[发明专利]基于LSTM模型的快递件量预测方法、装置、设备和存储介质

说明书

本发明公开了一种基于LSTM模型的快递件量预测方法、装置、设备和存储介质，针对因RNN神经网络的梯度消失，不能准确的预测较长时间的数据而使快递件量预测不准确的问题，通过获取快递揽件量的历史数据，对历史数据进行预处理，选取出至少一历史周期的目标数据集；创建基于LSTM的件量预测模型，将目标数据集输入所述件量预测模型，对件量预测模型进行训练；基于训练好的件量预测模型，对下一周期的快递揽件量进行预测，输出预测值。解决RNN循环神经网络的梯度消失问题，从而提高快递件量预测的准确率。

技术领域

本发明属于物流管理的技术领域，尤其涉及一种基于LSTM模型的快递件量预测方法、装置、设备和存储介质。

背景技术

随着电子商务以及物流行业的发展，揽件量迅速增长，尤其是法定节假日、购物节等节假日期间快递业务量大幅增长，“爆仓”时有发生。准确的件量预测有助于物流企业合理调配资源，提前做好应对准备。

随着科技的发展，对快递件量的预测从通过人工从经验中得到，发展到通过机器深度学习来得到。机器深度学习通常采用RNN(Recurrent Neural Networks)循环神经网络对快递件量进行预测。相比与普通神经网络的各计算结果之间相互独立的特点，RNN的每一次隐含层的计算结果都与当前输入以及上一次的隐含层结果相关。通过这种方法，RNN的计算结果便具备了记忆之前几次结果的特点。换句话说，RNN的最大特点就是循环利用数据上下文信息的能力。但是，其隐含层的输入随着时间的递推覆盖了原有的数据信息，导致上下文信息的丢失，因此标准的循环神经网络结构在实际应用中能够使用的上下文信息的范围是受限制的，它会造成梯度消失问题。

如图1所示，神经元节点的阴影深度表示各节点与0时刻输入的敏感程度。例如实际应用中假如输出Y3和0时刻的输入敏感度较高，应用传统RNN网络结构进行训练时，Y3与0时刻输入间的敏感度减弱，出现梯度消失问题，导致网络性能不佳。梯度消失问题的本质原因是因为前一时刻向后一时刻传播时，受到了前一时刻输入的影响，使得前一时刻的相关信息丢失。

由于RNN循环神经网络存在梯度消失的问题，不能准确的预测较长时间的数据，使得对快递件量的预测结果不准确。

发明内容

本发明的目的是提供一种基于LSTM模型的快递件量预测方法、装置、设备和存储介质，通过LSTM在神经单元的管道中对数据的输入、输出和遗忘进行门控及逐点操作，避免后一时刻的输入对前一时刻隐含层输出的影响，解决RNN循环神经网络的梯度消失问题，从而提高快递件量预测的准确率。

为解决上述问题，本发明的技术方案为：

一种基于LSTM模型的快递件量预测方法，包括：

步骤S1：获取快递揽件量的历史数据，对历史数据进行预处理，选取出至少一历史周期的目标数据集；

步骤S2：创建基于LSTM的件量预测模型，将目标数据集输入所述件量预测模型，对所述件量预测模型进行训练；

步骤S3：基于所述训练好的件量预测模型，对下一周期的快递揽件量进行预测，输出预测值。

根据本发明一实施例，所述步骤S1进一步包括：

清洗历史数据，替换空数据及异常数据；

对清洗后的历史数据进行归一化，得到所述目标数据集。

根据本发明一实施例，所述替换空数据及异常数据进一步包括：

设置日揽件量的上限及下限，将大于上限或小于下限的日揽件量的值作为异常数据；

将异常数据作为缺失值，进行缺失值补齐。

根据本发明一实施例，所述步骤S2进一步包括：