CN112990522A - 物品件量预测方法、装置、设备及存储介质 - Google Patents
物品件量预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112990522A CN112990522A CN201911289096.7A CN201911289096A CN112990522A CN 112990522 A CN112990522 A CN 112990522A CN 201911289096 A CN201911289096 A CN 201911289096A CN 112990522 A CN112990522 A CN 112990522A
- Authority
- CN
- China
- Prior art keywords
- risk
- article
- value
- prediction
- time period
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000002401 inhibitory effect Effects 0.000 claims abstract description 6
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000007726 management method Methods 0.000 description 73
- 230000000875 corresponding effect Effects 0.000 description 54
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 239000000463 material Substances 0.000 description 5
- 230000007423 decrease Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种物品件量预测方法、装置、设备及存储介质。该物品件量预测方法包括获取第一预测值、风险系数以及多个预测误差,所述第一预测值是指待测网点在待测时段的物品件量的预测值,所述风险系数用于抑制所述待测网点对应的业务风险的最大值;根据所述第一预测值、所述风险系数和所述各个预测误差,确定待测时段的目标件量;输出所述目标件量,所述目标件量用于指示所述待测网点在待测时段应投入的物品管理资源。本申请实施例中使得待测网点可以根据目标件量投入对应的物品管理资源,并降低待测网点的成本风险和业务风险。
Description
技术领域
本申请实施例涉及物流技术领域,具体涉及一种物品件量预测方法、装置、设备及存储介质。
背景技术
随着电商平台的快速发展,物流件量持续不断地增长。为了便于物流网点进行工作安排和资源预备,现有技术中,通过模型预测出物流网点的物流件量,以供物流网点根据物流件量的预测值进行工作安排和资源部署。
但是,通过模型预测得到的物流件量存在误差,即物流件量的预测值与物流件量的实际值并不完全相等。若物流网点完全依据预测结果进行工作安排和资源预备,当预测值比实际值偏小时,物流网点将会因准备的资源不足而带来物流件堆积、超时等业务风险;当预测值比实际值偏大时,网点将会因准备的资源剩余而造成资源浪费等成本风险。因此,对于物流网点而言,通过模型预测出的物流件量的参考价值相对较低。
发明内容
本申请实施例提供一种物品件量预测方法、装置、设备及存储介质,可以预测出待测网点在待测时段应投入物品管理资源的物品件量,并降低待测网点的成本风险和业务风险。
一方面,本申请实施例提供一种物品件量预测方法,所述方法包括:
获取第一预测值、风险系数以及多个预测误差,所述第一预测值是指待测网点在待测时段的物品件量的预测值,所述风险系数用于抑制所述待测网点对应的业务风险的最大值,所述预测误差是指所述待测网点在历史时段的物品件量的预测值与所述待测网点在历史时段的物品件量的真实值之差,所述待测时段滞后于所述历史时段;
根据所述第一预测值、所述风险系数和所述各个预测误差,确定待测时段的目标件量,所述目标件量是指所述待测网点在所述待测时段应投入物品管理资源的物品件量;
输出所述目标件量,所述目标件量用于指示所述待测网点在待测时段应投入的物品管理资源。
在本申请的一些实施例中,所述根据所述第一预测值、所述风险系数和所述各个预测误差,确定待测时段的目标件量,包括:
根据所述各个预测误差,确定实际件量的第一分布曲线,所述实际件量是指所述待测网点在所述待测时段的物品件量的真实值,所述第一分布曲线用于指示所述实际件量与所述第一预测值相等的概率;
根据所述第一分布曲线,确定所述待测时段的第一风险曲线,所述第一风险曲线是指业务风险与所述第一预测值的大小关系,所述业务风险用于指示所述目标件量对应的物品管理资源小于所述实际件量对应的物品管理资源的概率,其中,所述业务风险与物品件量成反关系;
根据所述第一风险曲线和所述风险系数,确定待测时段的目标件量。
在本申请的一些实施例中,所述根据所述第一风险曲线和所述风险系数,确定待测时段的目标件量,包括:
获取标准件量,所述标准件量是指所述待测网点日常投入物品管理资源的物品件量;
根据所述标准件量和所述风险系数,确定所述待测时段的第二风险曲线,所述第二风险曲线是指成本风险与所述第一预测值的大小关系,所述成本风险用于指示所述目标件量对应的物品管理资源大于所述实际件量对应的物品管理资源的概率,其中,所述成本风险与物品件量成正关系,所述成本风险与所述风险系数成正关系;
根据所述第一风险曲线和所述第二风险曲线,确定待测时段的目标件量。
在本申请的一些实施例中,所述根据所述第一风险曲线和所述第二风险曲线,确定待测时段的目标件量,包括:
根据所述第一风险曲线和所述第二风险曲线,获取目标风险值,所述目标风险值是指所述业务风险与所述成本风险之和的最小值;
获取与所述目标风险值对应的物品件量,作为所述待测时段的目标件量。
在本申请的一些实施例中,所述获取多个预测误差,包括:
获取多个第二预测值和多个历史真实值,所述第二预测值是指所述历史时段的物品件量的预测值,所述历史真实值是指所述历史时段的物品件量的真实值;
根据所述各个第二预测值和所述各个历史真实值,确定所述多个预测误差。
在本申请的一些实施例中,所述根据各个所述预测误差,确定实际件量的第一分布曲线,包括:
获取所述各个预测误差的方差和期望;
根据所述方差和所述期望,确定所述预测误差的第二分布曲线,所述预测误差服从高斯分布;
根据所述第二分布曲线和所述第一预测值,确定实际件量的第一分布曲线,所述第一分布曲线服从高斯分布。
在本申请的一些实施例中,所述获取第一预测值,包括:
获取多个历史值,所述历史值是指所述待测网点在历史时段的物品件量的真实值;
将所述各个历史值输入物品件量预测模型,以使得所述物品件量预测模型根据所述各个历史值进行分析得出所述第一预测值;
获取所述第一预测值。
另一方面,本申请实施例提供一种物品件量预测装置,所述物品件量预测装置包括:
获取单元,用于获取第一预测值、风险系数以及多个预测误差,所述第一预测值是指待测网点在待测时段的物品件量的预测值,所述风险系数用于抑制所述待测网点对应的业务风险的最大值,所述预测误差是指所述待测网点在历史时段的物品件量的预测值与所述待测网点在历史时段的物品件量的真实值之差,所述待测时段滞后于所述历史时段;
处理单元,用于根据所述获取单元获取的所述第一预测值、所述风险系数和所述各个预测误差,确定待测时段的目标件量,所述目标件量是指所述待测网点在所述待测时段应投入物品管理资源的物品件量;
输出单元,用于输出所述处理单元确定所述目标件量,所述目标件量用于指示所述待测网点在待测时段应投入的物品管理资源。
在本申请的一些实施例中,所述处理单元具体用于:
根据所述各个预测误差,确定实际件量的第一分布曲线,所述实际件量是指所述待测网点在所述待测时段的物品件量的真实值,所述第一分布曲线用于指示所述实际件量与所述第一预测值相等的概率;
根据所述第一分布曲线,确定所述待测时段的第一风险曲线,所述第一风险曲线是指业务风险与所述第一预测值的大小关系,所述业务风险用于指示所述目标件量对应的物品管理资源小于所述实际件量对应的物品管理资源的概率,其中,所述业务风险与物品件量成反关系;
根据所述第一风险曲线和所述风险系数,确定待测时段的目标件量。
在本申请的一些实施例中,所述处理单元具体用于:
获取标准件量,所述标准件量是指所述待测网点日常投入物品管理资源的物品件量;
根据所述标准件量和所述风险系数,确定所述待测时段的第二风险曲线,所述第二风险曲线是指成本风险与所述第一预测值的大小关系,所述成本风险用于指示所述目标件量对应的物品管理资源大于所述实际件量对应的物品管理资源的概率,其中,所述成本风险与物品件量成正关系,所述成本风险与所述风险系数成正关系;
根据所述第一风险曲线和所述第二风险曲线,确定待测时段的目标件量。
在本申请的一些实施例中,所述处理单元具体用于:
根据所述第一风险曲线和所述第二风险曲线,获取目标风险值,所述目标风险值是指所述业务风险与所述成本风险之和的最小值;
获取与所述目标风险值对应的物品件量,作为所述待测时段的目标件量。
在本申请的一些实施例中,所述获取单元具体用于:
获取多个第二预测值和多个历史真实值,所述第二预测值是指所述历史时段的物品件量的预测值,所述历史真实值是指所述历史时段的物品件量的真实值;
根据所述各个第二预测值和所述各个历史真实值,确定所述多个预测误差。
在本申请的一些实施例中,所述处理单元具体用于:
获取所述各个预测误差的方差和期望;
根据所述方差和所述期望,确定所述预测误差的第二分布曲线,所述预测误差服从高斯分布;
根据所述第二分布曲线和所述第一预测值,确定实际件量的第一分布曲线,所述第一分布曲线服从高斯分布。
在本申请的一些实施例中,所述获取单元具体用于:
获取多个历史值,所述历史值是指所述待测网点在历史时段的物品件量的真实值;
将所述各个历史值输入物品件量预测模型,以使得所述物品件量预测模型根据所述各个历史值进行分析得出所述第一预测值;
获取所述第一预测值。
另一方面,本申请实施例还提供一种物品件量预测设备,所述物品件量预测设备包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时执行本申请实施例提供的任一种物品件量预测方法中的步骤。
另一方面,本申请实施例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,以执行所述的物品件量预测方法中的步骤。
本申请实施例通过获取并根据第一预测值、风险系数和多个预测误差,确定并输出待测网点在待测时段的目标件量,其中,风险系数的大小决定了成本风险和业务风险高低,一方面,使得待测网点可以根据目标件量投入对应的物品管理资源;另一方面,由于结合风险系数确定目标件量,使得待测网点根据目标件量投入对应的物品管理资源时,成本风险和业务风险得到降低,进而提高了目标件量的参考价值。
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是本申请实施例中风险系数分别与成本风险、业务风险的关系示意图;
图2是本申请实施例中提供的物品件量预测方法的一个实施例流程示意图;
图3是本申请实施例中提供的步骤20的一个实施例流程示意图;
图4是本申请实施例第一分布曲线的示意图;
图5是本申请实施例第一风险曲线的示意图;
图6是本申请实施例第二风险曲线的示意图;
图7是本申请实施例综合风险曲线的示意图;
图8是本申请实施例中提供的物品件量预测装置的一个实施例结构示意图;
图9是本申请实施例中提供的物品件量预测设备的一个实施例结构示意图。
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。
在本申请实施例的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请实施例的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
为了使本领域任何技术人员能够实现和使用本申请,给出了以下描述。在以下描述中,为了解释的目的而列出了细节。应当明白的是,本领域普通技术人员可以认识到,在不使用这些特定细节的情况下也可以实现本申请。在其它实例中,不会对公知的过程进行详细阐述,以避免不必要的细节使本申请实施例的描述变得晦涩。因此,本申请并非旨在限于所示的实施例,而是与符合本申请实施例所公开的原理和特征的最广范围相一致。
首先,在介绍本申请实施例之前,先介绍下本申请实施例关于应用背景的相关内容。
在物流领域中,通过预测出网点每个时段(如每日)的物流件量(包括收件件量、派件件量等),以便于网点根据预测的件量做出该日的工作预备和安排,例如安排人力资源、物力资源。目前,主要是通过时序型模型进行物流件量的预测,这些预测模型以过去的件量作为输入,以未来的预测件量作为输出。然而,预测的物流件量与实际的物流件量并不会完全相等,网点负责人根据预测结果投入资源时,一方面要面临由于资源不足而带来的堆积、爆仓、超时等业务风险,另一方面要面临由于资源剩余而带来的成本浪费风险。现有的件量预测方法在给网点带来参考的同时,也让网点负责人陷入风险权衡的纠结之中。
例如,“双十一”等促销节中,由于很多产品相比平时有很大优惠,且受促销节气氛的影响,会大幅提升电商商品的销量。因此,网点的收件量、派件量也会激增,但网点实际的收件量、派件量与预测值不相等的可能性更大,网点负责人难以权衡如何投入资源。
基于现有的相关技术存在的上述缺陷,本申请实施例提供了物品件量预测方法,通过结合网点具体的业务情况,得出某网点应当投入的人力等资源的物流件量,至少在一定程度上克服现有的相关技术所存在的缺陷。
本申请实施例物品件量预测方法的执行主体可以为本申请实施例提供的物品件量预测装置,或者集成了该物品件量预测装置的服务器设备、物理主机或者用户设备(UserEquipment,UE)等不同类型的物品件量预测设备,其中,物品件量预测装置可以采用硬件或者软件的方式实现,UE具体可以为智能手机、平板电脑、笔记本电脑、掌上电脑、台式电脑或者个人数字助理(Personal Digital Assistant,PDA)等终端设备。
该物品件量预测设备可以采用单独运行的工作方式,或者也可以采用设备集群的工作方式,通过应用本申请实施例提供的物品件量预测方法,可以预测出网点在对应时段应当投入的人力等资源的物流件量。(在本申请实施例中,为了处理物流件而投入的人力、物力等资源称为物品管理资源。)
下面,开始介绍本申请实施例提供的物品件量预测方法,该物品件量预测方法包括:获取第一预测值、风险系数以及多个预测误差;根据所述第一预测值、所述风险系数和所述各个预测误差,确定待测时段的目标件量;输出目标件量。
其中,待测网点是指如物流网点等需要根据物品件量进行工作安排和资源部署的地点,例如物流中转站、快递网点等。待测时段可以是一天、一个星期、一个月,具体可视实际情况而定。第一预测值是指待测网点在待测时段的物品件量的预测值,例如,预测出待测网点在2010年11月11日一天的发件量为100件、在2010年11月一个月的收件量为1000件。
在本申请实施例中,在获取到第一预测值后,可以直接输出提供给待测网点,以供待测网点参考第一预测值确定应当投入的物品管理资源。但由于第一预测值是直接根据待测网点在历史时段的物品件量的真实值预测得出的,未结合网点对风险(如成本风险、业务风险)的接受程度,若待测网点直接参照第一预测值投入物品管理资源,容易出现较高的业务风险或成本风险。故进一步获取风险系数以及多个预测误差,综合第一预测值、风险系数以及多个预测误差,确定并输出待测时段的目标件量,以降低待测网点的成本风险或业务风险。
不同待测网点对于业务风险和成本风险的偏好不同,例如,物流网点1可以接受业务风险,但不能接受成本风险;物流网点2可以接受成本风险,但不能接受业务风险。并且不同网点对同一风险的接收程度不同,例如,物流网点3、物流网点4均可以接受业务风险,但物流网点3可接受的业务风险相对较低、物流网点4可接受的业务风险相对较高。在本申请实施例中通过风险系数来衡量待测网点可接受的风险以及可接受风险的程度。
风险系数用于抑制待测网点对应的业务风险的最大值,风险系数与业务风险成反关系,如所示。业务风险是指待测网点投入物品管理资源小于待测网点所需物品管理资源(即待测网点投入的物品管理资源不足的风险),因此待测网点投入的物品管理资源越少(也即待测网点投入物品管理资源小于待测网点所需物品管理资源的概率越大),业务风险越高。
同时,风险系数与成本风险成正关系,如图1所示。成本风险是指待测网点投入物品管理资源大于待测网点所需物品管理资源(即待测网点投入的物品管理资源浪费的风险),因此待测网点投入的物品管理资源越多(也即待测网点投入物品管理资源大于待测网点所需物品管理资源的概率越大),业务风险越高。
因此,平时物品件量较大的待测网点业务风险相对较高、成本风险相对较低,为了最大幅度降低整体风险,应当加大风险系数,以降低业务风险;即针对平时物品件量较大的待测网点,预测目标件量时,应加大风险系数。平时物品件量较小的待测网点业务风险相对较低、成本风险相对较高,为了最大幅度降低整体风险,应当减小风险系数,以降低成本风险;即针对平时物品件量较小的待测网点,预测目标件量时,应减小风险系数。
由此可见,通过调整风险系数,可以调整待测网点的业务风险和成本风险。用户可以根据待测网点对业务风险和成本风险的要求,直接将风险系数输入至物品件量预测设备,以降低待测网点的整体风险。或者物品件量预测设备可以根据待测网点平时的物品件量,确定风险系数。例如,风险系数的取值区间为[0.1,5],快递网点1平时每日的收件量为10,则确定风险系数为0.1;快递网点2平时每日的收件量为100,则确定风险系数为5。
参照图2,图2为本申请实施例提供的物品件量预测方法的一种流程示意图。需要说明的是,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。该物品件量预测方法包括:
10、获取第一预测值、风险系数以及多个预测误差。
在本申请实施例中,获取第一预测值的目的在于:(1)提供给待测网点参考,以供用户了解待测网点在待测时段的物品件量的预测值;(2)确定目标件量,以供用户根据目标件量,确定待测网点应投入的物品管理资源。其中,物品管理资源是指待测网点为了管理或处理物品而投入的人力、物力等资源,如快递网点会根据每日的物流件量投入人力、物力等资源。
预测误差是指待测网点在历史时段的物品件量的预测值与待测网点在历史时段的物品件量的真实值之差,待测时段滞后于历史时段,并且待测时段与历史时段存在关联。
作为一种实施方式,获取风险系数的步骤具体包括:首先,提供风险系数的取值区间,以供用户(如待测网点的负责人)选取,物流件量预测设备包括输入单元,以供基于输入单元输入待测网点的风险系数的取值。然后,获取用户为待测网点选取的取值作为风险系数。例如,提供风险系数的取值期间为(0.1,2),用户可以根据待测网点可接受的成本风险和业务风险,从(0.1,2)期间选取一个值作为风险系数。
获取第一预测值的方式有多种,例如,人工根据待测网点在各个历史时段的物品件量的真实值,直接预测得出第一预测值;如,待测网点在2010年11月11日的物流件量为100、在2011年11月11日的物流件量为200、在2012年11月11日的物流件量为300,人工根据待测网点在各个历史时段的物流件量,直接预测在待测时段2013年11月11日的物流件量为400。
为了降低第一预测值的误差,使得第一预测值更贴近待测网点在待测时段的物品件量的真实值,在本申请的一些实施例中,获取第一预测值的步骤包括:
(1)获取多个历史值。
其中,历史值是指待测网点在历史时段的物品件量的真实值。每个历史值对应了一个历史时段的物品件量的真实值,因此,多个历史值对应了多个历史时段的物品件量的真实值。例如,待测网点在历史时段1(如2000年1月)的物品件量的真实值为100、待测网点在历史时段2(如2000年2月)的物品件量的真实值为300。
(2)将所述各个历史值输入物品件量预测模型,以使得所述物品件量预测模型根据所述各个历史值进行分析得出所述第一预测值。
在本申请实施例中,采用预先训练好的深度学习模型作为物品件量预测模型,例如时间序列(prophet)模型、极端梯度提升(Extreme Gradient Boosting,xgboost)模型以及.长短期记忆(long-short term memory,LSTM)模型等时序型深度模型等。该深度学习模型可以通过大量的历史值(即待测网点在多个历史时段的物品件量的真实值)进行训练之后得到。将各个历史值输入至物品件量预测模型,通过物品件量预测模型预测出第一预测值。
(3)获取所述第一预测值。
最终,获取物品件量预测模型预测得出的第一预测值,以供后续根据第一预测值,确定目标件量。
在本申请实施例中,通过模型预测出第一预测值,由于模型预测通过大量的样本数据进行训练,模型预测的准确率相对较高,因此预测得出的第一预测值更加贴近于待测网点在待测时段的物品件量的真实值。
为了提高目标件量的参考价值,通过获取多个历史时段的物品件量的预测误差来确定目标件量。在本申请的一些实施例中,获取多个预测误差的步骤包括:
(1)获取多个第二预测值和多个历史真实值。
其中,第二预测值是指历史时段的物品件量的预测值。为了方便理解,以一具体例子进行说明。例如,通过模型预测得出待测网点在每年“双十一”电商促销节的物流件量的预测值yi’,其中,i表示年份。yi’表示多个第二预测值。
其中,历史真实值是指历史时段的物品件量的真实值。接以上的例子继续说明。例如,获取待测网点在每年“双十一”电商促销节的物流件量的真实值yi,其中,i表示年份。yi表示多个历史真实值。
(2)根据所述各个第二预测值和所述各个历史真实值,确定所述多个预测误差。
具体地,将每个历史时段的历史真实值减去该历史时段的第二预测值,得到每个历史时段的预测误差;同理,可得到多个预测误差,即多个历史时段对应了多个预测误差。为了方便理解,接以上步骤(1)的例子继续说明,待测网点对每年“双十一”电商促销节的物流件量的预测误差为:
εi=yi-y'i 公式(1)
在本申请实施例中,通过获取并根据多个历史时段的第二预测值和历史真实值,计算每个历史时段的预测误差,得到多个预测误差,由于历史时段的预测误差与待测时段的预测误差的关联性较强,因此为后续确定目标件量提供了精准的数据依据。
20、根据所述第一预测值、所述风险系数和所述各个预测误差,确定待测时段的目标件量。
其中,目标件量是指待测网点在待测时段应投入物品管理资源的物品件量。
作为一种实施方式,根据所述第一预测值、所述风险系数和所述各个预测误差,确定待测时段的目标件量的步骤包括:首先,计算各个预测误差的绝对值的均值。然后,计算各个预测误差的绝对值的均值与风险系数的乘积,得到第一预测值的偏置值。最后,将第一预测值与第一预测值的偏置值相加,得到目标件量。
由于随着风险系数增大,业务风险减小、成本风险增大;随着风险系数减小,业务风险增大、成本风险减小。因此,加大风险系数适用于平时人力等资源相对不足的待测网点,减小风险系数适用于平时人力等资源相对过剩的待测网点。
例如,风险系数处于取值区间(-5,5),目标件量=第一预测值+各个预测误差的绝对值的均值×风险系数,若风险系数为-5、第一预测值为50、各个预测误差的绝对值的均值为2,则目标件量=50+2×(-5)=40;若风险系数为45、第一预测值为50、各个预测误差的绝对值的均值为2,则目标件量=50+2×4=58。
由此可见,用户可以根据待测网点的实际情况来调整风险系数,以降低待测网点的整体风险。例如,平时物品件量较大的待测网点业务风险相对较高、成本风险相对较低,为了最大幅度降低整体风险,应当加大风险系数,以降低业务风险;即针对平时物品件量较大的待测网点,预测目标件量时,应加大风险系数。平时物品件量较小的待测网点业务风险相对较低、成本风险相对较高,为了最大幅度降低整体风险,应当减小风险系数,以降低成本风险;即针对平时物品件量较小的待测网点,预测目标件量时,应减小风险系数。
30、输出所述目标件量。
其中,目标件量用于指示待测网点在待测时段应投入的物品管理资源。
在本申请实施例中,若物品件量预测设备采用单独运行的工作方式,则在在确定目标件量后,可以直接通过物品件量预测设备的显示器等输出目标件量,以便用户直接查看目标件量,并根据目标件量投入物品管理资源。
若物品件量预测设备采用设备集群的工作方式,例如,物品件量预测设备包括云服务器和用户端,则通过云服务器获取第一预测值、预测误差和风险系数,确定目标件量;由用户端从云服务器获取目标件量并输出,以便用户在用户端查看目标件量,并根据目标件量投入物品管理资源。
在本申请实施例中,通过获取并根据第一预测值、风险系数和多个预测误差,确定并输出待测网点在待测时段的目标件量,一方面,使得待测网点可以根据目标件量投入对应的物品管理资源;另一方面,由于结合风险系数确定目标件量,使得待测网点根据目标件量投入对应的物品管理资源时,成本风险和业务风险得到降低,进而提高了目标件量的参考价值。并且,由于可以通过调整风险系数实现降低待测网点的业务风险或成本风险,因此通过风险系数可以满足不同待测网点对业务风险或成本风险的要求。
为了减小待测网点的成本风险和业务风险,以提高目标件量的参考价值,参照图3,在本申请的一些实施例中,根据所述第一预测值、所述风险系数和所述各个预测误差,确定待测时段的目标件量的步骤,具体包括:
201、根据所述各个预测误差,确定实际件量的第一分布曲线。
其中,实际件量是指待测网点在待测时段的物品件量的真实值,第一分布曲线用于指示实际件量与第一预测值相等的概率。
为了精准地确定实际件量的可能取值与第一预测值的关系,以及实际件量的每个可能取值的发生概率,在本申请的一些实施例中,根据各个所述预测误差,确定实际件量的第一分布曲线的步骤,具体包括:
(1)获取所述各个预测误差的方差和期望。
具体地,多个预测误差的期望符合以下公式:
多个预测误差的方差符合以下公式:
(2)根据所述方差和所述期望,确定所述预测误差的第二分布曲线。
其中,预测误差服从高斯分布。由于难以做到穷举所有时段的预测误差,为了简便计算,在本申请实施例中获取各个预测误差作为样本,计算样本方差,并将预测误差的样本方差近似为预测误差的总体方差;并将各个预测误差的期望的值近似为0。因此,预测误差服从(μ,σ2)的高斯分布(即正态分布),并且由正态分布的概率密度函数公式可知,预测误差的概率密度符合以下公式:
其中,ε表示预测误差,μ表示预测误差的期望,σ表示预测误差的标准差,π表示圆周率,故预测误差服从标准正态分布,即预测误差的第二分布曲线符合公式(4)的曲线关系。
(3)根据所述第二分布曲线和所述第一预测值,确定实际件量的第一分布曲线。
其中,第一分布曲线服从高斯分布。由于历史时段预测误差=历史时段的物品件量的真实值-历史时段的物品件量的预测值,即以上公式(4)中预测误差=历史真实值-第二预测值,采用yi表示历史时段i的物品件量的真实值、yi’表示历史时段i的物品件量的预测值,得到以下公式:
其中,yi表示历史时段i的物品件量的真实值,yi’表示历史时段i的物品件量的预测值,μ表示预测误差的期望,σ表示预测误差的标准差,π表示圆周率。由于μ=0,因此公式(5)也服从高斯分布,即yi也服从N(yi’,σ2)高斯分布,如图4(a)所示。
在本申请实施例中,近似认为待测时段的预测值(即第一预测值)和真实值(即实际件量)也符合以上公式(5)的关系,故令公式(5)中的yi’=y’,y’表示待测时段的物品件量的预测值(即第一预测值);令yi=x,x表示待测时段的物品件量的真实值(即实际件量),得到以下公式:
其中,P(x)表示实际件量等于x的概率,x表示待测时段的物品件量的真实值(即实际件量),y’表示待测时段的物品件量的预测值(即第一预测值),μ表示预测误差的期望,σ表示预测误差的标准差,π表示圆周率。
由于μ=0,由公式(6)可看出,待测时段的实际件量的可能取值也服从(y’,σ2)的高斯分布,如图4(b)所示。
在本申请实施例中,根据多个预测误差的方差和期望确定第二分布曲线后,再针对第一预测值和实际件量也符合第二分布曲线的函数关系,确定实际件量的第一分布曲线。一方面,使得第一分布曲线精准地反映了实际件量的可能取值与第一预测值的关系,以及实际件量的每个可能取值的发生概率。另一方面,为后续确定第一风险曲线和第二风险曲线提供了数据依据。
202、根据所述第一分布曲线,确定所述待测时段的第一风险曲线。
其中,第一风险曲线是指业务风险与第一预测值的大小关系,业务风险用于指示目标件量对应的物品管理资源小于实际件量对应的物品管理资源的概率,其中,业务风险与物品件量成反关系。
具体地,由于随着待测网点投入的物品管理资源的增加、待测网点面临的业务风险越小(即目标件量对应的物品管理资源小于实际件量对应的物品管理资源的概率越小),如图5所示,因此在本申请实施例中,结合实际件量的第一分布曲线,定义第一风险曲线为:
其中,Dy(x)表示目标件量对应的物品管理资源小于实际件量x对应的物品管理资源的概率(即表示业务风险的大小),x表示待测时段的物品件量的真实值(即实际件量),y’表示待测时段的物品件量的预测值(即第一预测值),μ表示预测误差的期望,σ表示预测误差的标准差,π表示圆周率。
203、根据所述第一风险曲线和所述风险系数,确定待测时段的目标件量。
在本申请实施例中,通过第一预测值和多个历史预测误差确定第一风险曲线后,再依据第一风险曲线和风险系数确定待测时段的目标件量。由于第一风险曲线贴切地反映了待测网点的业务风险,目标件量又是依据第一风险曲线确定,因此待测网点根据目标件量投入物品管理资源时,成本风险和业务风险整体降低,提高了目标件量的参考价值。
为了降低待测网点的成本风险和业务风险,在本申请的一些实施例中,根据所述第一风险曲线和所述风险系数,确定待测时段的目标件量的步骤包括:
(1)获取标准件量。
其中,标准件量是指待测网点日常投入物品管理资源的物品件量。由于不同的待测网点,日常投入物品管理资源也不同,因此,针对不同的待测网点,标准件量不同。在本申请实施例中,物品件量预测装置包括输入单元,可以由人通过输入单元将标准件量输入至物品件量预测装置,从而物品件量预测装置实现获取标准件量。
(2)根据所述标准件量和所述风险系数,确定所述待测时段的第二风险曲线。
其中,第二风险曲线是指成本风险与第一预测值的大小关系,成本风险用于指示目标件量对应的物品管理资源大于实际件量对应的物品管理资源的概率,其中,成本风险与物品件量成正关系,成本风险与风险系数成正关系。
由于随着待测网点投入的物品管理资源的增加,待测网点面临的成本风险减小(即目标件量对应的物品管理资源大于实际件量对应的物品管理资源的概率越大)。因此,如图6所示,在本申请实施例中,结合实际件量的第一分布曲线,定义第二风险曲线为:
Dc(x)=kλx+C 公式(8)
其中,Dc(x)表示目标件量对应的物品管理资源大于实际件量x对应的物品管理资源的概率(即表示成本风险的大小),x表示待测时段的物品件量的真实值(即实际件量),kλ表示第二风险曲线的斜率,k表示风险系数,表示平衡参数,σ表示预测误差的标准差,π表示圆周率,C为常数。
其中,当目标件量小于标准件量时,虽然目标件量对应的物品管理资源大于实际件量对应的物品管理资源,但是待测网点仍会按照标准件量投入物品管理资源,因此不认为浪费资源(即认为不存在成本风险)。因此,从投入物品管理资源的物品件量等于标准件量y0开始,随着投入物品管理资源的物品件量增加,成本风险增大。因此,Dc(x)=kλy0+C=0,常数C=-kλy0。
(3)根据所述第一风险曲线和所述第二风险曲线,确定待测时段的目标件量。
在本申请实施例中,通过同时依据第一风险曲线和第二风险曲线,确定待测时段的目标件量,由于第一风险曲线反映了业务风险与物品件量的关系、第二风险曲线反映了成本风险与物品件量的关系,综合第一风险曲线和第二风险曲线确定目标件量,使得待测网点根据目标件量投入物品管理资源时,整体风险较低。
在本申请的一些实施例中,根据所述第一风险曲线和所述第二风险曲线,确定待测时段的目标件量的步骤,具体包括:根据所述第一风险曲线和所述第二风险曲线,获取目标风险值;获取与所述目标风险值对应的物品件量,作为所述待测时段的目标件量。其中,目标风险值是指业务风险与成本风险之和的最小值。
具体地,首先,根据第一风险曲线和第二风险曲线,确定待测时间的综合风险曲线,如图7所示。其中,综合风险曲线用于指示待测网点的综合风险与第一件量预测值的大小关系,综合风险是指待测网点投入资源不足的风险(即业务风险)与待测网点投入资源浪费的风险(即成本风险)之和。例如,业务风险为50、业务风险为30,则综合风险=50+30=80。
然后,根据综合风险曲线,确定综合风险的最小取值。具体地,由于物品件量处于第一预测值的2σ区间时,包含了实际件量可能发生的绝大部分区间、对应业务风险较小且对应所需的物品管理资源相对较低;因此,根据综合风险曲线以及第一预测值的2σ区间,确定对应物品件量处于第一预测值的2σ区间时,综合风险的最小取值。
最后,根据综合风险曲线和综合风险的最小取值,获取综合风险的最小取值对应的物品件量,作为待测时间的目标件量。
在本申请实施例中,通过第一风险曲线与第二风险曲线叠加得到综合风险曲线,再根据综合风险曲线,选取成本风险与业务风险之和最小时对应的物品件量,作为目标件量,从而精准地确定了成本风险与业务风险之和的最小值,降低了待测网点的整体风险,提高了目标件量的参考价值。
为了更好实施本申请实施例中物品件量预测方法,在物品件量预测方法基础之上,本申请实施例中还提供一种物品件量预测装置,如图8所示,为本申请实施例中物品件量预测装置的一个实施例结构示意图,该物品件量预测装置800包括:
获取单元801,用于获取第一预测值、风险系数以及多个预测误差,所述第一预测值是指待测网点在待测时段的物品件量的预测值,所述风险系数用于抑制所述待测网点对应的业务风险的最大值,所述预测误差是指所述待测网点在历史时段的物品件量的预测值与所述待测网点在历史时段的物品件量的真实值之差,所述待测时段滞后于所述历史时段;
获取单元802,用于根据所述获取单元801获取的所述第一预测值、所述风险系数和所述各个预测误差,确定待测时段的目标件量,所述目标件量是指所述待测网点在所述待测时段应投入物品管理资源的物品件量;
输出单元803,用于输出所述处理单元802确定所述目标件量,所述目标件量用于指示所述待测网点在待测时段应投入的物品管理资源。
在本申请的一些实施例中,所述获取单元802具体用于:
根据所述各个预测误差,确定实际件量的第一分布曲线,所述实际件量是指所述待测网点在所述待测时段的物品件量的真实值,所述第一分布曲线用于指示所述实际件量与所述第一预测值相等的概率;
根据所述第一分布曲线,确定所述待测时段的第一风险曲线,所述第一风险曲线是指业务风险与所述第一预测值的大小关系,所述业务风险用于指示所述目标件量对应的物品管理资源小于所述实际件量对应的物品管理资源的概率,其中,所述业务风险与物品件量成反关系;
根据所述第一风险曲线和所述风险系数,确定待测时段的目标件量。
在本申请的一些实施例中,所述获取单元802具体用于:
获取标准件量,所述标准件量是指所述待测网点日常投入物品管理资源的物品件量;
根据所述标准件量和所述风险系数,确定所述待测时段的第二风险曲线,所述第二风险曲线是指成本风险与所述第一预测值的大小关系,所述成本风险用于指示所述目标件量对应的物品管理资源大于所述实际件量对应的物品管理资源的概率,其中,所述成本风险与物品件量成正关系,所述成本风险与所述风险系数成正关系;
根据所述第一风险曲线和所述第二风险曲线,确定待测时段的目标件量。
在本申请的一些实施例中,所述获取单元802具体用于:
根据所述第一风险曲线和所述第二风险曲线,获取目标风险值,所述目标风险值是指所述业务风险与所述成本风险之和的最小值;
获取与所述目标风险值对应的物品件量,作为所述待测时段的目标件量。
在本申请的一些实施例中,所述获取单元801具体用于:
获取多个第二预测值和多个历史真实值,所述第二预测值是指所述历史时段的物品件量的预测值,所述历史真实值是指所述历史时段的物品件量的真实值;
根据所述各个第二预测值和所述各个历史真实值,确定所述多个预测误差。
在本申请的一些实施例中,所述获取单元802具体用于:
获取所述各个预测误差的方差和期望;
根据所述方差和所述期望,确定所述预测误差的第二分布曲线,所述预测误差服从高斯分布;
根据所述第二分布曲线和所述第一预测值,确定实际件量的第一分布曲线,所述第一分布曲线服从高斯分布。
在本申请的一些实施例中,所述获取单元801具体用于:
获取多个历史值,所述历史值是指所述待测网点在历史时段的物品件量的真实值;
将所述各个历史值输入物品件量预测模型,以使得所述物品件量预测模型根据所述各个历史值进行分析得出所述第一预测值;
获取所述第一预测值。
具体实施时,以上各个单元可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个单元的具体实施可参见前面的方法实施例,在此不再赘述。
由上可知,本申请实施例中获取单元801获取第一预测值、风险系数和多个预测误差,由处理单元802根据第一预测值、风险系数和多个预测误差,确定待测网点在待测时段的目标件量,再由输出单元802输出目标件量,其中,风险系数的大小决定了成本风险和业务风险高低,一方面,使得待测网点可以根据目标件量投入对应的物品管理资源;另一方面,由于结合风险系数确定目标件量,使得待测网点根据目标件量投入对应的物品管理资源时,成本风险和业务风险得到降低,进而提高了目标件量的参考价值。
此外,为了更好实施本申请实施例中物品件量预测方法,在物品件量预测方法基础之上,本申请实施例还提供一种物品件量预测设备,参阅图9,图9示出了本申请实施例物品件量预测设备的一种结构示意图,具体的,本申请实施例提供的物品件量预测设备包括处理器901,处理器901用于执行存储器902中存储的计算机程序时实现如图1至图7对应任意实施例中物品件量预测方法的各步骤;或者,处理器901用于执行存储器902中存储的计算机程序时实现如图8对应实施例中各单元的功能。
示例性的,计算机程序可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器902中,并由处理器901执行,以完成本申请实施例。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在计算机装置中的执行过程。
物品件量预测设备可包括,但不仅限于处理器901、存储器902。本领域技术人员可以理解,示意仅仅是物品件量预测设备的示例,并不构成对物品件量预测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如物品件量预测设备还可以包括输入输出设备、网络接入设备、总线等,处理器901、存储器902、输入输出设备以及网络接入设备等通过总线相连。
处理器901可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,处理器是物品件量预测设备的控制中心,利用各种接口和线路连接整个物品件量预测设备的各个部分。
存储器902可用于存储计算机程序和/或模块,处理器901通过运行或执行存储在存储器902内的计算机程序和/或模块,以及调用存储在存储器902内的数据,实现计算机装置的各种功能。存储器902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;存储数据区可存储根据物品件量预测设备的使用所创建的数据(比如音频数据、视频数据等)等。此外,存储器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,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、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。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的物品件量预测装置、设备及其相应单元的具体工作过程,可以参考如图1至图7对应任意实施例中物品件量预测方法的说明,具体在此不再赘述。
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,该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计算机可读存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本申请如图1至图7对应任意实施例中物品件量预测方法中的步骤,具体操作可参考如图1至图7对应任意实施例中物品件量预测方法的说明,在此不再赘述。
其中,该计算机可读存储介质可以包括: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。
由于该计算机可读存储介质中所存储的指令,可以执行本申请如图1至图7对应任意实施例中物品件量预测方法中的步骤,因此,可以实现本申请如图1至图7对应任意实施例中物品件量预测方法所能实现的有益效果,详见前面的说明,在此不再赘述。
以上对本申请实施例所提供的一种物品件量预测方法、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)
1.一种物品件量预测方法,其特征在于,所述方法包括:
获取第一预测值、风险系数以及多个预测误差,所述第一预测值是指待测网点在待测时段的物品件量的预测值,所述风险系数用于抑制所述待测网点对应的业务风险的最大值,所述预测误差是指所述待测网点在历史时段的物品件量的预测值与所述待测网点在历史时段的物品件量的真实值之差,所述待测时段滞后于所述历史时段;
根据所述第一预测值、所述风险系数和所述各个预测误差,确定待测时段的目标件量,所述目标件量是指所述待测网点在所述待测时段应投入物品管理资源的物品件量;
输出所述目标件量,所述目标件量用于指示所述待测网点在待测时段应投入的物品管理资源。
2.根据权利要求1所述的物品件量预测方法,其特征在于,所述根据所述第一预测值、所述风险系数和所述各个预测误差,确定待测时段的目标件量,包括:
根据所述各个预测误差,确定实际件量的第一分布曲线,所述实际件量是指所述待测网点在所述待测时段的物品件量的真实值,所述第一分布曲线用于指示所述实际件量与所述第一预测值相等的概率;
根据所述第一分布曲线,确定所述待测时段的第一风险曲线,所述第一风险曲线是指业务风险与所述第一预测值的大小关系,所述业务风险用于指示所述目标件量对应的物品管理资源小于所述实际件量对应的物品管理资源的概率,其中,所述业务风险与物品件量成反关系;
根据所述第一风险曲线和所述风险系数,确定待测时段的目标件量。
3.根据权利要求2所述的物品件量预测方法,其特征在于,所述根据所述第一风险曲线和所述风险系数,确定待测时段的目标件量,包括:
获取标准件量,所述标准件量是指所述待测网点日常投入物品管理资源的物品件量;
根据所述标准件量和所述风险系数,确定所述待测时段的第二风险曲线,所述第二风险曲线是指成本风险与所述第一预测值的大小关系,所述成本风险用于指示所述目标件量对应的物品管理资源大于所述实际件量对应的物品管理资源的概率,其中,所述成本风险与物品件量成正关系,所述成本风险与所述风险系数成正关系;
根据所述第一风险曲线和所述第二风险曲线,确定待测时段的目标件量。
4.根据权利要求3所述的物流品件量预测方法,其特征在于,所述根据所述第一风险曲线和所述第二风险曲线,确定待测时段的目标件量,包括:
根据所述第一风险曲线和所述第二风险曲线,获取目标风险值,所述目标风险值是指所述业务风险与所述成本风险之和的最小值;
获取与所述目标风险值对应的物品件量,作为所述待测时段的目标件量。
5.根据权利要求2所述的物品件量预测方法,其特征在于,所述获取多个预测误差,包括:
获取多个第二预测值和多个历史真实值,所述第二预测值是指所述历史时段的物品件量的预测值,所述历史真实值是指所述历史时段的物品件量的真实值;
根据所述各个第二预测值和所述各个历史真实值,确定所述多个预测误差。
6.根据权利要求5所述的物品件量预测方法,其特征在于,所述根据各个所述预测误差,确定实际件量的第一分布曲线,包括:
获取所述各个预测误差的方差和期望;
根据所述方差和所述期望,确定所述预测误差的第二分布曲线,所述预测误差服从高斯分布;
根据所述第二分布曲线和所述第一预测值,确定实际件量的第一分布曲线,所述第一分布曲线服从高斯分布。
7.根据权利要求1-6任一项所述的物品件量预测方法,其特征在于,所述获取第一预测值,包括:
获取多个历史值,所述历史值是指所述待测网点在历史时段的物品件量的真实值;
将所述各个历史值输入物品件量预测模型,以使得所述物品件量预测模型根据所述各个历史值进行分析得出所述第一预测值;
获取所述第一预测值。
8.一种物品件量预测装置,其特征在于,所述物品件量预测装置包括:
获取单元,用于获取第一预测值、风险系数以及多个预测误差,所述第一预测值是指待测网点在待测时段的物品件量的预测值,所述风险系数用于抑制所述待测网点对应的业务风险的最大值,所述预测误差是指所述待测网点在历史时段的物品件量的预测值与所述待测网点在历史时段的物品件量的真实值之差,所述待测时段滞后于所述历史时段;
处理单元,用于根据所述获取单元获取的所述第一预测值、所述风险系数和所述各个预测误差,确定待测时段的目标件量,所述目标件量是指所述待测网点在所述待测时段应投入物品管理资源的物品件量;
输出单元,用于输出所述处理单元确定所述目标件量,所述目标件量用于指示所述待测网点在待测时段应投入的物品管理资源。
9.一种物品件量预测设备,其特征在于,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时执行如权利要求1至7任一项所述的物品件量预测方法。
10.一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7任一项所述的物品件量预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911289096.7A CN112990522A (zh) | 2019-12-12 | 2019-12-12 | 物品件量预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911289096.7A CN112990522A (zh) | 2019-12-12 | 2019-12-12 | 物品件量预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112990522A true CN112990522A (zh) | 2021-06-18 |
Family
ID=76342928
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911289096.7A Pending CN112990522A (zh) | 2019-12-12 | 2019-12-12 | 物品件量预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112990522A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016047949A1 (ko) * | 2014-09-24 | 2016-03-31 | 삼성에스디에스 주식회사 | 물류 리스크 예측 방법 및 그 장치 |
CN109284908A (zh) * | 2018-09-03 | 2019-01-29 | 深圳市智物联网络有限公司 | 一种工业设备风险分析方法、系统及相关设备 |
CN109829592A (zh) * | 2019-03-07 | 2019-05-31 | 深圳市丰巢科技有限公司 | 一种快递柜用户的流失预测方法、装置、设备和存储介质 |
CN110110882A (zh) * | 2019-03-21 | 2019-08-09 | 平安直通咨询有限公司上海分公司 | 风险预测方法、装置、计算机设备和存储介质 |
CN110309965A (zh) * | 2019-06-26 | 2019-10-08 | 国家电网有限公司 | 一种基于改进支持向量机的电网投资需求预测方法及系统 |
CN110349012A (zh) * | 2019-07-12 | 2019-10-18 | 腾讯科技(深圳)有限公司 | 数据预测方法及计算机可读存储介质 |
CN110493190A (zh) * | 2019-07-15 | 2019-11-22 | 平安科技(深圳)有限公司 | 数据信息的处理方法、装置、计算机设备和存储介质 |
CN110490595A (zh) * | 2019-07-26 | 2019-11-22 | 阿里巴巴集团控股有限公司 | 一种风险控制方法和装置 |
-
2019
- 2019-12-12 CN CN201911289096.7A patent/CN112990522A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016047949A1 (ko) * | 2014-09-24 | 2016-03-31 | 삼성에스디에스 주식회사 | 물류 리스크 예측 방법 및 그 장치 |
CN109284908A (zh) * | 2018-09-03 | 2019-01-29 | 深圳市智物联网络有限公司 | 一种工业设备风险分析方法、系统及相关设备 |
CN109829592A (zh) * | 2019-03-07 | 2019-05-31 | 深圳市丰巢科技有限公司 | 一种快递柜用户的流失预测方法、装置、设备和存储介质 |
CN110110882A (zh) * | 2019-03-21 | 2019-08-09 | 平安直通咨询有限公司上海分公司 | 风险预测方法、装置、计算机设备和存储介质 |
CN110309965A (zh) * | 2019-06-26 | 2019-10-08 | 国家电网有限公司 | 一种基于改进支持向量机的电网投资需求预测方法及系统 |
CN110349012A (zh) * | 2019-07-12 | 2019-10-18 | 腾讯科技(深圳)有限公司 | 数据预测方法及计算机可读存储介质 |
CN110493190A (zh) * | 2019-07-15 | 2019-11-22 | 平安科技(深圳)有限公司 | 数据信息的处理方法、装置、计算机设备和存储介质 |
CN110490595A (zh) * | 2019-07-26 | 2019-11-22 | 阿里巴巴集团控股有限公司 | 一种风险控制方法和装置 |
Non-Patent Citations (1)
Title |
---|
高瑞 等: "基于用户侧可调节资源的售电公司实时市场偏差电量管控策略", 电力建设, vol. 40, no. 06, 30 June 2019 (2019-06-30), pages 114 - 122 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108833458B (zh) | 一种应用推荐方法、装置、介质及设备 | |
US20150324326A1 (en) | Techniques to perform curve fitting for statistical tests | |
CN110363468B (zh) | 采购订单的确定方法、装置、服务器及可读存储介质 | |
CN110738508A (zh) | 一种数据分析方法和装置 | |
CN112215473B (zh) | 一种配送压力数据的获得方法、装置、电子设备 | |
CN110991761A (zh) | 一种供热负荷预测方法及装置 | |
CN115018119A (zh) | 用电负荷预测方法及系统 | |
CN112990522A (zh) | 物品件量预测方法、装置、设备及存储介质 | |
CN112347417A (zh) | 补货量确定方法和装置 | |
CN116737373A (zh) | 负载均衡方法、装置、计算机设备、存储介质 | |
CN108830480B (zh) | 一种erp采购计算方法及其系统 | |
CN114387085A (zh) | 流水数据处理方法、装置、计算机设备和存储介质 | |
US20140012621A1 (en) | Risk management device | |
CN114971736A (zh) | 电力计量物资需求预测方法、装置、电子设备和存储介质 | |
CN110264306B (zh) | 基于大数据的产品推荐方法、装置、服务器及介质 | |
CN109727053B (zh) | 对象投放的确定方法、装置以及计算机可读存储介质 | |
CN111191945A (zh) | 标准制修订完成水平的计算方法及设备 | |
CN114757626B (zh) | 货物取件管理方法、系统和存储介质 | |
CN117611425B (zh) | 图形处理器算力配置方法、装置、计算机设备和存储介质 | |
CN114996113B (zh) | 大数据的线上用户异常操作实时监控预警方法及装置 | |
US20230252350A1 (en) | Machine learning method | |
CN110716830B (zh) | 一种压测机选择方法、装置、电子设备及存储介质 | |
CN113592658A (zh) | 一种基金投资绩效评估方法及其相关设备 | |
CN116050816A (zh) | 行为调整策略的确定方法、装置、计算机设备和存储介质 | |
CN113536668A (zh) | 燃气系统供气负荷预测方法、装置、终端设备及存储介质 |
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 |