[发明专利]预测物流件量与其建模的方法、装置、设备及存储介质

说明书

本申请实施例公开了一种预测物流件量与其建模的方法、装置、设备及存储介质，本申请实施例主要通过对数据去除周期性特征后的部分提取时序特征及依据多种时序预测模型产生预测参数，根据所述预测参数及所述时序特征对梯度提升模型进行训练而产生非周期性预测模型；可选地，判断待测数据是否具周期性特征，若判断为是，将所述待测数据根据周期性预测模型及非周期性预测模型进行预测而产生预测值，若判断为否，将所述待测数据根据所述非周期性预测模型进行预测而产生所述预测值。从而可以提高物流月度件量的预测准确率。

技术领域

本申请涉及数据处理技术领域，具体涉及物流月度件量的一种预测物流件量的建模方法、装置、设备及存储介质与一种预测物流件量的方法、装置、设备及存储介质。

背景技术

件量预测是物流领域的基本预测，其中月度件量预测能够为下游人力及排班规划提供支持，帮助物流业者更好地降低成本，提升利润。物流领域的网点(比如收发点)的月度件量(比如每月货量)经常发生量级或趋势上的改变，例如：肇因于客户迁入迁出、促销政策、周围商户转型等情况。

举例来说，假设每年受春节影响，月度件量会较低；每年受购物节(如双11促销等)因素影响，月度件量会较高，正常情况下，件量应呈逐年平稳上升趋势。再者，当某个网点的件量发生量级变化(如件量大幅陡升或陡降)时，尚可容许月度件量预测模型用一至两周(如7至14个数据点)调整完毕，而月度件量预测模型则被要求在下一个月或下两个月(如1或2个数据点)调整完毕，导致月度预测相对于月度预测的灵敏度要求更高。

但是，现有模型在预测物流月度件量的灵敏度方面有所欠缺，例如某网点的流失件量的量级由10000+下降为3000+，现有模型可能需要迟至6个月后才可能将预测值的量级调整到3000+，导致在网点的真实量级发生变化的情况下，无法快速进行调整，造成预测出现较大误差，影响预测准确性。

有鉴于此，有需要对现有技术进行改良。

发明内容

本申请实施例提供一种预测物流件量与其建模的方法、装置、设备及存储介质，可以提高物流月度件量的预测准确性。

在一方面，本申请实施例提供了一种预测物流件量的建模方法，包括：

获取在一段历史时期内的真实月度件量的数据；

对所述数据去除周期性特征后的部分提取时序特征及依据多种时序预测模型产生预测参数；以及

根据所述预测参数及所述时序特征对梯度提升模型进行训练而产生非周期性预测模型。

在一些实施方式中，所述对所述数据去除周期性特征后的部分提取时序特征及依据多种时序预测模型产生预测参数包括：

将所述数据去除周期性特征后的部分区分成训练集及验证集；

将多种时序预测模型对所述训练集的预测结果与所述验证集进行比对而产生多个预测误差；对所述训练集提取多个时序特征；及

依据所述多种预测结果、所述多个预测误差及所述多个时序特征产生所述预测参数。

在一些实施方式中，所述验证集取自所述数据的记录时间在目标月份以前的较晚期间的部分，所述训练集的数据取自所述数据的记录时间在早于所述较晚期间(如所述验证集以前)的部分。

在一些实施方式中，所述多种时序预测模型包括下列多个模型中的至少两种：ARIMA、ETS、NNETAR、TBATS、STLM-AR、RW-DRIFT、THETAF、及SNAIVE。

在一些实施方式中，所述根据所述预测参数及所述时序特征对梯度提升模型进行训练而产生非周期性预测模型是依据所述多种预测结果、所述多个预测误差及所述多个时序特征提升模型进行训练而产生非周期性预测模型。