[发明专利]件量预测模型的建立方法、装置以及设备

说明书

本申请实施例提供了件量预测模型的建立方法、装置以及设备，用于在一定程度上提高件量预测模型的件量预测结果的精确度。本申请实施例提供的件量预测模型的建立方法，包括：获取历史件量数据，其中，历史件量数据包括不同历史周期内不同节假日的件量数据；从历史件量数据中提取节假日特征数据以及非节假日特征数据，其中，节假日特征数据包括历史件量数据中不同节假日的件量特征数据，非节假日特征数据包括历史件量数据中非节假日的件量特征数据；根据历史件量数据、节假日特征数据以及非节假日特征数据，训练神经网络模型，并将完成训练的神经网络模型作为件量预测模型，其中，件量预测模型用于预测节假日的件量。

技术领域

本申请涉及物流领域，具体涉及件量预测模型的建立方法、装置以及设备。

背景技术

近些年来，电商行业以及物流行业蓬勃发展，两者相辅相成，在发展自身的同时，也促进对方的发展。

基于物流行业的工作需求以及发展需求，在物流资源的管理工作中，需要对即将到来的物流业务工作量进行预测，以部署足够的物流资源，处理预测到的物流业务工作量，完成在线购物服务中物流环节的应有工作。

如今物流行业基本通过件量预测模型预测物流业务的件量，该件量预测模型由历史物流业务数据训练得到，而在实际应用中发现，现有的件量预测模型，其精确度不高。

发明内容

本申请实施例提供了件量预测模型的建立方法、装置以及设备，用于在一定程度上提高件量预测模型的件量预测结果的精确度。

第一方面，本申请实施例提供了一种件量预测模型的建立方法，方法包括：

获取历史件量数据，其中，历史件量数据包括不同历史周期内不同节假日的件量数据；

从历史件量数据中提取节假日特征数据以及非节假日特征数据，其中，节假日特征数据包括历史件量数据中不同节假日的件量特征数据，非节假日特征数据包括历史件量数据中非节假日的件量特征数据；

根据历史件量数据、节假日特征数据以及非节假日特征数据，训练神经网络模型，并将完成训练的神经网络模型作为件量预测模型，其中，件量预测模型用于预测节假日的件量。

在示例性的实施例中，获取历史件量数据包括：

确定节假日数据，其中，节假日数据用于指示不同节假日的固定时间点或者不同节假日的动态时间点；

遍历历史件量数据集合，并基于节假日数据指示的时间点从历史件量数据集合中获取包括多个不同历史周期内不同节假日的件量数据，作为历史件量数据。

在示例性的实施例中，从历史件量数据中提取节假日特征数据包括：

确定历史件量数据中的目标节假日；

从历史件量数据中，识别出目标历史周期内离目标节假日最近的且件量低谷对应的第一时间节点，以及识别出目标历史周期内离目标节假日最近的且件量高峰对应的第二时间节点，第一时间节点早于第二时间节点，第二时间节点早于目标节假日；

在历史件量数据中，筛选出第一时间区间以及第二时间区间中的件量数据，第一时间区间由第一时间节点以及第二时间节点构成，第二时间区间由第二时间节点以及目标节假日构成；

从第一时间区间以及第二时间区间中的件量数据中，提取目标节假日件量特征数据。

在示例性的实施例中，从第一时间区间以及第二时间区间中的件量数据中，提取目标节假日件量特征数据包括：

将第一时间区间以及第二时间区间中的件量数据，按天数拆分成至少两个子时间区间；

依次从至少两个子时间区间中提取多个子件量特征数据，合并得到目标节假日件量特征数据。