CN113538026B - 一种业务量计算方法和装置 - Google Patents

Abstract

本发明公开了一种业务量计算方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：获取预设时间段的业务量数据，根据所述预设时间段的业务量数据的数据长度确定计算时间粒度，根据预设时间段的业务量数据，在计算时间粒度下通过选择的时序模型，计算计划时间长度内的所述计算时间粒度的业务量，进而计算出计划时间长度内的指定时间粒度的业务量。该实施方式能兼顾不同时间粒度的计算结果，减少结果出现的误差，满足中长期业务量预测需求，泛化能力强，无需繁琐的特征提取即可获得较高计算准确度。

Description

一种业务量计算方法和装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种业务量计算方法和装置。

背景技术

在物流规划的场景，以未来物流运输量计算为例，随着物流仓配业务的迅速增长，同时应对长期发展的需要，对物流场地和线路的规划提出了更高的要求，需要根据业务趋势的变化迅速做出反应，因此需要物流运输量做个长期规划，以支持制订仓配网络发展布局，同时为业务规划提供基础数据，并指导规划。

现有方案中，一是使用传统时序模型进行计算，往往只能满足短期规划需求，而用于中长期规划时则会随着计划时间长度的增加，误差也逐渐增加；二是使用机器学习模型，提取的特征很大程度上决定了模型的优劣，但现实情况下，数据质量往往较差，影响计算的准确度。

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：

采用传统时序模型在中长期规划时得到的结果误差较大，而采用机器学习模型特征提取工作繁琐，数据质量差从而影响计算准确度。

发明内容

有鉴于此，本发明实施例提供一种业务量计算方法和装置，能够兼顾不同时间粒度的计算结果，减少结果出现的误差，并满足中长期业务量预测需求，泛化能力强，无需进行繁琐的特征提取即可获得较高的计算准确度。

为实现上述目的，根据本发明实施例的一个方面，提供了一种业务量计算方法。

一种业务量计算方法，包括：获取预设时间段的业务量数据，根据所述预设时间段的业务量数据的数据长度确定计算时间粒度；根据所述预设时间段的业务量数据，在所述计算时间粒度下通过选择的时序模型，计算计划时间长度内的所述计算时间粒度的业务量；根据所述计划时间长度内的所述计算时间粒度的业务量，计算所述计划时间长度内的指定时间粒度的业务量。

可选地，当所述计算时间粒度为多个时，根据该多个计算时间粒度下的时序模型的置信区间随时间长度的变化情况，对所述计划时间长度分段以确定各分段对应的计算时间粒度，根据所述各分段对应的计算时间粒度的业务量，分别计算所述各分段内的指定时间粒度的业务量，从而得到所述计划时间长度内的指定时间粒度的业务量。

可选地，利用历史数据对所有时间粒度下的时序模型进行学习，以得到所述所有时间粒度下的时序模型的置信区间随时间长度的变化情况，其中，所述历史数据包括所述预设时间段的业务量数据，所述所有时间粒度包括所述多个计算时间粒度。

可选地，所述根据所述预设时间段的业务量数据的数据长度确定计算时间粒度，包括：在所述预设时间段的业务量数据的数据长度小于第一阈值时，所述计算时间粒度为天粒度；在所述预设时间段的业务量数据的数据长度大于或等于所述第一阈值且小于第二阈值时，所述计算时间粒度为天粒度和周粒度；在所述预设时间段的业务量数据的数据长度大于或等于所述第二阈值时，所述计算时间粒度为天粒度、周粒度和月粒度；其中，所述第一阈值、所述第二阈值根据所述所有时间粒度下的时序模型的置信区间随时间长度的变化情况确定，所述所有时间粒度包括天粒度、周粒度、月粒度。

可选地，所述当所述计算时间粒度为多个时，根据该多个计算时间粒度下的时序模型的置信区间随时间长度的变化情况，对所述计划时间长度分段以确定各分段对应的计算时间粒度，包括：分别确定所述多个计算时间粒度下的时序模型的置信区间上限值不超过各自预期值时的最大时间点；在所述多个计算时间粒度为天粒度和周粒度的情况下，根据第一最大时间点将所述计划时间长度分为至多两个分段，所述第一最大时间点为天粒度下的时序模型的置信区间上限值不超过其预期值时的最大时间点，其中，时间点小于或等于所述第一最大时间点的分段为第一分段，时间点大于所述第一最大时间点的分段为第二分段；在所述多个计算时间粒度为天粒度、周粒度和月粒度的情况下，根据所述第一最大时间点、第二最大时间点将所述计划时间长度分为至多三个分段，所述第二最大时间点为周粒度下的时序模型的置信区间上限值不超过各自预期值时的最大时间点，其中，时间点小于或等于所述第一最大时间点的分段为第三分段，时间点在所述第一最大时间点和所述第二最大时间点之间的分段为第四分段，时间点大于所述第二最大时间点的分段为第五分段。

可选地，所述根据所述各分段对应的计算时间粒度的业务量，分别计算所述各分段内的指定时间粒度的业务量，包括：在所述多个计算时间粒度为天粒度和周粒度的情况下，根据所述第一分段内的天粒度、周粒度的业务量，计算所述第一分段内的指定时间粒度的业务量；根据所述第二分段内的周粒度的业务量，计算所述第二分段内的指定时间粒度的业务量；在所述多个计算时间粒度为天粒度、周粒度和月粒度的情况下，根据所述第三分段内的天粒度、周粒度、月粒度的业务量，计算所述第三分段内的指定时间粒度的业务量；根据所述第四分段内的周粒度、月粒度的业务量，计算所述第四分段内的指定时间粒度的业务量；根据所述第五分段内的月粒度的业务量，计算所述第五分段内的指定时间粒度的业务量。

可选地，所述根据所述预设时间段的业务量数据，在所述计算时间粒度下通过选择的时序模型，计算计划时间长度内的所述计算时间粒度的业务量，包括：判断所述预设时间段的业务量数据的数据长度在所述计算时间粒度下是否达到预设数量的季节周期，若是，则选择季节性时序模型来计算所述计划时间长度内的所述计算时间粒度的业务量，否则，选择非季节性时序模型来计算所述计划时间长度内的所述计算时间粒度的业务量。

根据本发明实施例的另一方面，提供了一种业务量计算装置。

一种业务量计算装置，包括：时间粒度确定模块，用于获取预设时间段的业务量数据，根据所述预设时间段的业务量数据的数据长度确定计算时间粒度；第一业务量计算模块，用于根据所述预设时间段的业务量数据，在所述计算时间粒度下通过选择的时序模型，计算计划时间长度内的所述计算时间粒度的业务量；第二业务量计算模块，根据所述计划时间长度内的所述计算时间粒度的业务量，计算所述计划时间长度内的指定时间粒度的业务量。

可选地，所述第二业务量计算模块还用于：当所述计算时间粒度为多个时，根据该多个计算时间粒度下的时序模型的置信区间随时间长度的变化情况，对所述计划时间长度分段以确定各分段对应的计算时间粒度，根据所述各分段对应的计算时间粒度的业务量，分别计算所述各分段内的指定时间粒度的业务量，从而得到所述计划时间长度内的指定时间粒度的业务量。

可选地，所述时间粒度确定模块还用于：利用历史数据对所有时间粒度下的时序模型进行学习，以得到所述所有时间粒度下的时序模型的置信区间随时间长度的变化情况，其中，所述历史数据包括所述预设时间段的业务量数据，所述所有时间粒度包括所述多个计算时间粒度。

可选地，时间粒度确定模块还用于：在所述预设时间段的业务量数据的数据长度小于第一阈值时，所述计算时间粒度为天粒度；在所述预设时间段的业务量数据的数据长度大于或等于所述第一阈值且小于第二阈值时，所述计算时间粒度为天粒度和周粒度；在所述预设时间段的业务量数据的数据长度大于或等于所述第二阈值时，所述计算时间粒度为天粒度、周粒度和月粒度；其中，所述第一阈值、所述第二阈值根据所述所有时间粒度下的时序模型的置信区间随时间长度的变化情况确定，所述所有时间粒度包括天粒度、周粒度、月粒度。

可选地，第二业务量计算模块包括分段确定子模块，用于：分别确定所述多个计算时间粒度下的时序模型的置信区间上限值不超过各自预期值时的最大时间点；在所述多个计算时间粒度为天粒度和周粒度的情况下，根据第一最大时间点将所述计划时间长度分为至多两个分段，所述第一最大时间点为天粒度下的时序模型的置信区间上限值不超过其预期值时的最大时间点，其中，时间点小于或等于所述第一最大时间点的分段为第一分段，时间点大于所述第一最大时间点的分段为第二分段；在所述多个计算时间粒度为天粒度、周粒度和月粒度的情况下，根据所述第一最大时间点、第二最大时间点将所述计划时间长度分为至多三个分段，所述第二最大时间点为周粒度下的时序模型的置信区间上限值不超过各自预期值时的最大时间点，其中，时间点小于或等于所述第一最大时间点的分段为第三分段，时间点在所述第一最大时间点和所述第二最大时间点之间的分段为第四分段，时间点大于所述第二最大时间点的分段为第五分段。

可选地，第二业务量计算模块包括业务量计算子模块，用于：在所述多个计算时间粒度为天粒度和周粒度的情况下，根据所述第一分段内的天粒度、周粒度的业务量，计算所述第一分段内的指定时间粒度的业务量；根据所述第二分段内的周粒度的业务量，计算所述第二分段内的指定时间粒度的业务量；在所述多个计算时间粒度为天粒度、周粒度和月粒度的情况下，根据所述第三分段内的天粒度、周粒度、月粒度的业务量，计算所述第三分段内的指定时间粒度的业务量；根据所述第四分段内的周粒度、月粒度的业务量，计算所述第四分段内的指定时间粒度的业务量；根据所述第五分段内的月粒度的业务量，计算所述第五分段内的指定时间粒度的业务量。

可选地，第一业务量计算模块还用于：判断所述预设时间段的业务量数据的数据长度在所述计算时间粒度下是否达到预设数量的季节周期，若是，则选择季节性时序模型来计算所述计划时间长度内的所述计算时间粒度的业务量，否则，选择非季节性时序模型来计算所述计划时间长度内的所述计算时间粒度的业务量。

根据本发明实施例的又一方面，提供了一种电子设备。

一种电子设备，包括：一个或多个处理器；存储器，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时，使得所述一个或多个处理器实现本发明实施例所提供的业务量计算方法。

根据本发明实施例的又一方面，提供了一种计算机可读介质。

一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例所提供的业务量计算方法。

上述发明中的一个实施例具有如下优点或有益效果：获取预设时间段的业务量数据，根据预设时间段的业务量数据的数据长度确定计算时间粒度；根据预设时间段的业务量数据，在计算时间粒度下通过选择的时序模型，计算计划时间长度内的计算时间粒度的业务量，进而计算出计划时间长度内的指定时间粒度的业务量。能够兼顾不同时间粒度的计算结果，减少结果出现的误差，并满足中长期业务量预测需求，泛化能力强，无需进行繁琐的特征提取即可获得较高的计算准确度。

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是根据本发明一个实施例的业务量计算方法的主要步骤示意图；

图2是根据本发明一个实施例的运输量计算流程示意图；

图3是根据本发明一个实施例的日计划策略的执行流程示意图；

图4是根据本发明一个实施例的周计划策略的执行流程示意图；

图5是根据本发明一个实施例的月计划策略的执行流程示意图；

图6是根据本发明一个实施例的运输量计算的算法结构示意图；

图7是根据本发明一个实施例的业务量计算装置的主要模块示意图；

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。

图1是根据本发明实施例的业务量计算方法的主要步骤示意图。

如图1所示，本发明实施例的业务量计算方法主要包括如下的步骤S101至步骤S103。

步骤S101：获取预设时间段的业务量数据，根据预设时间段的业务量数据的数据长度确定计算时间粒度。

步骤S102：根据预设时间段的业务量数据，在计算时间粒度下通过选择的时序模型，计算计划时间长度内的计算时间粒度的业务量。

步骤S103：根据计划时间长度内的计算时间粒度的业务量，计算计划时间长度内的指定时间粒度的业务量。

在一个实施例中，当计算时间粒度为多个时，根据该多个计算时间粒度下的时序模型的置信区间随时间长度的变化情况，对计划时间长度分段以确定各分段对应的计算时间粒度，根据各分段对应的计算时间粒度的业务量，分别计算各分段内的指定时间粒度的业务量，从而得到计划时间长度内的指定时间粒度的业务量。

可以利用历史数据对所有时间粒度下的时序模型进行学习，以得到所有时间粒度下的时序模型的置信区间随时间长度的变化情况，历史数据包括获取的预设时间段的业务量数据，所有时间粒度包括上述的多个计算时间粒度。

计算时间粒度即业务量计算所使用的时间粒度。

在一个实施例中，根据预设时间段的业务量数据的数据长度确定计算时间粒度，具体可以包括：在该预设时间段的业务量数据的数据长度小于第一阈值时，计算时间粒度为天粒度；在该预设时间段的业务量数据的数据长度大于或等于第一阈值且小于第二阈值时，计算时间粒度为天粒度和周粒度；在该预设时间段的业务量数据的数据长度大于或等于第二阈值时，计算时间粒度为天粒度、周粒度和月粒度。

其中，第一阈值、第二阈值根据所有时间粒度下的时序模型的置信区间随时间长度的变化情况确定，例如，获取各时间粒度下时序模型的置信区间上限值不超过各自预期值时的最大时间点(按照最小时间粒度，即天粒度)，假设天粒度下对应的该最大时间点为7天、周粒度下对应的该最大时间点为28天(4周，按照最小时间粒度即28天)，那么第一阈值可以取为大于7天，第二阈值可以取为大于28天。优选地，可以使数据长度在大于两周的情况下采用天粒度和周粒度，数据长度大于两个月的情况下采用天粒度、周粒度、月粒度，即第一阈值设置为14、第二阈值设置为62(以一个月最长31天来计算)。

所有时间粒度包括天粒度、周粒度、月粒度。

在一个实施例中，当计算时间粒度为多个时，根据该多个计算时间粒度下的时序模型的置信区间随时间长度的变化情况，对计划时间长度分段以确定各分段对应的计算时间粒度，具体可以包括：分别确定该多个计算时间粒度下的时序模型的置信区间上限值不超过各自预期值时的最大时间点；在多个计算时间粒度为天粒度和周粒度的情况下，根据第一最大时间点将计划时间长度分为至多两个分段，第一最大时间点为天粒度下的时序模型的置信区间上限值不超过其预期值时的最大时间点，其中，时间点小于或等于第一最大时间点的分段为第一分段，时间点大于第一最大时间点的分段为第二分段；在该多个计算时间粒度为天粒度、周粒度和月粒度的情况下，根据第一最大时间点、第二最大时间点将计划时间长度分为至多三个分段，第二最大时间点为周粒度下的时序模型的置信区间上限值不超过各自预期值时的最大时间点，其中，时间点小于或等于第一最大时间点的分段为第三分段，时间点在第一最大时间点和第二最大时间点之间(即大于第一最大时间点且小于或等于第二最大时间点)的分段为第四分段，时间点大于第二最大时间点的分段为第五分段。各时间粒度下时序模型的置信区间上限值的预期值根据需求确定。根据各分段对应的计算时间粒度的业务量，分别计算各分段内的指定时间粒度的业务量，具体可以包括：在多个计算时间粒度为天粒度和周粒度的情况下，根据第一分段内的天粒度、周粒度的业务量，计算第一分段内的指定时间粒度的业务量；根据第二分段内的周粒度的业务量，计算第二分段内的指定时间粒度的业务量；在多个计算时间粒度为天粒度、周粒度和月粒度的情况下，根据第三分段内的天粒度、周粒度、月粒度的业务量，计算第三分段内的指定时间粒度的业务量；根据第四分段内的周粒度、月粒度的业务量，计算第四分段内的指定时间粒度的业务量；根据第五分段内的月粒度的业务量，计算第五分段内的指定时间粒度的业务量。

在一个实施例中，根据获取的预设时间段的业务量数据，在计算时间粒度下通过选择的时序模型，计算计划时间长度内的计算时间粒度的业务量，包括：判断该预设时间段的业务量数据的数据长度在计算时间粒度下是否达到预设数量的季节周期，若是，则选择季节性时序模型来计算计划时间长度内的计算时间粒度的业务量，否则，选择非季节性时序模型来计算计划时间长度内的计算时间粒度的业务量。

下面以物流运输量(简称运输量)计算为例，详细介绍本发明实施例的业务量计算方法。

图2是根据本发明一个实施例的运输量计算流程示意图。

如图2所示，输入数据包括元数据、数据起始日期、数据截止日期、计划长度等，元数据为获取的历史运输量数据(即获取的预设时间段的业务量数据)。计划长度为计划预测到未来的某个时间点距离当前时间的时间长度，也可以称为计划时间长度，例如计划预测未来10天的每日运输量，那么计划长度(或称计划时间长度)＝10。本实施例中指定时间粒度以天粒度为例。

输入数据的数据标准规范如表1所示，运输量的单位可以为：单，例如表1中运输量“10”表示10单。

表1

ds(日期)	y(运输量)
		2019-01-01	10
…	…

输出结果的数据标准规范如表2所示。其中y列中对于历史真实运输量有数值，对于未来真实运输量无数值(为空)。

表2

ds(日期)	(计划运输量)	y(真实运输量)
			2019-01-01	15	12
…	…	…

图2中数据长度(size)是获取的历史运输量数据列表的长度，历史运输量数据列表是按日期选取的，因此数据长度即为历史运输量数据对应的时间长度，例如，选取过去60天的历史运输量，那么数据长度＝60。

接收到输入数据后，判断数据长度(size)是否为0，如果是则返回预测结果为空，即无业务量计算结果，结束流程；否则，判断数据长度是否小于14天；

如果数据长度小于14天，则执行日计划策略，否则，判断数据长度是否小于62天；

如果数据长度小于62天，则依次执行日计划策略、周计划策略，否则，依次执行日计划策略、周计划策略、月计划策略。

其中，在执行日计划策略的情况下，计算时间粒度为天粒度，那么在天粒度下选择时序模型，计算计划长度内每天的未来运输量，作为最终输出的每日未来运输量(即计划时间长度内的指定时间粒度的业务量)。

在依次执行日计划策略、周计划策略的情况下，计算时间粒度为天粒度、周粒度，那么分别在天粒度、周粒度下选择时序模型，计算计划长度内每天和每周的未来运输量。然后，根据计算出的计划长度内每天(天粒度)和每周(周粒度)的未来运输量，计算最终输出的每日未来运输量(即计划时间长度内的指定时间粒度的业务量)。具体地，根据天粒度、周粒度下的时序模型的置信区间随时间长度的变化情况，对计划长度分段以确定各分段对应的计算时间粒度，例如，假设天粒度下的时序模型的置信区间上限值在未来第7天之后超过其预期值(即不超过其预期值的最大时间点为7天)那么利用该最大时间点(7天)将计划长度分为至多两个分段，其中如果计划长度小于或等于7天，则分为一个分段，如果计划长度大于7天，则以7天为分界划分为两个分段。假设计划长度为5，那么分段数量为一个，并将每周的未来运输量转化为每天的未来运输量，然后计算出：

其中，为根据天粒度下的时序模型得到的每天的未来运输量，/>为根据周粒度下的时序模型得到的每周的未来运输量的转化后的每天的未来运输量。在将每周的未来运输量转化为每天的未来运输量时，可以根据过去两周内每天的运输量统计一周内每天的贡献度，该贡献度体现了每天的运输量在一周总运输量的占比，其中，可以分别计算每周内每天的贡献度，再将两周对应一周的同一天(同一天：例如都是周一)的贡献度取平均值，得到最终的一周内每天贡献度。将周粒度下的时序模型得到的每周的未来运输量与最终的一周内每天贡献度相乘，即得到转化后的每天的未来运输量。

假设计划长度为10，那么按照上述分段方法，分段的数量为两个，未来第1天至第7天为第一分段，未来第8天至第10天为第二分段，其中：

对于第一分段，最终输出的每日未来运输量为

对于第二分段，最终输出的每日未来运输量为

在依次执行日计划策略、周计划策略、月计划策略的情况下，计算时间粒度为天粒度、周粒度、月粒度，那么分别在天粒度、周粒度、月粒度下选择时序模型，计算计划长度内每天、每周、每月的未来运输量。然后，根据计算出的计划长度内每天(天粒度)、每周(周粒度)、每月(月粒度)的未来运输量，计算最终输出的每日未来运输量(即计划时间长度内的指定时间粒度的业务量)。具体地，根据天粒度、周粒度、月粒度下的时序模型的置信区间随时间长度的变化情况，对计划长度分段以确定各分段对应的时间粒度，例如，假设天粒度下的时序模型的置信区间上限值在未来第7天之后超过其预期值(即不超过其预期值的最大时间点为7天)，周粒度下的时序模型的置信区间上限值在未来第4周(即未来第28天)之后超过预期值(即不超过其预期值的最大时间点为28天)，月粒度下的时序模型的置信区间上限值在未来无限长时间(视为无穷大)之后超过预期值，根据7天、28天对计划长度分为至多三个分段，其中，如果计划长度小于或等于7天，则分为一个分段，如果计划长度大于7天且小于或等于28天，则以7天为分界划分为两个分段，如果计划长度大于28天，则以7天、28天为分界划分为三个分段。

假设计划长度为40，那么分段的数量为三个：未来第1天至第7天为第三分段，未来第8天至第28天为第四分段，未来第29天至第40天为第五分段，其中：

对于第三分段，根据最终输出的每日未来运输量为：

对于第四分段，最终输出的每日未来运输量为

对于第五分段，最终输出的每日未来运输量为

其中，为根据天粒度下的时序模型得到的每天的未来运输量，/>为根据周粒度下的时序模型得到的每周的未来运输量的转化后的每天的未来运输量，/>为根据月粒度下的时序模型得到的每月的未来运输量的转化后的每天的未来运输量。在将每月的未来运输量转化为每天的未来运输量时，与将每周的未来运输量转化为每天的未来运输量类似，具体是根据过去两月内每天的运输量统计一月内每天的贡献度，该贡献度体现了每天的运输量在一个月总运输量的占比，将月粒度下的时序模型得到的每月的未来运输量与一个月每天的贡献度相乘，即得到转化后的每天的未来运输量。

天粒度、周粒度、月粒度下的时序模型的置信区间随时间长度的变化情况，是利用历史数据分别对天粒度、周粒度、月粒度下的时序模型学习得到的。历史数据包括输入的历史运输量数据。以天粒度下的时序模型为例，利用历史数据，可以通过得到的历史误差(预测出的运输量与真实运输量的误差)学习得到时序模型的置信度，在一定的置信度下，对历史运输量预测时每天的误差的置信区间上限值满足一个区间范围，随着时间变化置信区间上限值逐渐增大，通过学习可以得到，在7天之内(包括7天)置信区间上限值在预期值之内，而时间超过7天则超出预期值，说明天粒度下的时序模型预测未来7天的运输量准确度较高，而预测未来7天后的运输量准确度大大下降，那么根据7天这个时间点可以对计划长度分段，在超过7天时只采用周粒度或周粒度和月粒度来计算未来每日运输量。同理，通过历史数据可以学习得到周粒度、月粒度下的时序模型的置信度，并得到周粒度、月粒度下的时序模型的置信区间随时间长度的变化情况，进而得到周粒度的时序模型的置信区间上限值在28天之内(包括28天)在其预期值之内，而超过28天则超出其预期值，月粒度下的时序模型的置信区间上限值在未来无限长时间之后超过其预期值。

对于不同的数据长度，在执行日计划策略、周计划策略、月计划策略可以采用不同类型的时序模型。

下面分别介绍本发明实施例的日计划策略、周计划策略、月计划策略的执行流程。

本发明一个实施例的日计划策略的执行流程如图3所示，首先进行数据处理，可以从输入的历史运输量数据中最多保留最近60天的历史运输量数据，以避免大量的数据会造成模型计算速度慢而对模型的效果提升有限，如果输入的历史运输量数据的时间长度不足60天，则全部保留。执行日计划策略时计算的时间粒度为天粒度，在天粒度下选择时序模型，其中，判断数据长度是否小于14，如果是，则选择非季节性时序模型，主要包括SES(简单指数平滑)、SA(简单平均)等，选择的时序模型可以为多个，输出结果是选择的所有时序模型输出结果的均值；如果不是，则选择季节性时序模型，季节周期为7，季节性时序模型主要包括ETS(空间状态模型)、SARIMA(季节性差分自回归滑动平均模型)等，输出结果是选择的所有时序模型输出结果的均值。

本发明一个实施例的周计划策略的执行流程如图4所示，首先进行数据处理，可以从输入的历史运输量数据中最多保留最近365天的历史运输量数据，如果输入的历史运输量数据的时间长度不足365天，则全部保留。然后聚合为周粒度数据，判断数据长度在周粒度下是否小于4(即4周)，如果是，则使用非季节性时序模型，主要包括SES、SA等，输出结果是选择的所有时序模型输出结果的均值；如果不是，则选择季节性时序模型，季节周期为4，季节性时序模型主要包括ETS、SARIMA等，输出结果是选择的所有时序模型输出结果的均值。

本发明一个实施例的月计划策略的执行流程如图5所示，首先进行数据处理，可以从输入的历史运输量数据中最多保留最近两年的历史运输量数据，如果输入的历史运输量数据的时间长度不足两年，则全部保留。将这些数据聚合为月粒度数据。判断数据长度在月粒度下是否大于12(即12个月)，如果是，则使用季节性时序模型，主要包括ETS、ARIMA、SARIMA等，输出结果是选择的所有时序模型输出结果的均值；如果不是，则使用非季节性时序模型，主要包括SES、SA等，输出结果是选择的所有时序模型输出结果的均值。

优选地，当数据长度在月粒度下不大于12时，还可以判断数据长度是否大于3，其中，如果大于3，则表示物流运输量是关于非新品(不是新上市商品)的运输量，那么选择相对复杂的非季节性时序模型，输出结果是选择的所有时序模型输出结果的均值；如果不大于3，则表示物流运输量是关于新品(新上市商品)的运输量，那么选择相对简单的非季节性时序模型，输出结果是选择的所有时序模型输出结果的均值，以提高预测效率，具体的模型选择可以根据需求确定。

本发明实施例能够兼顾不同时间粒度的计算结果，特别是在进行中长期运输量计算时能够兼顾小时间粒度(例如天粒度、周粒度)的计算结果，避免造成计算结果季节性缺失，减少计算结果出现的误差，并且泛化能力强，无需进行繁琐的特征提取即可获得较高的计算准确度。

图6是根据本发明一个实施例的运输量计算的算法结构示意图。

如图6所示，本发明一个实施例的中长期运输量计算的算法结构包括月计划、周计划、日计划三种粒度，每一种计划粒度都由多种时序模型融合方案生成。对于月计划的季节周期(或称计划周期，简称周期)为12，周计划的周期为4，天计划的周期为30。选取的时序模型主要包括简单模型、简单平均(SA)、简单指数平滑(SES)、空间状态模型(ETS)、ARIMAX(多元平稳时间序列)。中长期运输量计算流程包括：清洗历史运输量数据；分别建立月计划、周计划、日计划三种不同时间粒度的策略；确定计算的时间粒度(例如天粒度，或天粒度+周粒度；或天粒度+周粒度+月粒度)；将所确定的各时间粒度的计算结果转化为指定时间粒度(例如天粒度)，并对计划长度分段计算指定时间粒度的业务量，例如未来7天内，根据每天的未来运输量和由每周的未来运输量转化得到的每天的未来运输量，计算最终的每日未来运输量。各种情况的计算方法上文已经详细介绍，不再赘述。

图7是根据本发明一个实施例的业务量计算装置的主要模块示意图。

如图7所示，本发明一个实施例的业务量计算装置700主要包括：时间粒度确定模块701、第一业务量计算模块702、第二业务量计算模块703。

时间粒度确定模块701，用于获取预设时间段的业务量数据，根据预设时间段的业务量数据的数据长度确定计算时间粒度。

第一业务量计算模块702，用于根据预设时间段的业务量数据，在计算时间粒度下通过选择的时序模型，计算计划时间长度内的计算时间粒度的业务量。

第二业务量计算模块703，用于根据计划时间长度内的计算时间粒度的业务量，计算计划时间长度内的指定时间粒度的业务量。

在一个实施例中，第二业务量计算模块703还用于：当计算时间粒度为多个时，根据该多个计算时间粒度下的时序模型的置信区间随时间长度的变化情况，对计划时间长度分段以确定各分段对应的计算时间粒度，根据各分段对应的计算时间粒度的业务量，分别计算各分段内的指定时间粒度的业务量，从而得到计划时间长度内的指定时间粒度的业务量。

时间粒度确定模块701还用于：利用历史数据对所有时间粒度下的时序模型进行学习，以得到所有时间粒度下的时序模型的置信区间随时间长度的变化情况，其中，历史数据包括预设时间段的业务量数据，所有时间粒度包括上述的多个计算时间粒度。

在一个实施例中，时间粒度确定模块701具体用于：在获取的预设时间段的业务量数据的数据长度小于第一阈值时，计算时间粒度为天粒度；在获取的预设时间段的业务量数据的数据长度大于或等于第一阈值且小于第二阈值时，计算时间粒度为天粒度和周粒度；在获取的预设时间段的业务量数据的数据长度大于或等于第二阈值时，计算时间粒度为天粒度、周粒度和月粒度；其中，第一阈值、第二阈值可以根据所有时间粒度下的时序模型的置信区间随时间长度的变化情况确定，所有时间粒度包括天粒度、周粒度、月粒度。

在一个实施例中，第二业务量计算模块703可以包括分段确定子模块，用于：分别确定上述多个计算时间粒度下的时序模型的置信区间上限值不超过各自预期值时的最大时间点；在该多个计算时间粒度为天粒度和周粒度的情况下，根据第一最大时间点将计划时间长度分为至多两个分段，第一最大时间点为天粒度下的时序模型的置信区间上限值不超过其预期值时的最大时间点，其中，时间点小于或等于第一最大时间点的分段为第一分段，时间点大于第一最大时间点的分段为第二分段；在该多个计算时间粒度为天粒度、周粒度和月粒度的情况下，根据第一最大时间点、第二最大时间点将计划时间长度分为至多三个分段，第二最大时间点为周粒度下的时序模型的置信区间上限值不超过各自预期值时的最大时间点，其中，时间点小于或等于第一最大时间点的分段为第三分段，时间点在第一最大时间点和所述第二最大时间点之间的分段为第四分段，时间点大于第二最大时间点的分段为第五分段。

第二业务量计算模块703还可以包括业务量计算子模块，用于：在多个计算时间粒度为天粒度和周粒度的情况下，根据第一分段内的天粒度、周粒度的业务量，计算第一分段内的指定时间粒度的业务量；根据第二分段内的周粒度的业务量，计算第二分段内的指定时间粒度的业务量；在多个计算时间粒度为天粒度、周粒度和月粒度的情况下，根据第三分段内的天粒度、周粒度、月粒度的业务量，计算第三分段内的指定时间粒度的业务量；根据第四分段内的周粒度、月粒度的业务量，计算第四分段内的指定时间粒度的业务量；根据第五分段内的月粒度的业务量，计算第五分段内的指定时间粒度的业务量。

在一个实施例中，第一业务量计算模块702还可以用于：判断获取的预设时间段的业务量数据的数据长度在计算时间粒度下是否达到预设数量的季节周期，若是，则选择季节性时序模型来计算计划时间长度内的计算时间粒度的业务量，否则，选择非季节性时序模型来计算计划时间长度内的计算时间粒度的业务量。

另外，在本发明实施例中所述业务量计算装置的具体实施内容，在上面所述业务量计算方法中已经详细说明了，故在此重复内容不再说明。

图8示出了可以应用本发明实施例的业务量计算方法或业务量计算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业务量计算方法一般由服务器805执行，相应地，业务量计算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申请实施例的终端设备或服务器的计算机系统900的结构示意图。图9示出的终端设备或服务器仅仅是一个示例，不应对本申请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，执行本申请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。在本申请中，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。而在本申请中，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，图示了按照本申请各种实施例的系统、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：一种处理器包括时间粒度确定模块、第一业务量计算模块、第二业务量计算模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，时间粒度确定模块还可以被描述为“用于获取预设时间段的业务量数据，根据预设时间段的业务量数据的数据长度确定计算时间粒度的模块”。

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：获取预设时间段的业务量数据，根据所述预设时间段的业务量数据的数据长度确定计算时间粒度；根据所述预设时间段的业务量数据，在所述计算时间粒度下通过选择的时序模型，计算计划时间长度内的所述计算时间粒度的业务量；根据所述计划时间长度内的所述计算时间粒度的业务量，计算所述计划时间长度内的指定时间粒度的业务量。

根据本发明实施例的技术方案，获取预设时间段的业务量数据，根据预设时间段的业务量数据的数据长度确定计算时间粒度，根据预设时间段的业务量数据，在计算时间粒度下通过选择的时序模型，计算计划时间长度内的计算时间粒度的业务量，根据计划时间长度内的所述计算时间粒度的业务量，计算计划时间长度内的指定时间粒度的业务量。能够兼顾不同时间粒度的计算结果，减少结果出现的误差，并满足中长期业务量预测需求，泛化能力强，无需进行繁琐的特征提取即可获得较高的计算准确度。

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 (8)

1.一种业务量计算方法，其特征在于，包括：

获取预设时间段的业务量数据，根据所述预设时间段的业务量数据的数据长度确定计算时间粒度；所述业务量数据为物流运输量数据；所述计算时间粒度即业务量计算所使用的时间粒度；

根据所述预设时间段的业务量数据，在所述计算时间粒度下通过选择的时序模型，计算计划时间长度内的所述计算时间粒度的业务量；

根据所述计划时间长度内的所述计算时间粒度的业务量，计算所述计划时间长度内的指定时间粒度的业务量；

所述根据所述预设时间段的业务量数据的数据长度确定计算时间粒度，包括：在所述预设时间段的业务量数据的数据长度小于第一阈值时，所述计算时间粒度为天粒度；在所述预设时间段的业务量数据的数据长度大于或等于所述第一阈值且小于第二阈值时，所述计算时间粒度为天粒度和周粒度；在所述预设时间段的业务量数据的数据长度大于或等于所述第二阈值时，所述计算时间粒度为天粒度、周粒度和月粒度；其中，所述第一阈值、所述第二阈值根据所有时间粒度下的时序模型的置信区间随时间长度的变化情况确定，所述所有时间粒度包括天粒度、周粒度、月粒度；

当所述计算时间粒度为多个时，根据该多个计算时间粒度下的时序模型的置信区间随时间长度的变化情况，对所述计划时间长度分段以确定各分段对应的计算时间粒度，根据所述各分段对应的计算时间粒度的业务量，分别计算所述各分段内的指定时间粒度的业务量，从而得到所述计划时间长度内的指定时间粒度的业务量。

2.根据权利要求1所述的方法，其特征在于，利用历史数据对所有时间粒度下的时序模型进行学习，以得到所述所有时间粒度下的时序模型的置信区间随时间长度的变化情况，其中，所述历史数据包括所述预设时间段的业务量数据，所述所有时间粒度包括所述多个计算时间粒度。

3.根据权利要求1所述的方法，其特征在于，所述当所述计算时间粒度为多个时，根据该多个计算时间粒度下的时序模型的置信区间随时间长度的变化情况，对所述计划时间长度分段以确定各分段对应的计算时间粒度，包括：

分别确定所述多个计算时间粒度下的时序模型的置信区间上限值不超过各自预期值时的最大时间点；

在所述多个计算时间粒度为天粒度和周粒度的情况下，根据第一最大时间点将所述计划时间长度分为至多两个分段，所述第一最大时间点为天粒度下的时序模型的置信区间上限值不超过其预期值时的最大时间点，其中，时间点小于或等于所述第一最大时间点的分段为第一分段，时间点大于所述第一最大时间点的分段为第二分段；

在所述多个计算时间粒度为天粒度、周粒度和月粒度的情况下，根据所述第一最大时间点、第二最大时间点将所述计划时间长度分为至多三个分段，所述第二最大时间点为周粒度下的时序模型的置信区间上限值不超过各自预期值时的最大时间点，其中，时间点小于或等于所述第一最大时间点的分段为第三分段，时间点在所述第一最大时间点和所述第二最大时间点之间的分段为第四分段，时间点大于所述第二最大时间点的分段为第五分段。

4.根据权利要求3所述的方法，其特征在于，所述根据所述各分段对应的计算时间粒度的业务量，分别计算所述各分段内的指定时间粒度的业务量，包括：

在所述多个计算时间粒度为天粒度和周粒度的情况下，根据所述第一分段内的天粒度、周粒度的业务量，计算所述第一分段内的指定时间粒度的业务量；根据所述第二分段内的周粒度的业务量，计算所述第二分段内的指定时间粒度的业务量；

在所述多个计算时间粒度为天粒度、周粒度和月粒度的情况下，根据所述第三分段内的天粒度、周粒度、月粒度的业务量，计算所述第三分段内的指定时间粒度的业务量；根据所述第四分段内的周粒度、月粒度的业务量，计算所述第四分段内的指定时间粒度的业务量；根据所述第五分段内的月粒度的业务量，计算所述第五分段内的指定时间粒度的业务量。

5.一种业务量计算装置，其特征在于，包括：

时间粒度确定模块，用于获取预设时间段的业务量数据，根据所述预设时间段的业务量数据的数据长度确定计算时间粒度；所述业务量数据为物流运输量数据；所述计算时间粒度即业务量计算所使用的时间粒度；

第一业务量计算模块，用于根据所述预设时间段的业务量数据，在所述计算时间粒度下通过选择的时序模型，计算计划时间长度内的所述计算时间粒度的业务量；

第二业务量计算模块，根据所述计划时间长度内的所述计算时间粒度的业务量，计算所述计划时间长度内的指定时间粒度的业务量；

所述时间粒度确定模块还用于：在所述预设时间段的业务量数据的数据长度小于第一阈值时，所述计算时间粒度为天粒度；在所述预设时间段的业务量数据的数据长度大于或等于所述第一阈值且小于第二阈值时，所述计算时间粒度为天粒度和周粒度；在所述预设时间段的业务量数据的数据长度大于或等于所述第二阈值时，所述计算时间粒度为天粒度、周粒度和月粒度；其中，所述第一阈值、所述第二阈值根据所有时间粒度下的时序模型的置信区间随时间长度的变化情况确定，所述所有时间粒度包括天粒度、周粒度、月粒度；

所述第二业务量计算模块还用于：当所述计算时间粒度为多个时，根据该多个计算时间粒度下的时序模型的置信区间随时间长度的变化情况，对所述计划时间长度分段以确定各分段对应的计算时间粒度，根据所述各分段对应的计算时间粒度的业务量，分别计算所述各分段内的指定时间粒度的业务量，从而得到所述计划时间长度内的指定时间粒度的业务量。

6.根据权利要求5所述的装置，其特征在于，所述时间粒度确定模块还用于：

利用历史数据对所有时间粒度下的时序模型进行学习，以得到所述所有时间粒度下的时序模型的置信区间随时间长度的变化情况，其中，所述历史数据包括所述预设时间段的业务量数据，所述所有时间粒度包括所述多个计算时间粒度。

7.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储器，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时，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。

8.一种计算机可读介质，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1-4中任一所述的方法。