CN110309947A - 整车物流订单预测方法及装置、物流***以及计算机可读介质 - Google Patents

整车物流订单预测方法及装置、物流***以及计算机可读介质 Download PDF

Info

Publication number
CN110309947A
CN110309947A CN201910382929.8A CN201910382929A CN110309947A CN 110309947 A CN110309947 A CN 110309947A CN 201910382929 A CN201910382929 A CN 201910382929A CN 110309947 A CN110309947 A CN 110309947A
Authority
CN
China
Prior art keywords
monthly
complete vehicle
vehicle logistics
order
model
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
Application number
CN201910382929.8A
Other languages
English (en)
Inventor
金忠孝
陈竟宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SAIC Anji Logistics Co Ltd
Original Assignee
SAIC Anji Logistics Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by SAIC Anji Logistics Co Ltd filed Critical SAIC Anji Logistics Co Ltd
Priority to CN201910382929.8A priority Critical patent/CN110309947A/zh
Publication of CN110309947A publication Critical patent/CN110309947A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及物流领域，更具体的说，涉及一种整车物流订单预测方法及装置、物流***以及计算机可读介质。该方法包括：获取历史月度的整车物流订单数据；提取特征构建学习样本集合；根据学习样本集合，构建梯度提升决策树模型进行训练并评估，得到整车物流月度订单预测模型；输入所需预测的线路，根据整车物流月度订单预测模型，预测该线路未来月度的整车物流订单并输出。本发明提供的整车物流月度订单预测方法及装置、***、存储介质，实现对整车物流月度订单的预测，极大的提高了预测效率和预测准确度，为运输公司的统筹运力计划安排，仓库管理提供比较准确的情报信息，进而降低生产管理成本。

Description

整车物流订单预测方法及装置、物流***以及计算机可读 介质
技术领域
本发明涉及物流领域，更具体的说，涉及一种整车物流订单预测方法及装置、物流***以及计算机可读介质。
背景技术
整车物流订单月度预测就是通过挖掘历史信息，构建预测方法，对未来的月度整车物流订单进行准确预测，为统筹安排运输公司运力，仓储管理提供数据参考。
由于整车物流的订单预测能够让调度人员提前做好准备，未雨绸缪，从而使得运输资源的调度更加合理，故准确的整车物流的订单预测对于整车物流具有非常重要的作用。
现有的整车物流月度订单预测采用人工根据历史订单报表，将历史近期月度订单和历史同期月度加权平均的方式进行预测，这样做一方面效率比较低，自动化程序不高，另一方面，没有充分挖掘历史订单的模式信息，预测准确度不高。
近年来随着人工智能技术的发展，机器学习在物体识别，价格预测等领域进行了成功的应用。当前，最热门的两类机器学习算法为神经网络算法与树形算法(随机森林、梯度提升决策树等)，树形算法的基础就是决策树。决策树因其易理解、易构建、速度快的特性，被广泛应用于统计学、数据挖掘、机器学习领域。
提升方法是一种常用的统计学习方法，用来提升基学习器的性能，以决策树为基学习器的提升方法称为提升树。提升树模型利用加法模型和前向分步算法实现学习的优化过程。Freidman基于最速下降法提出了梯度提升树模型(Gradient Boosting DecisionTree，GBDT)凭借其准确度高，训练速度快，可解释性强等优势受到越来越多的关注。
目前还没有将机器学习算法与整车物流订单预测相结合的相关专利申请，相关的订单预测专利多分布于电子商务领域，如申请公布号为CN104766144A的中国发明专利中对每日的订单采用了一些基于规则的预测策略，将日期进行分类，并对不同类别的日期分别进行预测，而预测采用基准日期乘以基准增长率的方式，这其中并没有充分挖掘订单量波动的模式信息。申请公布号为CN104599002A的中国发明专利采用挖掘订单特征，进而建立特征与订单价值的映射关系，对订单价值进行预测。
发明内容
本发明的目的是提供一种整车物流订单预测方法及装置、***、存储介质，解决目前整车物流月度订单预测中智能化程度低、耗费人力成本高、预测效率低和预测准确度差的问题。
为了实现上述目的，本发明提供了一种整车物流月度订单预测方法，包括以下步骤：
获取历史月度的整车物流订单数据；
提取特征构建学习样本集合；
根据学习样本集合，构建梯度提升决策树模型进行训练并评估，得到整车物流月度订单预测模型；
输入所需预测的线路，根据整车物流月度订单预测模型，预测该线路未来月度的整车物流订单并输出。
在一实施例中，所述获取历史月度整车物流订单数据包括：
数据采集步骤，对历史月度的整车物流订单数据进行提取采集，形成每条线路的月度整车物流订单时间序列数据；
数据清洗步骤，根据预先设定的数据清洗规则，对采集的月度整车物流订单时间序列进行清洗，提取所需的每条线路完整的月度整车物流订单时间序列数据。
在一实施例中，在数据采集步骤之前，还包括：
数据存储步骤，接收历史月度的整车物流订单数据并存储，形成整车物流订单数据库。
在一实施例中，所述学习样本集合为
(X，Y)＝{(xij；t,yij；t)，i＝1,2,...,I；j＝1,2,...,J；t＝1,2,...,T}
其中，yij；t为在t月度内从出发地i到目的地j的整车物流订单量，xij；t为在t月度内从出发地i到目的地j构建出的对应的特征矢量。
在一实施例中，所述特征矢量xij；t为13维的特征矢量，每一维特征矢量对应的检测特征分别为：
线路编号；
t月度对应的年份；
t月度对应的月份；
t-2月度的整车物流订单量；
t-2，t-3月度整车物流订单量的算术平均值；
t-2，t-3，t-4月度整车物流订单的算术平均值；
t-2，t-3月度整车物流订单量的加权平均值，其中，t-2月度的权重2/3，t-3月度的权重1/3；
t-2，t-3，t-4月度整车物流订单的加权平均值，其中，t-2月度的权重3/6，t-3月度的权重2/6，t-4月度的权重1/6；
t-2，t-3月度整车物流订单的差分；
1，2，...，t-2月度整车物流订单最小值；
1，2，...，t-2月度整车物流订单最大值；
1，2，...，t-2月度整车物流订单平均值；
1，2，...，t-2月度整车物流订单标准差。
在一实施例中，所述学习样本集合，包括用于训练梯度提升决策树模型的训练数据集合和用于测试梯度提升决策树模型的测试数据集合。
在一实施例中，所述根据学习样本集合，构建梯度提升决策树模型进行训练并评估，得到整车物流月度订单预测模型，包括：
根据学习样本集合，对不同超参数集合下的梯度提升决策树模型的进行训练；
对训练出的梯度提升决策树模型进行评估，选取最佳模型参数集合；
利用经过选取的最佳模型参数集合建立整车物流月度订单预测模型并进行训练，得到整车物流月度订单预测模型。
在一实施例中，所述梯度提升决策树模型通过以下步骤建立：
初始化提升树；
每棵提升树通过残差计算迭代过程的损失值，拟合残差形成一个学习回归树，确定学习回归树的最佳参数集合；
每棵提升树与对应的学习回归树累加，更新得到下一棵提升树；
将提升树反复迭代累加得到回归提升树，构成梯度提升决策树模型。
在一实施例中，通过以下的模型准确度公式，对构建的梯度提升决策树模型进行评估：
其中，y表示真实的月度整车物流订单量，表示模型预测的整车物流月度订单量，η为模型准确度。
为了实现上述目的，本发明还提供了一种整车物流月度订单预测装置，其特征在于，包括：
数据获取模块，获取历史月度的整车物流订单数据；
特征构建模块，提取特征构建学习样本集合；
模型训练模块，根据学习样本集合，构建梯度提升决策树模型进行训练并评估，得到整车物流月度订单预测模型；
模型测试模块，对整车物流月度订单预测模型进行测试，并利用整车物流月度订单预测模型对所需预测的线路未来月度的整车物流订单进行预测并输出。
在一实施例中，所述数据获取模块包括：
数据采集模块，对历史月度的整车物流订单数据进行提取采集，形成每条线路的月度整车物流订单时间序列数据；
数据清洗模块，根据预先设定的数据清洗规则，对采集的月度整车物流订单时间序列进行清洗，提取所需的每条线路完整的月度整车物流订单时间序列数据。
在一实施例中，所述整车物流月度订单预测装置还包括，数据存储模块，接收历史月度的整车物流订单数据并存储，形成整车物流订单数据库。
在一实施例中，所述特征构建模块，构建的学习样本集合为
(X，Y)＝{(xij；t,yij；t)，i＝1,2,...,I；j＝1,2,...,J；t＝1,2,...,T}
其中，yij；t为在月度t内从出发地i到目的地j的整车物流订单量，xij；t为在月度t内从出发地i到目的地j构建出的对应的特征矢量。
在一实施例中，所述特征矢量xij；t为13维的特征矢量，每一维特征矢量对应的检测特征分别为：
线路编号；
t月度对应的年份；
t月度对应的月份；
t-2月度的整车物流订单量；
t-2，t-3月度整车物流订单量的算术平均值；
t-2，t-3，t-4月度整车物流订单的算术平均值；
t-2，t-3月度整车物流订单量的加权平均值，其中，t-2月度的权重2/3，t-3月度的权重1/3；
t-2，t-3，t-4月度整车物流订单的加权平均值，其中，t-2月度的权重3/6，t-3月度的权重2/6，t-4月度的权重1/6；
t-2，t-3月度整车物流订单的差分；
1，2，...，t-2月度整车物流订单最小值；
1，2，...，t-2月度整车物流订单最大值；
1，2，...，t-2月度整车物流订单平均值；
1，2，...，t-2月度整车物流订单标准差。
在一实施例中，所述特征构建模块，构建的学习样本集合包括用于训练梯度提升决策树模型的训练数据集合和用于测试梯度提升决策树模型的测试数据集合。
在一实施例中，所述模型训练模块包括：
交叉验证模块，根据特征构建模块得出的学习样本集合，对不同超参数集合下的梯度提升决策树模型进行训练并评估；
参数选取模块，根据交叉验证模块得出的模型性能，对比各个超参数集合，从中选取最佳模型参数集合；
最佳模型训练模块，利用经过选取的最佳模型参数集合建立整车物流月度订单预测模型并进行训练，得到整车物流月度订单预测模型。
在一实施例中，所述梯度提升决策树模型通过以下步骤建立：
初始化提升树；
每棵提升树通过残差计算迭代过程的损失值，拟合残差形成一个学习回归树，确定学习回归树的最佳参数集合；
每棵提升树与对应的学习回归树累加，更新得到下一棵提升树；
将提升树反复迭代累加得到回归提升树，构成梯度提升决策树模型。
在一实施例中，所述模型训练模块，通过以下的模型准确度公式，对构建的梯度提升决策树模型进行评估：
其中，y表示真实的月度整车物流订单量，表示模型预测的整车物流月度订单量，η为模型准确度。
为了实现上述目的，本发明还提供了一种整车物流月度订单预测***，包括：
存储器，用于存储可由处理器执行的指令；
处理器，用于执行所述指令以实现如上所述的方法。
为了实现上述目的，本发明还提供了一种计算机存储介质，其上存储有计算机指令，其中当计算机指令被处理器执行时，执行如上所述的方法。
本发明提供的整车物流月度订单预测方法及装置、***、存储介质，实现对整车物流月度订单的预测，为运输公司的统筹运力计划安排，仓库管理提供比较准确的情报信息，进而降低生产管理成本。
本发明具体具有以下有益效果：充分利用人工智能，通过自动化、智能化、程序化的方式进行预测，极大的提高了预测的效率，降低了人工成本，实现比较高的预测准确度，进而降低整车物流的成本。
附图说明
本发明上述的以及其他的特征、性质和优势将通过下面结合附图和实施例的描述而变的更加明显，在附图中相同的附图标记始终表示相同的特征，其中：
图1揭示了根据本发明一实施例的整车物流月度订单预测方法的流程图；
图2揭示了根据本发明一实施例的整车物流月度订单预测方法的信息流示意图；
图3a揭示了根据本发明一实施例的整车物流月度订单预测方法的学习回归树结构示意图；
图3b揭示了根据本发明一实施例的整车物流月度订单预测方法的特征空间示意图；
图4揭示了根据本发明一实施例的梯度提升决策树算法的示意图；
图5a揭示了根据本发明一实施例的整车物流月度订单预测方法的预测效果图；
图5b揭示了根据本发明一实施例的整车物流月度订单预测方法的准确度示意图；
图6揭示了根据本发明一实施例的整车物流月度订单预测装置的结构示意图；
图7揭示了根据本发明又一实施例的整车物流月度订单预测***的框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释发明，并不用于限定发明。
本发明的实施例描述整车物流月度订单预测方法及装置、***、存储介质。本发明实施例提供的整车物流月度订单预测方法的执行主体，可以是本发明实施例提供的整车物流月度订单预测装置、***、存储介质，或者集成了所述整车物流月度订单预测装置、***、存储介质的终端设备(例如，智能手机、平板电脑等)或服务器，该***可以采用硬件或软件实现。
本发明通过采集历史月度的整车物流订单数据，并挖掘订单的周期信息，历史波动模式，空间信息，构建整车物流月度订单的特征数据，并通过机器学习中的梯度提升决策树算法建立订单特征和待预测订单的映射关系，进而实现对整车物流月度订单预测。
参考图1所示，图1揭示了根据本发明一实施例的整车物流月度订单预测方法的流程图。
该整车物流月度订单预测方法，主要包括如下的步骤：
S101、获取历史月度的整车物流订单数据；
S102、提取特征构建学习样本集合；
S103、根据学习样本集合，构建梯度提升决策树模型进行训练并评估，得到整车物流月度订单预测模型；
S104、输入所需预测的线路，根据整车物流月度订单预测模型，预测该线路未来月度的整车物流订单并输出。
图2揭示了根据本发明一实施例的整车物流月度订单预测方法的信息流示意图。参考图1和图2所示，下面对整车物流月度订单预测方法中的每一步骤进行详细的展开阐述。
S101、获取历史月度的整车物流订单数据。
为了对整车物流月度订单进行预测，需要获取历史月度的整车物流订单数据，然后基于历史月度的整车物流订单数据通过预测模型预测未来月度的整车物流订单数据。
在一个实施例中，获取历史月度整车物流订单数据包括：
S202、数据采集步骤，对历史月度的整车物流订单数据按照预测模型的要求进行提取采集，形成每条线路的月度整车物流订单时间序列数据。
S203、数据清洗步骤，根据预先设定的数据清洗规则，对采集的月度整车物流订单时间序列进行清洗，提取所需的每条线路完整的月度整车物流订单时间序列数据。所述预先设定的数据清洗规则，包括但不限于去除部分异常的历史数据，以及补全一些缺失的历史数据。
通过数据清洗步骤S203，对历史订单数据中的异常值进行去除，避免异常值影响后续预测的准确度，对缺失值进行处理补全，提高后续预测的准确度。
在具体实施中，获取的历史月度整车物流订单数据，并不一定能直接符合预测模型的要求。因此需要对获取的历史月度整车物流订单数据进行预处理，例如数据采集和数据清洗，以得到符合预测模型要求的月度整车物流订单时间序列数据。
在本发明的另一个实施例中，数据采集步骤S202之前还包括：
S201、数据存储步骤，接收历史月度的整车物流订单数据并存储，形成整车物流订单数据库。将整车物流订单数据以数据库的形式进行存储，便于管理与后续的数据采集工作。数据采集步骤S202通过数据库接口实现对历史月度的整车物流订单数据按照预测模型的要求进行提取采集。
更进一步的，数据存储步骤S201，将历史月度的整车物流订单数据输入订单管理***进行存储，形成整车物流订单数据库。数据采集步骤S202，通过数据库接口实现对订单管理***中的历史月度的整车物流订单数据进行提取采集，形成每条线路的月度整车物流订单时间序列数据。
可以理解的是，为了使所获取的整车物流订单数据符合预测模型的要求，避免对后续预测的影响，可以对订单数据进行其他形式的预处理，也可以根据所获取的订单数据具体形式，按照要求进行选择性的进行预处理，如只进行数据采集步骤，不进行数据清洗步骤等，此处不再赘述。如果所获取的订单数据已经完全符合预测模型的要求，也可以将所获取的整车物流订单数据直接进入下一步的操作而不需要进行预处理。
S102、提取特征构建学习样本集合。
根据所获取的整车物流订单数据，通过挖掘历史信息，空间信息构建学习样本集合，提供给预测模型进行学习训练。
在图2所示的实施例中，该步骤具体为S204特征构建步骤。为了方便描述，yij；t为在t月度内从出发地i到目的地j的整车物流订单量。
根据步骤S201、S202、S203获取的历史月度整车物流订单数据，得到月度订单时间序列yij；t，其中i＝1,2,...,I，j＝1,2,...,J，t＝1,2,...,T，即有I个出发地和J个目的地，T个月度的历史月度的整车物流订单数据。根据t月度之前可利用的订单时间序列数据yij；1，yij；2，...，yij；t-2预测t月度的月度整车物流订单。
xij；t为在t月度内从出发地i到目的地j构建出的对应的特征矢量。xij；t为13维的矢量，xij；t(n)为xij；t的第n个元素。
下面对特征矢量中的各个特征元素的含义进行说明。
xij；t(1)：线路ID，取1～L中的惟一的一个整数，其中L为线路总数；
xij；t(2)：t月度对应的年份，根据目前的历史数据取值为2012，2013，...，2017；
xij；t(3)：t月度对应的月份，根据目前的历史数据取值为1，2，...，12；
xij；t(4)：t-2月度的整车物流订单量yij；t-2；
xij；t(5)：t-2，t-3月度整车物流订单量的算术平均值
xij；t(6)：t-2，t-3，t-4月度整车物流订单的算术平均值
xij；t(7)：t-2，t-3月度整车物流订单量的加权平均值
xij；t(8)：t-2，t-3，t-4月度整车物流订单的加权平均值
xij；t(9)：t-2，t-3月度整车物流订单的差分yij；t-2-yij；t-3；
xij；t(10)：1，2，...，t-2月度整车物流订单最小值xij；t(10)＝min{yij；1,yij；2,...,yij；t-2}；
xij；t(11)：1，2，...，t-2月度整车物流订单最大值xij；t(11)＝max{yij；1,yij；2,…,yij；t-2}；
xij；t(12)：1，2，...，t-2月度整车物流订单平均值
xij；t(13)：1，2，...，t-2月度整车物流订单标准差
通过以上的特征构建方法，生成如下的学习样本集合：
(X，Y)＝{(xij；t,yij；t)，i＝1,2,...,I；j＝1,2,...,J；t＝1,2,...,T}。
为了后续算法描述方便，将学习样本重新记为(xm,ym)，m＝1,2,...,M，其中M为样本数目，并记学习样本集合ξ＝{(xm,ym),m＝1,2,...,M}。
进一步，将学习样本集合ξ＝{(xm,ym),m＝1,2,...,M}划分为训练集ψ＝{(xm,ym),m＝1,2,...,p}和测试集ζ＝{(xm,ym),m＝p+1,p+2,...,M}，其中p为训练集的样本数目。
训练集ψ用于训练梯度提升决策树模型，测试集ζ用于测试梯度提升决策树模型。
S103、根据学习样本集合，构建梯度提升决策树模型进行训练并评估，得到整车物流月度订单预测模型。
根据步骤S102构建的学习样本集合，训练整车物流月度订单预测模型，对得到的预测模型进行评估，如果评估通过，则完成了整车物流月度订单预测模型的构建。
在图2所示的实施例中，步骤S103具体包括以下三个步骤：
第一步、根据学习样本集合中的数据，对不同超参数集合下的梯度提升决策树模型的进行训练。在图2所示的实施例中，该步骤为S205交叉验证步骤。
超参数是指预测模型在开始机器学习过程之前所需要设置的参数。作为示例，预测模型的超参数包括但不限于树的数量、树的深度、叶子节点的个数。超参数以外的其他参数需要通过训练得出。
超参数的设置对预测模型的性能有较大的影响，因此需要对超参数进行优化，选择一组最优超参数，以提高学习的性能与效果。
可选的，通过交叉验证的方法，将预测模型在不同超参数集合下进行多组不同的训练，获得多组不同超参数集合的预测模型。在图2所示的实施例中，通过交叉验证方法，获得n个模型参数集合，即n个不同的超参数集合。
所述交叉验证的方式，为重复使用学习样本数据，把得到的学习样本数据进行多次切分，组合为不同的训练集和测试集，用训练集来训练预测模型，用测试集来评估预测模型的好坏。在此基础上可以得到多组不同的训练集和测试集，某次训练集中的某样本在下次可能成为测试集中的样本。
第二步、对训练出的多组不同超参数集合下的梯度提升决策树模型进行评估，选取最佳模型参数集合。
在图2所示的实施例中，该步骤为S206模型对比步骤，将S205交叉验证步骤得到的多个预测模型进行性能评估，选取最佳模型参数集合。
性能评估的方式可以是多种的。在图2所示的实施例中，通过模型的准确度对构建的梯度提升决策树进行评估。模型准确度公式如下：
其中，y表示真实的月度整车物流订单量，表示模型预测的整车物流月度订单量，η为模型准确度。
第三步、利用经过选取的最佳模型参数集合建立整车物流月度订单预测模型并进行训练，得到整车物流月度订单预测模型。
在图2所示的实施例中，该步骤为S207最佳模型训练步骤，由于在第一步选取最优超参数的过程中，采用了学习样本集合中的部分数据，即训练集的数据进行训练，测试集的数据在训练时并没有采用。因此在确定了最优超参数后，采用全部学习样本数据，即在训练集和测试集的数据之和的基础上再次进行训练，最终得到整车物流月度订单预测模型。
本发明采用梯度提升决策树(Gradient Boosting Decision Tree，GBDT)算法构建整车物流月度订单预测模型。下面对梯度提升决策树算法如何构建整车物流月度订单预测模型进行说明。
梯度提升决策树算法，是一种迭代的决策树算法，由多棵决策树组成，所有树的结论累加起来，作为最终答案。在以下出版物中对此算法进行了详细的描述，《The Elementsof Statistical Learning》，作者Trevor Hastie/Robert Tibshirani/Jerome Friedman。
本发明中梯度提升决策树模型的训练步骤如下：
初始化提升树；
每棵提升树通过残差计算迭代过程的损失值，拟合残差形成一个学习回归树，确定学习回归树的最佳参数集合；
每棵提升树与对应的学习回归树累加，更新得到下一棵提升树；
将提升树反复迭代累加得到回归提升树，构成梯度提升决策树模型。
以下结合公式，详细阐述在图2所示的实施例中，基于梯度提升决策树算法的订单预测模型的训练过程。
1)输入训练集数据ψ＝{(xm,ym),m＝1,2,...,p}；
2)初始化提升树f0(x)＝0；
3)对迭代次数q＝1,2,...,Q，
3.1)计算残差rqm＝ym-fq-1(xm)；
3.2)拟合残差rqm得到一个学习回归树T(x；Θq)；
3.3)更新fm(x)＝fm-1(x)+T(x；Θq)；
4)得到回归提升树
5)输出回归提升树fQ(x)。
上式中，Q为学习回归树的棵树，即迭代次数。Q值可以人为设定，训练到设定次数后即停止训练。Q值也可以指定验证集，当验证集的精度满足收敛条件时停止。验证集是订单预测模型训练过程中单独留出的样本集，它可以用于调整订单预测模型的超参数和用于对订单预测模型的能力进行初步评估。
Θq为学习回归树的参数集合。
更进一步的，Θq包含特征元素的切分点和叶子权重cn。
从而，学习回归树可以进一步表示为
Rn为对应的叶节点子区域，n＝1，...，N，N为叶子节点的个数，I为指示函数。
在一实施例中，叶子权重cn＝ave(ym|x∈Rn)，即叶子权重为属于该叶节点子区域所有学习样本的标签值的均值。
为了更进一步的解释学习回归树的结构，以特征矢量为2维的情况进行举例说明单棵学习回归树的结构，如图3a和图3b所示，图3a揭示了根据本发明一实施例的整车物流月度订单预测方法的学习回归树结构示意图，图3b揭示了特征空间示意图。特征矢量的特征元素为X1和X2，特征元素的切分点为t1～t4，确定切分点，构成如图3a所示的学习回归树T(x；Θq)的结构，将特征空间划分为如图3b所示的R1～R5五个叶节点子区域。
图4揭示了根据本发明一实施例的梯度提升决策树算法的示意图。为了方便示意，以三棵学习回归树为例进行举例说明梯度提升决策树算法。每棵决策树都是对上一棵决策树的回归值与真值间的残差进行拟合，采用原训练数据集41作为第一训练数据集411，训练得到第一学习回归树421，以第一学习回归树421的回归值(预测值)与真值的差值构成残差，以残差为第二训练数据集412，训练得到第二学习回归树422，以第二学习回归树422的回归值(预测值)与真值的差值构成残差，以残差为第三训练数据集413，训练得到第三学习回归树423，最终的梯度提升决策树模型42是所有学习回归树的集成。梯度提升决策树算法的优点是拟合精度高，缺点是容易过拟合，导致模型泛化能力差。
S104、输入所需预测的线路，根据整车物流月度订单预测模型，预测该线路未来月度的整车物流订单并输出。
在图2所示的实施例中，该步骤为S208模型测试步骤，最终训练完成的整车物流月度订单预测模型，对于所有的线路进行预测，计算出未来月度的每条线路的整车物流订单。
当需要预测某一条线路的整车物流月度订单时，根据最终模型预测步骤S209，输入该条线路，根据整车物流月度订单预测模型的运算结果，返回整车物流月度订单的预测结果，并通过输出设备输出。
为使本领域技术人员更好的理解和实施本发明，本发明实施例给出了引用本发明实施例提供的方案与真实月度整车物流订单量的对比效果图。
图5a揭示了根据本发明一实施例的整车物流月度订单预测方法的预测效果图，图5b揭示了根据本发明一实施例的整车物流月度订单预测方法的准确度示意图。
采用2012年3月到2017年7月的整车月度物流订单数据为训练集，并将通过上述整车物流月度订单预测方法，训练完成的预测模型在测试集，即2017年8月的整车物流月度订单数据中进行测试。
以上海到上海这条物流线路为例，预测模型在训练集合上的效果如图5a所示。其中横坐标表示月度，纵坐标表示整车物流订单量，y曲线代表真实的整车物流订单量，曲线表示模型在训练集上预测的整车物流订单量。
从图5a可以形象的看出，预测模型对训练集的订单数据进行了比较准确的拟合。
为了进一步量化模型的效果，通过以下的模型准确度公式，对构建的梯度提升决策树模型进行评估：
其中，y表示真实的月度整车物流订单量，表示模型预测的整车物流月度订单量，η为模型准确度。
图5b展示了上海到上海线路整车物流订单模型准确度在训练集上的表现。由于实际中2012年的订单数据统计和之后其他年份的数据统计存在差异，导致模型在2012年的表现和之后年度的表现不一致。
但是，图5b可以看出在订单数据统计一致的情况下，预测模型在训练集上达到了非常高的预测准确度。
真正评价整车物流月度订单预测模型预测效果，要看预测模型在测试集上的表现，以上海到上海线路为例对预测模型在测试集上的表现进行说明。
2017年8月上海到上海线路实际整车物流订单量y＝65326，模型预测的整车物流订单量为模型准确度η＝0.938。可见，预测模型在测试集上也同样达到了非常高的预测准确度。
本发明还提供一种可以实现上述整车物流月度订单预测方法的整车物流月度订单预测装置。如图6所示，该整车物流月度订单预测装置包括数据获取模块61，特征构建模块62、模型训练模块63和模型测试模块64。
数据获取模块61，输出端与特征构建模块62连接，包括数据采集模块611和数据清洗模块612。
其中，数据采集模块611，输出端与数据清洗模块612连接，对历史月度的整车物流订单数据进行提取采集，形成每条线路的月度整车物流订单时间序列数据。
数据清洗模块612，输出端与特征构建模块62连接，根据预先设定的数据清洗规则，对采集的月度整车物流订单时间序列进行清洗，提取所需的每条线路完整的月度整车物流订单时间序列数据。所述预先设定的数据清洗规则，包括但不限于去除部分异常的历史数据，以及补全一些缺失的历史数据。
更进一步的，整车物流月度订单预测装置，还包括数据存储模块65，输出端与数据获取模块61连接，接收历史月度的整车物流订单数据并存储，形成整车物流订单数据库。数据获取模块61的数据采集模块611，与数据存储模块65连接，通过数据库接口实现对数据存储模块65中数据的采集提取。
在一实施例中，数据存储模块65为订单管理***，数据采集模块611，通过数据库接口实现对订单管理***中数据的采集提取。
特征构建模块62，输出端与模型训练模块63连接，通过挖掘历史信息，空间信息，提取特征构建学习样本集合。
特征构建模块62构建的学习样本集合为
(X，Y)＝{(xij；t,yij；t)，i＝1,2,...,I；j＝1,2,...,J；t＝1,2,...,T}
其中，yij；t为在月度t内从出发地i到目的地j的整车物流订单量，xij；t为在月度t内从出发地i到目的地j构建出的对应的特征矢量。
月度订单时间序列yij；t，其中i＝1,2,...,I，j＝1,2,...,J，t＝1,2,...,T，即有I个出发地和J个目的地，T个月度的历史月度的整车物流订单数据。根据t月度之前可利用的订单时间序列数据yij；1，yij；2，...，yij；t-2预测t月度的月度整车物流订单。
xij；t为13维的矢量，xij；t(n)为xij；t的第n个元素。对于特征矢量中的各个特征元素的含义在上述整车物流月度订单预测方法的实施例中已有详细说明，这里不再赘述。
根据以上的特征构建方法，特征构建模块生成学习样本集合：
(X，Y)＝{(xij；t,yij；t)，i＝1,2,...,I；j＝1,2,...,J；t＝1,2,...,T}。
将学习样本重新记为(xm,ym)，m＝1,2,...,M，其中M为样本数目，并记学习样本集合ξ＝{(xm,ym),m＝1,2,...,M}。
进一步，将学习样本集合ξ＝{(xm,ym),m＝1,2,...,M}划分为训练集ψ＝{(xm,ym),m＝1,2,...,p}和测试集ζ＝{(xm,ym),m＝p+1,p+2,...,M}，其中p为训练集的样本数目。
训练集ψ用于训练梯度提升决策树模型，测试集ζ用于测试梯度提升决策树模型。
模型训练模块63，输出端与模型测试模块64连接，包括交叉验证模块631、参数选取模块632和最佳模型训练模块633。
交叉验证模块631，输入端与特征构建模块62连接，输出端与参数选取模块632连接，根据特征构建模块得出的学习样本集合，对不同超参数集合下的梯度提升决策树模型进行训练并评估。
参数选取模块632，输出端与最佳模型训练模块633连接，根据交叉验证模块得出的模型性能，进一步对比各个参数集合，并从中选取最佳模型参数集合。
最佳模型训练模块633，输出端与模型测试模块64连接，利用经过选取的最佳模型参数集合建立整车物流月度订单预测模型并在全量数据上进行训练，得到整车物流月度订单预测模型。
模型测试模块64，输入端与模型训练模块63连接，对整车物流月度订单预测模型进行测试，并利用整车物流月度订单预测模型对所需预测的线路未来月度的整车物流订单进行预测并输出。
在一实施例中，模型测试模块64对于所有的线路进行预测，计算出未来月度的每条线路的整车物流订单。当需要预测某一条线路的整车物流月度订单时，由输入设备(如客户端)输入该条线路，模型测试模块64根据整车物流月度订单预测模型的运算结果，返回整车物流月度订单的预测结果，并通过输出设备输出。
图7是本发明又一实施例的整车物流月度订单预测***的框图。整车物流月度订单预测***可包括内部通信总线701、处理器(processor)702、只读存储器(ROM)703、随机存取存储器(RAM)704、通信端口705、以及硬盘707。内部通信总线701可以实现整车物流月度订单预测***组件间的数据通信。处理器702可以进行判断和发出提示。在一些实施例中，处理器702可以由一个或多个处理器组成。
通信端口705可以实现整车物流月度订单预测***与外部的输入/输出设备之间进行数据传输与通信。在一些实施例中，整车物流月度订单预测***可以通过通信端口705从网络发送和接收信息及数据。在一些实施例中，整车物流月度订单预测***可以通过输入/输出端706以有线的形式与外部的输入/输出设备之间进行数据传输与通信。
整车物流月度订单预测***还可以包括不同形式的程序储存单元以及数据储存单元，例如硬盘707，只读存储器(ROM)703和随机存取存储器(RAM)704，能够存储计算机处理和/或通信使用的各种数据文件，以及处理器702所执行的可能的程序指令。处理器702执行这些指令以实现方法的主要部分。处理器702处理的结果通过通信端口705传给外部的输出设备，在输出设备的用户界面上显示。
举例来说，上述的整车物流月度订单预测方法的实施过程文件可以为计算机程序，保存在硬盘707中，并可记载到处理器702中执行，以实施本申请的方法。
整车物流月度订单预测方法的实施过程文件为计算机程序时，也可以存储在计算机可读存储介质中作为制品。例如，计算机可读存储介质可以包括但不限于磁存储设备(例如，硬盘、软盘、磁条)、光盘(例如，压缩盘(CD)、数字多功能盘(DVD))、智能卡和闪存设备(例如，电可擦除可编程只读存储器(EPROM)、卡、棒、键驱动)。此外，本文描述的各种存储介质能代表用于存储信息的一个或多个设备和/或其它机器可读介质。术语“机器可读介质”可以包括但不限于能存储、包含和/或承载代码和/或指令和/或数据的无线信道和各种其它介质(和/或存储介质)。
本发明提供的整车物流月度订单预测方法及装置、***、存储介质，实现对整车物流月度订单的预测，为运输公司的统筹运力计划安排，仓库管理提供比较准确的情报信息，进而降低生产管理成本。
本发明具体具有以下有益效果：充分利用人工智能，通过自动化、智能化、程序化的方式进行预测，极大的提高了预测的效率，降低了人工成本，实现比较高的预测准确度，进而降低整车物流的成本。
尽管为使解释简单化将上述方法图示并描述为一系列动作，但是应理解并领会，这些方法不受动作的次序所限，因为根据一个或多个实施例，一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
应该理解，上文所描述的实施例仅是示意。本文描述的实施例可在硬件、软件、固件、中间件、微码或者其任意组合中实现。对于硬件实现，处理单元可以在一个或者多个特定用途集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器和/或设计为执行本文所述功能的其它电子单元或者其结合内实现。
上述实施例是提供给熟悉本领域内的人员来实现或使用本发明的，熟悉本领域的人员可在不脱离本发明的发明思想的情况下，对上述实施例做出种种修改或变化，因而本发明的保护范围并不被上述实施例所限，而应该是符合权利要求书提到的创新性特征的最大范围。

Claims (10)

1.一种整车物流订单预测方法，其特征在于，包括以下步骤：
获取历史月度的整车物流订单数据；
提取特征构建学习样本集合；
根据学习样本集合，构建梯度提升决策树模型进行训练并评估，得到整车物流月度订单预测模型；
输入所需预测的线路，根据整车物流月度订单预测模型，预测该线路未来月度的整车物流订单并输出。
2.根据权利要求1所述的整车物流订单预测方法，其特征在于，所述获取历史月度整车物流订单数据包括：
数据采集步骤，对历史月度的整车物流订单数据进行提取采集，形成每条线路的月度整车物流订单时间序列数据；
数据清洗步骤，根据预先设定的数据清洗规则，对采集的月度整车物流订单时间序列进行清洗，提取所需的每条线路完整的月度整车物流订单时间序列数据。
3.根据权利要求1所述的整车物流订单预测方法，其特征在于，所述学习样本集合为(X，Y)＝{(xij；t,yij；t)，i＝1,2,...,I；j＝1,2,...,J；t＝1,2,...,T}
其中，yij；t为在t月度内从出发地i到目的地j的整车物流订单量，xij；t为在t月度内从出发地i到目的地j构建出的对应的特征矢量。
4.根据权利要求3所述的整车物流订单预测方法，其特征在于，所述特征矢量xij；t为13维的特征矢量，每一维特征矢量对应的检测特征分别为：
线路编号；
t月度对应的年份；
t月度对应的月份；
t-2月度的整车物流订单量；
t-2，t-3月度整车物流订单量的算术平均值；
t-2，t-3，t-4月度整车物流订单的算术平均值；
t-2，t-3月度整车物流订单量的加权平均值，其中，t-2月度的权重2/3，t-3月度的权重1/3；
t-2，t-3，t-4月度整车物流订单的加权平均值，其中，t-2月度的权重3/6，t-3月度的权重2/6，t-4月度的权重1/6；
t-2，t-3月度整车物流订单的差分；
1，2，...，t-2月度整车物流订单最小值；
1，2，...，t-2月度整车物流订单最大值；
1，2，...，t-2月度整车物流订单平均值；
1，2，...，t-2月度整车物流订单标准差。
5.根据权利要求4所述的整车物流订单预测方法，其特征在于，所述学习样本集合，包括用于训练梯度提升决策树模型的训练数据集合和用于测试梯度提升决策树模型的测试数据集合。
6.根据权利要求5所述的整车物流订单预测方法，其特征在于，所述根据学习样本集合，构建梯度提升决策树模型进行训练并评估，得到整车物流月度订单预测模型，包括：
根据学习样本集合，对不同超参数集合下的梯度提升决策树模型的进行训练；
对训练出的梯度提升决策树模型进行评估，选取最佳模型参数集合；
利用经过选取的最佳模型参数集合建立整车物流月度订单预测模型并进行训练，得到整车物流月度订单预测模型。
7.根据权利要求6所述的整车物流订单预测方法，其特征在于，所述梯度提升决策树模型通过以下步骤建立：
初始化提升树；
每棵提升树通过残差计算迭代过程的损失值，拟合残差形成一个学习回归树，确定学习回归树的最佳参数集合；
每棵提升树与对应的学习回归树累加，更新得到下一棵提升树；
将提升树反复迭代累加得到回归提升树，构成梯度提升决策树模型。
8.一种整车物流订单预测装置，其特征在于，包括：
数据获取模块，获取历史月度的整车物流订单数据；
特征构建模块，提取特征构建学习样本集合；
模型训练模块，根据学习样本集合，构建梯度提升决策树模型进行训练并评估，得到整车物流月度订单预测模型；
模型测试模块，对整车物流月度订单预测模型进行测试，并利用整车物流月度订单预测模型对所需预测的线路未来月度的整车物流订单进行预测并输出。
9.一种物流***，包括：
存储器，用于存储可由处理器执行的指令；
处理器，用于执行所述指令以实现如权利要求1-7任一项所述的方法。
10.一种计算机可读介质，其上存储有计算机指令，其中当计算机指令被处理器执行时，执行如权利要求1-7任一项所述的方法。
CN201910382929.8A 2019-05-09 2019-05-09 整车物流订单预测方法及装置、物流***以及计算机可读介质 Pending CN110309947A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910382929.8A CN110309947A (zh) 2019-05-09 2019-05-09 整车物流订单预测方法及装置、物流***以及计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910382929.8A CN110309947A (zh) 2019-05-09 2019-05-09 整车物流订单预测方法及装置、物流***以及计算机可读介质

Publications (1)

Publication Number Publication Date
CN110309947A true CN110309947A (zh) 2019-10-08

Family

ID=68074694

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910382929.8A Pending CN110309947A (zh) 2019-05-09 2019-05-09 整车物流订单预测方法及装置、物流***以及计算机可读介质

Country Status (1)

Country Link
CN (1) CN110309947A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110889450A (zh) * 2019-11-27 2020-03-17 腾讯科技（深圳）有限公司 超参数调优、模型构建方法和装置
CN113807560A (zh) * 2021-01-19 2021-12-17 北京京东振世信息技术有限公司 一种物流成本预测方法、装置、电子设备以及存储介质
CN114169611A (zh) * 2021-12-09 2022-03-11 浙江百世技术有限公司 结合张量分解与梯度提升决策树的货量预测方法及***
CN117808385A (zh) * 2024-02-29 2024-04-02 智旦运宝宝(福建)科技有限公司 一种基于物联网的物流运输管理方法及***

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103310286A (zh) * 2013-06-25 2013-09-18 浙江大学 一种具有时间序列特性的产品订单预测方法及装置
CN108345958A (zh) * 2018-01-10 2018-07-31 拉扎斯网络科技（上海）有限公司 一种订单出餐时间预测模型构建、预测方法、模型和装置
CN108564326A (zh) * 2018-04-19 2018-09-21 安吉汽车物流股份有限公司 订单的预测方法及装置、计算机可读介质、物流***
CN108960431A (zh) * 2017-05-25 2018-12-07 北京嘀嘀无限科技发展有限公司 指标的预测、模型的训练方法及装置
CN109214731A (zh) * 2017-06-29 2019-01-15 菜鸟智能物流控股有限公司 分配物流订单的方法及装置、计算机***
CN109214559A (zh) * 2018-08-17 2019-01-15 安吉汽车物流股份有限公司 物流业务的预测方法及装置、可读存储介质
CN109242105A (zh) * 2018-08-17 2019-01-18 第四范式（北京）技术有限公司 机器学习模型中超参数的调优方法、装置、设备及介质
WO2019030221A1 (en) * 2017-08-08 2019-02-14 Zipabout Limited TRANSPORT NETWORK USER REQUEST PREDICTION

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103310286A (zh) * 2013-06-25 2013-09-18 浙江大学 一种具有时间序列特性的产品订单预测方法及装置
CN108960431A (zh) * 2017-05-25 2018-12-07 北京嘀嘀无限科技发展有限公司 指标的预测、模型的训练方法及装置
CN109214731A (zh) * 2017-06-29 2019-01-15 菜鸟智能物流控股有限公司 分配物流订单的方法及装置、计算机***
WO2019030221A1 (en) * 2017-08-08 2019-02-14 Zipabout Limited TRANSPORT NETWORK USER REQUEST PREDICTION
CN108345958A (zh) * 2018-01-10 2018-07-31 拉扎斯网络科技（上海）有限公司 一种订单出餐时间预测模型构建、预测方法、模型和装置
CN108564326A (zh) * 2018-04-19 2018-09-21 安吉汽车物流股份有限公司 订单的预测方法及装置、计算机可读介质、物流***
CN109214559A (zh) * 2018-08-17 2019-01-15 安吉汽车物流股份有限公司 物流业务的预测方法及装置、可读存储介质
CN109242105A (zh) * 2018-08-17 2019-01-18 第四范式（北京）技术有限公司 机器学习模型中超参数的调优方法、装置、设备及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张静: "A电器厂销售物流***优化研究", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 *
张静: "A电器厂销售物流***优化研究", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》, 15 July 2017 (2017-07-15), pages 18 - 42 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110889450A (zh) * 2019-11-27 2020-03-17 腾讯科技（深圳）有限公司 超参数调优、模型构建方法和装置
CN110889450B (zh) * 2019-11-27 2023-08-11 腾讯科技（深圳）有限公司 超参数调优、模型构建方法和装置
CN113807560A (zh) * 2021-01-19 2021-12-17 北京京东振世信息技术有限公司 一种物流成本预测方法、装置、电子设备以及存储介质
CN113807560B (zh) * 2021-01-19 2023-11-07 北京京东振世信息技术有限公司 一种物流成本预测方法、装置、电子设备以及存储介质
CN114169611A (zh) * 2021-12-09 2022-03-11 浙江百世技术有限公司 结合张量分解与梯度提升决策树的货量预测方法及***
CN117808385A (zh) * 2024-02-29 2024-04-02 智旦运宝宝(福建)科技有限公司 一种基于物联网的物流运输管理方法及***
CN117808385B (zh) * 2024-02-29 2024-05-28 智旦运宝宝(福建)科技有限公司 一种基于物联网的物流运输管理方法及***

Similar Documents

Publication Publication Date Title
CN110309947A (zh) 整车物流订单预测方法及装置、物流***以及计算机可读介质
CN106549772A (zh) 资源预测方法、***和容量管理装置
CN113762595B (zh) 通行时间预测模型训练方法、通行时间预测方法及设备
CN110457369A (zh) 一种模型的训练方法及相关设备
CN110428015A (zh) 一种模型的训练方法及相关设备
CN117076993A (zh) 基于云原生的多智能体博弈决策***及方法
CN113449919B (zh) 一种基于特征和趋势感知的用电量预测方法及***
JP2023547451A (ja) 時系列の大規模集合のためのスケーラブル・モデリング
CN114970926A (zh) 一种模型训练方法、企业经营风险预测方法和装置
CN110309948A (zh) 整车物流订单预测方法及装置、物流***以及计算机可读介质
CN114584406A (zh) 一种联邦学习的工业大数据隐私保护***及方法
CN117252307B (zh) 流量预测方法、装置、计算机设备和存储介质
CN109858785A (zh) 一种评价智能电能表运行状态的方法和***
KR102406375B1 (ko) 원천 기술의 평가 방법을 포함하는 전자 장치
CN114896138B (zh) 一种基于复杂网络和图神经网络的软件缺陷预测方法
CN115017990B (zh) 一种交通流量预测方法、装置、设备及存储介质
CN103886169A (zh) 一种基于AdaBoost的链路预测算法
CN109767263A (zh) 营收数据预测方法、装置、计算机设备和存储介质
CN114549233A (zh) 基于lgb算法与arima算法相结合的流动人口预测方法
CN113159926A (zh) 贷款业务的还款日期确定方法及装置
CN114819442A (zh) 一种运筹优化方法、装置和计算设备
CN117435870A (zh) 一种负荷数据实时填充方法、***、设备和介质
CN116822739A (zh) 中长期售电量预测方法、装置、终端及存储介质
CN118098356A (zh) 基于GraphSAGE的空间转录组解卷积确定细胞类型的方法及装置
Hoffmann Improving Automated Hyperparameter

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