申请/专利权人：跨越速运集团有限公司

申请日：2019-04-19

公开（公告）日：2022-06-17

公开（公告）号：CN110175695B

主分类号：G06Q10/04

分类号：G06Q10/04;G06Q10/08;G06N20/20

优先权：

专利状态码：有效-授权

法律状态：2022.06.17#授权;2019.12.31#实质审查的生效;2019.08.27#公开

摘要：本发明公开了一种针对春节期间的货量预测方法及系统，该方法包括：选取上一周与预测日属于一周同一天的历史货量数据，输入至训练好的LSTM模型，得到预测日的初始货量预测值；获取预测日前一日的实际货量，以及与预测日前一日相邻连续多周的日平均实际货量，并比较两者间的货量变化比率；判断货量变化比率是否大于预测阈值；若是，根据春节期间货量比例变化系数对初始货量预测值进行修正，获得货量最终预测值。本发明通过当预测日前一日的实际货量和相邻连续多周的日平均实际货量之间的货量变化比率超过预测阈值时，根据春节期间货量比例变化系数对LSTM模型得到的初始货量预测值进行修正，从而提高预测的精准度。

主权项：1.一种针对春节期间的货量预测方法，其特征在于，其包括：选取上一周与预测日属于一周同一天的历史货量数据，输入至训练好的LSTM模型，得到预测日的初始货量预测值；获取预测日前一日的实际货量，以及与预测日前一日相邻连续多周的日平均实际货量，并比较两者间的货量变化比率；判断所述货量变化比率是否大于预测阈值；若是，根据春节期间货量比例变化系数对初始货量预测值进行修正，获得货量最终预测值；所述春节期间货量比例变化系数由基于预测日上一年度春节期间的历史货量训练得到的XGBoost模型预测得出，包括：以预测日上一年度的除夕为第一时间节点T0，在第一构建周期[T0-7m，T0+7m]范围内进行特征工程，构造第一衍生特征值，m取自然数；以预测日当前年度的除夕为第二时间节点T1，在第二构建周期[T1-7m，T1+7m]范围内进行特征工程，构造第二衍生特征值，m取自然数；计算出第一构建周期[T0-7m，T0+7m]范围内的实际货量周比例系数rt；所述实际货量周比例系数，表示t日当天的实际货量，表示上一周与t日同一天的实际货量；将所述实际货量周比例系数rt作为XGBoost模型的训练目标，并结合所述第一衍生特征值对XGBoost模型进行训练；将第二衍生特征值输入至训练好的XGBoost模型中，得到春节期间货量比例变化系数。

全文数据：针对春节期间的货量预测方法及系统技术领域本发明涉及货量预测技术领域，尤其涉及一种针对春节期间的货量预测方法及系统。背景技术在物流行业中，为了高效的进行货量配载和运输，往往都需要提前安排好车辆的调配工作，因此，需要进行货量预测，而为了保证合理调配物流车辆，货量预测的准确性则显得越来越重要。现有的物流公司大多通过有经验的工作人员和通用预测模型相结合来进行货量预测，在正常工作日时，能取得一个较好的预测结果。但是，当碰到节假日时，节假日之前与之后的货量都会因为节日的出现而改变，尤其是春节期间，作为中国的传统节假日，其持续时间长、范围广，往往会导致货量出现骤降和激增的情况，从而导致了现有的通用预测模型无法准确地作出货量预测，而若仅通过人工预测，因不同的工作人员负责的线路不同，且经验积累耗时久，导致该方式也不具有可行性，严重影响了物流车辆的调配工作。发明内容本发明提供了一种针对春节期间的货量预测方法及系统，以解决现有物流行业中春节假期期间货量预测不准确的问题。为了解决上述问题，本发明提供了一种针对春节期间的货量预测方法，其包括：选取上一周与预测日属于一周同一天的历史货量数据，输入至训练好的LSTM模型，得到预测日的初始货量预测值；获取预测日前一日的实际货量，以及与预测日前一日相邻连续多周的日平均实际货量，并比较两者间的货量变化比率；判断货量变化比率是否大于预测阈值；若是，根据春节期间货量比例变化系数对初始货量预测值进行修正，获得货量最终预测值。作为本发明的进一步改进，春节期间货量比例变化系数由基于预测日上一年度春节期间的历史货量训练得到的XGBoost模型预测得出。作为本发明的进一步改进，春节期间货量比例变化系数由基于预测日上一年度春节期间的历史货量训练得到的XGBoost模型预测得出，包括：以预测日上一年度的除夕为第一时间节点T0，在第一构建周期[T0-7m，T0+7m]范围内进行特征工程，构造第一衍生特征值，m取自然数；以预测日当前年度的除夕为第二时间节点T1，在第二构建周期[T1-7m，T1+7m]范围内进行特征工程，构造第二衍生特征值，m取自然数；计算出第一构建周期[T0-7m，T0+7m]范围内的实际货量周比例系数rt；实际货量周比例系数Wt表示t日当天的实际货量，Wt-7表示上一周与t日同一天的实际货量；将实际货量周比例系数rt作为XGBoost模型的训练目标，并结合第一衍生特征值对XGBoost模型进行训练；将第二衍生特征值输入至训练好的XGBoost模型中，得到春节期间货量比例变化系数。作为本发明的进一步改进，特征工程包括：特征1，包括：根据与日期对应的星期几信息，将星期一至星期日，依次设置特征值为1，2，3，4，5，6，7；特征2，包括：以除夕为时间节点T，变化天数为x天，变化区间为[T-x,T+x]；除夕当天特征值设置为0；以时间节点T当天为起始日期，当日期t∈[T-1，T+3]时，日期t的特征值设置为0；以时间节点T当天为起始日期，特征值从0开始，分别向变化区间边界日期T-x和T+x依次递增；当日期时，日期t的特征值设置为-1；特征3，包括：以时间节点T作为第0周的第一天，每7天划分为一周，即[T0，T0+6]作为同一周，周数N＝0，周数特征值设定为0；时间节点T的上一周，即[T0-7，T0-1]，周数N＝-1，周数特征值设定为-1；时间节点T的下一周，即[T0+7，T0+13]，周数N＝1，周数特征值设定为1；其余周依此类推；特征4，包括：以时间节点T作为第0周的星期一，其它日期以时间节点T为参考，对每一天的星期几重新定义，重新定义后的日期特征值设定为YT+7N＝1，YT+1+7N＝2，…，YT+6+7N＝7，N为根据特征3划分的周数；特征5，包括：将日期划分为特殊日和除特殊日之外的正常日，正常日特征值设为0，特殊日的特征值设为预设值。作为本发明的进一步改进，特殊日的特征值设为预设值，包括：第一类特殊日，包括：在日期范围属于根据特征3划分的周数N＝-1的日期中，按照特征1中的星期定义，选取星期一和星期二，特征值均设为1；第二类特殊日，包括：在日期范围属于根据特征3划分的周数N＝{-3，-2}的日期中，按照特征1中的星期定义，选取所有的星期日，特征值均设为2；第三类特殊日，包括：当日期为时间节点T之后的第9天，且该天按照特征1中的星期定义，若不是星期日，则该天特征值设为3；若是星期日，则选取日期为时间节点T之后的第10天，设该天特征值为3；第四类特殊日，包括：在时间节点T之后8天的日期，且属于根据特征3划分的周数N＝{1，2}范围内，按照特征1中的星期定义，选取所有星期日，特征值设为-1。为了解决上述问题，本发明还提供了一种针对春节期间的货量预测系统，其包括：初始预测模块，用于选取上一周与预测日属于一周同一天的历史货量数据，输入至训练好的LSTM模型，得到预测日的初始货量预测值；比较模块，用于获取预测日前一日的实际货量，以及与预测日前一日相邻连续多周的日平均实际货量，并比较两者间的货量变化比率；判断模块，用于判断货量变化比率是否大于预测阈值；修正模块，用于当货量变化比率大于预测阈值时，根据春节期间货量比例变化系数对初始货量预测值进行修正，获得货量最终预测值。作为本发明的进一步改进，其还包括变化系数获取模块，用于根据预测日上一年度春节期间的历史货量训练得到的XGBoost模型预测得出春节期间货量比例变化系数。作为本发明的进一步改进，变化系数获取模块包括：特征值获取单元，用于以预测日上一年度的除夕为第一时间节点T0，在第一构建周期[T0-7m，T0+7m]范围内进行特征工程，构造第一衍生特征值，m取自然数；以预测日当前年度的除夕为第二时间节点T1，在第二构建周期[T1-7m，T1+7m]范围内进行特征工程，构造第二衍生特征值，m取自然数；计算单元，用于计算出第一构建周期[T0-7m，T0+7m]范围内的实际货量周比例系数rt；实际货量周比例系数Wt表示t日当天的实际货量，Wt-7表示上一周与t日同一天的实际货量；训练单元，用于将实际货量周比例系数rt作为XGBoost模型的训练目标，并结合第一衍生特征值对XGBoost模型进行训练；变化系数获取单元，用于将第二衍生特征值输入至训练好的XGBoost模型中，得到春节期间货量比例变化系数。作为本发明的进一步改进，特征工程包括：特征1，包括：根据与日期对应的星期几信息，将星期一至星期日，依次设置特征值为1，2，3，4，5，6，7；特征2，包括：以除夕为时间节点T，变化天数为x天，变化区间为[T-x,T+x]；除夕当天特征值设置为0；以时间节点T当天为起始日期，当日期t∈[T-1，T+3]时，日期t的特征值设置为0；以时间节点T当天为起始日期，特征值从0开始，分别向变化区间边界日期T-x和T+x依次递增；当日期时，日期t的特征值设置为-1；特征3，包括：以时间节点T作为第0周的第一天，每7天划分为一周，即[T0，T0+6]作为同一周，周数N＝0，周数特征值设定为0；时间节点T的上一周，即[T0-7，T0-1]，周数N＝-1，周数特征值设定为-1；时间节点T的下一周，即[T0+7，T0+13]，周数N＝1，周数特征值设定为1；其余周依此类推；特征4，包括：以时间节点T作为第0周的星期一，其它日期以时间节点T为参考，对每一天的星期几重新定义，重新定义后的日期特征值设定为YT+7N＝1，YT+1+7N＝2，…，YT+6+7N＝7，N为根据特征3划分的周数；特征5，包括：将日期划分为特殊日和除特殊日之外的正常日，正常日特征值设为0，特殊日的特征值设为预设值。作为本发明的进一步改进，特殊日的特征值设为预设值，包括：第一类特殊日，包括：在日期范围属于根据特征3划分的周数N＝-1的日期中，按照特征1中的星期定义，选取星期一和星期二，特征值均设为1；第二类特殊日，包括：在日期范围属于根据特征3划分的周数N＝{-3，-2}的日期中，按照特征1中的星期定义，选取所有的星期日，特征值均设为2；第三类特殊日，包括：当日期为时间节点T之后的第9天，且该天按照特征1中的星期定义，若不是星期日，则该天特征值设为3；若是星期日，则选取日期为时间节点T之后的第10天，设该天特征值为3；第四类特殊日，包括：在时间节点T之后8天的日期，且属于根据特征3划分的周数N＝{1，2}范围内，按照特征1中的星期定义，选取所有星期日，特征值设为-1。相比于现有技术，本发明通过LSTM模型得到预测日的初始货量预测值之后，获取预测日前一日的实际货量，以及预测日前一日相邻连续多周的日平均实际货量，得到两者之间的货量变化比率，并且通过货量变化比率确认预测日是否为受到春节假期影响的日期，当货量变化比率大于预测阈值时，即确认预测日受到了春节假期影响，从而根据春节期间货量比例变化系数对初始货量预测值进行修正，得到货量最终预测值，实现了对初始货量预测值的修正，使得预测得到的结果更为准确，方便进行物流车辆的调配工作。附图说明图1为本发明针对春节期间的货量预测方法一个实施例的流程示意图；图2为本发明针对春节期间的货量预测方法一个实施例中获取春节期间货量比例变化系数的流程示意图；图3为本发明针对春节期间的货量预测方法一个实施例的预测效果对比示意图；图4为本发明针对春节期间的货量预测系统第一个实施例的功能模块示意图；图5为本发明针对春节期间的货量预测系统第二个实施例的功能模块示意图；图6为本发明针对春节期间的货量预测系统第三个实施例的功能模块示意图。具体实施方式为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用来限定本发明。图1展示了本发明针对春节期间的货量预测方法的一个实施例。如图1所示，在本实施例中，该针对春节期间的货量预测方法，包括以下步骤：步骤S1，选取上一周与预测日属于一周同一天的历史货量数据，输入至训练好的LSTM模型，得到预测日的初始货量预测值。需要理解的是，本实施例中所述的LSTM模型是指长短期记忆网络模型，并且，本实施例中的LSTM模型是已经根据历史数据训练好的模型，其可以根据历史数据对非春节期间的货量进行预测，且能够得到一个较为准确的预测结果。具体地，首先从历史数据库中提取历史数据，并对历史数据中的无效数据进行剔除。该历史数据包括历史货量数据，以上一周与预测日属于一周同一天的历史货量数据以及预测日当天为星期几作为输入特征，输入至训练好的LSTM模型，从而得到预测日的初始货量预测值。具体请参阅表1，表1展示了LSTM模型的输入特征。表1LSTM模型的输入特征参照上表1，例如，假设预测日为2019年2月4日，对应星期一，上一周同一天为2019年1月28日，该日的实际货量wt为50441.4kg，则LSTM模型的输入特征为50441.4，1，0，0，0，0，0，0，经过LSTM模型的计算，从而得到2019年2月4日的初始货量预测值。步骤S2，获取预测日前一日的实际货量，以及与预测日前一日相邻连续多周的日平均实际货量，并比较两者间的货量变化比率。具体地，例如，假设预测日为t0，为预测日的前一天，当天的实际货量为将的货量数据定义为本周货量，的货量数据定义为上一周的货量，则与预测日前一日相邻连续两周的日平均实际货量表示日期t1范围内每天的实际货量；进一步，根据当天的实际货量为和日平均实际货量计算得到两者之间的货量变化比率，本实施例中，采用预测日前一日相邻连续两周的数据只是进行举例说明，在实际操作中，具体取预测日前一日相邻几周的日平均实际货量，可结合数据处理需求进行选择。步骤S3，判断货量变化比率是否大于预测阈值。若是，则执行步骤S4；若否，则将初始货量预测值作为最终预测结果。具体地，该预测阈值预先设定，当计算得到的货量变化比率大于该预测阈值时，说明春节期间已经对预测日的货量产生影响，此时根据LSTM模型预测得到的结果已经不够准确，因此，需要执行步骤S4，以对初始货量预测值进行修正；当货量变化比率不大于预测阈值时，说明此时春节期间还未对预测日的货量产生影响，则将LSTM模型输出的初始货量预测值作为预测结果输出。步骤S4，根据春节期间货量比例变化系数对初始货量预测值进行修正，获得货量最终预测值。具体地，当货量变化比率大于预测阈值时，根据春节期间货量比例变化系数对初始货量预测值进行修正，得到最终预测值，从而提高预测准确率。在本技术方案中，春节期间定义为，以除夕为时间节点，分别向前后延续的一周或多周。本实施例通过LSTM模型得到预测日的初始货量预测值之后，获取预测日前一日的实际货量，以及预测日前一日相邻连续多周的日平均实际货量，得到两者之间的货量变化比率，并且通过货量变化比率确认预测日是否为受到春节假期影响的日期，当货量变化比率大于预测阈值时，即确认预测日受到了春节假期影响，从而根据春节期间货量比例变化系数对初始货量预测值进行修正，得到货量最终预测值，实现了对初始货量预测值的修正，使得预测得到的结果更为准确，方便进行物流车辆的调配工作。进一步的，春节期间货量比例变化系数是由基于预测日上一年度春节期间的历史货量训练得到的XGBoost模型预测得出，如图2所示，具体包括以下步骤：步骤S10，以预测日上一年度的除夕为第一时间节点T0，在第一构建周期[T0-7m，T0+7m]范围内进行特征工程，构造第一衍生特征值；以预测日当前年度的除夕为第二时间节点T1，在第二构建周期[T1-7m，T1+7m]范围内进行特征工程，构造第二衍生特征值。需要说明的是，上述步骤中m取自然数。具体地，特征工程具体包括五大特征，分别为：特征1，包括：根据与日期对应的星期几信息，将星期一至星期日，依次设置特征值为1，2，3，4，5，6，7。例如，若日期为星期一，则该日期的特征值设置为1，若日期为星期五，则该日期的特征值设置为5。特征2，包括：以除夕为时间节点T，变化天数为x天，变化区间为[T-x,T+x]；除夕当天特征值设置为0；以时间节点T当天为起始日期，当日期t∈[T-1，T+3]时，日期t的特征值设置为0；以时间节点T当天为起始日期，特征值从0开始，分别向变化区间边界日期T-x和T+x依次递增；当日期时，日期t的特征值设置为-1。具体参见下表2：表2特征2的特征值映射表日期T-x…T-2T-1T…T+3T+4…T+x特征值x-1…100…01…x-3特征3，重新划分周数，包括：以时间节点T作为第0周的第一天，每7天划分为一周，即[T0，T0+6]作为同一周，周数N＝0，周数特征值设定为0；时间节点T的上一周，即[T0-7，T0-1]，周数N＝-1，周数特征值设定为-1；时间节点T的下一周，即[T0+7，T0+13]，周数N＝1，周数特征值设定为1；其余周依此类推。具体参见下表3：表3特征3的特征值映射表日期范围…[T0-14，T0-8][T0-7，T0-1][T0，T0+6][T0+7，T0+13][T0+14，T0+20]…周数N…-2-1012…特征4，在特征3界定的同一周中，对每一天重新定义星期几，包括：以时间节点T作为第0周的星期一，其它日期以时间节点T为参考，对每一天的星期几重新定义，重新定义后的日期特征值设定为YT+7N＝1，YT+1+7N＝2，…，YT+6+7N＝7，N为根据特征3划分的周数。特征5，包括：将日期划分为特殊日和除特殊日之外的正常日，正常日特征值设为0，特殊日的特征值设为预设值。具体地，特殊日包括第一类特殊日、第二类特殊日、第三类特殊日和第四类特殊日，具体为：第一类特殊日，包括：在日期范围属于根据特征3划分的周数N＝-1的日期中，按照特征1中的星期定义，选取星期一和星期二，特征值均设为1。第二类特殊日，包括：在日期范围属于根据特征3划分的周数N＝{-3，-2}的日期中，按照特征1中的星期定义，选取所有的星期日，特征值均设为2。第三类特殊日，包括：当日期为时间节点T之后的第9天，且该天按照特征1中的星期定义，若不是星期日，则该天特征值设为3；若是星期日，则选取日期为时间节点T之后的第10天，设该天特征值为3。第四类特殊日，包括：在时间节点T之后8天的日期，且属于根据特征3划分的周数N＝{1，2}范围内，按照特征1中的星期定义，选取所有星期日，特征值设为-1。根据上述特征值的设定，所述第一衍生特征值为：在第一构建周期[T0-7m，T0+7m]范围内进行特征工程构造出的5个特征值；所述第二衍生特征值为：在第二构建周期[T1-7m，T1+7m]范围内进行特征工程构造出的5个特征值。步骤S11，计算出第一构建周期[T0-7m，T0+7m]范围内的实际货量周比例系数rt。需要说明的是，实际货量周比例系数其中，Wt表示t日当天的实际货量，Wt-7表示上一周与t日同一天的实际货量。具体地，根据第一时间节点T0确认第一构建周期[T0-7m，T0+7m]之后，获取日期t的实际货量Wt，以及上一周与t日同一天的实际货量Wt-7，其中日期t∈[T0-7m，T0+7m]，再根据Wt和Wt-7计算实际货量周比例系数rt。步骤S12，将实际货量周比例系数rt作为XGBoost模型的训练目标，并结合第一衍生特征值对XGBoost模型进行训练。具体地，根据上一年度春节除夕为第一时间节点T0，选取第一构建周期[T0-7m，T0+7m]的比例系数rt作为XGBoost模型的训练目标，并在第一构建周期[T0-7m，T0+7m]的范围内，选取构造的5个特征作为XGBoost模型的入模数据，对XGBoost模型进行训练。例如，以2018年为上一年度，其春节除夕为2018年2月15日，将其作为第一时间节点T0，m取值为1，则2018年2月8日至2018年2月22日为第一构建周期。在第一构建周期范围内，构造出第一衍生特征值，以及计算出实际货量周比例系数rt；此时第一衍生特征值包含：特征1＝{4，5，6，7，1，2，3，4，5，6，7，1，2，3，4}，特征2＝{6，5，4，3，2，1，0，0，0，0，0，1，2，3，4}，特征3＝{-1，-1，-1，-1，-1，-1，-1，0，0，0，0，0，0，0，1}，特征4＝{1，2，3，4，5，6，7，1，2，3，4，5，6，7，1}，特征5＝{0，0，0，0，0，0，0，0，0，0，0，0，0，0，0}；假定计算出的实际货量周比例系数rt＝{0.73011，0.52283，0.24077，0.20994，0.04616，0.0381，0.01568，0.00014，0.03057，0.00101，0.00922，0.02318，0.03507，0.06691，0.1875}，再将实际货量周比例系数rt作为XGBoost的训练目标，结合该第一衍生特征值进行训练。此时，XGBoost模型的训练目标和入模第一衍生特征值数据如表4所示：表4第一衍生特征值和XGBoost模型的训练目标训练，是为了让XGBoost模型学习到春节期间货量数据的分布规律和特点，只有经过训练之后，XGBoost模型才具有预测能力。步骤S13，将第二衍生特征值输入至训练好的XGBoost模型中，得到春节期间货量比例变化系数。具体地，在根据第一衍生特征值和实际货量周比例系数rt完成对XGBoost模型的训练之后，将第二衍生特征值输入至该训练好的XGBoost模型中，预测得到预测日当前年度的春节期间货量比例变化系数。如，以2018年为上一年度，预测日当前年度为2019年；2019年的除夕为2019年2月4日，将其作为第二时间节点T1，m取值为1，则第二构建周期为2019年1月28日至2019年2月11日。在此第二构建周期范围内，构造出第二衍生特征值。此时，第二衍生特征值包含：特征1＝{1，2，3，4，5，6，7，1，2，3，4，5，6，7，1}，特征2＝{6，5，4，3，2，1，0，0，0，0，0，1，2，3，4}，特征3＝{-1，-1，-1，-1，-1，-1，-1，0，0，0，0，0，0，0，1}，特征4＝{1，2，3，4，5，6，7，1，2，3，4，5，6，7，1}，特征5＝{0，0，0，0，0，0，0，0，0，0，0，0，0，0，0}。把第二衍生特征值输入至训练好的XGBoost模型中，从而预测得到2019年1月28日至2019年2月11日期间的货量比例变化系数。当需要对初始货量预测值进行修正时，则将初始货量预测值与XGBoost模型预测得出的预测日这一天的货量比例变化系数作乘法运算，即得到货量最终预测值。如，预测日为2019年2月5日，该日经LSTM模型预测得到的初始货量预测值为经判断需要进行修正，则在XGBoost模型中取出预测得到的2月5日这天的货量比例变化系数最终，经过修正计算得到的货量最终预测值本发明技术方案，将LSTM模型XGBoost模型结合，并利用XGBoost模型对春节期间的货量比例变化系数进行预测，实现了对春节期间货量的准确预测。与传统的基于LSTM模型预测相比，预测准确度提高明显。例如，如图3所示，图3展示了2019年1月21日至2019年2月7日期间采用不同预测方法进行货量预测的对比效果，其中，表示实际货量、表示利用本发明方案针对春节期间的货量进行预测得到的货量预测结果、表示单独采用LSTM模型进行预测得到的货量预测结果。2019年度的除夕是2月4日，从图3中可以看出，除夕前一周的实际货量急剧降低，并且在此阶段，根据LSTM模型预测得到的货量预测结果与实际货量之间相差很大，而通过本发明方案得到的货量预测结果与实际货量之间非常相近，由此，可以看出，对于春节期间的货量预测，本发明提供的针对春节期间的货量预测方法的预测准确度比单独使用LSTM模型的预测准确度高，效果更好。图4展示了本发明针对春节期间的货量预测系统的一个实施例。如图3所示，在本实施例中，该针对春节期间的货量预测系统包括初始预测模块10、比较模块11、判断模块12和修正模块13。其中，初始预测模块10，用于选取上一周与预测日属于一周同一天的历史货量数据，输入至训练好的LSTM模型，得到预测日的初始货量预测值；比较模块11，用于获取预测日前一日的实际货量，以及与预测日前一日相邻连续多周的日平均实际货量，并比较两者间的货量变化比率；判断模块12，用于判断货量变化比率是否大于预测阈值；修正模块13，用于当货量变化比率大于预测阈值时，根据春节期间货量比例变化系数对初始货量预测值进行修正，获得货量最终预测值。上述实施例的基础上，其他实施例中，如图5所示，该春节假期影响的货量预测系统还包括变化系数获取模块20，用于根据预测日上一年度春节期间的历史货量训练得到的XGBoost模型预测得出春节期间货量比例变化系数。上述实施例的基础上，其他实施例中，如图6所示，变化系数获取模块20包括特征值获取单元200、计算单元201、训练单元202和变化系数获取单元203。其中，特征值获取单元200，用于以预测日上一年度的除夕为第一时间节点T0，在第一构建周期[T0-7m，T0+7m]范围内进行特征工程，构造第一衍生特征值，m取自然数；以预测日当前年度的除夕为第二时间节点T1，在第二构建周期[T1-7m，T1+7m]范围内进行特征工程，构造第二衍生特征值，m取自然数；计算单元201，用于计算出第一构建周期[T0-7m，T0+7m]范围内的实际货量周比例系数rt；实际货量周比例系数Wt表示t日当天的实际货量，Wt-7表示上一周与t日同一天的实际货量；训练单元202，用于将实际货量周比例系数rt作为XGBoost模型的训练目标，并结合第一衍生特征值对XGBoost模型进行训练；变化系数获取单元203，用于将第二衍生特征值输入至训练好的XGBoost模型中，得到春节期间货量比例变化系数。上述实施例的基础上，其他实施例中，特征工程包括：特征1，包括：根据与日期对应的星期几信息，将星期一至星期日，依次设置特征值为1，2，3，4，5，6，7；特征2，包括：以除夕为时间节点T，变化天数为x天，变化区间为[T-x,T+x]；除夕当天特征值设置为0；以时间节点T当天为起始日期，当日期t∈[T-1，T+3]时，日期t的特征值设置为0；以时间节点T当天为起始日期，特征值从0开始，分别向变化区间边界日期T-x和T+x依次递增；当日期时，日期t的特征值设置为-1；特征3，包括：以时间节点T作为第0周的第一天，每7天划分为一周，即[T0，T0+6]作为同一周，周数N＝0，周数特征值设定为0；时间节点T的上一周，即[T0-7，T0-1]，周数N＝-1，周数特征值设定为-1；时间节点T的下一周，即[T0+7，T0+13]，周数N＝1，周数特征值设定为1；其余周依此类推；特征4，包括：以时间节点T作为第0周的星期一，其它日期以时间节点T为参考，对每一天的星期几重新定义，重新定义后的日期特征值设定为YT+7N＝1，YT+1+7N＝2，…，YT+6+7N＝7，N为根据特征3划分的周数；特征5，包括：将日期划分为特殊日和除特殊日之外的正常日，正常日特征值设为0，特殊日的特征值设为预设值。上述实施例的基础上，其他实施例中，特殊日的特征值设为预设值，包括：第一类特殊日，包括：在日期范围属于根据特征3划分的周数N＝-1的日期中，按照特征1中的星期定义，选取星期一和星期二，特征值均设为1；第二类特殊日，包括：在日期范围属于根据特征3划分的周数N＝{-3，-2}的日期中，按照特征1中的星期定义，选取所有的星期日，特征值均设为2；第三类特殊日，包括：当日期为时间节点T之后的第9天，且该天按照特征1中的星期定义，若不是星期日，则该天特征值设为3；若是星期日，则选取日期为时间节点T之后的第10天，设该天特征值为3；第四类特殊日，包括：在时间节点T之后8天的日期，且属于根据特征3划分的周数N＝{1，2}范围内，按照特征1中的星期定义，选取所有星期日，特征值设为-1。关于上述五个实施例针对春节期间的货量预测系统中各模块实现技术方案的其他细节，可参见上述实施例中的针对春节期间的货量预测方法中的描述，此处不再赘述。需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于系统类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。以上对发明的具体实施方式进行了详细说明，但其只作为范例，本发明并不限制于以上描述的具体实施方式。对于本领域的技术人员而言，任何对该发明进行的等同修改或替代也都在本发明的范畴之中，因此，在不脱离本发明的精神和原则范围下所作的均等变换和修改、改进等，都应涵盖在本发明的范围内。

权利要求：1.一种针对春节期间的货量预测方法，其特征在于，其包括：选取上一周与预测日属于一周同一天的历史货量数据，输入至训练好的LSTM模型，得到预测日的初始货量预测值；获取预测日前一日的实际货量，以及与预测日前一日相邻连续多周的日平均实际货量，并比较两者间的货量变化比率；判断所述货量变化比率是否大于预测阈值；若是，根据春节期间货量比例变化系数对初始货量预测值进行修正，获得货量最终预测值。2.根据权利要求1所述的针对春节期间的货量预测方法，其特征在于，所述春节期间货量比例变化系数由基于预测日上一年度春节期间的历史货量训练得到的XGBoost模型预测得出。3.根据权利要求2所述的针对春节期间的货量预测方法，其特征在于，所述春节期间货量比例变化系数由基于预测日上一年度春节期间的历史货量训练得到的XGBoost模型预测得出，包括：以预测日上一年度的除夕为第一时间节点T0，在第一构建周期[T0-7m，T0+7m]范围内进行特征工程，构造第一衍生特征值，m取自然数；以预测日当前年度的除夕为第二时间节点T1，在第二构建周期[T1-7m，T1+7m]范围内进行特征工程，构造第二衍生特征值，m取自然数；计算出第一构建周期[T0-7m，T0+7m]范围内的实际货量周比例系数rt；所述实际货量周比例系数Wt表示t日当天的实际货量，Wt-7表示上一周与t日同一天的实际货量；将所述实际货量周比例系数rt作为XGBoost模型的训练目标，并结合所述第一衍生特征值对XGBoost模型进行训练；将第二衍生特征值输入至训练好的XGBoost模型中，得到春节期间货量比例变化系数。4.根据权利要求3所述的针对春节期间的货量预测方法，其特征在于，所述特征工程包括：特征1，包括：根据与日期对应的星期几信息，将星期一至星期日，依次设置特征值为1，2，3，4，5，6，7；特征2，包括：以除夕为时间节点T，变化天数为x天，变化区间为[T-x,T+x]；除夕当天特征值设置为0；以所述时间节点T当天为起始日期，当日期t∈[T-1，T+3]时，所述日期t的特征值设置为0；以所述时间节点T当天为起始日期，特征值从0开始，分别向变化区间边界日期T-x和T+x依次递增；当日期时，所述日期t的特征值设置为-1；特征3，包括：以所述时间节点T作为第0周的第一天，每7天划分为一周，即[T0，T0+6]作为同一周，周数N＝0，周数特征值设定为0；时间节点T的上一周，即[T0-7，T0-1]，周数N＝-1，周数特征值设定为-1；时间节点T的下一周，即[T0+7，T0+13]，周数N＝1，周数特征值设定为1；其余周依此类推；特征4，包括：以所述时间节点T作为所述第0周的星期一，其它日期以时间节点T为参考，对每一天的星期几重新定义，重新定义后的日期特征值设定为YT+7N＝1，YT+1+7N＝2，…，YT+6+7N＝7，N为根据特征3划分的周数；特征5，包括：将所述日期划分为特殊日和除特殊日之外的正常日，所述正常日特征值设为0，所述特殊日的特征值设为预设值。5.根据权利要求4所述的针对春节期间的货量预测方法，其特征在于，所述特殊日的特征值设为预设值，包括：第一类特殊日，包括：在日期范围属于根据特征3划分的周数N＝-1的日期中，按照特征1中的星期定义，选取星期一和星期二，特征值均设为1；第二类特殊日，包括：在日期范围属于根据特征3划分的周数N＝{-3，-2}的日期中，按照特征1中的星期定义，选取所有的星期日，特征值均设为2；第三类特殊日，包括：当日期为时间节点T之后的第9天，且该天按照特征1中的星期定义，若不是星期日，则该天特征值设为3；若是星期日，则选取日期为时间节点T之后的第10天，设该天特征值为3；第四类特殊日，包括：在时间节点T之后8天的日期，且属于根据特征3划分的周数N＝{1，2}范围内，按照特征1中的星期定义，选取所有星期日，特征值设为-1。6.一种针对春节期间的货量预测系统，其特征在于，其包括：初始预测模块，用于选取上一周与预测日属于一周同一天的历史货量数据，输入至训练好的LSTM模型，得到预测日的初始货量预测值；比较模块，用于获取预测日前一日的实际货量，以及与预测日前一日相邻连续多周的日平均实际货量，并比较两者间的货量变化比率；判断模块，用于判断所述货量变化比率是否大于预测阈值；修正模块，用于当所述货量变化比率大于预测阈值时，根据春节期间货量比例变化系数对初始货量预测值进行修正，获得货量最终预测值。7.根据权利要求6所述的针对春节期间的货量预测系统，其特征在于，其还包括变化系数获取模块，用于根据预测日上一年度春节期间的历史货量训练得到的XGBoost模型预测得出所述春节期间货量比例变化系数。8.根据权利要求7所述的针对春节期间的货量预测系统，其特征在于，所述变化系数获取模块包括：特征值获取单元，用于以预测日上一年度的除夕为第一时间节点T0，在第一构建周期[T0-7m，T0+7m]范围内进行特征工程，构造第一衍生特征值，m取自然数；以预测日当前年度的除夕为第二时间节点T1，在第二构建周期[T1-7m，T1+7m]范围内进行特征工程，构造第二衍生特征值，m取自然数；计算单元，用于计算出第一构建周期[T0-7m，T0+7m]范围内的实际货量周比例系数rt；所述实际货量周比例系数Wt表示t日当天的实际货量，Wt-7表示上一周与t日同一天的实际货量；训练单元，用于将所述实际货量周比例系数rt作为XGBoost模型的训练目标，并结合所述第一衍生特征值对XGBoost模型进行训练；变化系数获取单元，用于将第二衍生特征值输入至训练好的XGBoost模型中，得到春节期间货量比例变化系数。9.根据权利要求8所述的针对春节期间的货量预测系统，其特征在于，所述特征工程包括：特征1，包括：根据与日期对应的星期几信息，将星期一至星期日，依次设置特征值为1，2，3，4，5，6，7；特征2，包括：以除夕为时间节点T，变化天数为x天，变化区间为[T-x,T+x]；除夕当天特征值设置为0；以所述时间节点T当天为起始日期，当日期t∈[T-1，T+3]时，所述日期t的特征值设置为0；以所述时间节点T当天为起始日期，特征值从0开始，分别向变化区间边界日期T-x和T+x依次递增；当日期时，所述日期t的特征值设置为-1；特征3，包括：以所述时间节点T作为第0周的第一天，每7天划分为一周，即[T0，T0+6]作为同一周，周数N＝0，周数特征值设定为0；时间节点T的上一周，即[T0-7，T0-1]，周数N＝-1，周数特征值设定为-1；时间节点T的下一周，即[T0+7，T0+13]，周数N＝1，周数特征值设定为1；其余周依此类推；特征4，包括：以所述时间节点T作为所述第0周的星期一，其它日期以时间节点T为参考，对每一天的星期几重新定义，重新定义后的日期特征值设定为YT+7N＝1，YT+1+7N＝2，…，YT+6+7N＝7，N为根据特征3划分的周数；特征5，包括：将所述日期划分为特殊日和除特殊日之外的正常日，所述正常日特征值设为0，所述特殊日的特征值设为预设值。10.根据权利要求9所述的针对春节期间的货量预测系统，其特征在于，所述特殊日的特征值设为预设值，包括：第一类特殊日，包括：在日期范围属于根据特征3划分的周数N＝-1的日期中，按照特征1中的星期定义，选取星期一和星期二，特征值均设为1；第二类特殊日，包括：在日期范围属于根据特征3划分的周数N＝{-3，-2}的日期中，按照特征1中的星期定义，选取所有的星期日，特征值均设为2；第三类特殊日，包括：当日期为时间节点T之后的第9天，且该天按照特征1中的星期定义，若不是星期日，则该天特征值设为3；若是星期日，则选取日期为时间节点T之后的第10天，设该天特征值为3；第四类特殊日，包括：在时间节点T之后8天的日期，且属于根据特征3划分的周数N＝{1，2}范围内，按照特征1中的星期定义，选取所有星期日，特征值设为-1。

百度查询： 跨越速运集团有限公司 针对春节期间的货量预测方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD