货量智能预测方法及***
技术领域
本发明涉及货量预测技术领域,尤其涉及一种货量智能预测方法及***。
背景技术
物流货量作为物流行业的一项重要指标,其变化对物流行业的发展有着重要影响。因此,为了实现物流行业的健康持续发展,避免物流服务质量降低以及物流服务速率的降低,提升物流货量的预测精准度至关重要。
目前,现有的货量预测模型利用大量的历史货量数据进行预测。但是,对于一些具有季节特性的货物,其往年历史货量数据可能比较少,导致利用现有的货量预测模型进行预测时,则会影响到总体货量的预测精准度。
发明内容
本发明的目的在于提供一种货量智能预测方法及***,以解决现有的货量预测方法存在的预测精准度低的问题。
为了解决上述问题,本发明提供了一种货量智能预测方法,其包括如下步骤:
S1,按照预设的时间序列分别对已发生的传统货量数据和季节性货量数据进行统计,得到传统货量时序数据和季节性货量时序数据,传统货量数据中不包含季节性货量数据;
S2,基于时间序列预测,分别对传统货量时序数据和季节性货量时序数据进行分析,得到传统货量预测数据和季节性货量预测数据;
S3,将传统货量预测数据与季节性货量预测数据进行相加,得到总货量预测数据。
作为本发明的进一步改进,步骤S2中基于时间序列预测,对传统货量时序数据进行分析得到传统货量预测数据,采用的预测分析表达式为:y(t)=g(t)+s(t)+h(t)+εt,其中,g(t)是趋势预测函数,s(t)是季节预测函数,h(t)是节日预测函数,εt是预设波动函数,具体地,
其中,m是一个补偿参数,C(t)为随t变化的容量函数,K是增长率,随t进行变化;
其中,P为季节性周期值,an和bn是权重参数,N为天数;
h(t)=Z(t)*κ,Z(t)=[1(t∈D1),...,1(t∈DL)],κ~Normal(0,v2),其中,D代表节假日,L为节假日天数,κ服从正态分布。
作为本发明的进一步改进,步骤S2中基于时间序列预测,对季节性货量时序数据进行分析得到季节性货量预测数据,采用的预测分析表达式为:y(t)=g(t)+s(t)+h(t)+εt,其中,g(t)是趋势预测函数,s(t)是季节预测函数,h(t)是节日预测函数,εt是预设波动函数,具体地,
其中,m是一个补偿参数,C为季节货量峰值,K是增长率,随t进行变化;
其中,P为季节性周期值,an和bn是权重参数,N为天数;
h(t)=Z(t)*κ,Z(t)=[1(t∈D1),...,1(t∈DL)],κ~Normal(0,v2),其中,D代表节假日,L为节假日天数,κ服从正态分布。
作为本发明的进一步改进,步骤S2之前,还包括:
步骤S11:分析传统货量时序数据和季节性货量时序数据中的异常数据,并根据预设处理策略进行清洗。
作为本发明的进一步改进,传统货量数据包括传统货物重量和件数信息;季节性货量数据包括季节性货量重量和件数信息,预设的时间序列包括日时间序列、周时间序列、月时间序列以及年时间序列中的一种。
为了解决上述问题,本发明还提供了一种货量智能预测***,其包括:
时序数据统计模块:用于按照预设的时间序列分别对已发生的传统货量数据和季节性货量数据进行统计,得到传统货量时序数据和季节性货量时序数据,传统货量数据中不包含季节性货量数据;
时序货量预测模块:用于基于时间序列预测,分别对传统货量时序数据和季节性货量时序数据进行分析,得到传统货量预测数据和季节性货量预测数据;
时序总货量计算模块:用于将传统货量预测数据与季节性货量预测数据进行相加,得到总货量预测数据。
作为本发明的进一步改进,时序货量预测模块进行传统货量时序数据分析时,采用的预测分析表达式为:y(t)=g(t)+s(t)+h(t)+εt,其中,g(t)是趋势预测函数,s(t)是季节预测函数,h(t)是节日预测函数,εt是预设波动函数,具体地,
其中,m是一个补偿参数,C(t)为随t变化的容量函数,K为增长率,随t进行变化;
其中,P为季节性周期值,an和bn是权重参数,N为天数;
h(t)=Z(t)*κ,Z(t)=[1(t∈D1),...,1(t∈DL)],κ~Normal(0,v2),其中,D代表节假日,L为节假日天数,κ服从正态分布。
作为本发明的进一步改进,时序货量预测模块进行季节性货量时序数据分析时,采用的预测分析表达式为:y(t)=g(t)+s(t)+h(t)+εt,其中,g(t)是趋势预测函数,s(t)是季节预测函数,h(t)是节日预测函数,εt是预设波动函数,具体地,
其中,m是一个补偿参数,C为季节货量峰值,K是增长率,随t进行变化;
其中,P为季节性周期值,an和bn是权重参数,N为天数;
h(t)=Z(t)*κ,Z(t)=[1(t∈D1),...,1(t∈DL)],κ~Norma/(0,v2),其中,D代表节假日,L为节假日天数,κ服从正态分布。
作为本发明的进一步改进,其还包括:
时序数据清洗模块:用于分析传统货量时序数据和季节性货量时序数据中的异常数据,并根据预设处理策略进行清洗。
作为本发明的进一步改进,传统货量数据包括传统货物重量和件数信息;季节性货量数据包括季节性货量重量和件数信息,预设的时间序列包括日时间序列、周时间序列、月时间序列以及年时间序列中的一种。
与现有技术相比,本发明分别统计传统货量数据和季节性货量数据,并基于时间序列预测,分别对传统货量数据和季节性货量数据进行分析,得到传统货量预测数据和季节性货量预测数据,避免了季节性货量数据的预测对传统货量数据的预测造成干扰,从而保证了传统货量的预测稳定性能,同时,利用季节性货量数据单独进行预测,提升了季节性货量的预测精准度,最终提升了货量总量的预测精准度。
附图说明
图1为本发明货量智能预测方法一个实施例的流程示意图;
图2为本发明货量智能预测方法另一个实施例的流程示意图;
图3为本发明货量智能预测***一个实施例的功能模块示意图;
图4为本发明货量智能预测***另一个实施例的功能模块示意图。
具体实施方式
下面将结合本发明实施例中的附图,对实施例中的技术方案进行清楚、完整地描述,附图中类似的组件标号代表类似的组件。显然,以下将描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1展示了本发明货量智能预测方法的一个实施例。在本实施例中,如图1所示,该货量预测方法包括如下步骤:
步骤S1,按照预设的时间序列分别对已发生的传统货量数据和季节性货量数据进行统计,得到传统货量时序数据和季节性货量时序数据,传统货量数据中不包含季节性货量数据。
传统货量,客户下单的物品货量,不随季节发生起伏变化。季节性货量,客户下单的物品货量,随季节发生起伏变化,如生鲜食品大闸蟹,其一般只在一年当中的9月到12月有较多的货量,其余月份基本没有货量。
在本实施例的基础上,其他实施例中,传统货量数据包括传统货物重量和件数信息;季节性货量数据包括季节性货量重量和件数信息,预设的时间序列包括日时间序列、周时间序列、月时间序列以及年时间序列中的一种。
时间序列选择的时间周期间隔越短,则后续的预测会更加精确。本实施例中,选择日时间序列对已发生的传统货量数据和季节性货量数据进行统计。可以理解的是,在日时间序列、周时间序列、月时间序列以及年时间序列之外,还可以根据需要设置其他不同时间周期的时间序列,如间隔10天、15天,又或者是间隔3小时、6小时等。
步骤S2,基于时间序列预测,分别对传统货量时序数据和季节性货量时序数据进行分析,得到所传统货量预测数据和季节性货量预测数据。
在本实施例中,该步骤S2中基于时间序列预测,对传统货量时序数据进行分析得到传统货量预测数据,采用的时序预测模型,其预测分析表达式为:y(t)=g(t)+s(t)+h(t)+εt,其中,g(t)是趋势预测函数,s(t)是季节预测函数,h(t)是节日预测函数,εt是预设波动函数。
在本实施例中,g(t)用来拟合非线性周期性变化。s(t)用来表示周期性变化,比如说每周,每年,季节等,h(t)表示假期,节日等特殊原因等造成的变化,最后∈为噪声项,用他来表示随机无法预测的波动。
具体地,其中,m是一个补偿参数,C(t)为随t变化的容量函数,K是增长率,随t进行变化;
其中,P为季节性周期值,an和bn是权重参数,N为天数;
在本实施例中,此处P为正常的季节性周期,比如P=7可以代表一周。an和bn是权重参数,一般N=3或者N=10可以取得较理想的效果。
h(t)=Z(t)*κ,Z(t)=[1(t∈D1),...,1(t∈DL)],κ~Normal(0,v2),其中,D代表节假日,L为节假日天数,κ服从正态分布。
进一步地,步骤S2中基于时间序列预测,对季节性货量时序数据进行分析得到季节性货量预测数据,采用的时序预测模型,其预测分析表达式为:y(t)=g(t)+s(t)+h(t)+εt,其中,g(t)是趋势预测函数,s(t)是季节预测函数,h(t)是节日预测函数,εt是预设波动函数,具体地,
其中,m是一个补偿参数,C为季节货量峰值,K是增长率,随t进行变化;
其中,P为季节性周期值,an和bn是权重参数,N为天数;
h(t)=Z(t)*κ,Z(t)=[1(t∈D1),...,1(t∈DL)],κ~Normal(0,v2),其中,D代表节假日,L为节假日天数,κ服从正态分布。
需要说明的是,季节性货物的运输与传统货物的运输存在很大的差异。特别是:季节性生鲜产品。生鲜产品的运输对交通运输工具有特殊的要求,往往需要配备冷运车,包装往往也需要进行防水,保温等操作;而冷运车的购买和租赁与普通货车也存在很大的差异。因此,开展生鲜冷运的业务,公司往往会就现有资源水平对季节货量峰值C进行评估。在现实业务中,根据生鲜产品的实际货量峰值,用户可以根据操作预期与实际的差距实时调整季节货量峰值C。
步骤S3,将传统货量预测数据与季节性货量预测数据进行相加,得到总货量预测数据。
具体地,首先,在本实施例中,货量智能预测***将传统货量与季节性货量分开进行预测。其次,在传统货量预测中,输入传统货物重量、件数信息、时间序列以及节假日特征等特征数据,以进行分析得到传统货量预测数据。与此同时,在季节性货量预测中,输入季节性货物重量、件数信息、时间序列、节假日特征以及季节货量峰值等特征数据,以进行分析得到季节性货量预测数据。再次,通过时序分析预测,得到传统货量年趋势预测、月趋势预测、周趋势预测、日趋势预测、分时趋势预测中的至少一种,与此同时,通过时序分析预测,得到季节性货量年趋势预测、月趋势预测、周趋势预测、日趋势预测、分时趋势预测中的至少一种;再次,基于该传统货量趋势预测,得到传统货量的周货量、日货量、分时货量数据中的至少一种,与此同时,基于该季节性货量的趋势预测,得到季节性货量的周货量、日货量、分时货量数据中的至少一种;最后,对传统货量和季节性货量作和运算得到总货物周货量、总日货量、总分时货量中的至少一种。
本实施例分别统计传统货量数据和季节性货量数据,并基于时间序列预测,分别对传统货量数据和季节性货量数据进行分析,得到传统货量预测数据和季节性货量预测数据,避免了季节性货量数据的预测对传统货量数据的预测造成干扰,从而保证了传统货量的预测稳定性能,与此同时,利用季节性货量数据单独进行预测,提升了季节性货量的预测精准度,最终提升了货量总量的预测精准度。
图2展示了本发明货量预测方法的另一个实施例。在本实施例中,如图2所示,该货量预测方法包括如下步骤:
步骤S1,按照预设的时间序列分别对已发生的传统货量数据和季节性货量数据进行统计,得到传统货量时序数据和季节性货量时序数据,传统货量数据中不包含季节性货量数据。
步骤S11,分析传统货量时序数据和季节性货量时序数据中的异常数据,并根据预设处理策略进行清洗。
在本实施例中,首先分析传统货量时序数据和季节性货量时序数据获得数据项为NULL或数据项为空的数据,该数据记为异常数据。其次,判断该异常数据属于是没有货量造成还是属于***错误造成。最后,若是没有货量造成,则该数据项设置为0。若***错误造成,则利用该数据对应的采集时间前后的多个数据进行插值计算,且将该数据项设置为插值计算结果。
步骤S2,基于时间序列预测,分别对传统货量时序数据和季节性货量时序数据进行分析,得到传统货量预测数据和季节性货量预测数据。
步骤S3,将传统货量预测数据与季节性货量预测数据进行相加,得到总货量预测数据。
本实施例在传统货量数据和季节性货量数据统计完成后,自动进行传统货量数据和季节性货量数据的清洗操作,降低了异常数据对预测的影响,从而进一步提升了预测精准度。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
图3展示了本发明货量智能预测***的一个实施例。在本实施例中,如图3所示,该货量智能预测***包括时序数据统计模块10、时序货量预测模块11和时序总货量计算模块12。
其中,时序数据统计模块10:用于按照预设的时间序列分别对已发生的传统货量数据和季节性货量数据进行统计,得到传统货量时序数据和季节性货量时序数据,传统货量数据中不包含季节性货量数据;时序货量预测模块11:用于基于时间序列预测,分别对传统货量时序数据和季节性货量时序数据进行分析,得到所传统货量预测数据和季节性货量预测数据;时序总货量计算模块12:用于将传统货量预测数据与季节性货量预测数据进行相加,得到总货量预测数据。
在上述实施例中,其他实施例中,时序货量预测模块11进行传统货量时序数据分析时,采用的预测分析表达式为:y(t)=g(t)+s(t)+h(t)+εt,其中,g(t)是趋势预测函数,s(t)是季节预测函数,h(t)是节日预测函数,εt是预设波动函数,具体地,
其中,m是一个补偿参数,C(t)为随t变化的容量函数,K为增长率,随t进行变化;
其中,P为季节性周期值,an和bn是权重参数,N为天数;
h(t)=Z(t)*κ,Z(t)=[1(t∈D1),...,1(t∈DL)],κ~Normal(0,v2),其中,D代表节假日,L为节假日天数,κ服从正态分布。
在上述实施例中,其他实施例中,时序货量预测模块11进行季节性货量时序数据分析时,采用的预测分析表达式为:y(t)=g(t)+s(t)+h(t)+εt,其中,g(t)是趋势预测函数,s(t)是季节预测函数,h(t)是节日预测函数,εt是预设波动函数,具体地,
其中,m是一个补偿参数,C为季节货量峰值,K是增长率,随t进行变化;
其中,P为季节性周期值,an和bn是权重参数,N为天数;
h(t)=Z(t)*κ,Z(t)=[1(t∈D1),...,1(t∈DL)],κ~Normal(0,v2),其中,D代表节假日,L为节假日天数,κ服从正态分布。
在上述实施例中,其他实施例中,参见图4,该货量智能预测***还包括时序数据清洗模块20。
其中,时序数据清洗模块20:用于分析传统货量时序数据和季节性货量时序数据中的异常数据,并根据预设处理策略进行清洗。
在上述实施例中,其他实施例中,传统货量数据包括传统货物重量和件数信息;季节性货量数据包括季节性货量重量和件数信息,预设的时间序列包括日时间序列、周时间序列、月时间序列以及年时间序列中的一种。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将货量智能预测***的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
以上对发明的具体实施方式进行了详细说明,但其只作为范例,本发明并不限制与以上描述的具体实施方式。对于本领域的技术人员而言,任何对该发明进行的等同修改或替代也都在本发明的范畴之中,因此,在不脱离本发明的精神和原则范围下所作的均等变换和修改、改进等,都应涵盖在本发明的范围内。