一种物流企业日常短期快递业务量预测方法技术

本发明专利技术属于物流快递业务量预测技术领域，公开了一种物流企业日常短期快递业务量预测方法，使用改进惯性权重的粒子群优化算法来优化反向传播神经网络；同时采用新的横向数据选择方法为BP神经网络选取输入数据。通过优化后的BP神经网络来预测物流公司日常短期的快递业务量，进而能够在不同时间段内动态申请合数量的云计算资源，以处理快递包裹数据和监控包裹运输过程。本发明专利技术能够预测日常短期快递业务量，申请合适数量的云资源，既可以按时处理完所有快递包裹的业务数据，又不会造成过多云资源的浪费。本发明专利技术能够应用于物流公司日常短期的快递业务量预测，对降低物流企业成本和提升用户服务质量具有重大意义。

A forecasting method for short term express business volume of logistics enterprises

The invention belongs to the field of logistics express service volume prediction technology, and discloses a daily short-term express service prediction method for logistics enterprises, and uses the particle swarm optimization algorithm that improves the inertia weight to optimize the backpropagation neural network. At the same time, the new lateral data selection method is used to select the input data for the BP neural network. Through the optimized BP neural network, the daily short-term express service volume of the logistics company is predicted, and then the number of cloud computing resources can be applied dynamically in different time periods to deal with the express package data and monitor the package transport process. The invention can predict the daily short-term express service volume and apply the appropriate number of cloud resources, which can not only deal with all the service data of the express package on time, but also do not cause the waste of excessive cloud resources. The invention can be applied to the forecast of the short term express delivery volume of logistics companies, which is of great significance for reducing the cost of logistics enterprises and improving the service quality of users.

【技术实现步骤摘要】
一种物流企业日常短期快递业务量预测方法
本专利技术属于物流快递业务量预测
，尤其涉及一种物流企业日常短期快递业务量预测方法。
技术介绍
目前，业内常用的现有技术是这样的：根据物流快递公司历史数据来预测未来的快递业务量是一种时间序列预测，而当前反向传播(BP)神经网络在时间序列预测方面具有较为广泛的应用。BP神经网络是一种误差反向传播机制的单项前馈网络，其具有较强的非线性、自学习、自适应、泛化等能力。但其本身存在容易陷入局部最优、收敛速度慢及网络结构难以确定等缺点，那么克服这些缺点是一个及其重要的问题。目前，很多研究学者使用智能优化算法优化BP神经网络以提高网络的预测性能。智能优化算法中最为突出的是粒子群优化算法(PSO),该算法具有结构简单、参数少、记忆性强及搜索速度快等优点，其适用于优化BP神经网络。然而，PSO本身同样存在容易过早收敛、局部寻优能力较差等缺点。其中，惯性权重这个参数对PSO算法的开采能力具有极大的影响。PSO算法中原始的惯性权重是线性递减的，为了平衡PSO算法的局部和全局搜索能力的作用，需要改进惯性权重递减策略。通过改进PSO算法来优化BP神经网络以改善BP神经网络的预测性能。另一方面，现存很多关于其他领域的研究都是基于历史数据来预测未来长期情况，这对于物流公司而言是不利的，因为物流公司每天不同时间段内的快递业务量是动态变化的。为了处理这些快递包裹数据，需要申请合适数量的云计算资源。如果申请的云计算资源过多则会造成部分资源浪费；如果申请的云计算资源过少则会造成快递包裹数据的延迟处理，从而有可能会导致快递包裹延迟到达目的地。因此，短期的快递业务量预测是非常重要的。综上所述，现有技术存在两方面的问题：一方面，惯性权重线性递减的PSO算法具有较差的局部搜索能力，进而会降低PSO与BP神经网络的混合模型的预测性能。另一方面，长期的快递业务量预测对于物流公司来说有着不利的影响。针对第一个问题，本专利中首先提出PSO算法中的惯性权重非线性递减策略。相比经典的惯性权重线性递减策略，在该算法早期搜索过程中，惯性权重非线性递减策略中惯性权重取得较小值的概率比较大，从而有利于提高算法的全局开采能力，以尽快靠近最优解的位置；在该算法后期搜索过程中，惯性权重非线性递减策略中惯性权重取得较小值的概率比较大，从而有利于提高算法的局部开采能力，以细致搜索最优解的位置。通过改进惯性权重的PSO算法来优化BP神经网络，然后使用优化后的混合模型IPSO-BP来预测物流公司的快递业务量。另一方面，根据历史数据预测未来长期快递业务量的情况既有可能导致物流公司费用成本的增加，也有可能导致快递包裹数据的延迟处理，进而会降低用户满意度。为了解决这个问题，本专利为神经网络的输入提供一种数据选择方法。这种方法将历史的多天中同一时间段的快递业务量数据划分为同一个数据子集，然后根据一定规则从每个数据子集中选择训练和测试样本数据，以提供神经网络的训练。通过这种方式，物流公司日常不同时间段的短期快递业务量就能得到较为精确的预测，进而根据预测的快递业务量来动态调整不同时间段所需云资源数量，以处理快递包裹数据和监控快递包裹的运输过程。本专利采用改进惯性权重策略的PSO算法优化BP神经网络，同时为BP神经网络选取合适的训练和测试数据，然后使用优化后的BP神经网络来预测物流公司短期快递业务量，从而动态调整日常不同时间段内所需的云计算资源。解决上述技术问题的难度和意义：本专利技术提出的解决方案不仅能够大大地降低物流企业的费用成本，而且也能够提高用户服务满意度。
技术实现思路
针对现有技术存在的问题，本专利技术提供了一种物流企业日常短期快递业务量预测方法。本专利技术是这样实现的，一种物流企业日常短期快递业务量预测方法包括以下步骤：步骤一，采用横向数据选择方法以确定BP神经网路的输入数据；所述横向数据选择方法为：假设一个小时作为一个固定步长。实验中，将数据集中同一步长内的快递业务量组成一个子集，则可以构建48个子集。假设一个样本中选择的起点为i，输入数据的维度为d。关于训练样本，训练样本输入的第1组数据是从第1个子集中选择第i+1到i+d之间的d个数据，输出数据选择第i+d+1个数据；同理，其他组的数据选取也是类似的操作。当i＝0时，训练样本的输入数据为1到d，输出数据为d+1。此外，测试样本的选择和训练样本的选择相似。步骤二，使用改进惯性权重递减策略的PSO算法和BP神经网络的混合模型IPSO-BP来预测日常短期不同时间段内的快递业务量。进一步，所述短期快递业务量预测算法为：反向传播(BP)神经网络具有较强的自学习、自适应、泛化与容错能力，其常被应用于有关时间序列预测的领域。然而，BP神经网络具有收敛速度较慢、容易早熟及网络结构复杂等缺点，那么对于应对BP神经网络的缺点显得尤为重要。目前常见的方法是使用智能优化算法来优化BP神经网络，以克服BP神经网络自身存在的缺陷。在智能优化算法中，PSO算法是一种较为优秀的算法。由于PSO算法拥有参数少、结构简单、搜索速度快及记忆性强等优点，同时该算法没有GA算法中复杂的交叉和变异等操作，其在优化BP神经网络上具有较大优势。因此，本专利技术将采用改进惯性权重递减策略的PSO算法来优化BP网络各层神经元之间的连接权值与阈值，旨在改善网络的预测性能。1)BP神经网络反向传播(BP)神经网络是一种以误差反向传播方式训练的前馈型网络。它能够自主学习并存储大量的输入输出映射关系，而无需提前了解表达这种映射关系的数学公式。该算法采用梯度下降法的学习规则，将误差反向传播至各层神经元并不断地调节神经网络各层神经元之间的连接权值与阈值，使网络全局误差最小化。BP网络结构包含输入层、隐含层和输出层。BP神经网络结构中的一个节点代表一个神经元，其利用非线性传递函数来计算输入向量与连接权重向量之积。BP神经网络的预测性能很容易受到隐含层节点数量的影响，因此根据下面的经验公式来确定网络结构中隐含层节点数：h＝2·p+1(1)；式(1)，h表示隐含层节点数，p表示输入层节点数。此外，q表示输出层节点数；BP神经网络的训练由以下四步组成：①神经网络参数初始化：包括隐含层节点数、学习精度、最大训练次数、初始学习率、初始连接权值与阈值等；②通过下面公式计算隐含层节点的输出值：其中，j＝1,2,…,p，i＝1,2,…,h。神经网络的输入向量为X＝(x1,x2,…,xp)，输入层所有节点到隐含层第i个节点的连接权值为Wi＝(wi1,wi2,…,wip)T，第i个节点的激活值为neti，wij表示从输入层第j个节点到隐含层第i个节点的连接权值，θi代表隐含层第i个节点的阈值，yi表示隐含层第i个节点的输出值，函数f是隐含层第i个节点的激励函数，该函数通常为S型激励函数。③计算输出层节点的输出值：计算的方法与②中的方法类似，输出层的激励函数通常为线性激励函数；④最小化输出层节点的误差值E，并通过误差反向传播机制重新调整神经网络各层神经元之间的连接权值与阈值，最后当满足截止条件时终止网络的训练：其中，yt表示预测的输出值，表示实际的输出值。2)改进的粒子群优化算法PSO粒子群优化算法(PSO)属于群智能进化计算技术的一种，其根据模拟鸟群捕食行为而设计的一种进化本文档来自技高网...

【技术保护点】
1.一种物流企业日常短期快递业务量预测方法，其特征在于，所述物流企业日常短期快递业务量预测方法包括以下步骤：步骤一，采用横向数据选择方法用于提供BP神经网路输入数据的选取；步骤二，使用改进PSO算法和BP神经网络的混合模型IPSO‑BP来预测日常短期不同时间段内的快递业务量。

【技术特征摘要】
1.一种物流企业日常短期快递业务量预测方法，其特征在于，所述物流企业日常短期快递业务量预测方法包括以下步骤：步骤一，采用横向数据选择方法用于提供BP神经网路输入数据的选取；步骤二，使用改进PSO算法和BP神经网络的混合模型IPSO-BP来预测日常短期不同时间段内的快递业务量。2.如权利要求1所述的物流企业日常短期快递业务量预测方法，其特征在于，BP神经网络训练方法包括：①神经网络参数初始化：包括网络各层节点数、学习精度、最大训练次数、初始学习率、初始连接权值与阈值；②通过下面公式计算隐含层节点的输出值：其中，j＝1,2,…,p，i＝1,2,…,h；神经网络的输入向量为X＝(x1,x2,…,xp)，输入层所有节点到隐含层第i个节点的连接权值为Wi＝(wi1,wi2,…,wip)T，第i个节点的激活值为neti，wij表示从输入层第j个节点到隐含层第i个节点的连接权值，θi代表隐含层第i个节点的阈值，yi表示隐含层第i个节点的输出值，函数f是隐含层第i个节点的激励函数，此处的激励函数一般为S型函数；③计算输出层节点的输出值，输出层的激励函数一般为线性激励函数；④计算并最小化输出层节点的误差值E，然后通过误差反向传播机制重新调整神经网络各层节点的连接权值与阈值，最后当满足截止条件时终止网络的训练：其中，yt表示预测的输出值，表示实际的输出值。3.如权利要求1所述的物流企业日常短期快递业务量预测方法，其特征在于，改进惯性权重的PSO更新公式如下：其中，t表示当前代数，Tmax表示最大迭代次数，η表示曲线调整因子；一般情况下，wmax＝0.9，wmin＝0.4。4.如权利要求1所述的物流企业日常短期快递业务量预测方法，其特征在于，IPSO-BP混合模型包括：1)将数据集进行归一化处理；2)随机产生含有n个粒子的初始种群，每个粒子包含初始速度和位置；3)计算每个粒子的适应度值，并更新个体最优适应度值与种群最优适应度值；4)使用两个公式Vi＝w·Vi+c1·r1·(pbest-Xi)+c2·r2·(gbest-Xi)；Xi＝Xi+Vi；来更新粒子的速度与位置；5)最小化全局误差值，并通过误差反向传播机制来更新神经网络各层神经元之间的连接权值与阈值；如果结束条件不满足，则转到第3)步；如果结束条件满足，则终止算法的训练；6)使用训练的神经网络来预测数据；7)将预测数据进行反归一化处理。5.如权利要求1所述的物流企业日常短期快递业务量预测方法，其特征在于，利用新的横向数据选择方法以确定BP网络的输入数据；假设一个小时作为一个固定步长；将数据集中同一步长内的快递业务量组成一个子集，构建48个子集；一个子集中选择的起点是第i个数据，输入数据的维度为d...

【专利技术属性】
技术研发人员：许荣斌，王业国，谢莹，郑春厚，汪梦龙，
申请(专利权)人：安徽大学，
类型：发明
国别省市：安徽,34