[发明专利]件量预测方法、装置、设备和存储介质

说明书

本发明公开了一种件量预测方法、装置、设备和存储介质，针对当前物流行业主要采用人工预测或粗略的方法来预测快递的件量，与实际件量相差较大，预测件量不准确的问题，通过对件量的历史数据进行处理，得到适合创建双指数平滑模型的测试数据，利用双指数平滑模型对件量进行短期预测，提高件量预测的准确性，为物流工作的有序开展提供有力的数据基础，从而提高物流企业的工作效率。

技术领域

本发明属于业务量预测的技术领域，尤其涉及一种件量预测方法、装置、设备和存储介质。

背景技术

预测是大数据最核心的应用，大数据预测将传统意义预测拓展到“现测”。大数据预测的优势体现在它把一个非常困难的预测问题，转化为一个相对简单的描述问题，而这是传统小数据集根本无法企及的。从预测的角度看，大数据预测所得出的结果不仅仅得到处理现实业务简单、客观的结论，更能用于帮助企业经营决策，收集起来的资料还可以被规划，引导开发更大的消费力量。

时间序列数据挖掘以事物在不同时刻的状态所形成的数据为研究对象，通过对时间序列数据的特征进行分析和研究，揭示事物的发展变化规律，用于指导人们的社会、经济、军事和生活等活动。时间序列挖掘对人类社会、科技和经济的发展具有重大意义，正逐渐成为数据挖掘的研究热点之一。

随着物流行业的快速发展，业务量(快递件量)的管控关系着物流公司的业务能否正常进行。因此，对件量进行预测就显得尤为重要。

对于物流领域的件量预测问题，件量总是随时间发生变化的，当前业内主要采用人工预测或粗略的方法来预测快递的派件量，与实际件量相差较大，预测件量不准确，不利于公司的业务开展。

发明内容

本发明的目的是提供一种件量预测方法、装置、设备和存储介质，采用时间序列预测模型，提高件量预测的准确性。

为解决上述问题，本发明的技术方案为：

一种件量预测方法，包括：

步骤S1：获取件量的历史数据，对历史数据进行预处理，选取出至少一历史周期的周目标数据集；

步骤S2：调整周目标数据集，消除周变化趋势；

步骤S3：对消除变化趋势的周目标数据集，进行数据平稳性校验，得到平稳的周目标数据集；

步骤S4：基于平稳的周目标数据集，创建双指数平滑模型对件量进行预测，输出周件量预测值。

根据本发明一实施例，所述步骤S1进一步包括：

清洗历史数据，替换空数据及异常数据；

分析历史数据的周变化趋势，得到周变化数据集；

对周变化数据集作数据平滑处理，得到周目标数据集。

根据本发明一实施例，所述步骤S2进一步包括：

采用以下计算公式调整周目标数据集中的数据，消除周变化趋势：

其中，a_i,j为第i周中第j天的件量值，i为大于1的正整数，j＝1,2,3,4,5,6,7；a_i-1,j为第i-1周中的第j天的件量值；s_i-1为第i-1周7天的件量值总和。

根据本发明一实施例，所述步骤S3进一步包括：

采用时序图或自相关图检测周目标数据集的数据平稳性；

调整不平稳数据，得到平稳的周目标数据集。

根据本发明一实施例，所述步骤S4进一步包括：

所述双指数平滑模型为：