[发明专利]一种揽件量预测方法、系统、设备及存储介质

权利要求书

1.一种揽件量预测方法，其特征是，包括：

获取历史数据，对历史数据进行分类并获取不同属性的初始参数；

选择xgboost模型，将不同属性的初始参数输入xgboost模型并对进行修正；

对修正后的初始参数进行交叉验证，选取模型的确定参数；

选择确定参数建立预测模型。

2.根据权利要求1所述的揽件量预测方法，其特征是，对历史数据进行分类，包括：

将历史数据划分为训练数据、测试数据以及对应的训练结果、测试结果，且有时间序列概念历史数据进行分类时所述测试数据的时间均在训练数据的时间之后。

3.根据权利要求1所述的揽件量预测方法，其特征是，所述参数的属性包括以下至少一种:时序属性、节假日属性和周期属性。

4.根据权利要求3所述的揽件量预测方法，其特征是，

所述节假日属性包括以下至少一种：所述历史数据所属节假日性质、节假日的次序、节前天数、节后天数，分别对应参数a₁、a₂、a₃、a₄；

和/或

所述时序属性包括以下至少一种：所述历史数据所处日期、月份、当月的旬数、当月的周数、当周的星期数，分别对应参数b₁、b₂、b₃、b₄、b₅。

5.根据权利要求3所述的揽件量预测方法，其特征是，根据不同属性的初始参数，对所述历史数据进行交叉验证，包括：

确定训练数据的揽件时间、揽件地址；

根据揽件地址，选取训练数据的节假日属性及对应的初始参数；

根据揽件时间，选取训练数据的时序属性及对应的初始参数；

通过训练结果对初始参数进行修正，得修正参数；

通过测试数据、测试结果对所述修正参数进行交叉验证，选取模型的确定参数。

6.根据权利要求5所述的揽件量预测方法，其特征是，根据不同属性的初始参数，对所述历史数据进行交叉验证，还包括：

配置预测周期的时长；

将历史数据所处时间段划分为若干预测周期，对各预测周期内的波次进行编号；

根据编号获取训练数据的周期属性及对应的初始参数。

7.根据权利要求1所述的揽件量预测方法，其特征是，所述预测模型预测波次的时长为以下至少一种月、周、日、小时、半小时、20分钟以及时间长度不确定的时间粒度。

8.一种揽件量预测系统，其特征是，包括：

数据采集模块，配置用于获取历史数据，对历史数据进行分类并获取不同属性的初始参数；

模型建立模块，配置用于：

选择xgboost模型，将不同属性的初始参数输入xgboost模型并对进行修正；

对修正后的初始参数进行交叉验证，选取模型的确定参数；

选择确定参数建立预测模型。

9.根据权利要求8所述的揽件量预测系统，其特征是，所述数据采集模块包括采集单元和分类单元；

采集单元，配置用于采集历史数据；

分类单元，配置用于将历史数据划分为训练数据、测试数据以及对应的训练结果、测试结果，且有时间序列概念历史数据进行分类时所述测试数据的时间均在训练数据的时间之后。

10.根据权利要求8所述的揽件量预测系统，其特征是，所述参数的属性包括以下至少一种:时序属性、节假日属性和周期属性。