[發明專利]預測物流件量與其建模的方法、裝置、設備及存儲介質

在審

• 申請號: 201911112015.6
• 申請日: 2019-11-14
• 公開（公告）號: CN112801327A
• 公開（公告）日: 2021-05-14
• 發明（設計）人: 蘇德嘉;許勝;化文文;林夢婷;張朝東;湯芬斯蒂
• 申請（專利權）人: 順豐科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/08;G06F30/20
• 代理公司: 深圳紫藤知識產權代理有限公司 44570
• 代理人: 張曉薇

本申請實施例公開了一種預測物流件量與其建模的方法、裝置、設備及存儲介質，本申請實施例主要通過對數據去除周期性特征后的部分提取時序特征及依據多種時序預測模型產生預測參數，根據所述預測參數及所述時序特征對梯度提升模型進行訓練而產生非周期性預測模型；可選地，判斷待測數據是否具周期性特征，若判斷為是，將所述待測數據根據周期性預測模型及非周期性預測模型進行預測而產生預測值，若判斷為否，將所述待測數據根據所述非周期性預測模型進行預測而產生所述預測值。從而可以提高物流月度件量的預測準確率。

技術領域

本申請涉及數據處理技術領域，具體涉及物流月度件量的一種預測物流件量的建模方法、裝置、設備及存儲介質與一種預測物流件量的方法、裝置、設備及存儲介質。

背景技術

件量預測是物流領域的基本預測，其中月度件量預測能夠為下游人力及排班規劃提供支持，幫助物流業者更好地降低成本，提升利潤。物流領域的網點(比如收發點)的月度件量(比如每月貨量)經常發生量級或趨勢上的改變，例如：肇因于客戶遷入遷出、促銷政策、周圍商戶轉型等情況。

舉例來說，假設每年受春節影響，月度件量會較低；每年受購物節(如雙11促銷等)因素影響，月度件量會較高，正常情況下，件量應呈逐年平穩上升趨勢。再者，當某個網點的件量發生量級變化(如件量大幅陡升或陡降)時，尚可容許月度件量預測模型用一至兩周(如7至14個數據點)調整完畢，而月度件量預測模型則被要求在下一個月或下兩個月(如1或2個數據點)調整完畢，導致月度預測相對于月度預測的靈敏度要求更高。

但是，現有模型在預測物流月度件量的靈敏度方面有所欠缺，例如某網點的流失件量的量級由10000+下降為3000+，現有模型可能需要遲至6個月后才可能將預測值的量級調整到3000+，導致在網點的真實量級發生變化的情況下，無法快速進行調整，造成預測出現較大誤差，影響預測準確性。

有鑒于此，有需要對現有技術進行改良。

發明內容

本申請實施例提供一種預測物流件量與其建模的方法、裝置、設備及存儲介質，可以提高物流月度件量的預測準確性。

在一方面，本申請實施例提供了一種預測物流件量的建模方法，包括：

獲取在一段歷史時期內的真實月度件量的數據；

對所述數據去除周期性特征后的部分提取時序特征及依據多種時序預測模型產生預測參數；以及

根據所述預測參數及所述時序特征對梯度提升模型進行訓練而產生非周期性預測模型。

在一些實施方式中，所述對所述數據去除周期性特征后的部分提取時序特征及依據多種時序預測模型產生預測參數包括：

將所述數據去除周期性特征后的部分區分成訓練集及驗證集；

將多種時序預測模型對所述訓練集的預測結果與所述驗證集進行比對而產生多個預測誤差；對所述訓練集提取多個時序特征；及

依據所述多種預測結果、所述多個預測誤差及所述多個時序特征產生所述預測參數。

在一些實施方式中，所述驗證集取自所述數據的記錄時間在目標月份以前的較晚期間的部分，所述訓練集的數據取自所述數據的記錄時間在早于所述較晚期間(如所述驗證集以前)的部分。

在一些實施方式中，所述多種時序預測模型包括下列多個模型中的至少兩種：ARIMA、ETS、NNETAR、TBATS、STLM-AR、RW-DRIFT、THETAF、及SNAIVE。

在一些實施方式中，所述根據所述預測參數及所述時序特征對梯度提升模型進行訓練而產生非周期性預測模型是依據所述多種預測結果、所述多個預測誤差及所述多個時序特征提升模型進行訓練而產生非周期性預測模型。