基于LSTM模型融合的物流货量预测方法及系统技术方案

本发明专利技术公开了一种基于LSTM模型融合的物流货量预测方法及系统，该方法包括：向LSTM日规模型输入第一预设的历史货量序列数据，获得预测日的日规货量预测值；该LSTM日规模型为以1日为间隔进行每日货量预测的LSTM模型；根据预测日为周几，向LSTM周规模型输入第二预设的历史货量序列数据，获得预测日的周规货量预测值；该LSTM周规模型为以7日为间隔进行每周同一日货量预测的LSTM模型；将日规货量预测值和周规货量预测值进行融合计算，获得预测日货量最终预测值。本发明专利技术通过观察历史货量数据的规律性，采用将LSTM日规预测和LSTM周规预测得到的预测值进行融合计算，从而获得最终货量预测值，能有效提高预测准确率。

Logistics volume forecasting method and system based on LSTM model fusion

【技术实现步骤摘要】
基于LSTM模型融合的物流货量预测方法及系统
本专利技术涉及物流运输
，尤其涉及一种基于LSTM模型融合的物流货量预测方法及系统。
技术介绍
随着电商崛起，物流行业在人们生活中变得越来越重要。而在物流行业中，货量预测是确定物流需求的一个重要指标，正确预测淡旺季货物的来量，不仅可以提前安排好各个分拨中心的人力及车辆，还可以为物流基础设施建设，如货运集散中心的选址、运输车辆的购买等提供依据。货量预测结果的准确率及可靠性都将直接影响物流基础设施的投资收益比重，从而直接影响一个物流企业的发展，因此，提高货量预测的准确率对物流行业来说具有非常重要的意义。目前行业中关于货量预测方法很多，包括时间序列平滑预测、回归预测、神经网络的方法等，这些方法都有各自的优缺点，由于物流行业数据的随机性大、影响货物总量的外部因素众多、预测方法的局限性等客观因素的存在，预测结果往往不尽如人意。使用这些方法产生的预测数据进行调度，往往会造成较多的资源上的浪费。因此，分析影响物流货量的因素，寻找一种更为合理和有效的货量预测方法对物流行业来说至关重要。现如今，深度学习方法已经应用在了互联网行业的各个领域，并且取得了一定的成绩，互联网行业的大规模使用说明深度学习的方法可以显著提高预测的准确率，但是这种方法在传统行业的应用还不多，因此，本专利尝试使用深度学习的方法来解决物流行业现实存在的货量预测的问题。
技术实现思路
本专利技术提供了一种基于LSTM模型融合的物流货量预测方法及系统，以解决现有物流运输行业中，货量预测不够精确的问题。为了解决上述问题，本专利技术提供一种基于LSTM模型融合的物流货量预测方法，包括：S1、向LSTM日规模型输入第一预设的历史货量序列数据，获得预测日的日规货量预测值；所述LSTM日规模型为以1日为间隔进行每日货量预测的LSTM模型；S2、根据预测日为周几，向LSTM周规模型输入第二预设的历史货量序列数据，获得预测日的周规货量预测值；所述LSTM周规模型为以7日为间隔进行每周同一日货量预测的LSTM模型；S3、将日规货量预测值和周规货量预测值进行融合计算，获得预测日货量最终预测值。优选的，所述将日规货量预测值和周规货量预测值进行融合计算，具体为：Yfinal＝α*Yweek+β*Yday，其中，所述Yweek为预测日的周规货量预测值，所述Yday为预测日的日规货量预测值，所述α和β为参数，根据模型训练得到确定值。优选的，所述第一预设的历史货量序列数据为预测日之前连续多天的历史货量数据；所述第二预设的历史货量序列数据为预测日之前连续多周与预测日相同周几的历史货量数据。优选的，所述步骤S1前，先对LSTM日规模型进行训练，确定LSTM日规模型的参数；所述步骤S2前，先对LSTM周规模型进行训练，确定LSTM周规模型的参数。优选的，向LSTM日规模型和LSTM周规模型输入历史货量数据前，均先对历史货量数据作归一化处理。为了解决上述问题，本专利技术还提供了一种基于LSTM模型融合的物流货量预测系统，包括：LSTM日规模型模块，用于构建以1日为间隔进行每日货量预测的LSTM日规模型；LSTM周规模型模块，用于构建以7日为间隔进行每周同一日货量预测的LSTM周规模型；第一计算模块，用于调用LSTM日规模型，并向LSTM日规模型输入第一预设的历史货量序列数据，获得预测日的日规货量预测值；第二计算模块，用于调用LSTM周规模型，并用于根据预测日为周几，向LSTM周规模型输入第二预设的历史货量序列数据，获得预测日的周规货量预测值；融合计算模块，用于获取日规货量预测值和周规货量预测值，并进行融合计算，以得到预测日货量最终预测值。优选的，所述融合计算模块包括方程融合方程构建单元，用于构建方程：Yfinal＝α*Yweek+β*Yday，并基于该方程将日规货量预测值和周规货量预测值进行融合计算，其中，所述Yweek为预测日的周规货量预测值，所述Yday为预测日的日规货量预测值，所述α和β为参数，根据模型训练得到确定值。优选的，所述第一预设的历史货量序列数据为预测日之前连续多天的历史货量数据；所述第二预设的历史货量序列数据为预测日之前连续多周与预测日相同周几的历史货量数据。优选的，所述LSTM日规模型模块还用于对LSTM日规模型进行训练，以确定LSTM日规模型的参数；所述LSTM周规模型模块还用于对LSTM周规模型进行训练，以确定LSTM周规模型的参数。优选的，本系统还包括预处理模块，用于在历史货量数据输入LSTM日规模型和LSTM周规模型前，均先对历史货量数据作归一化处理。相比于现有技术，本专利技术基于LSTM模型融合的物流货量预测方法及系统，通过观察历史货量数据的规律性，采用将LSTM日规预测和LSTM周规预测得到的预测值进行融合计算，从而获得最终的货量预测值，可以有效提高预测准确率，为物流业务的开展提供可靠的决策依据。附图说明图1为本专利技术预测方法的流程示意图；图2为本专利技术物流公司真实数据的数据分布图；图3为本专利技术物流公司真实数据实验结果分布图；图4为本专利技术预测系统的模块示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用来限定本专利技术。图1展示了本专利技术基于LSTM模型融合的物流货量预测方法的一个实施例。在本实施例中，如图1所示，该基于LSTM模型融合的物流货量预测方法包括：步骤S1，向LSTM日规模型输入第一预设的历史货量序列数据，获得预测日的日规货量预测值，所述LSTM日规模型为以1日为间隔进行每日货量预测的LSTM模型。需要说明的是，所述第一预设的历史货量序列数据为预测日之前连续多天的历史货量数据。所述历史货量数据可以是某个物流公司或某个物流中心的历史货量数据，其中，某段时间内每天的货量分布，称为日规。在本实施例中，在所述步骤S1前，需先对LSTM日规模型进行训练，并确定LSTM日规模型的参数。具体的，所述对LSTM日规模型进行训练首先采集连续多天的历史货量数据，并对历史货量数据进行数据预处理，所述预处理的方式为对历史货量数据进行归一化处理，所述归一化公式为并记录归一化的系数。现举例子进行说明，在2018年1月1日到1月21日，某物流公司或物流中心的货量数据如下表所示：表1-1月1日到1月21日的货量数据示例1月1日1月2日1月3日1月4日1月5日1月6日1月7日41603053628442221578852624456071月8日1月9日1月10日1月11日1月12日1月13日1月14日47940046029379401841657887574531月15日1月16日1月17日1月18日1月19日1月20日1月21日4365204207036897163685302744545以上表中1月1日到1月21日的数据为例，首先对这些数据进行归一化处理，归一化后的结果请见表2，在归一化的过程中，需要保存数据中的最大值57887和最小值15788，预测阶段需采用这两个值计算预测货量。表2-1月1日到1月21日的货量数据归一化后的示例1月1日1月2日1月3日1月4日1月5日1月6日1月7日0.610.470.900.680.0本文档来自技高网...

【技术保护点】
1.一种基于LSTM模型融合的物流货量预测方法，其特征在于，包括：S1、向LSTM日规模型输入第一预设的历史货量序列数据，获得预测日的日规货量预测值；所述LSTM日规模型为以1日为间隔进行每日货量预测的LSTM模型；S2、根据预测日为周几，向LSTM周规模型输入第二预设的历史货量序列数据，获得预测日的周规货量预测值；所述LSTM周规模型为以7日为间隔进行每周同一日货量预测的LSTM模型；S3、将日规货量预测值和周规货量预测值进行融合计算，获得预测日货量最终预测值。

【技术特征摘要】
1.一种基于LSTM模型融合的物流货量预测方法，其特征在于，包括：S1、向LSTM日规模型输入第一预设的历史货量序列数据，获得预测日的日规货量预测值；所述LSTM日规模型为以1日为间隔进行每日货量预测的LSTM模型；S2、根据预测日为周几，向LSTM周规模型输入第二预设的历史货量序列数据，获得预测日的周规货量预测值；所述LSTM周规模型为以7日为间隔进行每周同一日货量预测的LSTM模型；S3、将日规货量预测值和周规货量预测值进行融合计算，获得预测日货量最终预测值。2.根据权利要求1所述的基于LSTM模型融合的物流货量预测方法，其特征在于，所述将日规货量预测值和周规货量预测值进行融合计算，具体为：Yfinal＝α*Yweek+β*Yday，其中，所述Yweek为预测日的周规货量预测值，所述Yday为预测日的日规货量预测值，所述α和β为参数，根据模型训练得到确定值。3.根据权利要求1或2所述的基于LSTM模型融合的物流货量预测方法，其特征在于，所述第一预设的历史货量序列数据为预测日之前连续多天的历史货量数据；所述第二预设的历史货量序列数据为预测日之前连续多周与预测日相同周几的历史货量数据。4.根据权利要求3所述的基于LSTM模型融合的物流货量预测方法，其特征在于，所述步骤S1前，先对LSTM日规模型进行训练，确定LSTM日规模型的参数；所述步骤S2前，先对LSTM周规模型进行训练，确定LSTM周规模型的参数。5.根据权利要求4所述的基于LSTM模型融合的物流货量预测方法，其特征在于，向LSTM日规模型和LSTM周规模型输入历史货量数据前，均先对历史货量数据作归一化处理。6.一种基于LSTM模型融合的物流货量预测系统，其特征在于，包括：LSTM日规模型模块，用于构建以1日为间隔进行每...

【专利技术属性】
技术研发人员：蒋菱，赵兴，柳鹏飞，
申请(专利权)人：跨越速运集团有限公司，
类型：发明
国别省市：广东,44