[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

说明书

本发明实施例公开一种货量预测模型训练方法、货量预测方法和系统、存储介质和计算机设备，所述货量预测模型训练方法包括：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S1得到的数据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、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；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，选择线段误差最小的模型为最佳模型。

技术领域

本发明涉物流领域，更具体地，涉及一种货量预测模型训练方法、货量 预测方法和系统、存储介质和计算机设备。

背景技术

货量是物流公司的核心数据，对于物流公司来说，货量可以看做对运力 资源的需求量，运力资源可以看成供给量。运力资源(供给)和货量(需求) 的准确匹配关系对优化货物运输时效、提升服务质量和降低运营成本具有重 要意义。在物流行业，由于运力资源的调配具有滞后性，因此，需要事先预 测未来某一段时间内的货量需求，并据此提前调配运力资源。

发明内容

有鉴于此，本发明第一方面提供一种货量预测模型训练方法，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。

可选地，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。

可选地，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异常值进行裁剪，或将其所在的样本 点丢弃。