[发明专利]一种基于特征标签的多维度运费预测方法及其系统

说明书

本发明公开了一种基于特征标签的多维度运费预测方法，针对客户订单进行预测和训练，获取客户标签、客户标签训练结果和公共标签训练结果；根据客户标签训练结果，对不同的客户标签进行标签定义，获得公共标签；根据公共标签训练结果，对公共标签进行标签定义，获得各个标签的预测运费。本发明还公开了一种基于特征标签的多维度运费预测系统，包括订单标签预测模块、订单标签训练模块、客户标签处理模块和公共标签处理模块。本发明基于LSTM特征标签的多维度时序运费预测算法，可实现对物流运费的准确预测，解决了传统的时序预测模型难以解决多变量或多输入的问题，提高了物流效率，降低了成本，便于统筹管理。

技术领域

本发明涉及运费计算技术领域，具体涉及一种基于特征标签的多维度运费预测方法及其系统。

背景技术

中国物流产业目前正处在“物流硬件升级阶段”末期和“物流成本管理时代”初期的发展阶段。随着中国产业结构日益走向规模化和专业化的格局，伴随信息技术的大量应用、电子商务的兴起以及对成本控制要求的提升，物流行业对物流运费的准确预测的需求日益增加。对物流运费的准确预测可对物流企业的决策有着至关重要的作用。

然而，现阶段传统的物流运费预测方法存在以下的困难点：

1、运费随季节性和促销活动关联明显；

2、运费对不同的类型的客户相差变化很大；

3、运费变化对多种维度敏感，例如天气，交通，人口密度等因素。

发明内容

基于此，针对上述问题，有必要提出一种实现对物流运费的准确预测，提高物流效率，降低成本，便于统筹管理的基于特征标签的多维度运费预测方法及其系统。

本发明提供一种基于特征标签的多维度运费预测方法，其技术方案如下：

一种基于特征标签的多维度运费预测方法，包括以下步骤：

a、针对客户订单进行预测和训练，获取客户标签、客户标签训练结果和公共标签训练结果，并将客户标签传输至客户标签管理器；

b、根据客户标签训练结果，对不同的客户标签进行标签定义，获得公共标签，并传输至公共标签管理器；

c、根据公共标签训练结果，对公共标签进行标签定义，获得各个标签的预测运费。

在本技术方案中，基于LSTM特征标签的多维度时序运费预测算法，来对物流运费进行预测，时间序列预测分析就是利用过去一段时间内某事件时间的特征来预测未来一段时间内该事件的特征，传统的时序预测模型例如ARIMA难以解决多变量或多输入问题，而神经网络如LSTM则擅长于处理多个变量的问题，该特性使其有助于解决时间序列预测问题；并且，利用对多个客户打上不同的标签，例如行业，规模，下单频率等等，还有现阶段公共的标签，例如天气，是否促销(节日)，交通状况等，对每个不同的标签分别LSTM预测运费，最后再将各个标签的运费加权平均，或者在对其进行线性拟合(可配置)，得到最终结果；提高了物流效率，降低了成本，便于统筹管理。

优选的，所述步骤a中的标签训练包括如下步骤：

针对每个客户的标签进行LSTM训练，获取包括行业、规模和下单频率的客户标签类型，并将该训练结果传输至客户标签管理器。

优选的，所述步骤a中的标签训练还包括以下步骤：

针对每个公共标签进行LSTM训练，获取包括天气、节日促销和交通状况的公共标签类型，并将该训练结果传输至公共标签管理器。

LSTM(Long Short-Term Memory)是长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件；其擅长于处理多个变量的问题，有助于解决时间序列预测问题。

优选的，还包括以下步骤：