[发明专利]基于LSTM模型融合的物流货量预测方法及系统

权利要求书

1.一种基于LSTM模型融合的物流货量预测方法，其特征在于，包括：

S1、向LSTM日规模型输入第一预设的历史货量序列数据，获得预测日的日规货量预测值；所述LSTM日规模型为以1日为间隔进行每日货量预测的LSTM模型；

S2、根据预测日为周几，向LSTM周规模型输入第二预设的历史货量序列数据，获得预测日的周规货量预测值；所述LSTM周规模型为以7日为间隔进行每周同一日货量预测的LSTM模型；

S3、将日规货量预测值和周规货量预测值进行融合计算，获得预测日货量最终预测值。

2.根据权利要求1所述的基于LSTM模型融合的物流货量预测方法，其特征在于，所述将日规货量预测值和周规货量预测值进行融合计算，具体为：Y_final＝α*Y_week+β*Y_day，其中，所述Y_week为预测日的周规货量预测值，所述Y_day为预测日的日规货量预测值，所述α和β为参数，根据模型训练得到确定值。

3.根据权利要求1或2所述的基于LSTM模型融合的物流货量预测方法，其特征在于，所述第一预设的历史货量序列数据为预测日之前连续多天的历史货量数据；所述第二预设的历史货量序列数据为预测日之前连续多周与预测日相同周几的历史货量数据。

4.根据权利要求3所述的基于LSTM模型融合的物流货量预测方法，其特征在于，所述步骤S1前，先对LSTM日规模型进行训练，确定LSTM日规模型的参数；所述步骤S2前，先对LSTM周规模型进行训练，确定LSTM周规模型的参数。

5.根据权利要求4所述的基于LSTM模型融合的物流货量预测方法，其特征在于，向LSTM日规模型和LSTM周规模型输入历史货量数据前，均先对历史货量数据作归一化处理。

6.一种基于LSTM模型融合的物流货量预测系统，其特征在于，包括：

LSTM日规模型模块，用于构建以1日为间隔进行每日货量预测的LSTM日规模型；

LSTM周规模型模块，用于构建以7日为间隔进行每周同一日货量预测的LSTM周规模型；

第一计算模块，用于调用LSTM日规模型，并向LSTM日规模型输入第一预设的历史货量序列数据，获得预测日的日规货量预测值；

第二计算模块，用于调用LSTM周规模型，并用于根据预测日为周几，向LSTM周规模型输入第二预设的历史货量序列数据，获得预测日的周规货量预测值；

融合计算模块，用于获取日规货量预测值和周规货量预测值，并进行融合计算，以得到预测日货量最终预测值。

7.根据权利要求6所述的基于LSTM模型融合的物流货量预测系统，其特征在于，所述融合计算模块包括：

融合方程构建单元，用于构建方程：Y_final＝α*Y_week+β*Y_day，并基于该方程将日规货量预测值和周规货量预测值进行融合计算，其中，所述Y_week为预测日的周规货量预测值，所述Y_day为预测日的日规货量预测值，所述α和β为参数，根据模型训练得到确定值。

8.根据权利要求6或7所述的基于LSTM模型融合的物流货量预测系统，其特征在于，所述第一预设的历史货量序列数据为预测日之前连续多天的历史货量数据；所述第二预设的历史货量序列数据为预测日之前连续多周与预测日相同周几的历史货量数据。

9.根据权利要求8所述的基于LSTM模型融合的物流货量预测系统，其特征在于，所述LSTM日规模型模块还用于对LSTM日规模型进行训练，以确定LSTM日规模型的参数；所述LSTM周规模型模块还用于对LSTM周规模型进行训练，以确定LSTM周规模型的参数。

10.根据权利要求9所述的基于LSTM模型融合的物流货量预测系统，其特征在于，其还包括：

预处理模块，用于在历史货量数据输入LSTM日规模型和LSTM周规模型前，均先对历史货量数据作归一化处理。