[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

本申請涉及一種業務量預測模型構建方法、裝置、計算機設備和存儲介質以及業務量預測方法。所述方法通過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。本申請通過動態采樣和隨機神經網絡來構建業務量預測模型，動態采樣在模型訓練過程中根據預測誤差平衡化高峰期以及非高峰期的訓練樣本，來解決高峰期樣本過少的不平衡問題，所得到的業務量預測模型可以有效解決高峰期業務量預測不準確的問題，為高峰期決策提供更為準確的的依據。

技術領域

本申請涉及計算機技術領域，特別是涉及一種業務量預測模型構建方法、裝置、計算機設備和存儲介質以及業務量預測方法。

背景技術

隨著計算機技術與電子商務的快速發展，用于業務量預測的機器模型也在不斷發展。如在物流領域中，日運件量這種業務量是網點排班、車輛調度等決策點的重要參考依據。因此，未來日運件量的準確預測，對于物流配送中各環節的穩定運行具有重要意義。

fbProphet算法在業務量預測中被廣泛應用，例如其可以被用于預測物流行業的日運件量。然而該算法對于通常時期內的業務量預測問題上精度較高，但是針對高峰時期的業務量預測的準確率較低。

發明內容

基于此，有必要針對上述技術問題，提供一種能夠解決現有模型針對高峰時期業務量預測準確率較低問題的業務量預測模型構建方法、裝置、計算機設備和存儲介質以及業務量預測方法。

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。

在其中一個實施例中，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。

在其中一個實施例中，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。

在其中一個實施例中，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；