一种电子锁需求预测方法、系统、设备及存储介质技术方案

本发明专利技术涉及一种电子锁需求预测方法、系统、设备及存储介质。该方法包括：获取预设时间电子锁需求历史数据，根据所述电子锁需求历史数据得到电子锁需求的特征数据，特定时间段电子锁需求的特征数据构成一个样本，对每个所述样本添加标签，所述标签为特定时间段历史电子锁需求量；对所述样本集利用xgboost进行监督学习，得到预测模型；将待预测电子锁需求的特征数据输入到所述预测模型，根据预测模型的预测值得到特定时间段电子锁需求预测量。本发明专利技术通过预测电子锁的需求，为锁调度和配置提供参考依据，避免锁短缺和冗余的情况，提高锁的利用率，降低投入的电子锁成本，为物流企业智能决策提供依据，根据网点和时间配备不同的电子锁设备。

【技术实现步骤摘要】
一种电子锁需求预测方法、系统、设备及存储介质
本专利技术属于物流和大数据
，尤其涉及一种电子锁需求预测方法、系统、设备及存储介质。
技术介绍
物联网技术给物流行业带来巨大的推动，货运车辆使用电子锁替代传统机械锁不仅可以缩短开关锁时间，提高物流效率，而且电子锁是信息采集的载体，为快递运输的联动控制、全程监控提供载体。电子锁属于有限资源，因此可能存在以下两个问题：1、各网点间到车与发车数量不均衡将造成电子锁堆积在部分网点，而其余网点出现无锁可用的情况。2、问题发生后再进行电子锁的调拨已经造成了滞后，影响效率。
技术实现思路
为了解决上述技术问题，本专利技术的目的在于提供一种电子锁需求预测方法、系统、设备及存储介质。根据本专利技术的一个方面，提供了电子锁需求预测方法，包括：获取预设时间电子锁需求历史数据，根据所述电子锁需求历史数据得到电子锁需求的特征数据，特定时间段电子锁需求的特征数据构成一个样本，对每个所述样本添加标签，所述标签为特定时间段历史电子锁需求量；对所述样本集利用xgboost进行监督学习，得到预测模型；将待预测电子锁需求的特征数据输入到所述预测模型，根据预测模型的预测值得到特定时间段电子锁需求预测量。作为优选，待预测电子锁需求的特征数据包括：日期特征数据，所述日期特征数据包括节假日、促销高峰和星期；电子锁需求量数据，所述电子锁需求量数据包括上周平均需求量、上上周平均需求量、上周同日需求量、上上周同日需求量和前一日需求量；网点特征数据，所述网点特征数据包括网点件量和地区总件量。作为优选，对所述样本集利用xgboost进行监督学习，得到预测模型，包括：评估预测模型是否满足预期要求，若是，则进行下一步；若否，则对模型参数进行优化。作为优选，采用平均绝对百分误差对模型进行评估，所述平均绝对百分误差公式为：其中，At为每日电子锁需求实际量，Ft为每日电子锁需求预测量，n为测试集中的样本数。作为优选，对模型参数进行优化，包括：采用网格搜索结合交叉验证的方法对模型参数进行优化。根据本专利技术的另一个方面，提供了电子锁需求预测系统，包括：特征数据获取单元，配置用于获取预设时间电子锁需求历史数据，根据所述电子锁需求历史数据得到电子锁需求的特征数据，特定时间段电子锁需求的特征数据构成一个样本，对每个所述样本添加标签，所述标签为特定时间段历史电子锁需求量；预测模型获取单元，配置用于对所述样本集利用xgboost进行监督学习，得到预测模型；电子锁需求预测单元，配置用于将待预测电子锁需求的特征数据输入到所述预测模型，根据预测模型的预测值得到特定时间段电子锁需求预测量。作为优选，待预测电子锁需求的特征数据包括：日期特征数据，所述日期特征数据包括节假日、促销高峰和星期；电子锁需求量数据，所述电子锁需求量数据包括上周平均需求量、上上周平均需求量、上周同日需求量、上上周同日需求量和前一日需求量；网点特征数据，所述网点特征数据包括网点件量和地区总件量。作为优选，预测模型获取单元包括：预测模型评估子单元，配置用于评估预测模型是否满足预期要求，若是，则进行下一步；若否，则对模型参数进行优化。根据本专利技术的另一个方面，提供了一种设备，所述设备包括：一个或多个处理器；存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如上述的方法。根据本专利技术的另一个方面，提供了一种存储有计算机程序的计算机可读存储介质，该程序被处理器执行时实现如上述的方法。与现有技术相比，本专利技术具有以下有益效果：1、本专利技术示例的电子锁需求预测方法，包括：获取预设时间电子锁需求历史数据，根据所述电子锁需求历史数据得到电子锁需求的特征数据，特定时间段电子锁需求的特征数据构成一个样本，对每个所述样本添加标签，所述标签为特定时间段历史电子锁需求量；对所述样本集利用xgboost进行监督学习，得到预测模型；将待预测电子锁需求的特征数据输入到所述预测模型，根据预测模型的预测值得到特定时间段电子锁需求预测量。通过对样本集利用xgboost进行监督学习，得到预测模型，预测电子锁的需求，为锁调度和配置提供参考依据，避免锁短缺和冗余的情况，提高锁的利用率，降低投入的电子锁成本，为物流企业智能决策提供依据，根据网点和时间配备不同的电子锁设备。2、本专利技术示例的电子锁需求预测系统，包括：特征数据获取单元，配置用于获取预设时间电子锁需求历史数据，根据所述电子锁需求历史数据得到电子锁需求的特征数据，特定时间段电子锁需求的特征数据构成一个样本，对每个所述样本添加标签，所述标签为特定时间段历史电子锁需求量；预测模型获取单元，配置用于对所述样本集利用xgboost进行监督学习，得到预测模型；电子锁需求预测单元，配置用于将待预测电子锁需求的特征数据输入到所述预测模型，根据预测模型的预测值得到特定时间段电子锁需求预测量。各个单元相互协作，通过对样本集利用xgboost进行监督学习，得到预测模型，预测电子锁的需求，为锁调度和配置提供参考依据，避免锁短缺和冗余的情况，提高锁的利用率，降低投入的电子锁成本，为物流企业智能决策提供依据，根据网点和时间配备不同的电子锁设备。3、本专利技术示例的电子锁需求预测设备，通过一个或多个处理器执行如上所述的方法，通过对样本集利用xgboost进行监督学习，得到预测模型，预测电子锁的需求，为锁调度和配置提供参考依据，避免锁短缺和冗余的情况，提高锁的利用率，降低投入的电子锁成本，为物流企业智能决策提供依据，根据网点和时间配备不同的电子锁设备。4、本专利技术示例的存储有计算机程序的计算机可读存储介质，通过存储有计算机程序的计算机可读介质,所述程序被运行用于执行电子锁需求预测方法，通过对样本集进行监督学习，得到预测模型，从而预测电子锁的需求，为锁调度和配置提供参考依据，避免锁短缺和冗余的情况，提高锁的利用率，进一步降低投入的电子锁成本，根据网点和时间配备不同的电子锁设备，为物流企业智能决策提供依据。附图说明图1为本专利技术方法的流程图；图2为本专利技术方法的流程框图；图3为实施例一服务器的计算机系统的结构示意图。具体实施方式为了更好的了解本专利技术的技术方案，下面结合具体实施例、说明书附图对本专利技术作进一步说明。本实施例提供了电子锁需求预测方法，包括：S1、获取预设时间电子锁需求历史数据，根据所述电子锁需求历史数据得到电子锁需求的特征数据，特定时间段电子锁需求的特征数据构成一个样本，对每个所述样本添加标签，所述标签为特定时间段历史电子锁需求量；为得到机器学习的训练样本，则根据预设时间电子锁需求历史数据进行统计得到电子锁需求的特征数据，定义特定时间段电子锁需求的特征数据为一个样本，所述预设时间没有明确本文档来自技高网...

【技术保护点】
1.一种电子锁需求预测方法，其特征在于，包括：/n获取预设时间电子锁需求历史数据，根据所述电子锁需求历史数据得到电子锁需求的特征数据，特定时间段电子锁需求的特征数据构成一个样本，对每个所述样本添加标签，所述标签为特定时间段历史电子锁需求量；/n对所述样本集利用xgboost进行监督学习，得到预测模型；/n将待预测电子锁需求的特征数据输入到所述预测模型，根据预测模型的预测值得到特定时间段电子锁需求预测量。/n

【技术特征摘要】
1.一种电子锁需求预测方法，其特征在于，包括：
获取预设时间电子锁需求历史数据，根据所述电子锁需求历史数据得到电子锁需求的特征数据，特定时间段电子锁需求的特征数据构成一个样本，对每个所述样本添加标签，所述标签为特定时间段历史电子锁需求量；
对所述样本集利用xgboost进行监督学习，得到预测模型；
将待预测电子锁需求的特征数据输入到所述预测模型，根据预测模型的预测值得到特定时间段电子锁需求预测量。


2.根据权利要求1所述的电子锁需求预测方法，其特征在于，待预测电子锁需求的特征数据包括：
日期特征数据，所述日期特征数据包括节假日、促销高峰和星期；
电子锁需求量数据，所述电子锁需求量数据包括上周平均需求量、上上周平均需求量、上周同日需求量、上上周同日需求量和前一日需求量；
网点特征数据，所述网点特征数据包括网点件量和地区总件量。


3.根据权利要求1所述的电子锁需求预测方法，其特征在于，对所述样本集利用xgboost进行监督学习，得到预测模型，包括：
评估预测模型是否满足预期要求，若是，则进行下一步；若否，则对模型参数进行优化。


4.根据权利要求3所述的电子锁需求预测方法，其特征在于，采用平均绝对百分误差对模型进行评估，所述平均绝对百分误差公式为：



其中，At为每日电子锁需求实际量，Ft为每日电子锁需求预测量，n为测试集中的样本数。


5.根据权利要求3所述的电子锁需求预测方法，其特征在于，对模型参数进行优化，包括：
采用网格搜索结合交叉验证的方法对模型参数进行优化。


6.一...

【专利技术属性】
技术研发人员：潘柳颖，魏源，张露丹，
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