[发明专利]一种消除异常货量影响的货量预测方法及系统

说明书

本发明公开了一种消除异常货量影响的货量预测方法及系统，其中，方法包括：根据选定的历史货物重量数据，计算货物重量的正常波动范围；对超出正常波动范围的异常货物重量进行修正；将修正后的历史货物重量数据结合相应的下单时间数据进行特征工程，构造按照下单时间排序的系列特征值；将系列特征值输入到预测模型进行训练；将预测日关联的特征值输入至训练好的预测模型中，获得预测货物重量。本发明在预测模型训练和预测前先对历史货物重量数据中的异常值进行修正，减少了异常值对预测结果的影响，使得最终得到的预测结果更为准确。

技术领域

本发明涉及货量预测技术领域，尤其涉及一种消除异常货量影响的货量预测方法及系统。

背景技术

近些年随着电商的蓬勃发展，物流行业的快速发展，各大快递公司货量激增造成了很大的管理压力。这种压力产生的根源在于公司业务发展过快，各个操作部或者营业点不能完成有效的经验积累和人才储备；进而时长造成了盲目决策、资源浪费。比如，在配置人力和车辆等资源上，缺乏经验已经成为一个极大的问题，过高的估计货量造成了资源的闲置，增加运营成本；而过低的估计货量造成了货物的积压，降低货物时效和客户满意度。因此，能够科学有效地对业务形势进行预判成为了物流行业一项重点课题。

目前，人工智能的发展，给物流行业的技术革新带来了更多可能。人工智能算法可以通过对历史数据的分析与学习，通过大数据产生预测的时间序列，科学有效的进行预测从而使管理更加精细，通过一些预测模型结合历史数据可以对未来的货量作出较为准确的预测，但是，事实上，历史数据中往往会存在一些异常值，从而导致预测的结果与实际情况出现较大的偏差，造成了资源的浪费。

发明内容

本发明提供了一种消除异常货量影响的货量预测方法及系统，以解决历史货量数据异常导致货量预测结果不准确的问题。

为了解决上述问题，本发明提供了一种消除异常货量影响的货量预测方法，其包括：根据选定的历史货物重量数据，计算货物重量的正常波动范围；对超出正常波动范围的异常货物重量进行修正；将修正后的历史货物重量数据结合相应的下单时间数据进行特征工程，构造按照下单时间排序的系列特征值；将系列特征值输入到预测模型进行训练；将预测日关联的特征值输入至训练好的预测模型中，获得预测货物重量。

作为本发明的进一步改进，根据选定的历史货物重量数据，计算货物重量的正常波动范围的步骤，包括：计算选定的历史货物重量的货量基准值，货量基准值为选定的历史货物重量的截尾平均值或算术平均值；计算选定的历史货物重量的标准差，并根据n倍的标准差定义货量偏差范围；确定货物重量的正常波动范围

作为本发明的进一步改进，对超出正常波动范围的异常货物重量值进行修正的步骤，包括：若选定的历史货物重量中某一单货物重量小于正常波动范围的最小值，则将该单货物重量替换为正常波动范围的最小值；若选定的历史货物重量中某一单货物重量大于波动范围的最大值，则将将该单货物重量替换为正常波动范围的最大值。

作为本发明的进一步改进，系列特征值包括星期特征值、节假日特征值、月份特征值、上周同一天货物重量特征值；星期特征值包括{0，1，2，3，4，5，6}，依次对应当前下单日期是星期一至星期日；节假日特征值包括{0，1}，若当前下单日期是节假日，则节假日特征值为1，若当前下单日期不是节假日，则节假日特征值为0；月份特征值包括{1，2，3，4，...，12}，依次对应当前下单日期月份为一月份至十二月份；上周同一天货物重量特征值为当前下单日期七日前的实际货物重量数据。

作为本发明的进一步改进，预测模型为Prophet模型、RNN模型、LSTM模型中的一种。