基于梯度提升决策树和神经网络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基于梯度提升决策树和神经网络的货量预测方法及系统，属于货量预测技术领域。该方法步骤包括：S1，将获取的特征数据X通过预先训练的梯度提升决策树模型T构造其在每棵决策树上的叶子节点特征；S2，使用叶子节点特征替换掉特征数据X中的高维类别特征后，得到特征数据X

【技术实现步骤摘要】
基于梯度提升决策树和神经网络的货量预测方法及系统


[0001]本专利技术涉及货量预测
，具体涉及一种基于梯度提升决策树和神经网络的货量预测方法及系统。

技术介绍

[0002]货量即每天待运输的货物的重量或件量，是物流公司每日运营管理的重要依据。运力资源即物流企业拥有的运输工具如货车、货机等资源。对于物流企业而言，货量可以看作对运力资源的需求量，运力资源可看作满足货量运输需求的供给量。运力资源(供给)和货量(需求)的精准匹配关系对优化货物运输时效、提升服务质量和降低运营成本具有重要意义。在物流行业，通常需要在货量确定之前进行运力资源的调配。因此，需要事先预测未来某一段时间内的货量需求，并据此提前调配运力资源。
[0003]现有的货量预测方法主要有基于机器学习的方法。基于机器学习的方法将货量预测看成一个回归问题，通过收集每个操作日的不同特征，例如始发转运中心、目的转运中心、天气情况、是否节假日、昨日货量、当天实际货量等，通过这些历史数据训练一个将这些数据特征映射到货量值的模型。为了更准确的学习到特征到货量值的映射关系，减少过拟合的现象本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于梯度提升决策树和神经网络的货量预测方法，其特征在于，步骤包括：S1，将获取的特征数据X通过预先训练的梯度提升决策树模型T构造其在每棵决策树上的叶子节点特征；S2，使用所述叶子节点特征替换掉所述特征数据X中的高维类别特征后，得到特征数据X
′
；S3，将所述特征数据X
′
输入到预先训练的神经网络模型M中进行货量预测，并输出预测结果。2.根据权利要求1所述的基于梯度提升决策树和神经网络的货量预测方法，其特征在于，所述特征数据X包括货运当日的天气情况、是否节假日的特征数据以及所述高维类别特征。3.根据权利要求1所述的基于梯度提升决策树和神经网络的货量预测方法，其特征在于，所述高维类别特征包括始发转运中心的特征数据和目的转运中心的特征数据。4.根据权利要求1所述的基于梯度提升决策树和神经网络的货量预测方法，其特征在于，训练所述神经网络模型M的方法步骤包括：S31，将历史N天中的所述特征数据X以及X对应的实际货量数据Y划分为训练集和验证集，所述训练集中的所述特征数据X以及X对应的实际货量数据Y分别记为X
train
、Y
train
；所述验证集中的特征数据X以及X对应的实际货量数据Y分别记为X
valid
、Y
valid
；S32，将X
train
、X
valid
中的所有样本通过所述梯度提升决策树模型T构造每个样本在每棵决策树上的叶子节点特征；S33，使用高维类别特征对应的所述叶子节点特征替换掉X
train
、X
valid
中对应的所述高维类别特征，分别得到X
′
train
、X
′
valid
；S34，以X
′
train
和Y
train
为训练样本，训练形成所述神经网络模型M；S35，将X
′
valid
输入到所述神经网络模型M中，模型M预测输出X
′
valid
对应的货量预测值S36，根据X
′
valid
对应的Y
valid
和所述货量预测值计算模型M的预测误差，并判断预测误差是否小于预设的误差阈值，若是，则终止对所述神经网络模型M的迭代训练，输出所述神经网络模型M；若否，则调整所述神经网络模型M的训练参数，并返回步骤S34继续对所述神经网络模型M进行迭代训练。5.根据权利要求4所述的基于梯度提升决策树和神经网络的货量预测系统，其特征在于，N＝800。6.根据权利要求4或5所述的基于梯度提升决策树和神经网络的货量预测系统，其特征在于，选择历史N天中的N
′
天的所述特征数据X以及X分别对应的货量数据Y作为所述神经网络模型M的验证集，0.05N≤N
′
≤0.1N。7.一种基于梯度提升决策树和神经网络的货量预测系统，可实现如权利要求1
...

【专利技术属性】
技术研发人员：陈沛林，周羽勍，龚鑫，
申请(专利权)人：浙江百世技术有限公司，
类型：发明
国别省市：