订单的预测方法及装置、计算机可读介质、物流系统制造方法及图纸

一种订单的预测方法及装置、计算机可读介质、物流系统，所述订单的预测方法包括：获取历史订单对应的时间序列；基于所述时间序列，提取特征序列；基于所述特征序列，生成二维信号特征图；基于所述二维信号特征图，构建神经网络模型，并根据所构建的神经网络模型进行订单预测。应用上述方案，可以提高订单预测的准确度。

Method and device for forecasting orders, computer-readable medium, and logistics system

An order forecasting method and device, a computer readable medium, and a logistics system are provided. The order forecasting method includes: acquiring time series corresponding to historical orders; extracting feature sequences based on the time series; generating two-dimensional signal feature maps based on the feature sequences; and generating two-dimensional signal feature maps based on the two-dimensional signal feature maps. A neural network model is constructed, and the order prediction is carried out according to the neural network model. Application of the above scheme can improve the accuracy of order forecasting.

【技术实现步骤摘要】
订单的预测方法及装置、计算机可读介质、物流系统
本专利技术实施例涉及物流领域，尤其涉及一种订单的预测方法及装置、计算机可读介质、物流系统。
技术介绍
由于整车物流的订单预测能够让调度人员提前做好准备，未雨绸缪，从而使得运输资源的调度更加合理，故准确的整车物流的订单预测对于整车物流具有非常重要的作用。时间序列可以描述变量随时间变化的离散值，例如温度、湿度、股票价格、汽车销量走势等变量。时间序列预测指根据时间序列在当前的时间点t以及过往的时间点(t-1)、(t-2)、……、(t-n-1)的值，决定某一个未知时间点(t+1)或者某一个未知时间段(t+1,t+n)的值。通常，一个时间序列预测值除了依赖于过往的时间以外，可能还会依赖于一个或多个其他的时间序列。因此，一个时间序列预测问题指的是在高维空间的回归问题。在高维空间中，预测值是其过去值和其他相关的时间序列的高度非线性函数。整车物流的订单预测问题从本质上来说可以看作一个时间序列预测问题。整车物流订单预测问题由于本质上可被视作一个时间序列预测问题，所以能够通过时间序列预测模型解决，例如传统的自回归移动平均模型(AutoRegressiveMovingAverage，ARMA)、前馈神经网络模型、循环神经网络(RecurrentNeuralNetwork，RNN)、变体长短记忆神经网络(LongShort-TermMemory，LSTM)等。这些模型在解决整车物流订单预测问题时，将物流订单数据合并为一维的数据作为输入，然后提取出数据上的时间相关性。现有的整车物流订单的预测方法在有多个时间序列或者多个特征序列作为输入的情况下，通过简单的合并成一个序列的方法，将合成的一个一维序列作为模型输入进行学习和预测。上述整车物流订单的预测方法准确度较差。
技术实现思路
本专利技术实施例解决的技术问题是如何提高订单预测的准确度。为解决上述技术问题，本专利技术实施例提供一种订单的预测方法，所述方法包括：获取历史订单对应的时间序列；基于所述时间序列，提取特征序列；基于所述特征序列，生成二维信号特征图；基于所述二维信号特征图，构建神经网络模型，并根据所构建的神经网络模型进行订单预测。可选地，所述获取订单对应的时间序列包括：获取历史订单对应的原始数据；对原始数据进行预处理，获取订单对应的时间序列。可选地，所述预处理包括以下至少一种：异常值处理、缺失值处理。可选地，所述提取特征序列包括：基于小波变换算法提取特征序列。可选地，所述生成二维信号特征图包括：将每个特征序列分割为多个长度为n的序列片段，其中n为正整数；将不同特征序列对应的序列片段进行逐行复制，生成m行序列片段，所述m行序列片段满足不同的特征序列行间两两相邻，其中m为正整数；基于所述m行序列片段，生成m*n的二维信号特征图。可选地，所述将每个特征序列分割为多个长度为n的序列片段包括：基于移位操作，将每个特征序列分割为多个长度为n的序列片段。可选地，所述构建神经网络模型包括：构建神经网络模型；基于所述二维信号特征图，训练所述神经网络模型，获取所述神经网络模型参数。可选地，在构建神经网络模型之后，所述订单的预测方法还包括：获取订单的在线数据；基于所述在线数据训练并更新所述神经网络模型。可选地，所述神经网络为：卷积神经网络。本专利技术实施例提供一种订单的预测装置，包括：第一获取单元，适于获取历史订单对应的时间序列；提取单元，适于基于所述时间序列，提取特征序列；生成单元，适于基于所述特征序列，生成二维信号特征图；构建单元，适于基于所述二维信号特征图，构建神经网络模型，并根据所构建的神经网络模型进行订单预测。可选地，所述第一获取单元包括：第一获取子单元，适于获取历史订单对应的原始数据；第二获取子单元，适于对原始数据进行预处理，获取订单对应的时间序列。可选地，所述预处理包括以下至少一种：异常值处理、缺失值处理。可选地，所述提取单元，适于基于小波变换算法提取特征序列。可选地，所述生成单元包括：分割子单元，适于将每个特征序列分割为多个长度为n的序列片段，其中n为正整数；复制子单元，适于将不同特征序列对应的序列片段进行逐行复制，生成m行序列片段，所述m行序列片段满足不同的特征序列行间两两相邻，其中m为正整数；生成子单元，适于基于所述m行序列片段，生成m*n的二维信号特征图。可选地，所述分割子单元，适于基于移位操作，将每个特征序列分割为多个长度为n的序列片段。可选地，所述构建单元包括：构建子单元，适于基于所述神经网络模型参数，构建神经网络模型；训练子单元，适于基于所述二维信号特征图，训练所述神经网络模型，获取所述神经网络模型参数；预测子单元，适于根据所训练的神经网络模型进行订单预测。可选地，所述订单的预测装置还包括：第二获取单元，适于获取订单的在线数据；更新单元，适于基于所述在线数据训练并更新所述神经网络模型。可选地，所述神经网络为：卷积神经网络。本专利技术实施例提供一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行上述任一种所述方法的步骤。本专利技术实施例提供一种物流系统，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行权利上述任一种所述方法的步骤。与现有技术相比，本专利技术实施例的技术方案具有以下有益效果：本专利技术实施例通过基于所述特征序列，生成二维信号特征图，然后基于所述二维信号特征图，构建神经网络模型，并根据所构建的神经网络模型进行订单预测。由于将一维的相关序列合并为二维特征图，并利用神经网络学习每一个序列的时间相邻点和每一个相同时刻相邻序列点之间的关联性，最大程度地学习信号特征图的蕴含特征，可以有效地提高订单预测的准确度。进一步地，通过对历史订单对应的原始数据进行异常值处理，可以剔除异常值，以避免异常值影响后续预测的准确度。进一步地，通过对历史订单对应的原始数据进行缺失值处理，以提高订单预测的准确度。附图说明图1是本专利技术实施例提供的一种订单的预测方法的流程图；图2是本专利技术实施例提供的另一种订单的预测方法的流程图；图3是本专利技术实施例提供的又一种订单的预测方法的流程图；图4是本专利技术实施例提供的一种订单的预测装置的结构示意图。具体实施方式现有的方法对多个序列或多个特征之间的关联性不能够很好的学习，导致输入数据所蕴含的特征不能很好被机器学习模型学习到。因此，订单预测的准确度较差。本专利技术实施例通过基于所述特征序列，生成二维信号特征图，然后基于所述二维信号特征图，构建神经网络模型，并根据所构建的神经网络模型进行订单预测。由于将一维的相关序列合并为二维特征图，并利用神经网络学习每一个序列的时间相邻点和每一个相同时刻相邻序列点之间的关联性，最大程度地学习信号特征图的蕴含特征，可以有效地提升订单预测的准确度。为使本专利技术的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本专利技术的具体实施例做详细的说明。参见图1，本专利技术实施例提供了一种订单的预测方法，可以包括如下步骤：步骤S101，获取历史订单对应的时间序列。在具体实施中，为了对订单进行预测，首先需要获取历史订单对应的时间序列，即历史订单的相关数据，然后基于历史订单的相关数据预测订单的未来数据，即高维空间的回归问题。在高维空间中，预测值是其过去值本文档来自技高网...

【技术保护点】
1.一种订单的预测方法，其特征在于，包括：获取历史订单对应的时间序列；基于所述时间序列，提取特征序列；基于所述特征序列，生成二维信号特征图；基于所述二维信号特征图，构建神经网络模型，并根据所构建的神经网络模型进行订单预测。

【技术特征摘要】
1.一种订单的预测方法，其特征在于，包括：获取历史订单对应的时间序列；基于所述时间序列，提取特征序列；基于所述特征序列，生成二维信号特征图；基于所述二维信号特征图，构建神经网络模型，并根据所构建的神经网络模型进行订单预测。2.根据权利要求1所述的订单的预测方法，其特征在于，所述获取订单对应的时间序列包括：获取历史订单对应的原始数据；对原始数据进行预处理，获取订单对应的时间序列。3.根据权利要求2所述的订单的预测方法，其特征在于，所述预处理包括以下至少一种：异常值处理、缺失值处理。4.根据权利要求1所述的订单的预测方法，其特征在于，所述提取特征序列包括：基于小波变换算法提取特征序列。5.根据权利要求1所述的订单的预测方法，其特征在于，所述生成二维信号特征图包括：将每个特征序列分割为多个长度为n的序列片段，其中n为正整数；将不同特征序列对应的序列片段进行逐行复制，生成m行序列片段，所述m行序列片段满足不同的特征序列行间两两相邻，其中m为正整数；基于所述m行序列片段，生成m*n的二维信号特征图。6.根据权利要求5所述的订单的预测方法，其特征在于，所述将每个特征序列分割为多个长度为n的序列片段包括：基于移位操作，将每个特征序列分割为多个长度为n的序列片段。7.根据权利要求1所述的订单的预测方法，其特征在于，所述构建神经网络模型包括：构建神经网络模型；基于所述二维信号特征图，训练所述神经网络模型，获取所述神经网络模型参数。8.根据权利要求7所述的订单的预测方法，其特征在于，在构建神经网络模型之后，还包括：获取订单的在线数据；基于所述在线数据训练并更新所述神经网络模型。9.根据权利要求7或8所述的订单的预测方法，其特征在于，所述神经网络为：卷积神经网络。10.一种订单的预测装置，其特征在于，包括：第一获取单元，适于获取历史订单对应的时间序列；提取单元，适于基于所述时间序列，提取特征序列；生成单元，适于基于所述特征序列，生成二维信号特征图；构建单元，适于基于所述二维信号特征图，构建神经网络模型，并根据所构建的神经网络模型...

【专利技术属性】
技术研发人员：金忠孝，丁文博，
申请(专利权)人：安吉汽车物流股份有限公司，上海汽车集团股份有限公司，
类型：发明
国别省市：上海,31