一种基于信息反馈及天气注意机制模型的快递量预测方法与流程

本发明涉及深度学习，具体为一种基于信息反馈及天气注意机制模型的快递量预测方法。

背景技术：

1、随着我国物流快递业的迅速发展，快递业务量也逐年增长，巨大的快递量给物流末端驿站的运营带来了巨大的挑战。末端驿站的运营效率直接影响到客户对快递服务的满意度，因此，为有效提升末端驿站运营效率，研究人员提出了多种方法，快递量预测就是其中之一。它能够通过获取到的关键数据，运用科学可靠的方法对快递量进行高准确度的预测，获得未来的快递业务量数据，对此提前进行决策，规避风险，有效提升运营效率。

2、现有的快递量预测方法包括传统统计学方法、人工神经网络、支持向量机、深度学习等，但随着技术的发展，传统统计学方法、人工神经网络、支持向量机这些传统预测方法的弊端也逐渐显露出来，如传统统计学方法不适用于具有非线性关系或高维度的物流数据，支持向量机需要很大计算量。另外，天气因素对快递量预测的结果具有较大的影响，但现有的快递量预测方法一般只考虑历史业务量及客观的影响因素，且默认各影响因素对快递量的影响程度相同，这不仅降低了数据的利用率，还使得预测的动态性与时效性不足，具有较大的局限性。

技术实现思路

1、本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

2、鉴于上述存在的问题，提出了本发明。

3、因此，本发明解决的技术问题是：天气因素对快递量预测的结果具有较大的影响，但现有的快递量预测方法一般只考虑历史业务量及客观的影响因素，且默认各影响因素对快递量的影响程度相同，这不仅降低了数据的利用率，还使得预测的动态性与时效性不足，具有较大的局限性。

4、为解决上述技术问题，本发明提供如下技术方案：一种基于信息反馈及天气注意机制模型的快递量预测方法，包括：

5、采集快递末端驿站的历史快递业务量并对所述历史快递业务量进行数据预处理；

6、收集与历史快递业务量相关的物流环节反馈信息；

7、构建具有天气注意机制与长短期记忆神经网络的预测模型，并输出预测结果。

8、作为本发明所述的基于信息反馈及天气注意机制模型的快递量预测方法的一种优选方案，其中：所述历史快递业务量进行数据预处理的过程包括，

9、对历史快递业务量数据进行清洗，去除历史数据中的冗余数据，替换空数据和异常数据；

10、完成数据清洗后，令快递业务量数据为xi，找到快递业务量的最大值与最小值分别记作xmax、xmin，并对数据进行min-max归一化处理，使所有数据被映射至0～1，归一化结果记作xt′，处理的表达式为：

11、

12、其中，xi表示t时间段的历史快递业务量，xmax、xmin表示历史业务量中的最值，xt′表示归一化结果，归一化后的快递量数据被映射至0～1。

13、作为本发明所述的基于信息反馈及天气注意机制模型的快递量预测方法的一种优选方案，其中：所述物流环节反馈信息的反馈流程包括，获取物流运输过程中主要中转站、分拣中心的反馈信息，分别为中转站与目标驿站的距离di、t时间段内各中转站中目的地为目标驿站的快递量xit、t时间段内中转站出库快递量λout和入库的快递量λin及未来周期t内途径n个地区的天气情况。

14、作为本发明所述的基于信息反馈及天气注意机制模型的快递量预测方法的一种优选方案，其中：所述物流环节反馈信息分成采用不同的预处理方式，处理过程为，

15、找到中转站与目标驿站距离的最大值和最小值分别为dmax、dmin，对距离di进行min-max归一化处理，归一化结果记作di’，计算公式为：

16、

17、其中，di表示第i个中转站与目标驿站的距离，dmax、dmin表示距离的最值，di’表示归一化结果；

18、对t时间段内中转站中目的地为目标驿站的快递量的最大值和最小值分别为xmaxt、xmint，对快递量xit进行min-max归一化处理，归一化结果记作xit’，计算公式为：

19、

20、其中，xit表示第i个中转站t时间段的快递业务量，xmaxt、xmint表示t时间段内各中转站快递量的最值，xit’表示归一化结果；

21、根据t时间段内中转站出库快递量λout和入库的快递量λin计算中转站的运营效率η，计算公式为：

22、

23、其中，λout、λin分别表示t时间段内中转站出库和入库的快递量；

24、根据对不同天气因素制定的不同评价标准，分别对获取到的天气因素气温wt、降雨量wp、降雪量ws进行评分得到s(wt)、s(wp)、s(ws)，并对周期t内物流运输途径的n个地区的天气情况进行综合评价得到天气评价因子计算公式为：

25、

26、其中，s(wt)、s(wp)、s(ws)分别表示对气温wt、降雨量wp、降雪量ws的评价，预处理后的数据分别表示为：

27、

28、作为本发明所述的基于信息反馈及天气注意机制模型的快递量预测方法的一种优选方案，其中：所述预测模型分为两个部分，第一部分为天气注意机制模型，其结构分为两层：第一层采用三个并行的注意力机制模型与基于加性模型的打分函数，第二层采用基于天气评价因子的注意力机制模型，考虑天气对预测结果的影响，在计算模型中添加天气评价因子；第二部分则为长短期记忆神经网络模型。

29、作为本发明所述的基于信息反馈及天气注意机制模型的快递量预测方法的一种优选方案，其中：所述第一层模型的构建过程包括，

30、将d′＝(d1’，d2’，…，dn’)、xit’＝(x1t’，x2t’，…，xnt’)、ηi＝(η1，η2，…，ηn)分别输入三个并行的注意力机制模型中，基于加性模型进行打分；

31、其中，di’的打分函数为：

32、s(d’，qd)＝vdttanh(wdd’+udqd)

33、其中，vd，wd，ud为由训练获得的参数矩阵或向量，di’为归一化处理后第i个中转站与目标驿站的距离，qd为d’的查询向量；di’的第i个输入的注意力分布为：

34、

35、根据注意力机制获取到的距离注意信息attd’为：

36、

37、x’的打分函数为：

38、s(x’，qx)＝vxttanh(wxx’+uxqx)

39、其中，vx，wx，ux为由训练获得的参数矩阵或向量，xi’为归一化处理后第i个中转站的快递业务量，qx为x’的查询向量；xi’的第i个输入的注意力分布为：

40、αxi’＝softmax(s(xi’，qx))

41、根据注意力机制获取到的快递量注意信息attx’为：

42、

43、η的打分函数为：

44、s(η，qη)＝vηttanh(wηη+uηqη)

45、其中，vη，wη，uη为由训练获得的参数矩阵或向量，ηi为第i个中转站的运营效率，qη为η的查询向量；ηi的第i个输入的注意力分布为：

46、

47、根据注意力机制获取到的效率注意信息attη为：

48、

49、将第一层模型输出的数据记作o＝(attd’，attx’，attη)。

50、作为本发明所述的基于信息反馈及天气注意机制模型的快递量预测方法的一种优选方案，其中：所述第二层模型的构造过程包括，

51、将所述o＝(attd’，attx’，attη)与天气评价因子带入第二层的天气注意机制模型中，得到最终的输出为：

52、

53、其中，参数wv、wk、wq均由训练获得；

54、以h为长短期记忆神经网络的输入得到t时刻的状态为：

55、ht＝lstm(h，ht-1，wencoder)

56、其中，ht-1为上一个时刻的状态，wencoder是lstm编码计算的参数；

57、最终得到预测结果其中，het为长短期记忆神经网络最后时刻的状态，φ为获得快递业务量的相关函数；

58、将模型输出的预测结果与实际历史快递业务量y进行比较，不断通过参数调整以达到良好的训练效果；

59、以下向量为输入：

60、

61、以历史快递业务量y为输出，训练具有天气注意机制及长短期记忆网络的预测模型，得到向量并输出预测模型，得到最终的预测结果

62、为解决上述技术问题，本发明还提供如下技术方案：一种基于信息反馈及天气注意机制模型的快递量预测系统，包括：

63、数据采集模块，用于收集与快递量相关的数据，包括历史快递量、天气数据、节假日；

64、数据预处理模块，用于对采集到的数据进行清洗和整理，消除异常值和缺失值，并将数据转换为模型能够处理的格式；

65、特征选择模块，用于从预处理后的数据中选择出最具有代表性的特征；

66、模型训练模块，用于对选定的特征进行训练，得到预测模型；

67、参数优化模块，用于对模型的控制参数进行优化；

68、控制参数更新模块，用于自动更新模型的控制参数；

69、实时监测模块，用于持续跟踪和监测预测模型的运行状态，及时发现问题并进行调整，通过连接实时天气数据源，随时更新模型中的天气变量。

70、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：所述处理器执行所述计算机程序时实现本发明中任一项所述的方法的步骤。

71、一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现本发明中所述的方法的步骤。

72、本发明的有益效果：本发明提供的基于信息反馈及天气注意机制模型的快递量预测方法通过采用深度学习算法以及考虑天气因素对快递量的影响，提高了预测的准确性和时效性。相比传统的统计学方法、人工神经网络、支持向量机等方法，该方案更加适用于处理非线性关系或高维度的物流数据，并且不需要过大的计算量。此外，本发明还对各影响因素对快递量的影响程度进行了区分，提高了数据的利用率，增强了预测结果的动态性和时效性。