构建件量预测模型的方法和装置制造方法及图纸

本申请公开了一种构建件量预测模型的方法和装置，该方法包括：获取历史件量数据；重复k次从所述历史件量数据中随机选取预设范围的件量数据；基于预设的时间序列规则，将所述预设范围的件量数据划分为训练集和验证集；采用所述训练集和所述验证集对预设机器学习模型的参数进行优化训练，得到件量预测模型。该方法能够通过合理的划分训练集和验证集，且得到的件量预测模型对快递件量的预测更加准确，很大程度上提高了资源与人力的最大化匹配，进一步提高了工作效率。

【技术实现步骤摘要】
构建件量预测模型的方法和装置
本专利技术一般涉及计算机
，具体涉及一种构建件量预测模型的方法和装置。
技术介绍
随着信息化技术的快速发展，网购已经成为现代购物的一种比较常用的购物方式，随之而来的是快速增长的快递市场，为了使企业合理调配资源，构建件量预测模型非常重要。目前，对快递件量的预测可以通过传统的时间序列模型和机器学习模型进行件量预测，例如：自回归移动平均模型(AutoregressiveIntegratedMovingAverageModel，AMIRA模型)、长短期记忆网络模型(LongShort-TermMemory，LSTM模型)。传统的使用机器学习模型对件量预测时，可以使用通过k折交叉验证法或者留一交叉验证法，也可以使用一般的时间序列的交叉验证法来划分数据集，对机器学习模型的参数进行优化，得到最优机器学习模型，但是，上述方法划分的数据集的长度不同，由于样本数量不同导致确定的模型存在误差，使得件量预测准确度低。
技术实现思路
鉴于现有技术中的上述缺陷或不足，期望提供一种构建件量预测模型的方法和装置，本文档来自技高网...

【技术保护点】
1.一种构建件量预测模型的方法，其特征在于：/n获取历史件量数据；/n重复k次从所述历史件量数据中随机选取预设范围的件量数据，所述k为自然数；/n基于预设的时间序列规则，将所述预设范围的件量数据划分为训练集和验证集，所述时间序列规则为所述训练集的件量日期小于所述验证集的件量日期；/n采用所述训练集和所述验证集对预设机器学习模型的参数进行优化训练，得到件量预测模型。/n

【技术特征摘要】
1.一种构建件量预测模型的方法，其特征在于：
获取历史件量数据；
重复k次从所述历史件量数据中随机选取预设范围的件量数据，所述k为自然数；
基于预设的时间序列规则，将所述预设范围的件量数据划分为训练集和验证集，所述时间序列规则为所述训练集的件量日期小于所述验证集的件量日期；
采用所述训练集和所述验证集对预设机器学习模型的参数进行优化训练，得到件量预测模型。


2.根据权利要求1所述的构建件量预测模型的方法，其特征在于，对每组预设范围的件量数据，将所述预设范围的件量数据划分为训练集和验证集，包括：
确定所述训练集和所述验证集的比例；
根据预设的时间序列规则，将所述预设范围的件量数据按照所述比例划分为所述训练集和所述验证集。


3.根据权利要求1所述的构建件量预测模型的方法，其特征在于，采用所述训练集和所述验证集对机器学习模型的参数进行优化训练，得到件量预测模型，包括：
将所述k组预设范围的件量数据分别输入预设机器学习模型进行训练，得到k个参数不同的机器学习模型；
根据所述k个参数不同的机器学习模型中，确定件量预测模型。


4.根据权利要求3所述的构建件量预测模型的方法，其特征在于，根据所述k个参数不同的机器学习模型中，确定件量预测模型，包括：
确定所述k个参数不同的机器学习模型的性能指标，所述性能指标包括准确率；
将所述性能指标最优的机器学习模型确定为件量预测模型。


5.根据权利要求1所述的构建件量预测模型的方法，所述方法还包括：
获取待预测件量数据；
将所述待预测件量数据输入所述件量预测模型进行件量预测。


6....

【专利技术属性】
技术研发人员：苏德嘉，许胜，化文文，王本玉，湛长兰，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