[发明专利]一种揽件量预测方法、系统、设备及存储介质

说明书

本发明涉及一种揽件量预测方法、系统、设备及存储介质，所述揽件量预测方法，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，相比较现有时序模型不需要满足数据平稳性或处理后的数据平稳、自相关、白噪声等，解决时序模型对条件要求的约束。

技术领域

本发明涉及揽件量预测技术领域，尤其涉及一种揽件量预测方法、 系统、设备及存储介质。

背景技术

目前，工业界的时序数据预测多用于日度，月度等较长期的预测， 适用于波次预测(如：半小时、小时、班次等)的预测方法较少，较 为常见的方法有传统时序模型、广义可加模型。

但是，由于物流行业活动的特殊性，波次预测较复杂，比如波次 数据存在多峰多谷的现象，且易受外界其他事件影响，靠传统模型无 法进行灵活切换并高准确率的预测，无法满足物流企业对件量的波次 稳定预测的需求。

当前波次件量预测上有以下难点：

(1)预测的短周期时间粒度性与粒度不确定性。当前时序模型， 多用于日度，月度等较长期的预测，部分模型也可用于小时维度的波 次预测；但物流行业波次预测中，会有其他复杂的时间段的预测，比 如物流行业的班次件量预测、半个小时的预测、20分钟的预测等，这 些情况的预测短周期时间粒度，并且不属于常见的时间粒度的预测即 需预测的时间粒度存在不确定性。

(2)外推期。对于波次预测，比如半小时的预测，一天存在48 个半小时，那么外推30天便是外推48*30＝1440个预测期，外推期数 多，对模型准确度存在挑战。

(3)多周期。传统的时间序列模型(如ARIMA和Holter-Winters) 采用差分或者平滑法来去除周期性，但其仅适用于少周期的情况。分 析发现，物流企业的波次件量存在班次、周、月、季度、年等的周期， 周期复杂。

(4)外生冲击。实际业务场景下，件量数据会受到一些外生事件 的影响如天气，政策，活动等，时序模型中难以加入这些影响因素， 如价格折扣活动、台风天气等。

(5)节假日影响。当节假日与周期效应相冲突，或是多个节假日 有交集时，便使得整体预测变得复杂，且全国两岸三地不同的节假日 模式及影响范围，这些因素对件量都有影响。

(6)假设条件较难满足。一般的模型对时序数据有一定的要求， 比如ARIMA要求序列平稳。

(7)模式切换。当前时序模型对任何时刻或日期的预测为同一模 式，但实际场景中，会出现不同的模式，比如周末与工作日、节假日 与非节假日等；需要新的模型，可对不同模式进行灵活的模型选择。

由上，物流活动有其自身的特点和行业场景，现有的时序预测方 法无法准确捕捉其变化规律和周期性，亟需一种适用于物流行业的、 灵活的波次时序预测方法。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种揽件量预测方 法、系统、设备及存储介质。

根据本发明的一个方面，提供了一种揽件量预测方法，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。

进一步的，对历史数据进行分类，包括：