一种物流网点业务量的预测方法及装置制造方法及图纸

本发明专利技术涉及一种物流网点业务量的预测方法及装置，属于物流业务量预测技术领域，该方法包括：获取待预测网点的时间序列特征和空间序列特征；时间序列特征为所述待预测网点的历史业务量数据；所述空间序列特征为所述待预测网点与附近网点的网点间距，及所述网点间距小于等于预设值的所述附近网点的网点数量；依据所述时间序列特征和所述空间序列特征生成网点业务量图；将所述网点业务量图输入到图卷积网络

【技术实现步骤摘要】
一种物流网点业务量的预测方法及装置


[0001]本专利技术属于物流业务量预测
，具体涉及一种物流网点业务量的预测方法及装置
。

技术介绍

[0002]目前，预测网点业务量对于快递公司的运营具有重要的意义
。
精准预测网点业务量有助于网点经营负责人合理的安排车辆和人，进而提升企业管理效率，业务效率，服务水平，运营水平
。
快递行业网点的历史业务量是时序关系，因此现有的预测方法仅考虑了时间序列的维度，如大促
、
节假日等特征；但是这种预测方法在预测某些网点时预测业务量与实际业务量相差较多，预测结果不准确
。

技术实现思路

[0003]为此，本专利技术提供了一种物流网点业务量的预测方法及装置，以解决现有预测方法在预测某些网点时预测业务量与实际业务量相差较多，预测结果不准确的问题
。
[0004]为实现以上目的，本专利技术采用如下技术方案：
[0005]第一方面，本专利技术提供了一种物流网点业务量的预测方法，包括：
[0006]获取待预测网点的时间序列特征和空间序列特征；所述时间序列特征为所述待预测网点的历史业务量数据；所述空间序列特征为所述待预测网点与附近网点的网点间距，及所述网点间距小于等于预设值的所述附近网点的网点数量；
[0007]依据所述时间序列特征和所述空间序列特征生成网点业务量图；
[0008]将所述网点业务量图输入到图卷积网络
‑
循环神经网络模型后得到所述待预测网点的目标预测业务量
。
[0009]进一步地，所述网点业务量图包括中心节点
、
其他节点及连接边；所述依据所述时间序列特征和所述空间序列特征生成网点业务量图，包括：
[0010]以所述待预测网点为所述中心节点，以所述附近网点为所述其他节点；
[0011]获取并依据所述附近网点和所述待预测网点的经纬度确定所述其他节点相对于所述中心节点的方位；
[0012]依据所述待预测网点与附近网点的网点间距确定所述其他节点与所述中心节点的节点间距；
[0013]依据所述历史业务量数据中每个快件的运输路径确定所述中心节点与所述其他节点
、
所述其他节点间的所述连接边；所述运输路径中记录了快件经过的所有网点；
[0014]当所述历史业务量数据中每个快件的运输路径均生成所述连接边后得到所述网点业务量图
。
[0015]进一步地，所述依据所述待预测网点与附近网点的网点间距确定所述其他节点与所述中心节点的节点间距，包括：
[0016]获取所述网点间距中的最大网点间距以及最小网点间距；
[0017]通过权重计算公式得到所述附近网点中
x
网点的网点权重：
[0018][0019]其中，
Wx
为
x
网点的网点权重，
dx
为待预测网点与
x
网点的网点间距，
dmax
为最大网点间距，
dmin
为最小网点间距；
[0020]所述
x
网点的网点权重的预设倍数为所述
x
网点对应的所述其他节点与所述中心节点的节点间距
。
[0021]进一步地，所述将所述网点业务量图输入到图卷积网络
‑
循环神经网络模型后得到所述待预测网点的目标预测业务量，包括：
[0022]通过图卷积网络对所述网点业务量图进行特征提取得到特征向量；所述特征向量为所述中心节点或所述其他节点的属性信息和关系信息；
[0023]通过循环神经网络捕捉并将所述特征向量的时序信息编码到网络中，形成每个时间步长的输出，直到所述特征向量均被捕捉完成，得到所述目标预测业务量
。
[0024]进一步地，所述方法还包括：
[0025]依据工作日
、
节假日和促销日将所述历史业务量数据划分为工作日业务量数据
、
节假日业务量数据和促销业务量数据；
[0026]若所述待预测网点的预测时段为工作日，则将所述历史业务量数据中的所述工作日业务量数据作为所述时间序列特征；
[0027]若所述待预测网点的预测时段为节假日，则将所述历史业务量数据中的所述节假日业务量数据作为所述时间序列特征；
[0028]若所述待预测网点的预测时段为促销日，则将所述历史业务量数据中的所述促销日业务量数据作为所述时间序列特征
。
[0029]进一步地，所述方法还包括：
[0030]通过分位数法对所述历史业务量数据进行异常检测；
[0031]若所述历史业务量数据中存在异常数据，以线性插值法将所述异常数据补全
。
[0032]进一步地，在所述将所述网点业务量图输入到图卷积网络
‑
循环神经网络模型后得到所述待预测网点的目标预测业务量之前，所述方法包括：
[0033]获取用于网点业务量预测的训练集和测试集；
[0034]依据所述训练集对所述图卷积网络
‑
循环神经网络模型执行训练任务得到训练预测数据；
[0035]依据所述测试集对所述图卷积网络
‑
循环神经网络模型执行测试任务得到测试预测数据；
[0036]依据所述训练预测数据和所述测试预测数据调整所述图卷积网络
‑
循环神经网络模型中的参数
。
[0037]第二方面，本专利技术提供了一种物流网点业务量的预测装置，包括：
[0038]获取模块，用于获取待预测网点的时间序列特征和空间序列特征；所述时间序列特征为所述待预测网点的历史业务量数据；所述空间序列特征为所述待预测网点与附近网点的网点间距，及所述网点间距小于等于预设值的所述附近网点的网点数量；
[0039]图生成模块，用于依据所述时间序列特征和所述空间序列特征生成网点业务量
图；
[0040]预测模块，用于将所述网点业务量图输入到图卷积网络
‑
循环神经网络模型后得到所述待预测网点的目标预测业务量
。
[0041]本专利技术采用以上技术方案，至少具备以下有益效果：
[0042]提供了提供了一种物流网点业务量的预测方法及装置，依据待预测网点的时间序列特征和空间序列特征生成网点业务量图，再利用图卷积网络识别网点业务量图得到特征向量，利用循环神经网络捕捉并将特征向量的时序信息编码到网络中得到目标预测业务量；这使得预测网点业务量时考虑历史业务量的时间序列因素，同时又考虑待预测网点与其他各个网点间互相影响的空间因素，对待预测网点的业务量进行时空结合的预测，使预测业务量更接近实际的业务量，进而提高了预测结果的准确性
。
[0043]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本专利技术
。
附图说本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种物流网点业务量的预测方法，其特征在于，所述方法包括：获取待预测网点的时间序列特征和空间序列特征；所述时间序列特征为所述待预测网点的历史业务量数据；所述空间序列特征为所述待预测网点与附近网点的网点间距，及所述网点间距小于等于预设值的所述附近网点的网点数量；依据所述时间序列特征和所述空间序列特征生成网点业务量图；将所述网点业务量图输入到图卷积网络
‑
循环神经网络模型后得到所述待预测网点的目标预测业务量
。2.
根据权利要求1所述的方法，其特征在于，所述网点业务量图包括中心节点
、
其他节点及连接边；所述依据所述时间序列特征和所述空间序列特征生成网点业务量图，包括：以所述待预测网点为所述中心节点，以所述附近网点为所述其他节点；获取并依据所述附近网点和所述待预测网点的经纬度确定所述其他节点相对于所述中心节点的方位；依据所述待预测网点与附近网点的网点间距确定所述其他节点与所述中心节点的节点间距；依据所述历史业务量数据中每个快件的运输路径确定所述中心节点与所述其他节点
、
所述其他节点间的所述连接边；所述运输路径中记录了快件经过的所有网点；当所述历史业务量数据中每个快件的运输路径均生成所述连接边后得到所述网点业务量图
。3.
根据权利要求2所述的方法，其特征在于，所述依据所述待预测网点与附近网点的网点间距确定所述其他节点与所述中心节点的节点间距，包括：获取所述网点间距中的最大网点间距以及最小网点间距；通过权重计算公式得到所述附近网点中
x
网点的网点权重：其中，
Wx
为
x
网点的网点权重，
dx
为待预测网点与
x
网点的网点间距，
dmax
为最大网点间距，
dmin
为最小网点间距；所述
x
网点的网点权重的预设倍数为所述
x
网点对应的所述其他节点与所述中心节点的节点间距
。4.
根据权利要求2所述的方法，其特征在于，所述将所述网点业务量图输入到图卷积网络
‑
循环神经网络模型后得到所述待预测网点的目标预测业务量，包括：通过图卷积网络对所述网点业务量图进行特征提取...

【专利技术属性】
技术研发人员：赵江江，郝思维，蒋国友，
申请(专利权)人：上海中通吉网络技术有限公司，
类型：发明
国别省市：