CN112990826B - 一种短时物流需求预测方法、装置、设备及可读存储介质 - Google Patents

一种短时物流需求预测方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN112990826B
CN112990826B CN202110404643.2A CN202110404643A CN112990826B CN 112990826 B CN112990826 B CN 112990826B CN 202110404643 A CN202110404643 A CN 202110404643A CN 112990826 B CN112990826 B CN 112990826B
Authority
CN
China
Prior art keywords
short
time
demand prediction
model
logistics demand
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.)
Expired - Fee Related
Application number
CN202110404643.2A
Other languages
English (en)
Other versions
CN112990826A (zh
Inventor
陈彦如
冉茂亮
杨新彪
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202110404643.2A priority Critical patent/CN112990826B/zh
Publication of CN112990826A publication Critical patent/CN112990826A/zh
Application granted granted Critical
Publication of CN112990826B publication Critical patent/CN112990826B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/06—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种短时物流需求预测方法、装置、设备及可读存储介质，涉及物流需求预测技术领域，包括获取第一信息。所述第一信息包括经过EEMD和LMD对第一时间段内的历史物流数据进行分解后的特征信息，再建立LSTM预测模型进行物流需求预测，再通过误差校正数学模型校正物流需求预测。本发明通过针对短时物流数据具有的非平稳性、强随机性、局部突变及非线性等特征，从特征分解和特征提取两个角度出发，提出了EEMD‑LMD‑LSTM‑LEC模型，解决了非线性的原始需求不平稳导致直接预测的预测误差较大以及预测滞后性的问题，提高了预测精度。

Description

一种短时物流需求预测方法、装置、设备及可读存储介质
技术领域
本发明涉及短时物流需求预测技术领域，具体而言，涉及短时物流需求预测方法、装置、设备及可读存储介质。
背景技术
国内外学者在物流需求预测上的研究对象主要是以年为统计单位的物流需求量，其数据变化趋势相对平稳，但是应对于短时物流需求即对于以若干小时为计量单位的物流需求量，其物流数据具有非平稳、强随机性、局部突变等特征，已有研究方法直接应用短时物流需求预测，预测结果出现了严重的滞后性，精度难以保证，无法应对物流数据在数量、时间上呈现随机游走的特征。
发明内容
本发明的目的在于提供一种短时物流需求预测方法、装置、设备及可读存储介质，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
第一方面，本申请提供了一种短时物流需求预测方法，包括获取第一信息，所述第一信息包括第一时间段内的历史物流数据，所述第一时间段为以当前时刻为统计终点的一段时间；基于第一信息，以预设时间段为单位将所述第一信息分割为多个子集并构成样本集，统计每个所述子集内的实际物流需求值，选取时间段最晚的两个所述子集构成预测集；建立基于特征分解和特征提取的短时物流需求预测模型，利用所述样本集对所述短时物流需求预测模型进行训练，得到训练后的所述短时物流需求预测模型；将所述预测集作为训练后的所述短时物流需求预测模型的输入信息，求解训练后的所述短时物流需求预测模型得到第二时间段内的短时物流需求预测结果，所述第二时间段为以当前时刻为统计起点的一段时间。
进一步地，所述建立基于特征分解和特征提取的短时物流需求预测模型，利用所述样本集对所述短时物流需求预测模型进行训练，得到训练后的所述短时物流需求预测模型，包括：建立基于集成经验模态分解和长短时记忆神经网络的第一需求预测模型，利用样本集对所述第一需求预测模型进行训练得到训练后的所述第一需求预测模型；建立基于局部均值分解和长短时记忆神经网络的第二需求预测模型，利用训练集对所述第二需求预测模型进行训练得到训练后的所述第二需求预测模型；建立融合预测模型，所述融合预测模型的输入信息包括所述第一需求预测模型的预测结果和所述第二需求预测模型的预测结果，所述融合预测模型的输出信息包括第二时间段内的短时物流需求预测结果。
进一步地，所述求解训练后的所述短时物流需求预测模型得到第二时间段内的短时物流需求预测结果之后，包括：建立局部误差校正数学模型，将所述第二时间段内的短时物流需求预测结果和所述样本集作为所述局部误差校正数学模型的输入信息，求解所述误差校正数学模型得到校正后的第二时间段内的短时物流需求预测结果。
进一步地，所述建立局部误差校正数学模型，将所述第二时间段内的短时物流需求预测结果和所述样本集作为所述局部误差校正数学模型的输入信息，求解所述误差校正数学模型得到校正后的第二时间段内的短时物流需求预测结果，包括：在所有所述子集中排除时间段最早的两个所述子集，将剩余的所述子集作为数据集；将所述样本集作为训练后的所述短时物流需求预测模型的输入信息，求解训练后的所述短时物流需求预测模型得到数据集内每个子集所对应的短时物流需求预测结果；将数据集内每个子集所对应的短时物流需求预测结果与所对应的实际物流需求值做差得到误差集；建立误差短时预测模型，并利用所述误差集训练所述误差短时预测模型得到训练后的所述误差短时预测模型，将所述误差集中时间段最晚的两个所述子集所对应的误差作为所述训练后的所述误差短时预测模型的输入信息，求解训练后的所述误差短时预测模型得到误差集预测结果；根据所述预测集和所述第二时间段内的短时物流需求预测结果建立局部突变状态判断数学模型，求解所述局部突变状态判断数学模型得到第四信息，所述第四信息包括所述第二时间段为突变状态、第二时间段为非突变状态和第二时间段为负值点；建立校正数据数学模型，所述校正数据数学模型的输入信息包括所述第二时间段内的短时物流需求预测结果、误差集预测结果和所述第四信息，所述校正数据数学模型的输出信息包括校正后的第二时间段内的短时物流需求预测结果。
第二方面，本申请还提供了一种短时物流需求预测装置，包括第一信息获取单元、信息分割单元、训练单元和预测单元。第一信息获取单元用于获取第一信息，所述第一信息包括第一时间段内的历史物流数据，所述第一时间段为以当前时刻为统计终点的一段时间；信息分割单元用于基于第一信息，以预设时间段为单位将所述第一信息分割为多个子集并构成样本集，统计每个所述子集内的实际物流需求值，选取时间段最晚的两个所述子集构成预测集；训练单元用于建立基于特征分解和特征提取的短时物流需求预测模型，利用所述样本集对所述短时物流需求预测模型进行训练，得到训练后的所述短时物流需求预测模型；预测单元用于将所述预测集作为训练后的所述短时物流需求预测模型的输入信息，求解训练后的所述短时物流需求预测模型得到第二时间段内的短时物流需求预测结果，所述第二时间段为以当前时刻为统计起点的一段时间。
进一步地，所述训练单元包括第一训练子单元、第二训练子单元和融合计算单元，第一训练子单元用于建立基于集成经验模态分解和长短时记忆神经网络的第一需求预测模型，利用样本集对所述第一需求预测模型进行训练得到训练后的所述第一需求预测模型；第二训练子单元用于建立基于局部均值分解和长短时记忆神经网络的第二需求预测模型，利用训练集对所述第二需求预测模型进行训练得到训练后的所述第二需求预测模型；融合计算单元用于建立融合预测模型，所述融合预测模型的输入信息包括所述第一需求预测模型的预测结果和所述第二需求预测模型的预测结果，所述融合预测模型的输出信息包括第二时间段内的短时物流需求预测结果。
进一步地，还包括误差校正计算单元用于建立局部误差校正数学模型，将所述第二时间段内的短时物流需求预测结果和所述样本集作为所述局部误差校正数学模型的输入信息，求解所述误差校正数学模型得到校正后的第二时间段内的短时物流需求预测结果。
进一步地，所述误差校正计算单元包括数据集划分单元、数据集预测单元、误差集计算单元、误差集预测单元、突变判断单元和数据校正单元。数据集划分单元用于在所有所述子集中排除时间段最早的两个所述子集，将剩余的所述子集作为数据集；数据集预测单元用于将所述样本集作为训练后的所述短时物流需求预测模型的输入信息，求解训练后的所述短时物流需求预测模型得到数据集内每个子集所对应的短时物流需求预测结果；误差集计算单元用于将数据集内每个子集所对应的短时物流需求预测结果与所对应的实际物流需求值做差得到误差集；误差集预测单元，用于建立误差短时预测模型，并利用所述误差集训练所述误差短时预测模型得到训练后的所述误差短时预测模型，将所述误差集中时间段最晚的两个所述子集所对应的误差作为所述训练后的所述误差短时预测模型的输入信息，求解训练后的所述误差短时预测模型得到误差集预测结果；突变判断单元用于根据所述预测集和所述第二时间段内的短时物流需求预测结果建立局部突变状态判断数学模型，求解所述局部突变状态判断数学模型得到第四信息，所述第四信息包括所述第二时间段为突变状态、第二时间段为非突变状态和第二时间段为负值点；数据校正单元用于建立校正数据数学模型，所述校正数据数学模型的输入信息包括所述第二时间段内的短时物流需求预测结果、误差集预测结果和所述第四信息，所述校正数据数学模型的输出信息包括校正后的第二时间段内的短时物流需求预测结果。
第三方面，本申请还提供了一种短时物流需求预测设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现所述短时物流需求预测方法的步骤。
第四方面，本申请还提供了一种可读存储介质，所述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基于短时物流需求预测方法的步骤。
本发明的有益效果为：
一、本发明通过针对短时物流数据具有的非平稳性、强随机性、局部突变及非线性等特征，从特征分解和特征提取两个角度出发，提出了EEMD-LMD-LSTM模型，解决了非线性的原始需求不平稳导致直接预测的预测误差较大以及预测滞后性的问题，提高了预测精度；
二、采用EEMD和LMD两种模型分别对短时物流需求原始数据进行分解，利用两者特性的互补性，既降低了EEMD中显著的端点效应，又解决了LMD的过度平滑等问题对预测性能的影响，再使用时间序列预测性能强、能有效解决RNN训练过程中存在的长期依赖问题的LSTM作为本发明的主体预测模型，有效提升预测精度；
三、本发明充分利用预测误差值中所蕴含的丰富的序列隐藏信息和参与系统动态过程的有价值的信息，针对预测存在的误差，进行了误差的定义和分析，提出了预测误差校正的方法，进一步地提高短时物流需求预测的精度。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明实施例中所述的短时物流需求预测方法流程示意图;
图2为本发明实施例中所述测试集的真实值和预测值对比图；
图3为本发明实施例中所述DNN模型验证β值与γ值对比图；
图4为本发明实施例中所述的短时物流需求预测装置结构示意图；
图5为本发明实施例中所述的短时物流需求预测设备结构示意图。
图中标记：1、第一信息获取单元；2、信息分割单元；3、训练单元；31、第一训练子单元；311、集成经验模态算法单元；312、第一特征训练单元；32、第二训练子单元；321、局部均值分解算法单元；322、第二特征训练单元；33、融合计算单元；331、加权求和计算单元；332、累加求和计算单元；333、算数平均计算单元；4、预测单元；5、误差校正计算单元；51、数据集划分单元；52、数据集预测单元；53、误差集计算单元；54、误差集预测单元；55、突变判断单元；56、数据校正单元；561、第一逻辑子单元；562、第二逻辑子单元；801、处理器；802、存储器；803、多媒体组件；804、输入/输出(I/O)接口；805、通信组件。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和展示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
需要说明的，为了下文的描述简练，将解释一些英文简写含义：
集成经验模态分解(EEMD, Ensemble Empirical Mode Decomposition)由Wu和Huang等人提出，目的是为了解决EMD中存在的模态混叠的问题。EEMD是对原信号加入高斯白噪声进行多次EMD分解，最后将多次分解得到的本征模态函数(IMF, Intrinsic ModeFunction)分量的总体平均值定义为最终的IMF分量。
局部均值分解(LMD, Local Mean Decomposition)方法能够从原始的信号中抽取出纯调频信号和包络信号的迭代算法，纯调频信号与包络信号相乘能够得到乘积函数（PF,Product Function）分量，将PF分量从原始信号中剥离，即可得到剩余信号，将剩余信号继续进行如上步骤，迭代多次，直到最后一个剩余信号为常数或者单调，即可得到原始信号的时频分布。
长短时记忆神经网络(LSTM, Long Short Term Memory)属于循环神经网络(RNN,Recurrent Neural Network)的一种改进结构，主要为了克服RNN在处理长期依赖关系时存在的渐消失梯度问题。与RNN相比，LSTM的不同之处在于存储单元，其本质上是信息的累加器，通过遗忘门等门控操作，来决定信息的剔除与保留，且它们将序列长时间地存储在内部存储器中，有助于更准确地判断序列下一阶段的发展趋势。
目前，综合国内外学者对物流需求预测方面的研究，主要划分为四类：（1）数理统计模型——灰色预测，指数平滑方法，多元回归模型、自回归差分移动平均模型（Autoregressive Integrated Moving Average mode，ARIMA）；（2）机器学习模型——支持向量机(Support Vector Machine, SVM)，及众多SVM的参数寻优算法，如遗传算法，蚁群算法，粒子群优化算法等；（3）深度学习模型——随着大数据技术不断的发展，深度学习技术受到了国内外学者的广泛关注，如CNN，RNN，LSTM，DBN等；（4）组合预测模型——组合预测模型则是对上述两种及其以上方法的综合应用，使每个模型在预测中发挥其各自的优势，从而提高预测精度，如结合支持向量机、遗传算法、粒子群算法和 BP 神经网络，结合EMD和LSTM等。
单一的预测方法对于复杂数据难以获得较高的精度，因此组合EMD-LSTM模型是使用较多的一种预测方法。
但是其中存在：
1. 国内外学者在物流需求预测上的研究对象主要是以年为统计单位的区域物流量，数据变化趋势相对平稳。而对于具有非平稳、强随机性、局部突变等特征的短时物流需求，即时间长度小于1年的短时物流需求研究较少。已有研究方法直接应用短时物流需求预测，精度难以保证。
2. EMD-LSTM组合模型是从特征分解和特征提取的角度分析和建模，而没有充分利用预测误差值中所蕴含的丰富的序列隐藏信息和参与系统动态过程的全部其它变量的痕迹等有价值的信息。此外EMD还存在模态混叠和端点效应问题。所以在短时物流需求内出现较大变化时，造成预测误差较大，精度难以保证。
实施例1：
本实施例提供了一种短时物流需求预测方法。
参见图1，图中示出了本方法包括步骤S100、步骤S200、步骤S300、步骤S400和步骤S500。
S100、获取第一信息，第一信息包括第一时间段内的历史物流数据，第一时间段为以当前时刻为统计终点的一段时间；
需要说明的是，在本实施例将以某企业2019年7月1日到2019年12月31日的物流需求数据共计10万条数据来举例说明本实施例中部分步骤的数据处理方式以及数据流向，本实施例中第一时间段即为2019年7月1日到2019年12月31日的时期，即第一信息包含了第一时间段内所有物流需求信息。
S200、基于第一信息，以预设时间段为单位将第一信息分割为多个子集，统计每个子集内的实际物流需求值，选取时间段最晚的两个子集构成预测集。
需要说明的是，本步骤是为了对第一信息进行初始化处理，以符合随后的数据处理以及预测。在本步骤中预设时间段为12h，本领域技术人员也可以选用其余小时数或天作为短时物流需求预测的时间基本单位都可以，本实施例中不做出具体的限制。经过以预设时间段为单位将第一信息分割，本实施中个子集共计366个。其中在本方法中将时间段最晚两个子集作为下文中所提及的第二时间段内的物流需求预测的输入信息，即2019年12月31日的0-12时和2019年12月31日的12-24时的两个子集作为2020年1月1日0-12时的物流需求预测的输入信息。
S300、建立基于特征分解和特征提取的短时物流需求预测模型，利用样本集对短时物流需求预测模型进行训练，得到训练后的短时物流需求预测模型；
需要说明的是，本步骤中建立以及训练短时物流需求预测模型包含步骤S310、步骤S320和步骤S330，其中：
S310、建立基于集成经验模态分解和长短时记忆神经网络的第一需求预测模型，利用样本集对第一需求预测模型进行训练得到训练后的第一需求预测模型；
需要说明的是，本实施例中为了针对短时物流需求具有的平稳性、强随机性、局部突变及非线性等特点，达到提高最后预测精度的目的，本步骤是对每个子集中的数据进行特征分解然后再使用时间序列预测性能强、能有效解决RNN训练过程中存在的长期依赖问题的LSTM作为主体预测模型。具体而言，本步骤还包括步骤S311、步骤S312和步骤S313，其中：
S311、建立集成经验模态分解数学模型，将样本集作为集成经验模态分解数学模型的输入信息，求解集成经验模态分解数学模型得到第二信息，第二信息包括每个子集所对应的若干份IMF分量；
需要说明的是，本步骤目的为将样本集内的每个子集进行特征分解得到每个子集所对应的若干份IMF分量。
S312、建立长短时记忆神经网络模型；
需要说明的是如何建立LSTM模型是本领域的公知常识，本步骤中不再具体参数，还需说明的是，通过对LSTM模型中隐层单元数进行寻优，选取4个隐层单元作为LSTM模型的隐藏层，因为当隐藏层单元数为4时，短时物流需求预测效果最佳。
S313、利用第二信息对长短时记忆神经网络模型进行训练，得到训练后的第一需求预测模型。
其中，本步骤中对于模型的训练方式以及过程为本领域的公知常识，本实施例中简略说明其中步骤。首先将样本集内的子集按照8:2的预设比例分为训练集和测试集；然后利用训练集内的每阶的IMF分量对LSTM模型进行训练，得到训练后的第一需求预测模型；然后利用测试集验证训练后的第一需求预测模型，若是预测精度低于预设精度，则调整LSTM模型参数设置等方式，重新训练LSTM模型并再次验证训练后的第一需求预测模型，最终得到训练后的第一需求预测模型，此为现有技术，不再赘述其详细训练过程。
S320、建立基于局部均值分解和长短时记忆神经网络的第二需求预测模型，利用样本集对第二需求预测模型进行训练得到训练后的第二需求预测模型；
需要说明的是，本实施例中为了针对短时物流需求具有的平稳性、强随机性、局部突变及非线性等特点，达到提高最后预测精度的目的，本步骤是了对每个子集中的原始数据进行特征提取然后再使用时间序列预测性能强、能有效解决RNN训练过程中存在的长期依赖问题的LSTM作为本发明的主体预测模型。具体而言，本步骤还包括步骤S321、步骤S322和步骤S323，其中：
S321、建立局部均值分解数学模型，将每个所述子集作为局部均值分解数学模型的输入信息，求解局部均值分解数学模型得到第三信息，第三信息包括每个子集所对应的若干份PF分量和残差分量Ut；
需要说明的是，本步骤目的为将每个子集进行特征分解得到每个子集所对应的若干份PF分量和残差Ut。
S322、建立长短时记忆神经网络模型；
S323、利用第三信息对长短时记忆神经网络模型进行训练，得到训练后的第二需求预测模型。
其中本步骤中的具体细节与S312中基本相同，此处不再赘述。
S330、建立融合预测模型，融合预测模型的输入信息包括第一需求预测模型的预测结果和第二需求预测模型的预测结果，融合预测模型的输出信息包括第二时间段内的短时物流需求预测结果。
可以理解的是，本步骤是为了将步骤S310以及步骤320建立的两个不同模型进行预测结果的融合，最终得到预测结果。具体而言，本步骤中包括步骤S331、步骤S332和步骤S333。
S331、建立加权求和数学模型，加权求和数学模型的输入信息为第一需求预测模型的预测结果，加权求和数学模型的输出信息为第一需求预测模型的预测结果加权求和结果；
需要说明的是，本步骤中是将第一需求预测模型的预测结果即关于若干份IMF分量的预测结果进行加权求和，其中权重取pearson相关性系数，得到EEMD-LSTM模型的预测结果。
S332、建立累加求和数学模型，累加求和数学模型的输入信息为第二需求预测模型的预测结果，累加求和数学模型的输出信息为第二需求预测模型的预测结果累加求和结果；
需要说明的是，本步骤中是将第二需求预测模型的预测结果即关于若干份PF分量和Ut分量预测结果累加求和，得到LMD-LSTM模型的预测结果。
S333、建立算数平均值数学模型，算数平均值数学模型的输入信息为累加求和数学模型的输出信息和加权求和数学模型的输出信息，算数平均值数学模型的输出信息为第二时间段内的短时物流需求预测结果。
可以理解的是，本步骤是为了将两种预测结果进行算术平均数计算，并将其作为第二时间段内的短时物流需求预测结果。
S400、将预测集作为训练后的短时物流需求预测模型的输入信息，求解训练后的短时物流需求预测模型得到第二时间段内的短时物流需求预测结果，第二时间段为以当前时刻为统计起点的一段时间。
可以理解的是，本步骤即为将预测集作为训练后的短时物流需求预测模型的输入信息，得到的第二时间段内的短时物流需求预测结果，其中第二时间段的区间长度与预设时间段的区间长度相同，即在本实施例中第二时间段的区间长度为12h。
S500、建立局部误差校正数学模型，并将第二时间段内的短时物流需求预测结果和样本集作为局部误差校正数学模型的输入信息，求解误差校正数学模型得到校正后的第二时间段内的短时物流需求预测结果。
需要说明的是，利用EEMD-LMD-LSTM模型对2019年11月25日到2019年12月31日时间段内的物流需求进行预测，得到的测试集的预测值与真实值对比情况如图2所示。
还需要说明的是，在上文的描述中，“预测值与真实值对比情况”是指的将所有子集带入EEMD-LMD-LSTM模型中得到2019年11月25日到2019年12月31日内每12小时为时间单位内的短时物流需求预测结果，在图2中展示出了测试集的数据对比情况。
参见图2，当物流需求在短时间内呈现骤然上升或者下降的趋势，即局部突变时，预测结果在突变处会产生明显的误差，如图2虚线圈所示。此外，由于短时物流需求的强随机性，容易导致预测值出现负值，产生预测误差，如图2实线圈所示。结合附图2，本发明将根据物流需求的真实值变化，可以将变化趋势分为四类：稳定上升状态、稳定下降状态、骤然上升状态和骤然下降状态。为了表述简洁，本发明前面两类称为非突变状态，将后面两类称为突变状态。在本实施例中将前后两个时刻的物流需求差值的绝对值记为T，即定义为达到突变状态，γ的定义如下：
γ= |𝑥(𝑡)−𝑥(𝑡-1)| （1）
式中： 𝑥(𝑡)代表时刻t物流需求量的真实值， 𝑥(𝑡-1)代表时刻t-1物流需求量的真实值。
当γ满足：
γ≥a (2)
可将该状态称为局部突变状态，时刻t对应的短时物流需求点称为局部突变点。阈值a的大小随着数据系列的不同而不同，可通过参数寻优获取。
但是由于在实际中，由于在实际预测中的第二时间段所对应的短时物流需求的真实情况是无法的得知，即本申请中通过已有相关数据来代替γ的获取。即定义参数β，其定义公式如下：
β= |pred(t)-x(t-1)| (3)
式中：pred(t)代表时刻t物流需求量的预测值，𝑥(𝑡-1)代表时刻t-1物流需求量的真实值。
为了证明β与γ之间的强关联性，使得在本发明就可直接使用β代替γ。因此本文建立了深度神经网络（DNN）模型验证，用时刻t与时刻t-1的β值预测时刻t与时刻t-1的γ值，通过实验发现使用β与γ的关联性强，其预测效果对比图参见图3。
由图3可知，本发明构建的DNN模型在使用β对γ进行预测的拟合度较高，指标𝑅2达到了0.9606，证明了β与γ之间的强关联性。基于局部突变点的定义和启发，以及β与γ之间的强关联性，因此本申请中使用β代替γ进行后续的阈值及阈值的参数寻优。
即本发明可以重新定义阈值a'，当β满足：
β≥a' (4)
可将该状态称为局部突变状态，时刻t对应的短时物流需求点称为局部突变点。阈值a'的大小随着数据系列的不同而不同，可通过参数寻优获取，当阈值a'为197时，局部误差校正模型的预测精度优异。
在本申请中，根据参数寻优求得短时物流需求总数据的突变值阈值 a'取197时，短时物流需求预测模型预测精度最高，其中对于不同的预测类型，也可以选用其他的阈值来进行判断是否需要对预测结果进行校正以及多大强度的对预测值进行校正，本申请中不做出具体的限制。
基于以上的描述，本步骤是为了针对短时物流需求的强随机性导致EEMD-LMD-LSTM模型得到的预测值在突变状态存在预测精度较低以及预测值出现负值的两种情况，本实施例中进一步提出对EEMD-LMD-LSTM模型预测值进行校正的方法，即局部误差校正数学模型（LEC模型）。
具体而言，本步骤包括步骤S510、步骤S520、步骤S530、步骤S540、步骤S550和步骤S560。
S510、在所有子集中排除时间段最早的两个子集，将剩余的子集作为数据集；
可以理解的是，由于在本实施例中并没有2019年6月30日的数据，对于2019年7月1的0-12时以及12-24的物流需求值无法预测，所以不将其作为数据集的内容。
S520、将样本集作为训练后的所述短时物流需求预测模型的输入信息，求解训练后的所述短时物流需求预测模型得到数据集内每个子集所对应的短时物流需求预测结果；
S530、将数据集内每个子集所对应的短时物流需求预测结果与所对应的实际物流需求值做差得到误差集；
可以理解是，本步骤是为了得到数据集内每个子集的物流需求预测误差。
S540、建立误差短时预测模型，并利用所述误差集训练所述误差短时预测模型得到训练后的所述误差短时预测模型，将所述误差集中时间段最晚的两个所述子集所对应的误差作为所述训练后的所述误差短时预测模型的输入信息，求解训练后的所述误差短时预测模型得到误差集预测结果；
需要说明的是，在本步骤中建立误差短时预测模型的具体步骤与S200相同。并将误差集进行划分训练组和测试组并对误差短时预测模型进行训练，其中对误差短时预测模型具体训练过程与S300步骤相同，并与S400步骤相同得到误差集预测结果。
S550、根据误差预测集和第二时间段内的短时物流需求预测结果建立局部突变状态判断数学模型，求解局部突变状态判断数学模型得到第四信息，第四信息包括第二时间段为突变状态、第二时间段为非突变状态和第二时间段为负值点；
可以理解的是，本步骤是为计算得知第二时间段的是否是突变状态和负值点。其中具体的计算逻辑如下：首先假设存在前后两个时刻——时刻t和时刻t-1，将两个时刻的实际物流需求值带入公式（3）（4）中，求解β值，若β值大于等于197则输出第二时间段为突变状态，后续则需要对EEMD-LMD-LSTM模型的预测结果进行校正，若β值小于197则输出第二时间段不为突变状态，后续步骤中不需要对EEMD-LMD-LSTM模型的预测结果进行校正。同理，若时刻t的预测值为负值，则对结果进行校正。
S560、建立校正数据数学模型，校正数据数学模型的输入信息包括第二时间段内的短时物流需求预测结果、误差集预测结果和第四信息，校正数据数学模型的输出信息包括校正后的第二时间段内的短时物流需求预测结果。
具体而言本步骤中包含步骤S561和步骤S562。
S561、若第二时间段为突变状态，则校正后的第二时间段内的短时物流需求预测结果等于第二时间段内的短时物流需求预测结果加误差集预测结果；
S562、若第二时间段内的短时物流需求预测结果小于零，则校正后的第二时间段内的短时物流需求预测结果等于第二时间段内的短时物流需求预测结果加误差集预测结果；
需要说明是的，由于在预测中可能会出现第二时间段内的短时物流需求预测结果是小于零的情况，但是在实际中不可能出现短时物流需求为负数的情况，这种预测结果也是需要校正的。其校正的方式与S561相同。
本实施例通过针对短时物流数据具有的非平稳性、强随机性、局部突变及非线性等特征，从特征分解和特征提取两个角度出发，提出了EEMD-LMD-LSTM模型，解决了非线性的原始需求不平稳导致直接预测的预测误差较大以及预测滞后性的问题，提高了模型的预测精度，若没有特征分解算法的贡献，则模型的预测精确度大大降低，且预测结果会有明显的滞后性。
同时采用EEMD和LMD两种模型分别对物流需求原始数据进行分解，利用两者特性的互补性，既降低了EEMD中显著的端点效应，又解决了LMD的过度平滑等问题对预测性能的影响，再使用时间序列预测性能强、能有效解决RNN训练过程中存在的长期依赖问题的LSTM作为本发明的主体预测模型有效提升预测精度。
其次，本发明充分利用预测误差值中所蕴含的丰富的序列隐藏信息和参与系统动态过程的有价值的信息，针对预测存在的误差，进行了误差的定义和分析，提出了局部误差校正的方法，通过实例验证，该局部误差校正数学模型可以进一步地提高短时物流需求预测的精度。
实施例2：
如图3所示，本实施例提供了一种短时物流需求预测装置，包括：
第一信息获取单元1，用于获取第一信息，第一信息包括第一时间段内的历史物流数据，第一时间段为以当前时刻为统计终点的一段时间；
信息分割单元2，用于基于第一信息，以预设时间段为单位将第一信息分割为多个子集，统计每个子集内的实际物流需求值，选取时间段最晚的两个子集构成预测集；
训练单元3，用于建立基于特征分解和特征提取的短时物流需求预测模型，利用样本集对短时物流需求预测模型进行训练，得到训练后的短时物流需求预测模型；
其中，训练单元3包括第一训练子单元31、第二训练子单元32和融合计算单元33：
第一训练子单元31，用于建立基于集成经验模态分解和长短时记忆神经网络的第一需求预测模型，利用样本集对第一需求预测模型进行训练得到训练后的第一需求预测模型；
其中，第一训练子单元31包括集成经验模态算法单元311和第一特征训练单元312：
集成经验模态算法单元311，用于建立集成经验模态分解数学模型，将样本集作为集成经验模态分解数学模型的输入信息，求解集成经验模态分解数学模型得到第二信息，第二信息包括每个子集所对应的若干份IMF分量；
第一特征训练单元312，用于建立长短时记忆神经网络模型，利用第二信息对长短时记忆神经网络数学模型进行训练，得到训练后的第一需求预测模型。
第二训练子单元32，用于建立基于局部均值分解和长短时记忆神经网络的第二需求预测模型，利用训练集对第二需求预测模型进行训练得到训练后的第二需求预测模型；
其中第二训练子单元32包括局部均值分解算法单元321和第二特征训练单元322：
局部均值分解算法单元321，用于建立局部均值分解数学模型，将每个所述子集作为局部均值分解数学模型的输入信息，求解局部均值分解数学模型得到第三信息，第三信息包括每个子集所对应的若干份PF分量和残差分量Ut；
第二特征训练单元322，用于建立长短时记忆神经网络数学模型，利用第三信息对长短时记忆神经网络数学模型进行训练，得到训练后的第二需求预测模型。
融合计算单元33，用于建立融合预测模型，融合预测模型的输入信息包括第一需求预测模型的预测结果和第二需求预测模型的预测结果，融合预测模型的输出信息包括第二时间段内的短时物流需求预测结果。
其中，融合计算单元33包括加权求和计算单元331、线性求和计算单元332和算数平均计算单元333：
加权求和计算单元331，用于建立加权求和数学模型，加权求和数学模型的输入信息为第一需求预测模型的预测结果，加权求和数学模型的输出信息为第一需求预测模型的预测结果加权求和结果；
累加求和计算单元332，用于建立累加求和数学模型，累加求和数学模型的输入信息为第二需求预测模型的预测结果，累加求和数学模型的输出信息为第二需求预测模型的预测结果累加求和结果；
算数平均计算单元333，用于建立算数平均值数学模型，算数平均值数学模型的输入信息为累加求和数学模型的输出信息和加权求和数学模型的输出信息，算数平均值数学模型的输出信息为第二时间段内的短时物流需求预测结果。
预测单元4，用于将预测集作为训练后的短时物流需求预测模型的输入信息，求解训练后的短时物流需求预测模型得到第二时间段内的短时物流需求预测结果，第二时间段为以当前时刻为统计起点的一段时间。
误差校正计算单元5，用于建立局部误差校正数学模型，将第二时间段内的短时物流需求预测结果和样本集作为局部误差校正数学模型的输入信息，求解误差校正数学模型得到校正物后的第二时间段内的短时物流需求预测结果。
其中误差校正计算单元5包括数据集划分单元51、数据集预测单元52、误差集计算单元53、误差集预测单元54、突变判断单元55和数据校正单元56：
数据集划分单元51，用于在所有子集中排除时间段最早的两个子集，将剩余的子集作为数据集；
数据集预测单元52，用于将样本集作为训练后的所述短时物流需求预测模型的输入信息，求解训练后的所述短时物流需求预测模型得到数据集内每个子集所对应的短时物流需求预测结果；
误差集计算单元53，用于将数据集内每个子集所对应的短时物流需求预测结果与所对应的实际物流需求值做差得到误差集；
误差集预测单元54，用于建立误差短时预测模型，并利用所述误差集训练所述误差短时预测模型得到训练后的所述误差短时预测模型，将所述误差集中时间段最晚的两个所述子集所对应的误差作为所述训练后的所述误差短时预测模型的输入信息，求解训练后的所述误差短时预测模型得到误差集预测结果；
突变判断单元55，用于根据误差预测集和第二时间段内的短时物流需求预测结果建立局部突变状态判断数学模型，求解局部突变状态判断数学模型得到第四信息，第四信息包括第二时间段为突变状态、第二时间段为非突变状态和第二时间段为负值点；
数据校正单元56，用于建立校正数据数学模型，校正数据数学模型的输入信息包括第二时间段内的短时物流需求预测结果、误差集预测结果和第四信息，校正数据数学模型的输出信息包括校正后的第二时间段内的短时物流需求预测结果。
其中数据校正单元56包括第一逻辑子单元561、第二逻辑子单元562和第三逻辑子单元563：
第一逻辑子单元561，用于若第二时间段为突变状态，则校正后的第二时间段内的短时物流需求预测结果等于第二时间段内的短时物流需求预测结果加误差集预测结果；
第二逻辑子单元562，用于若第二时间段内的短时物流需求预测结果小于零，则校正后的第二时间段内的短时物流需求预测结果等于第二时间段内的短时物流需求预测结果加误差集预测结果；
需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
实施例3：
相应于上面的方法实施例，本实施例中还提供了一种短时物流需求预测设备，下文描述的一种物流需求预测设备与上文描述的一种短时物流需求预测方法可相互对应参照。
图4是根据示例性实施例示出的一种短时物流需求预测设备800的框图。如图4所示，该短时物流需求预测设备800可以包括：处理器801，存储器802。该短时物流需求预测设备800还可以包括多媒体组件803，输入/输出(I/O)接口804，以及通信组件805中的一者或多者。
其中，处理器801用于控制该短时物流需求预测设备800的整体操作，以完成上述的物流需求预测方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该短时物流需求预测设备800的操作，这些数据例如可以包括用于在该短时物流需求预测设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random AccessMemory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable ProgrammableRead-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该短时物流需求预测设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，短时物流需求预测设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的物流需求预测方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的物流需求预测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由短时物流需求预测设备800的处理器801执行以完成上述的物流需求预测方法。
实施例4：
相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种短时物流需求预测方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的物流需求预测方法的步骤。
该可读存储介质具体可以为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存储程序代码的可读存储介质。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (6)

1.一种短时物流需求预测方法，其特征在于，包括：
获取第一信息，所述第一信息包括第一时间段内的历史物流数据，所述第一时间段为以当前时刻为统计终点的一段时间；
基于第一信息，以预设时间段为单位将所述第一信息分割为多个子集并构成样本集，统计每个所述子集内的实际物流需求值，选取时间段最晚的两个所述子集构成预测集；
建立基于特征分解和特征提取的短时物流需求预测模型，利用所述样本集对所述短时物流需求预测模型进行训练，得到训练后的所述短时物流需求预测模型,所述短时物流需求预测模型为EEMD-LMD-LSTM模型；
其中，所述建立基于特征分解和特征提取的短时物流需求预测模型，利用所述样本集对所述短时物流需求预测模型进行训练，得到训练后的所述短时物流需求预测模型，包括：
建立局部均值分解数学模型，将每个所述子集作为局部均值分解数学模型的输入信息，求解局部均值分解数学模型得到第三信息，第三信息包括每个子集所对应的若干份PF分量和残差分量Ut；
建立长短时记忆神经网络模型；利用第三信息对长短时记忆神经网络模型进行训练，得到训练后的第二需求预测模型；
将所述预测集作为训练后的所述短时物流需求预测模型的输入信息，求解训练后的所述短时物流需求预测模型得到第二时间段内的短时物流需求预测结果，所述第二时间段为以当前时刻为统计起点的一段时间；
建立局部误差校正数学模型，将所述第二时间段内的短时物流需求预测结果和所述样本集作为所述局部误差校正数学模型的输入信息，求解所述局部误差校正数学模型得到校正后的第二时间段内的短时物流需求预测结果；
其中，所述建立局部误差校正数学模型，将所述第二时间段内的短时物流需求预测结果和所述样本集作为所述局部误差校正数学模型的输入信息，求解所述局部误差校正数学模型得到校正后的第二时间段内的短时物流需求预测结果，包括：
在所有所述子集中排除时间段最早的两个所述子集，将剩余的所述子集作为数据集；
将所述样本集作为训练后的所述短时物流需求预测模型的输入信息，求解训练后的所述短时物流需求预测模型得到数据集内每个子集所对应的短时物流需求预测结果；
将数据集内每个子集所对应的短时物流需求预测结果与所对应的实际物流需求值做差得到误差集；
建立误差短时预测模型，并利用所述误差集训练所述误差短时预测模型得到训练后的所述误差短时预测模型，将所述误差集中时间段最晚的两个所述子集所对应的误差作为所述训练后的所述误差短时预测模型的输入信息，求解训练后的所述误差短时预测模型得到误差集预测结果，所述建立误差短时预测模型的步骤与所述短时物流需求预测模型相同；
根据所述预测集和所述第二时间段内的短时物流需求预测结果建立局部突变状态判断数学模型，求解所述局部突变状态判断数学模型得到第四信息，所述第四信息包括所述第二时间段为突变状态、第二时间段为非突变状态和第二时间段为负值点；
建立校正数据数学模型，所述校正数据数学模型的输入信息包括所述第二时间段内的短时物流需求预测结果、误差集预测结果和所述第四信息，所述校正数据数学模型的输出信息包括校正后的第二时间段内的短时物流需求预测结果。
2.根据权利要求1所述的短时物流需求预测方法，其特征在于，所述建立基于特征分解和特征提取的短时物流需求预测模型，利用所述样本集对所述短时物流需求预测模型进行训练，得到训练后的所述短时物流需求预测模型，包括：
建立基于集成经验模态分解和长短时记忆神经网络的第一需求预测模型，利用所述样本集对所述第一需求预测模型进行训练得到训练后的所述第一需求预测模型；
建立融合预测模型，所述融合预测模型的输入信息包括所述第一需求预测模型的预测结果和所述第二需求预测模型的预测结果，所述融合预测模型的输出信息包括第二时间段内的短时物流需求预测结果。
3.一种短时物流需求预测装置，其特征在于，包括：
第一信息获取单元，用于获取第一信息，所述第一信息包括第一时间段内的历史物流数据，所述第一时间段为以当前时刻为统计终点的一段时间；
信息分割单元，用于基于第一信息，以预设时间段为单位将所述第一信息分割为多个子集并构成样本集，统计每个所述子集内的实际物流需求值，选取时间段最晚的两个所述子集构成预测集；
训练单元，用于建立基于特征分解和特征提取的短时物流需求预测模型，利用所述样本集对所述短时物流需求预测模型进行训练，得到训练后的所述短时物流需求预测模型,所述短时物流需求预测模型为EEMD-LMD-LSTM模型；
所述训练单元，包括：
局部均值分解算法单元，用于建立局部均值分解数学模型，将每个所述子集作为局部均值分解数学模型的输入信息，求解局部均值分解数学模型得到第三信息，第三信息包括每个子集所对应的若干份PF分量和残差分量Ut；
第二特征训练单元，用于建立长短时记忆神经网络模型，利用第三信息对长短时记忆神经网络模型进行训练，得到训练后的第二需求预测模型；
预测单元，用于将所述预测集作为训练后的所述短时物流需求预测模型的输入信息，求解训练后的所述短时物流需求预测模型得到第二时间段内的短时物流需求预测结果，所述第二时间段为以当前时刻为统计起点的一段时间；
误差校正计算单元，用于建立局部误差校正数学模型，将所述第二时间段内的短时物流需求预测结果和所述样本集作为所述局部误差校正数学模型的输入信息，求解所述局部误差校正数学模型得到校正后的第二时间段内的短时物流需求预测结果；
其中，误差校正计算单元包括：
数据集划分单元，用于在所有所述子集中排除时间段最早的两个所述子集，将剩余的所述子集作为数据集；
数据集预测单元，用于将所述样本集作为训练后的所述短时物流需求预测模型的输入信息，求解训练后的所述短时物流需求预测模型得到数据集内每个子集所对应的短时物流需求预测结果；
误差集计算单元，用于将数据集内每个子集所对应的短时物流需求预测结果与所对应的实际物流需求值做差得到误差集；
误差集预测单元，用于建立误差短时预测模型，并利用所述误差集训练所述误差短时预测模型得到训练后的所述误差短时预测模型，将所述误差集中时间段最晚的两个所述子集所对应的误差作为所述训练后的所述误差短时预测模型的输入信息，求解训练后的所述误差短时预测模型得到误差集预测结果，所述建立误差短时预测模型的步骤与所述短时物流需求预测模型相同；
突变判断单元，用于根据所述预测集和所述第二时间段内的短时物流需求预测结果建立局部突变状态判断数学模型，求解所述局部突变状态判断数学模型得到第四信息，所述第四信息包括所述第二时间段为突变状态、第二时间段为非突变状态和第二时间段为负值点；
数据校正单元，用于建立校正数据数学模型，所述校正数据数学模型的输入信息包括所述第二时间段内的短时物流需求预测结果、误差集预测结果和所述第四信息，所述校正数据数学模型的输出信息包括校正后的第二时间段内的短时物流需求预测结果。
4.根据权利要求3所述的短时物流需求预测装置，其特征在于，所述训练单元包括：
第一训练子单元，用于建立基于集成经验模态分解和长短时记忆神经网络的第一需求预测模型，利用样本集对所述第一需求预测模型进行训练得到训练后的所述第一需求预测模型；
融合计算单元，用于建立融合预测模型，所述融合预测模型的输入信息包括所述第一需求预测模型的预测结果和所述第二需求预测模型的预测结果，所述融合预测模型的输出信息包括第二时间段内的短时物流需求预测结果。
5.一种短时物流需求预测设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至2任一项所述短时物流需求预测方法的步骤。
6.一种可读存储介质，其特征在于：所述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如权利要求1至2任一项所述短时物流需求预测方法的步骤。
CN202110404643.2A 2021-04-15 2021-04-15 一种短时物流需求预测方法、装置、设备及可读存储介质 Expired - Fee Related CN112990826B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110404643.2A CN112990826B (zh) 2021-04-15 2021-04-15 一种短时物流需求预测方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110404643.2A CN112990826B (zh) 2021-04-15 2021-04-15 一种短时物流需求预测方法、装置、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN112990826A CN112990826A (zh) 2021-06-18
CN112990826B true CN112990826B (zh) 2021-11-02

Family

ID=76340574

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110404643.2A Expired - Fee Related CN112990826B (zh) 2021-04-15 2021-04-15 一种短时物流需求预测方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN112990826B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114529242A (zh) * 2022-02-23 2022-05-24 广西盖德科技有限公司 基于需求偏差撮合实现企业运力协同快速响应方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596399A (zh) * 2018-05-04 2018-09-28 国家邮政局邮政业安全中心 快递业务量预测的方法、装置、电子设备及存储介质
CN109086941A (zh) * 2018-08-16 2018-12-25 华北电力大学 一种能源消费预测方法
CN109934418A (zh) * 2018-10-17 2019-06-25 安徽大学 基于频域分解及人工智能算法的短期负荷预测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102306302B (zh) * 2011-08-29 2013-03-13 哈尔滨工业大学 基于emd与garch模型的卫星时钟误差预报方法
CN111222707B (zh) * 2020-01-13 2022-04-29 湖北工业大学 一种基于时间序列突变误差校正的风速预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596399A (zh) * 2018-05-04 2018-09-28 国家邮政局邮政业安全中心 快递业务量预测的方法、装置、电子设备及存储介质
CN109086941A (zh) * 2018-08-16 2018-12-25 华北电力大学 一种能源消费预测方法
CN109934418A (zh) * 2018-10-17 2019-06-25 安徽大学 基于频域分解及人工智能算法的短期负荷预测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
"基于EEMD-LSTM 的区域能源短期负荷预测";马梦冬等;《浙江电力》;20200430;第39卷(第4期);引言，正文第1-4节 *
"基于两阶段组合预测模型的区域物流需求预测";李捷等;《信息与控制》;20180430;第47卷(第2期);全文 *
"基于时间序列突变误差校正的超短期风速联合预测模型";黄文聪等;《昆明理工大学学报》;20200831;第45卷(第4期);引言，正文第1-5节 *
"基于组合预测模型的铁路货运量预测研究";徐玉萍等;《铁道科学与工程学报》;20210131;第18卷(第1期);全文 *
马梦冬等."基于EEMD-LSTM 的区域能源短期负荷预测".《浙江电力》.2020,第39卷(第4期), *

Also Published As

Publication number Publication date
CN112990826A (zh) 2021-06-18

Similar Documents

Publication Publication Date Title
CN109615226B (zh) 一种运营指标异常监测方法
Wang et al. Adaptive learning hybrid model for solar intensity forecasting
CN111539841A (zh) 电量预测方法、装置、设备及可读存储介质
CN105354277A (zh) 一种基于递归神经网络的推荐方法及系统
CN110415036B (zh) 用户等级的确定方法、装置、计算机设备和存储介质
CN114330935B (zh) 基于多种结合策略集成学习的新能源功率预测方法和系统
CN111144451B (zh) 一种图像分类模型的训练方法、装置及设备
CN113449919B (zh) 一种基于特征和趋势感知的用电量预测方法及系统
CN116029425B (zh) 风机出力爬坡事件预测方法、装置和计算机设备
CN106485348A (zh) 一种交易数据的预测方法及装置
CN114065653A (zh) 电力负荷预测模型的构建方法与电力负荷预测方法
CN111783873A (zh) 基于增量朴素贝叶斯模型的用户画像方法及装置
CN111582341A (zh) 用户异常操作预测方法及装置
CN112990826B (zh) 一种短时物流需求预测方法、装置、设备及可读存储介质
Wang et al. Generating multivariate load states using a conditional variational autoencoder
CN116307247A (zh) 空气质量的预测方法、模型的训练方法、设备及存储介质
Tang et al. Dropout Rate Prediction of Massive Open Online Courses Based on Convolutional Neural Networks and Long Short‐Term Memory Network
Li et al. Impact of the pre-simulation process of occupant behaviour modelling for residential energy demand simulations
CN118364963A (zh) 基于lstm神经网络的建筑材料价格预测方法
CN112734142B (zh) 基于深度学习的资源学习路径规划方法及装置
CN109474516B (zh) 基于卷积神经网络的即时通信连接策略推荐方法及系统
CN114741976B (zh) 一种位移预测方法、装置、设备及可读存储介质
Zhang et al. A combinational QoS-prediction approach based on RBF neural network
CN112561186A (zh) 一种短期电力负荷的预测方法
CN118539438B (zh) 一种电力负荷数据的预测方法、电子设备及存储介质

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
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20211102