一种供需预测方法技术

本公开提供一种供需预测方法

【技术实现步骤摘要】
一种供需预测方法、模型、设备及存储介质


[0001]本公开涉及即时物流配送供需预测领域，尤其涉及一种供需预测方法
、
模型
、
设备及存储介质
。

技术介绍

[0002]在即时物流配送场景中，通常将配送覆盖到的地理范围按照预定方式划分为一个个网格，供给
(
配送运力量
)
和需求
(
运单量
)
是参与物流配送的两个维度，很大程度上关联到履约效率和用户体验
。
因此，因此若能预测每个网格未来一段时间内的供给和需求状况，可以帮助配送平台及时发现配送运力短缺和运单滞留问题，从而优化运力调配，提高履约质量和用户满意度
。
[0003]相关技术中通常采用时间序列分析的方法或者传统机器学习方法对配送运力和运单的相关历史数据进行建模，得到能反映出每个网格供需情况的接起率的预测值
。
但在实际应用中，相关技术的方法的预测准确度并不高，与实际值偏差较大
。

技术实现思路

[0004]有鉴于此，本公开提供一种供需预测方法
、
模型
、
设备及存储介质，以解决相关技术中的不足
。
[0005]根据本专利技术实施例的第一方面，提供一种供需预测方法，用于预测配送区域的供需，所述配送区域按预定方式划分为若干个网格，包括：
[0006]当其中一个所述网格被选定为目标网格，获取所述目标网格产生的时间数据和空间数据；所述时间数据表征所述目标网格在第一预设时间窗口内产生的供需；所述空间数据表征所述目标网格的周围预定范围内包含的若干个网格中每个网格在所述第一预设时间窗口内产生的供需；
[0007]从所述时间数据中提取时间特征
、
从所述空间数据中提取空间特征；
[0008]基于所述时间特征
、
所述空间特征获取所述目标网格在第二预设时间窗口内产生的接起率以及运单量，并基于所述接起率以及所述运单量预测所述目标网格在所述第二预设时间窗口内的接起量
。
[0009]可选的，所述时间数据包括所述目标网格在所述第一预设时间窗口内的运单量和配送运力总量；
[0010]所述空间数据包括所述目标网格的周围预定范围内包含的若干个网格中每个网格在所述第一预设时间窗口内的运单量和配送运力总量
。
[0011]可选的，所述时间数据包括以下至少一种：
[0012]表征供需趋势变化的时间数据
、
表征供需周期变化的时间数据
、
表征供需季节变化的时间数据
。
[0013]可选的，基于所述时间特征
、
所述空间特征获取所述目标网格在第二预设时间窗口内产生的接起率以及运单量包括：
[0014]将所述时间特征和所述空间特征输入神经网络模型，构建时空特征向量；所述神经网络模型中包括接起率预测子网络和运单量预测子网络，所述接起率预测子网络和所述运单量预测子网络以时空特征数据作为训练样本训练生成，所述时空特征数据携带有接起率标签
、
运单量标签以及接起量标签；
[0015]将所述时空特征向量作为所述接起率预测子网络的输入样本，预测所述目标网格在所述第二预设时间窗口内产生的所述接起率；
[0016]将所述时空特征向量作为所述运单量预测子网络的输入样本，预测所述目标网格在所述第二预设时间窗口内产生的所述运单量
。
[0017]可选的，所述时间特征和所述空间特征均包含连续型特征和离散型特征；将所述时间特征和所述空间特征输入神经网络模型，构建时空特征向量包括：
[0018]基于所述连续型特征确定第一连续型向量；基于所述离散型特征确定第二连续型向量；
[0019]将所述第一连续型向量和所述第二连续型向量拼接成所述时空特征向量
。
[0020]可选的，所述接起量为所述接起率与所述运单量的乘积
。
[0021]可选的，所述接起率预测子网络的损失函数为接起率损失函数；所述运单量预测子网络的损失函数为运单量损失函数；所述神经网络模型的损失函数为接起率损失函数
、
运单量损失函数和接起量损失函数的加权和
。
[0022]可选的，所述接起率损失函数为
WMAE
损失函数
、
所述运单量损失函数和接起量损失函数为
WMAPE
损失函数
。
[0023]根据本专利技术实施例的第二方面，提供一种供需预测模型，用于预测配送区域的供需，所述配送区域按预定方式划分为若干个网格，所述供需预测模型包括：
[0024]输入层，用于当其中一个所述网格被选定为目标网格，获取所述目标网格产生的时间数据和空间数据；还用于从所述时间数据中提取时间特征
、
从所述空间数据中提取空间特征；其中，所述时间数据表征所述目标网格在第一预设时间窗口内产生的供需；所述空间数据表征所述目标网格的周围预定范围内包含的若干个网格中每个网格在所述第一预设时间窗口内产生的供需；
[0025]接起率及运单量预测层，用于基于所述时间特征
、
所述空间特征获取所述目标网格在第二预设时间窗口内产生的接起率以及运单量；
[0026]输出层，用于基于所述接起率以及所述运单量预测所述目标网格在所述第二预设时间窗口内的接起量
。
[0027]可选的，所述接起率及运单量预测层包括接起率预测子网络和运单量预测子网络；
[0028]所述供需预测模型还包括预处理层，用于将所述输入层输出的所述时间特征和所述空间特征构建成时空特征向量，并分别输出给所述接起率预测子网络和所述运单量预测子网络；
[0029]所述接起率预测子网络，用于以所述时空特征向量为输入样本，预测所述目标网格在所述第二预设时间窗口内产生的所述接起率；
[0030]所述运单量预测子网络，用于以所述时空特征向量为输入样本，预测所述目标网格在所述第二预设时间窗口内产生的所述运单量
。
[0031]可选的，所述时间特征和所述空间特征均包含连续型特征和离散型特征；
[0032]所述预处理层将所述输入层输出的所述时间特征和所述空间特征构建成时空特征向量包括：
[0033]基于所述连续型特征确定第一连续型向量
、
基于所述离散型特征确定第二连续型向量；
[0034]将所述第一连续型向量和所述第二连续型向量拼接成所述时空特征向量
。
[0035]可选的，所述接起量为所述接起率与所述运单量的乘积
。
[0036]可选的，所述接起率预测子网络的损失函数为接起率损失函数；所述运单量预测子网络的损失函数为运单量损失函数；所述供需预测模型的损失函数为接起率损失函数
、
运单量损失函数和接起量损失函数的加权和...

【技术保护点】

【技术特征摘要】
1.
一种供需预测方法，用于预测配送区域的供需，所述配送区域按预定方式划分为若干个网格，包括：当其中一个所述网格被选定为目标网格，获取所述目标网格产生的时间数据和空间数据；所述时间数据表征所述目标网格在第一预设时间窗口内产生的供需；所述空间数据表征所述目标网格的周围预定范围内包含的若干个网格中每个网格在所述第一预设时间窗口内产生的供需；从所述时间数据中提取时间特征
、
从所述空间数据中提取空间特征；基于所述时间特征
、
所述空间特征获取所述目标网格在第二预设时间窗口内产生的接起率以及运单量，并基于所述接起率以及所述运单量预测所述目标网格在所述第二预设时间窗口内的接起量
。2.
根据权利要求1所述的方法，所述时间数据包括所述目标网格在所述第一预设时间窗口内的运单量和配送运力总量；所述空间数据包括所述目标网格的周围预定范围内包含的若干个网格中每个网格在所述第一预设时间窗口内的运单量和配送运力总量
。3.
根据权利要求1所述的方法，所述时间数据包括以下至少一种：表征供需趋势变化的时间数据
、
表征供需周期变化的时间数据
、
表征供需季节变化的时间数据
。4.
根据权利要求1所述的方法，基于所述时间特征
、
所述空间特征获取所述目标网格在第二预设时间窗口内产生的接起率以及运单量包括：将所述时间特征和所述空间特征输入神经网络模型，构建时空特征向量；所述神经网络模型中包括接起率预测子网络和运单量预测子网络，所述接起率预测子网络和所述运单量预测子网络以时空特征数据作为训练样本训练生成，所述时空特征数据携带有接起率标签
、
运单量标签以及接起量标签；将所述时空特征向量作为所述接起率预测子网络的输入样本，预测所述目标网格在所述第二预设时间窗口内产生的所述接起率；将所述时空特征向量作为所述运单量预测子网络的输入样本，预测所述目标网格在所述第二预设时间窗口内产生的所述运单量
...

【专利技术属性】
技术研发人员：许益彬，何朝旭，付丹阳，陈思斯，
申请(专利权)人：上海蜂鸟即配信息科技有限公司，
类型：发明
国别省市：