基于LightGBM模型的快递物流时效预测方法技术

本发明专利技术涉及物流领域陆运物流时效预测方法,基于LightGBM模型的快递物流时效预测方法，包括如下步骤：S1获取物流时效样本数据；所述物流时效样本数据为两个城市之间快递物流时效数据；S2模型特征变量所需数据为公开数据，收集特征变量数据，并对特征变量进行整理；S3构建LightGBM模型预测市到市的物流时效；S4根据市到市的物流时效，推导市到县、县到县的物流时效，设定阈值，根据行车里程，对市到县、县到县的物流时效进行调整。本方法的预测准确率能够达到80％以上。经过实验，对样本数据按照4：1划分训练集和测试集时，本方法在测试集上预测准确率到达82.92％，在验证集上的准确率达到了86.21％。率达到了86.21％。率达到了86.21％。

【技术实现步骤摘要】
基于LightGBM模型的快递物流时效预测方法


[0001]本专利技术涉及本专利技术属于物流领域陆运物流时效预测方法。

技术介绍

[0002]随着大数据的发展，数据信息对于决策具有举足轻重的作用。物流时效数据是涉及运输的公司进行决策需要考虑的因素之一，尤其在供应链管理中，物流影响着供应水平以及响应能力，拥有完整的物流时效数据对于提高供应链管理水平具有重要意义。
[0003]目前，国内外预测物流时效的方法包括机器学习方法、回归分析法以及自回归时间序列模型等。
[0004]现有技术Li X,Bai R,Siebers P O,et al.Travel time prediction in transport and logistics:Towards more efficient vehicle GPS data management using tree ensemble methods[J].VINE Journal of Information and Knowledge Management Systems,2019.该技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于LightGBM模型的快递物流时效预测方法，其特征在于，包括如下步骤：S1获取物流时效样本数据；所述物流时效样本数据为两个城市之间快递物流时效数据；S2模型特征变量所需数据为公开数据；收集特征变量数据，并对特征变量进行整理；S3构建LightGBM模型预测市到市的物流时效；S4根据市到市的物流时效，推导市到县、县到县的物流时效；设定阈值，根据行车里程，对市到县、县到县的物流时效进行调整。2.根据权利要求1所述的方法，其特征在于，所述获取物流时效样本数据，包括：物流数据有三个维度：发出地，目的地以及两地之间的物流时效。物流时效样本数据获取方式：由合作的快递物流运营商提供、由历史寄运的快递数据整理得到、通过在互联网上查询来收集样本数据。3.根据权利要求1所述的方法，其特征在于，所述特征变量所需数据为公开数据；收集特征变量数据，并对特征变量进行整理，包括：特征变量包括发出城市类型、目的城市类型、发出省份、目的省份、发出城市名称、目的城市名称、发出城市经度、发出城市纬度、目的城市经度、目的城市纬度、发出城市GDP、目的城市GDP、发出城市人均GDP、目的城市人均GDP、行车里程以及集货时间；城市类型包括首都、直辖市、省会、地级市以及县级市；发出省份为快件发出地隶属省份；目的省份为快件接收地隶属省份；发出城市名称为发出地隶属的首都、直辖市、省会或者地级市；目的城市名称为目的地隶属的首都、直辖市、省会或者地级市；发出城市经度、发出城市纬度、目的城市经度、目的城市纬度通过地图开放平台获取；发出城市GDP、目的城市GDP通过统计年鉴查询；行车里程，通过地图开放平台下载发出地到目的地的行车里程。4.根据权利要求3所述的方法，其特征在于，所述集货时间，包括：快递公司从收到快件到开始运输的时间称为集货时间；集货时间由物流时效减去修改的行车时间得到，集货时间为发出省份到目的省份的集货时间。5.根据权利要求3所述的方法，其特征在于，所述集货时间为发出省份到目的省份的集货时间，包括：对于发出省份相同并且目的省份也相同的情况，求其集货时间的平均值，作为发出省份到目的省份的集货时间；当某两个省份之间的集货时间缺失时，通过收集更多的物流时效数据来解决。6.根据权利要求3所述的方法，其特征在于，所述发出城市类型、发出省份、发出城市名称、目的城市类型、目的省份、目的城市名称，包括：特征变量中发出城市类型、发出省份、发出城市名称、目的城市类...

【专利技术属性】
技术研发人员：陈莉娜，
申请(专利权)人：迈创企业管理服务股份有限公司，
类型：发明
国别省市：