一种消除异常货量影响的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消除异常货量影响的货量预测方法及系统，其中，方法包括：根据选定的历史货物重量数据，计算货物重量的正常波动范围；对超出正常波动范围的异常货物重量进行修正；将修正后的历史货物重量数据结合相应的下单时间数据进行特征工程，构造按照下单时间排序的系列特征值；将系列特征值输入到预测模型进行训练；将预测日关联的特征值输入至训练好的预测模型中，获得预测货物重量。本发明专利技术在预测模型训练和预测前先对历史货物重量数据中的异常值进行修正，减少了异常值对预测结果的影响，使得最终得到的预测结果更为准确。

A forecasting method and system of cargo quantity to eliminate the influence of abnormal cargo quantity

【技术实现步骤摘要】
一种消除异常货量影响的货量预测方法及系统
本专利技术涉及货量预测
，尤其涉及一种消除异常货量影响的货量预测方法及系统。
技术介绍
近些年随着电商的蓬勃发展，物流行业的快速发展，各大快递公司货量激增造成了很大的管理压力。这种压力产生的根源在于公司业务发展过快，各个操作部或者营业点不能完成有效的经验积累和人才储备；进而时长造成了盲目决策、资源浪费。比如，在配置人力和车辆等资源上，缺乏经验已经成为一个极大的问题，过高的估计货量造成了资源的闲置，增加运营成本；而过低的估计货量造成了货物的积压，降低货物时效和客户满意度。因此，能够科学有效地对业务形势进行预判成为了物流行业一项重点课题。目前，人工智能的发展，给物流行业的技术革新带来了更多可能。人工智能算法可以通过对历史数据的分析与学习，通过大数据产生预测的时间序列，科学有效的进行预测从而使管理更加精细，通过一些预测模型结合历史数据可以对未来的货量作出较为准确的预测，但是，事实上，历史数据中往往会存在一些异常值，从而导致预测的结果与实际情况出现较大的偏差，造成了资源的浪费。
技术实现思路
本专利技术提供了一种消除异常货量影响的货量预测方法及系统，以解决历史货量数据异常导致货量预测结果不准确的问题。为了解决上述问题，本专利技术提供了一种消除异常货量影响的货量预测方法，其包括：根据选定的历史货物重量数据，计算货物重量的正常波动范围；对超出正常波动范围的异常货物重量进行修正；将修正后的历史货物重量数据结合相应的下单时间数据进行特征工程，构造按照下单时间排序的系列特征值；将系列特征值输入到预测模型进行训练；将预测日关联的特征值输入至训练好的预测模型中，获得预测货物重量。作为本专利技术的进一步改进，根据选定的历史货物重量数据，计算货物重量的正常波动范围的步骤，包括：计算选定的历史货物重量的货量基准值，货量基准值为选定的历史货物重量的截尾平均值或算术平均值；计算选定的历史货物重量的标准差，并根据n倍的标准差定义货量偏差范围；确定货物重量的正常波动范围作为本专利技术的进一步改进，对超出正常波动范围的异常货物重量值进行修正的步骤，包括：若选定的历史货物重量中某一单货物重量小于正常波动范围的最小值，则将该单货物重量替换为正常波动范围的最小值；若选定的历史货物重量中某一单货物重量大于波动范围的最大值，则将将该单货物重量替换为正常波动范围的最大值。作为本专利技术的进一步改进，系列特征值包括星期特征值、节假日特征值、月份特征值、上周同一天货物重量特征值；星期特征值包括{0，1，2，3，4，5，6}，依次对应当前下单日期是星期一至星期日；节假日特征值包括{0，1}，若当前下单日期是节假日，则节假日特征值为1，若当前下单日期不是节假日，则节假日特征值为0；月份特征值包括{1，2，3，4，...，12}，依次对应当前下单日期月份为一月份至十二月份；上周同一天货物重量特征值为当前下单日期七日前的实际货物重量数据。作为本专利技术的进一步改进，预测模型为Prophet模型、RNN模型、LSTM模型中的一种。为了解决上述问题，本专利技术还提供了一种消除异常货量影响的货量预测系统，其包括：计算模块，用于根据选定的历史货物重量数据，计算货物重量的正常波动范围；修正模块，用于对超出正常波动范围的异常货物重量进行修正；特征模块，用于将修正后的历史货物重量数据结合相应的下单时间数据进行特征工程，构造按照下单时间排序的系列特征值；训练模块，用于将系列特征值输入到预测模型进行训练；预测模块，用于将预测日关联的特征值输入至训练好的预测模型中，获得预测货物重量。作为本专利技术的进一步改进，计算模块包括：第一计算单元，用于计算选定的历史货物重量的货量基准值，货量基准值为选定的历史货物重量的截尾平均值或算术平均值；第二计算单元，用于计算选定的历史货物重量的标准差，并根据n倍的标准差定义货量偏差范围；确定单元，用于确定货物重量的正常波动范围作为本专利技术的进一步改进，修正模块包括：第一修正单元，用于当选定的历史货物重量中某一单货物重量小于正常波动范围的最小值时，将该单货物重量替换为正常波动范围的最小值；第二修正单元，用于当选定的历史货物重量中某一单货物重量大于波动范围的最大值时，将将该单货物重量替换为正常波动范围的最大值。作为本专利技术的进一步改进，系列特征值包括星期特征值、节假日特征值、月份特征值、上周同一天货物重量特征值；星期特征值包括{0，1，2，3，4，5，6}，依次对应当前下单日期是星期一至星期日；节假日特征值包括{0，1}，若当前下单日期是节假日，则节假日特征值为1，若当前下单日期不是节假日，则节假日特征值为0；月份特征值包括{1，2，3，4，...，12}，依次对应当前下单日期月份为一月份至十二月份；上周同一天货物重量特征值为当前下单日期七日前的实际货物重量数据。作为本专利技术的进一步改进，预测模型为Prophet模型、RNN模型、LSTM模型中的一种。相比于现有技术，本专利技术通过检测出历史货物重量数据中的异常值，并对其进行修正，再将修正后的历史货物重量数据构建的系列特征输入至预测模型中进行训练和预测，减少了历史货物重量数据中的异常值对预测结果的影响，使得最终得到的预测结果更为准确，方便工作人员对人力和车辆等资源进行合理分配。附图说明图1为本专利技术消除异常货量影响的货量预测方法第一个实施例的流程图；图2为本专利技术消除异常货量影响的货量预测方法第二个实施例的流程图；图3为本专利技术消除异常货量影响的货量预测方法第二个实施例的流程图；图4为本专利技术预测方法与传统预测方法预测结果统计图；图5为本专利技术预测方法与传统预测方法预测错误率统计图；图6为本专利技术消除异常货量影响的货量预测系统第一个实施例的功能模块示意图；图7为本专利技术消除异常货量影响的货量预测系统第二个实施例的功能模块示意图；图8为本专利技术消除异常货量影响的货量预测系统第三个实施例的功能模块示意图。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展示了本专利技术消除异常货量影响的货量预测方法的一个实施例。如图1所示，本实施例中，该消除异常货量影响的货量预测方法包括：步骤S1，根据选定的历史货物重量数据，计算货物重量的正常波动范围。具体地，历史运单信息是记录客户历史运单记录的重要凭证，历史运单信息中记录着货物重量数据，通常地，历史运单信息一般按照时间的维度进行汇总并存储。在对客户下单货量预测之前，选取预测日前客户发生的全部或部分的历史货量重量数据。选定历史货物重量数据之后，先根据该数据计算货物重量的正常波动范围，该正常波动范围是指货物重量的一个合理的波动范围，超出该正常波动范围的历史货物重量数据即可视为异常值。如图2所示，本专利技术一个实施例中，步骤S1包括以下步骤：步骤S10，计算选定的历史货物重量的货量基准值货量基准值为选定的历史货物重量的截尾平均值或算术平均值。需要说明的是，货量基准值为选定的历史货物重量的截尾平均值或算术平均值。当货量基准值为选定的历史货物重量的截尾平均值时，将选定的历史货物重量中的最大值和最小值去除，再计算剩余数据的平均值，得到货量基准值当货量基准值为选定的本文档来自技高网...

【技术保护点】
1.一种消除异常货量影响的货量预测方法，其特征在于，其包括：根据选定的历史货物重量数据，计算货物重量的正常波动范围；对超出正常波动范围的异常货物重量进行修正；将修正后的历史货物重量数据结合相应的下单时间数据进行特征工程，构造按照下单时间排序的系列特征值；将所述系列特征值输入到预测模型进行训练；将预测日关联的特征值输入至训练好的预测模型中，获得预测货物重量。

【技术特征摘要】
1.一种消除异常货量影响的货量预测方法，其特征在于，其包括：根据选定的历史货物重量数据，计算货物重量的正常波动范围；对超出正常波动范围的异常货物重量进行修正；将修正后的历史货物重量数据结合相应的下单时间数据进行特征工程，构造按照下单时间排序的系列特征值；将所述系列特征值输入到预测模型进行训练；将预测日关联的特征值输入至训练好的预测模型中，获得预测货物重量。2.根据权利要求1所述的消除异常货量影响的货量预测方法，其特征在于，所述根据选定的历史货物重量数据，计算货物重量的正常波动范围的步骤，包括：计算所述选定的历史货物重量的货量基准值所述货量基准值为选定的历史货物重量的截尾平均值或算术平均值；计算所述选定的历史货物重量的标准差σ，并根据n倍的标准差σ定义货量偏差范围；确定所述货物重量的正常波动范围3.根据权利要求1所述的消除异常货量影响的货量预测方法，其特征在于，所述对超出正常波动范围的异常货物重量值进行修正的步骤，包括：若选定的历史货物重量中某一单货物重量小于正常波动范围的最小值，则将该单货物重量替换为正常波动范围的最小值；若选定的历史货物重量中某一单货物重量大于所述波动范围的最大值，则将将该单货物重量替换为正常波动范围的最大值。4.根据权利要求1所述的消除异常货量影响的货量预测方法，其特征在于，所述系列特征值包括星期特征值、节假日特征值、月份特征值、上周同一天货物重量特征值；所述星期特征值包括{0，1，2，3，4，5，6}，依次对应当前下单日期是星期一至星期日；所述节假日特征值包括{0，1}，若当前下单日期是节假日，则所述节假日特征值为1，若当前下单日期不是节假日，则所述节假日特征值为0；所述月份特征值包括{1，2，3，4，...，12}，依次对应当前下单日期所述月份为一月份至十二月份；所述上周同一天货物重量特征值为当前下单日期七日前的实际货物重量数据。5.根据权利要求1所述的消除异常货量影响的货量预测方法，其特征在于，所述预测模型为Prophet模型、RNN模型、LSTM模型中的一种。6.一种消除异常货量影响的货量预...

【专利技术属性】
技术研发人员：赵兴，
申请(专利权)人：深圳市跨越新科技有限公司，
类型：发明
国别省市：广东,44