[发明专利]件量预测方法、装置、设备及其存储介质

说明书

本申请公开了件量预测方法、装置、设备及其存储介质。该方法包括：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该基础模型，得到预测模型来确定目标波次的预测件量。本申请实施例提供的技术方案，克服了现有技术中针对单个网点单独建模导致维护成本过高的问题；并通过对历史运单数据的降维处理，周期、趋势学习处理后，训练得到深度残差网络模型用以预测未来波次的件量，提高了预测结果的精准度。还通过滚动更新数据的方式更新基础模型，从而极大的减少了计算资源的消耗和时间开销。

技术领域

本申请一般涉及计算机领域，具体涉及数据挖掘处理技术领域，尤其涉及件量预测方法、装置、设备及其存储介质。

背景技术

物流领域作为联系社会经济发展和社会生活的重要纽带，基于该领域的数据挖掘属于新兴的研究领域，大数据技术的发展给物流行业带来了新的机遇，合理地运用大数据技术，对物流行业的管理与决策、客户关系维护、资源配置等方面起到积极的作用。

现有技术中，时间序列模型中的递归神经网络(recurrent neural network，RNN)应用在物流行业，用来预测网点的派件量信息。例如，基于广义可加模型的时序预测方法可以对每个网点每天的件量进行预测，但是这种预测方式存在波次件量预测有着数据量大，件量均值小，预测误差大的问题。并且现有的预测方式存在网点数据多、分开建模会导致数据稀疏、维护成本过高等问题。另外，考虑到节假日、极端天气、以及时间动态变化等因素的影响，以网点数据为基础建立的模型，可能存在数据抖动较大，模型性能不稳定，且建模速度慢耗时高等问题。

因此，亟待提出一种新的预测模型来解决上述问题。

发明内容

鉴于现有技术中的上述缺陷或不足，期望提供一种基于深度残差网络预测目标波次件量的方案。

第一方面，本申请实施例提供了一种件量预测方法，该方法包括：

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该基础模型，得到预测模型来确定目标波次的预测件量。

第二方面，本申请实施例提供了一种件量预测装置，该装置包括：

数据处理单元，用于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；

创建基础模型单元，用于利用数据处理结果进行训练，得到深度残差网络基础模型；

更新预测单元，用于利用第二时间范围内的历史运单数据更新该基础模型，得到预测模型来确定目标波次的预测件量。

第三方面，本申请实施例提供了一种设备，包括处理器、存储装置；

前述存储装置，用于存储一个或多个程序；

当前述一个或多个程序被前述处理器执行，使得前述处理器实现本申请实施例描述的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，前述计算机程序被处理器执行时，实现本申请实施例描述的方法。

本申请实施例提供的件量预测方案，通过对数据处理提取与波次件量预测相关的重要属性数据，并利用LSTM模型从历史运单数据中学习波次的周期、趋势特性，以及对于波次件量有影响的外部数据，基于这些信息的聚合训练深度残差网络基础模型，该模型能够减少训练时间，提升模型创建的效率。进一步，还通过滚动预测的方式更新基础模型来预测目标波次的件量，能够较为准确地预测未来的波次件量。本申请实施例，还通过训练多个不同的更新模型进行交叉验证，来提升预测结果的稳定性。