订单的预测方法及系统技术方案

本发明专利技术公开了一种订单的预测方法及系统，其中，方法包括：获取历史订单的数据，包括历史订单的数量和每个历史订单的订单信息；根据每个历史订单的订单信息对历史订单进行分类，得到至少一类的订单类型；基于每个订单类型的历史订单的数量及其中的历史订单的订单信息，训练多个预测模型，得到各个预测模型的、针对每个订单类型进行数量预测的加权系数；通过多个预测模型，及各个预测模型的数量预测的加权系数，对预设时间段内的任一订单类型的订单数量进行预测，得到预测结果。该方法可以大大提高对预设时间段内的任一订单类型的订单数量预测的准确性，从而可预先地合理安排服务人员，达到节约成本和给客户提供更优质的服务的目的。

【技术实现步骤摘要】
订单的预测方法及系统
本专利技术涉及计算机
，特别涉及一种订单的预测方法及系统。
技术介绍
如今，越来越多的厂商提供家庭生活上门服务，例如：家电修理、家居安装等，大量订单也随之出现。如果能预测各个服务类型产生的订单量，可以合理地安排服务人员，从而节约成本和给客户提供更优质的服务。相关技术中，预测方法相对准确性较差，为了提高预测的准确性，对预测模型有很高要求，且不同模型有不同的应用条件，使用限制较多。例如：灰度模型用来预测波动幅度不大的数据；bp(backpropagation，反向传播)神经网络适合预测多维度的数据；季节指数平滑法适合具有周期性变化的数据。而家庭生活上门服务类的订单，具有自发性且预测时预测波动幅度变化不一，若仍采用现有技术中的依据不同时间不同场景，以使用不同的预测模型或者权重系数进行预测，十分繁琐。
技术实现思路
本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专利技术的一个目的在于提出一种相对准确地预测预设时间段内的任一订单类型订单数量的预测方法。本专利技术的另一个目的在于提出一种订单的预测系统。为达到上述目的，本专利技术一方面的实施例公开了一种订单的预测方法，包括以下步骤：获取历史订单的数据，其中，所述历史订单的数据包括所述历史订单的数量和每个历史订单的订单信息；根据所述每个历史订单的订单信息对所述历史订单进行分类，得到至少一类的订单类型；基于每个订单类型的历史订单的数量及其中的历史订单的订单信息，训练多个预测模型，以得到各个所述预测模型的、针对每个订单类型进行数量预测的加权系数；通过所述多个预测模型，以及所述各个所述预测模型的、针对每个订单类型进行数量预测的加权系数，对预设时间段内的任一订单类型的订单数量进行预测，得到预测结果。本专利技术实施例的订单的预测方法，通过对收集到的历史订单的信息对历史订单进行分类，建立多个预测模型，并得到各个预测模型的、针对每个订单类型进行数量预测的加权系数，进而根据多个预测模型的加权系数得到预设时间段内的任一订单类型订单数量的预测结果，大大提高了预测结果的准确性，从而可以预先地合理安排服务人员，达到节约成本和给客户提供更优质服务的目的。在一些示例中，所述根据所述每个历史订单的订单信息对所述历史订单进行分类，包括：根据所述每个历史订单的订单信息确定所述每个历史订单的性质；根据所述每个历史订单的性质对所述历史订单进行分类，并得到至少一类的订单类型。在一些示例中，所述每个历史订单的性质包括周期性、突发性和关联性。在一些示例中，所述多个预测模型包括灰度预测模型、季节性指数平滑模型和神经网络模型。在一些示例中，所述基于每个订单类型的历史订单的数量及其中的历史订单的订单信息，训练多个预测模型，以得到各个所述预测模型的、针对每个订单类型进行数量预测的加权系数，包括：根据预定时间段内每个预测模型针对每个订单类型的历史订单预测的该订单类型数量以及该订单类型的实际数量，确定每个预测模型的预测误差；根据每个预测模型的预测误差得到误差平方和；根据每个预测模型的误差平方和，利用最优加权法确定相应的预测模型的加权系数。在一些示例中，所述的订单的预测方法还包括：根据所述预测结果分别对所述多个预测模型进行训练和优化。本专利技术另一方面的实施例公开了一种订单的预测系统，包括：获取模块，用于获取历史订单的数据，其中，所述历史订单的数据包括所述历史订单的数量和每个历史订单的订单信息；分类模块，用于根据所述每个历史订单的订单信息对所述历史订单进行分类，得到至少一类的订单类型；加权系数获取模块，用于根据每个订单类型的历史订单的数量及其中的历史订单的订单信息，训练多个预测模型，以得到各个所述预测模型的、针对每个订单类型进行数量预测的加权系数；预测模块，用于通过所述多个预测模型，以及所述各个所述预测模型的、针对每个订单类型进行数量预测的加权系数，对预设时间段内的任一订单类型的订单数量进行预测，得到预测结果。本专利技术实施例的订单的预测系统，通过对收集到的历史订单的信息对历史订单进行分类，建立多个预测模型，并得到各个预测模型的、针对每个订单类型进行数量预测的加权系数，进而根据多个预测模型的加权系数得到预设时间段内的任一订单类型订单数量的预测结果，大大提高了预测结果的准确性，从而可以预先地合理安排服务人员，达到节约成本和给客户提供更优质服务的目的。在一些示例中，所所述分类模块进一步用于：根据所述每个历史订单的订单信息确定所述每个历史订单的性质；根据所述每个历史订单的性质对所述历史订单进行分类，并得到至少一类的订单类型。在一些示例中，所述每个历史订单的性质包括周期性、突发性和关联性。在一些示例中，所述多个预测模型包括灰度预测模型、季节性指数平滑模型和神经网络模型。在一些示例中，所述加权系数获取模块进一步用于：根据预定时间段内每个预测模型针对每个订单类型的历史订单预测的该订单类型的数量以及该订单类型的实际数量，确定每个预测模型的预测误差；根据每个预测模型的预测误差得到误差平方和，以及根据每个预测模型的误差平方和，利用最优加权法确定相应的预测模型的加权系数。在一些示例中，所述的订单的预测系统，还包括：模型优化模块，用于根据预测结果分别对所述多个预测模型进行训练和优化。本专利技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。附图说明本专利技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：图1为根据本专利技术实施例的订单的预测方法流程图；和图2为根据本专利技术实施例的订单的预测系统结构示意图。具体实施方式下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。以下结合附图描述根据本专利技术实施例的订单的预测方法及系统，首先介绍本专利技术实施例的订单的预测方法。图1是根据本专利技术实施例的订单的预测方法流程图，如图1所示，根据本专利技术一个实施例的订单的预测方法，包括以下步骤：S1：获取历史订单的数据，其中，历史订单的数据包括历史订单的数量和每个历史订单的订单信息。在具体示例中，历史订单的数据可以从所要预测的城市中的各个不同类型的服务站中获取汇总，并实时更新。在具体示例中，历史订单的数据可以为所要预测的城市过去几年中任意时间段(例如3个月)中的数据。历史订单的订单信息可以包括订单时间、订单位置、订单价格等信息。S2：根据每个历史订单的订单信息对历史订单进行分类，得到至少一类的订单类型。具体来说，订单信息可以包括订单时间、订单位置、订单价格等信息，根据这些信息将历史订单进行分类。具体地，首次根据每个历史订单的订单信息确定每个历史订单的性质；再根据每个历史订单的性质对历史订单进行分类，至少得到下列但不仅包括下列订单类型的一类的订单类型。具体来说，根据历史订单的订单信息可以将历史订单的性质分为但不仅限于分为周期性订单(例如夏天电路系统维护)，突发性订单(燃气管道维护)，关联性订单(例如下水管道疏通，管道更换，管道清洗)。根据上述性质将历史订单分为不同订单类型，并根据不同的订单类型，将所有历史本文档来自技高网...

【技术保护点】
1.一种订单的预测方法，其特征在于，包括以下步骤：获取历史订单的数据，其中，所述历史订单的数据包括所述历史订单的数量和每个历史订单的订单信息；根据所述每个历史订单的订单信息对所述历史订单进行分类，得到至少一类的订单类型；基于每个订单类型的历史订单的数量及其中的历史订单的订单信息，训练多个预测模型，以得到各个所述预测模型的、针对每个订单类型进行数量预测的加权系数；通过所述多个预测模型，以及所述各个所述预测模型的、针对每个订单类型进行数量预测的加权系数，对预设时间段内的任一订单类型的订单数量进行预测，得到预测结果。

【技术特征摘要】
1.一种订单的预测方法，其特征在于，包括以下步骤：获取历史订单的数据，其中，所述历史订单的数据包括所述历史订单的数量和每个历史订单的订单信息；根据所述每个历史订单的订单信息对所述历史订单进行分类，得到至少一类的订单类型；基于每个订单类型的历史订单的数量及其中的历史订单的订单信息，训练多个预测模型，以得到各个所述预测模型的、针对每个订单类型进行数量预测的加权系数；通过所述多个预测模型，以及所述各个所述预测模型的、针对每个订单类型进行数量预测的加权系数，对预设时间段内的任一订单类型的订单数量进行预测，得到预测结果。2.根据权利要求1所述的订单的预测方法，其特征在于，所述根据所述每个历史订单的订单信息对所述历史订单进行分类，得到至少一类的订单类型，包括：根据所述订单信息确定所述每个历史订单的性质；根据所述每个历史订单的性质对所述历史订单进行分类，并得到至少一类的订单类型。3.根据权利要求2所述的订单的预测方法，其特征在于，所述每个历史订单的性质包括周期性、突发性和关联性。4.根据权利要求1所述的订单的预测方法，其特征在于，所述多个预测模型包括灰度预测模型、季节性指数平滑模型和神经网络模型。5.根据权利要求1-4任一项所述的订单的预测方法，其特征在于，所述基于每个订单类型的历史订单的数量及其中的历史订单的订单信息，训练多个预测模型，以得到各个所述预测模型的、针对每个订单类型进行数量预测的加权系数，包括：根据预定时间段内每个预测模型针对每个订单类型的历史订单预测的该订单类型数量以及该订单类型的实际数量，确定每个预测模型的预测误差；根据每个预测模型的预测误差得到误差平方和；根据每个预测模型的误差平方和，利用最优加权法确定相应的预测模型的加权系数。6.根据权利要求1所述的订单的预测方法，其特征在于，还包括：根据所述预测...

【专利技术属性】
技术研发人员：张燧，杨杰，李合敏，刘胜伟，
申请(专利权)人：新智数字科技有限公司，
类型：发明
国别省市：河北,13