运力预测方法及装置、计算机可读存储介质、终端制造方法及图纸

一种运力预测方法及装置、计算机可读存储介质、终端，所述运力预测方法包括以下步骤：确定行程，所述行程根据出发地和目的地确定；获取多个个体在所述行程的个体特征数据；根据所述个体特征数据预测每个个体的有效运力概率；如果所述有效运力概率超出预设概率阈值，则确定所述个体在所述行程为有效运力；确定所述多个个体在所述行程的有效运力的总数，记为个体运力总数。本发明专利技术方案可以对运力个体的行为进行预测，有助于提高运力预测的准确性。

【技术实现步骤摘要】
运力预测方法及装置、计算机可读存储介质、终端
本专利技术涉及计算机
，尤其涉及一种运力预测方法及装置、计算机可读存储介质、终端。
技术介绍
在现代大规模物流系统中，对运力进行准确的预测具有很强的经济和社会意义。准确的运力预测不仅能够预防爆仓、订单延误等风险，还可以在日常的运营中减少运力浪费，提高运营效率。作为进行决策判断的重要一环，已有大量与运力预测有关的相关研究。例如在一种现有技术中，如申请公布号CN107038492A的专利，其公开了一种利用ARMA模型进行订单预测的方法。然而ARMA模型虽然能够从历史数据中提取出一些时间序列的特征，但仍属于传统的宏观分析方法。由于其模型的复杂度非常有限，所能表征的特征种类也比较单一，导致该方法的预测结果准确性较低，应用范围受到较大限制。在现有技术中，还存在以模糊推理理论为依据，以自适应网络为框架的运力预测方法，主要用于预测未来数年航运市场的宏观运力预测，虽然能对较大时间尺度下整个区域运力市场的变化情况进行预测，但对于局部区域而言，准确性较低，导致该预测方法获得的预测结果对于实际的物流运营帮助不大。
技术实现思路
本专利技术解决的技术问题是提供一种运力预测方法及装置、计算机可读存储介质、终端，可以对运力个体的行为进行预测，有助于提高运力预测的准确性。为解决上述技术问题，本专利技术实施例提供一种运力预测方法，包括以下步骤：确定行程，所述行程根据出发地和目的地确定；获取多个个体在所述行程的个体特征数据；根据所述个体特征数据预测每个个体的有效运力概率；如果所述有效运力概率超出预设概率阈值，则确定所述个体在所述行程为有效运力；确定所述多个个体在所述行程的有效运力的总数，记为个体运力总数。可选的，所述个体特征数据包括以往个体特征数据以及当前个体特征数据；其中，所述以往个体特征数据包括所述多个个体在以往预设时长内上报的运力数、所述多个个体在以往预设时长内目的地偏好、所述个体在所述以往预设时长内是否成为有效运力；所述当前个体特征数据包括多个个体当前上报的运力数、所述多个个体的当前目的地偏好。可选的，根据所述个体特征数据预测每个个体的有效运力概率包括：根据所述以往个体特征数据，通过训练确定概率模型f(X)；根据所述概率模型f(X)以及所述当前个体特征数据，预测每个个体的有效运力概率。可选的，通过训练确定概率模型f(X)包括：通过训练使所述概率模型f(X)满足C值为最小值，其中，所述C值采用下述公式表示：其中，X(i)＝[tId,oId,dId,Xfeature]，tId用于表示第i个个体的标识，oId用于表示所述出发地，dId用于表示所述目的地，Xfeature用于表示第i个个体的以往个体特征数据，y(i)用于表示对应于所述以往个体特征数据的第i个个体是否成为有效运力，f(X(i))用于表示根据所述概率模型f(X)确定的第i个个体成为有效运力的概率，n用于表示个体总数。可选的，所述概率模型f(X)的训练算法选自：SVM算法以及GBDT算法。可选的，在根据所述概率模型f(X)以及所述当前个体特征数据，预测每个个体的有效运力概率之前，所述运力预测方法还包括：更新所述概率模型f(X)。可选的，所述运力预测方法还包括：获取所述行程的宏观运力数据；根据所述宏观运力数据预测所述行程的宏观运力数目；根据所述个体运力总数以及所述宏观运力数目，确定所述行程的运力预测数据。可选的，所述宏观特征数据包括以往宏观特征数据以及当前宏观特征数据；其中，所述以往宏观特征数据包括在以往预设时长内所述行程对应的上报的运力数、在以往预设时长内所述行程对应的发运的实际运力数；所述当前宏观特征数据包括多个个体当前上报的运力数。可选的，根据所述宏观运力数据预测所述行程的宏观运力数目包括：根据所述以往宏观特征数据，通过训练确定宏观预测模型；根据所述宏观预测模型以及所述当前宏观特征数据，预测所述行程的宏观运力数目。可选的，所述通过训练确定宏观预测模型包括：采用深度神经网络算法进行迭代训练，直至所述宏观预测模型的结果与所述以往宏观特征数据的误差收敛，以确定所述宏观预测模型。可选的，所述宏观预测模型中的每个神经元的激活函数包括ReLU函数。可选的，在根据所述宏观预测模型以及所述当前宏观特征数据，预测所述行程的宏观运力数目之前，所述运力预测方法还包括：更新所述宏观预测模型。可选的，所述根据所述个体运力总数以及所述宏观运力数目，确定所述行程的运力预测数据包括：对所述个体运力总数以及所述宏观运力数目进行加权平均，以计算得到所述行程的运力预测数据。为解决上述技术问题，本专利技术实施例提供一种运力预测装置，包括：行程确定模块，适于确定行程，所述行程根据出发地和目的地确定；个体数据获取模块，适于获取多个个体在所述行程的个体特征数据；个体概率预测模块，适于根据所述个体特征数据预测每个个体的有效运力概率；有效运力确定模块，适于当所述有效运力概率超出预设概率阈值时，确定所述个体在所述行程为有效运力；个体总数确定模块，适于确定所述多个个体在所述行程的有效运力的总数，记为个体运力总数。可选的，所述个体特征数据包括以往个体特征数据以及当前个体特征数据；其中，所述以往个体特征数据包括所述多个个体在以往预设时长内上报的运力数、所述多个个体在以往预设时长内目的地偏好、所述个体在所述以往预设时长内是否成为有效运力；所述当前个体特征数据包括多个个体当前上报的运力数、所述多个个体的当前目的地偏好。可选的，所述个体概率预测模块包括：概率模型确定子模块，适于根据所述以往个体特征数据，通过训练确定概率模型f(X)；个体概率确定子模块，适于根据所述概率模型f(X)以及所述当前个体特征数据，预测每个个体的有效运力概率。可选的，所述概率模型确定子模块包括：概率模型确定单元，适于通过训练使所述概率模型f(X)满足C值为最小值，其中，所述C值采用下述公式表示：其中，X(i)＝[tId,oId,dId,Xfeature]，tId用于表示第i个个体的标识，oId用于表示所述出发地，dId用于表示所述目的地，Xfeature用于表示第i个个体的以往个体特征数据，y(i)用于表示对应于所述以往个体特征数据的第i个个体是否成为有效运力，f(X(i))用于表示根据所述概率模型f(X)确定的第i个个体成为有效运力的概率，n用于表示个体总数。可选的，所述概率模型f(X)的训练算法选自：SVM算法以及GBDT算法。可选的，所述运力预测装置还包括：个体更新模块，适于在根据所述概率模型f(X)以及所述当前个体特征数据，预测每个个体的有效运力概率之前，更新所述概率模型f(X)。可选的，所述运力预测装置还包括：宏观数据获取模块，适于获取所述行程的宏观运力数据；宏观运力预测模块，适于根据所述宏观运力数据预测所述行程的宏观运力数目；行程运力确定模块，适于根据所述个体运力总数以及所述宏观运力数目，确定所述行程的运力预测数据。可选的，所述宏观特征数据包括以往宏观特征数据以及当前宏观特征数据；其中，所述以往宏观特征数据包括在以往预设时长内所述行程对应的上报的运力数、在以往预设时长内所述行程对应的发运的实际运力数；所述当前宏观特征数据包括多个个体当前上报的运力数。可选的，所述宏观运力预测模块包括：宏观模型确定子模块，本文档来自技高网...

【技术保护点】
1.一种运力预测方法，其特征在于，包括以下步骤：确定行程，所述行程根据出发地和目的地确定；获取多个个体在所述行程的个体特征数据；根据所述个体特征数据预测每个个体的有效运力概率；如果所述有效运力概率超出预设概率阈值，则确定所述个体在所述行程为有效运力；确定所述多个个体在所述行程的有效运力的总数，记为个体运力总数。

【技术特征摘要】
1.一种运力预测方法，其特征在于，包括以下步骤：确定行程，所述行程根据出发地和目的地确定；获取多个个体在所述行程的个体特征数据；根据所述个体特征数据预测每个个体的有效运力概率；如果所述有效运力概率超出预设概率阈值，则确定所述个体在所述行程为有效运力；确定所述多个个体在所述行程的有效运力的总数，记为个体运力总数。2.根据权利要求1所述的运力预测方法，其特征在于，所述个体特征数据包括以往个体特征数据以及当前个体特征数据；其中，所述以往个体特征数据包括所述多个个体在以往预设时长内上报的运力数、所述多个个体在以往预设时长内目的地偏好、所述个体在所述以往预设时长内是否成为有效运力；所述当前个体特征数据包括多个个体当前上报的运力数、所述多个个体的当前目的地偏好。3.根据权利要求2所述的运力预测方法，其特征在于，根据所述个体特征数据预测每个个体的有效运力概率包括：根据所述以往个体特征数据，通过训练确定概率模型f(X)；根据所述概率模型f(X)以及所述当前个体特征数据，预测每个个体的有效运力概率。4.根据权利要求3所述的运力预测方法，其特征在于，通过训练确定概率模型f(X)包括：通过训练使所述概率模型f(X)满足C值为最小值，其中，所述C值采用下述公式表示：其中，X(i)＝[tId,oId,dId,Xfeature]，tId用于表示第i个个体的标识，oId用于表示所述出发地，dId用于表示所述目的地，Xfeature用于表示第i个个体的以往个体特征数据，y(i)用于表示对应于所述以往个体特征数据的第i个个体是否成为有效运力，f(X(i))用于表示根据所述概率模型f(X)确定的第i个个体成为有效运力的概率，n用于表示个体总数。5.根据权利要求4所述的运力预测方法，其特征在于，所述概率模型f(X)的训练算法选自：SVM算法以及GBDT算法。6.根据权利要求3所述的运力预测方法，其特征在于，在根据所述概率模型f(X)以及所述当前个体特征数据，预测每个个体的有效运力概率之前，还包括：更新所述概率模型f(X)。7.根据权利要求1所述的运力预测方法，其特征在于，还包括：获取所述行程的宏观运力数据；根据所述宏观运力数据预测所述行程的宏观运力数目；根据所述个体运力总数以及所述宏观运力数目，确定所述行程的运力预测数据。8.根据权利要求7所述的运力预测方法，其特征在于，所述宏观特征数据包括以往宏观特征数据以及当前宏观特征数据；其中，所述以往宏观特征数据包括在以往预设时长内所述行程对应的上报的运力数、在以往预设时长内所述行程对应的发运的实际运力数；所述当前宏观特征数据包括多个个体当前上报的运力数。9.根据权利要求8所述的运力预测方法，其特征在于，根据所述宏观运力数据预测所述行程的宏观运力数目包括：根据所述以往宏观特征数据，通过训练确定宏观预测模型；根据所述宏观预测模型以及所述当前宏观特征数据，预测所述行程的宏观运力数目。10.根据权利要求9所述的运力预测方法，其特征在于，所述通过训练确定宏观预测模型包括：采用深度神经网络算法进行迭代训练，直至所述宏观预测模型的结果与所述以往宏观特征数据的误差收敛，以确定所述宏观预测模型。11.根据权利要求10所述的运力预测方法，其特征在于，所述宏观预测模型中的每个神经元的激活函数包括ReLU函数。12.根据权利要求9所述的运力预测方法，其特征在于，在根据所述宏观预测模型以及所述当前宏观特征数据，预测所述行程的宏观运力数目之前，还包括：更新所述宏观预测模型。13.根据权利要求9所述的运力预测方法，其特征在于，所述根据所述个体运力总数以及所述宏观运力数目，确定所述行程的运力预测数据包括：对所述个体运力总数以及所述宏观运力数目进行加权平均，以计算得到所述行程的运力预测数据。14.一种运力预测装置，其特征在于，包括：行程确定模块，适于确定行程，所述行程根据出发地和目的地确定；个体数据获取模块，适于获取多个个体在所述行程的个体特征数据；个体概率预测模块，适于根据所述个体特征数据预测每个个体的有效运力概率；有效运力确定模块，适于当所述有效运力概率超出预设概率阈值时，确定...

【专利技术属性】
技术研发人员：金忠孝，吴远皓，
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