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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。