[发明专利]基于蒙特卡洛组合的物流业务预测方法及系统

说明书

本发明公开了一种基于蒙特卡洛组合的物流业务预测方法及系统，其中，该方法包括：S1，获取客户历史下单信息；S2，对客户历史下单信息进行特征工程，根据预测类型，构建预测模型所需要的特征；特征包括确定特征和随机特征；S3，对特征进行蒙特卡洛筛选，随机组合出一组进入预测模型的入模特征，入模特征包括所有确定特征和至少一个随机特征；S4，预设的多个预测模型分别根据入模特征进行独立训练；S5，对完成训练后的每个预测模型的预测结果进行评估，确定预测结果准确率最高的预测模型为最佳预测模型，并保留相应的入模特征。本发明有效将物流业务经验和预测模型随机结合，避免了两者盲目结合，从而提升了模型预测准确度。

技术领域

本发明涉及物流业务预测技术领域，尤其涉及一种基于蒙特卡洛组合的物流业务预测方法及系统。

背景技术

物流行业发展迅猛，物流货量逐年增加。传统物流公司依靠具有行业经验的管理人才来提升管理效率。但是随着行业的快速发展与企业的快速扩张，管理人员的对业务的把控显得不足，主要表现在货量的增加伴随着物流公对业务增长的预期与招聘人员的乏力。为了让传统人力密集型的企业从“粗放”向“集约”转变，智能化系统在物流行业扮演着越加重要的角色。作为精细化运营的一部分，深入的了解客户，精准地把握客户需求与意图对物流公司的发展至关重要。以物流业务中的下单场景为例，客户根据自己货物的所需要的时效类型和重要程度，往往会带有倾向性地选择不同的服务方式。比如，一个手机电商往往倾向选择较快的服务方式发货，因为客户往往在下单后对到货时间有着比较强烈的需求；而一个做家具的厂商往往选择慢而便宜的服务方式，因为货物本身的重量大，一味地要求时效会造成产品成本的增高。因此，对于物流公司而言，不少物流公司的大客户具有一定的下单规律，如果能深入地了解了这些规律就可以更好地准备人、车并协调货物间的关系，更加精准而快速地准备资源，满足地区客户的需求，提升客户感知与时效。

而现有的物流业务预测方法，一般都是基于历史物流业务数据的所有特征且采用同一种预测模型对不同类型的物流业务进行预测。但是，在预测过程中，过多的特征会导致预测模型的精度下降，与此同时，多种类型的物流物业采用同一种预测模型进行预测时，其中某些类型的物流业务的预测精准度会比较低。

因此，寻求一种适用于所有物流业务，且能保证每一个物流业务的预测精准度的预测方法，是当前亟待解决的技术问题。

发明内容

本发明的目的在于提供一种基于蒙特卡洛组合的物流业务预测方法及系统，以解决现有的物流业务预测方法，适用的物流业务对象单一且预测精准度低的技术问题。

为了解决上述问题，本发明提供了一种基于蒙特卡洛组合的物流业务预测方法，其包括：

S1，获取客户历史下单信息；

S2，对客户历史下单信息进行特征工程，根据预测类型，构建预测模型所需要的特征；特征包括确定特征和随机特征；

S3，对特征进行蒙特卡洛筛选，随机组合出一组进入预测模型的入模特征，入模特征包括所有确定特征和至少一个随机特征；

S4，预设的多个预测模型分别根据入模特征进行独立训练；

S5，对完成训练后的每个预测模型的预测结果进行评估，确定预测结果准确率最高的预测模型为最佳预测模型，并保留相应的入模特征。

作为本发明的进一步改进，步骤S2中的预测类型为是否下单预测；确定特征包括服务类型和货量，随机特征包括下单年份、下单月份、下单日期、目的地城市区号、托寄物类型、年内第几周、上旬、中旬、下旬、以及客户下单时间。

作为本发明的进一步改进，步骤S5之后，还包括：

S61，设置当前迭代次数加1，迭代次数初始值为0；

S62，判断当前迭代次数是否等于预设迭代阈值，若否，继续执行步骤S3；若是，则执行步骤S63。