[发明专利]基于XGBoost模型的客户下单重量预测方法及系统

说明书

本发明公开了一种基于XGBoost模型的客户下单重量预测方法及系统，其中方法包括：判断当前下单客户是否为下单不准客户；若当前下单客户为下单不准客户，获取该客户当前下单和历史下单数据；结合当前下单和历史下单数据进行特征工程，构建与当前下单关联的入模特征变量；根据当前下单重量所属重量区间，将当前下单关联的入模特征变量输入至相应的训练好的XGBoost模型中，得到下单重量预测值。本发明通过确认客户为下单不准客户时，构建当前下单关联的入模特征变量，并输入至相应的预测模型中进行预测，得到一个较为准确的下单重量预测值，避免因客户提供的下单重量不准确而导致安排的取件车辆不合理，降低取件车辆空跑率，节省运输成本。

技术领域

本发明涉及物流货量预测技术领域，尤其涉及一种基于XGBoost模型的客户下单重量预测方法及系统。

背景技术

在物流行业，客户在填写托寄物的大概重量时，由于各种原因(误填、乱填)往往不能做到精准估计托寄物的实际重量，从而导致托寄物的大概重量和实际重量偏差过大。例如某客户托寄物的实际重量为500公斤，而客户在下单时由于个人疏忽只填写了50公斤，这样产生的一个直接后果是调度安排的取件车辆载重不匹配，本应该安排小卡车取货却只安排了小型面包车，等司机到达客户处发现面包车不能装载所有托寄物后，只能返回点部重新换车。再例如客户托寄物的实际重量为50斤，而下单时填写了500斤，导致调度安排小卡车取货，浪费了小卡车的运力资源。由于客户下单不严谨不仅导致取件司机空跑或浪费运力资源，而且使得司机取件操作时间延长，影响客户体验效果。

发明内容

本发明提供了一种基于XGBoost模型的客户下单重量预测方法及系统，以解决现有物流行业中，客户下单时误填下单重量导致不能合理安排的取件车辆，造成资源浪费的问题。

为了解决上述问题，本发明提供了一种基于XGBoost模型的客户下单重量预测方法，包括：判断当前下单客户是否为下单不准客户；若当前下单客户为下单不准客户，获取该客户当前下单和历史下单数据；结合当前下单和历史下单数据进行特征工程，构建与当前下单关联的入模特征变量；特征工程构建的特征包括，当前下单的重量、件数、时间、下单渠道，以及基于历史下单数据统计出来的下单实际重量和件数的特定最大值、最小值、求和值、平均数值、中位数值和四分位数值；根据当前下单重量所属重量区间，将当前下单关联的入模特征变量输入至相应的训练好的XGBoost模型中，得到下单重量预测值。

作为本发明的进一步改进，判断当前下单客户是否为下单不准客户之前，先对XGBoost模型进行训练，包括：获取所有客户的历史下单数据；基于所有客户的历史下单数据进行特征工程，构建入模特征变量集；设定下单重量第一重量区间、第二重量区间和第三重量区间；将下单重量位于第一重量区间的历史下单数据及所对应的入模特征变量输入至XGBoost模型进行训练，得到XGBoost第一子模型；将下单重量位于第二重量区间的历史下单数据及所对应的入模特征变量输入至XGBoost模型进行训练，得到XGBoost第二子模型；将下单重量位于第三重量区间的历史下单数据及所对应的入模特征变量输入至XGBoost模型进行训练，得到XGBoost第三子模型。

作为本发明的进一步改进，基于所有客户的历史下单数据进行特征工程之前，先对历史下单数据中的下单重量和下单件数进行数据清洗，包括：若客户当笔下单的下单重量为零，则将该笔下单的下单重量替换为该客户历史下单数据中记录的下单最小实际重量；若客户当笔下单的下单重量大于预设下单重量阈值，则将该笔下单的下单重量替换为该客户历史下单数据中记录的所有下单实际重量的中位数；若客户当笔下单的下单件数为零，则将该笔下单的下单件数替换为该客户历史下单数据中记录的下单最小实际件数；若客户当笔下单的下单件数大于预设下单件数阈值，则将该笔下单的下单件数替换为该客户历史下单数据中记录的所有下单实际件数的中位数。