【技术实现步骤摘要】
本申请涉及物流，特别是涉及一种订单量的预测方法及装置，一种预测模型的训练方法及装置，一种预测模型。
技术介绍
1、随着电商的快速发展，物流也愈发重要，良好的物流对电商的发展起到了重要作用。目前，大量的商品往往集中存储在仓库中，电商平台可以线上接收广大用户的购物订单，之后对物流订单进行物流环节的处理，其中，在物流环节中，可以在仓库中拣选物流订单涉及的商品，并将拣选的物流订单涉及的商品打包，然后配送至用户手中。
技术实现思路
1、本申请示出了一种订单量的预测方法及装置，一种预测模型的训练方法及装置，一种预测模型。
2、第一方面，本申请示出了一种订单量的预测方法，所述方法包括：
3、分别获取多个历史时段中的各个历史时段的订单量，分别获取各个历史时段的时间周期信息，以及，获取待预测的未来时段的时间周期信息；多个历史时段均位于未来时段之前；
4、至少根据各个历史时段的订单量以及各个历史时段的时间周期信息，获取各个历史时段的订单量分别对未来时段的订单量的影响程度；
5、至少根据各个历史时段的订单量、各个历史时段的时间周期信息、未来时段的时间周期信息以及所述影响程度，预测未来时段的订单量。
6、在一个可选的实现方式中，所述分别获取多个历史时段中的各个历史时段的订单量，包括：
7、对于多个历史时段中的每一个历史时段，获取所述历史时段的订单的实际数量；
8、在多个预先划分的数量区间中，确定所述实际数量所在的目标数量区
9、在多个预先设置的多个数量标签中，确定所述目标数量区间对应的数量标签；
10、根据确定的数量标签获取所述历史时段的订单量；
11、其中，所述订单至少包括交易订单或者物流订单。
12、在一个可选的实现方式中，所述至少根据各个历史时段的订单量以及各个历史时段的时间周期信息，获取各个历史时段的订单量分别对未来时段的订单量的影响程度，包括；
13、根据各个历史时段的订单量获取多个历史时段的订单量的统计信息；
14、根据各个历史时段的订单量、各个历史时段的时间周期信息以及所述统计信息，获取各个历史时段的订单量分别对未来时段的订单量的影响程度。
15、在一个可选的实现方式中，所述至少根据各个历史时段的订单量、各个历史时段的时间周期信息、未来时段的时间周期信息以及所述影响程度，预测未来时段的订单量，包括：
16、根据各个历史时段的订单量、各个历史时段的时间周期信息、未来时段的时间周期信息、所述统计信息以及所述影响程度，预测未来时段的订单量。
17、第二方面，本申请示出了一种预测模型的训练方法，所述方法包括：
18、获取至少一个训练数据，训练数据包括：样本数据以及标注数据；样本数据包括：多个样本历史时段中的各个样本历史时段的样本订单量、各个样本历史时段的样本时间周期信息以及样本未来时段的样本时间周期信息；多个样本历史时段均位于样本未来时段之前；标注数据包括：样本未来时段的标注订单量；
19、使用至少一个训练数据对模型训练，直至模型中的网络参数收敛，从而得到订单量的预测模型；
20、其中，模型包括：特征映射网络、编码网络、注意力网络、解码网络以及预测网络；
21、特征映射网络用于将多个样本历史时段中的各个样本历史时段的样本订单量以及各个样本历史时段的样本时间周期信息映射为多维稠密的历史特征向量，将样本未来时段的样本时间周期信息映射为多维稠密的未来特征向量；
22、编码网络用于对历史特征向量以及未来特征向量进行特征提取，得到第一提取特征向量；
23、注意力网络用于根据未来特征向量以及第一提取特征向量获取各个样本历史时段的样本订单量分别对样本未来时段的订单量的影响程度；
24、解码网络用于根据未来特征向量、影响程度以及第一提取特征向量获取第二提取特征向量；
25、预测网络用于根据第二提取特征向量预测样本未来时段的订单量。
26、第三方面，本申请示出了一种订单量的预测模型，所述模型包括：
27、特征映射网络、编码网络、注意力网络、解码网络以及预测网络；
28、特征映射网络用于将多个样本历史时段中的各个样本历史时段的样本订单量以及各个样本历史时段的样本时间周期信息映射为多维稠密的历史特征向量，将样本未来时段的样本时间周期信息映射为多维稠密的未来特征向量；
29、编码网络用于对历史特征向量以及未来特征向量进行特征提取，得到第一提取特征向量；
30、注意力网络用于根据未来特征向量以及第一提取特征向量获取各个样本历史时段的样本订单量分别对样本未来时段的订单量的影响程度；
31、解码网络用于根据未来特征向量、影响程度以及第一提取特征向量获取第二提取特征向量；
32、预测网络用于根据第二提取特征向量预测样本未来时段的订单量。
33、第四方面，本申请示出了一种订单量的预测装置，所述装置包括：
34、第一获取模块，用于分别获取多个历史时段中的各个历史时段的订单量，第二获取模块，用于分别获取各个历史时段的时间周期信息，第三获取模块，用于获取待预测的未来时段的时间周期信息；多个历史时段均位于未来时段之前；
35、第四获取模块，用于至少根据各个历史时段的订单量以及各个历史时段的时间周期信息，获取各个历史时段的订单量分别对未来时段的订单量的影响程度；
36、预测模块，用于至少根据各个历史时段的订单量、各个历史时段的时间周期信息、未来时段的时间周期信息以及所述影响程度，预测未来时段的订单量。
37、在一个可选的实现方式中，所述第一获取模块包括：
38、第一获取单元，用于对于多个历史时段中的每一个历史时段，获取所述历史时段的订单的实际数量；
39、第一确定单元，用于在多个预先划分的数量区间中，确定所述实际数量所在的目标数量区间；
40、第二确定单元，用于在多个预先设置的多个数量标签中，确定所述目标数量区间对应的数量标签；
41、第二获取单元，用于根据确定的数量标签获取所述历史时段的订单量；
42、其中，所述订单至少包括交易订单或者物流订单。
43、在一个可选的实现方式中，所述第四获取模块包括；
44、第三获取单元，用于根据各个历史时段的订单量获取多个历史时段的订单量的统计信息；
45、第四获取单元，用于根据各个历史时段的订单量、各个历史时段的时间周期信息以及所述统计信息，获取各个历史时段的订单量分别对未来时段的订单量的影响程度。
46、在一个可选的实现方式中，所述预测模块包括：
47、预测单元，用于根据各个历史时段的订单量、各个历史时段的时间周期信息、未来时段的时间周期信息、所述统计信息以及所述影响程度，预测未来时段本文档来自技高网...
【技术保护点】
1.一种订单量的预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述分别获取多个历史时段中的各个历史时段的订单量，包括：
3.根据权利要求1所述的方法，其特征在于，所述至少根据各个历史时段的订单量以及各个历史时段的时间周期信息，获取各个历史时段的订单量分别对未来时段的订单量的影响程度，包括；
4.根据权利要求3所述的方法，其特征在于，所述至少根据各个历史时段的订单量、各个历史时段的时间周期信息、未来时段的时间周期信息以及所述影响程度，预测未来时段的订单量，包括：
5.一种预测模型的训练方法，其特征在于，所述方法包括：
6.一种订单量的预测模型，其特征在于，所述模型包括：
7.一种订单量的预测装置，其特征在于，所述装置包括：
8.一种预测模型的训练装置，其特征在于，所述装置包括：
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，处理器执行程序时实现如权利要求1至5中任一项的方法的步骤。
10.一种
...【技术特征摘要】
1.一种订单量的预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述分别获取多个历史时段中的各个历史时段的订单量，包括：
3.根据权利要求1所述的方法，其特征在于，所述至少根据各个历史时段的订单量以及各个历史时段的时间周期信息，获取各个历史时段的订单量分别对未来时段的订单量的影响程度，包括；
4.根据权利要求3所述的方法，其特征在于，所述至少根据各个历史时段的订单量、各个历史时段的时间周期信息、未来时段的时间周期信息以及所述影响程度，预测未来时段的订单量，包括：
5.一种预测模型的...
【专利技术属性】
技术研发人员：吕建新，戈伟，傅笑宽，
申请(专利权)人：浙江菜鸟供应链管理有限公司，
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。