一种揽件量预测方法、系统、设备及存储介质技术方案

本发明专利技术涉及一种揽件量预测方法、系统、设备及存储介质，所述揽件量预测方法，包括：获取历史数据，对历史数据进行分类并获取不同属性的初始参数；选择xgboost模型，将不同属性的初始参数输入xgboost模型并对进行修正；对修正后的初始参数进行交叉验证，选取模型的确定参数；选择确定参数建立预测模型，相比较现有时序模型不需要满足数据平稳性或处理后的数据平稳、自相关、白噪声等，解决时序模型对条件要求的约束。

A Prediction Method, System, Equipment and Storage Medium for Package Quantity

The invention relates to a package forecasting method, system, equipment and storage medium. The package forecasting method includes: acquiring historical data, classifying historical data and obtaining initial parameters of different attributes; selecting xgboost model, inputting initial parameters of different attributes into xgboost model and modifying them; cross-validating the modified initial parameters, and selecting the original parameters. The parameters of the model are selected to establish the prediction model. Compared with the existing time series model, it does not need to satisfy the data stationarity or the data stationarity, autocorrelation and white noise after processing, so as to solve the constraints of the time series model on the condition requirements.

【技术实现步骤摘要】
一种揽件量预测方法、系统、设备及存储介质
本专利技术涉及揽件量预测
，尤其涉及一种揽件量预测方法、系统、设备及存储介质。
技术介绍
目前，工业界的时序数据预测多用于日度，月度等较长期的预测，适用于波次预测(如：半小时、小时、班次等)的预测方法较少，较为常见的方法有传统时序模型、广义可加模型。但是，由于物流行业活动的特殊性，波次预测较复杂，比如波次数据存在多峰多谷的现象，且易受外界其他事件影响，靠传统模型无法进行灵活切换并高准确率的预测，无法满足物流企业对件量的波次稳定预测的需求。当前波次件量预测上有以下难点：(1)预测的短周期时间粒度性与粒度不确定性。当前时序模型，多用于日度，月度等较长期的预测，部分模型也可用于小时维度的波次预测；但物流行业波次预测中，会有其他复杂的时间段的预测，比如物流行业的班次件量预测、半个小时的预测、20分钟的预测等，这些情况的预测短周期时间粒度，并且不属于常见的时间粒度的预测即需预测的时间粒度存在不确定性。(2)外推期。对于波次预测，比如半小时的预测，一天存在48个半小时，那么外推30天便是外推48*30＝1440个预测期，外推期数多，对模型准确度存在本文档来自技高网...

【技术保护点】
1.一种揽件量预测方法，其特征是，包括：获取历史数据，对历史数据进行分类并获取不同属性的初始参数；选择xgboost模型，将不同属性的初始参数输入xgboost模型并对进行修正；对修正后的初始参数进行交叉验证，选取模型的确定参数；选择确定参数建立预测模型。

【技术特征摘要】
1.一种揽件量预测方法，其特征是，包括：获取历史数据，对历史数据进行分类并获取不同属性的初始参数；选择xgboost模型，将不同属性的初始参数输入xgboost模型并对进行修正；对修正后的初始参数进行交叉验证，选取模型的确定参数；选择确定参数建立预测模型。2.根据权利要求1所述的揽件量预测方法，其特征是，对历史数据进行分类，包括：将历史数据划分为训练数据、测试数据以及对应的训练结果、测试结果，且有时间序列概念历史数据进行分类时所述测试数据的时间均在训练数据的时间之后。3.根据权利要求1所述的揽件量预测方法，其特征是，所述参数的属性包括以下至少一种:时序属性、节假日属性和周期属性。4.根据权利要求3所述的揽件量预测方法，其特征是，所述节假日属性包括以下至少一种：所述历史数据所属节假日性质、节假日的次序、节前天数、节后天数，分别对应参数a1、a2、a3、a4；和/或所述时序属性包括以下至少一种：所述历史数据所处日期、月份、当月的旬数、当月的周数、当周的星期数，分别对应参数b1、b2、b3、b4、b5。5.根据权利要求3所述的揽件量预测方法，其特征是，根据不同属性的初始参数，对所述历史数据进行交叉验证，包括：确定训练数据的揽件时间、揽件地址；根据揽件地址，选取训练数据的节假日属性及对应的初始参数；根据揽件时间，选取训练数据的时序属性及对应的初始参数；通过训练结果对初始参数进行修正，得修正参数；通过测试数据、测试结果对所述修正参数进行交叉验证，选取模型的确定参数。6.根据权利要求5所述的揽件量预测方法，其特征是，根据不同属性的初始参数，对所述历史数据进行交叉验证，还包括：配置预测周期的时长；将历史数据所处时间段划分为若干预测周期，对各预测周期内的波次进行编号；根据编号获取训练数据的周期属性及对应的初始参数。7.根据权利要求1所述的揽件量预测方法，其特征是，所述预测模型预测波次的时长为以下至少一种月、周、日、小时、半小时、20分钟以及时间长度不确定的时间粒度。8.一种揽件量预测系统，其特征是，包括：数据采集模块，配置用于获取历史数据，对历史数据进行分类并获取不同属性的初始参数；模型建立模块，配置用于：选择xgboost模型，将不同属性的初始参数输入xgboost模型并对进行修正；对修正后的初始参数进行交叉验证，选取模型的确定参数；选择确...

【专利技术属性】
技术研发人员：马昭，王珺，王本玉，吴敏礽，金晶，
申请(专利权)人：顺丰科技有限公司，
类型：发明
国别省市：广东,44