[发明专利]一种货量预测模型训练方法、货量预测方法和系统

权利要求书

1.一种货量预测模型训练方法，其特征在于，包括：

S1、从数据库中获取历史N天的所有流向的特征数据X和实际货量数据Y；

S2、对特征数据X和实际货量数据Y进行预处理得到理想的特征数据X’和货量数据Y’，并划分训练集X_train和Y_train，验证集X_valid和Y_valid；

S3、根据规划路由中流向到线段的映射关系构造路由映射矩阵A；

S4、选择机器学习模型，并将机器学习模型的损失函数自定义为整合线段误差的损失函数：

(1-λ)*L[f(X_train),Y_train]+λ*L[A^Tf(X_train),A^TY_train]

其中，L[f(X_train),Y_train]表示流向损失，L[A^Tf(X_train),A^TY_train]表示线段损失，λ为一个小于1的正数；

S5、利用训练集X_train和Y_train对机器学习模型进行训练，得到模型f^*；

S6、将X_valid输入所述模型f^*，输出计算流向误差和线段误差

S7、选择不同的机器学习模型和λ进行S4-S6的训练，比较得到的线段误差，选择线段误差最小的模型为最佳模型。

2.根据权利要求1所述的方法，其特征在于，X是一个P行F列的矩阵，每一行称为一个样本点，表示某一流向某一天的所有特征，每一列称为一组特征值，表示所有样本点在这个特征的取值；Y是一个长度为P的向量，每个元素表示某一流向某一天的实际货量。

3.根据权利要求2所述的方法，其特征在于，所述预处理包括：数据中存在缺失值的选择补0法或填充均值法对缺失值进行填充；严重偏离实际的值将其进行裁剪，或将其所在的样本点丢弃。

4.根据权利要求1所述的方法，其特征在于，并将X’和Y’中属于最晚N’天的部分作为验证集，分别记作X_valid和Y_valid；其余更早的N-N’天作为训练集，记为X_train和Y_train。

5.根据权利要求1所述的方法，其特征在于，所述路由映射矩阵，矩阵的行索引为流向，列索引为线段，若流向i根据路由映射到线段j，则矩阵的第i行第j列的元素为1，否则该元素为0。

6.一种利用权利要求1-5中任一项所述的训练方法得到的模型进行货量预测方法，其特征在于，包括：

获取当天特征数据X₁；

将当天特征数据X₁通过所选最佳模型，得到流向货量预测值

根据规划路由将所述流向货量预测值映射到相应的线段上，并将各个线段上的货量预测值加总得到线段货量预测值。

7.一种货量预测系统，其特征在于，包括：

特征数据获取模块，用于获取当天特征数据X₁；

流向货量预测模块，用于将当天特征数据X₁通过所选最佳模型，得到流向货量预测值

线段货量预测模块，用于根据路由规划将流向货量映射到相应的线段上，并将各个线段上的货量加总得到线段货量预测值。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一项所述的方法或者实现如权利要求6所述的方法。

9.一种计算机设备，包括处理器及存储有程序的存储器，其特征在于，所述处理器执行所述程序时实现如权利要求1-5中任一项所述的方法或者实现如权利要求6所述的方法。