[发明专利]一种短时物流需求预测方法、装置、设备及可读存储介质

说明书

本发明提供了一种短时物流需求预测方法、装置、设备及可读存储介质，涉及物流需求预测技术领域，包括获取第一信息。所述第一信息包括经过EEMD和LMD对第一时间段内的历史物流数据进行分解后的特征信息，再建立LSTM预测模型进行物流需求预测，再通过误差校正数学模型校正物流需求预测。本发明通过针对短时物流数据具有的非平稳性、强随机性、局部突变及非线性等特征，从特征分解和特征提取两个角度出发，提出了EEMD‑LMD‑LSTM‑LEC模型，解决了非线性的原始需求不平稳导致直接预测的预测误差较大以及预测滞后性的问题，提高了预测精度。

技术领域

本发明涉及短时物流需求预测技术领域，具体而言，涉及短时物流需求预测方法、装置、设备及可读存储介质。

背景技术

国内外学者在物流需求预测上的研究对象主要是以年为统计单位的物流需求量，其数据变化趋势相对平稳，但是应对于短时物流需求即对于以若干小时为计量单位的物流需求量，其物流数据具有非平稳、强随机性、局部突变等特征，已有研究方法直接应用短时物流需求预测，预测结果出现了严重的滞后性，精度难以保证，无法应对物流数据在数量、时间上呈现随机游走的特征。

发明内容

本发明的目的在于提供一种短时物流需求预测方法、装置、设备及可读存储介质，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：

第一方面，本申请提供了一种短时物流需求预测方法，包括获取第一信息，所述第一信息包括第一时间段内的历史物流数据，所述第一时间段为以当前时刻为统计终点的一段时间；基于第一信息，以预设时间段为单位将所述第一信息分割为多个子集并构成样本集，统计每个所述子集内的实际物流需求值，选取时间段最晚的两个所述子集构成预测集；建立基于特征分解和特征提取的短时物流需求预测模型，利用所述样本集对所述短时物流需求预测模型进行训练，得到训练后的所述短时物流需求预测模型；将所述预测集作为训练后的所述短时物流需求预测模型的输入信息，求解训练后的所述短时物流需求预测模型得到第二时间段内的短时物流需求预测结果，所述第二时间段为以当前时刻为统计起点的一段时间。

进一步地，所述建立基于特征分解和特征提取的短时物流需求预测模型，利用所述样本集对所述短时物流需求预测模型进行训练，得到训练后的所述短时物流需求预测模型，包括：建立基于集成经验模态分解和长短时记忆神经网络的第一需求预测模型，利用样本集对所述第一需求预测模型进行训练得到训练后的所述第一需求预测模型；建立基于局部均值分解和长短时记忆神经网络的第二需求预测模型，利用训练集对所述第二需求预测模型进行训练得到训练后的所述第二需求预测模型；建立融合预测模型，所述融合预测模型的输入信息包括所述第一需求预测模型的预测结果和所述第二需求预测模型的预测结果，所述融合预测模型的输出信息包括第二时间段内的短时物流需求预测结果。

进一步地，所述求解训练后的所述短时物流需求预测模型得到第二时间段内的短时物流需求预测结果之后，包括：建立局部误差校正数学模型，将所述第二时间段内的短时物流需求预测结果和所述样本集作为所述局部误差校正数学模型的输入信息，求解所述误差校正数学模型得到校正后的第二时间段内的短时物流需求预测结果。