[发明专利]一种消除异常货量影响的货量预测方法及系统

权利要求书

1.一种消除异常货量影响的货量预测方法，其特征在于，其包括：

根据选定的历史货物重量数据，计算货物重量的正常波动范围；

对超出正常波动范围的异常货物重量进行修正；

将修正后的历史货物重量数据结合相应的下单时间数据进行特征工程，构造按照下单时间排序的系列特征值；

将所述系列特征值输入到预测模型进行训练；

将预测日关联的特征值输入至训练好的预测模型中，获得预测货物重量。

2.根据权利要求1所述的消除异常货量影响的货量预测方法，其特征在于，所述根据选定的历史货物重量数据，计算货物重量的正常波动范围的步骤，包括：

计算所述选定的历史货物重量的货量基准值所述货量基准值为选定的历史货物重量的截尾平均值或算术平均值；

计算所述选定的历史货物重量的标准差σ，并根据n倍的标准差σ定义货量偏差范围；

确定所述货物重量的正常波动范围

3.根据权利要求1所述的消除异常货量影响的货量预测方法，其特征在于，所述对超出正常波动范围的异常货物重量值进行修正的步骤，包括：

若选定的历史货物重量中某一单货物重量小于正常波动范围的最小值，则将该单货物重量替换为正常波动范围的最小值；

若选定的历史货物重量中某一单货物重量大于所述波动范围的最大值，则将将该单货物重量替换为正常波动范围的最大值。

4.根据权利要求1所述的消除异常货量影响的货量预测方法，其特征在于，所述系列特征值包括星期特征值、节假日特征值、月份特征值、上周同一天货物重量特征值；

所述星期特征值包括{0，1，2，3，4，5，6}，依次对应当前下单日期是星期一至星期日；

所述节假日特征值包括{0，1}，若当前下单日期是节假日，则所述节假日特征值为1，若当前下单日期不是节假日，则所述节假日特征值为0；

所述月份特征值包括{1，2，3，4，...，12}，依次对应当前下单日期所述月份为一月份至十二月份；

所述上周同一天货物重量特征值为当前下单日期七日前的实际货物重量数据。

5.根据权利要求1所述的消除异常货量影响的货量预测方法，其特征在于，所述预测模型为Prophet模型、RNN模型、LSTM模型中的一种。

6.一种消除异常货量影响的货量预测系统，其特征在于，其包括：

计算模块，用于根据选定的历史货物重量数据，计算货物重量的正常波动范围；

修正模块，用于对超出正常波动范围的异常货物重量进行修正；

特征模块，用于将修正后的历史货物重量数据结合相应的下单时间数据进行特征工程，构造按照下单时间排序的系列特征值；

训练模块，用于将所述系列特征值输入到预测模型进行训练；

预测模块，用于将预测日关联的特征值输入至训练好的预测模型中，获得预测货物重量。

7.根据权利要求6所述的消除异常货量影响的货量预测系统，其特征在于，所述计算模块包括：

第一计算单元，用于计算所述选定的历史货物重量的货量基准值所述货量基准值为选定的历史货物重量的截尾平均值或算术平均值；

第二计算单元，用于计算所述选定的历史货物重量的标准差σ，并根据n倍的标准差σ定义货量偏差范围；

确定单元，用于确定所述货物重量的正常波动范围

8.根据权利要求6所述的消除异常货量影响的货量预测系统，其特征在于，所述修正模块包括：

第一修正单元，用于当选定的历史货物重量中某一单货物重量小于正常波动范围的最小值时，将该单货物重量替换为正常波动范围的最小值；

第二修正单元，用于当选定的历史货物重量中某一单货物重量大于所述波动范围的最大值时，将将该单货物重量替换为正常波动范围的最大值。