可读存储介质 | |
| CN110442712B (zh) | 风险的确定方法、装置、服务器和文本审理系统 | |
| CN109816158A (zh) | 预测模型的组合方法、装置、设备及可读存储介质 | |
| CN107424007A (zh) | 一种构建电子券敏感度识别模型的方法和装置 | |
| CN111435482A (zh) | 一种外呼模型的构建方法、外呼方法、装置和存储介质 | |
| CN109885834B (zh) | 一种用户年龄性别的预测方法及装置 | |
| CN109471783A (zh) | 预测任务运行参数的方法和装置 | |
| CN112907128A (zh) | 基于ab测试结果的数据分析方法、装置、设备及介质 | |
| CN103631787A (zh) | 网页类型识别方法以及网页类型识别装置 | |
| CN109388551A (zh) | 预测代码存在漏洞概率的方法、漏洞检测方法、相关装置 | |
| CN114638633A (zh) | 异常流量检测的方法和装置、电子设备和存储介质 | |
| KR20180117460A (ko) | 트랜드 분석에 기반하는 이슈 검출방법 및 그 장치 | |
| CN106910135A (zh) | 用户推荐方法及装置 | |
| CN109635993A (zh) | 基于预测模型的操作行为监控方法及装置 | |
| CN110348471B (zh) | 异常对象识别方法、装置、介质及电子设备 | |
| CN109697155B (zh) | It系统性能评估方法、装置、设备及可读存储介质 | |
| CN112801327B (zh) | 预测物流件量与其建模的方法、装置、设备及存储介质 | |
| JP6680663B2 (ja) | 情報処理装置、情報処理方法、予測モデルの生成装置、予測モデルの生成方法、およびプログラム | |
| CN108632054B (zh) | 信息传播量的预测方法及装置 | |
| CN113961765B (zh) | 基于神经网络模型的搜索方法、装置、设备和介质 | |
| CN112948763B (zh) | 件量预测方法、装置、电子设备及存储介质 | |
| CN113010782A (zh) | 需求量获取方法、装置、电子设备以及计算机可读介质 | |
| CN111475319A (zh) | 一种基于机器学习的硬盘筛选方法及装置 | |
| EP3200141A1 (en) | Method for managing device replacements | |
| CN113077069B (zh) | 预测中转班次件量的建模方法、装置、设备及存储介质 |
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 |