本申请实施例公开了一种预测物流件量与其建模的方法、装置、设备及存储介质，本申请实施例主要通过对数据去除周期性特征后的部分提取时序特征及依据多种时序预测模型产生预测参数，根据所述预测参数及所述时序特征对梯度提升模型进行训练而产生非周期性预测模型；可选地，判断待测数据是否具周期性特征，若判断为是，将所述待测数据根据周期性预测模型及非周期性预测模型进行预测而产生预测值，若判断为否，将所述待测数据根据所述非周期性预测模型进行预测而产生所述预测值。从而可以提高物流月度件量的预测准确率。物流月度件量的预测准确率。物流月度件量的预测准确率。
【技术实现步骤摘要】
预测物流件量与其建模的方法、装置、设备及存储介质
[0001]本申请涉及数据处理
，具体涉及物流月度件量的一种预测物流件量的建模方法、装置、设备及存储介质与一种预测物流件量的方法、装置、设备及存储介质。
技术介绍
[0002]件量预测是物流领域的基本预测，其中月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。物流领域的网点(比如收发点)的月度件量(比如每月货量)经常发生量级或趋势上的改变，例如：肇因于客户迁入迁出、促销政策、周围商户转型等情况。
[0003]举例来说，假设每年受春节影响，月度件量会较低；每年受购物节(如双11促销等)因素影响，月度件量会较高，正常情况下，件量应呈逐年平稳上升趋势。再者，当某个网点的件量发生量级变化(如件量大幅陡升或陡降)时，尚可容许月度件量预测模型用一至两周(如7至14个数据点)调整完毕，而月度件量预测模型则被要求在下一个月或下两个月(如1或2个数据点)调整完毕，导致月度预测相对于月度预测的灵敏度要求更高。
[0004]但是，现有模型在预测物流月度件量的灵敏度方面有所欠缺，例如某网点的流失件量的量级由10000+下降为3000+，现有模型可能需要迟至6个月后才可能将预测值的量级调整到3000+，导致在网点的真实量级发生变化的情况下，无法快速进行调整，造成预测出现较大误差，影响预测准确性。
[0005]有鉴于此，有需要对现有技术进行改良。
技术实现思路
[0006]本申请实施例提供一种预测物流件量与其建模的方法、装置、设备及存储介质，可以提高物流月度件量的预测准确性。
[0007]在一方面，本申请实施例提供了一种预测物流件量的建模方法，包括：
[0008]获取在一段历史时期内的真实月度件量的数据；
[0009]对所述数据去除周期性特征后的部分提取时序特征及依据多种时序预测模型产生预测参数；以及
[0010]根据所述预测参数及所述时序特征对梯度提升模型进行训练而产生非周期性预测模型。
[0011]在一些实施方式中，所述对所述数据去除周期性特征后的部分提取时序特征及依据多种时序预测模型产生预测参数包括：
[0012]将所述数据去除周期性特征后的部分区分成训练集及验证集；
[0013]将多种时序预测模型对所述训练集的预测结果与所述验证集进行比对而产生多个预测误差；对所述训练集提取多个时序特征；及
[0014]依据所述多种预测结果、所述多个预测误差及所述多个时序特征产生所述预测参数。
[0015]在一些实施方式中，所述验证集取自所述数据的记录时间在目标月份以前的较晚期间的部分，所述训练集的数据取自所述数据的记录时间在早于所述较晚期间(如所述验证集以前)的部分。
[0016]在一些实施方式中，所述多种时序预测模型包括下列多个模型中的至少两种：ARIMA、ETS、NNETAR、TBATS、STLM-AR、RW-DRIFT、THETAF、及SNAIVE。
[0017]在一些实施方式中，所述根据所述预测参数及所述时序特征对梯度提升模型进行训练而产生非周期性预测模型是依据所述多种预测结果、所述多个预测误差及所述多个时序特征提升模型进行训练而产生非周期性预测模型。
[0018]在一些实施方式中，所述梯度提升模型为GBDT模型、XGBoost模型及LightGBM模型中的一种。
[0019]在一些实施方式中，所述对所述数据去除周期性特征包括：
[0020]将所述数据采用时域对频域变换法转到频域；
[0021]将所述数据在频域中的周期性特征去除；及
[0022]将所述周期性特征被去除的所述数据采用频域对时域变换法转到时域。
[0023]在一些实施方式中，所述时域对频域变换法为傅里叶变换法，所述频域对时域变换法为逆傅里叶变换法。
[0024]在一些实施方式中，所述获取在一段历史时期内的真实月度件量的数据包括：
[0025]将在多个网点中的真实月度件量连续存在次数进行排序；及
[0026]获取在所述多个网点中的真实月度件量连续存在次数最多的至少一网点的真实月度件量作为所述在一段历史时期内的真实月度件量的数据。
[0027]另一方面，本申请实施例还提供了一种预测物流件量的建模装置，包括：
[0028]获取模块，用于获取在一段历史时期内的真实月度件量的数据；
[0029]提参模块，用于对所述数据去除周期性特征后的部分提取时序特征及依据多种时序预测模型产生预测参数；以及
[0030]训练模块，用于根据所述预测参数及所述时序特征对梯度提升模型进行训练而产生非周期性预测模型。
[0031]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时执行如上所述的预测物流件量的建模方法。
[0032]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预测物流件量的建模方法。
[0033]次一方面，本申请实施例还提供了一种预测物流件量的方法，包括：
[0034]对多个待测网点获取在一段历史时期内的真实月度件量的待测数据；及
[0035]判断所述待测数据是否具周期性特征，若判断为是，将所述待测数据根据周期性预测模型及非周期性预测模型进行预测而产生预测值，若判断为否，将所述待测数据根据所述非周期性预测模型进行预测而产生所述预测值。
[0036]在一些实施方式中，所述非周期性预测模型是根据如上所述的预测物流件量的建模方法所产生的非周期性预测模型。
[0037]在一些实施方式中，所述周期性预测模型是ARIMA模型或线性回归模型。
[0038]在一些实施方式中，所述将所述待测数据根据所述周期性预测模型及所述非周期性预测模型进行预测而产生预测值包括：
[0039]对所述待测数据去除周期性特征后的部分提取时序参数及依据多种时序预测模型产生预测特征；
[0040]将所述时序参数及所述预测特征输入所述非周期性预测模型进行预测而产生第一预测分量；
[0041]对所述待测数据具备周期性特征的部分输入所述周期性预测模型进行预测而产生第二预测分量；及
[0042]将所述第一预测分量与所述第二预测分量相加而产生所述预测值。
[0043]在一些实施方式中，所述将所述待测数据根据所述非周期性预测模型进行预测而产生所述预测值包括：
[0044]对所述待测数据去除周期性特征后的部分提取时序参数及依据多种时序预测模型产生预测特征；
[0045]将所述时序参数及所述预测特征输入所述非周期性预测模型进行预测而产生预测分量；及
[0046]输出所述预测分量作为所述预测值。
[0047]另一方面，本申请实施例还提供了一种预测物流件量的装置，包括：
[0048]本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种预测物流件量的建模方法，其特征在于，包括：获取在一段历史时期内的真实月度件量的数据；对所述数据去除周期性特征后的部分提取时序特征及依据多种时序预测模型产生预测参数；以及根据所述预测参数及所述时序特征对梯度提升模型进行训练而产生非周期性预测模型。2.根据权利要求1所述的预测物流件量的建模方法，其特征在于，所述对所述数据去除周期性特征后的部分提取时序特征及依据多种时序预测模型产生预测参数包括：将所述数据去除周期性特征后的部分区分成训练集及验证集；将多种时序预测模型对所述训练集的预测结果与所述验证集进行比对而产生多个预测误差；对所述训练集提取多个时序特征；及依据所述多种预测结果、所述多个预测误差及所述多个时序特征产生所述预测参数。3.一种预测物流件量的建模装置，其特征在于，包括：获取模块，用于获取在一段历史时期内的真实月度件量的数据；提参模块，用于对所述数据去除周期性特征后的部分提取时序特征及依据多种时序预测模型产生预测参数；以及训练模块，用于根据所述预测参数及所述时序特征对梯度提升模型进行训练而产生非周期性预测模型。4.一种设备，其特征在于，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时执行如权利要求1至2任一项所述的预测物流件量的建模方法。5.一种存储介质，其特征在于，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，以执行如权利要求1至2任一项所述的预测物流件量的建模方法。6.一种预测物流件量的方法，其特征在于，包括：对多个待测网点获取在一段历史时期内的真实月度件量的待测数据；及判断所述待测数据是否具周期性特征，若判断为是，将所述待测数据根据周期性预测模型及非周期性预测模型进行预测而产生预测值，若判断为否，将所述待测数据根据所述非周期性预测模型进行预测而产生...
【专利技术属性】
技术研发人员：苏德嘉，许胜，化文文，林梦婷，张朝东，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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。