物流日度件量预测优化方法、装置、设备、及存储介质制造方法及图纸

本申请实施例公开了一种物流日度件量预测优化方法、装置、设备及存储介质，本申请实施例通过获取目标日期的预测件量、一段历史时期的每日真实件量与每日预测件量；计算所述历史时期的每日真实件量与每日预测件量之间的日度误差；以及根据所述日度误差及所述目标日期的预测件量产生优化件量。从而提高了日度件量的预测准确率。

【技术实现步骤摘要】
物流日度件量预测优化方法、装置、设备、及存储介质
本申请涉及数据处理
，具体涉及一种物流日度件量预测优化方法、装置、设备及存储介质。
技术介绍
件量预测是物流领域的基本预测，其中日度件量预测能够为下游人力及排班规划提供支持，帮助物流业者更好地降低成本，提升利润。举例来说，物流领域的网点(比如收发点)的日度件量(比如每日货量)经常发生量级或趋势上的改变，例如：由于客户迁入迁出、促销政策、周围商户转型等情况，以现有模型为基础的日度件量预测模型需要一段时间，才能学习到上述情况的真实值趋势变化。举例来说，假设业者在某年某月推出促销活动，导致部分网点的日度件量增长迅速，现有模型可能需要1个月左右的时间，才能对这段快速增长的趋势进行合理把握，进而体现在预测值上。在这段时间，如果直接使用模型预测值会导致预测准确率偏低，譬如导致此段时间内的预测值与真实值发生趋势或量级上偏差较大的情况，影响预测准确性。有鉴于此，有需要对现有技术进行改良。
技术实现思路
本申请实施例提供一种物流日度件量预测优化方法、装置、设备及存储介质，可以提高物流日度件量的预测准确性。在一方面，本申请实施例提供了一种物流日度件量预测优化方法，包括：获取目标日期的预测件量、一段历史时期的每日真实件量与每日预测件量；计算所述历史时期的每日真实件量与每日预测件量之间的日度误差；以及根据所述日度误差及所述目标日期的预测件量产生优化件量。在一些实施方式中，所述根据所述日度误差及所述目标日期的预测件量产生优化件量，包括：判断多个日度误差是否符合偏离情况，若判断为是，依据所述多个日度误差产生补偿件量，依据所述补偿件量及所述目标日期的预测件量产生所述优化件量，若判断为否，依据所述目标日期的预测件量产生所述优化件量。在一些实施方式中，所述判断多个日度误差是否符合偏离情况包括：判断所述多个日度误差中的每个是否都大于0或都小于0。在一些实施方式中，所述补偿件量为所述多个日度误差之间的中位数值或所述多个日度误差之间的平均数值。在一些实施方式中，所述历史时期为T-n日至T-1日，T-n日为在所述目标日期前的第n日，T-1日为在所述目标日期前的第1日，7≤n≤30。在一些实施方式中，所述目标日期的预测件量及所述历史时期的每日预测件量是将日度预测场景的物流参数输入日度件量预测模型的输出结果。在一些实施方式中，所述日度件量预测模型为基于选自Prophet、XGBoost、LSTM、ARIMA及TBATS的群组的模型。另一方面，本申请实施例还提供了一种物流日度件量预测优化装置，包括：获取模块，用于获取目标日期的预测件量、一段历史时期的每日真实件量与每日预测件量；计算模块，用于计算所述历史时期的每日真实件量与每日预测件量之间的日度误差；以及优化模块，用于根据所述日度误差及所述目标日期的预测件量产生优化件量。在一些实施方式中，所述获取模块，包括：测获单元，用于获得所述目标日期的预测件量及所述历史时期的每日预测件量，所述目标日期的预测件量及所述历史时期的每日预测件量是将日度预测场景的物流参数输入日度件量预测模型的输出结果。在一些实施方式中，所述获取模块，还包括：选取单元，用于从多种模型的输出结果中选取一种作为所述目标日期的预测件量及所述历史时期的每日预测件量，所述日度件量预测模型为基于选自Prophet、XGBoost、LSTM、ARIMA及TBATS的群组的模型。在一些实施方式中，所述获取模块，还包括：择期单元，用于设定所述历史时期为T-n日至T-1日，T-n日为在所述目标日期前的第n日，T-1日为在所述目标日期前的第1日，7≤n≤30。在一些实施方式中，所述计算模块包括：误差单元，用于计算所述历史时期的每日真实件量减去每日预测件量产生的多个日度误差。在一些实施方式中，所述计算模块还包括：暂存单元，用于将所述多个日度误差按照日期进行存储。在一些实施方式中，所述优化模块包括：判断单元，用于判断多个日度误差是否符合偏离情况，若判断为是，依据所述多个日度误差产生补偿件量，依据所述补偿件量及所述目标日期的预测件量产生所述优化件量，若判断为否，依据所述目标日期的预测件量产生所述优化件量。在一些实施方式中，所述优化模块还包括：偏离单元，用于设定所述偏离情况包括所述多个日度误差中的每个都大于0或都小于0。在一些实施方式中，所述优化模块还包括：第一补偿单元，用于设定所述补偿件量为所述多个日度误差之间的中位数值；第二补偿单元，用于设定所述补偿件量为所述多个日度误差之间的平均数值；补偿选择单元，用于从所述中位数值及所述平均数值中选取一个作为所述补偿件量。又一方面，本申请实施例还提供了一种设备，包括处理器和存储器，所述存储器中存储有程序代码，所述处理器调用所述存储器中的程序代码执行如上所述的物流日度件量预测优化方法。再一方面，本申请实施例还提供了一种存储介质，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行本申请实施例提供的物流日度件量预测优化方法。本申请实施例通过获取目标日期的预测件量、一段历史时期的每日真实件量与每日预测件量；计算所述历史时期的每日真实件量与每日预测件量之间的日度误差；以及根据所述日度误差及所述目标日期的预测件量产生优化件量。从而，本申请实施例可以针对物流领域的日度预测场景中的多个网点的日度件量预测模型的预测结果进行优化，例如根据所述历史时期中的预测误差判断预测结果是否有偏离情况，利用误差的代表性特征进行补偿，从而提升预测结果对近期真实情况的趋势变化的灵敏度，可以提高预测准确率，有利于优化现有模型的预测效果。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申请的一些实施例，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日度件量预测优化方法的流程示意图；图2是本申请实施例提供的物流日度件量预测优化方法的优化效果示意图；图3是本申请实施例提供的物流日度件量预测优化装置的结构示意图；图4是本申请实施例提供的设备的结构示意图。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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。请参阅图1，图1是本申请一实施例提供的物流日度件量预测优化方法的流程示意图。所述物流日度件量预测优化方法的执行主体可以是本申请实施例提供的物流日度件量预测优化装置，或者集成了本文档来自技高网...

【技术保护点】
1.一种物流日度件量预测优化方法，其特征在于，包括：/n获取目标日期的预测件量、一段历史时期的每日真实件量与每日预测件量；/n计算所述历史时期的每日真实件量与每日预测件量之间的日度误差；以及/n根据所述日度误差及所述目标日期的预测件量产生优化件量。/n

【技术特征摘要】
1.一种物流日度件量预测优化方法，其特征在于，包括：
获取目标日期的预测件量、一段历史时期的每日真实件量与每日预测件量；
计算所述历史时期的每日真实件量与每日预测件量之间的日度误差；以及
根据所述日度误差及所述目标日期的预测件量产生优化件量。


2.根据权利要求1所述的物流日度件量预测优化方法，其特征在于，所述根据所述日度误差及所述目标日期的预测件量产生优化件量，包括：
判断多个日度误差是否符合偏离情况，若判断为是，依据所述多个日度误差产生补偿件量，依据所述补偿件量及所述目标日期的预测件量产生所述优化件量，若判断为否，依据所述目标日期的预测件量产生所述优化件量。


3.根据权利要求2所述的物流日度件量预测优化方法，其特征在于，所述判断多个日度误差是否符合偏离情况包括：
判断所述多个日度误差中的每个是否都大于0或都小于0。


4.根据权利要求2所述的物流日度件量预测优化方法，其特征在于，所述补偿件量为所述多个日度误差之间的中位数值或所述多个日度误差之间的平均数值。


5.根据权利要求1所述的物流日度件量预测优化方法，其特征在于，所述历史时期为T-n日至T-1日，T-n日为在所述目标日期前的第n日，T-...

【专利技术属性】
技术研发人员：苏德嘉，曾文烨，李凤，化文文，刘子恒，汤芬斯蒂，
申请(专利权)人：顺丰科技有限公司，
类型：发明
国别省市：广东;44