一种快递出港货物重量预测方法、系统、存储介质及设备与流程

1.本发明涉及快递运输技术领域，尤其涉及一种快递出港货物重量预测方法、系统、存储介质及设备。


背景技术：

2.现有技术方案中，通常仅以快递历史出港货物的实际重量来预测未来出港货物的重量，而忽略了累计订单量、揽收订单量、揽收重量等影响重量预测准确率的因素对预测未来出港货物的重量的影响，从而导致重量预测准确率不高。


技术实现要素：

3.基于此，有必要针对上述问题，提出了一种快递出港货物重量预测方法、系统、存储介质及设备。
4.本发明公开了一种快递出港货物重量预测方法，所述方法包括：
5.获取若干历史样本数据，所述若干历史样本数据包括：若干历史日期的快递出港货物重量及对应重量关联数据；
6.获取预测日期的重量关联数据；
7.对各历史日期和预测日期的重量关联数据进行空间拟合，根据各历史日期的重量关联数据与预测日期的重量关联数据之间的距离，确定各历史样本数据的预测权重；
8.基于局部加权线性回归算法，构建重量预测模型；
9.将各历史样本数据及对应的预测权重输入至重量预测模型中，得到预测日期的快递出港货物重量。
10.进一步的，所述方法还包括：
11.当得到的预测日期的快递出港货物重量为负值时，构建常规线性回归模型；
12.将所述历史样本数据输入至所述常规线性回归模型，重新进行预测日期的快递出港货物重量的预测。
13.进一步的，根据各历史日期的重量关联数据与预测日期的重量关联数据之间的距离，确定各历史样本数据的预测权重，具体包括：
14.利用如下高斯核函数，根据各历史日期的重量关联数据与预测日期的重量关联数据之间的距离，确定各历史样本数据的预测权重：
[0015][0016]
其中，k(x,x’)代表各历史样本的预测权重，x代表各历史日期的重量关联数据，x’代表预测日期的重量关联数据，(x-x’)2代表各历史日期的重量关联数据与预测日期的重量关联数据之间的距离，σ代表高斯核函数的带宽参数。
[0017]
进一步的，所述重量预测模型如下：
[0018]
pre＝(x
t
*kx)*(x
t
*ky)
[0019]
其中，k代表预测权重，x代表各历史日期的重量关联数据构成的矩阵，y代表各历史日期的快递出港货物重量构成的矩阵；
[0020]
所述常规线性回归模型如下：
[0021]
f(x)＝a0+ay+bx1+
…
+cxi[0022]
其中，f(x)代表模型输出值，a0代表模型截距，y代表历史日期的快递出港货物重量，x1…
xi代表历史日期的重量关联数据，a、b、c代表模型参数。
[0023]
进一步的，在对各历史日期和预测日期的重量关联数据进行空间拟合之前，还包括：
[0024]
利用滑动平均方法，计算各历史日期的重量关联数据的方差，并根据所述方差，对各历史日期的重量关联数据进行数据修正处理。
[0025]
进一步的，所述历史日期的重量关联数据包括：截至历史日期的累计订单量、累计揽收订单量、累计揽收重量；
[0026]
所述预测日期的重量关联数据包括：截至预测日期的累计订单量、累计揽收订单量、累计揽收重量。
[0027]
另一方面，本发明还公开了一种快递出港货物重量预测系统，所述系统包括：
[0028]
历史样本数据获取模块，用于获取若干历史样本数据，所述若干历史样本数据包括：若干历史日期的快递出港货物重量及对应重量关联数据；
[0029]
预测日期重量关联数据获取模块，用于获取预测日期的重量关联数据；
[0030]
权重确定模块，用于对各历史日期和预测日期的重量关联数据进行空间拟合，根据各历史日期的重量关联数据与预测日期的重量关联数据之间的距离，确定各历史样本数据的预测权重；
[0031]
重量预测模型构建模块，用于基于局部加权线性回归算法，构建重量预测模型；
[0032]
预测模块，用于将各历史样本数据及对应的预测权重输入至重量预测模型中，得到预测日期的快递出港货物重量。
[0033]
进一步的，所述系统还包括：
[0034]
常规线性回归模型构建模块，用于当得到的预测日期的快递出港货物重量为负值时，构建常规线性回归模型；
[0035]
重新预测模块，用于将所述历史样本数据输入至所述常规线性回归模型，重新进行预测日期的快递出港货物重量的预测。
[0036]
另一方面，本发明还公开了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：
[0037]
获取若干历史样本数据，所述若干历史样本数据包括：若干历史日期的快递出港货物重量及对应重量关联数据；
[0038]
获取预测日期的重量关联数据；
[0039]
对各历史日期和预测日期的重量关联数据进行空间拟合，根据各历史日期的重量关联数据与预测日期的重量关联数据之间的距离，确定各历史样本数据的预测权重；
[0040]
基于局部加权线性回归算法，构建重量预测模型；
[0041]
将各历史样本数据及对应的预测权重输入至重量预测模型中，得到预测日期的快递出港货物重量。
[0042]
另一方面，本发明还公开了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：
[0043]
获取若干历史样本数据，所述若干历史样本数据包括：若干历史日期的快递出港货物重量及对应重量关联数据；
[0044]
获取预测日期的重量关联数据；
[0045]
对各历史日期和预测日期的重量关联数据进行空间拟合，根据各历史日期的重量关联数据与预测日期的重量关联数据之间的距离，确定各历史样本数据的预测权重；
[0046]
基于局部加权线性回归算法，构建重量预测模型；
[0047]
将各历史样本数据及对应的预测权重输入至重量预测模型中，得到预测日期的快递出港货物重量。
[0048]
采用本发明，具有如下有益效果：
[0049]
本发明中，不仅通过历史出港货物的实际重量来预测未来出港货物的重量，还引入历史累计订单量、累计揽收订单量、累计揽收重量等多种其他重量关联数据共同对未来出港货物的重量进行预测，使得数据考虑更加全面科学，避免遗漏其他相关数据对未来出港货物重量的影响，从而提升预测准确率；
[0050]
同时，本发明中，还通过高斯核函数及局部加权线性回归算法，根据需要预测日期的重量关联数据，为历史样本数据赋予不同的预测权重，对需要预测日期的重量关联数据附近的历史样本数据赋予更高的权重，进一步提升预测结果的合理性与准确性，提升预测准确率。
附图说明
[0051]
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。
[0052]
其中：
[0053]
图1为一个实施例中快递出港货物重量预测方法的流程图；
[0054]
图2为一个实施例中快递出港货物重量预测方法与普通重量预测方法的预测效果的对比图一；
[0055]
图3为一个实施例中快递出港货物重量预测方法与普通重量预测方法的预测效果的对比图二；
[0056]
图4为一个实施例中快递出港货物重量预测系统的结构框图；
[0057]
图5为一个实施例中计算机设备的结构框图。
[0058]
附图标记说明：历史样本数据获取模块100，预测日期重量关联数据获取模块200，权重确定模块300，重量预测模型构建模块400，预测模块500。
具体实施方式
[0059]
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于
本发明中的实施例，本领域普通技术人员在没有作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。
[0060]
如图1所示，在一个实施例中，提供了一种快递出港货物重量预测方法，该方法具体包括如下步骤：
[0061]
s100、获取若干历史样本数据，若干历史样本数据包括：若干历史日期的快递出港货物重量及对应重量关联数据；
[0062]
s200、获取预测日期的重量关联数据；
[0063]
s300、对各历史日期和预测日期的重量关联数据进行空间拟合，根据各历史日期的重量关联数据与预测日期的重量关联数据之间的距离，确定各历史样本数据的预测权重；
[0064]
s400、基于局部加权线性回归算法，构建重量预测模型；
[0065]
s500、将各历史样本数据及对应的预测权重输入至重量预测模型中，得到预测日期的快递出港货物重量。
[0066]
具体的，历史日期的重量关联数据包括：截至历史日期的累计订单量、累计揽收订单量、累计揽收重量；
[0067]
预测日期的重量关联数据包括：截至预测日期的累计订单量、累计揽收订单量、累计揽收重量。
[0068]
更具体的，一实施例中，可以获取30天的历史样本数据实现未知预测日期的快递出港货物重量的预测。
[0069]
具体的，步骤s300中，根据各历史日期的重量关联数据与预测日期的重量关联数据之间的距离，确定各历史样本数据的预测权重，具体包括：
[0070]
利用如下高斯核函数，根据各历史日期的重量关联数据与预测日期的重量关联数据之间的距离，确定各历史样本数据的预测权重：
[0071][0072]
其中，k(x,x’)代表各历史样本的预测权重，x代表各历史日期的重量关联数据，x’代表预测日期的重量关联数据，(x-x’)2代表各历史日期的重量关联数据与预测日期的重量关联数据之间的距离，σ代表高斯核函数的带宽参数。
[0073]
其中，高斯核函数中的σ越小，则算法对历史样本数据的变化越明显，同时也容易过拟合，本实施例中，σ默认0.2。
[0074]
以及，具体的，重量预测模型如下：
[0075]
pre＝(x
t
*kx)*(x
t
*ky)
[0076]
其中，k代表预测权重，x代表各历史日期的重量关联数据构成的矩阵，y代表各历史日期的快递出港货物重量构成的矩阵。
[0077]
此外，在确定历史样本数据的预测权重之前，还可以先对各历史日期的重量关联数据进行归一化处理，即将截至历史日期的累计订单量、累计揽收订单量、累计揽收重量，分别除以自身类型数据的最大值，从而将各类型的数据均局限于一定范围内，消除奇异样本数据导致的不良影响，从而提高后续模型预测准确率。
[0078]
本实施例中，不仅通过历史出港货物的实际重量来预测未来出港货物的重量，还
引入历史累计订单量、累计揽收订单量、累计揽收重量等多种其他重量关联数据共同对未来出港货物的重量进行预测，使得数据考虑更加全面科学，避免遗漏其他相关数据对未来出港货物重量的影响，从而提升预测准确率；同时，本实施例，还通过高斯核函数及局部加权线性回归算法，根据需要预测日期的重量关联数据，为历史样本数据赋予不同的预测权重，对需要预测日期的重量关联数据附近的历史样本数据赋予更高的权重，因为预测日期的重量关联数据附近的历史样本数据往往预测参考价值更高，从而进一步提升预测结果的合理性与准确性，提升预测准确率。
[0079]
为了更鲜明的体现本实施例中预测方法的优秀预测效果，本实施例中，还可以将该方法与普通重量预测方法的预测效果进行对比，对比结果如图2、3所示，其中，标题为“重量预测准确率汇总”和“重量分层数据对比”为普通重量预测方法的预测结果，标题为“线性重量预测准确率汇总”和“线性重量分层数据对比”为本实施例中预测方法的预测结果，从图中可看出，本实施例中预测方法的预测准确率明显高于普通重量预测方法的预测准确率，具有更加优秀精准的重量预测效果。
[0080]
进一步的，一实施例中，该快递出港货物重量预测方法，还包括：
[0081]
当得到的预测日期的快递出港货物重量为负值时，构建常规线性回归模型；
[0082]
将所述历史样本数据输入至所述常规线性回归模型，重新进行预测日期的快递出港货物重量的预测。
[0083]
具体的，常规线性回归模型如下：
[0084]
f(x)＝a0+ay+bx1+...+cxi[0085]
其中，f(x)代表模型输出值，a0代表模型截距，y代表历史日期的快递出港货物重量，x1…
xi代表历史日期的重量关联数据，a、b、c代表模型参数。
[0086]
更具体的，上述常规线性回归模型中的参数，可以通过调用python里面的机器学习statsmodels.formula.api方法，使用预设的训练数据集和测试数据集进行学习训练获得。
[0087]
进一步的，一实施例中，在步骤s300之前，还包括：
[0088]
利用滑动平均方法，计算各历史日期的重量关联数据的方差，并根据所述方差，对各历史日期的重量关联数据进行数据修正处理。
[0089]
具体的，可以通过函数correct_rec_weight，对各历史日期的重量关联数据分段计算滑动平均和方差，将超过1个方差的数据按照方差为1进行数据修正，进一步消除异常数据影响，提高预测准确率。
[0090]
此外，为了验证上述快递出港货物重量预测方法中，所获取的历史样本数据类型及数量对最终重量预测效果的影响，一实施例中，还设置了不同的三个历史样本数据集，分别验证其对后一天每个流向的快递出港货物重量预测结果，数据集具体包括：
[0091]
1、只采用历史重量数据、已揽收的小时累计重量，一个月的历史数据；
[0092]
2、只采用历史重量数据、已揽收的小时累计重量，三个月的历史数据；
[0093]
3、采用历史重量数据、订单小时累计数据、已揽收的小时累计订单量、已揽收的小时累计重量，三个月的历史数据。
[0094]
通过不断验证发现，数据集3的预测效果最好，说明：1、数据量越大预测效果越好；2、快递出港货物重量不仅仅与历史重量数据、已揽收的小时累计重量有关，而且与订单小
时累计数据、已揽收的小时累计订单量也有关。
[0095]
另一方面，如图4所示，在一个实施例中，还提供了一种快递出港货物重量预测系统，所述系统包括：
[0096]
历史样本数据获取模块100，用于获取若干历史样本数据，所述若干历史样本数据包括：若干历史日期的快递出港货物重量及对应重量关联数据；
[0097]
预测日期重量关联数据获取模块200，用于获取预测日期的重量关联数据；
[0098]
权重确定模块300，用于对各历史日期和预测日期的重量关联数据进行空间拟合，根据各历史日期的重量关联数据与预测日期的重量关联数据之间的距离，确定各历史样本数据的预测权重；
[0099]
重量预测模型构建模块400，用于基于局部加权线性回归算法，构建重量预测模型；
[0100]
预测模块500，用于将各历史样本数据及对应的预测权重输入至重量预测模型中，得到预测日期的快递出港货物重量。
[0101]
进一步的，一实施例中，所述系统还包括：
[0102]
常规线性回归模型构建模块，用于当得到的预测日期的快递出港货物重量为负值时，构建常规线性回归模型；
[0103]
重新预测模块，用于将所述历史样本数据输入至所述常规线性回归模型，重新进行预测日期的快递出港货物重量的预测。
[0104]
图5示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端，也可以是服务器。如图5所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现快递出港货物重量预测方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行快递出港货物重量预测方法。本领域技术人员可以理解，图5中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0105]
另一方面，在一个实施例中，还提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：
[0106]
获取若干历史样本数据，所述若干历史样本数据包括：若干历史日期的快递出港货物重量及对应重量关联数据；
[0107]
获取预测日期的重量关联数据；
[0108]
对各历史日期和预测日期的重量关联数据进行空间拟合，根据各历史日期的重量关联数据与预测日期的重量关联数据之间的距离，确定各历史样本数据的预测权重；
[0109]
基于局部加权线性回归算法，构建重量预测模型；
[0110]
将各历史样本数据及对应的预测权重输入至重量预测模型中，得到预测日期的快递出港货物重量。
[0111]
另一方面，在一个实施例中，还提出了一种计算机可读存储介质，存储有计算机程
序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：
[0112]
获取若干历史样本数据，所述若干历史样本数据包括：若干历史日期的快递出港货物重量及对应重量关联数据；
[0113]
获取预测日期的重量关联数据；
[0114]
对各历史日期和预测日期的重量关联数据进行空间拟合，根据各历史日期的重量关联数据与预测日期的重量关联数据之间的距离，确定各历史样本数据的预测权重；
[0115]
基于局部加权线性回归算法，构建重量预测模型；
[0116]
将各历史样本数据及对应的预测权重输入至重量预测模型中，得到预测日期的快递出港货物重量。
[0117]
本领域普通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，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0118]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0119]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。

技术特征：
1.一种快递出港货物重量预测方法，其特征在于，所述方法包括：获取若干历史样本数据，所述若干历史样本数据包括：若干历史日期的快递出港货物重量及对应重量关联数据；获取预测日期的重量关联数据；对各历史日期和预测日期的重量关联数据进行空间拟合，根据各历史日期的重量关联数据与预测日期的重量关联数据之间的距离，确定各历史样本数据的预测权重；基于局部加权线性回归算法，构建重量预测模型；将各历史样本数据及对应的预测权重输入至重量预测模型中，得到预测日期的快递出港货物重量。2.根据权利要求1所述的一种快递出港货物重量预测方法，其特征在于，所述方法还包括：当得到的预测日期的快递出港货物重量为负值时，构建常规线性回归模型；将所述历史样本数据输入至所述常规线性回归模型，重新进行预测日期的快递出港货物重量的预测。3.根据权利要求1所述的一种快递出港货物重量预测方法，其特征在于，根据各历史日期的重量关联数据与预测日期的重量关联数据之间的距离，确定各历史样本数据的预测权重，具体包括：利用如下高斯核函数，根据各历史日期的重量关联数据与预测日期的重量关联数据之间的距离，确定各历史样本数据的预测权重：其中，k(x,x’)代表各历史样本的预测权重，x代表各历史日期的重量关联数据，x’代表预测日期的重量关联数据，(x-x’)2代表各历史日期的重量关联数据与预测日期的重量关联数据之间的距离，σ代表高斯核函数的带宽参数。4.根据权利要求2所述的一种快递出港货物重量预测方法，其特征在于，所述重量预测模型如下：pre＝(
t
*x)*(x
t
*y)其中，k代表预测权重，x代表各历史日期的重量关联数据构成的矩阵，y代表各历史日期的快递出港货物重量构成的矩阵；所述常规线性回归模型如下：f(x)＝0+y+bx1+
…
+x
i
其中，f(x)代表模型输出值，a0代表模型截距，y代表历史日期的快递出港货物重量，x1…
x
i
代表历史日期的重量关联数据，a、b、c代表模型参数。5.根据权利要求1所述的一种快递出港货物重量预测方法，其特征在于，在对各历史日期和预测日期的重量关联数据进行空间拟合之前，还包括：利用滑动平均方法，计算各历史日期的重量关联数据的方差，并根据所述方差，对各历史日期的重量关联数据进行数据修正处理。6.根据权利要求1所述的一种快递出港货物重量预测方法，其特征在于，所述历史日期的重量关联数据包括：截至历史日期的累计订单量、累计揽收订单量、累计揽收重量；
所述预测日期的重量关联数据包括：截至预测日期的累计订单量、累计揽收订单量、累计揽收重量。7.一种快递出港货物重量预测系统，其特征在于，所述系统包括：历史样本数据获取模块，用于获取若干历史样本数据，所述若干历史样本数据包括：若干历史日期的快递出港货物重量及对应重量关联数据；预测日期重量关联数据获取模块，用于获取预测日期的重量关联数据；权重确定模块，用于对各历史日期和预测日期的重量关联数据进行空间拟合，根据各历史日期的重量关联数据与预测日期的重量关联数据之间的距离，确定各历史样本数据的预测权重；重量预测模型构建模块，用于基于局部加权线性回归算法，构建重量预测模型；预测模块，用于将各历史样本数据及对应的预测权重输入至重量预测模型中，得到预测日期的快递出港货物重量。8.根据权利要求7所述的一种快递出港货物重量预测系统，其特征在于，所述系统还包括：常规线性回归模型构建模块，用于当得到的预测日期的快递出港货物重量为负值时，构建常规线性回归模型；重新预测模块，用于将所述历史样本数据输入至所述常规线性回归模型，重新进行预测日期的快递出港货物重量的预测。9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至6中任一项所述方法的步骤。10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至6中任一项所述方法的步骤。

技术总结
本发明公开了一种快递出港货物重量预测方法、系统、存储介质及设备，方法包括：获取若干历史样本数据，所述若干历史样本数据包括：若干历史日期的快递出港货物重量及对应重量关联数据；获取预测日期的重量关联数据；对各历史日期和预测日期的重量关联数据进行空间拟合，根据各历史日期的重量关联数据与预测日期的重量关联数据之间的距离，确定各历史样本数据的预测权重；基于局部加权线性回归算法，构建重量预测模型；将各历史样本数据及对应的预测权重输入至重量预测模型中，得到预测日期的快递出港货物重量。本发明通过多类型历史数据预测快递出港货物重量，数据考虑全面，且通过局部加权线性回归为历史数据赋予不同权重，提升预测准确率。提升预测准确率。提升预测准确率。


技术研发人员：王金良 郑俊
受保护的技术使用者：上海中通吉网络技术有限公司
技术研发日：2023.04.03
技术公布日：2023/7/13