CN115345551A - 货量预测方法、装置、设备及存储介质 - Google Patents
货量预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115345551A CN115345551A CN202210967730.3A CN202210967730A CN115345551A CN 115345551 A CN115345551 A CN 115345551A CN 202210967730 A CN202210967730 A CN 202210967730A CN 115345551 A CN115345551 A CN 115345551A
- Authority
- CN
- China
- Prior art keywords
- order
- data
- historical
- daily
- flow direction
- 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
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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及物流领域,公开了一种货量预测方法、装置、设备及存储介质,用于提高货量预测的灵活度和准确度,降低货量预测结果的误差,有利于临时活动下网点根据每个目标时段提前进行仓库规划、车辆安排和人员调度,提高物流效率,降低物流成本。货量预测方法包括:获取历史订单数据和每日订单数据,历史订单数据包括历史订单揽件数据、历史订单派件数据和历史订单各流向的特征数据;根据历史订单数据,得到历史订单的各流向数据;根据历史订单的各流向数据和历史订单数据,建立订单预测模型;将每日订单数据输入订单预测模型,得到订单预测到达时间;对订单预测到达时间为目标时段的每日订单数据进行求和,得到目标时段的货量预测值。
Description
技术领域
本发明涉及物流领域,尤其涉及一种货量预测方法、装置、设备及存储介质。
背景技术
随着社会经济的发展,物流成为现代生活必不可少的组成部分,订单通过分拨中心发往各网点,网点作为物流网络最后一公里的节点,负责网点所在区域内快件的存储、分拣、集散、衔接。货量预测可以有效帮助网点提前进行仓库规划、车辆安排和人员调度,提高物流效率和服务质量。
在现有的技术中,常对网点的历史货量进行学习,从整体方向上进行货量测,但在实际运作过程中,为提高资源利用率,有些货物在发往目标网点前往往会经过第一网点、第二网点、......、目标网点,这导致临时网点活动或双十一等活动时,临时的订单量激增或激减会导致网点的一天中不同时段的货量波动大,货量预测的灵活度和准确度不高,不利于网点提前进行仓库规划、车辆安排和人员调度,影响了物流效率,提高了物流成本。
发明内容
本发明提供了一种货量预测方法、装置、设备及存储介质,用于提高货量预测的灵活度和准确度,降低货量预测结果的误差,有利于临时活动下网点根据每个目标时段提前进行仓库规划、车辆安排和人员调度,提高物流效率,降低物流成本。
本发明第一方面提供了一种货量预测方法,包括:获取历史订单数据和每日订单数据,历史订单数据包括历史订单揽件数据、历史订单派件数据和历史订单各流向的特征数据;根据历史订单揽件数据和历史订单派件数据,得到历史订单的各流向数据;根据历史订单的各流向数据和历史订单数据,建立订单预测模型;将每日订单数据输入订单预测模型,得到订单预测到达时间;对订单预测到达时间为目标时段的每日订单数据进行求和,得到目标时段的货量预测值。
在一种可行的实施方式中,根据历史订单揽件数据和历史订单派件数据,得到历史订单的各流向数据,包括:根据历史订单揽件数据和历史订单派件数据,得到历史订单的流量数据和历史订单的流向数据;将历史订单的流量数据和历史订单的流向数据,确定为历史订单的各流向数据。
在一种可行的实施方式中,根据历史订单的各流向数据和历史订单数据,建立订单预测模型,包括:根据历史订单的各流向数据和历史订单数据,构建训练集;将训练集输入第一预测模型进行训练,得到第一预测模型的损失函数;根据损失函数优化第一预测模型,得到订单预测模型。
在一种可行的实施方式中,将每日订单数据输入订单预测模型,得到订单预测到达时间,包括:将每日订单数据输入订单预测模型,每日订单数据包括每日订单量、每日订单的揽件地址信息、每日订单的收货地址信息和每日订单各流向的特征数据;根据每日订单数据中每日订单各流向的特征数据,得到特征因素表示向量;根据每日订单数据和特征因素表示向量,得到流向表示向量;根据每日订单数据和流向表示向量,得到待派送订单表示向量;将特征因素表示向量、流向表示向量和待派送订单表示向量输入订单预测模型的融合预测层,得到订单预测到达时间。
在一种可行的实施方式中,根据每日订单数据中每日订单各流向的特征数据,得到特征因素表示向量,包括:解析每日订单数据中每日订单各流向的特征数据,得到每日订单的基础特征数据、待派送订单特征数据和运输工具特征数据;根据基础特征数据、待派送订单特征数据和运输工具特征数据,得到特征因素表示向量。
在一种可行的实施方式中,根据每日订单数据和特征因素表示向量,得到流向表示向量,包括:根据每日订单数据,将每日订单数据分为已派送订单数据和待派送订单数据;将每日订单的揽件地址信息和每日订单的收货地址信息,进行地理信息编码,得到已派送订单的揽件地址编码信息和待派送订单的揽件地址编码信息;将已派送订单的揽件地址编码信息进行卷积处理,得到空间表示向量;将空间表示向量和特征因素表示向量进行双向特征提取,得到流向表示向量。
在一种可行的实施方式中,在根据每日订单数据和特征因素表示向量,得到流向表示向量之后,还包括:根据历史订单的各流向数据和每日订单数据,得到每日订单派送顺序预测结果;将特征因素表示向量、流向表示向量和每日订单派送顺序预测结果输入订单预测模型的融合预测层,得到订单预测到达时间。
本发明第二方面提供了一种货量预测装置,包括:获取模块,用于获取历史订单数据和每日订单数据,历史订单数据包括历史订单揽件数据、历史订单派件数据和历史订单各流向的特征数据;处理模块,用于根据历史订单揽件数据和历史订单派件数据,得到历史订单的各流向数据;模型建立模块,用于根据历史订单的各流向数据和历史订单数据,建立订单预测模型;时间预测模块,用于将每日订单数据输入订单预测模型,得到订单预测到达时间;货量预测模块,用于对订单预测到达时间为目标时段的每日订单数据进行求和,得到目标时段的货量预测值。
在一种可行的实施方式中,处理模块具体用于:根据历史订单揽件数据和历史订单派件数据,得到历史订单的流量数据和历史订单的流向数据;将历史订单的流量数据和历史订单的流向数据,确定为历史订单的各流向数据。
在一种可行的实施方式中,模型建立模块具体用于:根据历史订单的各流向数据和历史订单数据,构建训练集;将训练集输入第一预测模型进行训练,得到第一预测模型的损失函数;根据损失函数优化第一预测模型,得到订单预测模型。
在一种可行的实施方式中,时间预测模块包括:输入单元,用于将每日订单数据输入订单预测模型,每日订单数据包括每日订单量、每日订单的揽件地址信息、每日订单的收货地址信息和每日订单各流向的特征数据;特征因素单元,用于根据每日订单数据中每日订单各流向的特征数据,得到特征因素表示向量;流向表示单元,用于根据每日订单数据和特征因素表示向量,得到流向表示向量;待派送订单单元,用于根据每日订单数据和流向表示向量,得到待派送订单表示向量;第一融合单元,用于将特征因素表示向量、流向表示向量和待派送订单表示向量输入订单预测模型的融合预测层,得到订单预测到达时间。
在一种可行的实施方式中,特征因素单元具体用于:解析每日订单数据中每日订单各流向的特征数据,得到每日订单的基础特征数据、待派送订单特征数据和运输工具特征数据;根据基础特征数据、待派送订单特征数据和运输工具特征数据,得到特征因素表示向量。
在一种可行的实施方式中,流向表示单元具体用于:根据每日订单数据,将每日订单数据分为已派送订单数据和待派送订单数据;将每日订单的揽件地址信息和每日订单的收货地址信息,进行地理信息编码,得到已派送订单的揽件地址编码信息和待派送订单的揽件地址编码信息;根据已派送订单的揽件地址编码信息和待派送订单的揽件地址编码信息,将已派送订单的揽件地址编码信息进行卷积处理,得到空间表示向量;将空间表示向量和特征因素表示向量进行双向特征提取,得到流向表示向量。
在一种可行的实施方式中,货量预测装置还包括:派送顺序预测单元,用于根据历史订单的各流向数据和每日订单数据,得到每日订单派送顺序预测结果;第二融合单元,用于将特征因素表示向量、流向表示向量和每日订单派送顺序预测结果输入订单预测模型的融合预测层,得到订单预测到达时间。
本发明第三方面提供了一种货量预测设备,包括:存储器和至少一个处理器,存储器中存储有指令;至少一个处理器调用存储器中的指令,以使得货量预测设备执行上述的货量预测方法。
本发明的第四方面提供了一种计算机可读存储介质,计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的货量预测方法。
本发明提供的技术方案中,获取历史订单数据和每日订单数据,根据学习历史订单数据流量流向,建立订单预测模型,通过预测订单预测到达时间;对订单预测到达时间为目标时段的每日订单数据进行求和,得到目标时段的货量预测值。本发明实施例中,根据订单流量流向预测各网点临时活动下每个目标时段的货量,通过订单历史流量流向学习,建立了订单预测模型,从而预测每日订单每个目标时段的货量,提高了货量预测的灵活度和准确度,降低了货量预测结果的误差,有利于临时活动下网点根据每个目标时段提前进行仓库规划、车辆安排和人员调度,提高了物流效率,降低了物流成本。
附图说明
图1为本发明实施例中货量预测方法的一个实施例示意图;
图2为本发明实施例中货量预测方法的另一个实施例示意图;
图3为本发明实施例中货量预测装置的一个实施例示意图;
图4为本发明实施例中货量预测装置的另一个实施例示意图;
图5为本发明实施例中货量预测设备的一个实施例示意图。
具体实施方式
本发明提供了一种货量预测方法、装置、设备及存储介质,用于提高货量预测的灵活度和准确度,降低货量预测结果的误差,有利于临时活动下网点根据每个目标时段提前进行仓库规划、车辆安排和人员调度,提高物流效率,降低物流成本。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中货量预测方法的一个实施例包括:
101、获取历史订单数据和每日订单数据,历史订单数据包括历史订单揽件数据、历史订单派件数据和历史订单各流向的特征数据。
可以理解的是,本发明的执行主体可以为货量预测装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
服务器获取历史订单数据用于建立和训练订单预测模型,获取每日订单数据用于预测具体网点目标时段的货量。其中,历史订单数据包括历史订单揽件数据、历史订单派件数据和历史订单各流向的特征数据,通过神经网络挖掘历史订单揽件数据、历史订单派件数据和历史订单各流向的特征数据的时空相关性,能有效对影响订单到达时间的各个因素进行建模,从而较为准确的预测目标时段的货量。
服务器解析历史订单揽件数据,得到历史订单揽件时间、历史订单揽件地址信息、历史订单揽件量;服务器解析历史订单派件数据,得到历史订单派件时间、历史订单派件地址信息、历史订单派件量;服务器通过历史订单揽件时间和历史订单派件时间,得到历史订单的时间序列,用于分析历史订单的时间关联性;服务器通过历史订单揽件地址信息和历史订单派件地址信息,得到历史订单的流向数据,用于研究历史订单流向的空间属性与订单到达时间的关联性;服务器通过历史订单揽件量和历史订单派件量,得到历史订单的流量数据,用于研究历史订单流量与订单到达时间的关联性。
服务器解析历史订单各流向的特征数据,得到历史订单基础特征数据和运输工具特征数据,用于分析历史订单各流向的特征数据与订单到达时间的关联性,历史订单各流向的特征数据表示某流向在某一天的特征数据,在实际应用中,各流向的特征数据对订单到达时间具有实际影响。
具体地,历史订单基础特征数据包括日期、周次、是否节假日、运输工具编号、天气情况、道路情况等特征,其中,运输工具编号对应的每个历史订单运输工具,通过该运输工具编号能确定唯一的目标运输工具;其次,运输工具特征数据包括了历史平均驾驶速度、历史平均载重量、历史平均派送时长等特征。
需要说明的是,上述历史订单各流向的特征数据,可通过分析各特征数据对订单送达预测时间的影响程度,选取部分特征进行建模。
具体地,为提高订单预测模型的建立和训练效率,过早的历史数据存在质量不佳和采集难度较大等问题,服务器重点获取近两个月的历史数据进行模型的训练、验证和测试,采集全网每日订单数据预测所有网点目标时段的货量,并对采集的历史订单数据和每日订单数据进行数据预处理,预处理包括滤波去噪、去除异常值及差值补齐在内的数据清洗,对预处理后的数据进一步进行中心化处理,防止数据泄露。
102、根据历史订单揽件数据和历史订单派件数据,得到历史订单的各流向数据。
服务器根据历史订单揽件数据的历史订单揽件量和历史订单派件数据的历史订单派件量,得到历史订单的流量数据。根据历史订单揽件数据的历史订单揽件地址信息和历史订单派件数据的历史订单派件地址信息,得到历史订单的流向数据。根据历史订单的流量数据和历史订单的流向数据,得到历史订单的各流向数据。
具体地,根据历史订单揽件数据和历史订单派件数据,得到历史订单派送组合,历史订单派送组合既为同一运输工具同一批次派送往不同目标网点的多个历史订单集合,因此,针对每个网点的揽件地址信息和派件地址信息都是相对的,以目标历史订单的发货地址最近的始发网点地址作为订单第一揽件地址,以目标历史订单的收货地址最近的目标网点作为目标历史订单的目标派件地址,包含目标历史订单的历史订单组合在通过始发网点(既为第一网点)发往第二网点、第三网点、......、第N-1网点到达目标网点(既为第N网点,N为大于1的正整数)完成派送工作,得到揽件地址集合,揽件地址集合包括第一揽件地址、第二揽件地址、第三揽件地址、......、第N-1揽件地址、第N揽件地址(既为目标网点地址,也既,历史订单的目标派件地址),第N-1网点的第N-1揽件地址相对于第N网点为第N-1派件地址,历史订单组合中第N网点相对于第N-1网点的距离、第N网点相对于第N-1网点的转移方向和历史订单组合的揽件地址集合既为历史订单的各流向数据。
103、根据历史订单的各流向数据和历史订单数据,建立订单预测模型。
服务器根据历史订单的各流向数据和历史订单数据,充分考虑影响订单到达时间的各因素,基于神经网络建立订单预测模型,既订单预测模型为神经网络模型,该订单预测模型包括:特征因素表示层、流向表示层、待派送订单表示层和融合预测层。
具体地,服务器将历史订单数据输入订单预测模型的特征因素表示层,得到基础特征向量;服务器根据历史订单数据和基础特征向量,得到运输工具特征表示向量;服务器根据历史订单的各流向数据,得到订单特征表示向量;服务器将基础特征向量、运输工具特征表示向量和订单特征表示向量进行向量拼接,得到特征因素表示向量,用于综合表示多个特征因素对订单到达时间的影响。
服务器将历史订单数据输入订单预测模型的特征因素表示层,得到基础特征向量,包括:服务器将历史订单数据的基础特征数据输入订单预测模型的特征因素表示层,转换为基础特征向量。其中,基础特征数据包括历史订单各流向对应的日期、周次、是否节假日、运输工具编号、天气情况、道路情况等多个种类的特征数据,因为当特征数据为离散数值时,无法直接输入神经网络学习,所以本实施例中,通过独热编码得到每个特征数据的嵌入向量。特征因素表示层将特征数据的嵌入向量乘以可以学习的参数矩阵,得到基础特征向量。需进一步说明的是,上述多个种类的特征数据,可通过分析各特征数据对订单送达预测时间的影响程度,选取部分特征数据的嵌入向量进行向量拼接。
服务器根据历史订单数据和基础特征向量,得到运输工具特征表示向量,包括:服务器将历史订单数据的运输工具特征数据和基础特征向量,输入订单预测模型的特征因素表示层,计算上述基础特征向量中运输工具编码对应运输工具在设定时间内的平均驾驶速度、平均载重量、平均派送时长,得到运输工具特征表示向量。
服务器根据历史订单的各流向数据,得到订单特征表示向量,包括:服务器将历史订单的各流向数据输入订单预测模型的特征因素表示层,得到订单特征表示向量,其中,历史订单的各流向数据包括历史订单组合中第N网点相对于第N-1网点的距离、第N网点相对于第N-1网点的转移方向和历史订单组合的揽件地址集合。第N网点相对于第N-1网点的距离通过计算网点实际距离的归一化结果表示;第N网点相对于第N-1网点的转移方向通过网点经纬度差值的归一化结果表示,历史订单组合的揽件地址集合通过地理信息编码技术将每个揽件地址信息转换为编码信息,得到地址信息表示向量,将历史订单组合中第N网点相对于第N-1网点的距离、第N网点相对于第N-1网点的转移方向和地址信息表示向量进行向量拼接,得到订单特征表示向量。
具体地,服务器将历史订单数据和特征因素表示向量输入订单预测模型的流向表示层,得到流向表示向量,用于表示已派送订单流向对订单到达时间的影响。
服务器将历史订单数据和特征因素表示向量输入订单预测模型的流向表示层,得到流向表示向量,包括:服务器历史订单数据输入订单预测模型的流向表示层,基于空间点索引算法对历史订单数据中地址信息进行地理信息编码,地址信息包括揽件地址信息、派件地址信息;服务器根据设定的时间值将历史订单分为已派送订单和待派送订单,得到已派送订单的揽件地址编码信息和待派送订单的揽件地址编码信息;服务器将已派送订单的揽件地址编码信息输入流向表示层进行卷积处理,得到已派送订单的空间表示向量;服务器将特征因素表示向量和已派送订单的空间表示向量拼接得到卷积层输出向量;服务器将卷积层输出向量输入流向表示层进行双向特征提取,得到流向表示向量。
服务器将卷积层输出向量输入流向表示层进行双向特征提取,得到流向表示向量,包括:服务器将卷积层输出向量以正序和逆序分别输入两个长短时记忆网络进行特征提取,得到两个提取后的特征向量,进行向量拼接,得到流向表示向量。
具体地,服务器将历史订单数据和特征因素表示向量输入订单预测模型的待派送订单表示层,得到待派送订单表示向量,用于表示待派送订单组合对订单到达时间的影响。
服务器将历史订单数据和特征因素表示向量输入订单预测模型的待派送订单表示层,根据历史订单数据,得到多个历史订单派送组合;根据特征因素表示向量的地址信息表示向量,筛选多个历史订单派送组合中地址信息表示向量相同多个历史订单组合,得到相关快件组合向量;将相关快件组合向量与特征因素表示向量拼接,平均池化后得到待派送订单表示向量。
具体地,服务器将特征因素表示向量、流向表示向量、待派送订单表示向量输入订单预测模型的融合预测层,得到订单预测到达时间,融合预测层既为神经网络的全连接层。
104、将每日订单数据输入订单预测模型,得到订单预测到达时间。
服务器将每日订单数据输入订单预测模型,,每日订单数据包括每日订单量、每日订单的揽件地址信息、每日订单的收货地址信息和每日订单各流向的特征数据,基于人工智能领域深度学习技术进行时空数据挖掘进行订单到达时间预测,基于卷积神经网络和长短期记忆网络捕获时空相关性,通过神经网络全连接层融合预测层综合考虑特征因素、订单流向因素、待派送订单组合对订单到达时间的影响,得到每日订单预测到达时间。
每日订单数据包括每日订单量、每日订单的揽件地址信息、每日订单的收货地址信息和每日订单各流向的特征数据,每日订单各流向的特征数据包括每日订单各流向的所有特征数据,包括基础特征数据、待派送订单特征数据和运输工具特征数据,基础特征数据包括日期、周次、是否节假日、运输工具编号、天气情况、道路情况等特征数据,运输工具特征数据如历史平均驾驶速度、历史平均载重量、历史平均派送时长、此次运送平均驾驶速度,此次开始驾驶时间,待派送订单特征数据包括相对出发地的距离、相对出发地的转移方向、待派送订单的地址信息编码。
105、对订单预测到达时间为目标时段的每日订单数据进行求和,得到目标时段的货量预测值。
服务器筛选目标网点的所有订单预测到达时间,将订单预测到达时间为目标时段的每日订单数据中的每日订单量进行求和,得到目标时段到达目标网点的货量预测值。
本发明实施例中,根据订单流量流向预测各网点临时活动下每个目标时段的货量,通过订单历史流量流向学习,建立了订单预测模型,从而预测每日订单每个目标时段的货量,提高了货量预测的灵活度和准确度,降低了货量预测结果的误差,有利于临时活动下网点根据每个目标时段提前进行仓库规划、车辆安排和人员调度,提高了物流效率,降低了物流成本。
请参阅图2,本发明实施例中货量预测方法的另一个实施例包括:
201、获取历史订单数据和每日订单数据,历史订单数据包括历史订单揽件数据、历史订单派件数据和历史订单各流向的特征数据。
202、根据历史订单揽件数据和历史订单派件数据,得到历史订单的各流向数据。
步骤201-202与步骤101-102类似,此处不再赘述。
203、根据历史订单的各流向数据和历史订单数据,建立订单预测模型。
服务器对历史订单的各流向数据和历史订单数据,构建训练集;将训练集输入第一预测模型进行训练,输出订单预测到达时间,将平均绝对误差作为第一预测模型的损失函数,根据损失函数优化第一预测模型参数,通过神经网络反向传播到输入层,更新神经网络模型参数,直到损失函数收敛,得到模型的最优参数,确定订单预测模型。
订单预测模型中各层的数据处理方式与步骤103类似,此处不再赘述。
204、将每日订单数据输入订单预测模型,得到订单预测到达时间。
服务器根据将每日订单数据输入订单预测模型,每日订单数据包括每日订单量、每日订单的揽件地址信息、每日订单的收货地址信息和每日订单各流向的特征数据;根据每日订单数据中每日订单各流向的特征数据,得到特征因素表示向量;根据每日订单数据和特征因素表示向量,得到流向表示向量;根据每日订单数据和流向表示向量,得到待派送订单表示向量;将特征因素表示向量、流向表示向量和待派送订单表示向量输入订单预测模型的融合预测层,得到订单预测到达时间。
具体地,服务器解析每日订单数据中每日订单各流向的特征数据,得到每日订单的基础特征数据、待派送订单特征数据和运输工具特征数据;根据基础特征数据、待派送订单特征数据和运输工具特征数据,得到特征因素表示向量。
具体地,服务器根据每日订单数据,将每日订单数据分为已派送订单数据和待派送订单数据;将每日订单的揽件地址信息和每日订单的收货地址信息,进行地理信息编码,得到已派送订单的揽件地址编码信息和待派送订单的揽件地址编码信息;将已派送订单的揽件地址编码信息进行卷积处理,得到空间表示向量;将空间表示向量和特征因素表示向量进行双向特征提取,得到流向表示向量。
具体地,针对同一运输工具一次性往多个网点派送多个订单的应用场景,每个订单的派送顺序对每个订单预测到达目标网点时间有较大影响,在根据每日订单数据和特征因素表示向量,得到流向表示向量之后,还可以是,服务器根据历史订单的各流向数据和每日订单数据,得到每日订单派送顺序预测结果;将特征因素表示向量、流向表示向量和每日订单派送顺序预测结果输入订单预测模型的融合预测层,得到订单预测到达时间。
具体地,服务器根据历史订单的各流向数据和每日订单数据,得到每日订单派送顺序预测结果,包括:通过神经网络的注意力层筛选历史订单的各流向数据,生成相似的历史订单派件顺序组合,确定每日订单派送顺序预测结果,与特征因素表示向量拼接,加权平均后得到相关订单组合向量;将相关订单组合向量、特征因素表示向量、流向表示向量拼接后输入订单预测模型的融合预测层,得到订单预测到达时间。
205、对订单预测到达时间为目标时段的每日订单数据进行求和,得到目标时段的货量预测值。
服务器筛选目标网点的所有订单预测到达时间,将订单预测到达时间为目标时段的每日订单数据中的每日订单量进行求和,得到目标时段到达目标网点的货量预测值。
本发明实施例中,根据订单流量流向预测各网点临时活动下每个目标时段的货量,通过订单历史流量流向学习,建立了订单预测模型,从而预测每日订单每个目标时段的货量,提高了货量预测的灵活度和准确度,降低了货量预测结果的误差,有利于临时活动下网点根据每个目标时段提前进行仓库规划、车辆安排和人员调度,提高了物流效率,降低了物流成本。
上面对本发明实施例中货量预测方法进行了描述,下面对本发明实施例中货量预测装置进行描述,请参阅图3,本发明实施例中货量预测装置一个实施例包括:
获取模块301,用于获取历史订单数据和每日订单数据,历史订单数据包括历史订单揽件数据、历史订单派件数据和历史订单各流向的特征数据。
处理模块302,用于根据历史订单揽件数据和历史订单派件数据,得到历史订单的各流向数据。
模型建立模块303,用于根据历史订单的各流向数据和历史订单数据,建立订单预测模型。
时间预测模块304,用于将每日订单数据输入订单预测模型,得到订单预测到达时间。
货量预测模块305,用于对订单预测到达时间为目标时段的每日订单数据进行求和,得到目标时段的货量预测值。
本发明实施例中,根据订单流量流向预测各网点临时活动下每个目标时段的货量,通过订单历史流量流向学习,建立了订单预测模型,从而预测每日订单每个目标时段的货量,提高了货量预测的灵活度和准确度,降低了货量预测结果的误差,有利于临时活动下网点根据每个目标时段提前进行仓库规划、车辆安排和人员调度,提高了物流效率,降低了物流成本。
请参阅图4,本发明实施例中货量预测装置的另一个实施例包括:
获取模块301,用于获取历史订单数据和每日订单数据,历史订单数据包括历史订单揽件数据、历史订单派件数据和历史订单各流向的特征数据,每日订单数据包括每日订单量、每日订单的揽件地址信息、每日订单的收货地址信息和每日订单各流向的特征数据。
处理模块302,用于根据历史订单揽件数据和历史订单派件数据,得到历史订单的各流向数据。
模型建立模块303,用于根据历史订单的各流向数据和历史订单数据,建立订单预测模型。
时间预测模块304,用于将每日订单数据输入订单预测模型,得到订单预测到达时间。
货量预测模块305,用于对订单预测到达时间为目标时段的每日订单数据进行求和,得到目标时段的货量预测值。
可选的,处理模块302具体用于:根据历史订单揽件数据和历史订单派件数据,得到历史订单的流量数据和历史订单的流向数据;将历史订单的流量数据和历史订单的流向数据,确定为历史订单的各流向数据。
可选的,模型建立模块303具体用于:根据历史订单的各流向数据和历史订单数据,构建训练集;将训练集输入第一预测模型进行训练,得到第一预测模型的损失函数;根据损失函数优化第一预测模型,得到订单预测模型。
可选的,时间预测模块304包括:
输入单元3041,用于将每日订单数据输入订单预测模型,每日订单数据包括每日订单量、每日订单的揽件地址信息、每日订单的收货地址信息和每日订单各流向的特征数据;
特征因素单元3042,用于根据每日订单数据中每日订单各流向的特征数据,得到特征因素表示向量;
流向表示单元3043,用于根据每日订单数据和特征因素表示向量,得到流向表示向量;
待派送订单单元3044,用于根据每日订单数据和流向表示向量,得到待派送订单表示向量;
第一融合单元3045,用于将特征因素表示向量、流向表示向量和待派送订单表示向量输入订单预测模型的融合预测层,得到订单预测到达时间。
可选的,特征因素单元3042具体用于:解析每日订单数据中每日订单各流向的特征数据,得到每日订单的基础特征数据、待派送订单特征数据和运输工具特征数据;根据基础特征数据、待派送订单特征数据和运输工具特征数据,得到特征因素表示向量。
可选的,流向表示单元3043具体用于:根据每日订单数据,将每日订单数据分为已派送订单数据和待派送订单数据;将每日订单的揽件地址信息和每日订单的收货地址信息,进行地理信息编码,得到已派送订单的揽件地址编码信息和待派送订单的揽件地址编码信息;将已派送订单的揽件地址编码信息进行卷积处理,得到空间表示向量;将空间表示向量和特征因素表示向量进行双向特征提取,得到流向表示向量。
可选的,货量预测装置还包括:派送顺序预测单元3046,用于根据历史订单的各流向数据和每日订单数据,得到每日订单派送顺序预测结果;第一融合单元3047将特征因素表示向量、流向表示向量和每日订单派送顺序预测结果输入订单预测模型的融合预测层,得到订单预测到达时间。
本发明实施例中,本发明实施例中,根据订单流量流向预测各网点临时活动下每个目标时段的货量,通过订单历史流量流向学习,建立了订单预测模型,从而预测每日订单每个目标时段的货量,提高了货量预测的灵活度和准确度,降低了货量预测结果的误差,有利于临时活动下网点根据每个目标时段提前进行仓库规划、车辆安排和人员调度,提高了物流效率,降低了物流成本。
上面图3和图4从模块化功能实体的角度对本发明实施例中的货量预测装置进行详细描述,下面从硬件处理的角度对本发明实施例中货量预测设备进行详细描述。
图5是本发明实施例提供的一种货量预测设备的结构示意图,该货量预测设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(centralprocessing units,CPU)510(例如,一个或一个以上处理器)和存储器520,一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中,存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对货量预测设备500中的一系列指令操作。更进一步地,处理器510可以设置为与存储介质530通信,在货量预测设备500上执行存储介质530中的一系列指令操作。
货量预测设备500还可以包括一个或一个以上电源540,一个或一个以上有线或无线网络接口550,一个或一个以上输入输出接口560,和/或,一个或一个以上操作系统531,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图5示出的货量预测设备结构并不构成对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。
本发明还提供一种货量预测设备,计算机设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的货量预测方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,计算机可读存储介质中存储有指令,当指令在计算机上运行时,使得计算机执行货量预测方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种货量预测方法,其特征在于,所述货量预测方法包括:
获取历史订单数据和每日订单数据,所述历史订单数据包括历史订单揽件数据、历史订单派件数据和历史订单各流向的特征数据;
根据所述历史订单揽件数据和所述历史订单派件数据,得到历史订单的各流向数据;
根据所述历史订单的各流向数据和所述历史订单数据,建立订单预测模型;
将所述每日订单数据输入所述订单预测模型,得到订单预测到达时间;
对所述订单预测到达时间为目标时段的每日订单数据进行求和,得到目标时段的货量预测值。
2.根据权利要求1所述的货量预测方法,其特征在于,所述根据所述历史订单揽件数据和所述历史订单派件数据,得到历史订单的各流向数据,包括:
根据所述历史订单揽件数据和所述历史订单派件数据,得到历史订单的流量数据和历史订单的流向数据;
将所述历史订单的流量数据和所述历史订单的流向数据,确定为历史订单的各流向数据。
3.根据权利要求1所述的货量预测方法,其特征在于,所述根据所述历史订单的各流向数据和所述历史订单数据,建立订单预测模型,包括:
根据所述历史订单的各流向数据和所述历史订单数据,构建训练集;
将所述训练集输入第一预测模型进行训练,得到第一预测模型的损失函数;
根据所述损失函数优化所述第一预测模型,得到订单预测模型。
4.根据权利要求1所述的货量预测方法,其特征在于,所述将所述每日订单数据输入所述订单预测模型,得到订单预测到达时间,包括:
将所述每日订单数据输入所述订单预测模型,所述每日订单数据包括每日订单量、每日订单的揽件地址信息、每日订单的收货地址信息和每日订单各流向的特征数据;
根据所述每日订单数据中每日订单各流向的特征数据,得到特征因素表示向量;
根据所述每日订单数据和所述特征因素表示向量,得到流向表示向量;
根据所述每日订单数据和所述流向表示向量,得到待派送订单表示向量;
将所述特征因素表示向量、所述流向表示向量和所述待派送订单表示向量输入订单预测模型的融合预测层,得到订单预测到达时间。
5.根据权利要求4所述的货量预测方法,其特征在于,所述根据所述每日订单数据中每日订单各流向的特征数据,得到特征因素表示向量,包括:
解析所述每日订单数据中每日订单各流向的特征数据,得到每日订单的基础特征数据、待派送订单特征数据和运输工具特征数据;
根据所述基础特征数据、所述待派送订单特征数据和所述运输工具特征数据,得到特征因素表示向量。
6.根据权利要求5所述的货量预测方法,其特征在于,所述根据所述每日订单数据和所述特征因素表示向量,得到流向表示向量,包括:
根据所述每日订单数据,将每日订单数据分为已派送订单数据和待派送订单数据;
将所述每日订单的揽件地址信息和所述每日订单的收货地址信息,进行地理信息编码,得到已派送订单的揽件地址编码信息和待派送订单的揽件地址编码信息;
将所述已派送订单的揽件地址编码信息进行卷积处理,得到空间表示向量;
将所述空间表示向量和所述特征因素表示向量进行双向特征提取,得到流向表示向量。
7.根据权利要求4-6中任意一项所述的货量预测方法,其特征在于,在所述根据所述每日订单数据和所述特征因素表示向量,得到流向表示向量之后,还包括:
根据所述历史订单的各流向数据和所述每日订单数据,得到每日订单派送顺序预测结果;
将所述特征因素表示向量、所述流向表示向量和所述每日订单派送顺序预测结果输入订单预测模型的融合预测层,得到订单预测到达时间。
8.一种货量预测装置,其特征在于,所述货量预测装置包括:
获取模块,用于获取历史订单数据和每日订单数据,所述历史订单数据包括历史订单揽件数据、历史订单派件数据和历史订单各流向的特征数据;
处理模块,用于根据所述历史订单揽件数据和所述历史订单派件数据,得到历史订单的各流向数据;
模型建立模块,用于根据所述历史订单的各流向数据和所述历史订单数据,建立订单预测模型;
时间预测模块,用于将所述每日订单数据输入所述订单预测模型,得到订单预测到达时间;
货量预测模块,用于对所述订单预测到达时间为目标时段的每日订单数据进行求和,得到目标时段的货量预测值。
9.一种货量预测设备,其特征在于,所述货量预测设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述货量预测设备执行如权利要求1-7中任一项所述的货量预测方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令在被读取并运行时执行如权利要求1-7中任一项所述货量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210967730.3A CN115345551A (zh) | 2022-08-12 | 2022-08-12 | 货量预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210967730.3A CN115345551A (zh) | 2022-08-12 | 2022-08-12 | 货量预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115345551A true CN115345551A (zh) | 2022-11-15 |
Family
ID=83952688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210967730.3A Pending CN115345551A (zh) | 2022-08-12 | 2022-08-12 | 货量预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115345551A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115619507A (zh) * | 2022-12-05 | 2023-01-17 | 阿里健康科技(杭州)有限公司 | 数据对象的目标资源兑换量的确定方法、装置和设备 |
-
2022
- 2022-08-12 CN CN202210967730.3A patent/CN115345551A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115619507A (zh) * | 2022-12-05 | 2023-01-17 | 阿里健康科技(杭州)有限公司 | 数据对象的目标资源兑换量的确定方法、装置和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Torbacki et al. | Identifying Key Performance Indicators to be used in Logistics 4.0 and Industry 4.0 for the needs of sustainable municipal logistics by means of the DEMATEL method | |
CN110400022B (zh) | 自助柜员机现金用量预测方法及装置 | |
CN109961248B (zh) | 运单投诉预测方法、装置、设备及其存储介质 | |
CN111768030B (zh) | 银行运输配送线路规划方法和装置、设备以及介质 | |
US11593735B2 (en) | Automated and efficient personal transportation vehicle sharing | |
Browne | Artificial intelligence data-driven internet of things systems, real-time process monitoring, and sustainable industrial value creation in smart networked factories | |
CN114297935A (zh) | 基于数字孪生的机场航站楼离港优化运行仿真系统及方法 | |
CN111260151A (zh) | 多频次派件时长预测方法、装置、设备及存储介质 | |
Schuh et al. | Methodology for the evaluation of forecast reliability of production planning systems | |
CN115220882A (zh) | 一种数据处理方法以及装置 | |
CN115345551A (zh) | 货量预测方法、装置、设备及存储介质 | |
CN113191533A (zh) | 仓库用工预测方法、装置、设备及存储介质 | |
US20200286109A1 (en) | System and Method to Establish Value of Generated Leads and Opportunities in a Sales Process | |
CN110929941A (zh) | 基于多负荷模式的短期电力负荷预测方法及系统 | |
Vladyslav et al. | ANALYSIS OF THE CMMI MODEL APPLICATION FOR SOLVING THE TASKS OF CPPS CONTROL PROCESSES AUTOMATION DEVELOPMENT | |
CN117391257A (zh) | 一种道路拥堵情况的预测方法及装置 | |
CN113205227A (zh) | 一种车辆线路优化方法及装置 | |
CN111353625A (zh) | 一种网点件量预测方法、装置、设备及存储介质 | |
Maghrebi et al. | Fusion based learning approach for predicting concrete pouring productivity based on construction and supply parameters | |
Schmitt et al. | A priori performance assessment of line-less mobile assembly systems | |
Gallina et al. | Work in progress level prediction with long short-term memory recurrent neural network | |
Albertengo et al. | Short term urban traffic forecasting using deep learning | |
CN116720600A (zh) | 落货量预测方法、装置、设备及存储介质 | |
CN114971922A (zh) | 车辆勘察的定损方法、装置、设备及存储介质 | |
CN113689301A (zh) | 赔付策略的构建方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |