[发明专利]一种基于贝叶斯收缩模型融合的货量预测方法及系统

权利要求书

1.一种基于贝叶斯收缩模型融合的货量预测方法，其特征在于，该方法包括：

获取货量的历史数据，并根据所述历史数据建立训练数据和测试数据；

根据所述训练数据和所述测试数据得到基于统计方法的货量预测模型的第一预测结果；

根据所述训练数据训练基于机器学习的货量预测模型，并根据所述基于机器学习的货量预测模型和所述测试数据得到第二预测结果；

根据所述训练数据得到历史数据样本协方差矩阵；

根据所述基于机器学习的货量预测模型和所述训练数据得到训练数据预测误差协方差矩阵；

根据所述贝叶斯收缩模型融合所述第一预测结果、所述历史数据样本协方差矩阵、所述第二预测结果和训练数据预测误差协方差矩阵得到最终预测结果。

2.根据权利要求1中的基于贝叶斯收缩模型融合的货量预测方法，其特征在于，所述基于统计方法的货量预测模型包括滑动平均模型。

3.根据权利要求2中的基于贝叶斯收缩模型融合的货量预测方法，其特征在于，所述滑动平均模型为

其中，为根据滑动平均得到的第s天的预测货量值，y_sj为第s天往前推算j天的实际货量值，P为滑动平均所取的步长。

4.根据权利要求1中的基于贝叶斯收缩模型融合的货量预测方法，其特征在于，所述基于机器学习的货量预测模型包括Xgboost模型。

5.根据权利要求4中的基于贝叶斯收缩模型融合的货量预测方法，其特征在于，所述Xgboost模型包括多棵树模型，其中第t棵树模型的目标函数为

其中，y_i为样本i的目标值，x_i为样本i的特征值，为第t-1次迭代后样本i的第一预测值，f_t(x_i)为第t棵树模型的预测结果，为第t次迭代后样本i的第二预测值，γ为控制第t棵树模型复杂度的权重值L1正则化项参数，T为第t棵树模型叶子节点的数量，λ为控制第t棵树模型复杂度的权重值的L2正则化项参数，ω_j为第t棵树模型叶子节点上的权重值，C为常数项。

6.根据权利要求5中的基于贝叶斯收缩模型融合的货量预测方法，其特征在于，所述Xgboost模型的参数调试包括网格搜索。

7.根据权利要求1中的基于贝叶斯收缩模型融合的货量预测方法，其特征在于，所述贝叶斯收缩模型融合的公式为

其中，μ_p为后验期望向量，μ₀为先验期望向量，为观测值期望向量，Ξ为先验期望协方差矩阵，∑为观测值协方差矩阵，N为观测值样本数，为观测值期望协方差矩阵。

8.根据权利要求7中的基于贝叶斯收缩模型融合的货量预测方法，其特征在于，所述基于贝叶斯收缩的模型融合的货量预测模型为

其中，Y_s为基于贝叶斯收缩模型融合的预测值向量，为Xgboost模型得到的第s天的预测值向量，为滑动平均得到的第s天前Q天的货量均值向量，Ξ_xgb为根据历史预测误差生成的协方差矩阵，∑_ave为历史数据样本协方差矩阵，Q为历史数据的样本数，为历史数据协方差矩阵。

9.一种以权利要求8所述的基于贝叶斯收缩模型融合的货量预测模型的预测结果准确率计算方法，其特征在于，该计算方法的公式为

其中，X表示为贝叶斯收缩模型融合，为贝叶斯收缩模型融合的预测准确率，为贝叶斯收缩模型融合预测的第m个始发终到的第s天的预测货量，y_sm为第m个始发终到的第s天的实际货量。

10.一种基于贝叶斯收缩模型融合的货量预测系统，其特征在于，该系统包括：

预处理模块，用于获取货量的历史数据，并根据所述历史数据建立训练数据和测试数据；

第一预测模块，用于根据所述训练数据和所述测试数据得到基于统计方法的货量预测模型的第一预测结果；

第二预测模块，用于根据所述训练数据训练基于机器学习的货量预测模型，并根据所述基于机器学习的货量预测模型和所述测试数据得到第二预测结果；

数据处理模块，用于根据所述训练数据得到历史数据样本协方差矩阵；并根据所述基于机器学习的货量预测模型和所述训练数据得到训练数据预测误差协方差矩阵；

第三预测模块，用于根据贝叶斯收缩模型融合所述第一预测结果、所述历史数据样本协方差矩阵、所述第二预测结果和训练数据预测误差协方差矩阵得到最终预测结果。