CN114529099A - 需求数据预测方法及装置、电子设备、存储介质 - Google Patents

需求数据预测方法及装置、电子设备、存储介质 Download PDF

Info

Publication number
CN114529099A
CN114529099A CN202210191534.1A CN202210191534A CN114529099A CN 114529099 A CN114529099 A CN 114529099A CN 202210191534 A CN202210191534 A CN 202210191534A CN 114529099 A CN114529099 A CN 114529099A
Authority
CN
China
Prior art keywords
data
term
prediction
short
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
CN202210191534.1A
Other languages
English (en)
Inventor
张杭
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 Jingdong Zhenshi Information Technology Co Ltd
Original Assignee
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 Jingdong Zhenshi Information Technology Co Ltd filed Critical Beijing Jingdong Zhenshi Information Technology Co Ltd
Priority to CN202210191534.1A priority Critical patent/CN114529099A/zh
Publication of CN114529099A publication Critical patent/CN114529099A/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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • G06Q30/0635—Processing of requisition or of purchase orders
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

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

Abstract

本公开提供了一种需求数据预测方法及装置、电子设备、存储介质，涉及数据处理领域。该需求数据预测方法包括：收集目标订单数据和目标订单关联数据；获取预构建的短期预测模型，并将目标订单数据输入至短期预测模型得到短期需求数据预测结果；基于目标订单数据、目标订单关联数据、短期需求数据预测结果构建长期预测模型，并调用目标预测时间数据，将目标预测时间数据作为长期预测模型的输入数据，由长期预测模型输出长期需求数据预测结果；对短期需求数据预测结果和长期需求数据预测结果进行融合，得到目标需求数据预测结果。本公开实施例的技术方案可以扩大订单数据源，也可以提高需求数据预测结果的准确率。

Description

需求数据预测方法及装置、电子设备、存储介质
技术领域
本公开涉及数据处理技术领域，具体而言，涉及一种需求数据预测方法、需求数据预测装置、电子设备以及计算机可读存储介质。
背景技术
随着大数据时代多到来，越来越多的业务都依赖于对大数据进行分析，进而基于大数据分析得到的结果对业务的相关需求数据进行预测，并基于相关需求数据预测结果对业务对应的产业进行合理的布局。
在相关需求数据预测方法中，要么是需求数据的数据源较单一，要么只能对短期需求数据进行预测，而对长期需求数据预测的结果的准确率相对较低。
因此，如何提供一种高准确率的普适性的需求数据预测方法，对业务规划具有重要的现实意义。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开实施例的目的在于提供一种需求数据预测方法、需求数据预测装置、电子设备以及计算机可读存储介质，进而至少在一定程度上克服需求数据预测的准确率较低的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开实施例的第一方面，提供了一种需求数据预测方法，包括：收集目标订单数据和目标订单关联数据；获取预构建的短期预测模型，并将所述目标订单数据输入至所述短期预测模型得到短期需求数据预测结果；基于所述目标订单数据、所述目标订单关联数据、所述短期需求数据预测结果构建长期预测模型，并调用目标预测时间数据，基于所述长期预测模型按照所述目标预测时间数据输出长期需求数据预测结果；对所述短期需求数据预测结果和所述长期需求数据预测结果进行融合，得到目标需求数据预测结果。
在本公开的一些示例实施例中，基于前述方案，所述收集目标订单数据和目标订单关联数据，包括：获取历史订单数据和历史订单关联数据；清洗所述历史订单数据，并从清洗后的所述历史订单数据中提取得到所述目标订单数据；计算所述历史订单关联数据与所述目标订单数据的相关系数，并对所述相关系数进行排序处理，得到所述历史订单关联数据的权重数据；根据所述权重数据从所述历史订单关联数据中筛选得到与所述目标订单数据对应的目标订单关联数据。
在本公开的一些示例实施例中，基于前述方案，其特征在于，所述短期预测模型包括第一类型时间序列模型、第二类型时间序列模型、第三类型时间序列模型，所述获取预构建的短期预测模型，并将所述目标订单数据输入至所述短期预测模型得到短期需求数据预测结果，包括：获取预构建的所述第一类型时间序列模型、所述第二类型时间序列模型、所述第三类型时间序列模型；将所述目标订单数据分别输入至所述第一类型时间序列模型、所述第二类型时间序列模型、所述第二类型时间序列模型，得到第一短期预测结果、第二短期预测结果、第三短期预测结果；对所述第一短期预测结果、所述第二短期预测结果、所述第三短期预测结果进行整合得到所述短期需求数据预测结果。
在本公开的一些示例实施例中，基于前述方案，其特征在于，所述基于所述目标订单数据、所述目标订单关联数据、所述短期需求数据预测结果构建长期预测模型，包括：获取预构建的初始长期预测模型，并基于所述目标订单数据、所述目标订单关联数据、所述短期需求数据预测结果训练所述初始长期预测模型，得到训练完成的所述初始长期预测模型的模型参数；基于所述模型参数构建所述长期预测模型。
在本公开的一些示例实施例中，基于前述方案，其特征在于，所述模型参数包括第一模型参数和第二模型参数，所述基于所述目标订单数据、所述目标订单关联数据、所述短期需求数据预测结果训练所述初始长期预测模型，得到训练完成的所述初始长期预测模型的模型参数，包括：确定与所述目标订单数据对应的短期真实需求数据，以及从所述目标订单关联数据中筛选数据变化缓慢的关键订单关联数据；对所述目标订单数据和所述目标订单关联数据进行线性回归曲线拟合得到线性回归模型，并将所述关键订单关联数据输入至所述线性回归模型得到所述第一模型参数；调用所述初始长期预测模型的损失函数，并将所述短期需求数据预测结果和所述短期真实需求数据输入至所述损失函数中，得到所述第二模型参数，以及将所述第一模型参数和第二模型参数作为训练完成的所述初始长期预测模型的模型参数。
在本公开的一些示例实施例中，基于前述方案，其特征在于，所述基于所述长期预测模型按照所述目标预测时间数据输出长期需求数据预测结果，包括：对所述目标预测时间数据进行阶段划分处理，确定所述目标预测时间数据中的长期预测时长数据；将所述长期预测时长数据输入至所述长期预测模型中，得到所述长期需求数据预测结果。
在本公开的一些示例实施例中，基于前述方案，其特征在于，所述对所述短期需求数据预测结果和所述长期需求数据预测结果进行融合，得到需求数据预测结果，包括：确定所述短期需求数据预测结果的短期时间粒度数据，以及所述长期需求数据预测结果的长期时间粒度数据；对所述短期时间粒度数据和所述长期时间粒度数据进行时间粒度统一处理，得到标准时间粒度数据；基于所述标准时间粒度数据对所述短期需求数据预测结果和所述长期需求数据预测结果进行粒度转换，并对粒度转换后的所述短期需求数据预测结果和所述长期需求数据预测结果进行融合，得到目标需求数据预测结果。
根据本公开实施例的第二方面，提供了一种需求数据预测装置，包括：数据收集模块，用于收集目标订单数据和目标订单关联数据；短期需求数据预测结果确定模块，用于获取预构建的短期预测模型，并将所述目标订单数据输入至所述短期预测模型得到短期需求数据预测结果；长期需求数据预测结果确定模块，用于对所述目标订单数据、所述目标订单关联数据、所述短期需求数据预测结果进行拟合得到长期预测模型，并调用目标预测时间数据，基于所述长期预测模型按照所述目标预测时间数据输出长期需求数据预测结果；预测结果融合模块，用于对所述短期需求数据预测结果和所述长期需求数据预测结果进行融合，得到目标数据预测结果。
在本公开的一些示例实施例中，基于前述方案，其特征在于，所述数据收集模块包括数据预处理单元，所述数据预处理单元，用于获取历史订单数据和历史订单关联数据；清洗所述历史订单数据，并从清洗后的所述历史订单数据中提取得到所述目标订单数据；计算所述历史订单关联数据与所述目标订单数据的相关系数，并对所述相关系数进行排序处理，得到所述历史订单关联数据的权重数据；根据所述权重数据从所述历史订单关联数据中筛选得到与所述目标订单数据对应的目标订单关联数据。
在本公开的一些示例实施例中，基于前述方案，其特征在于，所述短期需求数据预测结果确定模块包括短期需求数据预测结果确定单元，所述短期需求数据预测结果确定单元，用于获取预构建的所述第一类型时间序列模型、所述第二类型时间序列模型、所述第三类型时间序列模型；将所述目标订单数据分别输入至所述第一类型时间序列模型、所述第二类型时间序列模型、所述第二类型时间序列模型，得到第一短期预测结果、第二短期预测结果、第三短期预测结果；对所述第一短期预测结果、所述第二短期预测结果、所述第三短期预测结果进行整合得到所述短期需求数据预测结果。
在本公开的一些示例实施例中，基于前述方案，其特征在于，所述长期需求数据预测结果确定模块包括长期预测模型构建单元，所述长期预测模型构建单元，用于获取预构建的初始长期预测模型，并基于所述目标订单数据、所述目标订单关联数据、所述短期需求数据预测结果训练所述初始长期预测模型，得到训练完成的所述初始长期预测模型的模型参数；基于所述模型参数构建所述长期预测模型。
在本公开的一些示例实施例中，基于前述方案，其特征在于，所述长期需求数据预测结果确定模块还包括模型参数确定单元，所述模型参数确定单元，用于确定与所述目标订单数据对应的短期真实需求数据，以及从所述目标订单关联数据中筛选数据变化缓慢的关键订单关联数据；对所述目标订单数据和所述目标订单关联数据进行线性回归曲线拟合得到线性回归模型，并将所述关键订单关联数据输入至所述线性回归模型得到所述第一模型参数；确定所述初始长期预测模型的损失函数，并将所述短期需求数据预测结果和所述短期真实需求数据输入至所述损失函数中，得到所述第二模型参数，以及将所述第一模型参数和所述第二模型参数作为训练完成的所述初始长期预测模型的模型参数。
在本公开的一些示例实施例中，基于前述方案，其特征在于，所述长期需求数据预测结果确定模块还包括长期需求数据预测结果确定单元，所述长期需求数据预测结果确定单元，用于对所述目标预测时间数据进行阶段划分处理，确定所述目标预测时间数据中的长期预测时长数据；将所述长期预测时长数据输入至所述长期预测模型中，得到所述长期需求数据预测结果。
在本公开的一些示例实施例中，基于前述方案，其特征在于，所述预测数据融合模块包括预测结果融合单元，所述预测结果融合单元，用于确定所述短期需求数据预测结果的短期时间粒度数据，以及所述长期需求数据预测结果的长期时间粒度数据；对所述短期时间粒度数据和所述长期时间粒度数据进行时间粒度统一处理，得到标准时间粒度数据；基于所述标准时间粒度数据对所述短期需求数据预测结果和所述长期需求数据预测结果进行粒度转换，并对粒度转换后的所述短期需求数据预测结果和所述长期需求数据预测结果进行融合，得到目标需求数据预测结果。
根据本公开实施例的第三方面，提供了一种电子设备，包括：处理器；以及存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现上述任意一项所述的需求数据预测方法。
根据本公开实施例的第四方面，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执行时实现根据上述任意一项所述的需求数据预测方法。
本公开实施例提供的技术方案可以包括以下有益效果：
本公开的示例实施例中的需求数据预测方法，收集目标订单数据和目标订单关联数据；获取预构建的短期预测模型，并将目标订单数据输入至短期预测模型得到短期需求数据预测结果；基于目标订单数据、目标订单关联数据、短期需求数据预测结果构建长期预测模型，并通过长期预测模型输出长期需求数据预测结果；对短期需求数据预测结果和长期需求数据预测结果进行融合，得到目标需求数据预测结果。一方面，可以将目标订单数据以及目标订单关联数据作为目标需求数据预测结果的数据源，避免了由于业务量较少而导致无法进行长期需求数据预测；另一方面，可以将短期需求数据预测结果参与到长期需求数据预测过程中，并基于目标订单数据、目标订单关联数据、短期需求数据预测结果构建长期预测模型，避免了因数据源过度集中而导致长期预测模型的预测累计误差较大，提高了长期预测模型的预测准确率，从而提高了目标需求数据预测结果的准确率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1示意性示出了根据本公开的一些实施例的需求数据预测方法流程的示意图；
图2示意性示出了根据本公开的一些实施例的数据预处理方法流程的示意图；
图3示意性示出了根据本公开的一些实施例的短期需求数据预测方法流程的示意图；
图4示意性示出了根据本公开的一些实施例的长期预测模型构建架构的示意图；
图5示意性示出了根据本公开的一些实施例的模型参数确定方法流程的示意图；
图6示意性示出了根据本公开的一些实施例的预测结果融合方法流程的示意图；
图7示意性示出了根据本公开的一些实施例的需求数据预测装置的示意图；
图8示意性示出了根据本公开的一些实施例的电子设备的计算机系统的结构示意图；
图9示意性示出了根据本公开的一些实施例的计算机可读存储介质的示意图。
在附图中，相同或对应的标号表示相同或对应的部分。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
此外，附图仅为示意性图解，并非一定是按比例绘制。附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
在本示例实施例中，首先提供了一种需求数据预测方法，该需求数据预测方法可以应用于服务器。图1示意性示出了根据本公开的一些实施例的需求数据预测方法流程的示意图。参考图1所示，该需求数据预测方法可以包括以下步骤：
在步骤S110中，收集目标订单数据和目标订单关联数据；
在步骤S120中，获取预构建的短期预测模型，并将目标订单数据输入至短期预测模型得到短期需求数据预测结果；
在步骤S130中，基于目标订单数据、目标订单关联数据、短期需求数据预测结果构建长期预测模型，并调用目标预测时间数据，基于长期预测模型按照目标预测时间数据输出长期需求数据预测结果；
在步骤S140中，对短期需求数据预测结果和长期需求数据预测结果进行融合，得到目标需求数据预测结果。
根据本示例实施例中的需求数据预测方法，一方面，可以将目标订单数据以及目标订单关联数据作为目标需求数据预测结果的数据源，避免了由于业务量较少而导致无法进行长期需求数据预测；另一方面，可以将短期需求数据预测结果参与到长期需求数据预测过程中，并基于目标订单数据、目标订单关联数据、短期需求数据预测结果构建长期预测模型，避免了因数据源过度集中而导致长期预测模型的预测累计误差较大，提高了长期预测模型的预测准确率，从而提高了目标需求数据预测结果的准确率。
下面，将对本示例实施例中的需求数据预测方法进行进一步的说明。
在步骤S110中，收集目标订单数据和目标订单关联数据。
在本公开的一个示例实施例中，目标订单数据可以指对与待预测城市相关的订单数据进行预处理后得到的数据，例如，快递业务数据可以是待预测城市和与待预测城市行政等级相同的协助预测城市的订单数据，目标订单数据可以是对待预测城市和协助预测城市的订单数据中的异常订单数据进行过滤处理得到的数据，目标订单数据也可以是对与待预测城市和协助预测城市的订单数据中的异常订单进行回填处理得到的数据，当然，目标订单数据还可以是对与待预测城市的订单数据进行其他处理得到的数据，本例实施例对此不作特殊限定。
目标订单关联数据可以指对与待预测城市相关的订单关联数据进行预处理后得到的数据，例如，订单关联数据可以是待预测城市和协助预测城市的居民消费价格指数、常住人口数、宽带接入用户数、地区生产总值GDP((Gross Domestic Product，国内生产总值))，目标订单关联数据可以是计算各订单关联数据的权重数据，并根据各权重数据从订单关联数据中筛选得到的数据，目标订单关联数据也可以是根据各订单关联数据与目标订单数据的关联程度，从确定的订单关联数据筛选得到数据，当然，目标订单关联数据还可以是对与待预测城市相关的其他订单关联数据进行处理后得到的数据，本例实施例对此不作特殊限定。
随着快递行业的快速发展，需要及时对物流场地和线路调整，而大多数流场地和线路调整都依托于对城市的快递业务量进行长期预测，可以通过获取待预测城市和协助预测城市的历史订单数据和历史订单关联数据，并对得到的历史订单数据和历史订单关联数据进行预处理得到目标订单数据和目标订单关联数据，避免了单个城市的历史订单数据较少无法进行长期预测，同时将影响城市订单数据的订单关联数据纳入城市需求数据预测数据源中，降低了仅依靠历史订单数据进行目标需求数据预测，导致目标需求数据预测结果偏差较大的可能性。
在步骤S120中，获取预构建的短期预测模型，并将目标订单数据输入至短期预测模型得到短期需求数据预测结果。
在本公开的一个示例实施例中，短期预测模型可以指用于待预测城市的短期需求数据预测的模型，例如，短期预测模型可以是用于待预测城市的短期需求数据预测的时间序列模型如指数平滑模型，短期预测模型也可以是用于待预测城市的短期需求数据预测的时间序列模型如年同比模型，短期预测模型可以是用于待预测城市的短期需求数据预测的时间序列模型如移动平均自回归模型，当然，短期预测模型还可以是其他用于待预测城市的短期需求数据预测的模型，本例实施例对此不作特殊限定。
优选地，可以将待预测城市的目标订单数据输入至多个已训练完成的短期预测模型中，并融合各个短期预测模型输出的预测结果得到待预测城市的短期需求数据预测结果，进而可以提高短期需求数据预测结果的稳定性和准确率。
举例而言，可以将待预测城市的目标订单数据分别输入至指数平滑模型、年同比模型、移动平均自回归模型，得到指数平滑模型输出的第一预测结果、年同比模型输出的第二预测结果、移动平均自回归模型输出的第三预测结果，进而可以计算第一预测结果、第二预测结果、第三预测结果的平均值，并将该平均值作为待预测城市的短期需求数据预测结果，当然，也可以对第一预测结果、第二预测结果、第三预测结果进行其他运算，从而提高短期需求数据预测结果的稳定性和准确率。
在步骤S130中，基于目标订单数据、目标订单关联数据、短期需求数据预测结果构建长期预测模型，并调用目标预测时间数据，基于长期预测模型输出长期需求数据预测结果。
在本公开的一个示例实施例中，长期预测模型可以指对待预测城市的目标订单数据、目标订单关联数据、短期需求数据预测结果进行生命周期曲线拟合得到的预测模型，例如，长期预测模型可以是对待预测城市的目标订单数据、目标订单关联数据、短期需求数据预测结果进行生命周期曲线拟合得到的确定性预测模型，长期预测模型也可以是对待预测城市的目标订单数据、目标订单关联数据、短期需求数据预测结果进行生命周期曲线拟合得到的随机预测模型，当然，长期预测模型可以指对待预测城市的目标订单数据、目标订单关联数据、短期需求数据预测结果进行生命周期曲线拟合得到的其他预测模型，本例实施例对此不作特殊限定。
目标预测时间数据可以指预设的输入到长期预测模型的时间数据，例如，目标预测时间数据可以是预设的输入到长期预测模型的距离当前年份的年份时间跨度数据，目标预测时间数据也可以是预设输入到长期预测模型的距离当前月份的月份时间跨度数据，当然，目标预测时间数据还可以是预设多输入到长期预测模型的其他时间跨度数据，本例实施例对此不作特殊限定。
一般情况下，城市的快递业务数据(订单数据和订单关联数据)呈现先增长后减少并逐渐趋于零的趋势，可以将待预测城市的快递业务数据增长过程视为一个随时间连续变化的过程，并对城市的快递业务数据进行生命周期曲线拟合，以构建长期预测模型。然而，直接用城市的订单数据进行生命周期曲线拟合，可能会导致拟合曲线偏差较大，导致长期预测效果差。因此，可以分别采用不同数据集拟合长期预测模型的模型参数，例如，可以利用目标订单关联数据和目标订单数据，以及目标订单数据、短期需求数据预测结果、与短期需求数据预测结果对应的短期真实需求数据分别拟合长期预测模型的模型参数，提高拟合长期预测模型的模型参数的准确率，进而提高待预测城市的长期需求数据预测结果的准确率。
在步骤S140中，对短期需求数据预测结果和长期需求数据预测结果进行融合，得到目标需求数据预测结果。
在本公开的一个示例实施例中，目标需求数据预测结果可以指基于融合后的需求数据短期预测结果和需求长期预测结果得到的预测数据，例如，需求数据短期预测结果可以是待预测城市的短期订单量预测结果，需求数据长期预测结果可以是待预测城市的长期订单量预测结果，目标需求数据预测结果可以是基于融合后的待预测城市的短期订单量预测结果和长期订单量预测结果得到的预测数据，当然，短期需求数据预测结果还可以是待预测城市的其他需求数据短期预测结果，长期需求数据预测结果还可以是待预测城市的其他需求数据长期预测结果，目标需求数据预测结果还可以是基于融合后的需求数据短期预测结果和需求数据长期预测结果得到的预测数据，本例实施例对此不作特殊限定。
可选的，可以设置与待预测城市的目标需求数据相关的目标预测时间段，例如，目标预测时间段可以是距离当前时间的时间跨度数据，可以将目标预测时间段划分为短期预测时长数据和长期预测时长数据，如目标预测时间段可以是10年，短期预测时长数据可以是在时间轴上为目标预测时间段的前3年的未来时长数据，长期预测时长数据可以是在时间轴上为目标预测时间段的后7年的时间数据，进而可以将短期预测模型输出的3年后的短期需求数据预测结果，基于长期预测模型得到的在3年后的短期需求数据预测结果的基础上得到的距离当前时间4至10年后的长期需求数据预测结果。
由于长期需求数据预测结果可能是基于较大的时间粒度如年粒度，而短期需求数据预测结果可以是基于较小的时间粒度如月粒度，进而可以将长期需求数据预测结果进行月粒度拆分，如可以按照距离当前时间早一年的月粒度历史订单数据的占比，估算与长期需求数据预测结果对应的月粒度需求数据预测结果。从而，对短期需求数据预测结果和进行月粒度拆分后的长期需求数据预测结果进行拼接处理，得到未来10年内每月的未来需求数据。
图2示意性示出了根据本公开的一些实施例的数据预处理方法流程的示意图。参考图2所示，该数据预处理方法可以包括以下步骤：
在步骤S210中，获取历史订单数据和历史订单关联数据；
在步骤S220中，清洗历史订单数据，并从清洗后的历史订单数据中提取得到目标订单数据；
在步骤S230中，计算历史订单关联数据与目标订单数据的相关系数，并对相关系数进行排序处理，得到历史订单关联数据的权重数据；
在步骤S240中，根据权重数据从历史订单关联数据中筛选得到与目标订单数据对应的目标订单关联数据。
其中，历史订单数据可以指与待预测城市相关的历史快递业务数据，例如，历史订单数据可以是待预测城市以及与待预测城市行政等级相同的城市的历史快递业务数据，历史订单数据也可以是待预测城市以及与待预测城市经济发展速度相同的城市的历史快递业务数据，当然，历史订单数据还可以是与待预测城市相关的其他历史快递业务数据，本例实施例对此不作特殊限定。
历史订单关联数据可以指历史订单数据的影响因素数据，例如，历史订单关联数据可以是与待预测城市以及协助预测城市的历史订单数据对应的地区影响因素数据如地区生产总值GDP，历史订单关联数据也可以是与待预测城市以及协助预测城市的历史订单数据对应的人文影响因素数据如常住人口数，历史订单关联数据还可以是与待预测城市以及协助预测城市的历史订单数据对应的科技水平影响因素数据如宽带接入用户数和网上零售额，当然，历史订单关联数据还可以是与待预测城市以及协助预测城市的历史订单数据对应的其他影响因素数据如城市行政等级，本例实施例对此不作特殊限定。其中，协助预测城市可以指与待预测城市经济实力或行政等级等相当的城市，本例实施例对此不作特殊限定。
权重数据可以指用于衡量各历史订单关联数据对目标订单数据的影响程度的数据，例如，权重数据可以是根据各历史订单关联数据与目标订单数据的权重系数确定的用于衡量各历史订单关联数据对目标订单数据的影响程度的数据。
可以通过从国家统计局或城市所述省份统计局等官网获取待预测城市以及协助预测城市的历史订单数据和历史订单关联数据，并获取到的与待预测城市的历史订单数据和历史订单关联数据进行清洗处理，如对与待预测城市相关的历史订单数据进行异常检测，主要从历史订单数据中去除重复记录的历史订单信息，并通过将不同品类的异常大的订单数据进行经验曲线拟合，设置分位点去除超过与分位点对应的阈值的异常历史订单数据，以及对由一些极端事件导致的需求数据异常，如由疫情导致的2月快递业务单量急剧下降，对此我们对2月的历史订单数据进行回填操作，以从与待预测城市相关的历史订单数据中确定目标订单数据。其中，历史订单数据的回填操作可以采用插值法和历史比例法，例如，可以利用前后历史数据进行拟合，并进行线性插值或多项式插值，也可以基于历史同期数据的所占比例和当前数据进行预测，本例实施例对此不作特殊限定。
同时，可以分别计算各历史订单关联数据与目标订单数据的相关系数，并根据各历史订单关联数据的相关系数确定各历史订单关联数据的权重，以从与待预测城市相关的历史订单关联数据中筛选得到权重较大的订单关联数据作为目标订单关联数据，并将目标订单关联数据用于长期预测模型的拟合中，提高长期预测模型的预测准确率。
图3示意性示出了根据本公开的一些实施例的短期需求数据预测方法流程的示意图。参考图3所示，该短期需求数据预测方法可以包括以下步骤：
在步骤S310中，获取预构建的第一类型时间序列模型、第二类型时间序列模型、第三类型时间序列模型；
在步骤S320中，将目标订单数据分别输入至第一类型时间序列模型、第二类型时间序列模型第二类型时间序列模型，得到第一短期预测结果、第二短期预测结果、第三短期预测结果；
在步骤S330中，对第一短期预测结果、第二短期预测结果、第三短期预测结果进行整合得到短期需求数据预测结果。
其中，第一类型时间序列模型可以指指数平滑模型，例如，第一类型时间序列模型可以是单指数模型，第一类型时间序列模型也可以是双指数模型，当然，第一类型时间序列模型还可以指其他指数平滑模型如三指数模型，本例实施例对此不作特殊限定。
第二类型时间序列模型可以指具有时间粒度比例特性的预测模型，例如，第二类型可以是具有时间粒度比例特性的年同比模型，第二类型可以是具有时间粒度比例特性的年环比模型，当然，第二类型时间序列模型还可以是其他具有时间粒度比例特性的模型，本例实施例对此不作特殊限定。
第三类型时间序列模型可以指具有自回归平均特性的时间序列模型，例如，第三类型时间序列模型可以是具有自回归平均特性的AR模型(auto regression model，自回归模型)，第三类型时间序列模型也可以是具有自回归平均特性的MA模型(moving averagemodel，移动平均模型)，当然，第三类型时间序列模型也可以是具有自回归平均特性的其他模型如ARMA模型(auto regression moving average model，滑动平均模型)，本例实施例对此不作特殊限定。
将待预测城市和协助预测城市的目标订单数据作为短期模型的输入数据源，避免了单个城市的订单数据有限而无法发挥短期预测模型的优势，提高了短期预测模型的利用率；同时，可以将第一类型时间序列模型的第一输出结果、第二类型时间序列模型的第二输出结果、第三类型时间序列模型的第三输出结果进行整合处理，例如，将第一类型时间序列模型的第一输出结果、第二类型时间序列模型的第二输出结果、第三类型时间序列模型的第三输出结果进行平均，并将三者的平均值作为待预测城市的短期需求数据预测结果，可以提高待预测城市的短期需求数据预测结果的稳定性和准确率。
在本公开的一个示例实施例中可以获取预构建的初始长期预测模型，并基于目标订单数据、目标订单关联数据、短期需求数据预测结果训练初始长期预测模型，得到训练完成的初始长期预测模型的模型参数，以及基于模型参数构建长期预测模型。
其中，初始长期预测模型可以指基于生命周期曲线拟合得到的长期预测模型，例如，初始长期预测模型可以是基于生命周期曲线拟合得到的确定性长期预测模型，当然，初始长期预测模型还可以是基于生命周期曲线拟合得到的随机性长期预测模型，本例实施例对此不作特殊限定。
模型参数可以指与由目标订单数据、目标订单关联数据、短期需求数据预测结果进行生命周期曲线拟合得到训练完成的初始长期预测模型的逻辑回归函数对应的参数，例如，模型参数可以是与由目标订单数据、目标订单关联数据、短期需求数据预测结果进行生命周期曲线拟合得到训练完成的初始长期预测模型的逻辑回归函数对应的方程系数，模型参数也可以是与由目标订单数据、目标订单关联数据、短期需求数据预测结果进行生命周期曲线拟合得到训练完成的初始长期预测模型的逻辑回归函数对应的函数方程，当然，模型参数还可以是与由目标订单数据、目标订单关联数据、短期需求数据预测结果进行生命周期曲线拟合得到训练完成的初始长期预测模型的逻辑回归函数对应的其他参数，本例实施例对此不作特殊限定。
可以由于城市的订单数据的增长趋势符合先增长后减少并逐渐趋于零，即符合“S”型生命周期曲线规律，可以将城市的需求数据增长过程视为一个随时间连续变化的过程，根据需求数据(Q(t))和时间(t)的关系，可以确定单位时间需求数据可以通过以下关系表达式表述：
Figure BDA0003525112040000151
求解计算关系表达式(1)，可以得到：
Figure BDA0003525112040000152
可以将上述关系表达式(2)进行转换得到：
Figure BDA0003525112040000153
其中，
Figure BDA0003525112040000154
K表示的是Q(t)的上限，a是尺度参数，，表示分布曲线的分散程度；b是位置参数，表示分布曲线的中心偏移程度；当
Figure BDA0003525112040000161
t的取值即为b，可以将关系表达式(3)作为初始长期预测模型的逻辑回归函数。
由上述的计算表达式可知，初始长期预测模型中模型参数a、b、K满足生命周期曲线中a、b、K之间的关系表达式。进而，可以基于待预测城市的目标订单数据、目标订单关联数据、短期需求数据预测结果训练初始长期预测模型，并基于训练完成的初始长期预测模型的模型参数，构建长期预测模型。
图4示意性示出了根据本公开的一些实施例的长期预测模型构建架构的示意图；该长期预测模型构建架构400主要包括数据融合模块410、模型参数估计模块420、模型参数整合模块430。
其中，数据融合模块410，主要用于对目标订单数据、目标订单关联数据进行融合，以将融合后的目标订单数据构成目标标量数据集、将目标订单关联数据构成回归变量数据集，通过数据拟合构建线性回归模型，同时，也用于将目标订单数据和短期预测结果进行融合，以将融合后的目标订单数据和短期预测结果代入训练完成的初始长期预测模型的损失函数中，进行模型参数估计。模型参数估计模块420，主要用于根据融合后的目标订单数据、目标订单关联数据对训练完成的初始长期预测模型的逻辑回归函数中的参数K进行估计，同时，也可以根据融合后的目标订单数据和短期预测结果对训练完成的初始长期预测模型的逻辑回归函数中的a和b进行估计。模型参数整合模块430，主要用于对初始长期训练模型的逻辑回归函数，以及基于目标订单数据、目标订单关联数据、短期预测结果数据，对初始长期预测模型进行训练后得到的模型参数进行整合，构建长期预测模型的逻辑回归函数。
可以对目标订单数据、目标订单关联数据进行融合估计训练完成的初始长期预测模型的一个模型参数，也可以对目标订单数据和短期需求数据预测结果进行融合估计训练完成的初始长期预测模型的其他两个模型参数，避免了数据过度集中，导致模型参数估计准确率较低的问题；同时，通过将短期需求数据预测结果参与到长期预测模型构建构过程，扩大了构建长期预测模型的数据源，避免了由于数据源较少无法进行长期预测的问题，也提高目标订单数据、目标订单关联数据、短期需求数据预测结果的利用率。
图5示意性示出了根据本公开的一些实施例的模型参数确定方法流程的示意图。参考图5所示，该模型参数确定方法可以包括以下步骤：
在步骤S510中，确定与目标订单数据对应的短期真实需求数据，以及从目标订单关联数据中筛选数据变化缓慢的关键订单关联数据；
在步骤S520中，对目标订单数据和目标订单关联数据进行线性回归曲线拟合得到线性回归模型，并将关键订单关联数据输入至线性回归模型得到第一模型参数；
在步骤S530中，调用初始长期预测模型的损失函数，并将短期需求数据预测结果和短期真实需求数据输入至损失函数中，得到第二模型参数，以及将第一模型参数和第二模型参数作为训练完成的初始长期预测模型的模型参数。
其中，短期真实需求数据可以指对目标订单数据进行聚合得到与短期需求数据预测结果的时间粒度相同的需求数据，例如，短期需求数据预测结果的时间粒度是月粒度，短期真实需求数据可以是对同一月份的目标订单数据进行聚合得到的需求数据，短期需求数据预测结果的时间粒度也可以是年粒度，短期真实需求数据也可以是对同一年份的目标订单数据进行聚合得到的需求数据，当然，短期需求数据预测结果还可以是其他时间粒度，短期真实需求数据还可以是对目标订单数据进行聚合得到的其他与短期需求数据预测结果的时间粒度相同的需求数据，本例实施例对此不作特殊限定。
关键订单关联数据可以指从目标订单关联数据中筛选得到的步入发展稳定期的订单关联数据，例如，关键订单关联数据可以是从目标订单关联数据中筛选得到的步入发展稳定期的常居住人口数据，关键订单关联数据也可以是从目标订单关联数据中筛选得到的步入发展稳定期的居民消费价格指数，当然，关键订单关联数据还可以是从目标关联订单数据中筛选得到的步入发展稳定期的其他订单关联数据如社会消费品零售总额，本例实施例对此不作特殊限定。
第一模型参数可以指对目标订单数据和目标关联数据进行线性回归曲线拟合得到的线性回归模型的模型参数，第二模型参数可以指结合第一模型参数，将短期真实需求数据和短期需求数据预测结果输入至训练完成的初始长期预测模型的损失函数中得到的模型参数。
损失函数可以指用于衡量模型预测准确率的函数，例如，损失函数可以是用于衡量模型预测准确率的平方误差函数，损失函数也可以是用于衡量模型预测准确率的均方误差函数，损失函数也可以是用于衡量模型预测准确率的平均绝对误差函数当然，损失函数还可以是其他用户衡量模型预测准确率的函数，本例实施例对此不作特殊限定。
举例而言，预测A市的长期未来需求数据，需要构建长期预测模型，进而需要基于目标订单数据、目标订单关联数据、短期需求数据预测结果对初始长期预测模型进行训练，在模型训练前期需要对目标订单数据、目标订单关联数据进行融合，以及对短期需求数据预测结果以及短期真实需求数据进行融合。例如，可以将A市的目标订单数据Y＝(y1,y2,...,yt)、以及与A市经济实力或行政等级等相同的B市的目标订单数据Y'＝(y1',y2',...,yt')构成目标标量数据集，同时可以将A市的目标订单关联数据X1＝(x11,x12,,...,x1t),X2＝(x21,x22,,...,x2t),....,Xa＝(xa1,xa2,,...,xat)，以及B市的目标订单数据X1'＝(x11',x12,,...,x1t'),X2'＝(x21',x22',,...,x2t'),....,Xa'＝(xa1',xa2',,...,xat')构成回归变量数据集，通过数据拟合构建线性回归模型，得到线性回归模型的模型函数如关系表达式(4)所示：
y＝d1x1+d2x2+...+daxa+d0 (4)
通过检测与城市A相关的目标订单关联数据，确定城市A在步入发展稳定期的关键订单关联数据为X*＝(X1 *,X2 *,...,Xa *)，将X*＝(X1 *,X2 *,...,Xa *)代入关系表达式(4)中得到第一模型参数，可以通过关系表达式(5)表示第一模型参数：
K＝d1X1 *+d2X2 *+...+daXa *+d0 (5)
其中，d1、d2、da、d0为线性回归模型的回归函数的系数，且线性回归模型的系数个数与目标订单关联数据的个数相同。
同时，在得到第一模型参数后，可以对目标订单数据和短期需求数据预测结果进行融合，估计训练完成的初始长期预测模型的第二模型参数；例如，对目标订单数进行聚合处理得到与短期需求数据预测结果的时间粒度相同的短期真实需求数据，并将短期真实需求数据和短期需求数据预测结果代入训练完成的初始长期预测模型的损失函数中对第二模型参数进行估计。其中，训练完成的初始长期预测模型的损失函数可以通过关系表达式(6)进行描述，具体如下：
Figure BDA0003525112040000191
通过将短期真实需求数据yt和短期需求数据预测结果Q(t)代入上述关系表达式(6)中，以及根据a和b之间的关系表达式，可以估计得到a和b值，进而得到第二模型参数。
在本公开的一个示例实施例中可以对目标预测时间数据进行阶段划分处理，确定目标预测时间数据中的长期预测时长数据；将长期预测时长数据输入至所述预测模型中，得到长期需求数据预测结果。
其中，长期预测时长数据可以指对目标预测时间段进行阶段划分后得到阶段性较长的时长数据，例如，目标预测时间数据可以是距离当前时间跨度为10年的时长数据，可以将目标预测时间数据划分为短期预测时长数据如距离当前时间的时间跨度为3年的时长数据，长期预测时长数据可以为在短期预测时长数据的基础上时间跨度为7年的时长数据，当然，长期预测时长数据还可以是对其他目标预测时间数据进行阶段划分后得到阶段性较长的时长数据，本例实施例对此不作特殊限定。
在完成长期预测模型的构建后，可以基于长期预测模型的模型参数得到长期预测模型的逻辑回归函数，进而可以将长期预测时长数据代入逻辑回归函数可以得到待预测城市的长期需求数据预测结果。
图6示意性示出了根据本公开的一些实施例的预测结果融合方法流程的示意图。参考图6所示，该预测结果融合方法可以包括以下步骤：
在步骤S610中，确定短期需求数据预测结果的短期时间粒度数据，以及长期需求数据预测结果的长期时间粒度数据；
在步骤S620中，对短期时间粒度数据和长期时间粒度数据进行时间粒度统一处理，得到标准时间粒度数据；
在步骤S630中，基于标准时间粒度数据对短期需求数据预测结果和长期需求数据预测结果进行粒度转换，并对粒度转换后的短期需求数据预测结果和长期需求数据预测结果进行融合，得到目标需求数据预测结果。
短期时间粒度数据可以指与短期需求数据预测的时间单位对应的粒度数据，例如，短期需求数据预测的时间单位可以是月份，短期时间粒度数据可以是与短期需求数据预测的时间单位对应的月份粒度数据，短期需求数据预测的时间单位也可以是天数，短期时间粒度数据也可以是与短期需求数据预测的时间单位对应的天数粒度数据，当然，短期时间粒度数据还可以是其他与短期需求数据预测的时间单位对应的粒度数据如年份，本例实施例对此不作特殊限定。
长期时间粒度数据可以指与长期需求数据预测的时间单位对应的粒度数据，例如，长期需求数据预测的时间单位可以是单年份，长期时间粒度数据可以是与长期需求数据预测的时间单位对应的年份粒度数据，长期需求数据预测的时间单位也可以是半年份，长期时间粒度数据也可以是与长期需求数据预测的时间单位对应的半年份粒度数据，当然，长期时间粒度数据还可以是其他与长期需求数据预测的时间单位对应的粒度数据，本例实施例对此不作特殊限定。
标准时间粒度数据可以指对长期需求数据预测结果和短期需求数据预测结果的时间粒度数据进行统一处理得到的时间粒度数据，例如，可以将与长期需求数据预测结果的长期时间粒度数据和与短期需求数据预测结果的短期时间粒度数据统一转换为月份粒度数据，标准时间粒度数据可以是月份粒度数据，也可以将与长期需求数据预测结果的长期时间粒度数据和与短期需求数据预测结果的短期时间粒度数据统一转换为年份粒度数据，标准时间粒度数据可以是年份粒度数据，当然，标准时间粒度数据还可以是对长期需求数据预测结果和短期需求数据预测结果的时间粒度数据进行统一处理得到的其他时间粒度数据，本例实施例对此不作特殊限定。
举例而言，与短期需求数据预测结果对应的短期时间粒度数据可以是月份数据，而与长期需求数据预测结果对应的长期时间粒度数据可以是年份数据，可以对长期需求数据预测结果基于年同比的思想进行月粒度拆分，例如，可以基于前一年的月粒度历史数据量占比，对长期需求数据预测结果进行逐月拆分得到月粒度的长期需求数据预测结果，进而，可以对月粒度的短期需求数据预测结果和长期需求数据预测结果进行拼接，以得到待预测城市在目标预测时间段内的未来需求数据。当然，也可以将与短期需求数据数据对应的短期时长数据聚合为年份粒度数据，例如，待预测城市的目标预测时间段为在时间轴上距今年时间跨度为10年的未来时间段，短期预测时长数据为在时间轴上距今年时间跨度为3年的时长数据，长期预测时长数据为在时间轴上为目标预测时间段的后7年时长数据，进而将短期需求数据预测结果和长期需求数据预测结果拼接就可以得到待预测城市未来10年的需求数据预测结果。
需要说明的是，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
此外，在本示例实施例中，还提供了一种需求数据预测装置。参照图7所示，该需求数据预测装置700包括：数据收集模块710、短期需求数据预测结果确定模块720、长期需求数据预测结果确定模块730、预测结果融合模块740。其中：数据收集模块710，用于收集目标订单数据和目标订单关联数据；短期需求数据预测结果确定模块720，用于获取预构建的短期预测模型，并将所述目标订单数据输入至所述短期预测模型得到短期需求数据预测结果；长期需求数据预测结果确定模块730，用于对所述目标订单数据、所述目标订单关联数据、所述短期需求数据预测结果进行拟合得到长期预测模型，并调用目标预测时间数据，基于所述长期预测模型按照所述目标预测时间数据输出长期需求数据预测结果；预测结果融合模块740，用于对所述短期需求数据预测结果和所述长期需求数据预测结果进行融合，得到目标需求数据预测结果。
在本公开的一些示例实施例中，基于前述方案，其特征在于，所述数据收集模块710包括数据预处理单元，所述数据预处理单元，用于获取历史订单数据和历史订单关联数据；清洗所述历史订单数据，并从清洗后的所述历史订单数据中提取得到所述目标订单数据；计算所述历史订单关联数据与所述目标订单数据的相关系数，并对所述相关系数进行排序处理，得到所述历史订单关联数据的权重数据；根据所述权重数据从所述历史订单关联数据中筛选得到与所述目标订单数据对应的目标订单关联数据。
在本公开的一些示例实施例中，基于前述方案，其特征在于，所述短期需求数据预测结果确定模块720包括短期需求数据预测结果确定单元，所述短期需求数据预测结果确定单元，用于获取预构建的所述第一类型时间序列模型、所述第二类型时间序列模型、所述第三类型时间序列模型；将所述目标订单数据分别输入至所述第一类型时间序列模型、所述第二类型时间序列模型、所述第二类型时间序列模型，得到第一短期预测结果、第二短期预测结果、第三短期预测结果；对所述第一短期预测结果、所述第二短期预测结果、所述第三短期预测结果进行整合得到所述短期需求数据预测结果。
在本公开的一些示例实施例中，基于前述方案，其特征在于，所述长期需求数据预测结果确定模块730包括长期预测模型构建单元，所述长期预测模型构建单元，用于获取预构建的初始长期预测模型，并基于所述目标订单数据、所述目标订单关联数据、所述短期需求数据预测结果训练所述初始长期预测模型，得到训练完成的所述初始长期预测模型的模型参数；基于所述模型参数构建所述长期预测模型。
在本公开的一些示例实施例中，基于前述方案，其特征在于，所述长期需求数据预测结果确定模块730还包括模型参数确定单元，所述模型参数确定单元，用于确定与所述目标订单数据对应的短期真实需求数据，以及从所述目标订单关联数据中筛选数据变化缓慢的关键订单关联数据；对所述目标订单数据和所述目标订单关联数据进行线性回归曲线拟合得到线性回归模型，并将所述关键订单关联数据输入至所述线性回归模型得到所述第一模型参数；调用所述初始长期预测模型的损失函数，并将所述短期需求数据预测结果和所述短期真实需求数据输入至所述损失函数中，得到所述第二模型参数，以及将所述第一模型参数和所述第二模型参数作为训练完成的所述初始长期预测模型的模型参数。
在本公开的一些示例实施例中，基于前述方案，其特征在于，所述长期需求数据预测结果确定模块730还包括长期需求数据预测结果确定单元，所述长期需求数据预测结果确定单元，用于对所述目标预测时间段进行阶段划分处理，确定所述目标预测时间段中的长期预测时长数据；将所述长期预测时长数据输入至所述长期预测模型中，得到所述长期需求数据预测结果。
在本公开的一些示例实施例中，基于前述方案，其特征在于，所述预测数据融合模块740包括预测结果融合单元，所述预测结果融合单元，用于确定所述短期需求数据预测结果的短期时间粒度数据，以及所述长期需求数据预测结果的长期时间粒度数据；对所述短期时间粒度数据和所述长期时间粒度数据进行时间粒度统一处理，得到标准时间粒度数据；基于所述标准时间粒度数据对所述短期需求数据预测结果和所述长期需求数据预测结果进行粒度转换，并对粒度转换后的所述短期需求数据预测结果和所述长期需求数据预测结果进行融合，得到目标需求数据预测结果。
上述中需求数据预测装置各模块的具体细节已经在对应的需求数据预测方法中进行了详细的描述，因此此处不再赘述。
应当注意，尽管在上文详细描述中提及了需求数据预测装置的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，在本公开的示例性实施例中，还提供了一种能够实现上述需求数据预测方法的电子设备。
所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施例、完全的软件实施例(包括固件、微代码等)，或硬件和软件方面结合的实施例，这里可以统称为“电路”、“模块”或“系统”。
下面参照图8来描述根据本公开的这种实施例的电子设备800。图8所示的电子设备800仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图8所示，电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于：上述至少一个处理单元810、上述至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830、显示单元840。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元810执行，使得所述处理单元810执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。例如，所述处理单元810可以执行如图1中所示的步骤S110，收集目标订单数据和目标订单关联数据；步骤S120，获取预构建的短期预测模型，并将所述目标订单数据输入至所述短期预测模型得到短期需求数据预测结果；步骤S130，基于所述目标订单数据、所述目标订单关联数据、所述短期需求数据预测结果构建长期预测模型，并调用目标预测时间数据，基于所述长期预测模型按照所述目标预测时间数据输出长期需求数据预测结果；步骤S140，对所述短期需求数据预测结果和所述长期需求数据预测结果进行融合，得到目标需求数据预测结果。
存储单元820可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)821和/或高速缓存存储单元822，还可以进一步包括只读存储单元(ROM)823。
存储单元820还可以包括具有一组(至少一个)程序模块825的程序/实用工具824，这样的程序模块825包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线830可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备800也可以与一个或多个外部设备870(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备800交互的设备通信，和/或与使得该电子设备800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口850进行。并且，电子设备800还可以通过网络适配器860与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器860通过总线830与电子设备800的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备800使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现处理，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。
参考图9所示，描述了根据本公开的实施例的用于实现上述需求数据预测方法的程序产品900，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，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。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
计算机可读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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。
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、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现处理，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本公开实施例的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (10)

1.一种需求数据预测方法，其特征在于，包括：
收集目标订单数据和目标订单关联数据；
获取预构建的短期预测模型，并将所述目标订单数据输入至所述短期预测模型得到短期需求数据预测结果；
基于所述目标订单数据、所述目标订单关联数据、所述短期需求数据预测结果构建长期预测模型，并调用目标预测时间数据，基于所述长期预测模型按照所述目标预测时间数据输出长期需求数据预测结果；
对所述短期需求数据预测结果和所述长期需求数据预测结果进行融合，得到目标需求数据预测结果。
2.根据权利要求1所述的需求数据预测方法，其特征在于，所述收集目标订单数据和目标订单关联数据，包括：
获取历史订单数据和历史订单关联数据；
清洗所述历史订单数据，并从清洗后的所述历史订单数据中提取得到所述目标订单数据；
计算所述历史订单关联数据与所述目标订单数据的相关系数，并对所述相关系数进行排序处理，得到所述历史订单关联数据的权重数据；
根据所述权重数据从所述历史订单关联数据中筛选得到与所述目标订单数据对应的目标订单关联数据。
3.根据权利要求1所述的需求数据预测方法，其特征在于，所述短期预测模型包括第一类型时间序列模型、第二类型时间序列模型、第三类型时间序列模型，所述获取预构建的短期预测模型，并将所述目标订单数据输入至所述短期预测模型得到短期需求数据预测结果，包括：
获取预构建的所述第一类型时间序列模型、所述第二类型时间序列模型、所述第三类型时间序列模型；
将所述目标订单数据分别输入至所述第一类型时间序列模型、所述第二类型时间序列模型、所述第二类型时间序列模型，得到第一短期预测结果、第二短期预测结果、第三短期预测结果；
对所述第一短期预测结果、所述第二短期预测结果、所述第三短期预测结果进行整合得到所述短期需求数据预测结果。
4.根据权利要求1所述的需求数据预测方法，其特征在于，所述基于所述目标订单数据、所述目标订单关联数据、所述短期需求数据预测结果构建长期预测模型，包括：
获取预构建的初始长期预测模型，并基于所述目标订单数据、所述目标订单关联数据、所述短期需求数据预测结果训练所述初始长期预测模型，得到训练完成的所述初始长期预测模型的模型参数；
基于所述模型参数构建所述长期预测模型。
5.根据权利要求4所述的需求数据预测方法，其特征在于，所述模型参数包括第一模型参数和第二模型参数，所述基于所述目标订单数据、所述目标订单关联数据、所述短期需求数据预测结果训练所述初始长期预测模型，得到训练完成的所述初始长期预测模型的模型参数，包括：
确定与所述目标订单数据对应的短期真实需求数据，以及从所述目标订单关联数据中筛选数据变化缓慢的关键订单关联数据；
对所述目标订单数据和所述目标订单关联数据进行线性回归曲线拟合得到线性回归模型，并将所述关键订单关联数据输入至所述线性回归模型得到所述第一模型参数；
调用所述初始长期预测模型的损失函数，并将所述短期需求数据预测结果和所述短期真实需求数据输入至所述损失函数中，得到所述第二模型参数，以及将所述第一模型参数和所述第二模型参数作为训练完成的所述初始长期预测模型的模型参数。
6.根据权利要求1所述的需求数据预测方法，其特征在于，所述基于所述长期预测模型按照所述目标预测时间数据输出长期需求数据预测结果，包括：
对所述目标预测时间数据进行阶段划分处理，确定所述目标预测时间数据中的长期预测时长数据；
将所述长期预测时长数据输入至所述长期预测模型中，得到所述长期需求数据预测结果。
7.根据权利要求1所述的需求数据预测方法，其特征在于，所述对所述短期需求数据预测结果和所述长期需求数据预测结果进行融合，得到目标需求数据预测结果，包括：
确定所述短期需求数据预测结果的短期时间粒度数据，以及所述长期需求数据预测结果的长期时间粒度数据；
对所述短期时间粒度数据和所述长期时间粒度数据进行时间粒度统一处理，得到标准时间粒度数据；
基于所述标准时间粒度数据对所述短期需求数据预测结果和所述长期需求数据预测结果进行粒度转换，并对粒度转换后的所述短期需求数据预测结果和所述长期需求数据预测结果进行融合，得到所述目标需求数据预测结果。
8.一种需求数据预测装置，其特征在于，包括：
数据收集模块，用于收集目标订单数据和目标订单关联数据；
短期需求数据预测结果确定模块，用于获取预构建的短期预测模型，并将所述目标订单数据输入至所述短期预测模型得到短期需求数据预测结果；
长期需求数据预测结果确定模块，用于对所述目标订单数据、所述目标订单关联数据、所述短期需求数据预测结果进行拟合得到长期预测模型，并调用目标预测时间数据，基于所述长期预测模型按照所述目标预测时间数据输出长期需求数据预测结果；
预测结果融合模块，用于对所述短期需求数据预测结果和所述长期需求数据预测结果进行融合，得到目标需求数据预测结果。
9.一种电子设备，包括：
处理器；以及
存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现如权利要求1至7中任一项所述的需求数据预测方法。
10.一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执行时实现如权利要求1至7中任一项所述的需求数据预测方法。
CN202210191534.1A 2022-02-28 2022-02-28 需求数据预测方法及装置、电子设备、存储介质 Pending CN114529099A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210191534.1A CN114529099A (zh) 2022-02-28 2022-02-28 需求数据预测方法及装置、电子设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210191534.1A CN114529099A (zh) 2022-02-28 2022-02-28 需求数据预测方法及装置、电子设备、存储介质

Publications (1)

Publication Number Publication Date
CN114529099A true CN114529099A (zh) 2022-05-24

Family

ID=81624345

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210191534.1A Pending CN114529099A (zh) 2022-02-28 2022-02-28 需求数据预测方法及装置、电子设备、存储介质

Country Status (1)

Country Link
CN (1) CN114529099A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109544076A (zh) * 2018-11-28 2019-03-29 北京百度网讯科技有限公司 用于生成信息的方法和装置
CN110135630A (zh) * 2019-04-25 2019-08-16 武汉数澎科技有限公司 基于随机森林回归和多步寻优的短期负荷需求预测方法
WO2020119051A1 (zh) * 2018-12-10 2020-06-18 平安科技（深圳）有限公司 云平台资源使用预测方法及终端设备
CN113313312A (zh) * 2021-06-07 2021-08-27 南京工业大学 基于短中长时间尺度的春节负荷滚动预测方法
CN113723717A (zh) * 2021-11-03 2021-11-30 北京清大科越股份有限公司 系统日前短期负荷预测方法、装置、设备和可读存储介质
CN113780479A (zh) * 2021-10-29 2021-12-10 北京沃东天骏信息技术有限公司 周期预测模型的训练方法及装置、周期预测方法、设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109544076A (zh) * 2018-11-28 2019-03-29 北京百度网讯科技有限公司 用于生成信息的方法和装置
WO2020119051A1 (zh) * 2018-12-10 2020-06-18 平安科技（深圳）有限公司 云平台资源使用预测方法及终端设备
CN110135630A (zh) * 2019-04-25 2019-08-16 武汉数澎科技有限公司 基于随机森林回归和多步寻优的短期负荷需求预测方法
CN113313312A (zh) * 2021-06-07 2021-08-27 南京工业大学 基于短中长时间尺度的春节负荷滚动预测方法
CN113780479A (zh) * 2021-10-29 2021-12-10 北京沃东天骏信息技术有限公司 周期预测模型的训练方法及装置、周期预测方法、设备
CN113723717A (zh) * 2021-11-03 2021-11-30 北京清大科越股份有限公司 系统日前短期负荷预测方法、装置、设备和可读存储介质

Similar Documents

Publication Publication Date Title
CN111401777B (zh) 企业风险的评估方法、装置、终端设备及存储介质
CN111611478B (zh) 信息推荐方法、装置和电子设备
CN109118012B (zh) 一种工业动态多维度能耗成本预测方法、系统、存储介质和终端
US20150186907A1 (en) Data mining
US11265688B2 (en) Systems and methods for anomaly detection and survival analysis for physical assets
Wang et al. Short-term industrial load forecasting based on ensemble hidden Markov model
CN113538154B (zh) 风险对象的识别方法、装置、存储介质和电子设备
US20220245526A1 (en) Quantile hurdle modeling systems and methods for sparse time series prediction applications
CN116632838B (zh) 应用于发电企业的电能供给分析的方法及装置
CN111126629B (zh) 模型的生成方法、刷单行为识别方法、系统、设备和介质
CN112785057A (zh) 基于指数平滑的件量预测方法、装置、设备及存储介质
CN115511631A (zh) 一种碳交易方法、装置、电子设备及存储介质
CN117236571B (zh) 一种基于物联网的规划方法和系统
CN107590747A (zh) 基于综合能源大数据分析的电网资产周转率计算方法
CN113902260A (zh) 信息预测方法、装置、电子设备和介质
CN107644042B (zh) 软件程序点击率预估排序方法及服务器
CN109741172B (zh) 信贷预警方法、装置、系统及存储介质
CN116596662A (zh) 基于企业舆情信息的风险预警的方法、装置、电子设备和介质
CN114529099A (zh) 需求数据预测方法及装置、电子设备、存储介质
CN111353642A (zh) 话务排班预测方法、装置、电子设备、存储介质
CN112418534B (zh) 揽件量预测方法及装置、电子设备、计算机可读存储介质
CN111611117B (zh) 硬盘故障的预测方法、装置、设备及计算机可读存储介质
Bhatnagar et al. Comprehensive Electric load forecasting using ensemble machine learning methods
Zhang Portrait analysis of power transmission line for smart grid based on external data association fusion
US20240070160A1 (en) Data processing method and electronic device

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