件量预测模型的建立方法、装置以及设备制造方法及图纸

本申请实施例提供了件量预测模型的建立方法、装置以及设备，用于在一定程度上提高件量预测模型的件量预测结果的精确度。本申请实施例提供的件量预测模型的建立方法，包括：获取历史件量数据，其中，历史件量数据包括不同历史周期内不同节假日的件量数据；从历史件量数据中提取节假日特征数据以及非节假日特征数据，其中，节假日特征数据包括历史件量数据中不同节假日的件量特征数据，非节假日特征数据包括历史件量数据中非节假日的件量特征数据；根据历史件量数据、节假日特征数据以及非节假日特征数据，训练神经网络模型，并将完成训练的神经网络模型作为件量预测模型，其中，件量预测模型用于预测节假日的件量。

【技术实现步骤摘要】
件量预测模型的建立方法、装置以及设备
本申请涉及物流领域，具体涉及件量预测模型的建立方法、装置以及设备。
技术介绍
近些年来，电商行业以及物流行业蓬勃发展，两者相辅相成，在发展自身的同时，也促进对方的发展。基于物流行业的工作需求以及发展需求，在物流资源的管理工作中，需要对即将到来的物流业务工作量进行预测，以部署足够的物流资源，处理预测到的物流业务工作量，完成在线购物服务中物流环节的应有工作。如今物流行业基本通过件量预测模型预测物流业务的件量，该件量预测模型由历史物流业务数据训练得到，而在实际应用中发现，现有的件量预测模型，其精确度不高。
技术实现思路
本申请实施例提供了件量预测模型的建立方法、装置以及设备，用于在一定程度上提高件量预测模型的件量预测结果的精确度。第一方面，本申请实施例提供了一种件量预测模型的建立方法，方法包括：获取历史件量数据，其中，历史件量数据包括不同历史周期内不同节假日的件量数据；从历史件量数据中提取节假日特征数据以及非节假日特征数据，其中，节假日特征数据包括历史件量数据中不同节假日的件量特征数据，非节假日特征数据包括历史件量数据中非节假日的件量特征数据；根据历史件量数据、节假日特征数据以及非节假日特征数据，训练神经网络模型，并将完成训练的神经网络模型作为件量预测模型，其中，件量预测模型用于预测节假日的件量。在示例性的实施例中，获取历史件量数据包括：确定节假日数据，其中，节假日数据用于指示不同节假日的固定时间点或者不同节假日的动态时间点；遍历历史件量数据集合，并基于节假日数据指示的时间点从历史件量数据集合中获取包括多个不同历史周期内不同节假日的件量数据，作为历史件量数据。在示例性的实施例中，从历史件量数据中提取节假日特征数据包括：确定历史件量数据中的目标节假日；从历史件量数据中，识别出目标历史周期内离目标节假日最近的且件量低谷对应的第一时间节点，以及识别出目标历史周期内离目标节假日最近的且件量高峰对应的第二时间节点，第一时间节点早于第二时间节点，第二时间节点早于目标节假日；在历史件量数据中，筛选出第一时间区间以及第二时间区间中的件量数据，第一时间区间由第一时间节点以及第二时间节点构成，第二时间区间由第二时间节点以及目标节假日构成；从第一时间区间以及第二时间区间中的件量数据中，提取目标节假日件量特征数据。在示例性的实施例中，从第一时间区间以及第二时间区间中的件量数据中，提取目标节假日件量特征数据包括：将第一时间区间以及第二时间区间中的件量数据，按天数拆分成至少两个子时间区间；依次从至少两个子时间区间中提取多个子件量特征数据，合并得到目标节假日件量特征数据。在示例性的实施例中，从历史件量数据中提取节假日特征数据包括：当第一节假日以及第二节假日存在时间重叠或者部分时间重叠时，分别提取第一节假日以及第二节假日在正常时间的件量特征数据，其中，第一节假日以及第二节假日分别在正常时间，未与第三节假日存在时间重叠或者部分时间重叠；将第一节假日以及第二节假日分别在正常时间的件量特征数据，进行融合，得到第一节假日以及第二节假日的融合件量特征数据。在示例性的实施例中，根据历史件量数据、节假日特征数据以及非节假日特征数据，训练神经网络模型包括：将根据历史件量数据、节假日特征数据以及非节假日特征数据的集合，拆分成第一数据集合、第二数据集合以及第三数据集合；根据第一数据集合，对神经网络模型进行初始训练；根据第二数据集合，对初始训练后的神经网络模型进行二次训练；根据第三数据集合，验证二次训练后的神经网络模型的预测结果是否满足预设的预测指标，若满足，则完成神经网络模型的训练。在示例性的实施例中，根据历史件量数据、节假日特征数据以及非节假日特征数据，训练神经网络模型之后，方法还包括：确定待预测件量的目标节假日的目标时间点或者目标时间段；将目标时间点或者目标时间段输入件量预测模型，进行件量预测；获取件量预测模型输出的件量预测结果。第二方面，本申请实施例提供了一种件量预测模型的建立装置，装置包括：获取单元，用于获取历史件量数据，其中，历史件量数据包括不同历史周期内不同节假日的件量数据；提取单元，用于从历史件量数据中提取节假日特征数据以及非节假日特征数据，其中，节假日特征数据包括历史件量数据中不同节假日的件量特征数据，非节假日特征数据包括历史件量数据中非节假日的件量特征数据；训练单元，用于根据历史件量数据、节假日特征数据以及非节假日特征数据，训练神经网络模型，并将完成训练的神经网络模型作为件量预测模型，其中，件量预测模型用于预测节假日的件量。在示例性的实施例中，获取单元，具体用于：确定节假日数据，其中，节假日数据用于指示不同节假日的固定时间点或者不同节假日的动态时间点；遍历历史件量数据集合，并基于节假日数据指示的时间点从历史件量数据集合中获取包括多个不同历史周期内不同节假日的件量数据，作为历史件量数据。在示例性的实施例中，提取单元，具体用于：确定历史件量数据中的目标节假日；从历史件量数据中，识别出目标历史周期内离目标节假日最近的且件量低谷对应的第一时间节点，以及识别出目标历史周期内离目标节假日最近的且件量高峰对应的第二时间节点，第一时间节点早于第二时间节点，第二时间节点早于目标节假日；在历史件量数据中，筛选出第一时间区间以及第二时间区间中的件量数据，第一时间区间由第一时间节点以及第二时间节点构成，第二时间区间由第二时间节点以及目标节假日构成；从第一时间区间以及第二时间区间中的件量数据中，提取目标节假日件量特征数据。在示例性的实施例中，提取单元，具体用于：将第一时间区间以及第二时间区间中的件量数据，按天数拆分成至少两个子时间区间；依次从至少两个子时间区间中提取多个子件量特征数据，合并得到目标节假日件量特征数据。在示例性的实施例中，提取单元，具体用于：当第一节假日以及第二节假日存在时间重叠或者部分时间重叠时，分别提取第一节假日以及第二节假日在正常时间的件量特征数据，其中，第一节假日以及第二节假日分别在正常时间，未与第三节假日存在时间重叠或者部分时间重叠；将第一节假日以及第二节假日分别在正常时间的件量特征数据，进行融合，得到第一节假日以及第二节假日的融合件量特征数据。在示例性的实施例中，训练单元，具体用于：将根据历史件量数据、节假日特征数据以及非节假日特征数据的集合，拆分成第一数据集合、第二数据集合以及第三数据集合；根据第一数据集合，对神经网络模型进行初始训练；根据第二数据集合，对初始训练后的神经网络模型进行二次训练；根据第三数据集合，验证二次训练后的神经网络模型的预测结果是否满足预设的预测指标，若满足，则完成神经网络模型的训练。在示例性本文档来自技高网...

【技术保护点】
1.一种件量预测模型的建立方法，其特征在于，所述方法包括：/n获取历史件量数据，其中，所述历史件量数据包括不同历史周期内不同节假日的件量数据；/n从所述历史件量数据中提取节假日特征数据以及非节假日特征数据，其中，所述节假日特征数据包括所述历史件量数据中不同节假日的件量特征数据，所述非节假日特征数据包括所述历史件量数据中非节假日的件量特征数据；/n根据所述历史件量数据、所述节假日特征数据以及所述非节假日特征数据，训练神经网络模型，并将完成训练的所述神经网络模型作为件量预测模型，其中，所述件量预测模型用于预测节假日的件量。/n

【技术特征摘要】
1.一种件量预测模型的建立方法，其特征在于，所述方法包括：
获取历史件量数据，其中，所述历史件量数据包括不同历史周期内不同节假日的件量数据；
从所述历史件量数据中提取节假日特征数据以及非节假日特征数据，其中，所述节假日特征数据包括所述历史件量数据中不同节假日的件量特征数据，所述非节假日特征数据包括所述历史件量数据中非节假日的件量特征数据；
根据所述历史件量数据、所述节假日特征数据以及所述非节假日特征数据，训练神经网络模型，并将完成训练的所述神经网络模型作为件量预测模型，其中，所述件量预测模型用于预测节假日的件量。


2.根据权利要求1所述的方法，其特征在于，所述获取历史件量数据包括：
确定节假日数据，其中，所述节假日数据用于指示不同节假日的固定时间点或者不同节假日的动态时间点；
遍历历史件量数据集合，并基于所述节假日数据指示的时间点从所述历史件量数据集合中获取包括多个不同历史周期内不同节假日的件量数据，作为所述历史件量数据。


3.根据权利要求1所述的方法，其特征在于，所述从所述历史件量数据中提取节假日特征数据包括：
确定所述历史件量数据中的目标节假日；
从所述历史件量数据中，识别出目标历史周期内离所述目标节假日最近的且件量低谷对应的第一时间节点，以及识别出所述目标历史周期内离所述目标节假日最近的且件量高峰对应的第二时间节点，所述第一时间节点早于所述第二时间节点，所述第二时间节点早于所述目标节假日；
在所述历史件量数据中，筛选出第一时间区间以及第二时间区间中的件量数据，所述第一时间区间由所述第一时间节点以及所述第二时间节点构成，所述第二时间区间由所述第二时间节点以及所述目标节假日构成；
从所述第一时间区间以及所述第二时间区间中的件量数据中，提取目标节假日件量特征数据。


4.根据权利要求3所述的方法，其特征在于，所述从所述第一时间区间以及所述第二时间区间中的件量数据中，提取所述目标节假日件量特征数据包括：
将所述第一时间区间以及所述第二时间区间中的件量数据，按天数拆分成至少两个子时间区间；
依次从所述至少两个子时间区间中提取多个子件量特征数据，合并得到所述目标节假日件量特征数据。


5.根据权利要求1所述的方法，其特征在于，所述从所述历史件量数据中提取节假日特征数据包括：
当所述第一节假日以及所述第二节假日存在时间重叠或者部分时间重叠时，分别提取所述第一节假日以及所述第二节假日在正...

【专利技术属性】
技术研发人员：张策，张莹莹，黎碧君，潘舒静，江洋，谢宇昕，
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