订单预测方法和装置、物流系统及计算机可读介质制造方法及图纸

本发明专利技术提供一种订单预测方法和装置、物流系统及计算机可读介质。该方法包括：采集线路的历史订单数据，所述历史订单数据包括订单生成时间和订单量；从历史订单数据截取N天的订单量作为时序输入序列，并以第N+1天的订单量作为该时序输入序列的标签，移动数据截取窗口获取多个训练样本，所述训练样本包括时序输入序列及对应的标签；计算多个训练样本与测试样本的相似度，根据相似度对多个训练样本进行排序；根据所述订单生成时间对排序后的所述训练样本进行整合；使用经整合的所述训练样本训练长短期记忆模型；使用经训练的长短期记忆模型对测试时间的订单量进行预测。

Order Forecasting Method and Device, Logistics System and Computer Readable Media

【技术实现步骤摘要】
订单预测方法和装置、物流系统及计算机可读介质
本专利技术主要涉及智能物流领域，尤其涉及一种订单预测方法和装置、物流系统及计算机可读介质。
技术介绍
智能物流运输领域是人工智能技术与物流领域的交叉领域，旨在利用人工智能技术中的智能算法替代人工的方法来解决物流领域中的常见问题，例如订单预测问题、路径规划问题、道口计划问题、车辆调度问题、仓库选址问题等。其中订单预测问题又可以根据预测周期分为天度、周度、月度、年度订单预测等。在订单预测问题中，可以进一步根据发货地和收货地分为各线路订单预测问题，根据车型分为各车型订单预测问题，以及更复杂的各车型线路在多周期上的订单预测问题等。智能物流运输领域解决订单预测问题的方案，一般是依据经验公式，通过分析历史订单数据、整车厂产量、运力数据、市场情况等，对历史订单数据进行线性拟合，并且所解决的订单预测问题多为月度或更长周期的预测。这种方案存在如下缺点：1、线性拟合的预测方式预测精度低、响应速度慢，无法满足每天物流调度的预测需求。2、对预测人员的经验要求较高，预测效果与人的经验高度相关，难以满足智能物流运输领域持续优化算法的需要。
技术实现思路
本专利技术要解决的技术问题是提供基于深度学习长短期记忆与K最邻近算法组合模型的订单预测方法和装置、物流系统及计算机可读介质。为解决上述技术问题，本专利技术的一方面提供了一种订单预测方法，该方法包括：采集线路的历史订单数据，所述历史订单数据包括订单生成时间和订单量；从历史订单数据截取N天的订单量作为时序输入序列，并以第N+1天的订单量作为该时序输入序列的标签，移动数据截取窗口获取多个训练样本，所述训练样本包括时序输入序列及对应的标签；计算多个训练样本与测试样本的相似度，根据相似度对多个训练样本进行排序；根据所述订单生成时间对排序后的所述训练样本进行整合；使用经整合的所述训练样本训练长短期记忆模型；使用经训练的长短期记忆模型对测试时间的订单量进行预测。在本专利技术的一实施例中，采用K最邻近节点算法计算多个训练样本与测试样本的相似度。在本专利技术的一实施例中，所述K最邻近节点算法为曼哈顿距离相似度算法、欧式距离相似度算法、余弦相似度算法或皮尔森相似度算法。在本专利技术的一实施例中，还包括采集多条线路的历史订单数据，计算多条线路中每两条线路历史订单数据的相似度，合并相似度大于预设值的两条线路。在本专利技术的一实施例中，采用曼哈顿距离相似度算法、欧式距离相似度算法、余弦相似度算法或皮尔森相似度算法计算多条线路中每两条线路历史订单数据的相似度。在本专利技术的一实施例中，根据所述订单生成时间的星期数对排序后的所述训练样本进行整合。在本专利技术的一实施例中，采集线路的历史订单数据包括：获取历史订单对应的原始数据；对原始数据进行预处理，获取历史订单数据的订单生成时间和订单量。在本专利技术的一实施例中，所述预处理包括异常值处理或缺失值处理中的至少一种。在本专利技术的一实施例中，还包括获取订单的在线数据，基于所述在线数据训练并更新所述长短期记忆模型。本专利技术的另一方面提供了一种订单预测装置，该装置包括：采集单元，采集线路的历史订单数据，所述历史订单数据包括订单生成时间和订单量；训练样本获取单元，从历史订单数据截取N天的订单量作为时序输入序列，并以第N+1天的订单量作为该时序输入序列的标签，移动数据截取窗口获取多个训练样本，所述训练样本包括时序输入序列及对应的标签；计算单元，计算多个训练样本与测试样本的相似度，根据相似度对多个训练样本进行排序；整合单元，根据所述订单生成时间对排序后的所述训练样本进行整合；训练单元，使用经整合的所述训练样本训练长短期记忆模型；预测单元，使用经训练的长短期记忆模型对测试时间的订单量进行预测。在本专利技术的一实施例中，所述计算单元采用K最邻近节点算法计算多个时序输入序列和对应的标签与测试样本的相似度。在本专利技术的一实施例中，所述K最邻近节点算法为曼哈顿距离相似度算法、欧式距离相似度算法、余弦相似度算法或皮尔森相似度算法。在本专利技术的一实施例中，所述采集单元采集多条线路的历史订单数据，计算多条线路中每两条线路历史订单数据的相似度，合并相似度大于预设值的两条线路。在本专利技术的一实施例中，所述采集单元采用曼哈顿距离相似度、欧式距离相似度、余弦相似度或皮尔森相似度计算多条线路中每两条线路历史订单数据的相似度。在本专利技术的一实施例中，所述整合单元根据所述订单生成时间的星期数对排序后的所述训练样本进行整合。在本专利技术的一实施例中，所述采集单元采集线路的历史订单数据包括：获取历史订单对应的原始数据；对原始数据进行预处理，获取历史订单数据的订单生成时间和订单量。在本专利技术的一实施例中，所述预处理包括异常值处理或缺失值处理中的至少一种。在本专利技术的一实施例中，所述训练单元获取订单的在线数据，基于所述在线数据训练并更新所述长短期记忆模型。本专利技术的又一方面提供了一种物流系统，包括：存储器，用于存储可由处理器执行的指令；处理器，用于执行所述指令以实现如上所述的方法。本专利技术的再一方面提供了一种计算机可读介质，其上存储有计算机指令，其中当计算机指令被处理器执行时，执行如上所述的方法。与现有技术相比，本专利技术利用基于深度学习长短期记忆与K最邻近算法组合模型，根据订单变化相似性对相似线路的订单数据进行整合，应用K最邻近算法寻找历史订单数据中相似的历史片段作为训练样本，利用这些训练样本对长短期记忆模型进行训练，可以预测出未来一段时间内可能发生的订单量，使得后续的物流优化算法可以达到目标函数的最优值，具有通用性强、时效性强、精确度高、智能化的优点。附图说明为让本专利技术的上述目的、特征和优点能更明显易懂，以下结合附图对本专利技术的具体实施方式作详细说明，其中：图1是本专利技术一实施例的订单预测方法的示例性流程图；图2是本专利技术一实施例的移动数据截取窗口获得训练样本的示意图；图3是长短期记忆模型中的重复模块的结构示意图；图4是本专利技术一实施例中的长短期记忆模型的结构示意图；图5是本专利技术一实施例中使用经训练的长短期记忆模型对测试时间的订单量进行预测的示例性流程图；图6是本专利技术一实施例的订单预测结果对比图；图7是本专利技术一实施例的订单预测装置的结构框图；图8是本专利技术一实施例的物流系统的框图。具体实施方式为让本专利技术的上述目的、特征和优点能更明显易懂，以下结合附图对本专利技术的具体实施方式作详细说明。在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是本专利技术还可以采用其它不同于在此描述的其它方式来实施，因此本专利技术不受下面公开的具体实施例的限制。如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。图1是本专利技术一实施例的订单预测方法的示例性流程图。参考图1所示，该订单的预测方法包括以下步骤：步骤110，采集线路的历史订单数据。该历史订单数据包括对应于某一线路的订单生成时间和订单量。线路可以由发货地和收货地来确定，该发货地和收货地可以分别是发出城市和目的城市，例如上海-上海线路、上海-苏州线路等。发货地和收货地也可以是省、县级市、地区、本文档来自技高网...

【技术保护点】
1.一种订单预测方法，该方法包括：采集线路的历史订单数据，所述历史订单数据包括订单生成时间和订单量；从历史订单数据截取N天的订单量作为时序输入序列，并以第N+1天的订单量作为该时序输入序列的标签，移动数据截取窗口获取多个训练样本，所述训练样本包括时序输入序列及对应的标签；计算多个训练样本与测试样本的相似度，根据相似度对多个训练样本进行排序；根据所述订单生成时间对排序后的所述训练样本进行整合；使用经整合的所述训练样本训练长短期记忆模型；使用经训练的长短期记忆模型对测试时间的订单量进行预测。

【技术特征摘要】
1.一种订单预测方法，该方法包括：采集线路的历史订单数据，所述历史订单数据包括订单生成时间和订单量；从历史订单数据截取N天的订单量作为时序输入序列，并以第N+1天的订单量作为该时序输入序列的标签，移动数据截取窗口获取多个训练样本，所述训练样本包括时序输入序列及对应的标签；计算多个训练样本与测试样本的相似度，根据相似度对多个训练样本进行排序；根据所述订单生成时间对排序后的所述训练样本进行整合；使用经整合的所述训练样本训练长短期记忆模型；使用经训练的长短期记忆模型对测试时间的订单量进行预测。2.如权利要求1所述的订单预测方法，其特征在于，采用K最邻近节点算法计算多个训练样本与测试样本的相似度。3.如权利要求2所述的订单预测方法，其特征在于，所述K最邻近节点算法为曼哈顿距离相似度算法、欧式距离相似度算法、余弦相似度算法或皮尔森相似度算法。4.如权利要求1所述的订单预测方法，其特征在于，还包括采集多条线路的历史订单数据，计算多条线路中每两条线路历史订单数据的相似度，合并相似度大于预设值的两条线路。5.如权利要求4所述的订单预测方法，其特征在于，采用曼哈顿距离相似度算法、欧式距离相似度算法、余弦相似度算法或皮尔森相似度算法计算多条线路中每两条线路历史订单数据的相似度。6...

【专利技术属性】
技术研发人员：金忠孝，张伟，
申请(专利权)人：上汽安吉物流股份有限公司，
类型：发明
国别省市：上海,31