订单预测方法和装置、物流系统及计算机可读介质

摘要

本发明提供一种订单预测方法和装置、物流系统及计算机可读介质。该方法包括：采集线路的历史订单数据，所述历史订单数据包括订单生成时间和订单量；根据所述订单生成时间对所述历史订单数据进行整合；从经整合的历史订单数据截取N天的订单量作为时序输入序列，并以第N+1天的订单量作为该时序输入序列的标签，移动数据截取窗口获取多个训练样本，所述训练样本包括时序输入序列和标签；使用所述多个训练样本训练全连接神经网络模型；使用经训练的全连接神经网络模型对测试时间的订单量进行预测。

权利要求

1.一种订单预测方法，该方法包括：

采集线路的历史订单数据，所述历史订单数据包括订单生成时间和订单量；

根据所述订单生成时间对所述历史订单数据进行整合；

从经整合的历史订单数据截取N天的订单量作为时序输入序列，并以第N+1天的订单量作为该时序输入序列的标签，移动数据截取窗口获取多个训练样本，所述训练样本包括时序输入序列和标签；

使用所述多个训练样本训练全连接神经网络模型；

使用经训练的全连接神经网络模型对测试时间的订单量进行预测。

2.如权利要求1所述的订单预测方法，其特征在于，采集多条线路的历史订单数据，计算多条线路中每两条线路历史订单数据的相似度，合并相似度大于预设值的两条线路。

3.如权利要求2所述的订单预测方法，其特征在于，采用曼哈顿距离相似度算法、欧式距离相似度算法、余弦相似度算法或皮尔森相似度算法计算多条线路中每两条线路历史订单数据的相似度。

4.如权利要求1所述的订单预测方法，其特征在于，根据所述订单生成时间的星期数对所述历史订单数据进行整合。

5.如权利要求1所述的订单预测方法，其特征在于，移动数据截取窗口的步长为单天的历史订单数据。

6.如权利要求1所述的订单预测方法，其特征在于，采集线路的历史订单数据包括：获取历史订单对应的原始数据；

对原始数据进行预处理，获取历史订单数据的订单生成时间和订单量。

7.如权利要求6所述的订单预测方法，其特征在于，所述预处理包括异常值处理或缺失值处理中的至少一种。

8.一种订单预测装置，该装置包括：

采集单元，采集线路的历史订单数据，所述历史订单数据包括订单生成时间和订单量；

整合单元，根据所述订单生成时间对所述历史订单数据进行整合；

训练样本获取单元，从经整合的历史订单数据截取N天的订单量作为时序输入序列，并以第N+1天的订单量作为该时序输入序列的标签，移动数据截取窗口获取多个训练样本，所述训练样本包括时序输入序列和标签；

训练单元，使用所述多个训练样本训练全连接神经网络模型；

预测单元，使用经训练的全连接神经网络模型对测试时间的订单量进行预测。

9.一种物流系统，包括：

存储器，用于存储可由处理器执行的指令；

处理器，用于执行所述指令以实现如权利要求1-7任一项所述的方法。

10.一种计算机可读介质，其上存储有计算机指令，其中当计算机指令被处理器执行时，执行如权利要求1-7任一项所述的方法。

说明书

订单预测方法和装置、物流系统及计算机可读介质

技术领域

[0001] 本发明主要涉及智能物流领域，尤其涉及一种订单预测方法和装置、物流系统及计算机可读介质。

背景技术

[0002] 智能物流运输领域是人工智能技术与物流领域的交叉领域，旨在利用人工智能技术中的智能算法替代人工的方法来解决物流领域中的常见问题，例如订单预测问题、路径规划问题、道口计划问题、车辆调度问题、仓库选址问题等。其中订单预测问题又可以根据预测周期分为天度、周度、月度、年度订单预测等。在订单预测问题中，可以进一步根据发货地和收货地分为各线路订单预测问题，根据车型分为各车型订单预测问题，以及更复杂的各车型线路在多周期上的订单预测问题等。

[0003] 智能物流运输领域解决订单预测问题的方案，一般是依据经验公式，通过分析历史订单数据、整车厂产量、运力数据、市场情况等，对历史订单数据进行线性拟合，并且所解决的订单预测问题多为月度或更长周期的预测。这种方案存在如下缺点：

[0004] 1、线性拟合的预测方式预测精度低、响应速度慢，无法满足每天物流调度的预测需求。

[0005] 2、对预测人员的经验要求较高，预测效果与人的经验高度相关，难以满足智能物流运输领域持续优化算法的需要。

发明内容

[0006] 本发明要解决的技术问题是提供基于全连接神经网络模型的订单预测方法和装置、物流系统及计算机可读介质。

[0007] 为解决上述技术问题，本发明的一方面提供了一种订单预测方法，该方法包括：采集线路的历史订单数据，所述历史订单数据包括订单生成时间和订单量；根据所述订单生成时间对所述历史订单数据进行整合；从经整合的历史订单数据截取N天的订单量作为时序输入序列，并以第N+1天的订单量作为该时序输入序列的标签，移动数据截取窗口获取多个训练样本，所述训练样本包括时序输入序列和标签；使用所述多个训练样本训练全连接神经网络模型；使用经训练的全连接神经网络模型对测试时间的订单量进行预测。

[0008] 在本发明的一实施例中，采集多条线路的历史订单数据，计算多条线路中每两条线路历史订单数据的相似度，合并相似度大于预设值的两条线路。

[0009] 在本发明的一实施例中，采用曼哈顿距离相似度算法、欧式距离相似度算法、余弦相似度算法或皮尔森相似度算法计算多条线路中每两条线路历史订单数据的相似度。

[0010] 在本发明的一实施例中，根据所述订单生成时间的星期数对所述历史订单数据进行整合。

[0011] 在本发明的一实施例中，移动数据截取窗口的步长为单天的历史订单数据。

[0012] 在本发明的一实施例中，采集线路的历史订单数据包括：获取历史订单对应的原始数据；对原始数据进行预处理，获取历史订单数据的订单生成时间和订单量。

[0013] 在本发明的一实施例中，所述预处理包括异常值处理或缺失值处理中的至少一种。

[0014] 在本发明的一实施例中，还包括获取订单的在线数据，基于所述在线数据训练并更新所述全连接神经网络模型。

[0015] 本发明的另一方面提供了一种订单预测装置，该装置包括：采集单元，采集线路的历史订单数据，所述历史订单数据包括订单生成时间和订单量；整合单元，根据所述订单生成时间对所述历史订单数据进行整合；训练样本获取单元，从经整合的历史订单数据截取N天的订单量作为时序输入序列，并以第N+1天的订单量作为该时序输入序列的标签，移动数据截取窗口获取多个训练样本，所述训练样本包括时序输入序列和标签；训练单元，使用所述多个训练样本训练全连接神经网络模型；预测单元，使用经训练的全连接神经网络模型对测试时间的订单量进行预测。

[0016] 在本发明的一实施例中，所述采集单元采集多条线路的历史订单数据，计算多条线路中每两条线路历史订单数据的相似度，合并相似度大于预设值的两条线路。

[0017] 在本发明的一实施例中，所述采集单元采用曼哈顿距离相似度算法、欧式距离相似度算法、余弦相似度算法或皮尔森相似度算法计算多条线路中每两条线路历史订单数据的相似度。

[0018] 在本发明的一实施例中，所述整合单元根据所述订单生成时间的星期数对所述历史订单数据进行整合。

[0019] 在本发明的一实施例中，移动数据截取窗口的步长为单天的历史订单数据。

[0020] 在本发明的一实施例中，所述采集单元采集线路的历史订单数据包括：获取历史订单对应的原始数据；对原始数据进行预处理，获取历史订单数据的订单生成时间和订单量。

[0021] 在本发明的一实施例中，所述预处理包括异常值处理或缺失值处理中的至少一种。

[0022] 在本发明的一实施例中，所述训练单元获取订单的在线数据，基于所述在线数据训练并更新所述全连接神经网络模型。

[0023] 本发明的又一方面提供了一种物流系统，包括：存储器，用于存储可由处理器执行的指令；处理器，用于执行所述指令以实现如上所述的方法。

[0024] 本发明的再一方面提供了一种计算机可读介质，其上存储有计算机指令，其中当计算机指令被处理器执行时，执行如上所述的方法。

[0025] 与现有技术相比，本发明根据订单变化的相似性对线路数据进行整合，利用深度学习中的全连接神经网络模型对物流订单历史订单数据进行拟合，可以预测出未来一段时间内可能发生的订单量，使得后续的物流优化算法可以达到目标函数的最优值，具有通用性强、时效性强、精确度高、智能化的优点。

附图说明

[0026] 为让本发明的上述目的、特征和优点能更明显易懂，以下结合附图对本发明的具体实施方式作详细说明，其中：

[0027] 图1是本发明一实施例的订单预测方法的示例性流程图；

[0028] 图2是本发明一实施例的移动数据截取窗口获得训练样本的示意图；

[0029] 图3是全连接神经网络模型的结构示意图；

[0030] 图4是Sigmoid函数的示例性图形；

[0031] 图5是本发明一实施例中使用经训练的全连接神经网络模型对测试时间的订单量进行预测的示例性流程图；

[0032] 图6是本发明一实施例的订单预测结果对比图；

[0033] 图7是本发明一实施例的订单预测装置的结构框图；

[0034] 图8是本发明一实施例的物流系统的框图。

具体实施方式

[0035] 为让本发明的上述目的、特征和优点能更明显易懂，以下结合附图对本发明的具体实施方式作详细说明。

[0036] 在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其它不同于在此描述的其它方式来实施，因此本发明不受下面公开的具体实施例的限制。

[0037] 如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

[0038] 图1是本发明一实施例的订单预测方法的示例性流程图。参考图1所示，该订单的预测方法包括以下步骤：

[0039] 步骤110，采集线路的历史订单数据。

[0040] 该历史订单数据包括对应于某一线路的订单生成时间和订单量。线路可以由发货地和收货地来确定，该发货地和收货地可以分别是发出城市和目的城市，例如上海-上海线路、上海-苏州线路等。发货地和收货地也可以是省、县级市、地区、仓库代码等。例如，表一所示为由上海-上海路线所得到的历史订单数据。

[0041] 表一

[0042]

[0043]

[0044] 表一中的*为表示订单量的任意数值。订单生成时间不限于表一中的记录形式，还可以包括年、月、日、时、分、秒以及星期几的信息。由于本发明的目的是为了根据历史订单数据对未来某一天的订单量进行预测，也就是进行天度订单预测，因此历史订单数据中订单生成时间至少应以天为周期来生成。在一些实施例中，历史订单数据中订单生成时间还可以以小时为周期来生成。

[0045] 在本步骤中，可以同时采集多条线路的历史订单数据，计算多条线路中每两条线路历史订单数据的相似度，合并相似度大于预设值的两条线路，从而可以增大后续进行全连接神经网络模型的训练数据集的规模。其中，计算多条线路中每两条线路历史订单数据的相似度的方法可以包括但不限于曼哈顿距离相似度算法、欧式距离相似度算法、余弦相似度算法或皮尔森相似度算法。例如，经过相似度计算的结果表明，上海-上海线路与上海-苏州线路的相似度较高，大于预设值，则将该两条线路合并，即将对应于该两条线路的历史订单数据合并起来作为同一条线路(例如记为A线路)的历史订单数据。显然，合并后所产生的A线路中包括了原上海-上海线路与上海-苏州线路中的所有历史订单数据，由A线路所采集而得到的历史订单数据的数据量等于原上海-上海线路与上海-苏州线路中历史订单数据的数据量之和。

[0046] 可以理解的是，也可以有多于两条线路的历史订单数据彼此之间的相似度都大于预设值，则合并该多于两条线路。

[0047] 在一些实施例中，采集线路的历史订单数据可以包括：获取历史订单对应的原始数据；对原始数据进行预处理，获取历史订单数据的订单生成时间和订单量。在一些实施例中，预处理包括异常值处理或缺失值处理中的至少一种。

[0048] 异常值处理可以是对历史订单对应的原始数据进行检查核对，剔除异常值，以避免异常值影响后续预测的准确度。缺失值处理可以是，对历史订单对应的原始数据进行检查核对，填补相应的缺失值，以提高订单预测的准确度。

[0049] 步骤120，根据订单生成时间对历史订单数据进行整合。

[0050] 本步骤的目的在于通过对历史订单数据进行整合，使这些历史订单数据适用于后续的全连接神经网络模型的训练和测试。例如，按照订单生成时间的顺序来排列历史订单数据。

[0051] 对于由较为相似的多条线路的历史订单数据合并而成的数据集，可以以某种方式对对应于多条线路的历史订单数据进行排列，例如，按照订单生成时间的顺序排列。

[0052] 在一些实施例中，根据订单生成时间的星期数对历史订单数据进行整合。首先，将每一个订单生成时间按照其所对应的星期数排列，如表二所示。

[0053] 表二：

[0054]星期一 星期二 星期三 星期四 星期五 星期六 星期日
Day1 Day2 Day3 Day4 Day5 Day6 Day7
Day8 Day9 Day10 Day11 Day12 Day13 Day14
Day15 Day16 Day17 Day18 Day19 Day20 Day21

[0055] 表二示例性的列出了按照星期数进行排列的有限数量的历史订单数据。在每一个星期数所对应的列中为相应的订单生成时间的天数或日期。再将所有的订单生成时间按照星期数生成不同的数据序列，如表三所示。

[0056] 表三：

[0057]序列1 Day1 Day8 Day15 …… Day n
序列2 Day2 Day9 Day16 …… Day n+1
序列3 Day3 Day10 Day17 …… Day n+2
序列4 Day4 Day11 Day18 …… Day n+3
序列5 Day5 Day12 Day19 …… Day n+4
序列6 Day6 Day13 Day20 …… Day n+5
序列7 Day7 Day14 Day21 …… Day n+6

[0058] 表三中的序列1至序列7中分别包含所有对应于星期一至星期日的订单生成时间。再按照表三的内容，按照序列从1至7的顺序对每一个订单生成时间所对应的历史订单数据逐行进行排列。假设，每一个序列包含m个订单生成时间，则将序列1中的订单生成时间所对应的历史订单数据排列为D1至Dm，序列2中的订单生成时间所对应的历史订单数据排列为Dm+1至D2m，依次类推，序列7中的订单生成时间所对应的历史订单数据排列为Dm+6至D7m。
如表四所示。

[0059] 表四：

[0060]序列1 D1 D2 D3 …… Dm
序列2 Dm+1 Dm+2 Dm+3 …… D2m
序列3 D2m+1 D2m+2 D2m+3 …… D3m
序列4 D3m+1 D3m+2 D3m+3 …… D4m
序列5 D4m+1 D4m+2 D4m+3 …… D5m
序列6 D5m+1 D5m+2 D5m+3 …… D6m
序列7 D6m+1 D6m+2 D6m+3 …… D7m

[0061] 在利用这些历史订单数据对全连接神经网络模型进行训练或测试时，是从表四中按照逐行的顺序来排列这些历史订单数据，如表五所示为用于全连接神经网络模型训练或测试的数据集：

[0062] 表五：

[0063]D1 D2 D3 …… D15 D16 D17 D18 D19 ……

[0064] 在该数据集中，D1表示该线路在Day1(星期一)的订单量，D2表示该线路在Day8(星期一)的订单量，依次类推，直到序列1的最后一个历史订单数据Dm之后才是序列2的历史订单数据。

[0065] 步骤130，从经整合的历史订单数据截取N天的订单量作为时序输入序列，并以第N+1天的订单量作为该时序输入序列的标签，移动数据截取窗口获取多个训练样本。该训练样本包括时序输入序列和标签。

[0066] 图2是本发明一实施例的移动数据截取窗口获得训练样本的示意图。首先确定所要截取的天数N。在图2所示的实施例中，N＝15。参考图2所示，数据截取窗口的长度为N+1＝16，其中包括了从D1到D16共16天的历史订单数据，即订单量。其中，D1到D15的订单量作为时序输入序列，即如图2中所示的时序输入序列1，D16作为该时序输入序列的标签，即如图2中所示的标签1。时序输入序列1和标签1即组成一个训练样本。

[0067] 在图2所示的实施例中，该移动数据截取窗口的步长为单天的历史订单数据。如图2所示，在确定好时序输入序列1和标签1之后。将数据截取窗口向后移动1天，从而获得时序输入序列2和标签2。其中时序输入序列2中包括D2到D16的订单量，标签2为D17的订单量。时序输入序列2和标签2即组成第二个训练样本。显然，时序输入序列1和时序输入序列2中的订单量数据是有部分重叠的。按照图2所示的移动数据截取窗口的方法，可以获得多个时序输入序列和标签。该时序输入序列和标签的数量与总的数据集的大小数量有关。

[0068] 可以理解的是，在其他的实施例中，移动数据截取窗口的步长可以大于一天。为了充分利用数据集中的所有数据，移动数据截取窗口的步长应小于N，以保证数据集中的每一个数据都可以用于时序输入序列。当该步长为单天时，预测效果最好。

[0069] 步骤140，使用多个训练样本训练全连接神经网络模型。

[0070] 图3是全连接神经网络模型的结构示意图。参考图3所示，全连接神经网络(Fully-Connected Networks)包括输入层310、隐含层320和输出层330。其中至少包含一层隐含层320。在图3所示的实施例中，该全连接神经网络包含三层隐含层320。图3中的一个圈圈表示一个神经元。关于全连接神经网络模型的运算包括两部分：线性部分与非线性部分。其中，线性部分负责线性转换，非线性部分应用于非线性变换。全连接神经网络模型的函数表达如下面的公式所示:

[0071] z(l)＝W(l)*a(l-1)+b(l)

[0072] a(l)＝f(z(l))

[0073] 其中，z(l)为第l层的输出，a(l-1)为第l层的输入，W(l)为线性部分的参数矩阵，b(l)为模型偏置项，f(z(l))为非线性激活函数。

[0074] 对于神经网络中的第l层来说，其输入变量为上一层的输出变量，即线性部分的输出向量 可由如下
公式求得：

[0075] z(l)＝W(l)*a(l-1)+b(1)

[0076] 其中，W(1)为线性部分的参数矩阵，矩阵大小为m*n。b＝[b0,b1,…bm]T为模型偏置项。

[0077] 全连接神经网络模型的非线性部分由激活函数组成，为深度学习模型提供非线性的映射关系。激活函数可以例如但不限于Sigmoid，Relu，tanh，softmax等。以Sigmoid激活函数为例。图4是Sigmoid函数的示例性图形，参考图4所示，Sigmoid激活函数如S型曲线。其函数形式如下面的公式所示：

[0078]

[0079] 利用如图2所示的移动数据截取窗口获取一定数量的训练样本，将这些训练样本作为全连接神经网络模型的输入，对该模型进行训练。例如，以图2所示的实施例为例，每一个训练样本都包括具有N天的订单量的时序输入序列和具有第N+1天的订单量的标签。将这些训练样本都输入到全连接神经网络模型中，利用多个时序输入序列对全连接神经网络模型进行训练，将由时序输入序列所估计出的第N+1天的订单量与该时序输入序列所对应的标签进行比较，使二者之间的误差达到极小，则训练结束。

[0080] 可以理解的是，对应于不同的线路，训练样本也是不同的。因此，对于不同的线路来说，经训练的全连接神经网络模型中的各个参数也是不一样的。

[0081] 在一些实施例中，还包括获取订单的在线数据，基于在线数据训练并更新全连接神经网络模型。通过对在线数据的再学习更新先前离线训练完成的全连接神经网络模型，可以使全连接神经网络模型动态更新，提高预测的准确性。

[0082] 步骤150，使用经训练的全连接神经网络模型对测试时间的订单量进行预测。

[0083] 图5是本发明一实施例中使用经训练的全连接神经网络模型对测试时间的订单量进行预测的示例性流程图。参考图5所示，该预测流程包括以下步骤：

[0084] 步骤510，收集线路j在测试时间之前N天的历史订单数据。这里的测试时间是用户想要预测订单量的某一天。

[0085] 步骤520，对前N天的历史订单数据进行整合，生成订单预测输入集。本步骤中进行整合的方法可以按照图1中所示的步骤120。

[0086] 步骤530，载入对应线路的经训练的全连接神经网络模型参数。

[0087] 步骤540，将订单预测输入集输入到全连接神经网络模型中。

[0088] 步骤550，输出测试时间的预测订单量。

[0089] 图5所示的预测流程可以是一个循环的步骤，在完成了对线路j在测试时间的订单量的预测之后，可以紧接着对线路j+1在测试时间的订单量进行预测。其中，对于不同线路所要预测订单量的测试时间可以是不同的。

[0090] 需要说明的是，当按照星期数对历史订单数据进行整合，并从该整合后的数据中提取出训练样本对全连接神经网络模型进行训练，该全连接神经网络模型对未来一个星期的订单量预测具有最好的效果。

[0091] 下面通过一个具体实施例说明本发明的订单预测方法的效果。该实施例所采集的线路为上海-江苏线路。其中，训练数据中的历史天度订单数据的订单生成时间是从2013年1月年1月8日至2015年12月31日的，共1065个有效样本；测试数据中的历史天度订单数据的订单生成时间是从2016年1月1日至2016年12月31日，共320个有效样本。对该线路的训练数据进行如步骤120所示的预处理，并经过步骤130获得多个训练样本。用这些训练样本对全连接神经网络模型进行训练，获得对应于该线路的模型参数。再根据图5所示的预测流程，对测试数据中每一天的数据进行预测。

[0092] 图6是本发明一实施例的订单预测结果对比图。图6所示即为上述上海-江苏线路的订单预测结果对比图。图中横轴为天数，共有320天，纵轴为订单量。对应于每一天的订单量的实际值由虚线所示，预测值由实线所示。可见，对于该实施例来说，预测值与实际值具有较好的吻合度。

[0093] 可以理解的是，本发明的实施例是以线路为例，对某条线路所对应的订单量进行预测。根据本发明的思想，也可以针对不同的车型、运力类型等采集历史订单数据，并针对这些类型所对应的订单量来进行预测。

[0094] 根据本发明的订单预测方法可以在天度周期上对未来订单量进行预测。其优势在于：

[0095] (1)通用性强：本发明的订单预测方法可以在任何物流调度算法之前使用，为下一个工作日乃至未来某一段时间内的物流调度提供预测指导，更高效的进行物流线路优化、运力调度、以及运输周期优化。

[0096] (2)时效性强，精确度高：本发明使用人工智能算法，实现智能化地对历史数据进行分析并对未来订单量进行预测，预测时效性强、准确度高，能够实现天度的高频预测，并且具有很高的预测精确度。

[0097] (3)智能化：本发明通过人工智能算法，能够智能实现自我学习、优化，并且可以自动根据每条物流线路、车型、运力类型等物流条件，自适应地自我优化，具有很高的智能度。

[0098] 图7是本发明一实施例的订单预测装置的结构框图。参考图7所示，该装置包括采集单元710、整合单元720、训练样本获取单元730、训练单元740和预测单元750。

[0099] 其中，采集单元710用于采集线路的历史订单数据，该历史订单数据包括订单生成时间和订单量。在一些实施例中，采集单元710采集多条线路的历史订单数据，计算多条线路中每两条线路历史订单数据的相似度，合并相似度大于预设值的两条线路。采集单元710采用曼哈顿距离相似度算法、欧式距离相似度算法、余弦相似度算法或皮尔森相似度算法计算多条线路中每两条线路历史订单数据的相似度。具体方法可以参考图1所示的步骤110及其说明内容。

[0100] 在一些实施例中，采集单元采集线路的历史订单数据可以包括：获取历史订单对应的原始数据；对原始数据进行预处理，获取历史订单数据的订单生成时间和订单量。在一些实施例中，预处理可以包括异常值处理或缺失值处理中的至少一种。

[0101] 异常值处理可以是对历史订单对应的原始数据进行检查核对，剔除异常值，以避免异常值影响后续预测的准确度。缺失值处理可以是，对历史订单对应的原始数据进行检查核对，填补相应的缺失值，以提高订单预测的准确度。

[0102] 整合单元720用于根据订单生成时间对历史订单数据进行整合。在一些实施例中，整合单元720根据订单生成时间的星期数对历史订单数据进行整合。具体的整合方法可以参考图1所示的步骤120及其说明内容。

[0103] 训练样本获取单元730用于从经整合的历史订单数据截取N天的订单量作为时序输入序列，并以第N+1天的订单量作为该时序输入序列的标签，移动数据截取窗口获取多个训练样本，该训练样本包括时序输入序列和标签。在一些实施例中，移动数据截取窗口的步长为单天的历史订单数据。具体的训练样本获取方法可以参考图1所示的步骤130及其说明内容。

[0104] 训练单元740用于使用由训练样本获取单元730所获取的多个训练样本训练全连接神经网络模型。具体的训练方法可以参考图1所示的步骤140及其说明内容。

[0105] 在一些实施例中，训练单元获取订单的在线数据，基于在线数据训练并更新所述全连接神经网络模型。通过对在线数据的再学习更新先前离线训练完成的全连接神经网络模型，可以使全连接神经网络模型动态更新，提高预测的准确性。

[0106] 预测单元750用于使用经训练的全连接神经网络模型对测试时间的订单量进行预测。具体的预测方法可以参考图1所示的步骤150及其说明内容。

[0107] 本发明的技术方案还提出了一种物流系统，包括存储器和处理器。其中，存储器用于存储可由处理器执行的指令；处理器用于执行该指令以实现本发明实施例所示的订单预测方法。图8是本发明一实施例的物流系统的框图。参考图8所示，该物流系统可以包括内部通信总线801、处理器802、只读存储器(ROM)803、随机存取存储器(RAM)804、通信端口805、以及硬盘806。内部通信总线801可以实现物流系统内部各个组件之间的数据通信。处理器802可以进行判断和发出提示。在一些实施例中，处理器802可以由一个或多个处理器组成。
通信端口805可以实现物流系统与外部组件，例如客户端等，之间进行数据通信。

[0108] 在一些实施例中，物流系统通过通信端口805可以连接到网络，并从网络发送和接受信息及数据。该连接可以是有线连接、无线连接、能够实现数据传送和/或接收的任意其他通信连接、和/或这些连接的任意组合。有线连接可包括例如电缆、光缆、电话线等或者其任意组合。无线连接可包括例如蓝牙TM链路、Wi-FiTM链路、WiMaxTM链路、WLAN链路、ZigBee链路、移动网络链路(例如，3G，4G，5G等)等或其组合。在一些实施例中，通信端口805可以是包括标准化通信端口，诸如RS232、RS485等。

[0109] 物流系统中的存储器可以包括不同形式的程序储存单元以及数据储存单元，例如硬盘806，只读存储器803和随机存取存储器804，能够存储计算机处理和/或通信使用的各种数据文件，以及处理器802所执行的可能的程序指令。物流系统中的处理器802执行这些指令以实现本发明的预测订单的方法的主要部分。处理器802处理的结果通过通信端口805传给客户端，并可以在用户界面上显示。

[0110] 本发明的订单预测方法可以以计算机程序代码的形式存储在计算机可读介质中，该计算机程序代码由处理器执行以实现该方法所包要达到的功能。

[0111] 本发明的订单预测方法的一些方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。处理器可以是一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理器件(DAPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器或者其组合。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。例如，计算机可读介质可包括，但不限于，磁性存储设备(例如，硬盘、软盘、磁带……)、光盘(例如，压缩盘CD、数字多功能盘DVD……)、智能卡以及闪存设备(例如，卡、棒、键驱动器……)。

[0112] 计算机可读介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等等、或合适的组合形式。计算机可读介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、射频信号、或类似介质、或任何上述介质的组合。

[0113] 此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

[0114] 同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个申请实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

[0115] 一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。

[0116] 虽然本发明已参照当前的具体实施例来描述，但是本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，在没有脱离本发明精神的情况下还可做出各种等效的变化或替换，因此，只要在本发明的实质精神范围内对上述实施例的变化、变型都将落在本申请的权利要求书的范围内。