货运需求预测方法、系统、设备及存储介质技术方案

本发明专利技术提供了一种货运需求预测方法、系统、设备及存储介质，该方法包括：获取各个区域的第一历史货源数据，所述第一历史货源数据包括第一时间范围内各个车型的历史货源数量；基于所述第一历史货源数据训练货运需求预测模型；获取各个区域的第二历史货源数据，所述第二历史货源数据包括待预测时段之前第二时间范围内各个车型的历史货源数量；将各个区域的第二历史货源数据输入训练好的货运需求预测模型，根据模型的输出确定各个区域中各个车型的预测货源数量。本发明专利技术通过数据分析，有效计算城市各区域内、各个车型的货运需求量，从而大大提高平台调配物流资源的效率，降低了平台的数据处理量，数据处理效率更高。数据处理效率更高。数据处理效率更高。

Freight demand forecasting method, system, equipment and storage medium

【技术实现步骤摘要】
货运需求预测方法、系统、设备及存储介质


[0001]本专利技术涉及数据处理
，尤其涉及一种货运需求预测方法、系统、设备及存储介质。

技术介绍

[0002]目前，物流成本已占全国GDP的14％以上，高效智能的物流调度系统对于提高物流效率、降低物流成本、减少由物流产生的碳排放具有举足轻重的作用。一个智能物流调度系统实现正常高效运转需要拥有时间和空间上的运力供给量和货运需求量的准确信息，进而通过一系列调度操作去平衡整个市场的供需结构，从而提高物流系统的整体运转效率。在货运需求预测不准确、不精细时，货运物流平台难以高效率地完成运力调度，对于平台来说，数据处理量大大增加，数据处理效率大大降低。
[0003]现有技术中已经出现了很多计算用车需求的方法，如专利申请CN112329962A、CN111801701A、CN111861175A、CN111626534A、CN109673173A等，旨在预测某一时段的用车需求，从而可以更好地进行运力调度。然而，现有的技术主要是针对于互联网网约车领域的乘客与司机的供需平衡关系，进一步提升了乘客侧的服务体验，同时又提高了司机侧的接单率，提高了平台整体的运作效率。这种方法主要面向的是网约车领域针对C端用户的分单调度应用。网约车领域的C端用户的需求相对比较单一，要求的是打到车的服务，这与货运物流领域的分单调度情况有着极大的不同。货运物流领域的分单调度问题，主要针对的是B端货主用户。B端货主用户由于所托物品的种类、体积、重量等因素，往往对于叫车服务相比于网约车领域的C端用户有着更为多样性的需求。而这多样性的需求，要求平台需要针对不同的货主需求，提供不同的货运需求预测值。这对平台计算各细分区域内的货运需求提出了更高的要求。

技术实现思路

[0004]针对现有技术中的问题，本专利技术的目的在于提供一种货运需求预测方法、系统、设备及存储介质，通过数据分析，有效计算城市各区域内、各个车型的货运需求量，从而大大提高平台调配物流资源的效率，降低了平台的数据处理量，数据处理效率更高。
[0005]本专利技术实施例提供一种货运需求预测方法，包括如下步骤：
[0006]获取各个区域的第一历史货源数据，所述第一历史货源数据包括第一时间范围内各个车型的历史货源数量；
[0007]基于所述第一历史货源数据训练货运需求预测模型；
[0008]获取各个区域的第二历史货源数据，所述第二历史货源数据包括待预测时段之前第二时间范围内各个车型的历史货源数量；
[0009]将各个区域的第二历史货源数据输入训练好的货运需求预测模型，根据模型的输出确定各个区域中各个车型的预测货源数量。
[0010]在一些实施例中，所述获取各个区域的第一历史货源数据之前，还包括如下步骤：
[0011]获取目标地理范围的地图数据；
[0012]采用H3方法将目标地理范围进行网格划分，得到多个区域；
[0013]确定各个区域的位置信息和H3编码。
[0014]在一些实施例中，获取各个区域的第一历史货源数据，包括如下步骤：
[0015]采集目标地理范围在第一时间范围内各个时段的历史货运订单数据，每个时段的时长为m个小时，m大于1；
[0016]根据所述历史货运订单数据确定各个历史货运订单所对应的POI位置和车型；
[0017]调用H3接口算法包，将各个所述POI位置映射到各个所述区域中，建立各个所述POI位置与所对应区域的H3编码的映射关系；
[0018]根据各个区域的H3编码与POI位置的映射关系，确定在第一时间范围内各个时段所对应的各个区域内各个车型的历史货源数量，作为各个时段的历史货源数据，将第一时间范围内所有时段的历史货源数据作为所述第一历史货源数据。
[0019]在一些实施例中，根据所述历史货运订单数据确定各个历史货运订单所对应的POI位置和车型，包括如下步骤：
[0020]根据所述历史货运订单数据确定各个历史货运订单所对应的货源装货点的POI位置；
[0021]根据所述历史货运订单数据确定各个历史货运订单所对应的车辆需求特征；
[0022]根据各个历史货运订单所对应的车辆需求特征确定各个历史货运订单所对应的车型。
[0023]在一些实施例中，基于所述第一历史货源数据训练货运需求预测模型，包括如下步骤：
[0024]从所述第一历史货源数据中选择n个时段作为样本时段，n大于1；
[0025]将每个样本时段之前的x个时段的历史货源数据作为该样本时段所对应的样本输入数据，x大于1；
[0026]将每个样本时段的历史货源数据作为该样本时段所对应的标签；
[0027]将各个所述样本输入数据输入到所述货运需求预测模型，根据所述货运需求预测模型的输出和所对应的标签迭代训练所述货运需求预测模型。
[0028]在一些实施例中，所述将各个所述样本输入数据输入到所述货运需求预测模型之前，还包括如下步骤：
[0029]获取各个样本时段对应的关联属性数据；
[0030]将各个样本时段对应的关联属性数据添加到所对应的样本输入数据。
[0031]在一些实施例中，获取各个区域的第二历史货源数据，包括如下步骤：
[0032]将待预测时段之前的x个时段作为输入参考时段；
[0033]确定所述输入参考时段与所述第一时间范围的重合时段以及未与所述第一时间范围重合的非重合时段；
[0034]从所述第一历史货源数据中获取所述重合时段的历史货源数据；
[0035]采集目标地理范围在各个所述非重合时段内的历史货运订单数据；
[0036]根据所述非重合时段内的历史货运订单数据确定各个非重合时段的历史货源数据；
[0037]将所述输入参考时段内的历史货源数据作为所述第二历史货源数据。
[0038]在一些实施例中，所述将各个区域的第二历史货源数据输入训练好的货运需求预测模型，包括如下步骤：
[0039]获取各个输入参考时段对应的关联属性数据；
[0040]将所述第二历史货源数据和各个输入参考时段对应的关联属性数据输入训练好的货运需求预测模型。
[0041]在一些实施例中，所述关联属性数据包括区域位置属性数据、天气属性数据、日期属性数据和商圈属性数据中的一种或多种。
[0042]在一些实施例中，所述根据模型的输出确定各个区域中各个车型的预测货源数量之后，还包括如下步骤：
[0043]获取待预测时段的真实货源数据，所述真实货源数据包括待预测时段内各个区域的各个车型的真实货源数量；
[0044]基于所述待预测时段的真实货源数据和预测货源数量优化所述货运需求预测模型。
[0045]在一些实施例中，根据模型的输出确定各个区域中各个车型的预测货源数量之后，还包括如下步骤：
[0046]根据各个区域中各个车型的预测货运数量确定各个区域中各个车型的热力值；
[0047]根据所述热力值生成包括各个区本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种货运需求预测方法，其特征在于，包括如下步骤：获取各个区域的第一历史货源数据，所述第一历史货源数据包括第一时间范围内各个车型的历史货源数量；基于所述第一历史货源数据训练货运需求预测模型；获取各个区域的第二历史货源数据，所述第二历史货源数据包括待预测时段之前第二时间范围内各个车型的历史货源数量；将各个区域的第二历史货源数据输入训练好的货运需求预测模型，根据模型的输出确定各个区域中各个车型的预测货源数量。2.根据权利要求1所述的货运需求预测方法，其特征在于，所述获取各个区域的第一历史货源数据之前，还包括如下步骤：获取目标地理范围的地图数据；采用H3方法将目标地理范围进行网格划分，得到多个区域；确定各个区域的位置信息和H3编码。3.根据权利要求2所述的货运需求预测方法，其特征在于，获取各个区域的第一历史货源数据，包括如下步骤：采集目标地理范围在第一时间范围内各个时段的历史货运订单数据，每个时段的时长为m个小时，m大于1；根据所述历史货运订单数据确定各个历史货运订单所对应的POI位置和车型；调用H3接口算法包，将各个所述POI位置映射到各个所述区域中，建立各个所述POI位置与所对应区域的H3编码的映射关系；根据各个区域的H3编码与POI位置的映射关系，确定在第一时间范围内各个时段所对应的各个区域内各个车型的历史货源数量，作为各个时段的历史货源数据，将第一时间范围内所有时段的历史货源数据作为所述第一历史货源数据。4.根据权利要求3所述的货运需求预测方法，其特征在于，根据所述历史货运订单数据确定各个历史货运订单所对应的POI位置和车型，包括如下步骤：根据所述历史货运订单数据确定各个历史货运订单所对应的货源装货点的POI位置；根据所述历史货运订单数据确定各个历史货运订单所对应的车辆需求特征；根据各个历史货运订单所对应的车辆需求特征确定各个历史货运订单所对应的车型。5.根据权利要求3所述的货运需求预测方法，其特征在于，基于所述第一历史货源数据训练货运需求预测模型，包括如下步骤：从所述第一历史货源数据中选择n个时段作为样本时段，n大于1；将每个样本时段之前的x个时段的历史货源数据作为该样本时段所对应的样本输入数据，x大于1；将每个样本时段的历史货源数据作为该样本时段所对应的标签；将各个所述样本输入数据输入到所述货运需求预测模型，根据所述货运需求预测模型的输出和所对应的标签迭代训练所述货运需求预测模型。6.根据权利要求5所述的货运需求预测方法，其特征在于，所述将各个所述样本输入数据输入到所述货运需求预测模型之前，还包括如下步骤：获取各个样本时段对应的关联属性数据；
将各个样本时段对应的关联属性数据添加到所对应的样本输入数据。7.根据权利要求5所述的货运需求预...

【专利技术属性】
技术研发人员：方志龙，张先东，王超，范育峰，翟号，李佩，
申请(专利权)人：江苏满运软件科技有限公司，
类型：发明
国别省市：