CN112825158A - 预测方法、预测装置、服务器及存储介质 - Google Patents
预测方法、预测装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN112825158A CN112825158A CN201911140682.5A CN201911140682A CN112825158A CN 112825158 A CN112825158 A CN 112825158A CN 201911140682 A CN201911140682 A CN 201911140682A CN 112825158 A CN112825158 A CN 112825158A
- Authority
- CN
- China
- Prior art keywords
- station
- prediction
- predicted
- historical
- data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000008859 change Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012300 Sequence Analysis Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 abstract description 6
- 238000007726 management method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004138 cluster model Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种航空集装设备使用量的预测方法、服务器及存储介质，所述预测方法包括：获取物流网内航站的历史特性数据和历史物流业务数据；基于所述历史特性数据建立聚类模型，将所述航站聚类成多个航站类别；基于所述历史物流业务数据在对应的航站类别内进行训练建立预测模型，得到多个预测器；依据所述聚类模型确定待预测航站所属的航站类别；依据所述预测模型选定与所述待预测航站对应的预测器；以及获取所述待预测航站的当前物流业务数据，利用所述对应的预测器预测出所述待预测航站在未来对航空集装设备的使用量。本发明航空集装设备使用量的预测方法采用先分类后预测，能够提高预测精度。
Description
技术领域
本发明涉及一种集装设备需求量管理技术领域，特别是有关于一种航空集装设备使用量的预测方法、预测装置、服务器及存储介质。
背景技术
随着经济贸易的高速发展，推动了航空运输技术，航空运输的安全性能高、运输时间短，因此价值越高的货物越离不开航空运输。但使用航空运输，需要建立一整套的运输系统及管理系统。
在整个航空运输中，其中一个重要的环节是如果调配集装设备。所谓的集装设备是物流航空运输中对运输件进行固定、装载、封包的设备的统称，主要包括集装板、集装箱、辅助材料等。因此，如何对各航站的集装设备使用量进行预测，以指导调拨人员做出决策，对于保障快递时效乃至物流正常运行具有重要意义。以集装箱为例，各航站的集装箱需求通常由该航站的件量决定，由于集装箱需要在不同航站间流转，因此时常出现某航站库存集装箱数量不足以满足运输需求的问题，导致快件时效延误。
现有的管理方式是，调拨人员需要根据经验对次日及未来半月该航站的集装箱需求进行估计，提前向其他航站发出调拨需求，以满足未来可能增大的集装箱需求。或者是，建立统一的预测模型，对物流网各航站的集装箱使用量进行预测。
上述管理方式存在很多弊端，例如：基于人工经验的估计方法具有较高主观性，无法应对复杂的、由多种因素产生的需求波动，常常估计不准确，产生额外的陆运成本与快件延误损失。而利用现有的统一的预测模型，不会考虑到大件量航站与小件量航站在数据样本上的不平衡性，从而造成预测模型精度通常较低。
因此，有必要提供一种新的航空集装设备使用量的预测方法，摒弃现有预测方式带来的缺点，以最大可能地提高预测精度，满足航空运输的需求。
发明内容
本发明的主要目的在于提供一种航空集装设备使用量的预测方法、预测装置、服务器及存储介质，其先分类后预测，能够提高预测精度。
本发明的其它目的和优点可以从本发明所揭露的技术特征中得到进一步的了解。
为达上述目的，本发明采用如下技术方案。
本发明提供一种航空集装设备使用量的预测方法，包括以下步骤：
S10：获取物流网内航站的历史特性数据和历史物流业务数据；
S20：基于所述历史特性数据建立聚类模型，将所述航站聚类成多个航站类别；
S30：基于所述历史物流业务数据在对应的航站类别内进行训练建立预测模型，得到多个预测器，其中，所述预测器与所述航站类别一一对应；
S40：依据所述聚类模型确定待预测航站所属的航站类别；
S50：依据所述预测模型选定与所述待预测航站对应的预测器；以及
S60：获取所述待预测航站的当前物流业务数据，利用所述对应的预测器预测出所述待预测航站在未来对航空集装设备的使用量。
在其中一实施例中，所述步骤S20是通过Kmeans算法将具有相同特性的航站聚为同一类，从而得到所述的多个航站类别。
在其中一实施例中，在所述步骤S30中建立预测模型是对每一航站类别中的历史物流业务数据进行时序分析，构造训练集，从而得到与所述航站类别对应的预测器。
在其中一实施例中，所述的建立预测模型还包括以下步骤：
a)数据预处理；其中将所述航站的历史物流业务数据按时间维度排列，构成时间序列；
b)预测模型建模；其中评估所述历史物流业务数据的变化模式，进而初步确立预测模型参数，将由所述步骤a)得到的时间序列及所述初步确立的预测模型参数输入预测模型；以及
c)预测参数调整；利用近期数据和不同参数建立的预测模型对模型预测能力进行评估，选择出能够使得误差最小的模型参数。
在其中一实施例中，所述预测方法还包括步骤S401：获取所述待预测航站的历史特性数据；当所述待预测航站为在物流网中加入的一个新航站时，需要在执行所述步骤S40之前执行所述步骤S401。
本发明还提供一种航空集装设备使用量的预测装置，所述预测装置包括：获取单元，用于获取物流网内航站的历史特性数据和历史物流业务数据；聚类单元，用于根据所述历史特性数据建立聚类模型，将所述航站聚类成多个航站类别；预测单元，用于根据所述历史物流业务数据在对应的航站类别内进行训练建立预测模型，得到多个预测器，其中，所述预测器与所述航站类别一一对应；其中，在预测时，所述聚类单元能够确定待预测航站所属的航站类别；所述预测单元能够选定与所述待预测航站对应的预测器；而通过所述获取单元则能够获取所述待预测航站的当前物流业务数据，并利用选出的所述对应的预测器预测出所述待预测航站在未来对航空集装设备的使用量。
本发明还提供一种服务器，包括：至少一处理器、至少一存储器、以及至少一应用程序，其中所述应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现上述航空集装设备使用量的预测方法。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行上述的航空集装设备使用量的预测方法。
相较于现有技术，本发明航空集装设备使用量的预测方法采用先分类后预测的方式，能够提高预测精度。本发明航空集装设备使用量的预测方法能够代替人工经验预测方法，挖掘数据内在波动模式，提高预测精度。本发明还能够降低现有预测模型中因数据不平衡产生的小件量航站预测精度不足问题，提高预测精度，为航空调拨决策提供依据。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单介绍，显而易见地，下面描述中的附图仅仅是发明的一些实施例，对于本领域普通技术人员来讲，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为本发明其中一实施例的航空集装设备使用量的预测方法的流程图。
图2为本发明航空集装设备使用量的预测方法所采用的模型架构示意图。
图3为本发明一实施例提供的预测装置的实施例结构示意图。
图4为本发明一实施例提供的服务器的结构示意图。
附图中的主要标记如下：
聚类模型 10 预测模型 20
服务器 100 处理器 101
存储器 102 电源 103
输入单元 104。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供的一种航空集装设备使用量的预测方法，包括：获取物流网内航站的历史特性数据和历史物流业务数据；基于所述历史特性数据建立聚类模型，将所述航站聚类成多个航站类别；基于所述历史物流业务数据在对应的航站类别内进行训练建立预测模型，得到多个预测器，其中，所述预测器与所述航站类别一一对应；依据所述聚类模型确定待预测航站所属的航站类别；依据所述预测模型选定与所述待预测航站对应的预测器；以及获取所述待预测航站的当前物流业务数据，利用所述对应的预测器，预测出所述待预测航站在未来对航空集装设备的使用量。
本发明航空集装设备使用量的预测方法通过采用先分类后预测的方式，能够降低各航站类别之间不平衡造成的预测精度不高的问题。
请参照图1所示，为本发明实施例中提供的一种航空集装设备使用量的预测方法的流程示意图，所述预测方法包括步骤S10至S60，以下将详细说明各个步骤。
步骤S10：获取物流网内航站的历史特性数据和历史物流业务数据。
在本发明实施例中，所述历史特性数据是指通过归纳得出的能够体现航站特点的数据。
具体地讲，所述历史特性数据可以包括下列至少一者：
1.航站所在的城市级别，例如航站是在一线城市还是二线城市；
2.在一预设周期内的航站年均件量，例如近四年内的航站年均件量。预设周期可以根据实际情况进行设定；
3.在所述预设周期内的航站平均件量标准差，例如近四年内的航站平均件量标准差；
4.在所述预设周期内的航站件量平均变异系数(标准差/均件量)，例如近四年的航站件量平均变异系数；
5.航站的年均件量一阶差分；
6.航站的下属网点数量；即归属于航站底下的物流网点的数量；
7.航站的月均件量，特别是近六个月的月均件量；
8.航站的月均件量增长率，特别是近六个月的月均件量增长率；
9.时序数据残差自相关系数与偏相关系数。
当然，所述预设周期不仅限于四年或六个月，可以是其他年限、或其他月份数等。因此，本发明的保护范围不能限定在具体的时间上。
所述历史特性数据主要用于表征不同航站之间的件量等方面的特征差异。其中航站平均件量的标准差反映了该航站平日件量波动的情况；变异系数是为了消除标准差和平均件量中的量纲(使得不同规模的航站比较起来数量级一致)；航站年均件量一阶差分是为了衡量件量增长量的变化量；时序数据残差的自/偏相关系数度量了去除时序数据中趋势项、周期项后，剩余数据的变化规律。自相关系数用于确定过去多少天对当前有影响，偏相关单独评价历史每一天对当前的影响程度。
在本发明实施例中，所述历史物流业务数据可以包括以下内容：
1.航站的历史货件量(或称货物量)；特别是在一预设天数，例如15天，之前的所有日期内，航站的历史货件量；
2.航站对集装设备的历史需求量；特别是在所述预设天数，例如15天，之前的所有日期内，航站对集装设备的历史需求量。
在上述实施例中提出的一些参数，如近四年、近六月、15天等，是为了举例说明如何实现本发明提出的技术方案或模型框架，而非用来限定本发明的保护范围。管理者可以根据实际情况来调整所要输入的所有参数，以不断完善预测精度。
步骤S20：基于所述历史特性数据建立聚类模型，将所述航站聚类成多个航站类别。
具体地讲，步骤S20是基于获得的航站的历史特性数据，通过聚类算法，例如K-Means聚类算法，建立聚类模型，将具有相同特性的航站聚为同一类，得到多个航站类别。
在本发明实施例中，具体是：以获得的航站历史特性数据为K-Means聚类算法的输入维度(共有9个维度)，通过K-Means算法决定数据中类别的数量，最佳聚类数由Elbow法确定(本方案中确定是五类)。根据样本离这五类聚类中心的距离，取最近的作为样本的类别，从而对所有航站归类。
上述Kmeans算法大致包括以下步骤：
1)随机选取聚类中心。其中以所述历史特性数据(包括之前提到的9个维度)为样本，在所述样本所在的空间中，随机生成N个点，例如五个点，作为聚类中心。
2)计算样本与每个聚类中心的距离。其中某航站样本与所述五个聚类中心的类别的距离分别表征了该航站属于这五个类别的可能性。
3)基于与每个聚类中心的距离远近来判断样本类别。其中，取可能性最大的类别(即取距离最近的聚类中心的类别)暂时作为该样本的类别。
4)重新计算聚类中心。将由步骤3)得到的同一类别样本的所有维度上的值取平均，得到新的聚类中心。
迭代选择最佳聚类中心。具体是：重复步骤2)-步骤4)，直到步骤4)计算出的聚类中心能够保证类内距离足够小(具有相似性的样本被逐渐聚合为一类别)，且类间距离足够大(保证差异性大的样本不会被聚为同一类别)。其中所述类内距离是指同一类别中各样本点间的均方距离；而所述类间距离是指不同类别之间的距离。因此，重复步骤2)-步骤4)，就是为了得到最小化类内距离和最大化类间距离，以保证具有相似性的样本被逐渐聚合为同一类别，同时保证差异性大的样本不会被聚为同一类别。
因此，在本发明实施例中，执行所述步骤S20能够得到多个航站类别，例如5个航站类别C1-C5。
这5个航站类别C1-C5的差异主要表现在以下三点：
(1)件量规模不同。例如上海浦东国际机场和兰州机场，上海较兰州的件量更大，因此聚类后属于不同类别。
(2)件量波动大小不同。例如无锡机场和常州机场，虽然件量规模差不多，但是无锡机场件量更稳定。
(3)件量波动模式不同。例如无锡机场和常州机场，在节假日上的件量增长与下降的规律一致，因此可以采用同一套模型参数。
当然，在其他实施例中，所述航站类别的数量可以根据所有物流网内的航站数量而确定，所有物流网内的航站数量越多，当然就可以多划分几个所述航站类别，以便更精确的预测特定航站对集装设备的使用量。
因此，本发明的保护范围不能限定在所述航站类别的具体数量上。
步骤S30：基于所述历史物流业务数据在对应的航站类别内进行训练建立预测模型，得到多个预测器，其中，所述预测器与所述航站类别一一对应。
具体地讲，步骤S30中建立所述预测模型是指：对每一航站类别中的历史物流业务数据进行时序分析，构造训练集，从而得到与所述航站类别对应的预测器，例如预测器1至预测器5。
其中建立所述预测模型可以包括以下步骤：
a)数据预处理。其中主要是将航站的历史物流业务数据按时间维度排列，构成时间序列。更具体地讲，对于同一航站类别内的航站，将航站的历史物流业务数据(历史货件量与历史需求量)按时间维度排列，构成时间序列，并对离群值、缺失值以同一周内的使用量均值进行填充；
b)预测(Prophet)模型建模。其中要评估所述历史物流业务数据的变化模式，进而初步确立预测模型参数，将由所述步骤a)得到的时间序列及所述初步确立的预测模型参数输入预测模型。详细地讲，就是根据历史物流业务数据的年份，划分历史日期中的节假日，并评估所述历史物流业务数据的变化模式，进而初步确立预测模型参数，将由所述步骤a)得到的时间序列及所述初步确立的预测模型参数输入预测模型，通过时序分解算法分解出趋势项、周期项、节假日项及残差。
c)预测(Prophet)参数调整。利用近期数据和不同参数建立的Prophet模型对模型预测能力进行评估，选择出能够使得误差最小的模型参数。其中所述的近期数据是指近期的物流业务数据，而且“近期”是指比预测目标所需要的数据还要往前十几天的数据。例如需要预测7月1日的数据，那么采用的历史物流业务数据是6月15日-6月30日的数据，但用于参数选择的数据是6月1日-6月14日的数据，通过比较6月15日的预测值和真实值，选择出使得误差最小的模型参数。
所述的步骤c)实际上是通过重复所述步骤b)，利用不同组的预测模型参数建立出多个预测模型，再利用近期的物流业务数据去对每个模型的预测能力作评估，找出由误差最小的那组模型参数所建立预测模型作为预测器。
在实际预测时，所述预测器能够根据趋势变化，叠加周期变化及节假日项对未来进行预测。
由以上描述可以了解，根据五个航站类别内的航站的历史物流业务数据分别训练能得到对应的五个预测器，这五个预测器的模型参数均不相同，其预测能力比现有的单一预测器的预测精度更为精准，误差很小。
总之，在本发明实施例中，所述步骤S30能够生成多个预测器，例如预测器1至预测器5，以对应所述的航站类别C1-C5。
步骤S40：依据所述聚类模型确定待预测航站所属的航站类别；
步骤S50：依据所述预测模型选定与所述待预测航站对应的预测器；以及
步骤S60：获取所述待预测航站的当前物流业务数据，利用所述对应的预测器进行预测出所述待预测航站在未来对航空集装设备的使用量。
在实际执行所述步骤S40至S60时，提供待预测航站的站名，系统能够自动依据所述聚类模型确定待预测航站所属的航站类别，然后自动选定与所述站名(或所述航站类别)对应的预测器，最后由所述预测器根据趋势变化，叠加周期变化及节假日项对未来进行预测，从而得到预测结果。
举例来讲，若要预测上海虹桥机场t2航站在未来对航空集装设备的使用量，由于预先已经将上海虹桥机场t2航站归入其中一航站类别(例如C1)，而相对应的预测器已经指向预测器1。亦即，航站与预测器之间的归属关系或者对应关系已经预先明确地建立起来。
因此接下来，可以顺利执行步骤S40、步骤S50、以及步骤S60得到预测结果。详细来讲，若待预测航站为上海虹桥机场t2航站，而且所述上海虹桥机场t2航站属于在所述步骤10中所指的物流网内航站的其中之一；那么预测系统会自动依据所述聚类模型确定上海虹桥机场t2航站所属的航站类别；再自动选定与上海虹桥机场t2航站相对应的预测器为预测器1；然后通过获得上海虹桥机场t2航站的当前物流业务数据，由所述预测器1进行预测，所述预测器1能够根据趋势变化，叠加周期变化及节假日项对未来进行预测，从而得到上海虹桥机场t2航站未来对航空集装设备的使用量。
在本发明实施例中，所述当前物流业务数据可以包括下列至少一者：
1.在短期内的航站货件量(或称货物量)；特别是在预设天数，例如最近15天，内的航站的历史货件量；
2.在短期内的航站对集装设备的需求量；特别是在所述预设天数，例如最近15天，内的航站对集装设备的历史需求量。
也就是说，获得上海虹桥机场t2航站在最近15天内的历史货件量以及在最近15天内对集装设备的历史需求量，就可以由对应的预测器(例如预测器1)进行预测，从而得到上海虹桥机场t2航站在未来(例如次日)对航空集装设备的使用量。
重复步骤S40至S60，还能预测其他航站在未来对航空集装设备的使用量，在此就不一一介绍。
本发明航空集装设备使用量的预测方法不仅仅局限于以上说明。
在另一实施例中，当待预测航站为物流网中加入的一个新航站时，本发明航空集装设备使用量的预测方法在执行步骤S40之前，还具有一步骤S401：获取待预测航站的历史特性数据。然后，再执行步骤S40，依据所述聚类模型确定所述待预测航站所属的航站类别。
举例来讲，若所述待预测航站为苏州站，而苏州站为物流网中刚添加的一个新航站。此时执行步骤S40是无法直接确定苏州站的航站类别；则需要先执行步骤S401，获取苏州站的历史特性数据；然后再执行步骤S40，由所述聚类模型确定苏州站所属的航站类别，或者是说由所述聚类模型依据所述苏州站的历史特性数据将所述苏州站归入其中一个航站类别中，例如C2；接着，执行步骤S50，依据所述预测模型选定与所述苏州站对应的预测器，例如预测器2；执行步骤S60，获取所述苏州站的当前物流业务数据并利用所述预测器2进行预测，得到次日所述苏州站对航空集装设备的使用量。
重复步骤S401、S40、S50、S60，可以预测其他新航站在未来对航空集装设备的使用量。
基于以上描述可知，本发明航空集装设备使用量的预测方法适用于预测所有航站。本发明航空集装设备使用量的预测方法采用先分类后预测的方式，能够使得所述预测器的预测能力更为精准，误差很小，从而降低各航站类别之间数据不平衡造成的预测精度不高的问题。同时，能够很大程度的取代实际业务中的人工经验估计法，提高预测精度。
为了能够更好地理解本发明航空集装设备使用量的预测方法，下面将参照图2所示，详细说明在本发明预测方法中采用的模型架构原理。
将本发明航空集装设备使用量的预测方法模型化，可以得到聚类模型10与预测模型20，然后通过所述预测模型20进行预测。
如图2所示，在建立所述聚类模型10时，首先，获取物流网内的航站的历史特性数据(Rm×n)，作为所述聚类模型10的输入参数；通过聚类算法(例如KMeans聚类算法)，将具有相同特性的航站聚为同一类，得到多个航站类别，例如航站类别C1-C5。更进一步的讲，根据类内距离与类间距离变化曲线决定最佳聚类中心数(例如图中的5类)，将物流网所有航站数据按照聚类结果划分成五类C1-C5。
所述聚类模型10的输入参数包括：1.航站所在的城市级别，例如航站是在一线城市还是二线城市；2.在一预设周期，例如近四年内的航站年均件量；3.在所述预设周期内的航站平均件量标准差；4.在所述预设周期内的航站件量平均变异系数；5.航站的年均件量一阶差分；6.航站的下属网点数量；7.航站的月均件量；8.航站的月均件量增长率；9.时序数据残差自相关系数与偏相关系数。
所述聚类模型10的输出结果是：航站类别，例如C1-C5。
在建立所述预测模型20时，首先，获取物流网内的航站的历史物流业务数据；基于所述历史物流业务数据在对应的航站类别内进行训练而预先得到多个预测器。也就是说，在采用相对应的预测器对类内数据样本进行训练，建立预测模型20。在本实施例中，所述预测模型20包括5个预测器，例如预测器1、预测器2、预测器3、预测器4以及预测器5，以分别对应所述的5个航站类别C1-C2。
在训练所述预测器时，要输入的参数包括：1.航站类别；2.航站的历史货件量(或称货物量)；特别是在15天之前的所有日期，航站的历史货件量；3.航站对集装设备的历史需求量；特别是在15天之前的所有日期，航站对集装设备的历史需求量。由所述预测模型20输出：次日所述待预测航站对集装设备的需求量。
在训练之后，进入实际的预测阶段时，只要确定待预测航站，例如上海虹桥机场t2航站；预测系统会依据所述聚类模型确定待预测航站所属的航站类别，并依据所述预测模型自动选定与所述待预测航站匹配相对应的预测器，例如预测器1；然后在相对应的预测器1中输入上海虹桥机场t2航站的当前物流业务数据，由所述预测器1进行预测，并输出预测结果，从而得到所述上海虹桥机场t2航站在次日对航空集装设备的使用量。
同理，上述预测模型20适用于预测所有航站。
当所述待预测航站属于物流网中预先确定的航站之一时，在预测阶段，预测系统会为所述待预测航站自动匹配相对应的预测器，由该预测器进行预测。
当所述待预测航站属于物流网内刚添加的一个新航站时，则需要“获取所述待预测航站的历史特性数据，再依据所述聚类模型确定待预测航站所属的航站类别”，亦即，需要通过Kmean算法对所述待预测航站进行分类，将其归入所述航站类别的其中之一，然后选定与匹配的预测器，由该预测器进行预测。
由以上说明可知，本发明航空集装设备使用量的预测方法能够代替人工经验预测方法，挖掘数据内在波动模式，提高预测精度。本发明还能够降低现有预测模型中因数据不平衡产生的小件量航站预测精度不足问题，提高预测精度，为航空调拨决策提供依据。
为能够更好地实施本发明上述实施例中所述的预测方法，本发明实施例中还提供一种航空集装设备使用量的预测装置，如图3所示，所述预测装置200包括：获取单元201、聚类单元202、以及预测单元203。
所述获取单元201，用于获取物流网内航站的历史特性数据和历史物流业务数据；
所述聚类单元202，用于根据所述历史特性数据建立聚类模型，将所述航站聚类成多个航站类别；
所述预测单元203，用于根据所述历史物流业务数据在对应的航站类别内进行训练建立预测模型，得到多个预测器，其中，所述预测器与所述航站类别一一对应；
其中，在预测时，所述聚类单元202能够确定待预测航站所属的航站类别；所述预测单元203能够选定与所述待预测航站对应的预测器；而通过所述获取单元201则能够获取所述待预测航站的当前物流业务数据，并利用选出的所述对应的预测器预测出所述待预测航站在未来对航空集装设备的使用量。
本发明还提供一种服务器，其集成了本发明实施例所提供的预测装置，所述服务器主要用来获取物流网内航站的历史特性数据和历史物流业务数据；基于所述历史特性数据建立聚类模型，将所述航站聚类成多个航站类别；基于所述历史物流业务数据在对应的航站类别内进行训练建立预测模型，得到多个预测器，其中，所述预测器与所述航站类别一一对应；依据所述聚类模型确定待预测航站所属的航站类别；依据所述预测模型选定与所述待预测航站对应的预测器；以及获取所述待预测航站的当前物流业务数据，利用所述对应的预测器预测出所述待预测航站在未来对航空集装设备的使用量。
本发明实施例提供的服务器包括：至少一个处理器、至少一个存储器；以及至少一个应用程序，其中所述应用程序被存储于所述存储器中，并配置为由所述处理器执行上述航空集装设备使用量的预测方法的步骤。
如图4所示，在其中一个实施例中，所述服务器100包括：处理器101、存储器102、电源103和输入单元104等部件。本领域技术人员可以理解，图4中示出的服务器100结构并不构成对服务器的限定，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。
所述处理器101是所述服务器100的控制中心，利用各种接口和线路连接整个服务器的各个部分，通过运行或执行存储在所述存储器102内的软件程序和/或模块，以及调用存储在应用程序存储器内的数据，执行应用程序服务器的各种功能和处理数据，从而对应用程序服务器进行整体监控。可选的，所述处理器101可包括一个或多个处理核心；优选的，所述处理器101可集成应用处理器和调制解调处理器，其中，所述应用处理器主要处理操作系统、用户界面和应用程序等，所述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中。
所述存储器102可用于存储软件程序以及模块，所述处理器101通过运行存储在存储器102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。所述存储器102可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；所述存储数据区可存储根据服务器100的使用所创建的数据等。此外，所述存储器102可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器102还可以包括存储器控制器，以提供处理器对存储器的访问。
所述电源103用来给各个部件供电，优选的，所述电源103可以通过电源管理系统与所述处理器101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。所述电源103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。
所述输入单元104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。
所述服务器100还可以包括显示单元等，尽管未示出，但由于其他功能单元并非本案发明重点，故在此不再赘述。具体在本实施例中，所述服务器100中的处理器101会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到所述存储器102中，并由所述处理器101来运行存储在所述存储器102中的应用程序，从而实现各种功能，如下：
获取物流网内航站的历史特性数据和历史物流业务数据；
基于所述历史特性数据建立聚类模型，将所述航站聚类成多个航站类别；
基于所述历史物流业务数据在对应的航站类别内进行训练建立预测模型，得到多个预测器，其中，所述预测器与所述航站类别一一对应；
依据所述聚类模型确定待预测航站所属的航站类别；
依据所述预测模型选定与所述待预测航站对应的预测器；以及
获取所述待预测航站的当前物流业务数据，利用所述对应的预测器预测出所述待预测航站在未来对航空集装设备的使用量。
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，该指令可以存储于一计算机可读存储介质中，并由处理器101进行加载和执行。
因此，本发明实施例提供一种存储介质，所述存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。其上存储有计算机程序，所述计算机程序被处理器101进行加载，以执行本发明实施例所提供的任一种航空集装设备使用量的预测方法中的步骤。例如，所述计算机程序被处理器101进行加载可以执行如下步骤：
获取物流网内航站的历史特性数据和历史物流业务数据；
基于所述历史特性数据建立聚类模型，将所述航站聚类成多个航站类别；
基于所述历史物流业务数据在对应的航站类别内进行训练建立预测模型，得到多个预测器，其中，所述预测器与所述航站类别一一对应；
依据所述聚类模型确定待预测航站所属的航站类别；
依据所述预测模型选定与所述待预测航站对应的预测器；以及
获取所述待预测航站的当前物流业务数据，利用所述对应的预测器预测出所述待预测航站在未来对航空集装设备的使用量。
综上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制。本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种航空集装设备使用量的预测方法，其特征在于：包括以下步骤：
S10：获取物流网内航站的历史特性数据和历史物流业务数据；
S20：基于所述历史特性数据建立聚类模型，将所述航站聚类成多个航站类别；
S30：基于所述历史物流业务数据在对应的航站类别内进行训练建立预测模型，得到多个预测器，其中，所述预测器与所述航站类别一一对应；
S40：依据所述聚类模型确定待预测航站所属的航站类别；
S50：依据所述预测模型选定与所述待预测航站对应的预测器；以及
S60：获取所述待预测航站的当前物流业务数据，利用所述对应的预测器预测出所述待预测航站在未来对航空集装设备的使用量。
2.如权利要求1所述的航空集装设备使用量的预测方法，其特征在于：所述步骤S20是通过Kmeans算法将具有相同特性的航站聚为同一类，从而得到所述的多个航站类别。
3.如权利要求1所述的航空集装设备使用量的预测方法，其特征在于：
在所述步骤S30中建立预测模型是对每一航站类别中的历史物流业务数据进行时序分析，构造训练集，从而得到与所述航站类别对应的预测器。
4.如权利要求1所述的航空集装设备使用量的预测方法，其特征在于：所述步骤S30的建立预测模型还包括以下步骤：
a)数据预处理；其中将所述航站的历史物流业务数据按时间维度排列，构成时间序列；
b)预测模型建模；其中评估所述历史物流业务数据的变化模式，进而初步确立预测模型参数，将由所述步骤a)得到的时间序列及所述初步确立的预测模型参数输入预测模型；以及
c)预测参数调整；选择出能够使得误差最小的模型参数。
5.如权利要求1所述的航空集装设备使用量的预测方法，其特征在于：所述预测方法还包括步骤S401：获取所述待预测航站的历史特性数据；
当所述待预测航站为在物流网中加入的一个新航站时，需要在执行所述步骤S40之前执行所述步骤S401。
6.一种航空集装设备使用量的预测装置，其特征在于：所述预测装置包括：
获取单元，用于获取物流网内航站的历史特性数据和历史物流业务数据；
聚类单元，用于根据所述历史特性数据建立聚类模型，将所述航站聚类成多个航站类别；
预测单元，用于根据所述历史物流业务数据在对应的航站类别内进行训练建立预测模型，得到多个预测器，其中，所述预测器与所述航站类别一一对应；
其中，在预测时，所述聚类单元能够确定待预测航站所属的航站类别；所述预测单元能够选定与所述待预测航站对应的预测器；而通过所述获取单元则能够获取所述待预测航站的当前物流业务数据，并利用选出的所述对应的预测器预测出所述待预测航站在未来对航空集装设备的使用量。
7.一种服务器，其特征在于，所述服务器包括：
至少一处理器；
至少一存储器；以及
至少一应用程序，其中所述应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现权利要求1至5中任一项所述的航空集装设备使用量的预测方法。
8.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行权利要求1至5中任一项所述的航空集装设备使用量的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911140682.5A CN112825158A (zh) | 2019-11-20 | 2019-11-20 | 预测方法、预测装置、服务器及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911140682.5A CN112825158A (zh) | 2019-11-20 | 2019-11-20 | 预测方法、预测装置、服务器及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112825158A true CN112825158A (zh) | 2021-05-21 |
Family
ID=75906817
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911140682.5A Pending CN112825158A (zh) | 2019-11-20 | 2019-11-20 | 预测方法、预测装置、服务器及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112825158A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060015396A1 (en) * | 2004-05-13 | 2006-01-19 | Johannes Blomeyer | System and method for optimizing the utilization of a cargo space and for maximizing the revenue from a cargo transport |
| JP2010182287A (ja) * | 2008-07-17 | 2010-08-19 | Steven C Kays | 適応型インテリジェント・デザイン |
| CN103606267A (zh) * | 2013-11-20 | 2014-02-26 | 天津市市政工程设计研究院 | 基于产生点-吸引点的港口道路网络交通量智能预判方法 |
| CN104992244A (zh) * | 2015-07-08 | 2015-10-21 | 中国民用航空总局第二研究所 | 一种基于sarima和rbf神经网络集成组合模型的机场货运量预测分析方法 |
| CN109002934A (zh) * | 2018-08-31 | 2018-12-14 | 华中科技大学 | 一种货运网络新建物流节点相关重要指标预测方法 |
-
2019
- 2019-11-20 CN CN201911140682.5A patent/CN112825158A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060015396A1 (en) * | 2004-05-13 | 2006-01-19 | Johannes Blomeyer | System and method for optimizing the utilization of a cargo space and for maximizing the revenue from a cargo transport |
| JP2010182287A (ja) * | 2008-07-17 | 2010-08-19 | Steven C Kays | 適応型インテリジェント・デザイン |
| CN103606267A (zh) * | 2013-11-20 | 2014-02-26 | 天津市市政工程设计研究院 | 基于产生点-吸引点的港口道路网络交通量智能预判方法 |
| CN104992244A (zh) * | 2015-07-08 | 2015-10-21 | 中国民用航空总局第二研究所 | 一种基于sarima和rbf神经网络集成组合模型的机场货运量预测分析方法 |
| CN109002934A (zh) * | 2018-08-31 | 2018-12-14 | 华中科技大学 | 一种货运网络新建物流节点相关重要指标预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 丁雪丽: ""基于TEI@I方法论的集装箱港口聚类研究"", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 06, pages 10 - 74 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109657354B (zh) | 一种基于数字孪生的混流装配车间快速重构方法及系统 | |
| CN109961248B (zh) | 运单投诉预测方法、装置、设备及其存储介质 | |
| US8423391B2 (en) | Systems and methods for automated parallelization of transport load builder | |
| Quadt et al. | Capacitated lot‐sizing and scheduling with parallel machines, back‐orders, and setup carry‐over | |
| 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 | |
| Wan et al. | Multi‐level, multi‐stage lot‐sizing and scheduling in the flexible flow shop with demand information updating | |
| CN111582584B (zh) | 基于航空公司公平性的航段运行时间优化方法 | |
| Schuh et al. | Methodology for the evaluation of forecast reliability of production planning systems | |
| CN102446135A (zh) | 软件质量的检测方法 | |
| CN111192090A (zh) | 航班的座位分配方法、装置、存储介质和电子设备 | |
| CN111950706A (zh) | 基于人工智能的数据处理方法、装置、计算机设备及介质 | |
| CN106874598A (zh) | 一种电能计量装置直配模式下的仓储配送网络优化设计方法 | |
| CN109886527A (zh) | 基于分支界定算法的电能计量检定生产智能排程方法及智能排程系统 | |
| CN113191533A (zh) | 仓库用工预测方法、装置、设备及存储介质 | |
| CN111260161A (zh) | 一种众包任务下发的方法及设备 | |
| CN117575187A (zh) | 铁路集装箱空箱调配能力参数动态标定方法及系统 | |
| CN112825158A (zh) | 预测方法、预测装置、服务器及存储介质 | |
| Schreiber et al. | Requirements for the benchmarking of decentralized manufacturing control systems | |
| CN113762842B (zh) | 仓储调度方法、服务器和系统 | |
| Asih et al. | Capacity planning and product allocations under testing time uncertainty in electronic industry | |
| Zennaro et al. | Buffer size evaluation in a bottle plant production system: a comparison between different solving methods | |
| CN113791595A (zh) | 分散控制系统测点数据导入方法、系统、设备及介质 | |
| CN113343166A (zh) | 一种基于离散事件仿真的物流库存管理系统 | |
| Zhou et al. | Location Model of Pallet Service Centers Based on the Pallet Pool Mode | |
| CN114444782A (zh) | 企业资产的管理方法、装置、存储介质及计算机设备 |
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 |