[發明專利]業務量預測模型構建方法和業務量預測方法

在審

• 申請號: 202010655751.2
• 申請日: 2020-07-09
• 公開（公告）號: CN113918884A
• 公開（公告）日: 2022-01-11
• 發明（設計）人: 李思文;盛夏;劉瓊
• 申請（專利權）人: 順豐科技有限公司
• 主分類號: G06F17/18
• 分類號: G06F17/18;G06K9/62;G06N3/04;G06N3/08;G06Q10/04;G06Q10/08
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 唐彩琴

1.一種業務量預測模型構建方法，所述方法包括：

獲取歷史業務量數據；

基于所述歷史業務量數據構建歷史樣本集；

對所述歷史樣本集進行離散處理以及完全升采樣處理，生成訓練樣本集；

通過所述訓練樣本集以及動態采樣算法，對預設初始隨機神經網絡進行訓練，構建業務量預測模型。

2.根據權利要求1所述的方法，其特征在于，所述基于所述歷史業務量數據構建歷史樣本集包括：

基于所述歷史業務量數據，構造各歷史日期對應的業務量時序特征數據；

根據所述各歷史日期對應的真實業務量與所述業務量時序特征數據，構建歷史樣本集。

3.根據權利要求1所述的方法，其特征在于，所述對所述歷史樣本集進行離散處理以及完全升采樣處理，生成訓練樣本集包括：

根據所述歷史樣本集內各歷史樣本中的真實業務量，對所述歷史樣本集進行離散化處理，將所述歷史樣本集內的各個歷史樣本劃分入各業務量區間；

根據所述各業務量區間內歷史樣本的數量，對所述各業務量區間進行完全升采樣處理。

4.根據權利要求1所述的方法，其特征在于，所述通過所述訓練樣本集以及動態采樣算法，對預設初始隨機神經網絡進行訓練，獲取業務量預測模型包括：

將所述訓練樣本集劃分為訓練集和驗證集；

通過所述訓練集對初始隨機神經網絡開始迭代訓練，獲取迭代神經網絡；

通過所述驗證集對所述迭代神經網絡進行驗證，獲所述取驗證集對應的樣本誤差；

根據所述樣本誤差，獲取所述訓練集中各樣本繼續作為訓練集的被選概率；

根據所述被選概率，對所述訓練集進行非完全升采樣，得到更新后的訓練集和更新后的驗證集；

將更新后的訓練集重新作為訓練集、將更新后的驗證集重新作為驗證集、并將迭代神經網絡重新作為初始隨機神經網絡，返回所述通過所述訓練集對初始隨機神經網絡開始迭代訓練的步驟；

獲取每次迭代訓練中對應的驗證集內各樣本的樣本誤差下降率，當所述樣本誤差下降率低于預設閾值時，迭代結束，將最新的迭代神經網絡作為業務量預測模型。

5.根據權利要求4所述的方法，其特征在于，所述通過所述訓練集對初始隨機神經網絡開始迭代訓練，獲取迭代神經網絡包括：

通過所述訓練集以及隨機化的網絡超參數對預設數量的初始隨機神經網絡進行訓練，并為所述預設數量的初始隨機神經網絡分配不同的初始學習率、衰減速率以及激活函數，獲取迭代神經網絡。

6.根據權利要求5所述的方法，其特征在于，所述通過所述訓練集以及隨機化的網絡超參數對預設數量的初始隨機神經網絡進行訓練，并為所述預設數量的初始隨機神經網絡分配不同的初始學習率、衰減速率以及激活函數，獲取迭代神經網絡包括：

通過所述訓練集以及隨機化的網絡超參數對預設數量的初始隨機神經網絡進行訓練，并為所述預設數量的初始隨機神經網絡分配不同的初始學習率、衰減速率以及激活函數，獲取過渡神經網絡；

通過網絡優化選擇算法對所述過渡神經網絡進行過濾篩選，獲取迭代神經網絡。

7.一種業務量預測方法，其特征在于，所述方法包括：

獲取待預測日對應的業務量時序特征數據；

將所述業務量時序特征數據輸入業務量預測模型，獲取所述待預測日對應的業務量數據，所述業務量預測模型基于權利要求1至6中任一項所述方法構建。

8.一種業務量預測模型構建裝置，其特征在于，所述裝置包括：

歷史數據獲取模塊，用于獲取歷史業務量數據；

第一樣本集構建模塊，用于基于所述歷史業務量數據構建歷史樣本集；

第二樣本集構建模塊，對所述歷史樣本集進行離散處理以及完全升采樣處理，生成訓練樣本集；

模型訓練模塊，通過所述訓練樣本集以及動態采樣算法，對預設初始隨機神經網絡進行訓練，構建業務量預測模型。