货量预测模型构建方法、货量测量方法、装置及电子设备

摘要

本发明提供一种货量预测模型构建方法、货量测量方法、装置及电子设备，其中，方法包括：获取多个区域的标识信息和与所述区域对应的历史货量信息；将所述标识信息和所述历史货量信息作为训练样本输入待训练预测模型，对所述待训练预测模型进行训练得到训练后的预测模型。在模型训练时，采用的训练样本为多个区域的标识信息和区域对应的历史货量信息，训练出的预测模型可以预测多个地点的货量信息，可以有效降低构建预测模型的复杂度，并且可以有效增加样本数量，提高预测模型的识别精度，可以有效解决现有技术单独针对一个地点或区域建立独立的预测模型，在历史货量数据有限的情况下，无法提高模型预测精度的问题。

权利要求

1.一种货量预测模型构建方法，其特征在于，包括：

获取多个区域的标识信息和与所述区域对应的历史货量信息，获取同一个用户或某一特定用户群体与货运有关的行为数据；识别行为数据中包含的多个区域；将行为数据中包含的多个区域进行关联得到区域关联关系，所述行为数据为与货运相关的行为产生的数据，利用区域关联关系对基于预设规则建立用于表征区域的标识编码进行嵌入式表达得到数据作为所述标识信息，所述区域关联关系为同一个用户或某一特定用户群体产生的与货运有关的行为时建立的区域之间的关系；

将所述标识信息和所述历史货量信息作为训练样本输入待训练预测模型，对所述待训练预测模型进行训练得到训练后的预测模型。

2.如权利要求1所述的货量预测模型构建方法，其特征在于，所述获取多个区域的标识信息和与所述区域对应的历史货量信息包括：将基于预设规则建立用于表征区域的标识编码作为标识信息。

3.如权利要求2所述的货量预测模型构建方法，其特征在于，基于预设规则建立用于表征区域标识编码包括：获取区域数量N；

基于所述区域数量N建立与所述区域一一对应的N个N维向量编码作为标识编码。

4.如权利要求2所述的货量预测模型构建方法，其特征在于，所述获取多个区域的标识信息包括：获取区域名称和/或区域对应的标准代码作为所述区域的标识信息。

5.一种货量预测模型构建装置，其特征在于，包括：

第一获取模块，用于获取多个区域的标识信息和与所述区域对应的历史货量信息，获取同一个用户或某一特定用户群体与货运有关的行为数据；识别行为数据中包含的多个区域；将行为数据中包含的多个区域进行关联得到区域关联关系，所述行为数据为与货运相关的行为产生的数据，利用区域关联关系对基于预设规则建立用于表征区域的标识编码进行嵌入式表达得到数据作为所述标识信息，所述区域关联关系为同一个用户或某一特定用户群体产生的与货运有关的行为时建立的区域之间的关系；

训练模块，用于将所述标识信息和所述历史货量信息作为训练样本输入待训练预测模型，对所述待训练预测模型进行训练得到训练后的预测模型。

6.一种货量预测方法，其特征在于，包括：

获取待预测区域的标识信息和所述待预测区域对应的历史货量信息；

将所述标识信息和所述历史货量信息输入至预测模型，得到所述待测区域的预测货量，所述预测模型采用权利要求1-4任一项所述的货量预测模型构建方法构建而成。

7.一种货量预测装置，其特征在于，包括：

第二获取模块，用于获取待预测区域的标识信息和所述待预测区域对应的历史货量信息；

预测模块，用于将所述标识信息和所述历史货量信息输入至预测模型，得到所述待测区域的预测货量，所述预测模型采用权利要求1-4任一项所述的货量预测模型构建方法构建而成。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行所述权利要求1-4任意一项所述的货量预测模型构建方法或权利要求6所述的货量预测方法。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-4任意一项所述的货量预测模型构建方法或权利要求6所述的货量预测方法。

说明书

货量预测模型构建方法、货量测量方法、装置及电子设备

技术领域

[0001] 本发明涉及物流技术领域，尤其涉及一种货量预测模型构建方法、货量测量方法、装置及电子设备。

背景技术

[0002] 现有物流领域，尤其是卡车货运领域，经常出现车辆在卸货地点(如某一城市)完成订单任务后，无法短时间内在该卸货地点找到其他货运订单的问题；遇到这种问题，承运人要么选择在该地点等待，直到能够承接到货运订单；要么选择空驶离开该地点，到其它地点去承接货运订单。不论选择哪种方式，都会带来运输成本的增加，乃至使承认人无法获得收益，甚至出现亏损的情况。另外这种情况的出现同时造成了运输效率的下降，也不利于货运市场的健康发展。

[0003] 目前解决该问题的方式多是首先利用人工智能单独针对一个地点建立独立的预测模型，而在预测时则需要根据特定地点选择对应的预测模型进行预测；这样会造成由于地点的数量庞大，需要建立大量的预测模型；另外，有些地点的数据不足，无法建立有效的预测模型，或者由于数据不足导致建立的预测模型的输出结果的精准度很低。

[0004] 因此，如何提高货量预测的精确度成为亟待解决的技术问题。

发明内容

[0005] 为了解决现有技术中如何提高货量预测的精确度的问题，本发明提供一种货量预测模型构建方法、货量测量方法、装置及电子设备。

[0006] 根据第一方面，本发明提供一种货量预测模型构建方法，包括：获取多个区域的标识信息和与所述区域对应的历史货量信息；将所述标识信息和所述历史货量信息作为训练样本输入待训练预测模型，对所述待训练预测模型进行训练得到训练后的预测模型。

[0007] 可选地，所述获取多个区域的标识信息和与所述区域对应的历史货量信息包括：将基于预设规则建立用于表征区域的标识编码作为标识信息。

[0008] 可选地，基于预设规则建立用于表征区域标识编码包括：获取区域数量N；基于所述区域数量N建立与所述区域一一对应的N个N维向量编码作为区域的标识编码。

[0009] 可选地，所述将基于预设规则建立用于表征区域的标识编码作为标识信息还包括：利用区域关联关系对基于预设规则建立用于表征区域的标识编码进行嵌入式表达得到数据作为标识信息。。

[0010] 可选地，所述区域关联关系为同一个用户或某一特定用户群体产生的与货运有关的行为时建立的区域之间的关系。

[0011] 可选地，获取多个区域的标识信息包括：获取区域名称和/或区域对应的标准代码作为所述区域的标识信息。

[0012] 根据第二方面，本发明实施例提供了一种货量预测模型构建装置，包括：第一获取模块，用于获取多个区域的标识信息和与所述区域对应的历史货量信息；训练模块，用于将所述标识信息和所述历史货量信息作为训练样本输入待训练预测模型，对所述待训练预测模型进行训练得到训练后的预测模型。

[0013] 可选地，货量预测模型构建装置还包括：标识信息处理模块，用于将基于预设规则建立用于表征区域的标识编码作为标识信息。

[0014] 可选地，标识信息处理模块包括：第一获取单元，用于获取区域数量N；第一标识信息建立单元，用于将基于所述区域数量N建立与所述区域一一对应的N个N维向量编码作为标识编码。

[0015] 可选地，标识信息处理模块包括还包括：第一标识信息处理单元，用于利用区域关联关系对基于预设规则建立用于表征区域的标识编码进行嵌入式表达得到数据作为标识信息。

[0016] 可选地，所述区域关联关系为同一个用户或某一特定用户群体产生的与货运有关的行为时建立的区域之间的关系。

[0017] 可选地，标识信息处理模块还包括：第二标识信息处理单元，用于将区域名称和/或区域对应的标准代码作为区域的标识信息。

[0018] 根据第三方面，本发明实施例提供了一种货量预测方法，包括：获取待预测区域的标识信息和所述待预测区域对应的历史货量信息；将所述标识信息和所述历史货量信息输入至预测模型，得到所述待测区域的预测货量，所述预测模型采用上述第一方面任一项所述的货量预测模型构建方法构建而成。

[0019] 根据第四方面，本发明实施例提供了一种货量预测装置，包括：第二获取模块，用于获取待预测区域的标识信息和所述待预测区域对应的历史货量信息；预测模块，用于将所述标识信息和所述历史货量信息输入至预测模型，得到所述待测区域的预测货量，所述预测模型采用上述第一方面任一项所述的货量预测模型构建方法构建而成。

[0020] 根据第五方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行所述上述第一方面任意一项所述的货量预测模型构建方法或上述第三方面所述的货量预测方法。

[0021] 根据第六方面，本发明实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如上述第一方面任意一项所述的货量预测模型构建方法或上述第三方面所述的货量预测方法。

[0022] 在对货量进行预测时，采用人工智能预测模型进行预测，在模型训练时，采用的训练样本为多个区域的标识信息和区域对应的历史货量信息，因此，训练出的一个预测模型可以预测多个地点的货量信息，无需针对不同地点构建多个预测模型，可以有效降低构建预测模型的复杂度，并且，由于采用多个区域以及多个区域的历史货量信息对同一模型训练可以有效增加样本数量，提高预测模型的识别精度，可以有效解决现有技术单独针对一个地点或区域建立独立的预测模型，在历史货量数据有限的情况下，无法提高模型预测精度的问题。

附图说明

[0023] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0024] 图1为本发明实施例提供的货量预测模型构建方法流程示意图；

[0025] 图2为本发明实施例提供的货量预测方法流程示意图；

[0026] 图3为本发明实施例提供的货量预测模型构建装置示意图；

[0027] 图4为本发明实施例提供的货量预测装置流程示意图；

[0028] 图5为本发明实施例提供的电子设备框图。

具体实施方式

[0029] 为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

[0030] 需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

[0031] 需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

[0032] 本发明实施例提供了一种货量预测模型构建方法，参见图1，该方法可以包括如下步骤：

[0033] S11.获取多个区域的标识信息和与区域对应的历史货量信息。作为示例性的实施例，所称区域为用于获取货量数据的范围，例如，可以是某个地点，示例性的，可以为卸货地地址或装货地的地址，也可以是以某个地点为中心在一定半径内的范围为区域，示例性的，可以为卸货地地址或装货地的地址为中心，半径30KM内的范围为区域，还可以是以某个地点所在的行政区域来划分为区域，示例性的，可以为如卸货地地址或装货地地址所在城市或者行政区或者县等。需要说明的是，本实施例中所称的地址包括上述示例性的列举的区域，还可以包括其他自定义的区域或范围更广或范围更窄的区域。

[0034] 所称与区域对应的历史货量信息可以为该区域历史上产生货物运输量的信息。在本实施例中可以以城市为区域为例进行说明：所称历史货量信息可以是将某一城市在历史预设时间段内的货量信息作为该区域的历史货量信息，例如，可以将该区域历史上某一天产生的运出该城市的货量信息作为该区域的历史货量信息，也可以是将某一城市在历史上某几天产生的运出该城市的货量信息作为该区域的历史货量信息，还可以是将某一城市在历史上某一段时间产生的运出该城市的货量信息作为该区域的历史货量信息；另外，货量信息还可以是运入该区域的货量信息，或者可以是运入和运出该区域的货量信息总和。本领域技术人员应当理解，本实施例所称的货量信息只要是能够反映出关于货量的数据，如货运订单量，货运重量，货运件数等均在本实施例的保护范围内。

[0035] 需要说明的是，多个区域指两个或两个以上区域。

[0036] S12.将标识信息和历史货量信息作为训练样本输入待训练预测模型，对待训练预测模型进行训练得到训练后的预测模型。在本实施例中，所称待训练预测模型可以包括Lasso模型、Xgboost模型、Lightgbm模型、Prophet模型中的一种或至少任意两种的组合，本领域技术人员应当理解，本实施例中所称的预测模型还可以为其它模型。具体的训练方法可以按照现有模型的训练方法进行训练，在本实施例中对于训练方法不做限定。

[0037] 需要注意的是，再将标识信息和历史货量信息作为训练样本对待训练模型进行训练时，可以将某一个区域在历史某一时间段的货量信息作为待训练模型的训练样本。基于多个区域在历史某一时间段的货量信息同时对同一待训练模型进行训练，使得训练完成的预测模型具有多区域货量预测功能。作为可选的实施例，还可以将历史货量信息和标识信息进行组合形成特定格式的数据作为训练样本。因此，在货量预测时，可以在一个预测模型中完成不同区域的货量的预测。

[0038] 在对货量进行预测时，采用人工智能预测模型进行预测，在模型训练时，采用的训练样本为多个区域的标识信息和这些区域对应的历史货量信息，因此，训练出的预测模型可以预测多个地点的货量信息，无需针对不同地点构建多个预测模型，可以有效降低构建预测模型的复杂度，并且，由于采用多个区域的标识信息以及多个区域的历史货量信息对同一模型训练可以有效增加样本数量，提高预测模型的识别精度，可以有效解决现有技术单独针对一个地点或区域建立独立的预测模型，在历史货量数据有限的情况下，无法提高模型预测精度的问题。

[0039] 作为示例性的实施例，区域的标识信息可以在训练预测模型之前准备完善，如，将基于预设规则建立用于表征区域的标识编码作为标识信息，在本实施例中不做具体的限定。区域的标识信息还可以基于预设规则分别建立用于区分区域的标识信息，具体的，区域以城市为例进行说明，例如目前有深圳市、惠州市、昆山市、苏州市、南京市、伊春市、酒泉市，张掖市、洛阳市，哈尔滨市这10个城市的历史货运数据，除了输入这10个城市的历史货量信息，还需要输入这10个城市的标识信息，这里的标识信息可以是这些城市的名称(区域的名称)，亦或是城市对应的地区代码(区域对应的标准代码)，还可以是自行对这10个城市进行区分的编号等用于对每个区域进行区分的信息。

[0040] 示例性的，基于预设规则建立用于表征区域的标识编码可以采用如下手段进行处理，具体的，获取区域数量N；基于区域数量N建立与区域一一对应的N个N维向量编码作为区域的标识编码。以上述实施例中示例的10个城市为例，向量编码可以为10个10维向量编码，每一向量编码对应一个区域，例如：

[0041] 深圳市{1,0,0,0,0,0,0,0,0,0}

[0042] 惠州市{0,1,0,0,0,0,0,0,0,0}

[0043] 昆山市{0,0,1,0,0,0,0,0,0,0}

[0044] 苏州市{0,0,0,1,0,0,0,0,0,0}

[0045] 南京市{0,0,0,0,1,0,0,0,0,0}

[0046] 伊春市{0,0,0,0,0,1,0,0,0,0}

[0047] 酒泉市{0,0,0,0,0,0,1,0,0,0}

[0048] 张掖市{0,0,0,0,0,0,0,1,0,0}

[0049] 洛阳市{0,0,0,0,0,0,0,0,1,0}

[0050] 哈尔滨市{0,0,0,0,0,0,0,0,0,1}。为了提高预测模型的准确性，可以将区域关联以使预测模型输出的结果更加准确。如，利用区域关联关系对基于预设规则建立用于表征区域的标识编码进行嵌入式表达得到数据作为标识信息。作为可选的实施例，可以基于行为数据对区域进行关联，示例性的，区域关联关系为同一个用户或某一特定用户群体产生的与货运有关的行为时建立的区域之间的关系。

[0051] 具体的，可以获取同一个用户或某一特定用户群体与货运有关的行为数据；识别行为数据中包含的多个区域；将行为数据中包含的多个区域进行关联得到区域关联关系。基于行为数据将区域进行关联，可以在输入数据进行预测前，使输入数据更加收敛，，进而提高模型预测精度。

[0052] 基于行为数据获得的区域关联关系将区域进行关联可以为同一个用户或某一特定用户群体在进行咨询，浏览，下单，承运等与货运有关的行为时建立的区域之间的序列关系。示例性的，浏览货运订单的过程中，每个用户都会寻找自己需要的订单，在这一行为过程中，用户自己所希望承接订单中的区域是有限的，用户在前后两次浏览货运订单的过程中，这两个货运订单可能包含了两个不同的区域信息，但这两个区域信息都可能是用户希望在承接的货运订单中出现的，因此用户这一行为就为两个不同的区域建立了关联。除此以外，用户在下单，运输等行为过程中同样也可以为区域之间建立关联关系。

[0053] 作为示例性的实施例，为防止区域数量过多，造成模型训练的输入信息过于稀疏，训练效果不佳，在本实施例中，可以利用区域关联关系对输入信息进行嵌入式表示，以减小训练样本的稀疏度，提高模型的训练效果，进而提升模型的预测精度。在本实施例中，标识信息可以为N个N维向量编码也可以为其他形式的信息，例如：城市的名称或城市对应的地区代码或自定义编码等。在本实施例中以标识信息可以为N个N维向量编码为例进行说明：

[0054] 利用这些区域关联关系，可以对N个区域的N个N维向量编码进行嵌入式表示。具体嵌入式表示的过程可以使用现有方法，在本申请不做限定。

[0055] 例如，利用区域关联关系进行嵌入式表示后的标识信息可以为：

[0056] 深圳市{-0.77,0.31,-0.12}

[0057] 惠州市{-0.76,0.33,-0.13}

[0058] 昆山市{-0.61,0.39,0.17}

[0059] 苏州市{-0.61,0.41,0.15}

[0060] 南京市{-0.62,0.43,0.15}

[0061] 伊春市{0.16,0.17,0.68}

[0062] 酒泉市{0.22,0.78,-0.11}

[0063] 张掖市{0.21,0.77,-0.12}

[0064] 洛阳市{0.51,-0.51,-0.52}

[0065] 哈尔滨市{0.15,0.15,0.65}。

[0066] 在完成嵌入式表示后，例如，利用嵌入式向量编码替代多个N为向量编码作为区域的标识信息，可以将区域的标识信息以更低的维度进行体现，这样可以防止输入信息过于稀疏，导致训练效果不佳，预测模型输出结果精度不高的问题。

[0067] 本发明实施例提供了一种货量预测方法，如图2所示，该方法可以包括如下步骤：

[0068] S21.获取待预测区域的标识信息和待预测区域对应的历史货量信息。在本实施例中，获取的区域的标识信息应该与建立模型时使用的区域的标识信息一致。具体的区域的标识信息获取方法可以参将上述实施例中的描述。历史货量信息也需要与建立模型时使用的历史预设间隔时段相同，具体的可以参见上述实施例汇总对于历史货量信息的描述。

[0069] S22.将待预测区域的和待预测区域的历史货量信息输入至预测模型，得到待测区域的预测货量。具体的该预测模型可以采用上述实施例中货量预测模型构建方法构建预测模型。

[0070] 在预测模型建立好之后，可以对预测模型输入一个区域的标识信息及特定的历史数据，就可以利用预测模型进行计算得到所需的货量。另外，输入的区域的标识信息应该与建立模型时使用的区域的标识信息一致，历史货量信息也需要与建立模型时使用的历史预设间隔时段相同。

[0071] 示例性的，可以以预测某一城市，例如深圳市的货量为例进行说明：在建立预测模型时，深圳市的标识信息使用的是{-0.77,0.31,-0.12}，在预测深圳市的货量时，输入预测模型的区域的标识信息也应该是{-0.77,0.31,-0.12}，而不能将{1,0,0,0,0,0,0,0,0,0}，或地区代码等输入到预测模型中。如在建立预测模型的时候，是根据时间T-3，T-4，T-5的历史货量信息作为输入，将时间T的货量信息作为输出进行训练，即利用时间T之前的第三天、第四天、第五天，这三天的货量数据作为输入。那么在预测时也需要将T-3，T-4，T-5的历史货量信息作为输入。示例性的，时间是2020年2月5日，这时希望预测深圳市在2020年2月6日的货量数据，那么这时候就需要将深圳市在2020年2月1日、2020年2月2日、2020年2月3日这三天的货量数据作为输入。

[0072] 在对货量进行预测时，采用人工智能预测模型进行预测，在模型训练时，采用的训练样本为多个区域的标识信息和区域对应的历史货量信息，因此，训练出的预测模型可以预测多个地点的货量信息，无需针对不同地点构建多个预测模型，可以有效降低构建预测模型的复杂度，并且，由于采用多个区域以及多个区域的历史货量信息对同一模型训练可以有效增加样本数量，提高预测模型的识别精度，可以有效解决现有技术单独针对一个地点或区域建立独立的预测模型，在历史货量数据有限的情况下，无法提高模型预测精度的问题。

[0073] 本发明实施例提供了一种货量预测模型构建装置，如图3所示，包括：第一获取模块31，用于获取多个区域的标识信息和与区域对应的历史货量信息；训练模块32，用于将标识信息和历史货量信息作为训练样本输入待训练预测模型，对待训练预测模型进行训练得到训练后的预测模型。

[0074] 可选地，货量预测模型构建装置还包括：标识信息处理模块，将基于预设规则建立用于表征区域的标识编码作为标识信息。

[0075] 可选地，标识信息处理模块包括：第一获取单元，用于获取区域数量N；第一标识信息建立单元，用于将基于所述区域数量N建立与所述区域一一对应的N个N维向量编码作为标识编码作为标识信息。

[0076] 可选地，标识信息处理模块包括：第二获取单元，用于获取同一个用户或某一特定用户群体与货运有关的行为数据；区域识别单元，用于识别行为数据中包含的多个区域；关联单元，用于将行为数据中包含的多个区域进行关联得到区域关联关系。

[0077] 可选地，标识信息处理模块包括还包括：第一标识信息处理单元，用于利用区域关联关系对基于预设规则建立用于表征区域的标识编码进行嵌入式表达得到数据作为标识信息。

[0078] 可选地，标识信息建立模块包括还包括：第二标识信息处理单元，用于将区域名称和/或区域对应的标准代码作为区域的标识信息。

[0079] 可选地，第一获取模块包括：第三获取单元，用于获取区域预设时段的出货量信息和/或入货量信息。

[0080] 本发明实施例提供了一种货量预测装置，如图4所示，包括：第二获取模块41，用于获取待预测区域的标识信息和待预测区域对应的历史货量信息；预测模块42，用于将待预测区域的标识信息和待预测区域的历史货量信息输入至预测模型，得到待测区域的预测货量，预测模型采用上述上述实施例中描述的货量预测模型构建方法构建而成。

[0081] 本发明实施例提供了一种电子设备，如图5所示，该电子设备包括一个或多个处理器51以及存储器52，图5中以一个处理器53为例。

[0082] 该控制器还可以包括：输入装置53和输出装置54。

[0083] 处理器51、存储器52、输入装置53和输出装置54可以通过总线或者其他方式连接，图5中以通过总线连接为例。

[0084] 处理器51可以为中央处理器(CentralProcessingUnit，CPU)。处理器51还可以为其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现场可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

[0085] 存储器52作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本申请实施例中的控制方法对应的程序指令/模块。处理器51通过运行存储在存储器52中的非暂态软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的货量预测模型构建方法或货量预测方法。

[0086] 存储器52可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据服务器操作的处理装置的使用所创建的数据等。此外，存储器52可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器52可选包括相对于处理器51远程设置的存储器，这些远程存储器可以通过网络连接至网络连接装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

[0087] 输入装置53可接收输入的数字或字符信息，以及产生与服务器的处理装置的用户设置以及功能控制有关的键信号输入。输出装置54可包括显示屏等显示设备。

[0088] 一个或者多个模块存储在存储器52中，当被一个或者多个处理器51执行时，执行如图1或2所示的方法。

[0089] 本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各电机控制方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)、随机存储记忆体(RandomAccessMemory，RAM)、快闪存储器(FlashMemory)、硬盘(HardDiskDrive，缩写：HDD)或固态硬盘(Solid-StateDrive，SSD)等；存储介质还可以包括上述种类的存储器的组合。

[0090] 最后，本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。