一种短时物流需求预测方法、装置、设备及可读存储介质转让专利
申请号 : CN202110404643.2
文献号 : CN112990826B
文献日 : 2021-11-02
发明人 : 陈彦如 , 冉茂亮 , 杨新彪
申请人 : 西南交通大学
摘要 :
权利要求 :
1.一种短时物流需求预测方法,其特征在于,包括:获取第一信息,所述第一信息包括第一时间段内的历史物流数据,所述第一时间段为以当前时刻为统计终点的一段时间;
基于第一信息,以预设时间段为单位将所述第一信息分割为多个子集并构成样本集,统计每个所述子集内的实际物流需求值,选取时间段最晚的两个所述子集构成预测集;
建立基于特征分解和特征提取的短时物流需求预测模型,利用所述样本集对所述短时物流需求预测模型进行训练,得到训练后的所述短时物流需求预测模型,所述短时物流需求预测模型为EEMD‑LMD‑LSTM模型;
其中,所述建立基于特征分解和特征提取的短时物流需求预测模型,利用所述样本集对所述短时物流需求预测模型进行训练,得到训练后的所述短时物流需求预测模型,包括:建立局部均值分解数学模型,将每个所述子集作为局部均值分解数学模型的输入信息,求解局部均值分解数学模型得到第三信息,第三信息包括每个子集所对应的若干份PF分量和残差分量Ut;
建立长短时记忆神经网络模型;利用第三信息对长短时记忆神经网络模型进行训练,得到训练后的第二需求预测模型;
将所述预测集作为训练后的所述短时物流需求预测模型的输入信息,求解训练后的所述短时物流需求预测模型得到第二时间段内的短时物流需求预测结果,所述第二时间段为以当前时刻为统计起点的一段时间;
建立局部误差校正数学模型,将所述第二时间段内的短时物流需求预测结果和所述样本集作为所述局部误差校正数学模型的输入信息,求解所述局部误差校正数学模型得到校正后的第二时间段内的短时物流需求预测结果;
其中,所述建立局部误差校正数学模型,将所述第二时间段内的短时物流需求预测结果和所述样本集作为所述局部误差校正数学模型的输入信息,求解所述局部误差校正数学模型得到校正后的第二时间段内的短时物流需求预测结果,包括:在所有所述子集中排除时间段最早的两个所述子集,将剩余的所述子集作为数据集;
将所述样本集作为训练后的所述短时物流需求预测模型的输入信息,求解训练后的所述短时物流需求预测模型得到数据集内每个子集所对应的短时物流需求预测结果;
将数据集内每个子集所对应的短时物流需求预测结果与所对应的实际物流需求值做差得到误差集;
建立误差短时预测模型,并利用所述误差集训练所述误差短时预测模型得到训练后的所述误差短时预测模型,将所述误差集中时间段最晚的两个所述子集所对应的误差作为所述训练后的所述误差短时预测模型的输入信息,求解训练后的所述误差短时预测模型得到误差集预测结果,所述建立误差短时预测模型的步骤与所述短时物流需求预测模型相同;
根据所述预测集和所述第二时间段内的短时物流需求预测结果建立局部突变状态判断数学模型,求解所述局部突变状态判断数学模型得到第四信息,所述第四信息包括所述第二时间段为突变状态、第二时间段为非突变状态和第二时间段为负值点;
建立校正数据数学模型,所述校正数据数学模型的输入信息包括所述第二时间段内的短时物流需求预测结果、误差集预测结果和所述第四信息,所述校正数据数学模型的输出信息包括校正后的第二时间段内的短时物流需求预测结果。
2.根据权利要求1所述的短时物流需求预测方法,其特征在于,所述建立基于特征分解和特征提取的短时物流需求预测模型,利用所述样本集对所述短时物流需求预测模型进行训练,得到训练后的所述短时物流需求预测模型,包括:建立基于集成经验模态分解和长短时记忆神经网络的第一需求预测模型,利用所述样本集对所述第一需求预测模型进行训练得到训练后的所述第一需求预测模型;
建立融合预测模型,所述融合预测模型的输入信息包括所述第一需求预测模型的预测结果和所述第二需求预测模型的预测结果,所述融合预测模型的输出信息包括第二时间段内的短时物流需求预测结果。
3.一种短时物流需求预测装置,其特征在于,包括:第一信息获取单元,用于获取第一信息,所述第一信息包括第一时间段内的历史物流数据,所述第一时间段为以当前时刻为统计终点的一段时间;
信息分割单元,用于基于第一信息,以预设时间段为单位将所述第一信息分割为多个子集并构成样本集,统计每个所述子集内的实际物流需求值,选取时间段最晚的两个所述子集构成预测集;
训练单元,用于建立基于特征分解和特征提取的短时物流需求预测模型,利用所述样本集对所述短时物流需求预测模型进行训练,得到训练后的所述短时物流需求预测模型,所述短时物流需求预测模型为EEMD‑LMD‑LSTM模型;
所述训练单元,包括:
局部均值分解算法单元,用于建立局部均值分解数学模型,将每个所述子集作为局部均值分解数学模型的输入信息,求解局部均值分解数学模型得到第三信息,第三信息包括每个子集所对应的若干份PF分量和残差分量Ut;
第二特征训练单元,用于建立长短时记忆神经网络模型,利用第三信息对长短时记忆神经网络模型进行训练,得到训练后的第二需求预测模型;
预测单元,用于将所述预测集作为训练后的所述短时物流需求预测模型的输入信息,求解训练后的所述短时物流需求预测模型得到第二时间段内的短时物流需求预测结果,所述第二时间段为以当前时刻为统计起点的一段时间;
误差校正计算单元,用于建立局部误差校正数学模型,将所述第二时间段内的短时物流需求预测结果和所述样本集作为所述局部误差校正数学模型的输入信息,求解所述局部误差校正数学模型得到校正后的第二时间段内的短时物流需求预测结果;
其中,误差校正计算单元包括:
数据集划分单元,用于在所有所述子集中排除时间段最早的两个所述子集,将剩余的所述子集作为数据集;
数据集预测单元,用于将所述样本集作为训练后的所述短时物流需求预测模型的输入信息,求解训练后的所述短时物流需求预测模型得到数据集内每个子集所对应的短时物流需求预测结果;
误差集计算单元,用于将数据集内每个子集所对应的短时物流需求预测结果与所对应的实际物流需求值做差得到误差集;
误差集预测单元,用于建立误差短时预测模型,并利用所述误差集训练所述误差短时预测模型得到训练后的所述误差短时预测模型,将所述误差集中时间段最晚的两个所述子集所对应的误差作为所述训练后的所述误差短时预测模型的输入信息,求解训练后的所述误差短时预测模型得到误差集预测结果,所述建立误差短时预测模型的步骤与所述短时物流需求预测模型相同;
突变判断单元,用于根据所述预测集和所述第二时间段内的短时物流需求预测结果建立局部突变状态判断数学模型,求解所述局部突变状态判断数学模型得到第四信息,所述第四信息包括所述第二时间段为突变状态、第二时间段为非突变状态和第二时间段为负值点;
数据校正单元,用于建立校正数据数学模型,所述校正数据数学模型的输入信息包括所述第二时间段内的短时物流需求预测结果、误差集预测结果和所述第四信息,所述校正数据数学模型的输出信息包括校正后的第二时间段内的短时物流需求预测结果。
4.根据权利要求3所述的短时物流需求预测装置,其特征在于,所述训练单元包括:第一训练子单元,用于建立基于集成经验模态分解和长短时记忆神经网络的第一需求预测模型,利用样本集对所述第一需求预测模型进行训练得到训练后的所述第一需求预测模型;
融合计算单元,用于建立融合预测模型,所述融合预测模型的输入信息包括所述第一需求预测模型的预测结果和所述第二需求预测模型的预测结果,所述融合预测模型的输出信息包括第二时间段内的短时物流需求预测结果。
5.一种短时物流需求预测设备,其特征在于,包括:存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至2任一项所述短时物流需求预测方法的步骤。
6.一种可读存储介质,其特征在于:所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至2任一项所述短时物流需求预测方法的步骤。
说明书 :
一种短时物流需求预测方法、装置、设备及可读存储介质
技术领域
背景技术
需求量,其物流数据具有非平稳、强随机性、局部突变等特征,已有研究方法直接应用短时
物流需求预测,预测结果出现了严重的滞后性,精度难以保证,无法应对物流数据在数量、
时间上呈现随机游走的特征。
发明内容
段时间;基于第一信息,以预设时间段为单位将所述第一信息分割为多个子集并构成样本
集,统计每个所述子集内的实际物流需求值,选取时间段最晚的两个所述子集构成预测集;
建立基于特征分解和特征提取的短时物流需求预测模型,利用所述样本集对所述短时物流
需求预测模型进行训练,得到训练后的所述短时物流需求预测模型;将所述预测集作为训
练后的所述短时物流需求预测模型的输入信息,求解训练后的所述短时物流需求预测模型
得到第二时间段内的短时物流需求预测结果,所述第二时间段为以当前时刻为统计起点的
一段时间。
型,包括:建立基于集成经验模态分解和长短时记忆神经网络的第一需求预测模型,利用样
本集对所述第一需求预测模型进行训练得到训练后的所述第一需求预测模型;建立基于局
部均值分解和长短时记忆神经网络的第二需求预测模型,利用训练集对所述第二需求预测
模型进行训练得到训练后的所述第二需求预测模型;建立融合预测模型,所述融合预测模
型的输入信息包括所述第一需求预测模型的预测结果和所述第二需求预测模型的预测结
果,所述融合预测模型的输出信息包括第二时间段内的短时物流需求预测结果。
物流需求预测结果和所述样本集作为所述局部误差校正数学模型的输入信息,求解所述误
差校正数学模型得到校正后的第二时间段内的短时物流需求预测结果。
数学模型得到校正后的第二时间段内的短时物流需求预测结果,包括:在所有所述子集中
排除时间段最早的两个所述子集,将剩余的所述子集作为数据集;将所述样本集作为训练
后的所述短时物流需求预测模型的输入信息,求解训练后的所述短时物流需求预测模型得
到数据集内每个子集所对应的短时物流需求预测结果;将数据集内每个子集所对应的短时
物流需求预测结果与所对应的实际物流需求值做差得到误差集;建立误差短时预测模型,
并利用所述误差集训练所述误差短时预测模型得到训练后的所述误差短时预测模型,将所
述误差集中时间段最晚的两个所述子集所对应的误差作为所述训练后的所述误差短时预
测模型的输入信息,求解训练后的所述误差短时预测模型得到误差集预测结果;根据所述
预测集和所述第二时间段内的短时物流需求预测结果建立局部突变状态判断数学模型,求
解所述局部突变状态判断数学模型得到第四信息,所述第四信息包括所述第二时间段为突
变状态、第二时间段为非突变状态和第二时间段为负值点;建立校正数据数学模型,所述校
正数据数学模型的输入信息包括所述第二时间段内的短时物流需求预测结果、误差集预测
结果和所述第四信息,所述校正数据数学模型的输出信息包括校正后的第二时间段内的短
时物流需求预测结果。
包括第一时间段内的历史物流数据,所述第一时间段为以当前时刻为统计终点的一段时
间;信息分割单元用于基于第一信息,以预设时间段为单位将所述第一信息分割为多个子
集并构成样本集,统计每个所述子集内的实际物流需求值,选取时间段最晚的两个所述子
集构成预测集;训练单元用于建立基于特征分解和特征提取的短时物流需求预测模型,利
用所述样本集对所述短时物流需求预测模型进行训练,得到训练后的所述短时物流需求预
测模型;预测单元用于将所述预测集作为训练后的所述短时物流需求预测模型的输入信
息,求解训练后的所述短时物流需求预测模型得到第二时间段内的短时物流需求预测结
果,所述第二时间段为以当前时刻为统计起点的一段时间。
模型,利用样本集对所述第一需求预测模型进行训练得到训练后的所述第一需求预测模
型;第二训练子单元用于建立基于局部均值分解和长短时记忆神经网络的第二需求预测模
型,利用训练集对所述第二需求预测模型进行训练得到训练后的所述第二需求预测模型;
融合计算单元用于建立融合预测模型,所述融合预测模型的输入信息包括所述第一需求预
测模型的预测结果和所述第二需求预测模型的预测结果,所述融合预测模型的输出信息包
括第二时间段内的短时物流需求预测结果。
入信息,求解所述误差校正数学模型得到校正后的第二时间段内的短时物流需求预测结
果。
述子集中排除时间段最早的两个所述子集,将剩余的所述子集作为数据集;数据集预测单
元用于将所述样本集作为训练后的所述短时物流需求预测模型的输入信息,求解训练后的
所述短时物流需求预测模型得到数据集内每个子集所对应的短时物流需求预测结果;误差
集计算单元用于将数据集内每个子集所对应的短时物流需求预测结果与所对应的实际物
流需求值做差得到误差集;误差集预测单元,用于建立误差短时预测模型,并利用所述误差
集训练所述误差短时预测模型得到训练后的所述误差短时预测模型,将所述误差集中时间
段最晚的两个所述子集所对应的误差作为所述训练后的所述误差短时预测模型的输入信
息,求解训练后的所述误差短时预测模型得到误差集预测结果;突变判断单元用于根据所
述预测集和所述第二时间段内的短时物流需求预测结果建立局部突变状态判断数学模型,
求解所述局部突变状态判断数学模型得到第四信息,所述第四信息包括所述第二时间段为
突变状态、第二时间段为非突变状态和第二时间段为负值点;数据校正单元用于建立校正
数据数学模型,所述校正数据数学模型的输入信息包括所述第二时间段内的短时物流需求
预测结果、误差集预测结果和所述第四信息,所述校正数据数学模型的输出信息包括校正
后的第二时间段内的短时物流需求预测结果。
的原始需求不平稳导致直接预测的预测误差较大以及预测滞后性的问题,提高了预测精
度;
的影响,再使用时间序列预测性能强、能有效解决RNN训练过程中存在的长期依赖问题的
LSTM作为本发明的主体预测模型,有效提升预测精度;
正的方法,进一步地提高短时物流需求预测的精度。
明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
范围的限定,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
些附图获得其他相关的附图。
值分解算法单元;322、第二特征训练单元;33、融合计算单元;331、加权求和计算单元;332、
累加求和计算单元;333、算数平均计算单元;4、预测单元;5、误差校正计算单元;51、数据集
划分单元;52、数据集预测单元;53、误差集计算单元;54、误差集预测单元;55、突变判断单
元;56、数据校正单元;561、第一逻辑子单元;562、第二逻辑子单元;801、处理器;802、存储
器;803、多媒体组件;804、输入/输出(I/O)接口;805、通信组件。
具体实施方式
本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和展示出的本发明实
施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的
实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实
施例。基于本发明中的实施例,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,都属于本发明保护的范围。
描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
白噪声进行多次EMD分解,最后将多次分解得到的本征模态函数(IMF, Intrinsic Mode
Function)分量的总体平均值定义为最终的IMF分量。
Product Function)分量,将PF分量从原始信号中剥离,即可得到剩余信号,将剩余信号继
续进行如上步骤,迭代多次,直到最后一个剩余信号为常数或者单调,即可得到原始信号的
时频分布。
在的渐消失梯度问题。与RNN相比,LSTM的不同之处在于存储单元,其本质上是信息的累加
器,通过遗忘门等门控操作,来决定信息的剔除与保留,且它们将序列长时间地存储在内部
存储器中,有助于更准确地判断序列下一阶段的发展趋势。
Autoregressive Integrated Moving Average mode,ARIMA);(2)机器学习模型——支持
向量机(Support Vector Machine, SVM),及众多SVM的参数寻优算法,如遗传算法,蚁群算
法,粒子群优化算法等;(3)深度学习模型——随着大数据技术不断的发展,深度学习技术
受到了国内外学者的广泛关注,如CNN,RNN,LSTM,DBN等;(4)组合预测模型——组合预测模
型则是对上述两种及其以上方法的综合应用,使每个模型在预测中发挥其各自的优势,从
而提高预测精度,如结合支持向量机、遗传算法、粒子群算法和 BP 神经网络,结合EMD和
LSTM等。
求,即时间长度小于1年的短时物流需求研究较少。已有研究方法直接应用短时物流需求预
测,精度难以保证。
痕迹等有价值的信息。此外EMD还存在模态混叠和端点效应问题。所以在短时物流需求内出
现较大变化时,造成预测误差较大,精度难以保证。
实施例中第一时间段即为2019年7月1日到2019年12月31日的时期,即第一信息包含了第一
时间段内所有物流需求信息。
为短时物流需求预测的时间基本单位都可以,本实施例中不做出具体的限制。经过以预设
时间段为单位将第一信息分割,本实施中个子集共计366个。其中在本方法中将时间段最晚
两个子集作为下文中所提及的第二时间段内的物流需求预测的输入信息,即2019年12月31
日的0‑12时和2019年12月31日的12‑24时的两个子集作为2020年1月1日0‑12时的物流需求
预测的输入信息。
特征分解然后再使用时间序列预测性能强、能有效解决RNN训练过程中存在的长期依赖问
题的LSTM作为主体预测模型。具体而言,本步骤还包括步骤S311、步骤S312和步骤S313,其
中:
对应的若干份IMF分量;
隐藏层,因为当隐藏层单元数为4时,短时物流需求预测效果最佳。
利用训练集内的每阶的IMF分量对LSTM模型进行训练,得到训练后的第一需求预测模型;然
后利用测试集验证训练后的第一需求预测模型,若是预测精度低于预设精度,则调整LSTM
模型参数设置等方式,重新训练LSTM模型并再次验证训练后的第一需求预测模型,最终得
到训练后的第一需求预测模型,此为现有技术,不再赘述其详细训练过程。
据进行特征提取然后再使用时间序列预测性能强、能有效解决RNN训练过程中存在的长期
依赖问题的LSTM作为本发明的主体预测模型。具体而言,本步骤还包括步骤S321、步骤S322
和步骤S323,其中:
若干份PF分量和残差分量Ut;
时物流需求预测结果。
S333。
果;
结果。
果;
二时间段内的短时物流需求预测结果。
时刻为统计起点的一段时间。
时间段的区间长度相同,即在本实施例中第二时间段的区间长度为12h。
二时间段内的短时物流需求预测结果。
位内的短时物流需求预测结果,在图2中展示出了测试集的数据对比情况。
机性,容易导致预测值出现负值,产生预测误差,如图2实线圈所示。结合附图2,本发明将根
据物流需求的真实值变化,可以将变化趋势分为四类:稳定上升状态、稳定下降状态、骤然
上升状态和骤然下降状态。为了表述简洁,本发明前面两类称为非突变状态,将后面两类称
为突变状态。在本实施例中将前后两个时刻的物流需求差值的绝对值记为T,即定义为达到
突变状态,γ的定义如下:
义公式如下:
值,通过实验发现使用β与γ的关联性强,其预测效果对比图参见图3。
间的强关联性,因此本申请中使用β代替γ进行后续的阈值及阈值的参数寻优。
差校正模型的预测精度优异。
来进行判断是否需要对预测结果进行校正以及多大强度的对预测值进行校正,本申请中不
做出具体的限制。
实施例中进一步提出对EEMD‑LMD‑LSTM模型预测值进行校正的方法,即局部误差校正数学
模型(LEC模型)。
误差作为所述训练后的所述误差短时预测模型的输入信息,求解训练后的所述误差短时预
测模型得到误差集预测结果;
型具体训练过程与S300步骤相同,并与S400步骤相同得到误差集预测结果。
段为突变状态、第二时间段为非突变状态和第二时间段为负值点;
实际物流需求值带入公式(3)(4)中,求解β值,若β值大于等于197则输出第二时间段为突变
状态,后续则需要对EEMD‑LMD‑LSTM模型的预测结果进行校正,若β值小于197则输出第二时
间段不为突变状态,后续步骤中不需要对EEMD‑LMD‑LSTM模型的预测结果进行校正。同理,
若时刻t的预测值为负值,则对结果进行校正。
括校正后的第二时间段内的短时物流需求预测结果。
果;
是需要校正的。其校正的方式与S561相同。
的原始需求不平稳导致直接预测的预测误差较大以及预测滞后性的问题,提高了模型的预
测精度,若没有特征分解算法的贡献,则模型的预测精确度大大降低,且预测结果会有明显
的滞后性。
影响,再使用时间序列预测性能强、能有效解决RNN训练过程中存在的长期依赖问题的LSTM
作为本发明的主体预测模型有效提升预测精度。
校正的方法,通过实例验证,该局部误差校正数学模型可以进一步地提高短时物流需求预
测的精度。
型;
第二信息包括每个子集所对应的若干份IMF分量;
息包括每个子集所对应的若干份PF分量和残差分量Ut;
二时间段内的短时物流需求预测结果。
预测结果加权求和结果;
预测结果累加求和结果;
模型的输出信息为第二时间段内的短时物流需求预测结果。
为以当前时刻为统计起点的一段时间。
得到校正物后的第二时间段内的短时物流需求预测结果。
流需求预测结果;
所述子集所对应的误差作为所述训练后的所述误差短时预测模型的输入信息,求解训练后
的所述误差短时预测模型得到误差集预测结果;
息包括第二时间段为突变状态、第二时间段为非突变状态和第二时间段为负值点;
型的输出信息包括校正后的第二时间段内的短时物流需求预测结果。
果加误差集预测结果;
照。
备800还可以包括多媒体组件803,输入/输出(I/O)接口804,以及通信组件805中的一者或
多者。
该短时物流需求预测设备800的操作,这些数据例如可以包括用于在该短时物流需求预测
设备800上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数
据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性
存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access
Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable
Read‑Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable
Read‑Only Memory,简称EPROM),可编程只读存储器(Programmable Read‑Only Memory,简
称PROM),只读存储器(Read‑Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出
和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。
所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包
括至少一个扬声器,用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供
接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按
钮。通信组件805用于该短时物流需求预测设备800与其他设备之间进行有线或无线通信。
无线通信,例如Wi‑Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G或4G,
或它们中的一种或几种的组合,因此相应的该通信组件805可以包括:Wi‑Fi模块,蓝牙模
块,NFC模块。
(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing
Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程
门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他
电子元件实现,用于执行上述的物流需求预测方法。
介质可以为上述包括程序指令的存储器802,上述程序指令可由短时物流需求预测设备800
的处理器801执行以完成上述的物流需求预测方法。
码的可读存储介质。
等同替换、改进等,均应包含在本发明的保护范围之内。
本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。