[發明專利]訂單預測方法和裝置、物流系統及計算機可讀介質

在審

• 申請號: 201910382430.7
• 申請日: 2019-05-09
• 公開（公告）號: CN110110931A
• 公開（公告）日: 2019-08-09
• 發明（設計）人: 金忠孝;張偉
• 申請（專利權）人: 上汽安吉物流股份有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/08;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海專利商標事務所有限公司 31100
• 代理人: 駱希聰

本發明提供一種訂單預測方法和裝置、物流系統及計算機可讀介質。該方法包括：采集線路的歷史訂單數據，所述歷史訂單數據包括訂單生成時間和訂單量；從歷史訂單數據截取N天的訂單量作為時序輸入序列，并以第N+1天的訂單量作為該時序輸入序列的標簽，移動數據截取窗口獲取多個訓練樣本，所述訓練樣本包括時序輸入序列及對應的標簽；計算多個訓練樣本與測試樣本的相似度，根據相似度對多個訓練樣本進行排序；根據所述訂單生成時間對排序后的所述訓練樣本進行整合；使用經整合的所述訓練樣本訓練長短期記憶模型；使用經訓練的長短期記憶模型對測試時間的訂單量進行預測。

技術領域

本發明主要涉及智能物流領域，尤其涉及一種訂單預測方法和裝置、物流系統及計算機可讀介質。

背景技術

智能物流運輸領域是人工智能技術與物流領域的交叉領域，旨在利用人工智能技術中的智能算法替代人工的方法來解決物流領域中的常見問題，例如訂單預測問題、路徑規劃問題、道口計劃問題、車輛調度問題、倉庫選址問題等。其中訂單預測問題又可以根據預測周期分為天度、周度、月度、年度訂單預測等。在訂單預測問題中，可以進一步根據發貨地和收貨地分為各線路訂單預測問題，根據車型分為各車型訂單預測問題，以及更復雜的各車型線路在多周期上的訂單預測問題等。

智能物流運輸領域解決訂單預測問題的方案，一般是依據經驗公式，通過分析歷史訂單數據、整車廠產量、運力數據、市場情況等，對歷史訂單數據進行線性擬合，并且所解決的訂單預測問題多為月度或更長周期的預測。這種方案存在如下缺點：

1、線性擬合的預測方式預測精度低、響應速度慢，無法滿足每天物流調度的預測需求。

2、對預測人員的經驗要求較高，預測效果與人的經驗高度相關，難以滿足智能物流運輸領域持續優化算法的需要。

發明內容

本發明要解決的技術問題是提供基于深度學習長短期記憶與K最鄰近算法組合模型的訂單預測方法和裝置、物流系統及計算機可讀介質。

為解決上述技術問題，本發明的一方面提供了一種訂單預測方法，該方法包括：采集線路的歷史訂單數據，所述歷史訂單數據包括訂單生成時間和訂單量；從歷史訂單數據截取N天的訂單量作為時序輸入序列，并以第N+1天的訂單量作為該時序輸入序列的標簽，移動數據截取窗口獲取多個訓練樣本，所述訓練樣本包括時序輸入序列及對應的標簽；計算多個訓練樣本與測試樣本的相似度，根據相似度對多個訓練樣本進行排序；根據所述訂單生成時間對排序后的所述訓練樣本進行整合；使用經整合的所述訓練樣本訓練長短期記憶模型；使用經訓練的長短期記憶模型對測試時間的訂單量進行預測。

在本發明的一實施例中，采用K最鄰近節點算法計算多個訓練樣本與測試樣本的相似度。

在本發明的一實施例中，所述K最鄰近節點算法為曼哈頓距離相似度算法、歐式距離相似度算法、余弦相似度算法或皮爾森相似度算法。

在本發明的一實施例中，還包括采集多條線路的歷史訂單數據，計算多條線路中每兩條線路歷史訂單數據的相似度，合并相似度大于預設值的兩條線路。

在本發明的一實施例中，采用曼哈頓距離相似度算法、歐式距離相似度算法、余弦相似度算法或皮爾森相似度算法計算多條線路中每兩條線路歷史訂單數據的相似度。

在本發明的一實施例中，根據所述訂單生成時間的星期數對排序后的所述訓練樣本進行整合。

在本發明的一實施例中，采集線路的歷史訂單數據包括：獲取歷史訂單對應的原始數據；對原始數據進行預處理，獲取歷史訂單數據的訂單生成時間和訂單量。

在本發明的一實施例中，所述預處理包括異常值處理或缺失值處理中的至少一種。

在本發明的一實施例中，還包括獲取訂單的在線數據，基于所述在線數據訓練并更新所述長短期記憶模型。