CN115186855A - 物流网络的货量预测方法、装置、设备和计算机存储介质 - Google Patents

Abstract

本申请提供一种物流网络的货量预测方法、装置、设备和计算机存储介质；本申请中物流网络的货量预测方法，包括：接收物流网络的货量预测请求，获取所述物流网络的货量预测请求对应的目标场地标识，及所述目标场地标识关联的目标货量信息；通过预设预测模型中的单场地长短期记忆网络预测模型处理所述目标货量信息，获得第一预测值，通过所述预设预测模型中的全场地长短期记忆网络预测模型处理所述目标货量信息，获得第二预测值；确定所述第一预测值和所述第二预测值各自的预测权重，将所述第一预测值和所述第二预测值按照各自的预测权重进行加权，获得货量预测值；本申请中通过预设预测模型加权进行货量预测，使得货量预测更加准确。

Description

物流网络的货量预测方法、装置、设备和计算机存储介质

技术领域

本申请涉及机器学习技术领域，具体涉及一种物流网络的货量预测方法、装置、设备和计算机存储介质。

背景技术

伴随着经济的发展，物流市场也迎来高速增长，物流规模的长足扩大与物流网络的日趋完备与复杂是其重要的表现，作为物流场站前置资源规划的重要参考手段之一的货量预测，变得越发重要。

当前的货量预测大多通过预测模型实现，例如，时间序列模型如指数平滑模型等、或者机器学习模型如随机森林等；这样的货量预测方法往往针对物流网络中的不同场站进行单独的预测，很难捕捉并利用到这些场站间相互关联、相互影响的信息，在整个物流网络内全部站点的平均预测精度上也差强人意，这不满足物流网络中场地数字化与精细化协同管理的需求。

发明内容

本申请提供一种物流网络的货量预测方法、装置、设备和计算机存储介质，旨在解决现有的不能同时准确地预测物流网络中全部场地的货量信息，导致较难实现物流网络精细化协同管理的技术问题。

一方面，本申请提供一种物流网络的货量预测方法，所述物流网络的货量预测方法包括以下步骤：

接收物流网络的货量预测请求，获取所述物流网络的货量预测请求对应的目标场地标识，及所述目标场地标识关联的目标货量信息；

通过预设预测模型中的单场地长短期记忆网络预测模型处理所述目标货量信息，获得第一预测值，通过所述预设预测模型中的全场地长短期记忆网络预测模型处理所述目标货量信息，获得第二预测值；

确定所述第一预测值和所述第二预测值各自的预测权重，将所述第一预测值和所述第二预测值按照各自的预测权重进行加权，获得货量预测值。

另一方面，本申请还提供一种物流网络的货量预测装置，所述物流网络的货量预测装置包括：

请求接收模块，用于接收物流网络的货量预测请求，获取所述物流网络的货量预测请求对应的目标场地标识，及所述目标场地标识关联的目标货量信息；

处理预测模块，用于通过预设预测模型中的单场地长短期记忆网络预测模型处理所述目标货量信息，获得第一预测值，通过所述预设预测模型中的全场地长短期记忆网络预测模型处理所述目标货量信息，获得第二预测值；

加权确定模块，用于确定所述第一预测值和所述第二预测值各自的预测权重，将所述第一预测值和所述第二预测值按照各自的预测权重进行加权，获得货量预测值。

另一方面，本申请还提供一种物流网络的货量预测设备，所述物流网络的货量预测设备包括：

一个或多个处理器；

存储器；以及

一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现所述的物流网络的货量预测方法。

另一方面，本申请还提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行所述的物流网络的货量预测方法中的步骤。

本申请提供的物流网络的货量预测方法包括：接收物流网络的货量预测请求，获取所述物流网络的货量预测请求对应的目标场地标识，及所述目标场地标识关联的目标货量信息；通过预设预测模型中的单场地长短期记忆网络预测模型处理所述目标货量信息，获得第一预测值，通过所述预设预测模型中的全场地长短期记忆网络预测模型处理所述目标货量信息，获得第二预测值；确定所述第一预测值和所述第二预测值各自的预测权重，将所述第一预测值和所述第二预测值按照各自的预测权重进行加权，获得货量预测值。本申请实施例中预设预测模型，通过预设预测模型中的单场地长短期记忆网络预测模型和全场地长短期记忆网络预测模型进行货量预测，获得第一预测值和第二预测值，进一步地，考虑到各个场站之间的相互关联和影响信息，设置第一预测值和第二预测值各自的预测权重进行加权处理，获得最终的货量预测值，这样的货量预测方式，使得货量预测更加准确，以实现物流网络中场地数字化与精细化管理。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的物流网络的货量预测的场景示意图；

图2为本申请实施例中物流网络的货量预测方法中构建预设预测模型的一个实施例流程示意图；

图3为本申请实施例中物流网络的货量预测方法的一个实施例流程示意图；

图4是本申请实施例中提供的物流网络的货量预测方法中提示预设预测模型更新的一个实施例的流程示意图；

图5是本申请实施例中提供的物流网络的货量预测方法中货量预测报告分析的一个实施例的流程示意图；

图6是本申请实施例中提供的物流网络的货量预测装置的一个实施例结构示意图；

图7是本申请实施例中提供的物流网络的货量预测设备的一个实施例结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明包含的范围。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本申请中，“示例性”一词用来表示“用作例子、例证或说明”。本申请中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本发明。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本发明的描述变得晦涩。因此，本发明并非旨在限于所示的实施例，而是与符合本申请所公开的原理和特征的最广范围相一致。

本申请实施例提供一种物流网络的货量预测方法、装置、设备及计算机存储介质，以下分别进行详细说明。

本发明实施例中的物流网络的货量预测方法应用于物流网络的货量预测装置，物流网络的货量预测装置设置于物流网络的货量预测设备，物流网络的货量预测设备中设置有一个或多个处理器、存储器，以及一个或多个应用程序，其中一个或多个应用程序被存储于存储器中，并配置为由处理器执行以实现物流网络的货量预测方法；物流网络的货量预测设备可以是终端，例如，手机或平板电脑，物流网络的货量预测设备还可以是一台服务器，或者多台服务器组成的服务集群。

如图1所示，图1为本申请实施例物流网络的货量预测的场景示意图，本发明实施例中物流网络的货量预测场景中包括物流网络的货量预测设备100(物流网络的货量预测设备100中集成有物流网络的货量预测装置)，物流网络的货量预测设备100中运行物流网络的货量预测对应的计算机存储介质，以执行物流网络的货量预测的步骤。

可以理解的是，图1所示物流网络的货量预测的场景中的物流网络的货量预测设备，或者物流网络的货量预测设备中包含的装置并不构成对本发明实施例的限制，即，物流网络的货量预测的场景中包含的设备数量、设备种类，或者各个设备中包含的装置数量、装置种类不影响本发明实施例中技术方案整体实现，均可以算作本发明实施例要求保护技术方案的等效替换或衍生。

本发明实施例中物流网络的货量预测设备100主要用于接收物流网络的货量预测请求，获取所述物流网络的货量预测请求对应的目标场地标识，及所述目标场地标识关联的目标货量信息；通过预设预测模型中的单场地长短期记忆网络预测模型处理所述目标货量信息，获得第一预测值，通过所述预设预测模型中的全场地长短期记忆网络预测模型处理所述目标货量信息，获得第二预测值；确定所述第一预测值和所述第二预测值各自的预测权重，将所述第一预测值和所述第二预测值按照各自的预测权重进行加权，获得货量预测值。

本发明实施例中该物流网络的货量预测设备100可以是独立的物流网络的货量预测设备，也可以是物流网络的货量预测设备组成的物流网络的货量预测设备网络或物流网络的货量预测设备集群，例如，本发明实施例中所描述的物流网络的货量预测设备100，其包括但不限于计算机、网络主机、单个网络物流网络的货量预测设备、多个网络物流网络的货量预测设备集或多个物流网络的货量预测设备构成的云物流网络的货量预测设备。其中，云物流网络的货量预测设备由基于云计算(CloudComputing)的大量计算机或网络物流网络的货量预测设备构成。

本领域技术人员可以理解，图1中示出的应用环境，仅仅是与本申请方案一种应用场景，并不构成对本申请方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的物流网络的货量预测设备，或者物流网络的货量预测设备网络连接关系，例如图1中仅示出1个物流网络的货量预测设备，可以理解的，该物流网络的货量预测的场景还可以包括一个或多个其他物流网络的货量预测设备，具体此处不作限定；该物流网络的货量预测设备100中还可以包括存储器，用于存储数据。

此外，本申请物流网络的货量预测的场景中物流网络的货量预测设备100可以设置显示装置，或者物流网络的货量预测设备100中不设置显示装置与外接的显示装置200通讯连接，显示装置200用于输出物流网络的货量预测设备中物流网络的货量预测方法执行的结果。物流网络的货量预测设备100可以访问后台数据库300(后台数据库可以是物流网络的货量预测设备的本地存储器中，后台数据库还可以设置在云端)，后台数据库300中保存有物流网络的货量预测相关的信息。

需要说明的是，图1所示的物流网络的货量预测的场景示意图仅仅是一个示例，本发明实施例描述的物流网络的货量预测的场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定。

基于上述物流网络的货量预测的场景，提出了物流网络的货量预测方法的实施例。本实施例中物流网络的货量预测方法包括：

接收物流网络的货量预测请求，获取所述物流网络的货量预测请求对应的目标场地标识，及所述目标场地标识关联的目标货量信息；

通过预设预测模型中的单场地长短期记忆网络预测模型处理所述目标货量信息，获得第一预测值，通过所述预设预测模型中的全场地长短期记忆网络预测模型处理所述目标货量信息，获得第二预测值；

确定所述第一预测值和所述第二预测值各自的预测权重，将所述第一预测值和所述第二预测值按照各自的预测权重进行加权，获得货量预测值。

本实施例物流网络的货量预测方法中物流网络的货量预测是基于预设预测模型实现的，预设预测模型中包含各个场地对应的单场地长短期记忆网络预测模型和物流网络的全场地长短期记忆网络预测模型，预设预测模型通过单场地长短期记忆网络预测模型和全场地长短期记忆网络预测模型结合进行综合预测，使得货量预测更加准确，在本实施例中物流网络的货量预测方法执行之前预先构建预设预测模型，具体地：

如图2所示，图2为本申请实施例中物流网络的货量预测方法中构建预设预测模型的一个实施例流程示意图。

本实施例中物流网络的货量预测方法中构建预设预测模型的步骤包括201～205：

201，接收预测模型训练指令，采集物流网络中各场地的历史货量信息，将所述历史货量信息作为训练样本并划分成训练集和测试集，其中，所述训练集包含各场地的训练子集，所述测试集中包含各场地的测试子集。

本实施例中的物流网络的货量预测方法应用在物流网络的货量预测设备，物流网络的货量预测设备的种类不作具体限定，物流网络的货量预测设备可以是服务器或者是终端。

货量预测设备接收预测模型训练指令，其中，预测模型训练指令的触发方式不作具体限定，即，预测模型训练指令可以是用户主动触发的，例如，用户在货量预测设备的显示界面中输入：“模型训练”的关键信息主动触发预测模型训练指令；此外，预测模型训练指令还可以是货量预测设备自动触发的，例如，货量预测设备中预先设置训练样本更新时自动触发预测模型训练指令，则货量预测设备监测训练样本，货量预测设备检测到训练样本更新时自动触发预测模型训练指令。

货量预测设备接收预测模型训练指令之后，货量预测设备采集物流网络中各场地的历史货量信息，其中，历史货量信息是指历史时间段各个场地的货量，和各场地货量对应的时间信息，例如，历史货量信息为物流网络中编号为1的场地，xxx时间的货量为xxx吨。

货量预测设备将历史货量信息作为训练样本，货量预测设备将各个历史货量信息进行划分成训练集和测试集，即，训练集和测试集可以按照比例划分，例如，训练集与测试集的比例为9:1，货量预测设备将各个历史货量信息按照时间间隔依次划分为9:1进行划分，本实施例中训练中包含各场地的训练子集，所述测试集中包含各场地的测试子集。

202，根据各场地的训练子集建立单场地长短期记忆网络预测模型，根据全场地的训练集建立全场地长短期记忆网络预测模型。

货量预测设备根据各场地的训练子集建立单场地长短期记忆网络预测模型，即，货量预测设备将训练集中各场地的训练子集分别进行模型训练，获得单场地长短期记忆网络预测模型；货量预测设备根据全场地的训练集建立全场地长短期记忆网络预测模型；具体地，包括：

(1)、将各场地的训练子集按照历史时间顺序排序，形成各场地的历史时间序列，基于各场地的所述历史时间序列对应的周日期归属以及是否工作日确定输入变量，通过各场地的所述输入变量对预设的长短期记忆网络模型进行训练，获得各场地的单场地长短期记忆网络预测模型；

(2)、将物流网络的训练集按照时间序列按照日期对齐，形成多维时间序列，将所述多维时间序列组成的二维矩阵数据，通过所述二维矩阵数据对预设的长短期记忆网络模型训练，获取物流网络的全场地长短期记忆网络预测模型。

203，通过所述单场地长短期记忆网络预测模型和所述全场地长短期记忆网络预测模型分别处理所述测试集中的各场地的测试子集，获得第一预测值和第二预测值。

货量预测设备通过单场地长短期记忆网络预测模型和全场地长短期记忆网络预测模型分别处理所述测试集中的各场地的测试子集，获得第一预测值和第二预测值，即，本实施例中通过单场地长短期记忆网络预测模型和全场地长短期记忆网络预测模型对各个测试子集进行测试，以获得各个场地对应的第一预测值和第二预测值。

204，根据所述第一预测值和所述第二预测值和对应日期测试集上的实际值进行线性回归处理，获得回归模型，根据所述回归模型确定第一预测值和所述第二预测值各自的预测权重。

货量预测设备根据第一预测值和第二预测值进行线性回归处理，获得回归模型，货量预测设备根据所述回归模型确定第一预测值和所述第二预测值各自的预测权重，步骤204具体地，包括：

(1)、针对各场地，提取各所述测试子集中第一预测值和所述第二预测值对应日期的测试集上的实际值；

(2)、将所述第一预测值和所述第二预测值作为解释变量，将所述第一实际值和所述第二实际值作为目标变量，将所述解释变量和所述目标变量进行线性回归，获得回归模型；

(3)、获取所述回归模型的回归系数，将所述回归系数作为所述第一预测值和所述第二预测值对应的预测权重。

即，本实施例中货量预测设备进行线性回归，确定第一预测值和第二预测值各自的权重，以使货量预测时考虑不同的因素后进行加权处理，使得货量预测结果更加准确。

205，将所述单场地长短期记忆网络预测模型、所述全场地长短期记忆网络预测模型和所述预测权重封装形成预设预测模型。

货量预测设备将单场地长短期记忆网络预测模型、全场地长短期记忆网络预测模型和预测权重封装形成预设预测模型，本实施例中预先根据各个场地的历史货量信息进行模型训练，形成预设预测模型，单场地长短期记忆网络预测模型基于各场地的数据进行各自独立的预测，能够充分地学习自身的货量的随时间变化规律，从而较好地捕捉及预测自身的货量波动；全场地长短期记忆网络预测模型基于物流网络中全场地数据作为模型输入，模型通过对各场站数据的同时训练，对物流网络中全部场地货量之间的空间关联性加以学习，从而对各场地间的货量信息的相互关联以及影响加以挖掘使用。具体地，货量预测设备基于预设的长短期记忆网络模型对物流网络内的全部场站进行逐个建模及联合建模，通过对物流网络内不同场站的数据的时间和空间关联信息的有效利用，给出各物流场站分别从时间关联性和空间关联性的建模维度出发的预测值，作为中间值，然后进行适当加权，用于产生最终的物流网络货量预测值，使得货量预测更加准确。

为了方便理解，本实施例中给出了预设预测模型构建的具体步骤，包括：

步骤一：货量预测设备根据预测的需要，收集待预测的物流网络内全部物流场地的历史货量信息，形成全部物流场地的原始货量的时间序列数据；

步骤二：货量预测设备将全部物流场地货量的时间序列数据，划分成训练集和测试集；

步骤三：货量预测设备针对每个物流场地的训练子集按照时间进行排序，形成历史时间序列，货量预测设备基于各场地的历史时间序列以及该历史时间序列对应的周日期归属以及是否工作日形成的时间序列等输入变量，使用长短期记忆网络模型进行训练，分别给出各场地自有的长短期记忆网络模型，又叫单场地长短期记忆网络预测模型；

步骤四：货量预测设备训练集按照日期对齐，形成由多维时间序列组成的二维矩阵数据，货量预测设备通过二维矩阵数据进行的整体长短期记忆网络模型训练，给出针对该整个物流网络货量预测的长短期记忆网络模型，又叫全场地长短期记忆网络预测模型；

步骤五：货量预测设备在测试集上，针对各场站，应用第三步、第四步训练所得的模型，得到各场地的按照单独长短期记忆网络模型预测模型的预测值和按照整体长短期记忆网络模型预测模型的预测值，分别记为第一预测值和第二预测值；对于各场站，将产生的两类预测值作为解释变量，对应测试集中的真实值作为目标变量，进行线性回归，所得回归模型对应的回归系数作为各场站的第一预测值和第二预测值在最终预测值中所占的预测权重；此时回归模型上的拟合值作为测试集上的货量预测值；获取所述目标场地标识对应目标场地在所述货量预测值对应时刻的实际货量值，将所述实际货量值与所述货量预测值进行比值运算，获得预测偏差值；若所述预测偏差值超过预设偏差范围，则输出提示信息，以提示更新所述预设预测模型。

(6)、基于历史数据，针对各场站，分别应用第三步和第四步所得的长短期记忆网络模型，得到各场站对应的第一预测值和第二预测值，基于第五步所得的各场站的两类预测值的预测权重，将各场站所得的第一预测值和第二预测值按权重加权，作为各场站货量的最终预测值。

可以理解的是：

步骤一中，历史货量信息包括分拣场地代码、分拣场地操作的运单及其货量以及该运单在分拣场地操作的时间，可以依据分拣场地代码以及在分拣场地的操作时间对全部的运单货量进行分场地的日维度(或者更细的时间维度)汇总，并且按时间先后顺序对统计结果进行排序，进而得到各分拣场地待预测日前的每日操作货量记录组成的时间序列，最终得到全部场地的原始时间序列数据；

步骤二中针对全部物流场地货量的时间序列数据的训练集和测试集的划分，采用时间序列的前向划分，通过选取合适的训练集和测试集大小，以及长短期记忆网络模型训练需要的输入历史数据的步长，可以获得具体的划分时间节点；

步骤三中在训练集上，针对每个物流场地，基于各场地的历史时间序列以及该时间序列对应的周日期归属以及是否工作日时间序列等输入变量进行长短期记忆网络模型训练的具体方法是:首先生成训练各场地长短期记忆网络模型所需的时间序列数据：选定给定的场站在训练集所在期间的历史货量，按照所在日期，对应生成该时间序列对应的周日期归属时间序列(具体的，如果该天对应周一，则记为1，其他日期如周二、周三到周日依次类推)，接着对应生成该时间序列对应的是否工作日时间序列(如果是工作日，则记为1；如果是非工作日，则记为0)，如果有其他相关的时间序列变量，也可按需要类似地引入到模型中；接着将以上三个或多个时间序列作为各场地长短期记忆网络模型预测模型的输入特征数据，训练得到各个场地的长短期记忆网络模型预测模型；

步骤四中，在训练集上,同时对物流网络内全部场地训练整体长短期记忆网络模型预测模型的具体方法是：将全部物流场站的时间序列按照日期对齐，形成由多维时间序列组成的二维矩阵数据，将所得的二维矩阵数据作为物流网络长短期记忆网络模型预测模型的输入特征数据，训练得到针对整个物流网络内全部物流场地同时预测的长短期记忆网络模型预测模型；

步骤五中一般选取测试集的长度为10或以上为佳。在测试集上,得到各场地第一预测值和第二预测值在最终预测值的权重的具体方法是：将步骤三和步骤四生成的长短期记忆网络模型预测模型分别应用在测试集数据上，可以得到各个场地的第一预测值和第二预测值，同时因为数据在测试集上，因此针对每一天的预测数据，同时有真实数据；将各场地的第一预测值、第二预测值以及真实值数据按照预测日期对齐，并且将两类预测值作为解释变量，真实值作为响应变量，进行线性回归，将各场站所得的回归模型对应第一预测值和第二预测值的回归系数作为各场站的第一预测值和第二预测值在各自最终预测值中所占的预测权重；

步骤六中在待预测目标货量的输入数据上，针对各场地，分别应用第三步和第四步所得的预测模型，分别得到各场站对应的第一预测值和第二预测值；基于第五步所得的各场站的预测权重，将各场站所得的第一预测值和第二预测值按权重加权，作为各场站货量的最终预测值。至此，完成整个物流网络的全部物流场站的货量预测。

本申请实施例中预设预测模型，通过预设预测模型中的单场地长短期记忆网络预测模型和全场地长短期记忆网络预测模型进行货量预测，获得第一预测值和第二预测值，进一步地，考虑到各个场站之间的关联信息和影响信息，设置第一预测值和第二预测值各自的预测权重进行加权处理，获得最终的货量预测值，这样的货量预测方式，使得货量预测更加准确，以实现物流网络中场地数字化与精细化管理。

如图3所示，图3为本申请实施例中物流网络的货量预测方法的一个实施例流程示意图。

在本申请一些实施例中，物流网络的货量预测方法包括如下步骤301～303：

301，接收物流网络的货量预测请求，获取所述物流网络的货量预测请求对应的目标场地标识，及所述目标场地标识关联的目标货量信息。

货量预测设备接收物流网络的货量预测请求，其中，货量预测请求的触发方式不作具体限定，即，货量预测请求可以是用户主动触发的，例如，用户在货量预测设备的显示界面中输入：“xxx场地”点击货量预测的按键，主动触发货量预测请求；此外，货量预测请求还可以是货量预测设备自动触发的，例如，货量预测设备中预先设置每日凌晨自动触发货量预测请求，则货量预测设备在检测到时间每天凌晨时，自动触发货量预测请求。

货量预测设备获取物流网络的货量预测请求对应的目标场地标识，其中，目标场地标识是指唯一识别场地的标识信息，例如，场地编号，场地位置信息等等，货量预测设备获取目标场地标识关联的目标货量信息，目标货量信息是指货量预测相关的信息，例如，历史货量和历史货量对应的时间。

302，通过预设预测模型中的单场地长短期记忆网络预测模型处理所述目标货量信息，获得第一预测值，通过所述预设预测模型中的全场地长短期记忆网络预测模型处理所述目标货量信息，获得第二预测值。

货量预测设备将目标货量信息输入至预设预测模型，货量预测设备通过预设预测模型中的单场地长短期记忆网络预测模型处理所述目标货量信息，获得第一预测值；进一步地，货量预测设备通过所述预设预测模型中的全场地长短期记忆网络预测模型处理所述目标货量信息，获得第二预测值；步骤302具体地，包括：

(1)、将所述目标货量信息输入至预设预测模型，通过所述预设预测模型中的单场地长短期记忆网络预测模型提取所述目标货量信息中的第一特征信息并处理获得第一预测值；

(2)、通过所述预设预测模型中的全场地长短期记忆网络预测模型提取所述目标货量信息中的第二特征信息并处理，获得第二预测值。

即，本实施例中货量预测设备将所述目标货量信息输入至预设预测模型，通过所述预设预测模型中的单场地长短期记忆网络预测模型提取所述目标货量信息中的第一特征信息并处理获得第一预测值；其中，第一特征信息是单场地长短期记忆网络预测模型对目标货量信息预处理之后获得的时间特征信息和货物信息特征信息；货量预测设备通过预设预测模型中的全场地长短期记忆网络预测模型提取所述目标货量信息中的第二特征信息并处理，获得第二预测值；其中第二特征信息全场地长短期记忆网络预测模型对目标货量信息预处理之后获得的时间特征信息和货物信息特征信息。

303，确定所述第一预测值和所述第二预测值各自的预测权重，将所述第一预测值和所述第二预测值按照各自的预测权重进行加权，获得货量预测值。

货量预测设备确定第一预测值和所述第二预测值各自的预测权重，即，货量预测设备将回归模型的系数作为预测权重，货量预测设备将第一预测值和所述第二预测值按照各自的预测权重进行加权，获得货量预测值。

本申请实施例中预设预测模型，通过预设预测模型中的单场地长短期记忆网络预测模型和全场地长短期记忆网络预测模型进行货量预测，获得第一预测值和第二预测值，进一步地，考虑到各个场站之间的关联信息和影响信息，设置第一预测值和第二预测值各自的预测权重进行加权处理，获得最终的货量预测值，这样的货量预测方式，使得货量预测更加准确，以实现物流网络中场地数字化与精细化管理。

本申请实施例中基于长短时记忆神经网络模型的预测算法，通过对物流网络中不同站点货量间的空间关联性以及时间关联性进行同时挖掘与有效建模，先基于长短期记忆网络模型对各场站进行独自建模，从时间依赖性的建模维度，分别给出各场站的第一预测值，后基于长短期记忆网络模型对物流网络内的全部场站进行联合建模，从空间依赖性的建模维度，同时给出各场站的第二预测值，最后进行适当的加权，将场站历史数据中的时空关联信息在同一个预测框架下进行充分挖掘和利用，使得针对物流网络的各场站的预测，不仅具有可解释性，同时也具有较好的稳健性。

本申请实施例中基于长短时记忆神经网络的物流网络货量预测方法，相比于现有的算法应用在复杂物流网络上，在网络内全部场站货量的平均预测精度上，有明显的提高，从而较好的促进货量预测在复杂物流网络场景下对前置资源规划的支持，有利于物流网络内不同场站的精细化管理。

参照图4，图4是本申请实施例中提供的物流网络的货量预测方法中提示预设预测模型更新的一个实施例的流程示意图。

在本申请一些实施例中，具体说明了货量预测设备提示预设预测模型更新包括如下步骤401～402：

401，获取所述目标场地标识对应目标场地在所述货量预测值对应时刻的实际货量值，将所述实际货量值与所述货量预测值进行比值运算，获得预测偏差值。

货量预测设备获取目标场地标识对应目标场地在所述货量预测值对应时刻的实际货量值，即，货量预测设备在获得货量预测值之后，获取该货量预测值对应时刻的实际货量值，货量预测设备将实际货量值与所述货量预测值进行比值运算，获得预测偏差值。

货量预测设备中预设偏差范围，预设偏差范围是指允许误差范围，预设偏差范围可以根据具体场景设置，例如，预设偏差范围为0.8-1.2，货量预测设备将预测偏差值和预设偏差范围进行比较，判断预测偏差值是否超过预设偏差范围，若预测偏差值不超过预设偏差范围，则不作处理。

402，若所述预测偏差值超过预设偏差范围，则输出提示信息，以提示更新所述预设预测模型。

货量预测设备若所述预测偏差值超过预设偏差范围，则输出提示信息，以提示更新所述预设预测模型，本实施例中货量预测设备将货量预测值和货量实际值进行比较，确定预测偏差值，货量预测设备根据预测偏差值的大小确定是否更新预设预测模型，以保障预设预测模型预测的准确性。

参照图5，图5是本申请实施例中提供的物流网络的货量预测方法中货量预测报告分析的一个实施例的流程示意图。

在本申请一些实施例中，具体说明了将货量预测值进行可视化显示还包括如下步骤501-502:

501，将所述货量预测值转化为折线图，将所述折线图添加到预设的货量分析模板中，生成所述物流网络的货量预测报告。

货量预测设备将货量预测值转化为折线图，即，货量预测设备设置折线图的横坐标为时间，纵坐标为货量预测值，货量预测设备将货量信息和对应的时间输入至坐标中形成折线图。

货量预测设备中包含预设的货量分析模板，预设的货量分析模板中包含不同货量变化情况的分析信息，货量预测设备将折线图添加到预设的货量分析模板中，生成所述物流网络的货量预测报告。

502，将所述货量预测报告发送至预设终端，以使所述预设终端对应用户查看货量预测分析信息。

货量预测设备将货量预测报告发送至预设终端，预设终端是指预先设置的货量分析人员对应的终端，以使所述预设终端对应用户查看货量预测分析信息。本实施例中货量预测设备将货量预测的相关进行可视化地输出，并发送至对应的终端，可以实现货量预测的监管，使得货量预测结果用于实际生产中，方便用户操作。

如图6所示，图6是物流网络的货量预测装置的一个实施例结构示意图。

为了更好实施本申请实施例中物流网络的货量预测方法，在物流网络的货量预测方法基础之上，本申请实施例中还提供一种物流网络的货量预测装置，所述物流网络的货量预测装置包括以下模块601-603：

请求接收模块601，用于接收物流网络的货量预测请求，获取所述物流网络的货量预测请求对应的目标场地标识，及所述目标场地标识关联的目标货量信息；

处理预测模块602，用于通过预设预测模型中的单场地长短期记忆网络预测模型处理所述目标货量信息，获得第一预测值，通过所述预设预测模型中的全场地长短期记忆网络预测模型处理所述目标货量信息，获得第二预测值；

加权确定模块603，用于确定所述第一预测值和所述第二预测值各自的预测权重，将所述第一预测值和所述第二预测值按照各自的预测权重进行加权，获得货量预测值。

在本申请一些实施例中，所述的物流网络的货量预测装置，包括：

接收预测模型训练指令，采集物流网络中各场地的历史货量信息，将所述历史货量信息作为训练样本并划分成训练集和测试集，其中，所述训练集包含各场地的训练子集，所述测试集中包含各场地的测试子集；

根据各场地的训练子集建立单场地长短期记忆网络预测模型，根据全场地的训练集建立全场地长短期记忆网络预测模型；

通过所述单场地长短期记忆网络预测模型和所述全场地长短期记忆网络预测模型分别处理所述测试集中的各场地的测试子集，获得第一预测值和第二预测值；

根据所述第一预测值和所述第二预测值及对应日期的测试集上的实际值进行线性回归处理，获得回归模型，根据所述回归模型确定第一预测值和所述第二预测值各自的预测权重；

将所述单场地长短期记忆网络预测模型、所述全场地长短期记忆网络预测模型和所述预测权重封装形成预设预测模型。

在本申请一些实施例中，所述的物流网络的货量预测装置中所述根据各场地的训练子集建立单场地长短期记忆网络预测模型，根据物流网络的训练集建立全场地长短期记忆网络预测模型，包括：

将各场地的训练子集按照历史时间顺序排序，形成各场地的历史时间序列，基于各场地的所述历史时间序列对应的周日期归属以及是否工作日确定输入变量，通过各场地的所述输入变量对预设的长短期记忆网络模型进行训练，获得各场地的单场地长短期记忆网络预测模型；

将物流网络的训练集按照时间序列按照日期对齐，形成多维时间序列，将所述多维时间序列组成的二维矩阵数据，通过所述二维矩阵数据对预设的长短期记忆网络模型训练，获取物流网络的全场地长短期记忆网络预测模型。

在本申请一些实施例中，所述的物流网络的货量预测装置中所述根据所述第一预测值和所述第二预测值及对应日期的测试集上的实际值进行线性回归处理，获得回归模型，根据所述回归模型确定第一预测值和所述第二预测值各自的预测权重，包括：

针对各场地，提取各所述测试子集中第一预测值及对应日期的测试集上的第一实际值，和所述第二预测值对应的第二实际值；

将所述实际值作为目标变量，将所述解释变量和所述目标变量进行线性回归，获得回归模型；

获取所述回归模型的回归系数，将所述回归系数作为所述第一预测值和所述第二预测值对应的预测权重。

在本申请一些实施例中，所述处理预测模块602，包括：

将所述目标货量信息输入至预设预测模型，通过所述预设预测模型中的单场地长短期记忆网络预测模型提取所述目标货量信息中的第一特征信息并处理获得第一预测值；

通过所述预设预测模型中的全场地长短期记忆网络预测模型提取所述目标货量信息中的第二特征信息并处理，获得第二预测值。

在本申请一些实施例中，所述物流网络的货量预测装置，包括：

获取所述目标场地标识对应目标场地在所述货量预测值对应时刻的实际货量值，将所述实际货量值与所述货量预测值进行比值运算，获得预测偏差值；

若所述预测偏差值超过预设偏差范围，则输出提示信息，以提示更新所述预设预测模型。

在本申请一些实施例中，所述物流网络的货量预测装置，包括：

将所述货量预测值转化为折线图，将所述折线图添加到预设的货量分析模板中，生成所述物流网络的货量预测报告；

将所述货量预测报告发送至预设终端，以使所述预设终端对应用户查看货量预测分析信息。

本申请实施例中物流网络的货量预测装置中模型中设置物流网络的货量预测方法涉及到的全部模块，本申请实施例中的各个模块既可以执行预设预测模型中模型训练的操作，还可以实现预设预测模型应用的操作，本实施例中的各个模块执行的操作可以如下：

请求接收模块，用于接收物流网络的货量预测请求，获取所述物流网络的货量预测请求对应的目标场地标识，及所述目标场地标识关联的目标货量信息；

模型训练模块，用于根据各场地的训练子集建立单场地长短期记忆网络预测模型，用于后续计算第一预测值；用于根据全场地的训练集建立全场地长短期记忆网络预测模型，用于后续计算第二预测值；

加权确定模块，用于确定所述第一预测值和所述第二预测值各自的预测权重，在测试集上，通过预设预测模型中的单场地长短期记忆网络预测模型处理所述目标货量信息，获得第一预测值，通过所述预设预测模型中的全场地长短期记忆网络预测模型处理所述目标货量信息，获得第二预测值；将所述第一预测值和所述第二预测值作为解释变量，将对应的实际值作为目标变量，将所述解释变量和所述目标变量进行线性回归，获得回归模型；获取所述回归模型的回归系数，将所述回归系数作为所述第一预测值和所述第二预测值对应的预测权重。将上述加权所得货量预测值与所述实际货量值进行比值运算，获得预测偏差值；若所述预测偏差值超过预设偏差范围，则输出提示信息，以提示进一步更新模型训练模块中所述预设预测模型；

处理预测模块，用于在待预测目标货量的输入数据上，通过预设预测模型中的单场地长短期记忆网络预测模型处理所述目标货量信息，获得第一预测值，通过所述预设预测模型中的全场地长短期记忆网络预测模型处理所述目标货量信息，获得第二预测值，将所述第一预测值和所述第二预测值按照加权确定模块所得的各自的预测权重进行加权，获得货量预测值。

本申请实施例中提供的物流网络的货量预测装置中预设预测模型，通过预设预测模型中的单场地长短期记忆网络预测模型和全场地长短期记忆网络预测模型进行货量预测，获得第一预测值和第二预测值，进一步地，考虑到各个场站之间的关联信息和影响信息，设置第一预测值和第二预测值各自的预测权重进行加权处理，获得最终的货量预测值，这样的货量预测方式，使得货量预测更加准确，以实现物流网络中场地数字化与精细化管理。

本发明实施例还提供一种物流网络的货量预测设备，如图7所示，图7本申请实施例中提供的物流网络的货量预测设备的一个实施例结构示意图。

物流网络的货量预测设备集成了本发明实施例所提供的任一种物流网络的货量预测装置，所述物流网络的货量预测设备包括：

一个或多个处理器；

存储器；以及

一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行上述物流网络的货量预测方法实施例中任一实施例中所述的物流网络的货量预测方法中的步骤。

具体来讲：物流网络的货量预测设备可以包括一个或者一个以上处理核心的处理器701、一个或一个以上计算机存储介质的存储器702、电源703和输入单元704等部件。本领域技术人员可以理解，图7中示出的物流网络的货量预测设备结构并不构成对物流网络的货量预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：

处理器701是该物流网络的货量预测设备的控制中心，利用各种接口和线路连接整个物流网络的货量预测设备的各个部分，通过运行或执行存储在存储器702内的软件程序和/或模块，以及调用存储在存储器702内的数据，执行物流网络的货量预测设备的各种功能和处理数据，从而对物流网络的货量预测设备进行整体监控。可选的，处理器701可包括一个或多个处理核心；优选的，处理器701可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器701中。

存储器702可用于存储软件程序以及模块，处理器701通过运行存储在存储器702的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器702可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、训练播放功能等)等；存储数据区可存储根据物流网络的货量预测设备的使用所创建的数据等。此外，存储器702可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器702还可以包括存储器控制器，以提供处理器701对存储器702的访问。

物流网络的货量预测设备还包括给各个部件供电的电源703，优选的，电源703可以通过电源管理系统与处理器701逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源703还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。

该物流网络的货量预测设备还可包括输入单元704，该输入单元704可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。

尽管未示出，物流网络的货量预测设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，物流网络的货量预测设备中的处理器701会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器702中，并由处理器701来运行存储在存储器702中的应用程序，从而实现各种功能，如下：

接收物流网络的货量预测请求，获取所述物流网络的货量预测请求对应的目标场地标识，及所述目标场地标识关联的目标货量信息；

通过预设预测模型中的单场地长短期记忆网络预测模型处理所述目标货量信息，获得第一预测值，通过所述预设预测模型中的全场地长短期记忆网络预测模型处理所述目标货量信息，获得第二预测值；

确定所述第一预测值和所述第二预测值各自的预测权重，将所述第一预测值和所述第二预测值按照各自的预测权重进行加权，获得货量预测值。

本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机存储介质中，并由处理器进行加载和执行。

为此，本发明实施例提供一种计算机存储介质，该计算机存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行本发明实施例所提供的任一种物流网络的货量预测方法中的步骤。例如，所述计算机程序被处理器进行加载可以执行如下步骤：

接收物流网络的货量预测请求，获取所述物流网络的货量预测请求对应的目标场地标识，及所述目标场地标识关联的目标货量信息；

通过预设预测模型中的单场地长短期记忆网络预测模型处理所述目标货量信息，获得第一预测值，通过所述预设预测模型中的全场地长短期记忆网络预测模型处理所述目标货量信息，获得第二预测值；

确定所述第一预测值和所述第二预测值各自的预测权重，将所述第一预测值和所述第二预测值按照各自的预测权重进行加权，获得货量预测值。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见上文针对其他实施例的详细描述，此处不再赘述。

具体实施时，以上各个单元或结构可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元或结构的具体实施可参见前面的方法实施例，在此不再赘述。

以上各个操作的具体实施可参见前面的实施例，在此不再赘述。

以上对本申请实施例所提供的一种物流网络的货量预测方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种物流网络的货量预测方法，其特征在于，所述物流网络的货量预测方法包括：

接收物流网络的货量预测请求，获取所述物流网络的货量预测请求对应的目标场地标识，及所述目标场地标识关联的目标货量信息；

通过预设预测模型中的单场地长短期记忆网络预测模型处理所述目标货量信息，获得第一预测值，通过所述预设预测模型中的全场地长短期记忆网络预测模型处理所述目标货量信息，获得第二预测值；

确定所述第一预测值和所述第二预测值各自的预测权重，将所述第一预测值和所述第二预测值按照各自的预测权重进行加权，获得货量预测值。

2.根据权利要求1所述的物流网络的货量预测方法，其特征在于，所述通过预设预测模型中的单场地长短期记忆网络预测模型处理所述目标货量信息，获得第一预测值，通过所述预设预测模型中的全场地长短期记忆网络预测模型处理所述目标货量信息，获得第二预测值之前，所述方法包括：

接收预测模型训练指令，采集物流网络中各场地的历史货量信息，将所述历史货量信息作为样本并划分成训练集和测试集，其中，所述训练集包含各场地的训练子集，所述测试集中包含各场地的测试子集；

根据各场地的训练子集建立单场地长短期记忆网络预测模型，根据全场地的训练集建立全场地长短期记忆网络预测模型；

通过所述单场地长短期记忆网络预测模型和所述全场地长短期记忆网络预测模型分别处理所述测试集中的各场地的测试子集，获得第一预测值和第二预测值；

根据所述第一预测值和所述第二预测值及对应日期的测试集上的实际值进行线性回归处理，获得回归模型，根据所述回归模型确定第一预测值和所述第二预测值各自的预测权重；

将所述单场地长短期记忆网络预测模型、所述全场地长短期记忆网络预测模型和所述预测权重封装形成预设预测模型。

3.根据权利要求2所述的物流网络的货量预测方法，其特征在于，所述根据各场地的训练子集建立单场地长短期记忆网络预测模型，根据全场地的训练集建立全场地长短期记忆网络预测模型，包括：

将各场地的训练子集按照历史时间顺序排序，形成各场地的历史时间序列，基于各场地的所述历史时间序列,以及对应的周日期归属以及是否工作日确定输入变量，通过各场地的所述输入变量对预设的长短期记忆网络模型进行训练，获得各场地的单场地长短期记忆网络预测模型；

将物流网络的训练集按照时间序列按照日期对齐，形成多维时间序列，将所述多维时间序列组成的二维矩阵数据，通过所述二维矩阵数据对预设的长短期记忆网络模型训练，获取物流网络的全场地长短期记忆网络预测模型。

4.根据权利要求2所述的物流网络的货量预测方法，其特征在于，根据所述第一预测值和所述第二预测值及对应日期的测试集上的实际值，进行线性回归处理，获得回归模型，根据所述回归模型确定第一预测值和所述第二预测值各自的预测权重，包括：

针对各场地，提取各所述测试子集中第一预测值和第二预测值及对应日期的测试集上的实际值；

将所述第一预测值和所述第二预测值作为解释变量，将所述实际值作为目标变量，将所述解释变量和所述目标变量进行线性回归，获得回归模型；

获取所述回归模型的回归系数，将所述回归系数作为所述第一预测值和所述第二预测值对应的预测权重。

5.根据权利要求1所述的物流网络的货量预测方法，其特征在于，所述通过预设预测模型中的单场地长短期记忆网络预测模型处理所述目标货量信息，获得第一预测值，通过所述预设预测模型中的全场地长短期记忆网络预测模型处理所述目标货量信息，获得第二预测值，包括：

将所述目标货量信息输入至预设预测模型，通过所述预设预测模型中的单场地长短期记忆网络预测模型提取所述目标货量信息中的第一特征信息并处理获得第一预测值；

通过所述预设预测模型中的全场地长短期记忆网络预测模型提取所述目标货量信息中的第二特征信息并处理，获得第二预测值。

6.根据权利要求1所述的物流网络的货量预测方法，其特征在于，所述确定所述第一预测值和所述第二预测值各自的预测权重，将所述第一预测值和所述第二预测值按照各自的预测权重进行加权，获得货量预测值之后，所述方法包括：

获取所述目标场地标识对应目标场地在所述货量预测值对应时刻的实际货量值，将所述实际货量值与所述货量预测值进行比值运算，获得预测偏差值；

若所述预测偏差值超过预设偏差范围，则输出提示信息，以提示更新所述预设预测模型。

7.根据权利要求1-6任意一项所述的物流网络的货量预测方法，其特征在于，所述确定所述第一预测值和所述第二预测值各自的预测权重，将所述第一预测值和所述第二预测值按照各自的预测权重进行加权，获得货量预测值之后，所述方法包括：

将所述货量预测值转化为折线图，将所述折线图添加到预设的货量分析模板中，生成所述物流网络的货量预测报告；

将所述货量预测报告发送至预设终端，以使所述预设终端对应用户查看货量预测分析信息。

8.一种物流网络的货量预测装置，其特征在于，所述物流网络的货量预测装置包括：

请求接收模块，用于接收物流网络的货量预测请求，获取所述物流网络的货量预测请求对应的目标场地标识，及所述目标场地标识关联的目标货量信息；

处理预测模块，用于通过预设预测模型中的单场地长短期记忆网络预测模型处理所述目标货量信息，获得第一预测值，通过所述预设预测模型中的全场地长短期记忆网络预测模型处理所述目标货量信息，获得第二预测值；

加权确定模块，用于确定所述第一预测值和所述第二预测值各自的预测权重，将所述第一预测值和所述第二预测值按照各自的预测权重进行加权，获得货量预测值。

9.一种物流网络的货量预测设备，其特征在于，所述物流网络的货量预测设备包括：

一个或多个处理器；

存储器；以及

一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现权利要求1至7中任一项所述的物流网络的货量预测方法。

10.一种计算机存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行权利要求1至7任一项所述的物流网络的货量预测方法中的步骤。

Images