CN109978208A - 一种时序数据预测方法、装置以及计算机存储介质 - Google Patents
一种时序数据预测方法、装置以及计算机存储介质 Download PDFInfo
- Publication number
- CN109978208A CN109978208A CN201711456483.6A CN201711456483A CN109978208A CN 109978208 A CN109978208 A CN 109978208A CN 201711456483 A CN201711456483 A CN 201711456483A CN 109978208 A CN109978208 A CN 109978208A
- Authority
- CN
- China
- Prior art keywords
- amount
- part amount
- historical data
- time
- impact
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000005856 abnormality Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 238000009825 accumulation Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 230000007423 decrease Effects 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 230000007774 longterm Effects 0.000 abstract description 7
- 230000000694 effects Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 239000012491 analyte Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 125000003367 polycyclic group Chemical group 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0838—Historical data
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请公开了一种时序数据预测方法、装置以及计算机存储介质,其中该方法包括:获得物流行业中在第一设定时长内符合设定规则的历史数据;基于所述历史数据,建立用于预测时序的预测模型;基于所述预测模型,对物流行业中的件量进行预测,能够进行有效预测,进而满足物流企业对件量的长期稳定预测的需求。
Description
技术领域
本发明一般涉及数据处理技术领域,具体涉及时序数据预测方法、装置以及计算机存储介质。
背景技术
预测是大数据核心价值,如何对海量的历史数据和实时产生的时序数据进行快速的、精准的数据挖掘,从而提供高质量的预测数据,是目前学术界和工业界的研究热点之一。
时间序列数据挖掘以事物在不同时刻的状态所形成的数据为研究对象,通过对时间序列数据的特征进行分析和研究,揭示事物的发展变化规律,用于指导人们的社会、经济、军事和生活等活动。时间序列挖掘对人类社会、科技和经济的发展具有重大意义,正逐渐成为数据挖掘的研究热点之一。对于物流行业来说,时序数据预测主要采用传统时序模型、广义可加模型和树模型三种方法。通用做法是输入清洗后的历史收派件数据,然后分析其随时间的变化趋势,建立模型从而进行外推预测。
但是,由于物流行业活动的特殊性,以上模型无法进行有效预测,进而无法满足物流企业对件量的长期稳定预测的需求。
发明内容
鉴于现有技术中的上述缺陷或不足,期望提供一种能够进行有效预测,进而满足物流企业对件量的长期稳定预测的需求的方法。
一种时序数据预测方法,所述方法包括:获得物流行业中在第一设定时长内符合设定规则的历史数据;基于所述历史数据,建立用于预测时序的预测模型;基于所述预测模型,对物流行业中的件量进行预测。
所述历史数据包含物流行业中在第一设定时长内符合设定规则的件量;基于所述历史数据,建立用于预测时序的预测模型,包括:基于所述历史数据,分别确定件量的增长趋势、件量的周期变化、以及特殊时期对件量的冲击,其中所述特殊时期是指件量突然上升或突然下降的时期;累加所述增长趋势、周期变化以及特殊时期对件量的冲击;得到的累加结果作为件量的预测模型。
还包括:确定滞后项,所述滞后项是指过去期的被解释变量对当期的被解释变量产生影响;基于所述历史数据,建立用于预测时序的预测模型,包括:基于所述历史数据,分别确定件量的增长趋势、件量的周期变化、特殊时期对件量的冲击,以及滞后项,其中所述特殊时期是指件量突然上升或突然下降的时期;累加所述增长趋势、周期变化、特殊时期对派件量的冲击以及滞后项;得到的累加结果作为派件量的预测模型。
确定特殊时期对件量的冲击,包括:确定所述历史数据中件量变化异常的时间,其中所述变化异常是指件量曲线中上升超过第一设定值或下降查过第二设定值的情形;将所述变化异常的时间划分为不同的时间窗口;按照所述时间窗口,确定特殊时期对件量的冲击。
所述件量包含物流行业的收件量;或物流行业的派件量。
一种时序数据预测装置,所述装置包括:获取模块,用于获得物流行业中在第一设定时长内符合设定规则的历史数据;处理模块,用于基于所述历史数据,建立用于预测时序的预测模型;以及基于所述预测模型,对物流行业中的件量进行预测。
所述历史数据包含物流行业中在第一设定时长内符合设定规则的件量;所述处理模块,具体用于基于所述历史数据,分别确定件量的增长趋势、件量的周期变化、以及特殊时期对件量的冲击,其中所述特殊时期是指件量突然上升或突然下降的时期;累加所述增长趋势、周期变化以及特殊时期对件量的冲击;得到的累加结果作为件量的预测模型。
所述获取模块,还用于确定滞后项,所述滞后项是指过去期的被解释变量对当期的被解释变量产生影响;所述处理模块,还用于基于所述历史数据,分别确定件量的增长趋势、件量的周期变化、特殊时期对件量的冲击,以及滞后项,其中所述特殊时期是指件量突然上升或突然下降的时期;累加所述增长趋势、周期变化、特殊时期对派件量的冲击以及滞后项;得到的累加结果作为派件量的预测模型。
所述处理模块,具体用于确定所述历史数据中件量变化异常的时间,其中所述变化异常是指件量曲线中上升超过第一设定值或下降查过第二设定值的情形;将所述变化异常的时间划分为不同的时间窗口;按照所述时间窗口,确定特殊时期对件量的冲击。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述的时序数据预测方法的步骤。
通过采用上述技术方案,基于历史数据,建立预测模型,然后通过建立的预测模型,对物流行业中的件量进行预测,解决了现有技术中由于物流行业活动的特殊性,以上模型无法进行有效预测,进而无法满足物流企业对件量的长期稳定预测的需求的问题。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1示出了一种时序数据预测方法流程图之一;
图2示出了一种时序数据预测方法流程图之二;
图3示出了一种时序数据预测装置结构组成示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
请参考图1,其示出了可以应用本申请实施例的示例性方法。
步骤11,获取历史数据。
在本发明实施例提出的技术方案中,历史数据是指物流行业中存储的件量数据。件量包含收件量,也可以包含发件量。在数据库中,无论是线上还是线下,均会存储派件量、收件量的信息。该些信息可以但不限于包含:件量的编码、时间。时间可以是按天存储,也可以是按照月存储,也可以按照录入***的具体时间存储。
步骤12,对获取的历史数据进行预处理。
对获取的历史数据进行预处理,去除获取的历史数据中不需要的信息。
在本发明实施例提出的技术方案中,主要是针对件量进行预测,因此可以去除历史数据中包含的单号信息。
具体地,在本发明实施例提出的技术方案中,历史数据包含收件量和/或发件量,可以根据不同的业务场景从数据库中调取各网点收件量(有订单、无订单)和派件量的信息,下面将以高峰指挥调度收件量为测试数据,历史数据所在日期为2015/05/01-2017/07/28,外推31天进行预测为例进行详细阐述。获得的历史数据经过预处理后可以如下述表1所示。
表1
编码 | 时间 | 件量 |
010Y | 2015/5/1 | 123112 |
010Y | 2015/5/2 | 120644 |
010Y | 2015/5/3 | 137104 |
010Y | 2015/5/4 | 384792 |
010Y | 2015/5/5 | 397098 |
010Y | 2015/5/6 | 398597 |
010Y | 2015/5/7 | 402068 |
010Y | 2015/5/8 | 400924 |
。。。。。 | 。。。。。。 | 。。。。。 |
010Y | 2017/7/28 | 139777 |
步骤13,基于历史数据,建立用于预测时序的预测模型。
历史数据包含物流行业中在第一设定时长内符合设定规则的件量。
其中,第一设定时长可以是一年,也可以是一个月,具体可以根据实际需求进行确定。符合设定规则,是指针对收件量还是发件量进行统计处理。
进一步地,将继续上述步骤12中的阐述为例,该第一设定时长即为2015/05/01-2017/07/28。
在上述步骤13中,其具体处理流程如图2所示,如下述:
步骤21,基于历史数据,分别确定件量的增长趋势、件量的周期变化、以及特殊时期对件量的冲击。
其中,在本发明实施例提出的技术方案中,在建立预测模型时,基于广义可加模型形如Prophet模型的基础上,对每个分量进行重新设定,具体如下:
件量的增长趋势g(t),也可以称之为件量的长期趋势,通过分析物流行业件量变化的特性得到,该增长趋势呈线性增长;通过对所有点做回归获得斜率和截距,从而提取到件量的增长趋势g(t)。
针对件量的增长趋势g(t),传统的实现方式是提取长期趋势是通过选最小值和最大值连线找斜率,但是该种方式并不符合物流行业中件量的时序特征,通过分析物流行业件量变化的特性得到,该增长趋势呈线性增长,因此在本发明实施例提出的技术方案中,通过对所有点做回归获得斜率和截距,通过对线性增长曲线的拟合来确定件量的增长趋势g(t)。
件量的周期变化s(t),也可以称之为周期性。
物流行业中,件量变化的多周期性,在本发明实施例提出的技术方案中,该分量设定为四种周期,即年的周期(T=365.25)、月的周期(T=30.4)、周的周期(T=7)、功谱图发现的特殊周期(T=3.5)。进一步地,采用数学变换分别表示年、月、周和特殊周期的傅里叶级数。
特殊时期对件量的冲击h(t)。
特殊时期是指件量突然上升或突然下降的时期。也可以称之为节假日,但是该节假日已经不同于普通法律规定的节假日,也包含各电商平台规定的节日,该些节日的特点是收件量以及派件量都会成倍增加。
例如当向下趋势的节假日(例如五一、十一)与星期周期中向上趋势的日期重合时,除去其星期的周期效应的叠加。
节假日效应用示性函数表示,根据事前设计符合物流业务特点的holiday表对历史时间上进行标注,得到分量h(t)是由0和1组成的,该时间上为0表示非节假日,该时间上为1表示节假日。
步骤22,累加增长趋势、周期变化以及特殊时期对件量的冲击。
步骤23,得到的累加结果作为件量的预测模型。
具体地,可以通过下述公式1进行表示:
y(t)=g(t)+s(t)+h(t)+l(t) 公式1
其中,y(t)是预测值,g(t)是件量的增长趋势、s(t)是件量的周期变化、l(t)是特殊时期对件量的冲击。
可选地,在上述步骤24之后,如图3所示,还可以包括:
确定滞后项,滞后项也可以称之为滞后效应,是预测的件量与历史数据中的件量的距离,距离越近权重越大。
滞后效应l(t),也可以称之为滞后项。预测期的件量与之前历史件量的关系,距离越近权重越大。即认为历史件量对当期的件量有影响,并且在时间上距离当期越近的影响越大。通过自相关分析,获得滞后期数,拟合自回归模型。
考虑到滞后小营,进一步地,可以基于历史数据,分别确定件量的增长趋势、件量的周期变化、特殊时期对件量的冲击,以及滞后项,累加增长趋势、周期变化、特殊时期对派件量的冲击以及滞后项;得到的累加结果作为派件量的预测模型。
y(t)=g(t)+s(t)+h(t)+l(t)+εt 公式2
其中,y(t)是预测值,g(t)是件量的增长趋势、s(t)是件量的周期变化、l(t)是特殊时期对件量的冲击,εt是滞后项。
具体地,在上述处理流程中,确定特殊时期对件量的冲击,包括:
确定历史数据中件量变化异常的时间,其中变化异常是指件量曲线中上升超过第一设定值或下降查过第二设定值的情形;将变化异常的时间划分为不同的时间窗口;按照时间窗口,确定特殊时期对件量的冲击。
具体地,以一实例进行详细阐述:
为在预测时考虑节假日外生冲击效应,可通过修改节假日表对节假日进行建模。由于节假日对件量变化的影响方向不同(向上或向下),且每个国家的节假日各具特色,因此设计一个适用物流企业并结合各国特色的节假日表尤为重要。具体为:
首先通过分析历史件量变化异常的时期,对标中国节日和购物节(如6.18、双十一);
其次考虑节假日对件量影响的前置和延后效应,对所有节日进行了微调,分为节前、节中和节后。
具体包含的节假日有:元旦、清明、端午、五一,购物节6.18、中秋、国庆、双十一、双十二、春节。节假日效应用示性函数表示,根据此处设计的符合物流业务特点的holiday表(表2),得到节假日分量h(t)是由0和1组成的,该时间上为0表示非节假日,该时间上为1表示节假日。)且该表对节假日效应设定了影响范围,从而将节假日的时间扩展成一个区间[lower_window,upper_window],例如中秋节前效应,那么在中秋节前7天的时间上也加入到中秋节的节日效应中,该时间段的分量都设定为1。以中秋节为例,具体参见下述表2。
表2
ds | holiday | lower_window | upper_window |
2015/6/17 | BeforeMA | 0 | 7 |
2016/6/6 | BeforeMA | 0 | 7 |
2017/5/25 | BeforeMA | 0 | 7 |
2015/9/26 | MidAutumn | 0 | 2 |
2016/9/15 | MidAutumn | 0 | 2 |
2017/10/4 | MidAutumn | 0 | 2 |
2015/9/29 | AfterMA | 0 | 1 |
2016/9/18 | AfterMA | 0 | 1 |
2017/10/7 | AfterMA | 0 | 1 |
步骤14,基于预测模型,对物流行业中的件量进行预测。
具体地,根据历史数据建立预测模型,其中预测模型中包含的各时序分量,例如上文阐述的长期趋势、周期、节假日和滞后项,各分量相加得到历史时间上每天的历史件量。通过对历史数据做训练得到各分量的参数值,分别乘以预测期的时间t可得到相应时间上的件量预测值。
本发明实施例上述提出的技术方案中,通过大数据分析技术,以一定时长内的历史数据为依据,对该些历史数据进行分析,进而确定出预测模型,通过预测模型对件量进行预测,避免了人工方式对件量的统计,对于物流行业来说,历史数据越多,训练的预测模型也越准确,得到的结果也越精确,能够较好的针对件量多少进行预判,从而可以对派件、收件进行合理分配,节省人工、提高效率。
相应地,本发明实施例还提出一种时序数据预测装置,如图3所示,装置包括:
获取模块201,用于获得物流行业中在第一设定时长内符合设定规则的历史数据;
处理模块202,用于基于所述历史数据,建立用于预测时序的预测模型;以及基于所述预测模型,对物流行业中的件量进行预测。
所述历史数据包含物流行业中在第一设定时长内符合设定规则的件量;所述处理模块,具体用于基于所述历史数据,分别确定件量的增长趋势、件量的周期变化、以及特殊时期对件量的冲击,其中所述特殊时期是指件量突然上升或突然下降的时期;累加所述增长趋势、周期变化以及特殊时期对件量的冲击;得到的累加结果作为件量的预测模型。
所述获取模块,还用于确定滞后项,所述滞后项是指过去期的被解释变量对当期的被解释变量产生影响;所述处理模块,还用于基于所述历史数据,分别确定件量的增长趋势、件量的周期变化、特殊时期对件量的冲击,以及滞后项,其中所述特殊时期是指件量突然上升或突然下降的时期;累加所述增长趋势、周期变化、特殊时期对派件量的冲击以及滞后项;得到的累加结果作为派件量的预测模型。
所述处理模块,具体用于确定所述历史数据中件量变化异常的时间,其中所述变化异常是指件量曲线中上升超过第一设定值或下降查过第二设定值的情形;将所述变化异常的时间划分为不同的时间窗口;按照所述时间窗口,确定特殊时期对件量的冲击。
相应地,本发明还提出一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现时序数据预测方法的步骤。
附图中的流程图和框图,图示了按照本发明各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中。这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中所述装置中所包含的计算机可读存储介质;也可以是单独存在,未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序,所述程序被一个或者一个以上的处理器用来执行描述于本申请的公式输入方法。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种时序数据预测方法,其特征在于,所述方法包括:
获得物流行业中在第一设定时长内符合设定规则的历史数据;
基于所述历史数据,建立用于预测时序的预测模型;
基于所述预测模型,对物流行业中的件量进行预测。
2.如权利要求1所述的方法,其特征在于,所述历史数据包含物流行业中在第一设定时长内符合设定规则的件量;
基于所述历史数据,建立用于预测时序的预测模型,包括:
基于所述历史数据,分别确定件量的增长趋势、件量的周期变化、以及特殊时期对件量的冲击,其中所述特殊时期是指件量突然上升或突然下降的时期;
累加所述增长趋势、周期变化以及特殊时期对件量的冲击;
得到的累加结果作为件量的预测模型。
3.如权利要求2所述的方法,其特征在于,还包括:
确定滞后项,所述滞后项是指过去期的被解释变量对当期的被解释变量产生影响;
基于所述历史数据,建立用于预测时序的预测模型,包括:
基于所述历史数据,分别确定件量的增长趋势、件量的周期变化、特殊时期对件量的冲击,以及滞后项,其中所述特殊时期是指件量突然上升或突然下降的时期;
累加所述增长趋势、周期变化、特殊时期对派件量的冲击以及滞后项;
得到的累加结果作为派件量的预测模型。
4.如权利要求2或3所述的方法,其特征在于,确定特殊时期对件量的冲击,包括:
确定所述历史数据中件量变化异常的时间,其中所述变化异常是指件量曲线中上升超过第一设定值或下降查过第二设定值的情形;
将所述变化异常的时间划分为不同的时间窗口;
按照所述时间窗口,确定特殊时期对件量的冲击。
5.如权利要求1所述的方法,其特征在于,所述件量包含物流行业的收件量;或
物流行业的派件量。
6.一种时序数据预测装置,其特征在于,所述装置包括:
获取模块,用于获得物流行业中在第一设定时长内符合设定规则的历史数据;
处理模块,用于基于所述历史数据,建立用于预测时序的预测模型;以及基于所述预测模型,对物流行业中的件量进行预测。
7.如权利要求6所述的装置,其特征在于,所述历史数据包含物流行业中在第一设定时长内符合设定规则的件量;
所述处理模块,具体用于基于所述历史数据,分别确定件量的增长趋势、件量的周期变化、以及特殊时期对件量的冲击,其中所述特殊时期是指件量突然上升或突然下降的时期;累加所述增长趋势、周期变化以及特殊时期对件量的冲击;得到的累加结果作为件量的预测模型。
8.如权利要求7所述的装置,其特征在于,所述获取模块,还用于确定滞后项,所述滞后项是指过去期的被解释变量对当期的被解释变量产生影响;
所述处理模块,还用于基于所述历史数据,分别确定件量的增长趋势、件量的周期变化、特殊时期对件量的冲击,以及滞后项,其中所述特殊时期是指件量突然上升或突然下降的时期;累加所述增长趋势、周期变化、特殊时期对派件量的冲击以及滞后项;得到的累加结果作为派件量的预测模型。
9.如权利要求7或8所述的装置,其特征在于,所述处理模块,具体用于确定所述历史数据中件量变化异常的时间,其中所述变化异常是指件量曲线中上升超过第一设定值或下降查过第二设定值的情形;将所述变化异常的时间划分为不同的时间窗口;按照所述时间窗口,确定特殊时期对件量的冲击。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的时序数据预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711456483.6A CN109978208A (zh) | 2017-12-28 | 2017-12-28 | 一种时序数据预测方法、装置以及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711456483.6A CN109978208A (zh) | 2017-12-28 | 2017-12-28 | 一种时序数据预测方法、装置以及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109978208A true CN109978208A (zh) | 2019-07-05 |
Family
ID=67074318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711456483.6A Pending CN109978208A (zh) | 2017-12-28 | 2017-12-28 | 一种时序数据预测方法、装置以及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109978208A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443425A (zh) * | 2019-08-09 | 2019-11-12 | 长江慧控科技(武汉)有限公司 | 基于Prophet的智能铁路车站电能能耗预测方法 |
CN112418898A (zh) * | 2019-08-21 | 2021-02-26 | 北京京东乾石科技有限公司 | 基于多时间窗口融合的物品需求数据分析方法和装置 |
CN112862137A (zh) * | 2019-11-27 | 2021-05-28 | 顺丰科技有限公司 | 件量预测方法、装置、计算机设备和计算机可读存储介质 |
CN112907267A (zh) * | 2019-12-03 | 2021-06-04 | 顺丰科技有限公司 | 货物件量预测方法、装置、计算机设备和存储介质 |
CN112906930A (zh) * | 2019-12-04 | 2021-06-04 | 顺丰科技有限公司 | 场地货量预测方法、装置、设备及存储介质 |
CN112949888A (zh) * | 2019-12-11 | 2021-06-11 | 顺丰科技有限公司 | 件量预测模型训练以及件量预测方法、装置和计算机设备 |
CN112990526A (zh) * | 2019-12-16 | 2021-06-18 | 顺丰科技有限公司 | 物流到件量的预测方法、预测设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955625A (zh) * | 2014-05-21 | 2014-07-30 | 河海大学 | 一种非线性阿尔蒙分布滞后的确定方法 |
CN109657831A (zh) * | 2017-10-11 | 2019-04-19 | 顺丰科技有限公司 | 一种业务量预测方法、装置、设备、存储介质 |
-
2017
- 2017-12-28 CN CN201711456483.6A patent/CN109978208A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955625A (zh) * | 2014-05-21 | 2014-07-30 | 河海大学 | 一种非线性阿尔蒙分布滞后的确定方法 |
CN109657831A (zh) * | 2017-10-11 | 2019-04-19 | 顺丰科技有限公司 | 一种业务量预测方法、装置、设备、存储介质 |
Non-Patent Citations (1)
Title |
---|
SHANGFR: "中国快递包裹总量:基于SARIMA模型的预测", 《HTTPS://WWW.CNBLOGS.COM/SHANGFR/P/4919071.HTML》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443425A (zh) * | 2019-08-09 | 2019-11-12 | 长江慧控科技(武汉)有限公司 | 基于Prophet的智能铁路车站电能能耗预测方法 |
CN112418898A (zh) * | 2019-08-21 | 2021-02-26 | 北京京东乾石科技有限公司 | 基于多时间窗口融合的物品需求数据分析方法和装置 |
CN112862137A (zh) * | 2019-11-27 | 2021-05-28 | 顺丰科技有限公司 | 件量预测方法、装置、计算机设备和计算机可读存储介质 |
CN112907267A (zh) * | 2019-12-03 | 2021-06-04 | 顺丰科技有限公司 | 货物件量预测方法、装置、计算机设备和存储介质 |
CN112906930A (zh) * | 2019-12-04 | 2021-06-04 | 顺丰科技有限公司 | 场地货量预测方法、装置、设备及存储介质 |
CN112949888A (zh) * | 2019-12-11 | 2021-06-11 | 顺丰科技有限公司 | 件量预测模型训练以及件量预测方法、装置和计算机设备 |
CN112990526A (zh) * | 2019-12-16 | 2021-06-18 | 顺丰科技有限公司 | 物流到件量的预测方法、预测设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978208A (zh) | 一种时序数据预测方法、装置以及计算机存储介质 | |
Edquist et al. | The Internet of Things and economic growth in a panel of countries | |
CN108846493B (zh) | 一种基于改进的增量模型的机票订座数预测方法 | |
CN110019401B (zh) | 件量预测方法、装置、设备及其存储介质 | |
Zhang et al. | Time series forecast of sales volume based on XGBoost | |
JP2015125775A (ja) | システムでの需要の予測のためのマルチタスク学習システムおよび方法 | |
Schäfer | Long-term trends in domestic US passenger travel: the past 110 years and the next 90 | |
Cao et al. | Optimal synchronization and coordination of actual passenger-rail timetables | |
CN105869017A (zh) | 票价预测方法及*** | |
CN109308551A (zh) | 一种基于gm灰色预测的某区域电能替代潜力分析方法 | |
CN109559138A (zh) | 闪购活动销量预测方法及装置、存储介质、电子设备 | |
US11790240B1 (en) | Machine learning networks, architectures and techniques for determining or predicting demand metrics in one or more channels | |
Barta et al. | Gefcom 2014—probabilistic electricity price forecasting | |
Calcagnini et al. | A time series analysis of labor productivity. Italy versus the European countries and the US | |
Albliwi et al. | Implementation of a lean six sigma approach in the manufacturing Sector: a systematic literature review | |
Potapov et al. | Short-Term Forecast of Electricity Load for LLC" Omsk Energy Retail Company" Using Neural Network | |
CN111353625B (zh) | 一种网点件量预测方法、装置、计算机设备及存储介质 | |
CN104834730A (zh) | 数据分析***和方法 | |
Bianchi et al. | Load forecasting in district heating networks: Model comparison on a real-world case study | |
Tyrin et al. | Multi-agent system “Smart Factory” for real-time workshop management: Results of design & implementation for Izhevsk Axion-Holding Factory | |
CN106202106A (zh) | 一种高效数据分析推荐方法和*** | |
CN110309399A (zh) | 基于日期分类的场景信息推送方法及装置 | |
Caceres-Hernandez et al. | A proposal for measuring and comparing seasonal variations in hourly economic time series | |
Bianchi et al. | XM_HeatForecast: Heating Load Forecasting in Smart District Heating Networks | |
CN117252402B (zh) | 机场值机柜台航司分配规划方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190705 |