[发明专利]件量预测方法及装置、电子设备和存储介质

说明书

本发明提供一种件量预测方法及装置、电子设备和存储介质，该方法包括：获取历史数据，生成标注有若干快递行业特征的数据集；将训练集输入线性回归模型，提取第一线性序列信息和第一残差序列信息，根据第一残差序列信息生成周期池；将验证集输入线性回归模型以提取第二线性序列信息和第二残差序列信息，并根据周期池提取第二残差序列信息的若干周期序列以检验第二残差序列信息是否具有周期性：是，则通过状态空间模型提取周期效应与滞后期信息，根据第二线性序列信息和周期效应与滞后期信息生成第二预测结果并输出。本发明实现了效果较好的长期件量预测。

技术领域

本申请涉及快递配送管理技术领域，具体涉及一种件量预测方法及装置、电子设备和存储介质。

背景技术

对于快递行业，长期件量预测非常重要，可以支持资源调配，人员排班，高峰指挥调度等事宜。然而由于快递行业的件量变化存在着多周期性(例如周、月、季度等)、长期趋势明显、存在滞后期、不同网点间差异大、受到天气和重大节假日等外生冲击影响、具有节前节后效应等数据特征，导致预测场景非常复杂。

图1为某网点的真实派件量示意图。如图1所示，该网点中，清明节、端午节、五一、十一等节假日对件量形成了向下的外生冲击，双十一、双十二等购物节对件量形成了向上的外生冲击，而春节、中秋等节日对件量形成了先向上后向下的外生冲击，等等。

上述复杂场景对现有的件量预测技术产生了很大挑战，导致现有的件量预测技术的预测结果存在较大偏差。当前业界应用的件量预测方法均存在显著缺陷，其中自回归积分滑动平均模型(ARIMA)在长期预测方向会发生漂移，不能进行有效的长期预测；随机森林模型、XGboost模型、Prophet模型均未考虑时间序列的先后顺序，即时间较远的样本与较新的样本有相同的权重，无法充分利用信息，长期预测效果不佳。

发明内容

鉴于现有技术中的上述缺陷或不足，期望提供一种对于快递行业复杂场景的长期件量预测效果较好的件量预测方法及装置、设备和存储介质。

第一方面，本发明提供一种件量预测方法，包括：

获取历史数据，生成标注有若干快递行业特征的数据集，并从该数据集中划分出训练集和验证集；快递行业特征包括长期趋势特征，以及以下至少一项：节假日特征、购物节特征和其它外生冲击特征；

建立训练集的第一件量序列与快递行业特征的线性回归模型，提取第一线性序列信息；

根据第一件量序列和第一线性序列信息获得第一残差序列信息，并根据第一残差序列信息生成周期池；

将验证集的第二件量序列输入线性回归模型以提取第二线性序列信息；

根据第二件量序列和第二线性序列信息获得第二残差序列信息，并根据周期池提取第二残差序列信息的若干周期序列以检验第二残差序列信息是否具有周期性：

是，则通过状态空间模型从第二残差序列信息中提取周期效应与滞后期信息，根据第二线性序列信息和周期效应与滞后期信息生成第二预测结果并输出。

第二方面，本发明提供一种件量预测装置，包括数据集配置单元、第一线性提取单元、周期池生成单元、第二线性提取单元、周期性检验单元和第二预测单元。

数据集配置单元配置用于获取历史数据，生成标注有若干快递行业特征的数据集，并从数据集中划分出训练集和验证集。其中，快递行业特征包括长期趋势特征，以及以下至少一项：节假日特征、购物节特征和其它外生冲击特征。

第一线性提取单元配置用于建立训练集的第一件量序列与快递行业特征的线性回归模型，提取第一线性序列信息。

周期池生成单元配置用于根据第一件量序列和第一线性序列信息获得第一残差序列信息，并根据第一残差序列信息生成周期池。