CN113077072A - 货量预测的方法和装置 - Google Patents

货量预测的方法和装置 Download PDF

Info

Publication number
CN113077072A
CN113077072A CN202010011472.2A CN202010011472A CN113077072A CN 113077072 A CN113077072 A CN 113077072A CN 202010011472 A CN202010011472 A CN 202010011472A CN 113077072 A CN113077072 A CN 113077072A
Authority
CN
China
Prior art keywords
prediction
graph
sorting center
network
prediction model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010011472.2A
Other languages
English (en)
Inventor
宋佳慧
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.)
Beijing Jingbangda Trade Co Ltd
Beijing Jingdong Zhenshi Information Technology Co Ltd
Original Assignee
Beijing Jingbangda Trade Co Ltd
Beijing Jingdong Zhenshi Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Jingbangda Trade Co Ltd, Beijing Jingdong Zhenshi Information Technology Co Ltd filed Critical Beijing Jingbangda Trade Co Ltd
Priority to CN202010011472.2A priority Critical patent/CN113077072A/zh
Publication of CN113077072A publication Critical patent/CN113077072A/zh
Pending legal-status Critical Current

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
    • G06Q10/04—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
    • G06Q10/083—Shipping
    • G06Q10/0838—Historical data

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了货量预测的方法和装置，涉及仓储物流技术领域。该方法的一具体实施方式包括：接收输入数据组；建立特定预测模型，其中所述特定预测模型使用与分拣中心相关的预测指标作为特征；使用所述特定预测模型对所述输入数据组进行处理，得到预测结果数据；以及将所述预测结果数据输出至预警终端。该实施方式降低了预测中的噪声，提高了预测的准确性，进一步增强了生产调度的效率。

Description

货量预测的方法和装置
技术领域
本发明涉及仓储物流领域，尤其涉及一种货量预测的方法和装置。
背景技术
对物流网络中的货物流通量进行预测是现代物流管理流程中的重要环节。现有技术中大部分采用的方法是将分拣中心对应的货量拆到线路上，然后通过预测线路上的货量间接得到分拣中心的货量预测数据。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
1.现有技术通过对每条线路上的货量进行计算的方式间接预测分拣中心的货量，这种间接预测会导致预测结果中混入噪声。
2.现有技术通常将预测拆分到单个线路上独立进行，这种方式难以避免地丢失了不同线路与分拣中心之间的连接信息,会导致预测结果中混入噪声，影响其准确性。
发明内容
有鉴于此，本发明实施例提供一种货量预测的方法和装置，能够采用直接针对分拣中心本身提炼特征从而建立预测模型的技术手段，有效减少了先计算线路上的货量再间接得到分拣中心货量而在结果中引入的噪声，提高预测结果的准确性。
为实现上述目的，根据本发明的一个方面，提供了一种货量预测的方法。
根据本发明实施例的一种货量预测的方法，包括：
接收输入数据组；
建立特定预测模型，其中所述特定预测模型使用与分拣中心相关的预测指标作为特征；
使用所述特定预测模型对所述输入数据组进行处理，得到预测结果数据；以及
将所述预测结果数据输出至预警终端。
可选地，建立所述特定预测模型进一步包括：
将所述分拣中心和线路构造为图网络；以及
将所述图网络在时间维度上构造为图时空网络。
可选地，建立所述特定预测模型进一步包括：
针对所述图网络的特性定义图卷积；以及
基于所述图卷积建立所述特定预测模型。
可选地，所述图卷积的计算方法如下：
Figure BDA0002357299680000021
其中，Λ是对应图的特征值组成的对角矩阵，
θk是需要学习的参数，
Tk是Chebyshev多项式，
Figure BDA0002357299680000022
L是图对应的拉普拉斯矩阵。
可选地，所述与分拣中心相关的所述预测指标是特定时间单位内每个所述分拣中心的到货量和发货量。
可选地，所述输入数据组包括历史数据和实时数据。
根据本发明的另一个方面，提供了一种货量预测的装置。
根据本发明实施例的一种货量预测的装置，包括：
输入接收模块，用于接收输入数据组；
模型建立模块，用于建立特定预测模型，其中所述特定预测模型使用与分拣中心相关的预测指标作为特征；
数据处理模块，用于使用所述特定预测模型对所述输入数据组进行处理，得到预测结果数据；以及
结果输出模块，用于将所述预测结果数据输出至预警终端。
可选地，所述模型建立模块进一步用于：
将所述分拣中心和线路构造为图网络；以及
将所述图网络在时间维度上构造为图时空网络。
可选地，所述模型建立模块进一步用于：
针对所述图网络的特性定义图卷积；以及
基于所述图卷积建立所述特定预测模型。
可选地，所述图卷积的计算方法如下：
Figure BDA0002357299680000031
其中，Λ是对应图的特征值组成的对角矩阵，
θk是需要学习的参数，
Tk是Chebyshev多项式，
Figure BDA0002357299680000032
L是图对应的拉普拉斯矩阵。
可选地，所述与分拣中心相关的所述预测指标是特定时间单位内每个所述分拣中心的到货量和发货量。
可选地，所述输入数据组包括历史数据和实时数据。
根据本发明的一个方面，提供了一种货量预测的电子设备。
根据本发明实施例的一种货量预测的电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如根据本发明实施例一方面所提供的货量预测的方法。
根据本发明的一个方面，提供了一种货量预测的计算机可读介质。
根据本发明实施例的一种货量预测的计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如根据本发明实施例一方面所提供的货量预测的方法。
上述发明中的一个实施例具有如下优点或有益效果：因为采用直接针对分拣中心本身提炼特征从而建立预测模型的技术手段，所以有效减少了先计算线路上的货量再间接得到分拣中心货量而在结果中引入的噪声，提高了预测结果的准确性。并且通过将分拣中心和线路构造为图网络并在此基础上进一步引入时间维度并采用图卷积，因而在预测中全面涵盖了不同线路与分拣中心之间的关联信息以及不同时间分拣中心货量之间的关联信息，从而得到更准确的预测结果以对物流活动进行有效计划和监督，使各项物流活动实现最佳的协调与配合，以降低物流成本，提高物流效率和经济效益。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明实施例的货量预测的方法的主要流程的示意图；
图2是实际物流场景中的一个简化的场景示意图；
图3是对图2中简化的场景示意图进行抽象得到的由分拣中心与线路组成的图网络；
图4是根据本发明实施例的一种模型框架示意图；
图5是根据本发明实施例的一种分层系统结构图；
图6是根据本发明实施例的货量预测的另一种方法的流程的示意图；
图7是根据本发明实施例的货量预测的装置的主要模块的示意图；
图8是本发明实施例可以应用于其中的示例性系统架构图；
图9是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
现代物流网络中预测线路上对应货量通常采用机器学习类的方法，因此对特征提取的要求非常高，同一个预测模型，特征设计的好坏依赖程度非常高。一般提取线路上对应的物流特征、分拣中处理能力、节假日等特征，如果长期规划的预测使用arima、prophet等模型预测，如果是短期指导产能作业的预测使用XGboost、LightGBM等模型。
图1是根据本发明实施例的货量预测的方法的主要流程的示意图，如图1所示，根据本发明实施例的货量预测的方法包括步骤S101、S102、S103和S104。
步骤S101：接收输入数据组。
可选地，所述输入数据组包括历史数据和实时数据。对货量的预测需要基于大量统计数据进行，因此需要有效获取货量数据。在一种实施方式中，使用离线数据，或者使用系统实时数据，来获取历史上各个分拣中心的到货量和发货量。可选地，所述输入数据组包括历史数据或实时数据。
步骤S102：建立特定预测模型，其中所述特定预测模型使用与分拣中心相关的预测指标作为特征。
参考附图2，是实际物流场景中的一个简化的场景示意图。途中的阴影可表示不同省份，带箭头的线表示从某地分拣中心出发指向另一分拣中心的运输线路。在实际应用场景中，货物的流通的基本单位就是分部在全国各地的分拣中心以及在分拣中心之间运输货物的线路。因此，对货量预测更有意义的统计指标应为各分拣中心的进货量和出货量。分拣中心目前没有一个比较准确的到货量以及发货量的提前预警，没有到货量就会导致分拣中心不能合理的安排月台调度、卸车、分拣。没有发货量会导致分拣中心不能很好的安排装车和约车。为了避免出现上述描述中的货等车以及车等货的情况，对分拣中心的到货量和发货量进行预测就变的非常有必要。
可选地，建立所述特定预测模型进一步包括：
将所述分拣中心和线路构造为图网络；以及
将所述图网络在时间维度上构造为图时空网络。
本发明的核心思想是直接针对分拣中心进行预测，取代传统方法中通过线路间接预测的方式。这就需要将分拣中心科学地表达为统计模型。从附图2可以看出，位于各地的分拣中心以及各个线路天然就可以组成一个图网络，这样就形成了一个路由网络。我们可以将这个网络抽象为图网络。
参考附图3，是对附图2中简化的场景示意图进行抽象得到的由分拣中心与线路组成的图网络。附图3可以视为一个图网络的示例中的圆圈表示分拣中心，线段表示线路。具体地，附图3所示的图网络包括分拣中心311、分拣中心312、分拣中心313、分拣中心314、分拣中心315、分拣中心316、线路321、线路322、线路323、线路324、线路325、线路326、线路327。因为分段线路之间是相互连接的，分拣中心之间是通过分段线路相互连接的，拆分在单个线路上进行预测并简单的累加得到分拣中心的货量会丢失线路与分拣中心之间统计意义上的关联信息，因而降低了预测结果的准确性。而本发明所提供的方法使用如图3所示的图网络进行模型构造及进一步运算，在直接选用与分拣中心直接相关的合理特征的基础上，进一步包括了线路与分拣中心之间的连接信息，并通过引入时间维度更进一步加入了不同时间分拣中心之间的相关联信息，使得预测结果的准确性得到了进一步提高。
可选地，建立所述特定预测模型更进一步包括：
针对所述图网络的特性定义图卷积；以及
基于所述图卷积建立所述特定预测模型。
从图2中可以看出，针对一个分拣中心来说，向其运输的线路数量和从其运出的线路数量不一定是一致的，例如，针对一个分拣中心来讲，可能有只有一条线路向其运送货物但同时却有三条线路从其向外运输货物。这就导致了图网络不同于以像素为单位的传统标准图像，不适合使用现有的CNN(卷积神经网络)或RNN(循环神经网络)进行求解，因此本发明提出了一种针对图网络的运算方式，称为图卷积。
在一个实施例中，所述图卷积的计算方法如下：
Figure BDA0002357299680000081
其中，Λ是对应图的特征值组成的对角矩阵，
θk是需要学习的参数，
Tk是Chebyshev多项式，
Figure BDA0002357299680000082
L是图对应的拉普拉斯矩阵。
参考附图4，是根据本发明实施例的一种模型框架示意图。本发明提供的方法主要思想是将使用与分拣中心相关的预测指标作为特征，然后针对分拣货量的预测就变成了不改变图自身的结构，使用T-t到T时间内的图网络预测T+1时刻图中节点的状态。这样问题可以使用图时空网络进行求解即{X1，X2，…，XT}→XT+1。在一种实施方式中，图4的框架中可以使用图3中的图网络。可选地，所述与分拣中心相关的所述预测指标是特定时间单位内每个所述分拣中心的到货量和发货量。由于所述特定预测模型使用与分拣中心相关的预测指标作为特征，解决了现有技术中的间接预测方式在结果中混入的噪声，使得对分拣中心进出货量的预测更为准确。
下面继续参考附图4，对根据本发明一种实施例提供的一种模型框架的各个部分进行进一步描述。
第一部分：输入部分的构造
首先我们将图按照时间顺序进行排序，每张图可以表示成X1，X2，...，XT，其中任意时刻的
Figure BDA0002357299680000083
其中V代表图中节点的个数，P代表节点上特征的个数，在本问题中每个节点都有两个值，分别分拣中心的进货量和出货量。其中R代表实数集。将不同的时刻的图进行表示完后，我们可以参考NLP处理中的注意力机制，引入注意力函数得到不同时刻的图的权重，再与X进行点乘，将得到的结果作为网络的人输入。我们首先将所有X按到时间拼接一下得到：
inputt＝Xt⊙at (1)
a＝softmax(W′σ(W[X1，X2，...，XT])) (2)
其中W′和W是attention机制中的参数，其中
Figure BDA0002357299680000091
通过attention机制得到X的权重，进而得到输入模型的{input1，input2，...，inputT}。
第二部分：图卷积定义
一般的图卷积可以写成L的函数，其中
Figure BDA0002357299680000092
是图对应的拉普拉斯矩阵。
卷积定义如下：
Figure BDA0002357299680000093
其中Tk是Chebyshev多项式，Λ是对应图的特征值组成的对角矩阵，同时有
Figure BDA0002357299680000094
如果设定K＝1，那么卷积公式简化为
Figure BDA0002357299680000095
令
Figure BDA0002357299680000096
那么上面公式可以化为
Figure BDA0002357299680000097
再加上激活层就是我们常见的GCN公式
Figure BDA0002357299680000098
在一些实施例中，K的取值在实际意义上表示取某个点A周围的几圈特征来表示A。因此，公式(4)至(6)可以理解为公式(3)的一阶展开。优选地，我们可以将Tk推广到2阶，也就是K＝2，由此将图卷积进行扩散，因为在我们的业务场景中仓配货物居多，货物在分拣中心中转，大部分中转不会太多，大部分集中在2个分拣左右，所以将原来的图卷积再扩散一层，对我们做货量预测有更好的帮助。
第三部分：使用改进的DGRU
我们模型预测使用GRU的框架，但是在计算的时候，我们将GRU中原本的矩阵乘法，改成我们第二部分定义的图卷积，然后就得到下面从上到下顺序所示的公式(7)至(11)：
rt＝σ(Wr＊[ht-1，xt])
zt＝σ(Wz＊[ht-1，xt])
Figure BDA0002357299680000101
Figure BDA0002357299680000102
yt＝σ(Wo＊ht)
其中的＊表示使用新的图卷积公式。其中rt、zt、
Figure BDA0002357299680000103
ht、yt分别表示时刻t重置门、更新门、本次单元cell的待定输出、本次单元cell的实际输出、最后输出。Wr、Wz
Figure BDA0002357299680000104
Wo分别表示重置门、更新门、本次单元cell的待定输出、本次单元cell的实际输出、最后输出的权重大小。xt为时刻t的输入，ht-1为上一时刻单元cell的输出，σ(·)为激活函数，例如Sigmoid函数。tanh表示双曲正切函数
步骤S103：使用所述特定预测模型对所述输入数据组进行处理，得到预测结果数据。
在一个实施例中，得到的预测结果是在特定单位时间内某分拣中心的进货量和出货量，其中，所述特定时间单位可以是天、半天或小时。实际操作中，所述特定时间单位可以根据促销事件进行调整，例如，在圣诞促销之后的一周内，由于物流网络中的货量相较于平时势必大幅度增大，因此预测周期可以适当缩短。在一个实施方式中，所述预测结果数据可以是当前时间之后的一个或多个时间单位内的货量预测数据，从而实现提前预警有效部署的技术效果。
步骤S104：将所述预测结果数据输出至预警终端。
在一个实施方式中，所述预警终端可以是任意终端设备，例如计算机、笔记本电脑、平板电脑或手机等能够使得工作人员获悉未来货量预测数据的设备。
上述发明中的一个实施例具有如下优点或有益效果：因为采用直接针对分拣中心本身提炼特征从而建立预测模型的技术手段，所以有效减少了先计算线路上的货量再间接得到分拣中心货量而在结果中引入的噪声，提高了预测结果的准确性。并且通过将分拣中心和线路构造为图网络并在此基础上进一步引入时间维度并采用图卷积，因而在预测中全面涵盖了不同线路与分拣中心之间的关联信息以及不同时间分拣中心货量之间的关联信息，从而得到更准确的预测结果以对物流活动进行有效计划和监督，使各项物流活动实现最佳的协调与配合，以降低物流成本，提高物流效率和经济效益。
参考附图5，是根据本发明实施例的一种分层系统结构图，如图5所示，根据本发明实施例的一种分层系统结构图包括数据层510、服务层520、业务层530。
在一个实施例中，数据层510进一步包括历史数据511和实时数据512，服务层520进一步包括货量预测服务521，业务层530进一步包括PDA531和PC532。
在另一个实施例中，数据层510、服务层520和业务层530可以遵循如下设置。
1)数据层510：使用离线数据，或者使用系统实时数据，来获取历史上各个分拣中心的到货量和发货量。
2)服务层520：使用图时空网络进行货量预测。
3)业务层530：该模块获取服务层的预测结果，并推动到PC以及手机(手持终端设备PDA)进行短信或者电话报警。
图6是根据本发明实施例的货量预测的另一种方法的流程的示意图，如图6所示，根据本发明实施例的货量预测的另一种方法包括步骤S601、S602、S603、S604、S605、S606和S607。
步骤S601：接收输入数据组。
可选地，所述输入数据组包括历史数据和实时数据。
步骤S602：将所述分拣中心和线路构造为图网络。
步骤S603：将所述图网络在时间维度上构造为图时空网络。
步骤S604：针对所述图网络的特性定义图卷积。
可选地，所述图卷积的计算方法如下：
Figure BDA0002357299680000121
其中，Λ是对应图的特征值组成的对角矩阵，
θk是需要学习的参数，
Tk是Chebyshev多项式，
Figure BDA0002357299680000122
L是图对应的拉普拉斯矩阵。
步骤S605：基于所述图卷积建立特定预测模型，其中所述特定预测模型使用与分拣中心相关的预测指标作为特征。
步骤S606：使用所述特定预测模型对所述输入数据组进行处理，得到预测结果数据。
可选地，所述与分拣中心相关的所述预测指标是特定时间单位内每个所述分拣中心的到货量和发货量。
步骤S607：将所述预测结果数据输出至预警终端。
上述发明中的一个实施例具有如下优点或有益效果：因为采用直接针对分拣中心本身提炼特征从而建立预测模型的技术手段，所以有效减少了先计算线路上的货量再间接得到分拣中心货量而在结果中引入的噪声，提高了预测结果的准确性。并且通过将分拣中心和线路构造为图网络并在此基础上进一步引入时间维度并采用图卷积，因而在预测中全面涵盖了不同线路与分拣中心之间的关联信息以及不同时间分拣中心货量之间的关联信息，从而得到更准确的预测结果以对物流活动进行有效计划和监督，使各项物流活动实现最佳的协调与配合，以降低物流成本，提高物流效率和经济效益。
图7是根据本发明实施例的货量预测的装置700的主要模块的示意图，如图7所示，根据本发明实施例的货量预测的装置700包括输入接收模块701、模型建立模块702、数据处理模块703和结果输出模块704。
输入接收模块701，用于接收输入数据组。
模型建立模块702，用于建立特定预测模型，其中所述特定预测模型使用与分拣中心相关的预测指标作为特征。
数据处理模块703，用于使用所述特定预测模型对所述输入数据组进行处理，得到预测结果数据。
结果输出模块704，用于将所述预测结果数据输出至预警终端。
可选地，模型建立模块702进一步用于：
将所述分拣中心和线路构造为图网络；以及
将所述图网络在时间维度上构造为图时空网络
可选地，模型建立模块702进一步用于：
针对所述图网络的特性定义图卷积；以及
基于所述图卷积建立所述特定预测模型。
可选地，所述输入数据组包括历史数据和实时数据。
可选地，所述图卷积的计算方法如下：
Figure BDA0002357299680000141
其中，Λ是对应图的特征值组成的对角矩阵，
θk是需要学习的参数，
Tk是Chebyshev多项式，
Figure BDA0002357299680000142
L是图对应的拉普拉斯矩阵。
可选地，所述与分拣中心相关的所述预测指标是特定时间单位内每个所述分拣中心的到货量和发货量。
上述发明中的一个实施例具有如下优点或有益效果：因为采用直接针对分拣中心本身提炼特征从而建立预测模型的技术手段，所以有效减少了先计算线路上的货量再间接得到分拣中心货量而在结果中引入的噪声，提高了预测结果的准确性。并且通过将分拣中心和线路构造为图网络并在此基础上进一步引入时间维度并采用图卷积，因而在预测中全面涵盖了不同线路与分拣中心之间的关联信息以及不同时间分拣中心货量之间的关联信息，从而得到更准确的预测结果以对物流活动进行有效计划和监督，使各项物流活动实现最佳的协调与配合，以降低物流成本，提高物流效率和经济效益。
图8示出了可以应用本发明实施例的货量预测方法或货量预测装置的示例性系统架构800。
如图8所示，系统架构800可以包括终端设备801、802、803，网络804和服务器805。网络804用以在终端设备801、802、803和服务器805之间提供通信链路的介质。网络804可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备801、802、803通过网络804与服务器805交互，以接收或发送消息等。终端设备801、802、803上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备801、802、803可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器805可以是提供各种服务的服务器，例如对用户利用终端设备801、802、803所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是，本发明实施例所提供的货量预测方法一般由服务器805执行，相应地，货量预测装置一般设置于服务器805中。
应该理解，图8中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图9，其示出了适于用来实现本发明实施例的终端设备的计算机系统900的结构示意图。图9示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图9所示，计算机系统900包括中央处理单元(CPU)901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中，还存储有系统900操作所需的各种程序和数据。CPU 901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
以下部件连接至I/O接口905：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被中央处理单元(CPU)901执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括输入接收模块、模型建立模块、数据处理模块和结果输出模块。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，输入接收模块还可以被描述为“用于接收输入数据组的模块”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：接收输入数据组；建立特定预测模型，其中所述特定预测模型使用与分拣中心相关的预测指标作为特征；使用所述特定预测模型对所述输入数据组进行处理，得到预测结果数据；以及将所述预测结果数据输出至预警终端。
上述发明中的一个实施例具有如下优点或有益效果：因为采用直接针对分拣中心本身提炼特征从而建立预测模型的技术手段，所以有效减少了先计算线路上的货量再间接得到分拣中心货量而在结果中引入的噪声，提高了预测结果的准确性。并且通过将分拣中心和线路构造为图网络并在此基础上进一步引入时间维度并采用图卷积，因而在预测中全面涵盖了不同线路与分拣中心之间的关联信息以及不同时间分拣中心货量之间的关联信息，从而得到更准确的预测结果以对物流活动进行有效计划和监督，使各项物流活动实现最佳的协调与配合，以降低物流成本，提高物流效率和经济效益。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种货量预测的方法，其特征在于，包括：
接收输入数据组；
建立特定预测模型，其中所述特定预测模型使用与分拣中心相关的预测指标作为特征；
使用所述特定预测模型对所述输入数据组进行处理，得到预测结果数据；以及
将所述预测结果数据输出至预警终端。
2.根据权利要求1所述的方法，其特征在于，其中，建立所述特定预测模型进一步包括：
将所述分拣中心和线路构造为图网络；以及
将所述图网络在时间维度上构造为图时空网络。
3.根据权利要求2所述的方法，其特征在于，其中，建立所述特定预测模型进一步包括：
针对所述图网络的特性定义图卷积；以及
基于所述图卷积建立所述特定预测模型。
4.根据权利要求3所述的方法，其特征在于，其中，所述图卷积的计算方法如下：
Figure FDA0002357299670000011
其中，Λ是对应图的特征值组成的对角矩阵，
θk是需要学习的参数，
Tk是Chebyshev多项式，
Figure FDA0002357299670000012
是图对应的拉普拉斯矩阵。
5.根据权利要求1所述的方法，其特征在于，其中，所述与分拣中心相关的所述预测指标是特定时间单位内每个所述分拣中心的到货量和发货量。
6.根据权利要求1所述的方法，其特征在于，其中，所述输入数据组包括历史数据和实时数据。
7.一种货量预测的装置，其特征在于，包括：
输入接收模块，用于接收输入数据组；
模型建立模块，用于建立特定预测模型，其中所述特定预测模型使用与分拣中心相关的预测指标作为特征；
数据处理模块，用于使用所述特定预测模型对所述输入数据组进行处理，得到预测结果数据；以及
结果输出模块，用于将所述预测结果数据输出至预警终端。
8.根据权利要求7所述的装置，其特征在于，其中，所述模型建立模块进一步用于：
将所述分拣中心和线路构造为图网络；以及
将所述图网络在时间维度上构造为图时空网络。
9.一种货量预测电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
CN202010011472.2A 2020-01-06 2020-01-06 货量预测的方法和装置 Pending CN113077072A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010011472.2A CN113077072A (zh) 2020-01-06 2020-01-06 货量预测的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010011472.2A CN113077072A (zh) 2020-01-06 2020-01-06 货量预测的方法和装置

Publications (1)

Publication Number Publication Date
CN113077072A true CN113077072A (zh) 2021-07-06

Family

ID=76608938

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010011472.2A Pending CN113077072A (zh) 2020-01-06 2020-01-06 货量预测的方法和装置

Country Status (1)

Country Link
CN (1) CN113077072A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160232637A1 (en) * 2013-09-20 2016-08-11 Nec Corporation Shipment-Volume Prediction Device, Shipment-Volume Prediction Method, Recording Medium, and Shipment-Volume Prediction System
CN107944598A (zh) * 2017-10-31 2018-04-20 苏宁云商集团股份有限公司 一种物流路径配置方法及系统
CN109344960A (zh) * 2018-09-01 2019-02-15 哈尔滨工程大学 一种防止数据信息丢失的dgru神经网络及其预测模型建立方法
CN109543924A (zh) * 2018-12-20 2019-03-29 上海德启信息科技有限公司 货量预测方法、装置和计算机设备
CN109754605A (zh) * 2019-02-27 2019-05-14 中南大学 一种基于注意力时态图卷积网络的交通预测方法
US20190312898A1 (en) * 2018-04-10 2019-10-10 Cisco Technology, Inc. SPATIO-TEMPORAL ANOMALY DETECTION IN COMPUTER NETWORKS USING GRAPH CONVOLUTIONAL RECURRENT NEURAL NETWORKS (GCRNNs)
CN110348613A (zh) * 2019-06-24 2019-10-18 深圳市恒路物流股份有限公司 分拨中心智能物流管理方法及系统
CN110413844A (zh) * 2019-05-24 2019-11-05 浙江工业大学 基于时空注意力深度模型的动态链路预测方法
CN110648527A (zh) * 2019-08-20 2020-01-03 浙江工业大学 一种基于深度学习模型的交通速度预测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160232637A1 (en) * 2013-09-20 2016-08-11 Nec Corporation Shipment-Volume Prediction Device, Shipment-Volume Prediction Method, Recording Medium, and Shipment-Volume Prediction System
CN107944598A (zh) * 2017-10-31 2018-04-20 苏宁云商集团股份有限公司 一种物流路径配置方法及系统
US20190312898A1 (en) * 2018-04-10 2019-10-10 Cisco Technology, Inc. SPATIO-TEMPORAL ANOMALY DETECTION IN COMPUTER NETWORKS USING GRAPH CONVOLUTIONAL RECURRENT NEURAL NETWORKS (GCRNNs)
CN109344960A (zh) * 2018-09-01 2019-02-15 哈尔滨工程大学 一种防止数据信息丢失的dgru神经网络及其预测模型建立方法
CN109543924A (zh) * 2018-12-20 2019-03-29 上海德启信息科技有限公司 货量预测方法、装置和计算机设备
CN109754605A (zh) * 2019-02-27 2019-05-14 中南大学 一种基于注意力时态图卷积网络的交通预测方法
CN110413844A (zh) * 2019-05-24 2019-11-05 浙江工业大学 基于时空注意力深度模型的动态链路预测方法
CN110348613A (zh) * 2019-06-24 2019-10-18 深圳市恒路物流股份有限公司 分拨中心智能物流管理方法及系统
CN110648527A (zh) * 2019-08-20 2020-01-03 浙江工业大学 一种基于深度学习模型的交通速度预测方法

Similar Documents

Publication Publication Date Title
CN110555640B (zh) 路由规划的方法和装置
CN113259144B (zh) 一种仓储网络规划方法和装置
US11334758B2 (en) Method and apparatus of data processing using multiple types of non-linear combination processing
CN113763093A (zh) 一种基于用户画像的物品推荐方法和装置
CN112819263A (zh) 一种调度客服的方法和装置
CN114202130A (zh) 流转量预测多任务模型生成方法、调度方法、装置和设备
CN112686418A (zh) 一种履约时效预测方法和装置
CN111044062B (zh) 路径规划、推荐方法和装置
CN113988485B (zh) 站点到货量预测方法、装置、电子设备和计算机可读介质
CN113255950B (zh) 一种优化物流网络的方法和装置
CN112784212B (zh) 一种优化库存的方法和装置
CN115660244A (zh) 路线信息生成方法、装置、设备和介质
CN112633541A (zh) 一种基于单品流的库存网络优化方法和装置
CN113077072A (zh) 货量预测的方法和装置
CN115619142A (zh) 匹配数据的方法、装置、设备和计算机可读介质
CN113111133A (zh) 用户分类的方法和装置
CN112085359A (zh) 信息生成方法、装置、电子设备和计算机可读介质
CN111161067A (zh) 一种交易路由的确定方法和装置
CN114202292B (zh) 备货信息发送方法、装置、电子设备和计算机可读介质
CN113905070B (zh) 一种服务提供方法和系统
CN113313439B (zh) 一种计算妥投时长的方法和装置
CN113095756B (zh) 异常运单特征确定方法、装置、设备和计算机可读介质
CN113256194B (zh) 确定配送中心自留库存的方法和装置
CN113362097B (zh) 一种用户确定方法和装置
US20240183670A1 (en) Route generation for vehicle routing problem and variants thereof

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