件量预测方法、装置、设备和存储介质制造方法及图纸

本发明专利技术公开了一种件量预测方法、装置、设备和存储介质，针对当前物流行业主要采用人工预测或粗略的方法来预测快递的件量，与实际件量相差较大，预测件量不准确的问题，通过对件量的历史数据进行处理，得到适合创建双指数平滑模型的测试数据，利用双指数平滑模型对件量进行短期预测，提高件量预测的准确性，为物流工作的有序开展提供有力的数据基础，从而提高物流企业的工作效率。

【技术实现步骤摘要】
件量预测方法、装置、设备和存储介质
本专利技术属于业务量预测的
，尤其涉及一种件量预测方法、装置、设备和存储介质。
技术介绍
预测是大数据最核心的应用，大数据预测将传统意义预测拓展到“现测”。大数据预测的优势体现在它把一个非常困难的预测问题，转化为一个相对简单的描述问题，而这是传统小数据集根本无法企及的。从预测的角度看，大数据预测所得出的结果不仅仅得到处理现实业务简单、客观的结论，更能用于帮助企业经营决策，收集起来的资料还可以被规划，引导开发更大的消费力量。时间序列数据挖掘以事物在不同时刻的状态所形成的数据为研究对象，通过对时间序列数据的特征进行分析和研究，揭示事物的发展变化规律，用于指导人们的社会、经济、军事和生活等活动。时间序列挖掘对人类社会、科技和经济的发展具有重大意义，正逐渐成为数据挖掘的研究热点之一。随着物流行业的快速发展，业务量(快递件量)的管控关系着物流公司的业务能否正常进行。因此，对件量进行预测就显得尤为重要。对于物流领域的件量预测问题，件量总是随时间发生变化的，当前业内主要采用人工预测或粗略的方法来预测快递的派件量，与实际件量相差较大，预测件量不准确，不利于公司的业务开展。
技术实现思路
本专利技术的目的是提供一种件量预测方法、装置、设备和存储介质，采用时间序列预测模型，提高件量预测的准确性。为解决上述问题，本专利技术的技术方案为：一种件量预测方法，包括：步骤S1：获取件量的历史数据，对历史数据进行预处理，选取出至少一历史周期的周目标数据集；步骤S2：调整周目标数据集，消除周变化趋势；步骤S3：对消除变化趋势的周目标数据集，进行数据平稳性校验，得到平稳的周目标数据集；步骤S4：基于平稳的周目标数据集，创建双指数平滑模型对件量进行预测，输出周件量预测值。根据本专利技术一实施例，所述步骤S1进一步包括：清洗历史数据，替换空数据及异常数据；分析历史数据的周变化趋势，得到周变化数据集；对周变化数据集作数据平滑处理，得到周目标数据集。根据本专利技术一实施例，所述步骤S2进一步包括：采用以下计算公式调整周目标数据集中的数据，消除周变化趋势：其中，ai,j为第i周中第j天的件量值，i为大于1的正整数，j＝1,2,3,4,5,6,7；ai-1,j为第i-1周中的第j天的件量值；si-1为第i-1周7天的件量值总和。根据本专利技术一实施例，所述步骤S3进一步包括：采用时序图或自相关图检测周目标数据集的数据平稳性；调整不平稳数据，得到平稳的周目标数据集。根据本专利技术一实施例，所述步骤S4进一步包括：所述双指数平滑模型为：Yt+T＝at+bt·T其中，为t期的一次指数平滑值；分别为t期和t-1期的二次指数平滑值；a为平滑系数；Yt+T为t+T期的预测值，T为由t期向后推移的期数。根据本专利技术一实施例，所述步骤S4之后还包括：比较周件量预测值与件量实际值的大小，计算误差；并根据误差调整双指数平滑模型的参数。一种件量预测装置，包括：数据预处理模块，用于获取件量的历史数据，对历史数据进行预处理，选取出至少一历史周期的周目标数据集；趋势消除模块，用于调整周目标数据集，消除周变化趋势：平稳性检测模块，用于对消除变化趋势的周目标数据集，进行数据平稳性校验，得到平稳的周目标数据集；模型创建模块，用于基于平稳的周目标数据集，创建双指数平滑模型对件量进行预测，输出周件量预测值。根据本专利技术一实施例，件量预测装置还包括：模型校验模块，用于比较周件量预测值与件量实际值的大小，计算误差；并根据误差调整双指数平滑模型的参数。一种件量预测设备，包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中的所述指令，以使得所述件量预测设备执行本专利技术一实施例中的件量预测方法。一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现本专利技术一实施例中的件量预测方法。本专利技术由于采用以上技术方案，使其与现有技术相比具有以下的优点和积极效果：本专利技术一实施例中的件量预测方法，针对当前物流行业主要采用人工预测或粗略的方法来预测快递的件量，与实际件量相差较大，预测件量不准确的问题，通过对件量的历史数据进行处理，得到适合创建双指数平滑模型的测试数据，利用双指数平滑模型对件量进行短期预测，提高件量预测的准确性，为物流工作的有序开展提供有力的数据基础，从而提高物流企业的工作效率。附图说明图1为本专利技术一实施例中的件量预测方法流图；图2为本专利技术一实施例中的消除周变化趋势曲线图；图3为本专利技术一实施例中的件量预测装置的框图；图4为本专利技术一实施例中的件量预测设备的示意图。具体实施方式以下结合附图和具体实施例对本专利技术提出的一种件量预测方法、装置、设备和存储介质作进一步详细说明。根据下面说明和权利要求书，本专利技术的优点和特征将更清楚。实施例一请参考图1，本实施例中的件量预测方法，包括：步骤S1：获取件量的历史数据，对历史数据进行预处理，选取出至少一历史周期的周目标数据集。在本实施例中，件量历史数据是指物流行业中存储的件量数据，也可以是某统计机构公布的某段时间内物流行业中件量的数据。件量包含收件量，也可以包含发件量。在数据库中，无论是线上还是线下，均会存储派件量、收件量的信息。该些信息可以但不限于包含：件量的类型、时间。时间可以是按天存储，也可以是按照周存储，也可以按照录入系统的具体时间存储。对获取的历史数据进行预处理，包括：清洗历史数据，替换空数据及异常数据；分析历史数据的周变化趋势，得到周变化数据集；对周变化数据集作数据平滑处理，得到周目标数据集。其中，清洗历史数据，去除获取的历史数据中不需要的信息及替换异常数据。通常在对数据进行统计分析之前，需要将一些不规则数据滤除掉，以确保分析的准确性。数据清洗是一个减少数据错误与不一致性的过程，主要是检测并删除或改正不规则数据。在本实施例中，主要是针对件量进行预测，因此可以去除历史数据中包含的单号信息及地址信息。在这些历史数据中，可能会出现空数据或数值异常(如非数值表示)的数据，将这些空数据或数值异常的数据用其相邻的数据替换。具体地，历史数据包含收件量和/或发件量，可以根据不同的业务场景从数据库中调取各网点收件量(有订单、无订单)和派件量的信息，下面将以某网点的收件量为测试数据，历史数据所在日期为2017/07/01-2017/07/30，获得的历史数据经过数据清洗后可以如下表1所示。对历史数据作平滑处理时，需要分析历史数据的变化趋势，得到具有变化趋势的数据集，如具有周变化趋势的周变化数据集。本文档来自技高网...

【技术保护点】
1.一种件量预测方法，其特征在于，包括：/n步骤S1：获取件量的历史数据，对历史数据进行预处理，选取出至少一历史周期的周目标数据集；/n步骤S2：调整周目标数据集，消除周变化趋势；/n步骤S3：对消除变化趋势的周目标数据集，进行数据平稳性校验，得到平稳的周目标数据集；/n步骤S4：基于平稳的周目标数据集，创建双指数平滑模型对件量进行预测，输出周件量预测值。/n

【技术特征摘要】
1.一种件量预测方法，其特征在于，包括：
步骤S1：获取件量的历史数据，对历史数据进行预处理，选取出至少一历史周期的周目标数据集；
步骤S2：调整周目标数据集，消除周变化趋势；
步骤S3：对消除变化趋势的周目标数据集，进行数据平稳性校验，得到平稳的周目标数据集；
步骤S4：基于平稳的周目标数据集，创建双指数平滑模型对件量进行预测，输出周件量预测值。


2.如权利要求1所述的件量预测方法，其特征在于，所述步骤S1进一步包括：
清洗历史数据，替换空数据及异常数据；
分析历史数据的周变化趋势，得到周变化数据集；
对周变化数据集作数据平滑处理，得到周目标数据集。


3.如权利要求2所述的件量预测方法，其特征在于，所述步骤S2进一步包括：
采用以下计算公式调整周目标数据集中的数据，消除周变化趋势：



其中，ai，j为第i周中第j天的件量值，i为大于1的正整数，j＝1，2，3，4，5，6，7；ai-1，j为第i-1周中的第j天的件量值；si-1为第i-1周7天的件量值总和。


4.如权利要求1所述的件量预测方法，其特征在于，所述步骤S3进一步包括：
采用时序图或自相关图检测周目标数据集的数据平稳性；
调整不平稳数据，得到平稳的周目标数据集。


5.如权利要求1所述的件量预测方法，其特征在于，所述步骤S4进一步包括：
所述双指数平滑模型为：
Yt+T＝at+bt.T






其中...

【专利技术属性】
技术研发人员：夏扬，陈玉芬，李斯，
申请(专利权)人：上海东普信息科技有限公司，
类型：发明
国别省市：上海;31