[发明专利]一种基于LSTM的物流压力节点预测系统

说明书

本发明涉及一种基于LSTM的物流压力节点预测系统。该基于LSTM的物流压力节点预测系统，该系统包括，采集单元、处理单元、存储单元、预测单元以及显示单元；其中，采集单元，其被配置为采集指定时间段的指定仓库的节点流通数据，并将采集的数据输送至处理单元；处理单元，其被配置为接收采集单元输送的历史数据，基于历史数据获得关于该时间段的LSTM物流压力模型，并将该物流压力模型存储于存储单元内；存储单元，其被配置为记录处理单元输出的物流压力模型；该基于LSTM的物流压力节点预测系统，有效利用每年仓库节点数据之间的相互作用，既包含由密度信息所显示的不稳定性压力信息和邻域内包裹数量一致性的集群性信息，提高了物流压力节点预测的准确性。

技术领域

本发明属于物流压力预测技术领域，具体涉及一种基于LSTM的物流压力节点预测系统。

背景技术

随着电商崛起，物流行业在人们生活中变得越来越重要。而在物流行业中，货量预测是确定物流需求的一个重要指标，正确预测淡旺季货物的来量，不仅可以提前安排好各个分拨中心的人力及车辆，还可以为物流基础设施建设，如货运集散中心的选址、运输车辆的购买等提供依据。货量预测结果的准确率及可靠性都将直接影响物流基础设施的投资收益比重，从而直接影响一个物流企业的发展，因此，提高货量预测的准确率对物流行业来说具有非常重要的意义。

目前行业中关于货量预测方法很多，包括时间序列平滑预测、回归预测、神经网络的方法等，这些方法都有各自的优缺点，由于物流行业数据的随机性大、影响货物总量的外部因素众多、预测方法的局限性等客观因素的存在，预测结果往往不尽如人意。使用这些方法产生的预测数据进行调度，往往会造成较多的资源上的浪费。因此，分析影响物流货量的因素，寻找一种更为合理和有效的货量预测方法对物流行业来说至关重要。现如今，深度学习方法已经应用在了互联网行业的各个领域，并且取得了一定的成绩，互联网行业的大规模使用说明深度学习的方法可以显著提高预测的准确率，但是这种方法在传统行业的应用还不多见。

发明内容

本发明的目的就在于为了解决上述问题而提供一种结构简单，设计合理的基于LSTM的物流压力节点预测系统。

本发明通过以下技术方案来实现上述目的：

一种基于LSTM的物流压力节点预测系统，该系统包括，采集单元、处理单元、存储单元、预测单元以及显示单元；其中，

采集单元，其被配置为采集指定时间段的指定仓库的节点流通数据，并将采集的数据输送至处理单元；

处理单元，其被配置为接收采集单元输送的历史数据，基于历史数据获得关于该时间段的LSTM物流压力模型，并将该物流压力模型存储于存储单元内；

存储单元，其被配置为记录处理单元输出的物流压力模型、实时记录各指定仓库的节点流通数据；

预测单元，其被配置为基于处理单元得到的物流压力模型实时生成下一时间段的压力节点预测信息；

显示单元，其被配置为显示存储单元内的数据以及显示预测单元中压力节点预测信息。

作为本发明的进一步优化方案，所述指定仓库的节点流通数据中包括至少两组仓库的节点流通数据，且该两组仓库之间存在物流交换。

作为本发明的进一步优化方案，所述指定时间段的时间周期至少为两年，所述采集单元采集指定仓库的两年内每天的物流节点信息，并对两年内的各同日、同周以及同月各自建立LSTM物流压力模型，在预测某日的物流压力时，所述预测单元采用该日、该周以及该月的LSTM物流压力模型进行计算，对其结果进行均值处理后，得到该日的物流压力预测值，存储并输出至显示单元。

本发明的有益效果在于：本发明有效利用每年仓库节点数据之间的相互作用，既包含由密度信息所显示的不稳定性压力信息和邻域内包裹数量一致性的集群性信息，提高了物流压力节点预测的准确性。

附图说明