预测班次的物流发件量方法、装置和计算机设备与流程

1.本技术涉及计算机技术领域，特别是涉及一种预测班次的物流发件量方法、装置、计算机设备和存储介质。


背景技术：

2.随着电子商务的发展，物流行业在经济发展中占有重要地位。其中，物流相关信息预测及市场化规律探索对提高物流效率及资源分配起到重要作用。
3.目前，路由信息预测主要采用人工根据地区市场状态和波动进行预测；或者根据长期静态时序信息进行基于历史的信息预测，如，静态件量预测，此类型预测更偏重于稳定周期化信息预测，然而对于波动高峰及外生事件(如，公共疫情导致生产减缓)以及物流高峰(如，双十一等大促购物节购买力暴增等情况无法及时供货)没有足够的实时信息支持短期的路由信息变化，资源无法及时调整应用当下特殊情况，导致物流班次的发件量的预测时效性低。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够提高物流班次的发件量预测时效性的预测班次物流发件量方法、装置、计算机设备和存储介质。
5.一种预测班次的物流发件量方法，方法包括：
6.确定目标班次的物流发件量的预测时间点；
7.获取目标班次在预测时间点之前指定时长内的历史物流发件量；
8.根据预设切片时长和各历史物流发件量，确定目标班次在各指定时长内各预设切片时长对应的物流发件累积量，得到单位序列数组；单位序列数组为目标班次在各预设切片时长的物流发件累积量集合；
9.根据各单位序列数组构建目标班次的班次序列数据组；
10.计算班次序列数据组中各单位序列数组之间的相似度，根据各单位序列数组之间的相似度得到目标单位序列数据组；
11.通过对目标单位序列数据组进行拟合，根据得到的拟合结果预测目标班次在预测时间点的物流发件量。
12.在其中一个实施例中，获取目标班次在预测时间点之前指定时长内的历史物流发件量，包括：
13.获取目标班次在预测时间点之前指定时长内各物流路由节点的原始物流发件量；
14.根据时间正向累积的数据清洗规则对各原始物流发件量进行清洗，得到历史物流发件量。
15.在其中一个实施例中，根据预设切片时长和各历史物流发件量，确定目标班次在各指定时长内各预设切片时长对应的物流发件累积量，得到单位序列数组，包括：
16.基于各路由节点的历史物流发件量，以预设切片时长为时间粒度对各指定时长进
行时间切片，确定各预设切片时长对应的物流发件累积量，得到各指定时长对应的单位序列数组。
17.在其中一个实施例中，计算班次序列数据组中各单位序列数组之间的相似度，根据各单位序列数组之间的相似度得到目标单位序列数据组，包括：
18.对班次序列数据组中的各单位序列数据组进行缺失值补充，得到完整班次序列数据组；
19.根据差异矩阵确定完整班次序列数据组中各单位序列数据组之间的相似度，根据相似度得到目标单位序列数据组。
20.在其中一个实施例中，对班次序列数据组中的各单位序列数据组进行预处理，得到完整班次序列数据组，包括：
21.获取班次序列数据组中的各单位序列数据组的长度；
22.根据长度确定班次序列数据组中缺失单位序列数据组和完整单位序列数据组；缺失单位序列数据组的长度为第一长度；完整单位序列数据组的长度为第二长度；
23.根据第一长度和第二长度构建网格矩阵，基于网格矩阵和各完整单位序列数据组对各缺失单位序列数据组进行缺失点补充，得到完整班次序列数据组。
24.在其中一个实施例中，根据第一长度和第二长度构建网格矩阵，基于网格矩阵和各完整单位序列数据组对各缺失单位序列数据组进行缺失值补充，得到完整班次序列数据组，包括：
25.从各完整单位序列数据组中确定与各缺失单位序列数据组相似度最高的完整单位序列数据组；
26.根据第一长度和第二长度构建网格矩阵，依次将相似度最高的完整单位序列数据组和缺失单位序列数据组中对应的物流发件累积量映射到网格矩阵上；
27.在网格矩阵按照指定的搜索方向对各缺失单位序列数据组进行缺失点补充，得到完整班次序列数据组。
28.在其中一个实施例中，根据差异矩阵确定完整班次序列数据组中各单位序列数据组之间的相似度，根据相似度得到目标单位序列数据组，包括：
29.根据差异矩阵确定完整班次序列数据组中各单位序列数据组之间的相似度，得到n个目标单位序列数据组；
30.确定n个目标单位序列数据组的方差值和均值离散度；
31.从n个目标单位序列数据组中剔除方差值最大和均值离散度最大的目标单位序列数据组；
32.通过对目标单位序列数据组进行拟合，根据拟合结果预测目标班次在预测时间点的物流发件量，包括：
33.对剔除方差值最大和均值离散度最大的目标单位序列数据组进行线性拟合，确定线性拟合函数；
34.根据线性拟合函数确定目标班次在预测时间点的物流发件量。
35.一种预测班次的物流发件量装置，装置包括：
36.第一确定模块，用于确定目标班次的物流发件量的预测时间点；
37.获取模块，用于获取目标班次在预测时间点之前指定时长内的历史物流发件量；
38.第二确定模块，用于根据预设切片时长和各历史物流发件量，确定目标班次在各指定时长内各预设切片时长对应的物流发件累积量，得到单位序列数组；单位序列数组为目标班次在各预设切片时长的物流发件累积量集合；
39.构建模块，用于根据各单位序列数组构建目标班次的班次序列数据组；
40.计算模块，用于计算班次序列数据组中各单位序列数组之间的相似度，根据各单位序列数组之间的相似度得到目标单位序列数据组；
41.预测模块，用于通过对目标单位序列数据组进行拟合，根据得到的拟合结果预测目标班次在预测时间点的物流发件量。
42.一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
43.确定目标班次的物流发件量的预测时间点；
44.获取目标班次在预测时间点之前指定时长内的历史物流发件量；
45.根据预设切片时长和各历史物流发件量，确定目标班次在各指定时长内各预设切片时长对应的物流发件累积量，得到单位序列数组；单位序列数组为目标班次在各预设切片时长的物流发件累积量集合；
46.根据各单位序列数组构建目标班次的班次序列数据组；
47.计算班次序列数据组中各单位序列数组之间的相似度，根据各单位序列数组之间的相似度得到目标单位序列数据组；
48.通过对目标单位序列数据组进行拟合，根据得到的拟合结果预测目标班次在预测时间点的物流发件量。
49.一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
50.确定目标班次的物流发件量的预测时间点；
51.获取目标班次在预测时间点之前指定时长内历史物流发件量；
52.根据预设切片时长和各历史物流发件量，确定目标班次在各指定时长内各预设切片时长对应的物流发件累积量，得到单位序列数组；单位序列数组为目标班次在各预设切片时长的物流发件累积量集合；
53.根据各单位序列数组构建目标班次的班次序列数据组；
54.计算班次序列数据组中各单位序列数组之间的相似度，根据各单位序列数组之间的相似度得到目标单位序列数据组；
55.通过对目标单位序列数据组进行拟合，根据得到的拟合结果预测目标班次在预测时间点的物流发件量。
56.上述预测班次的物流发件量方法、装置、计算机设备和存储介质，通过获取目标班次在预测时间点之前指定时长内历史物流发件量，根据预设切片时长和各历史物流发件量，确定目标班次在各指定时长内各预设切片时长对应的物流发件累积量，得到单位序列数组；根据得到的各单位序列数组构建目标班次的班次序列数据组；通过相似度计算，从班次序列数据组中得到预测目标班次在预测时间点所需的目标单位序列数据组；通过对目标单位序列数据组的拟合，根据拟合结果预测目标班次在预测时间点的物流发件量；即对历史物流发件量进行时间切片化，得各预设切片时长的物流发件累积量集合，得到单位序列
数据组；通过构建物流发件量的班次序列数据组，根据计算班次序列数据组中单位序列数据组序列数据的相似度，来预测预测时间点的物流发件量，提高了物流班次发件量预测时效性。
附图说明
57.图1为一个实施例中预测班次的物流发件量方法的应用环境图；
58.图2为一个实施例中预测班次的物流发件量方法的流程示意图；
59.图3为一个实施例中物流发件累积量曲线图；
60.图4为一个实施例中单位序列数据缺失值补充方法的流程示意图；
61.图5为另一个实施例中预测班次的物流发件量方法的流程示意图；
62.图6为一个实施例中预测班次的物流发件量装置的结构框图；
63.图7为一个实施例中预测班次的物流发件量装置的结构框图；
64.图8为一个实施例中计算机设备的内部结构图。
具体实施方式
65.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
66.本技术提供的预测班次的物流发件量方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。终端102确定目标班次的物流发件量的预测时间点，从服务器104中获取目标班次在预测时间点之前指定时长内历史物流发件量历史物流发件量历史物流发件量；根据预设切片时长和各历史物流发件量历史物流发件量，确定目标班次在各指定时长内各预设切片时长对应的物流发件累积量，得到单位序列数组；单位序列数组为目标班次在各预设切片时长的物流发件累积量集合；根据各单位序列数组构建目标班次的班次序列数据组；计算班次序列数据组中各单位序列数组之间的相似度，根据各单位序列数组之间的相似度得到目标单位序列数据组；通过对目标单位序列数据组进行拟合，根据得到的拟合结果预测目标班次在预测时间点的物流发件量。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
67.在一个实施例中，如图2所示，提供了一种预测班次的物流发件量方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
68.步骤202，确定目标班次的物流发件量的预测时间点。
69.其中，目标班次是指运载物流快递的物流车的发车班次，每一趟目标班次都有指定的物流路线。物流路线包括出发地和目的地，例如，目标班次a的物流路线是从出发地a1到目的地b1；目标班次b的物流路线是从出发地a2到目的地b2。目标班次在出仓物流快递之前，需要经过进仓、分拣、备车、装车、发车等流程，每个流程对应一个路由节点，即进仓、分拣、备车、装车、发车分别对应入仓节点、分拣节点、备车节点、装车节点和发车节点；在每个路由节点上可以获取对应的物流发件量，每个物流路由节点对应的物流发件量历史物流发件量可以是相同的，也可以是不相同的。除此之外，目标班次与物流快递的运单快递信息之
间存在关联关系，每件物流快递的运单快递信息包括物流快递的重量、发件城市、收件城市以及快递属性等信息。
70.步骤204，获取目标班次在预测时间点之前指定时长内的历史物流发件量。其中，指定时长是通过对沉淀的目标班次的历史物流发件量数据进行分析得到的；指定时长可以但不仅限于是预测时间点之前的72个小时。例如，预测时间点为10月10日9时30分，需要获取预测时间点之前72个小时内的历史物流发件量。
71.具体地，通过确定目标班次的物流发件量的预测时间点，根据预测时间点和目标班次，从服务器中获取在预测时间点之前指定时长内的历史物流发件量。
72.步骤206，根据预设切片时长和各历史物流发件量，确定目标班次在各指定时长内各预设切片时长对应的物流发件累积量，得到单位序列数组。
73.其中，单位序列数组为目标班次在各预设切片时长的物流发件累积量集合。预设切片时长可以但不仅限于是1小时的时长。各预设切片时长对应的物流发件累积量从预测时间点的历史前推指定时长区间(本实施例中为前72小时)开始，-72小时开始向后每小时累计一次，-72时到-71时，-71时到-70时，一直累计到-1。
74.基于指定时长内的历史发件物流量，根据预切片时长对指定时长进行时长切片，可以得到预设切片时长的物流发件累积量，即路由累积总量，得到单位序列数组，单位序列数据组中包括每个预设切片时长的物流发件累积量。例如，表1所示，预测目标班次为020w0700，目标班次结束时间是09时30分；预测时间点是10月10日09时30分；获取目标班次在预测时间点之前指定时长内的历史物流发件量为280件，指定时长对应的时间段是10月7日10时30分至10月10日9时30分；预设切片时长为1小时时长，以目标班次结束时间09时30分作为小时数正负划分，得到各预设切片时长的物流发件累积量，将所得到的各预设切片时长的物流发件累积量作为一组单位序列数组。
75.表1：
[0076][0077]
[0078]
根据单位序列数据生成的逻辑，从服务器中获取目标班次的历史数据，得到目标班次每天的单位序列数据组，如表2所示，预测目标班次为020w0700，目标班次的结束时间是09时30分，沉淀的历史物流发件量开始日期为3月3日，历史数据结束日期：10月10日；得到3月3日至10月10日时间段中每天对应的单位序列数据组，通过将单位序列数据组中的数据以曲线的形式进行显示，可以获取物流发件累积量的变化趋势，如图3所示，图表区显示的是7月16至7月22日每天对应的物流发件累积量曲线图。
[0079]
表2：
[0080][0081][0082]
具体地，基于各历史物流发件量，以预设切片时长为时间粒度对各指定时长进行时间切片，确定各预设切片时长对应的物流发件累积量，得到各指定时长对应的单位序列数组。
[0083]
步骤208，根据各单位序列数组构建目标班次的班次序列数据组。
[0084]
具体地，确定目标班次历史物流发件量的开始日期和结束日期，从服务器中获取目标班次在开始日期至结束日期区间的历史物流发件量，根据单位序列数据生成的逻辑，得到开始日期至结束日期的时间段中目标班次每天的单位序列数据组，得到目标班次的班次序列数据组。如表2所示，根据3月3日至10月10日时间段中每天的单位序列数据组，得到
目标班次的班次序列数据组。
[0085]
步骤210，计算班次序列数据组中各单位序列数组之间的相似度，根据各单位序列数组之间的相似度得到目标单位序列数据组。
[0086]
具体地，通过构建网格矩阵和差异矩阵对班次序列数据组中的各单位序列数据组进行缺失值补充，得到完整班次序列数据组；确定完整班次序列数据组中各单位序列数据组之间的相似度，根据相似度得到n个目标单位序列数据组。例如，构建的目标班次序列数据组中包括两组单位序列数据组a、b，分别表示为：
[0087]
a＝q0，q1，q2，...，qm[0088]
b＝k0，k1，k2，...，km[0089]
其中，qm代表序列a中每小时的物流发件累积量，kn代表序列b中每小时的物流发件累积量；指定时长为72个小时；代表单位序列数据组a的长度，n代表单位序列数据组b的长度；单位序列数据组的长度表征对指定时长进行时间切片获取的物流发件累积量的个数。在正常情况下，m＝n＝72个时段为完整单位序列数据组合，实际过程中会出现m≠n，或m≤72，或n≤72。通过构造m
×
n的网格矩阵m，qi和kj分别序列a的第i个预设切片时长的物流发件累积量和b上的第j个预设切片时长的物流发件累积量，矩阵横轴为i，纵轴为j，qi和kj在矩阵中映射点为(i，j)；根据指定的搜索方向(i 1，j)，(i，j 1)，(i 1，j 1)进行搜索，通过差异矩阵为mg对单位序列数据组中的缺失值进行补充，得到完整的完整班次序列数据组。
[0090]
其中，差异矩阵可以表示mg为：
[0091]
mg＝min(mg(i-1，j-1),mg(i-1，j),mg(i，j-1)) m(i，j)
[0092]
步骤212，通过对目标单位序列数据组进行拟合，根据得到的拟合结果预测目标班次在预测时间点的物流发件量。
[0093]
具体地，确定n个目标单位序列数据组的方差值和均值离散度；从n个目标单位序列数据组中剔除方差值最大和均值离散度最大的目标单位序列数据组；对剔除方差值最大和均值离散度最大的目标单位序列数据组进行线性拟合，确定线性拟合函数，根据线性拟合函数确定目标班次在预测时间点的物流发件量；其中，n为正整数。
[0094]
上述预测班次的物流发件量方法中，通过获取目标班次在预测时间点之前指定时长内历史物流发件量，根据预设切片时长和各历史物流发件量，确定目标班次在各指定时长内各预设切片时长对应的物流发件累积量，得到单位序列数组；根据得到的各单位序列数组构建目标班次的班次序列数据组；通过相似度计算，从班次序列数据组中得到预测目标班次在预测时间点所需的目标单位序列数据组；通过对目标单位序列数据组的拟合，根据拟合结果预测目标班次在预测时间点的物流发件量；即对历史物流发件量进行时间切片化，得各预设切片时长的物流发件累积量集合，得到单位序列数据组；通过构建物流发件量的班次序列数据组，根据计算班次序列数据组中单位序列数据组序列数据的相似度，来预测预测时间点的物流发件量，提高了物流班次发件量预测时效性。
[0095]
在一个实施例中，如图4所示，提供了一种对单位序列数据组进行缺失值补充方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
[0096]
步骤402，获取班次序列数据组中的各单位序列数据组的长度。
[0097]
其中，单位序列数组的数据是指各预设切片时长对应的物流发件累积量，单位序列数据组的长度表征对指定时长进行时间切片获取的物流发件累积量的个数。
[0098]
步骤404，根据长度确定班次序列数据组中缺失单位序列数据组和完整单位序列数据组；缺失单位序列数据组的长度为第一长度，完整单位序列数据组的长度为第二长度。
[0099]
具体地，根据各单位序列数据组的长度与长度阈值进行比较，当长度不等于长度阈值时，对应的单位序列数据组为缺失单位序列数据组，当长度等于长度阈值时，对应的单位序列数据组为完整单位序列数据组。其中，长度阈值根据指定时长和预设切片时长确定的，例如，指定时长为72个小时时长，预设切片时长为1个小时，确定的长度阈值为72。
[0100]
步骤406，根据第一长度和第二长度构造网格矩阵，基于网格矩阵和各完整单位序列数据组对各缺失单位序列数据组进行缺失点补充，得到完整班次序列数据组。
[0101]
具体地，依次计算各缺失单位序列数据组与各完整单位序列数据组之间的相似度，根据计算所得的相似度从各完整单位序列数据组中确定与各缺失单位序列数据组相似度最高的完整单位序列数据组；根据缺失单位序列数据组第一长度和完整单位序列数据组的第二长度构造网格矩阵，依次将相似度最高的完整单位序列数据组和缺失单位序列数据组中对应的物流发件累积量映射到网格矩阵上；在网格矩阵按照指定的搜索方向对各缺失单位序列数据组进行缺失点补充，得到完整班次序列数据组。
[0102]
上述单位序列数据组进行缺失值补充方法中，通过获取班次序列数据组中的各单位序列数据组的长度，根据长度确定班次序列数据组中缺失单位序列数据组和完整单位序列数据组；缺失单位序列数据组的长度为第一长度，完整单位序列数据组的长度为第二长度；根据第一长度和第二长度构造网格矩阵，基于网格矩阵和各完整单位序列数据组对各缺失单位序列数据组进行缺失点补充，得到完整班次序列数据组，避免因数据丢失导致物流发件量预测不准确。
[0103]
在一个实施例中，如图5所示，提供了一种预测班次的物流发件量方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
[0104]
步骤502，确定目标班次的物流发件量的预测时间点。
[0105]
步骤504，获取目标班次在预测时间点之前指定时长内的历史物流发件量。
[0106]
具体地，获取目标班次在预测时间点之前指定时长内的原始物流发件量；根据时间正向累积的数据清洗规则对各原始物流发件量进行清洗，得到历史物流发件量。其中，正向累积的数据清洗规则是指从预测时间点的历史前推指定时长区间开始，每隔预设时长对物流发件量进行清洗，并累积物流发件量。
[0107]
步骤506，基于各历史物流发件量，以预设切片时长为时间粒度对各指定时长进行时间切片，确定各预设切片时长对应的物流发件累积量，得到各指定时长对应的单位序列数组。
[0108]
步骤508，对班次序列数据组中的各单位序列数据组进行缺失值补充，得到完整班次序列数据组。
[0109]
具体地，获取班次序列数据组中的各单位序列数据组的长度；根据长度确定班次序列数据组中缺失单位序列数据组和完整单位序列数据组；缺失单位序列数据组的长度为第一长度；完整单位序列数据组的长度为第二长度；从各完整单位序列数据组中确定与各缺失单位序列数据组相似度最高的完整单位序列数据组；根据第一长度和第二长度构建网格矩阵，依次将相似度最高的完整单位序列数据组和缺失单位序列数据组中对应的物流发件累积量映射到网格矩阵上；在网格矩阵按照指定的搜索方向对各缺失单位序列数据组进
行缺失点补充，得到完整班次序列数据组。
[0110]
步骤510，确定完整班次序列数据组中各单位序列数据组之间的相似度，得到n个目标单位序列数据组。
[0111]
步骤512，确定n个目标单位序列数据组的方差值和均值离散度.
[0112]
步骤514，从n个目标单位序列数据组中剔除方差值最大和均值离散度最大的目标单位序列数据组。
[0113]
步骤516，对剔除方差值最大和均值离散度最大的目标单位序列数据组进行线性拟合，确定线性拟合函数。
[0114]
步骤518，根据线性拟合函数确定目标班次在预测时间点的物流发件量。
[0115]
本实施例中，通过获取目标班次在预测时间点之前指定时长内的历史物流发件量，基于各历史物流发件量，以预设切片时长为时间粒度对各指定时长进行时间切片，确定各预设切片时长对应的物流发件累积量，得到各指定时长对应的单位序列数组，以及对单位序列数据组中进行缺失值补充，得到完整的班次序列数据组；通过计算班次序列数据组中的各单位序列数据组确定n个目标单位序列数据组，从n个目标单位序列数据组剔除方差值最大和均值离散度最大的目标单位序列数据组，对剩下的目标单位序列数据组进行拟合，得到目标班次在预测时间点的物流发件量；能够通过对大量的历史物流发件量数据进行时间切片处理，根据切片处理后的数据对目标班次的预测点的物流发件量进行预测，提高了预测的时效性和准确性。
[0116]
应该理解的是，虽然图2、图4和图5的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、图4和图5中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0117]
在一个实施例中，如图6所示，提供了一种预测班次的物流发件量装置，包括：第一确定模块602、获取模块604、第二确定模块606、构建模块608、计算模块610和预测模块612，其中：
[0118]
第一确定模块602，用于确定目标班次的物流发件量的预测时间点。
[0119]
获取模块604，用于获取目标班次在预测时间点之前指定时长内的历史物流发件量。
[0120]
第二确定模块606，用于根据预设切片时长和各历史物流发件量，确定目标班次在各指定时长内各预设切片时长对应的物流发件累积量，得到单位序列数组；单位序列数组为目标班次在各预设切片时长的物流发件累积量集合。
[0121]
构建模块608，用于根据各单位序列数组构建目标班次的班次序列数据组。
[0122]
计算模块610，用于计算班次序列数据组中各单位序列数组之间的相似度，根据各单位序列数组之间的相似度得到目标单位序列数据组。
[0123]
预测模块612，用于通过对目标单位序列数据组进行拟合，根据得到的拟合结果预测目标班次在预测时间点的物流发件量。
[0124]
上述预测班次的物流发件量装置中，通过获取目标班次在预测时间点之前指定时长内历史物流发件量，根据预设切片时长和各历史物流发件量，确定目标班次在各指定时长内各预设切片时长对应的物流发件累积量，得到单位序列数组；根据得到的各单位序列数组构建目标班次的班次序列数据组；通过相似度计算，从班次序列数据组中得到预测目标班次在预测时间点所需的目标单位序列数据组；通过对目标单位序列数据组的拟合，根据拟合结果预测目标班次在预测时间点的物流发件量；即对历史物流发件量进行时间切片化，得各预设切片时长的物流发件累积量集合，得到单位序列数据组；过构建物流发件量的班次序列数据组，根据计算班次序列数据组中单位序列数据组序列数据的相似度，来预测预测时间点的物流发件量，提高了物流班次发件量预测时效性。
[0125]
在另一个实施例中，如图7所示，提供了一种预测班次的物流发件量装置，除包括第一确定模块602、获取模块604、第二确定模块606、构建模块608、计算模块610和预测模块612之外，还包括：数据清洗模块614、数据处理模块616、映射模块618和拟合模块620，其中：
[0126]
数据清洗模块614，用于获取目标班次在预测时间点之前指定时长内的原始物流发件量；根据时间正向累积的数据清洗规则对各原始物流发件量进行清洗，得到历史物流发件量。
[0127]
在一个实施例中，第二确定模块606还用于基于各历史物流发件量，以预设切片时长为时间粒度对各指定时长进行时间切片，确定各预设切片时长对应的物流发件累积量，得到各指定时长对应的单位序列数组。
[0128]
数据处理模块616，用于对班次序列数据组中的各单位序列数据组进行缺失值补充，得到完整班次序列数据组。
[0129]
在一个实施例中，数据处理模块616中包括获取子模块和构造子模块，其中：
[0130]
获取子模块用于获取班次序列数据组中的各单位序列数据组的长度；根据长度确定班次序列数据组中缺失单位序列数据组和完整单位序列数据组；缺失单位序列数据组的长度为第一长度；完整单位序列数据组的长度为第二长度。
[0131]
构造子模块，用于根据第一长度和第二长度构造网格矩阵。
[0132]
数据处理模块616还用于基于网格矩阵和各完整单位序列数据组对各缺失单位序列数据组进行缺失点补充，得到完整班次序列数据组。
[0133]
数据处理模块616还用于在网格矩阵按照指定的搜索方向对各缺失单位序列数据组进行缺失点补充，得到完整班次序列数据组。
[0134]
在一个实施例中，计算模块610还用于根据差异矩阵确定完整班次序列数据组中各单位序列数据组之间的相似度，根据相似度得到目标单位序列数据组。
[0135]
映射模块618，用于根据第一长度和第二长度构建网格矩阵，依次将相似度最高的完整单位序列数据组和缺失单位序列数据组中对应的物流发件累积量映射到网格矩阵上。
[0136]
在一个实施例中，计算模块610还用于根据差异矩阵确定完整班次序列数据组中各单位序列数据组之间的相似度，得到n个目标单位序列数据组；确定n个目标单位序列数据组的方差值和均值离散度；从n个目标单位序列数据组中剔除方差值最大和均值离散度最大的目标单位序列数据组。
[0137]
拟合模块620，用于对剔除方差值最大和均值离散度最大的目标单位序列数据组进行线性拟合，确定线性拟合函数。
[0138]
预测模块612还用于根据线性拟合函数确定目标班次在预测时间点的物流发件量。
[0139]
在一个实施例中，通过获取目标班次在预测时间点之前指定时长内的历史物流发件量，基于各历史物流发件量，以预设切片时长为时间粒度对各指定时长进行时间切片，确定各预设切片时长对应的物流发件累积量，得到各指定时长对应的单位序列数组，以及对单位序列数据组中进行缺失值补充，得到完整的班次序列数据组；通过计算班次序列数据组中的各单位序列数据组确定n个目标单位序列数据组，从n个目标单位序列数据组剔除方差值最大和均值离散度最大的目标单位序列数据组，对剩下的目标单位序列数据组进行拟合，得到目标班次在预测时间点的物流发件量；能够通过对大量的历史物流发件量数据进行时间切片处理，根据切片处理后的数据对目标班次的预测点的物流发件量进行预测，提高了预测的时效性和准确性。
[0140]
关于预测班次的物流发件量装置的具体限定可以参见上文中对于预测班次的物流发件量方法的限定，在此不再赘述。上述预测班次的物流发件量装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0141]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8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、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、运营商网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种预测班次的物流发件量方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0142]
本领域技术人员可以理解，图8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。
[0143]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
[0144]
确定目标班次的物流发件量的预测时间点；
[0145]
获取目标班次在预测时间点之前指定时长内的历史物流发件量；
[0146]
根据预设切片时长和各历史物流发件量，确定目标班次在各指定时长内各预设切片时长对应的物流发件累积量，得到单位序列数组；单位序列数组为目标班次在各预设切片时长的物流发件累积量集合；
[0147]
根据各单位序列数组构建目标班次的班次序列数据组；
[0148]
计算班次序列数据组中各单位序列数组之间的相似度，根据各单位序列数组之间的相似度得到目标单位序列数据组；
[0149]
通过对目标单位序列数据组进行拟合，根据得到的拟合结果预测目标班次在预测时间点的物流发件量。
[0150]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0151]
获取目标班次在预测时间点之前指定时长内的原始物流发件量；
[0152]
根据时间正向累积的数据清洗规则对各原始物流发件量进行清洗，得到历史物流发件量。
[0153]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0154]
基于各历史物流发件量，以预设切片时长为时间粒度对各指定时长进行时间切片，确定各预设切片时长对应的物流发件累积量，得到各指定时长对应的单位序列数组。
[0155]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0156]
对班次序列数据组中的各单位序列数据组进行缺失值补充，得到完整班次序列数据组；
[0157]
确定完整班次序列数据组中各单位序列数据组之间的相似度，根据相似度得到目标单位序列数据组。
[0158]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0159]
获取班次序列数据组中的各单位序列数据组的长度；
[0160]
根据长度确定班次序列数据组中缺失单位序列数据组和完整单位序列数据组；缺失单位序列数据组的长度为第一长度；完整单位序列数据组的长度为第二长度；
[0161]
根据第一长度和第二长度构建网格矩阵，基于网格矩阵和各完整单位序列数据组对各缺失单位序列数据组进行缺失点补充，得到完整班次序列数据组。
[0162]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0163]
从各完整单位序列数据组中确定与各缺失单位序列数据组相似度最高的完整单位序列数据组；
[0164]
根据第一长度和第二长度构建网格矩阵，依次将相似度最高的完整单位序列数据组和缺失单位序列数据组中对应的物流发件累积量映射到网格矩阵上；
[0165]
在网格矩阵按照指定的搜索方向对各缺失单位序列数据组进行缺失点补充，得到完整班次序列数据组。
[0166]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0167]
根据差异矩阵确定完整班次序列数据组中各单位序列数据组之间的相似度，得到n个目标单位序列数据组；
[0168]
确定n个目标单位序列数据组的方差值和均值离散度；
[0169]
从n个目标单位序列数据组中剔除方差值最大和均值离散度最大的目标单位序列数据组；
[0170]
通过对目标单位序列数据组进行拟合，根据拟合结果预测目标班次在预测时间点的物流发件量，包括：
[0171]
对剔除方差值最大和均值离散度最大的目标单位序列数据组进行线性拟合，确定线性拟合函数；
[0172]
根据线性拟合函数确定目标班次在预测时间点的物流发件量。
[0173]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算
机程序被处理器执行时实现以下步骤：
[0174]
确定目标班次的物流发件量的预测时间点；
[0175]
获取目标班次在预测时间点之前指定时长内的历史物流发件量；
[0176]
根据预设切片时长和各历史物流发件量，确定目标班次在各指定时长内各预设切片时长对应的物流发件累积量，得到单位序列数组；单位序列数组为目标班次在各预设切片时长的物流发件累积量集合；
[0177]
根据各单位序列数组构建目标班次的班次序列数据组；
[0178]
计算班次序列数据组中各单位序列数组之间的相似度，根据各单位序列数组之间的相似度得到目标单位序列数据组；
[0179]
通过对目标单位序列数据组进行拟合，根据得到的拟合结果预测目标班次在预测时间点的物流发件量。
[0180]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0181]
获取目标班次在预测时间点之前指定时长内的原始物流发件量；
[0182]
根据时间正向累积的数据清洗规则对各原始物流发件量进行清洗，得到历史物流发件量。
[0183]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0184]
基于各历史物流发件量，以预设切片时长为时间粒度对各指定时长进行时间切片，确定各预设切片时长对应的物流发件累积量，得到各指定时长对应的单位序列数组。
[0185]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0186]
对班次序列数据组中的各单位序列数据组进行缺失值补充，得到完整班次序列数据组；
[0187]
确定完整班次序列数据组中各单位序列数据组之间的相似度，根据相似度得到目标单位序列数据组。
[0188]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0189]
获取班次序列数据组中的各单位序列数据组的长度；
[0190]
根据长度确定班次序列数据组中缺失单位序列数据组和完整单位序列数据组；缺失单位序列数据组的长度为第一长度；完整单位序列数据组的长度为第二长度；
[0191]
根据第一长度和第二长度构建网格矩阵，基于网格矩阵和各完整单位序列数据组对各缺失单位序列数据组进行缺失点补充，得到完整班次序列数据组。
[0192]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0193]
从各完整单位序列数据组中确定与各缺失单位序列数据组相似度最高的完整单位序列数据组；
[0194]
根据第一长度和第二长度构建网格矩阵，依次将相似度最高的完整单位序列数据组和缺失单位序列数据组中对应的物流发件累积量映射到网格矩阵上；
[0195]
在网格矩阵按照指定的搜索方向对各缺失单位序列数据组进行缺失点补充，得到完整班次序列数据组。
[0196]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0197]
根据差异矩阵确定完整班次序列数据组中各单位序列数据组之间的相似度，得到n个目标单位序列数据组；
[0198]
确定n个目标单位序列数据组的方差值和均值离散度；
[0199]
从n个目标单位序列数据组中剔除方差值最大和均值离散度最大的目标单位序列数据组；
[0200]
通过对目标单位序列数据组进行拟合，根据拟合结果预测目标班次在预测时间点的物流发件量，包括：
[0201]
对剔除方差值最大和均值离散度最大的目标单位序列数据组进行线性拟合，确定线性拟合函数；
[0202]
根据线性拟合函数确定目标班次在预测时间点的物流发件量。
[0203]
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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。
[0204]
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。
[0205]
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发明专利范围的限制。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，还可以做出预设数量变形和改进，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。