[发明专利]件量预测方法、装置、设备及其存储介质

权利要求书

1.一种件量预测方法，其特征在于，所述方法包括：

对第一时间范围内的历史运单数据和外部数据进行处理，得到数据处理结果；

利用所述数据处理结果进行训练，得到深度残差网络基础模型；

利用第二时间范围内的历史运单数据更新所述基础模型，得到预测模型来确定目标波次的预测件量。

2.根据权利要求1所述的方法，其特征在于，所述对第一时间范围内的历史运单数据和外部数据进行处理，得到数据处理结果，包括：

从所述历史运单数据中提取特征属性数据，并对所述特征属性数据进行处理，得到第一处理结果；

基于深度学习模型对所述历史运单数据进行周期规律学习，得到多个第一时间序列，并将所述多个第一时间序列聚合为周期时间序列；

基于所述深度学习模型对所述历史运单数据进行近期趋势学习，得到趋势时间序列；

对所述外部数据进行标识处理，得到第二处理结果，所述外部数据包括特殊日期数据和/或天气数据。

3.根据权利要求1或2所述的方法，其特征在于，所述利用所述数据处理结果进行训练，得到深度残差网络基础模型，包括：

聚合所述数据处理结果，得到聚合结果；

利用所述聚合结果进行训练，得到深度残差网络基础模型。

4.根据权利要求3所述的方法，其特征在于，所述聚合所述数据处理结果，得到聚合结果，包括：

将所述第一处理结果、所述周期时间序列、所述趋势时间序列和所述第二处理进行聚合，得到聚合结果。

5.根据权利要求1-4任一项所述的方法，其特征在于，所述利用第二时间范围内的历史运单数据更新所述基础模型，得到预测模型来确定目标波次的预测件量，包括：

确定预测目标波次的第二时间范围的历史运单数据；

将第二时间范围的历史运单数据划分为训练数据集和验证数据集；

利用所述训练数据集重新训练所述深度残差网络基础模型，得到预测模型；

将所述验证数据集输入到所述预测模型，得到目标波次的预测件量。

6.根据权利要求5所述的方法，其特征在于，所述将第二时间范围的历史运单数据划分为训练数据集和验证数据集，包括：

在所述第二时间范围的所述历史运单数据中，动态地指定多个第一验证数据集，并划分出多个与所述第一验证数据集一一对应的第一训练数据集。

7.根据权利要求6所述的方法，其特征在于，所述利用所述训练数据集重新训练所述深度残差网络基础模型，得到预测模型，包括：

将所述多个第一训练数据集分别输入所述深度残差网络基础模型重新训练，得到多个与所述第一训练数据集一一对应深度残差网络预测模型。

8.根据权利要求7所述的方法，其特征在于，所述将所述验证数据集输入到所述预测模型，得到目标波次的预测件量，包括：

将与所述多个第一训练数据集一一对应的所述第一验证数据集分别输入与所述多个第一训练数据集一一对应的第一深度残差网络模型，得到多个第一预测件量；

计算所述多个第一预测件量的平均值，作为所述目标波次的预测件量。

9.根据权利要求2-8任一项所述的方法，其特征在于，所述从所述历史运单数据中提取特征属性数据，并对所述特征属性数据进行处理，包括：

从所述历史运单数据中提取特征属性数据，所述特征属性数据至少包括：网点编号数据、月份数据、日期数据、星期数据、波次件量数据；

对所述特征属性数据进行降维处理。

10.根据权利要求9所述的方法，其特征在于，所述对所述特征属性数据进行降维处理，包括：

采用embedding方式将所述特征属性数据映射到特征空间。