本发明实施例涉及物流领域，尤其涉及一种订单的预测方法及装置、计算机可读介质、物流系统。
背景技术：
由于整车物流的订单预测能够让调度人员提前做好准备，未雨绸缪，从而使得运输资源的调度更加合理，故准确的整车物流的订单预测对于整车物流具有非常重要的作用。
时间序列可以描述变量随时间变化的离散值，例如温度、湿度、股票价格、汽车销量走势等变量。时间序列预测指根据时间序列在当前的时间点t以及过往的时间点(t-1)、(t-2)、……、(t-n-1)的值，决定某一个未知时间点(t+1)或者某一个未知时间段(t+1,t+n)的值。通常，一个时间序列预测值除了依赖于过往的时间以外，可能还会依赖于一个或多个其他的时间序列。因此，一个时间序列预测问题指的是在高维空间的回归问题。在高维空间中，预测值是其过去值和其他相关的时间序列的高度非线性函数。整车物流的订单预测问题从本质上来说可以看作一个时间序列预测问题。整车物流订单预测问题由于本质上可被视作一个时间序列预测问题，所以能够通过时间序列预测模型解决，例如传统的自回归移动平均模型(autoregressivemovingaverage，arma)、前馈神经网络模型、循环神经网络(recurrentneuralnetwork，rnn)、变体长短记忆神经网络(longshort-termmemory，lstm)等。这些模型在解决整车物流订单预测问题时，将物流订单数据合并为一维的数据作为输入，然后提取出数据上的时间相关性。
现有的整车物流订单的预测方法在有多个时间序列或者多个特征序列作为输入的情况下，通过简单的合并成一个序列的方法，将合成的一个一维序列作为模型输入进行学习和预测。
上述整车物流订单的预测方法准确度较差。
技术实现要素：
本发明实施例解决的技术问题是如何提高订单预测的准确度。
为解决上述技术问题，本发明实施例提供一种订单的预测方法，所述方法包括：获取历史订单对应的时间序列；基于所述时间序列，提取特征序列；基于所述特征序列，生成二维信号特征图；基于所述二维信号特征图，构建神经网络模型，并根据所构建的神经网络模型进行订单预测。
可选地，所述获取订单对应的时间序列包括：获取历史订单对应的原始数据；对原始数据进行预处理，获取订单对应的时间序列。
可选地，所述预处理包括以下至少一种：异常值处理、缺失值处理。
可选地，所述提取特征序列包括：基于小波变换算法提取特征序列。
可选地，所述生成二维信号特征图包括：将每个特征序列分割为多个长度为n的序列片段，其中n为正整数；将不同特征序列对应的序列片段进行逐行复制，生成m行序列片段，所述m行序列片段满足不同的特征序列行间两两相邻，其中m为正整数；基于所述m行序列片段，生成m*n的二维信号特征图。
可选地，所述将每个特征序列分割为多个长度为n的序列片段包括：基于移位操作，将每个特征序列分割为多个长度为n的序列片段。
可选地，所述构建神经网络模型包括：构建神经网络模型；基于所述二维信号特征图，训练所述神经网络模型，获取所述神经网络模型参数。
可选地，在构建神经网络模型之后，所述订单的预测方法还包括：获取订单的在线数据；基于所述在线数据训练并更新所述神经网络模型。
可选地，所述神经网络为：卷积神经网络。
本发明实施例提供一种订单的预测装置，包括：第一获取单元，适于获取历史订单对应的时间序列；提取单元，适于基于所述时间序列，提取特征序列；生成单元，适于基于所述特征序列，生成二维信号特征图；构建单元，适于基于所述二维信号特征图，构建神经网络模型，并根据所构建的神经网络模型进行订单预测。
可选地，所述第一获取单元包括：第一获取子单元，适于获取历史订单对应的原始数据；第二获取子单元，适于对原始数据进行预处理，获取订单对应的时间序列。
可选地，所述预处理包括以下至少一种：异常值处理、缺失值处理。
可选地，所述提取单元，适于基于小波变换算法提取特征序列。
可选地，所述生成单元包括：分割子单元，适于将每个特征序列分割为多个长度为n的序列片段，其中n为正整数；复制子单元，适于将不同特征序列对应的序列片段进行逐行复制，生成m行序列片段，所述m行序列片段满足不同的特征序列行间两两相邻，其中m为正整数；生成子单元，适于基于所述m行序列片段，生成m*n的二维信号特征图。
可选地，所述分割子单元，适于基于移位操作，将每个特征序列分割为多个长度为n的序列片段。
可选地，所述构建单元包括：构建子单元，适于基于所述神经网络模型参数，构建神经网络模型；训练子单元，适于基于所述二维信号特征图，训练所述神经网络模型，获取所述神经网络模型参数；预测子单元，适于根据所训练的神经网络模型进行订单预测。
可选地，所述订单的预测装置还包括：第二获取单元，适于获取订单的在线数据；更新单元，适于基于所述在线数据训练并更新所述神经网络模型。
可选地，所述神经网络为：卷积神经网络。
本发明实施例提供一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行上述任一种所述方法的步骤。
本发明实施例提供一种物流系统，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行权利上述任一种所述方法的步骤。
与现有技术相比，本发明实施例的技术方案具有以下有益效果：
本发明实施例通过基于所述特征序列，生成二维信号特征图，然后基于所述二维信号特征图，构建神经网络模型，并根据所构建的神经网络模型进行订单预测。由于将一维的相关序列合并为二维特征图，并利用神经网络学习每一个序列的时间相邻点和每一个相同时刻相邻序列点之间的关联性，最大程度地学习信号特征图的蕴含特征，可以有效地提高订单预测的准确度。
进一步地，通过对历史订单对应的原始数据进行异常值处理，可以剔除异常值，以避免异常值影响后续预测的准确度。
进一步地，通过对历史订单对应的原始数据进行缺失值处理，以提高订单预测的准确度。
附图说明
图1是本发明实施例提供的一种订单的预测方法的流程图；
图2是本发明实施例提供的另一种订单的预测方法的流程图；
图3是本发明实施例提供的又一种订单的预测方法的流程图；
图4是本发明实施例提供的一种订单的预测装置的结构示意图。
具体实施方式
现有的方法对多个序列或多个特征之间的关联性不能够很好的学习，导致输入数据所蕴含的特征不能很好被机器学习模型学习到。因此，订单预测的准确度较差。
本发明实施例通过基于所述特征序列，生成二维信号特征图，然后基于所述二维信号特征图，构建神经网络模型，并根据所构建的神经网络模型进行订单预测。由于将一维的相关序列合并为二维特征图，并利用神经网络学习每一个序列的时间相邻点和每一个相同时刻相邻序列点之间的关联性，最大程度地学习信号特征图的蕴含特征，可以有效地提升订单预测的准确度。
为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
参见图1，本发明实施例提供了一种订单的预测方法，可以包括如下步骤：
步骤s101，获取历史订单对应的时间序列。
在具体实施中，为了对订单进行预测，首先需要获取历史订单对应的时间序列，即历史订单的相关数据，然后基于历史订单的相关数据预测订单的未来数据，即高维空间的回归问题。在高维空间中，预测值是其过去值和其他相关的时间序列的高度非线性函数。
在具体实施中，可能无法直接获取期望的时间序列，只能获取历史订单对应的整车物流订单时间序列数据、库存序列数据等原始数据。故可以获取历史订单对应的原始数据，然后通过一定的算法和逻辑对原始数据进行预处理，例如，数据清洗，获取订单对应的时间序列。
在本发明一实施例中，所述预处理包括：异常值处理。例如，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。
在本发明另一实施例中，所述预处理包括：缺失值处理。例如，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。
在本发明又一实施例中，缺失值处理和异常值处理同时存在。
可以理解的是，还可以进行其他的预处理，此处不再赘述。
步骤s102，基于所述时间序列，提取特征序列。
在具体实施中，可以基于小波变换算法提取所述时间序列对应的特征序列。
在具体实施中，针对预处理后的时间序列，可以首先提取所有的特征，例如，提取m个不同的特征，然后进行相关性分析判断，从m个特征序列中选取n个最相关的特征序列，其中n、m均为正整数，且n≤m。
步骤s103，基于所述特征序列，生成二维信号特征图。
在具体实施中，可以将每个特征序列分割为多个长度为n的序列片段，其中n为正整数；然后将不同特征序列对应的序列片段进行逐行复制，生成m行序列片段，所述m行序列片段满足不同的特征序列行间两两相邻，其中m为正整数，即对所述每个特征序列对应相同索引的序列片段进行复制，生成m行序列片段，所述m行序列片段中，任意两个特征序列对应相同索引的序列片段位于相邻的两行，其中m为正整数，每一行均为特征序列对应相同索引的序列片段；最后基于所述m行序列片段，生成m*n的二维信号特征图。
在本发明一实施例中，基于移位操作，将每个特征序列分割为多个长度为n的序列片段。
在具体实施中，所述移位操作可以为每次移位一个比特，也可以为每次移位两个以上比特，可以根据实际情况灵活选择，本发明实施例不做限制。
例如，基于步骤s102提取5个特征序列，分别为a、b、c、d、e，且每个特征序列的长度为l，即每个特征序列包含l个比特信息。首先通过移位切片分割，将长度为l的5个特性序列分别分割为l-n个长度为n的序列片段，分别为：序列片段1对应特性序列的第1到第n位比特、序列片段2对应特性序列的第2到第n+1位比特、……、序列片段l-n对应特性序列的第l-n到第l位比特；然后生成满足不同的特征序列行间两两相邻的m行序列片段，对于5个特征序列a、b、c、d、e，生成满足行间两两相邻的m行序列片段为：abcdeacebda，m＝11，满足任意两个不同的特征序列行间相邻。最后基于所述m行序列片段，可以生成m*n的二维信号特征图。
步骤s104，基于所述二维信号特征图，构建神经网络模型，并根据所构建的神经网络模型进行订单预测。
在具体实施中，可以基于所述二维信号特征图，计算所述神经网络模型参数；然后基于所述神经网络模型参数，构建神经网络模型。
在具体实施中，可以采用卷积神经网络构建所述神经网络模型，卷积神经网络(convolutionalneuralnetwork，cnn)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。它包括卷积层(alternatingconvolutionallayer)和池化层(poolinglayer)。它具有位移不变性、权值共享等良好特性，能够很好地提取出抽象特征。
在具体实施中，可以将所述特性图分为训练、验证、测试几部分，并输入所述神经网络模型完成训练和调整参数的过程。训练完成的神经网络模型即可作为订单预测的模型。
在具体实施中，随着时间的推移，新的物流订单数据会源源不断地输入到所述神经网络系统中，故还可以基于实时的在线数据，训练并更新所述神经网络模型，通过对在线数据的再学习更新先前离线训练完成的卷积神经网络模型，使其也能够与时俱进。
应用上述方案，由于将一维的相关序列合并为二维特征图，并利用神经网络学习每一个序列的时间相邻点和每一个相同时刻相邻序列点之间的关联性，最大程度地学习信号特征图的蕴含特征，可以有效地提升订单预测的准确度。
为使本领域技术人员更好的理解和实施本发明，本发明实施例给出了应用本发明实施例提供的方案和现有方案的订单预测的准确度对比结果，如图表所示。
表1
参见表1，基于2013-2016四年间的整车物流订单数据，验证本发明实施例提供的方案和现有方案的订单预测的准确度。2013-2015三年数据作为训练数据，生成神经网络模型，然后基于所生成的神经网络，预测2016年的订单数据并与2016年的真实订单数据进行比对，给出误差率，具体计算公式为：误差率＝(实际值-预测值)/实际值。
由表1可以看出，采用本发明实施例提供的方案，可以有效减少订单预测的误差率，从而提供较高的订单预测的准确度。
为使本领域技术人员更好的理解和实施本发明，本发明实施例提供了另一种订单的预测方法，如图2所示。
参见图2，所述订单的预测方法可以包括如下步骤：
步骤s201，获取离线订单数据。
步骤s202，对订单数据进行预处理。
步骤s203，基于所述订单数据，提取特征序列。
步骤s204，构建二维信号特征图，并分为训练集、验证集和测试集。
步骤s205，构建卷积神经网络。
在具体实施中，所述卷积神经网络即为进行订单预测的卷积神经网络模型。
步骤s206，基于所述二维信号特征图，训练所述卷积神经网络。
在具体实施中，可以基于所述二维信号特征图，训练所述卷积神经网络，以修正所述卷积神经网络的参数。
步骤s207，判断所述卷积神经网络是否满足停止条件，当所述卷积神经网络满足所述停止条件时，执行步骤s208，否则执行步骤s206。
在具体实施中，所述停止条件可以为：基于所述验证集，计算的所述卷积神经网络的误差不再下降，即所述卷积神经网络收敛。
步骤s208，判断所述卷积神经网络的误差是否满足预设的门限，当所述卷积神经网络的误差满足预设的门限时，执行步骤s209，否则执行步骤s210。
步骤s209，保存所述卷积神经网络模型用于订单预测。
步骤s210，调整所述卷积神经网络结构和参数，重复执行步骤s205。
为使本领域技术人员更好的理解和实施本发明，本发明实施例提供了又一种订单的预测方法，如图3所示。
步骤s301，获取在线订单数据。
步骤s302，对订单数据进行预处理。
步骤s303，基于所述订单数据，提取特征序列。
步骤s304，构建二维信号特征图。
步骤s305，基于在线学习，更新所述卷积神经网络模型。
步骤s306，基于所述卷积神经网络模型，对订单进行预测。
步骤s307，输出预测结果。
为使本领域技术人员更好的理解和实施本发明，本发明实施例还提供了一种能够实现上述订单的预测方法的预测装置，如图4所示。
参见图4，所述订单的预测装置包括：第一获取单元41、提取单元42、生成单元43和构建单元44，其中：
所述第一获取单元41，适于获取历史订单对应的时间序列。
所述提取单元42，适于基于所述时间序列，提取特征序列。
所述生成单元43，适于基于所述特征序列，生成二维信号特征图。
所述构建单元44，适于基于所述二维信号特征图，构建神经网络模型，并根据所构建的神经网络模型进行订单预测。
在具体实施中，所述第一获取单元41可以包括：第一获取子单元411和第二获取子单元412，其中：
所述第一获取子单元411，适于获取历史订单对应的原始数据。
所述第二获取子单元412，适于对原始数据进行预处理，获取订单对应的时间序列。
在本发明一实施例中，所述预处理包括以下至少一种：异常值处理、缺失值处理。
在本发明一实施例中，所述提取单元42，适于基于小波变换算法提取特征序列。
在具体实施中，所述生成单元43包括：分割子单元431、复制子单元432和生成子单元433，其中：
所述分割子单元431，适于将每个特征序列分割为多个长度为n的序列片段，其中n为正整数。
所述复制子单元432，适于将不同特征序列对应的序列片段进行逐行复制，生成m行序列片段，所述m行序列片段满足不同的特征序列行间两两相邻。
所述生成子单元433，适于基于所述m行序列片段，生成m*n的二维信号特征图。
在本发明一实施例中，所述分割子单元431，适于基于移位操作，将每个特征序列分割为多个长度为n的序列片段。
在具体实施中，所述构建单元44包括：构建子单元441、训练子单元442和预测子单元443，其中：
所述构建子单元441，适于基于所述神经网络模型参数，构建神经网络模型。
所述训练子单元442，适于基于所述二维信号特征图，训练所述神经网络模型，获取所述神经网络模型参数。
所述预测子单元443，适于根据所训练的神经网络模型进行订单预测。
在具体实施中，所述订单的预测装置40还可以包括：第二获取单元(未示出)和更新单元(未示出)，其中：
所述第二获取单元，适于获取订单的在线数据。
所述更新单元，适于基于所述在线数据训练并更新所述神经网络模型。
在本发明一实施例中，所述神经网络为：卷积神经网络。
在具体实施中，所述订单的预测装置40的工作流程及原理可以参考上述实施例中提供的方法中的描述，此处不再赘述。
本发明实施例提供一种计算机可读存储介质，计算机可读存储介质为非易失性存储介质或非瞬态存储介质，其上存储有计算机指令，所述计算机指令运行时执行上述任一种所述方法对应的步骤，此处不再赘述。
本发明实施例提供一种物流系统，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行上述任一种所述方法对应的步骤，此处不再赘述。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：rom、ram、磁盘或光盘等。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。