件量预测方法、装置、计算机设备和计算机可读存储介质

技术领域

本申请涉及物流技术领域，特别是涉及一种件量预测方法、装置、计算机设备和计算机可读存储介质。

背景技术

物流公司为了能够保证各运输环节人力、设备等资源的合理配置，需要对运输件量进行预测。传统方案中主要是基于产品的历史件量数据，通过单一的预测模型对产品件量进行预测，被预测产品的历史件量数据周期性越好，得到的件量预测结果越准确。

然而，当被预测的产品为季节性产品时，通过上述方案得到的件量预测结果往往与实际情况偏差很大。

发明内容

基于此，有必要针对当被预测的产品为季节性产品时，件量预测结果不准确的技术问题，提供一种件量预测方法、装置、计算机设备和计算机可读存储介质。

一种件量预测方法，包括：

获取季节性产品的历史件量数据；

计算所述历史件量数据在时间轴上产品件量发生突变所对应的时间点；

根据所述时间点确定所述产品件量的高峰期和平稳期；

通过机器学习模型对所述高峰期对应的历史件量数据进行处理，得到第一件量预测结果；以及，通过时间序列模型对所述平稳期对应的历史件量数据进行处理，得到第二件量预测结果；

将所述第一件量预测结果和所述第二件量预测结果进行合并，得到全局件量预测结果。

在一个实施例中，所述计算所述历史件量数据在时间轴上产品件量发生突变所对应的时间点，包括：

通过所述时间序列模型处理所述历史件量数据，得到初步件量预测结果；

计算所述初步件量预测结果中的产品件量与对应的所述历史件量数据中的产品件量之间的差值；

当所述差值中的目标差值达到预设阈值时，将所述目标差值对应的时间点确定为产品件量发生突变所对应的时间点。

在一个实施例中，所述方法还包括：

从所述历史件量数据中提取出时间特征；

根据所述初步件量预测结果和所述时间特征对机器学习模型进行训练，得到训练后的机器学习模型。

在一个实施例中，所述根据所述初步件量预测结果和所述时间特征对机器学习模型进行训练，包括：

从所述初步件量预测结果中提取趋势项、周期项和节假日项；

将所述趋势项、周期项、节假日项和所述时间特征分别输入机器学习模型进行训练。

在一个实施例中，所述计算所述历史件量数据在时间轴上产品件量发生突变所对应的时间点，包括：

通过异常检测算法对所述历史件量数据进行检测，得到产品件量异常点；

根据所述产品件量异常点，确定所述历史件量数据在时间轴上产品件量发生突变所对应的时间点。

在一个实施例中，所述通过机器学习模型对所述高峰期对应的历史件量数据进行处理，得到第一件量预测结果，包括：

在所述高峰期中获取待预测时间点；

将所述待预测时间点、所述待预测时间点对应的时间特征和所述初步件量预测结果输入机器学习模型，通过所述机器学习模型对高峰期对应的历史件量数据进行处理，得到第一件量预测结果。

一种件量预测装置，所述装置包括：

历史件量数据获取模块，用于获取季节性产品的历史件量数据；

时间点计算模块，用于计算所述历史件量数据在时间轴上产品件量发生突变所对应的时间点；

件量分布确定模块，用于根据所述时间点确定所述产品件量的高峰期和平稳期；

件量预测模块，用于通过机器学习模型对所述高峰期对应的历史件量数据进行处理，得到第一件量预测结果；以及，通过时间序列模型对所述平稳期对应的历史件量数据进行处理，得到第二件量预测结果；

件量预测结果获得模块，用于将所述第一件量预测结果和所述第二件量预测结果进行合并，得到全局件量预测结果。

在一个实施例中，所述时间点计算模块还用于：

通过所述时间序列模型处理所述历史件量数据，得到初步件量预测结果；

计算所述初步件量预测结果中的产品件量与对应的所述历史件量数据中的产品件量之间的差值；

当所述差值中的目标差值达到预设阈值时，将所述目标差值对应的时间点确定为产品件量发生突变所对应的时间点。

在一个实施例中，所述装置还包括：时间特征提取模块和时间特征提取模块；其中：

时间特征提取模块，用于从所述历史件量数据中提取出时间特征；

机器学习模型训练模块，用于根据所述初步件量预测结果和所述时间特征对机器学习模型进行训练，得到训练后的机器学习模型。

在一个实施例中，机器学习模型训练模块还用于：

从所述初步件量预测结果中提取趋势项、周期项和节假日项；

将所述趋势项、周期项、节假日项和所述时间特征分别输入机器学习模型进行训练。

在一个实施例中，所述时间点计算模块还用于：

通过异常检测算法对所述历史件量数据进行检测，得到产品件量异常点；

根据所述产品件量异常点，确定所述历史件量数据在时间轴上产品件量发生突变所对应的时间点。

在一个实施例中，所述件量预测模块还用于：

在所述高峰期中获取待预测时间点；

将所述待预测时间点、所述待预测时间点对应的时间特征和所述初步件量预测结果输入机器学习模型，通过所述机器学习模型对高峰期对应的历史件量数据进行处理，得到第一件量预测结果。

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上述任一项方法的步骤。

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上述任一项方法的步骤。

上述件量预测方法、装置、计算机设备和计算机可读存储介质，通过计算季节性产品的历史件量数据在时间轴上产品件量发生突变所对应的时间点；根据时间点确定产品件量的高峰期和平稳期；从而针对高峰期和平稳期分别采用机器学习模型和时间序列模型进行件量预测，避免因高峰期与平稳期的产品件量差别较大，而无法准确学习高峰期与平稳期的件量规律的问题，从而提高了全局件量预测结果的准确性，进一步提高了物流企业进行资源配置的合理性。

附图说明

图1为一个实施例中件量预测方法的应用环境图；

图2为一个实施例中件量预测方法的流程示意图；

图3为一个实施例中产品件量分布示意图；

图4为一个实施例中确定产品件量突变时间点步骤的流程示意图；

图5为另一个实施例中确定产品件量突变时间点步骤的流程示意图；

图6为一个实施例中模型训练步骤的流程示意图；

图7为一个实施例中高峰期件量预测步骤的流程示意图；

图8为一个实施例中件量预测方法的流程示意图；

图9为一个实施例中件量预测装置的结构框图；

图10为另一个实施例中件量预测装置的结构框图；

图11为一个实施例中计算机设备的结构框图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

图1为一个实施例中件量预测方法的应用环境图。参照图1，该件量预测方法应用于件量预测系统。该件量预测系统包括终端110和服务器120。终端110和服务器120通过网络连接。在一个实施例中，终端110在获取季节性产品的历史件量数据之后，计算历史件量数据在时间轴上产品件量发生突变所对应的时间点，并根据时间点确定产品件量的高峰期和平稳期，然后通过机器学习模型对高峰期对应的历史件量数据进行处理，得到第一件量预测结果；以及，通过时间序列模型对平稳期对应的历史件量数据进行处理，得到第二件量预测结果；最后将第一件量预测结果和第二件量预测结果进行合并，得到全局件量预测结果。

终端110具体可以是台式终端或移动终端，移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种。服务器120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。

如图2所示，在一个实施例中，提供了一种件量预测方法。本实施例主要以该方法应用于上述图1中的终端110来举例说明。参照图2，该件量预测方法具体包括如下步骤：

S202，获取季节性产品的历史件量数据。

其中，季节性产品是指在一段时间内在产品件量很大，而在其他时间内产品件量很小的产品。历史件量数据是指产品历史时间段内的件量数据，包括产品件量和对应的时间点，具体可以是历史时间段内每天的产品件量和对应的日期。

在一个实施例中，终端根据季节性产品的生长周期或产品周期确定历史时间段，然后获取历史时间段内季节性产品的历史件量数据。例如，季节性产品A每年的销售时间主要集中在5月至8月，则可以获取该季节性产品A前一年或者前两年5月至8月的历史件量数据。

S204，计算历史件量数据在时间轴上产品件量发生突变所对应的时间点。

其中，产品件量发生突变是指产品件量由平稳趋势突然变为增长趋势、或由下降趋势突然变为平稳趋势。

在一个实施例中，终端在获取到历史件量数据之后，以时间轴为横轴，产品件量为纵轴，按照各时间点对应的产品件量，确定出产品件量分布，然后计算出产品件量发生突变所对应的时间点。其中所计算出的时间点至少为两个。图3为一个示意性的产品件量分布示意图，图中为某季节性产品2016年、2017年和2018年5月1日至7月31日的产品件量分布。

在一个实施例中，终端在获取到历史件量数据之后，通过时间序列模型对历史件量数据进行处理，得到初步件量预测结果，并基于初步件量预测结果计算出产品件量发生突变所对应的时间点。其中，时间序列模型是根据系统观测得到的时间序列数据，通过曲线拟合和参数估计来建立的数学模型，具体可以是Prophet时序模型，Prophet是一种基于Python和R语言的数据预测工具。

在一个实施例中，终端在获取到历史件量数据之后，通过异常检测算法对历史件量数据进行计算，得到产品件量发生突变所对应的时间点。其中，异常检测算法用于检验数据集中的异常值，具体可以是ESD(Extreme Studentized Deviate test)算法，ESD算法可以检测出数据集中的多个异常值。

S206，根据时间点确定产品件量的高峰期和平稳期。

其中，高峰期是指季节性产品的产品件量较高的时期，平稳期是指季节性产品的产品件量较低的时期。

在一个实施例中，终端计算出产品件量发生突变所对应的时间点之后，确定出最早的时间点和最晚的时间点，并将最早的时间点作为第一时间点，最晚的时间点作为第二时间点，将第一时间点和第二时间点之间的时间段确定为产品件量的高峰期，将所获取历史件量数据的起始时间点与第一时间点之间的时间段、所获取历史件量数据的结束时间点与第二时间点之间的时间段确定为产品件量的平稳期。其中，终端还可以确定所获取历史件量数据的起始时间点与第一时间点之间的时间段为高峰前平稳期，确定所获取历史件量数据的结束时间点与第二时间点之间的时间段为高峰后平稳期。

作为一个示例，假设获取季节性产A的历史件量数据是2018年5月1日至2018年7月31日，且计算出的季节性产品A的产品发生突变的时间分别为6月7日和6月25日，则将6月7日和6月25日之间的时间段确定为高峰期，将5月1日至6月6日之间的时间段和6月26日至7月31日之间的时间段确定为平稳期。其中5月1日至6月6日之间的时间段为高峰前平稳期，6月26日至7月31日为高峰后平稳期。

S208，通过机器学习模型对高峰期对应的历史件量数据进行处理，得到第一件量预测结果；以及，通过时间序列模型对平稳期对应的历史件量数据进行处理，得到第二件量预测结果。

其中，机器学习模型是基于历史件量数据训练后的模型，具体可以是XGBoost(eXtreme Gradient Boosting，极端梯度提升)模型，XGBoost模型是一种大规模的决策树工具包，决策树包括分类树和回归树，基于分类树可以输出分类结果，基于回归树可以输出数值结果。时间序列模型是根据系统观测得到的时间序列数据，通过曲线拟合和参数估计来建立的数学模型，具体可以是Prophet时序模型，Prophet是一种基于Python和R语言的数据预测工具。

在一个实施例中，终端获取待预测时间段，判断待预测时间点属于高峰期还是平稳期，若待预测时间段属于高峰期，则将待预测时间段输入机器学习模型，在机器学习模型对高峰期对应的历史件量数据进行处理之后，对待预测时间段进行预测，得到件量预测结果。若待预测时间段属于平稳期，则将待预测时间段输入时间序列模型，在时间序列模型对平稳期对应的历史件量数据进行处理之后，对待预测时间段进行预测，得到件量预测结果。

在一个实施例中，终端获取待预测时间段，判断待预测时间点属于高峰期还是平稳期，若待预测时间段同时包含有高峰期和平稳期，则对待预测时间段进行划分，并将属于高峰期的待预测时间段输入机器学习模型，在机器学习模型对高峰期对应的历史件量数据进行处理之后，对属于高峰期的待预测时间段进行预测，得到第一件量预测结果；并将属于平稳期的待预测时间段输入时间序列模型，在时间序列模型对平稳期对应的历史件量数据进行处理之后，对属于平稳期的待预测时间段进行预测，得到第二件量预测结果。

S210，将第一件量预测结果和第二件量预测结果进行合并，得到全局件量预测结果。

其中，合并可以是将第一件量预测结果和第二件量预测结果按照时间顺序进行排列，得到预测时间段内的全局件量预测结果。全局件量预测结果包含有高峰期件量预测结果和平稳期件量预测结果。

上述实施例中，终端通过计算季节性产品的历史件量数据在时间轴上产品件量发生突变所对应的时间点，并根据时间点确定产品件量的高峰期和平稳期；并针对高峰期和平稳期分别采用机器学习模型和时间序列模型进行件量预测，避免因高峰期与平稳期的产品件量差别较大，而无法准确学习高峰期与平稳期的件量规律的问题，从而提高了全局件量预测结果的准确性，进一步提高了物流企业进行资源配置的合理性。

在一个实施例中，步骤S204具体可以包括以下步骤：

S402，通过时间序列模型处理历史件量数据，得到初步件量预测结果。

在一个实施例中，终端将历史件量数据中的产品件量和日期一一对应地输入时间序列模型，时间序列模型基于历史件量数据分别确定件量的增长趋势，、件量的周期变化、节假日对件量的影响以及误差，即趋势项g(t)、周期项s(t)、节假日项h(t)和误差项ε(t)，然后将趋势项g(t)、周期项s(t)、节假日项h(t)和误差项ε(t)进行累加，并将得到的累加结果作为初步预测函数，初步预测函数具体可以通过下式进行表示：

y(t)＝g(t)+s(t)+h(t)+ε(t)

其中，y(t)是初步预测值，误差项ε(t)表示历史件量对所预测件量的影响。件量的周期包含有年的周期、月的周期、周的周期、以及其他特殊的周期；节假日既包含普通的节假日，也包含电商平台规定的节假日，还可以包含季节性产品的开售日。

在一个实施例中，终端根据历史件量数据得到初步预测函数之后，获取待预测时间段，初步预测函数对待预测时间段进行预测，得到初步件量预测结果。其中待预测时间段可以与历史件量数据的时间段对应。

在一个实施例中，终端获取待预测时间段，并将历史件量数据和所获取待预测时间段同时输入时间序列模型，时间序列模型在根据历史件量数据得到初步预测函数之后，通过初步预测函数对待预测时间段进行预测，得到初步件量预测结果。

S404，计算初步件量预测结果中的产品件量与对应的历史件量数据中的产品件量之间的差值。

S406，当差值中的目标差值达到预设阈值时，将目标差值对应的时间点确定为产品件量发生突变所对应的时间点。

在一个实施例中，终端在得到初步件量预测结果之后，计算初步件量预测结果中每一个件量预测值与对应的历史件量数据中产品件量之间的差值。例如，季节性产品B历史件量数据为2017年5月1日至2017年5月31日的产品件量，初步件量预测结果为2018年5月1日至2018年5月31日的产品件量，则计算5月1日至5月31日中每一日的产品件量预测值与对应的历史件量数据中的产品件量的差值。

在一个实施例中，终端在计算出各个差值之后，将各个差值与预设阈值进行对比，并将各个差值中大于预设阈值的差值作为目标差值，并根据目标差值对应的时间点确定为产品件量发生突变所对应的时间点。例如，季节性产品B的预测阈值为m，计算出的差值中大于预设阈值m的目标差值有两个，这两个目标差值分别为5月10日和5月20日的产品件量预测值与历史件量数据中的产品件量的差值，即目标差值对应的时间点为5月10日和5月20日，则将5月10日和5月20日确定为产品件量发生突变所对应的时间点。

上述实施例中，终端通过时间序列模型对历史件量数据进行处理，得到初步件量预测结果，并基于初步件量预测结果与历史件量数据，确定出产品件量发生突变所对应的时间点，从而使得终端可以准确地确定出产品件量高峰期和平稳期，提高了件量预测结果的准确性。

在一个实施例中，步骤S204具体还可以包括以下步骤：

S502，通过异常检测算法对历史件量数据进行检测，得到产品件量异常点。

S504，根据产品件量异常点，确定历史件量数据在时间轴上产品件量发生突变所对应的时间点。

其中，异常检测算法用于检验数据集中的异常值，具体可以是ESD(ExtremeStudentized Deviate test)算法，ESD算法可以检测出数据集中的多个异常值。

在一个实施例中，终端通过异常检测算法对历史件量数据进行检测，得到历史件量数据中的多个异常值，即得到产品件量异常点，然后确定产品件量异常点所对应的时间点，并将该时间点确定为历史件量数据在时间轴上产品件量发生突变所对应的时间点。

上述实施例中，终端通过异常检测算法对历史件量数据进行检测，得到产品件量异常点，并根据产品件量异常点确定出产品件量发生突变所对应的时间点，从而使得终端可以准确地确定出产品件量高峰期和平稳期，提高了件量预测结果的准确性。

在一个实施例中，终端在通过时间序列模型得到初步件量预测结果之后，还可以根据初步件量预测结果训练机器学习模型，具体包括以下步骤：

S602，从历史件量数据中提取出时间特征。

其中，时间特征包含有周特征、月特征和节假日特征，周特征表示产品件量对应时间点为一周中的第几天，月特征表示产品件量对应的时间点为一月中的第几天，节假日特征表示产品件量对应的时间点是否为节假日。

S604，根据初步件量预测结果和时间特征对机器学习模型进行训练，得到训练后的机器学习模型。

其中，机器学习模型可以是监督机器学习模型，具体可以是XGBoost模型。

在一个实施例中，终端从历史件量数据中提取出产品件量对应时间点的时间特征，并根据所提取的时间特征和初步件量预测结果对机器学习模型进行训练，得到训练后的机器学习模型。

在一个实施例中，终端从初步件量预测结果中提取趋势项、周期项和节假日项，并将所提取的趋势项、周期项和节假日项和所获取的时间特征分别输入机器学习模型中，对机器学习模型进行训练。

上述实施例中，终端通过初步件量预测结果和从历史件量数据中提取的时间特征，对机器学习模型进行训练，从而使得在通过训练后的机器学习模型进行件量预测时，得到的预测结果更加准确。

在一个实施例中，S208具体包括以下步骤：

S702，在高峰期中获取待预测时间点。

在一个实施例中，终端在根据历史件量数据确定出产品件量的高峰期，在高峰期中获取待预测时间点，其中，待预测时间点可以是高峰期对应的一个时间点，即一天，也可以是多个时间点，多个时间点可以是连续的，也可以是离散的。例如，历史件量数据为2017年5月1日至2017年5月31日的产品件量，所确定的高峰期为6月7日和6月25日，则根据所确定的高峰期可以获取2018年6月7日和6月25日中的任意时间点作为待测时间点，或者获取2019年6月7日和6月25日中的任意时间点作为待测时间点等。

S704，将待预测时间点、待预测时间点对应的时间特征和初步件量预测结果输入机器学习模型，通过机器学习模型对高峰期对应的历史件量数据进行处理，得到第一件量预测结果。

在一个实施例中，终端在获取到高峰期对应的待预测时间点之后，将高峰期对应的历史件量数据、待预测时间点、待预测时间点对应的时间特征和初步件量预测结果数据输入已经训练好的机器学习模型中，通过机器学习模型对高峰期对应的历史件量数据进行处理，得到待预测时间点对应的件量预测结果。

在一个实施例中，终端通过机器学习模型对高峰期对应的各个点预测时间点进行预测，得到各个待预测时间点对应的件量预测结果，并将各个待预测时间点对应的件量预测结果作为高峰期对应的第一件量预测结果。

上述实施例中，终端在确定出产品件量的高峰期和平稳期之后，针对高峰期采用机器学习模型进行件量预测，从而提高了高峰期件量预测结果的准确性。

在一个实施例中，终端通过时间序列模型处理平稳期对应的历史件量数据，具体地，终端将平稳期对应的历史件量数据中的产品件量和日期一一对应地输入时间序列模型，时间序列模型基于平稳期对应的历史件量数据分别确定平稳期对应的趋势项g

在一个实施例中，终端从所确定的平稳期中获取待预测时间点，具体可以是连续的时间点，即待预测时间段，并将待预测时间段输入平稳期预测模型，通过平稳期预测模型对待预测时间段进行预测，得到待预测时间段对应的件量预测结果。

在一个实施例中，终端从所确定的平稳期中获取待预测时间点为平稳期对应的连续的全部时间点，即整个平稳期对应的时间段，通过平稳期预测模型对平稳期对应的全部时间段进行预测，得到平稳期件量预测结果，并将平稳期件量预测结果作为第二件量预测结果。

在一个实施例中，终端将平稳期划分为高峰前平稳期和高峰后平稳期，并时间序列模型分别对高峰前平稳期和高峰后平稳期所对应的历史件量数据进行处理，得到高峰前平稳期件量预测结果和高峰后平稳期件量预测结果，并将高峰前平稳期件量预测结果和高峰后平稳期件量预测结果作为第二件量预测结果。

在一个实施例中，终端还可以通过线性回归模型对平稳期对应的历史件量数据进行处理，得到第二件量预测结果。终端通过线性回归模型对平稳期对应的历史件量数据进行线性拟合，得到拟合后的线性函数：y

上述实施例中，终端在确定出产品件量的高峰期和平稳期之后，针对平稳期采用时序预测模型或线性回归模型进行件量预测，从而提高了平稳期期件量预测结果的准确性。

在一个实施例中，还提供了一种件量预测方法。本实施例主要以该方法应用于上述图1中的终端110来举例说明。参照图8，该件量预测方法具体包括如下步骤：

S802，获取季节性产品的历史件量数据。

S804，通过时间序列模型处理历史件量数据，得到初步件量预测结果。

S806，计算初步件量预测结果中的产品件量与对应的历史件量数据中的产品件量之间的差值。

S808，当差值中的目标差值达到预设阈值时，将目标差值对应的时间点确定为产品件量发生突变所对应的时间点。

S810，在高峰期中获取待预测时间点。

S812，将待预测时间点、待预测时间点对应的时间特征和初步件量预测结果输入机器学习模型，通过机器学习模型对高峰期对应的历史件量数据进行处理，得到第一件量预测结果。

S814，在平稳期中获取待预测时间点。

S816，通过时间序列模型对平稳期对应的历史件量数据进行处理，得到第二件量预测结果。

S818，将第一件量预测结果和第二件量预测结果进行合并，得到全局件量预测结果。

图2、4-8为一个实施例中件量预测方法的流程示意图。应该理解的是，虽然图2、4-8的流程图中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、4-8中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子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，这些子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的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图9所示，提供了一种件量预测装置，该装置包括：历史件量数据获取模块902，时间点计算模块904，件量分布确定模块906，件量预测模块908和件量预测结果获得模块910；其中：

历史件量数据获取模块902，用于获取季节性产品的历史件量数据；

时间点计算模块904，用于计算历史件量数据在时间轴上产品件量发生突变所对应的时间点；

件量分布确定模块906，用于根据时间点确定产品件量的高峰期和平稳期；

件量预测模块908，用于通过机器学习模型对高峰期对应的历史件量数据进行处理，得到第一件量预测结果；以及，通过时间序列模型对平稳期对应的历史件量数据进行处理，得到第二件量预测结果；

件量预测结果获得模块910，用于将第一件量预测结果和第二件量预测结果进行合并，得到全局件量预测结果。

上述实施例中，终端通过计算季节性产品的历史件量数据在时间轴上产品件量发生突变所对应的时间点，并根据时间点确定产品件量的高峰期和平稳期；并针对高峰期和平稳期分别采用机器学习模型和时间序列模型进行件量预测，避免因高峰期与平稳期的产品件量差别较大，而无法准确学习高峰期与平稳期的件量规律的问题，从而提高了全局件量预测结果的准确性，进一步提高了物流企业进行资源配置的合理性。

在一个实施例中，时间点计算模块904还用于：

通过时间序列模型处理历史件量数据，得到初步件量预测结果；

计算初步件量预测结果中的产品件量与对应的历史件量数据中的产品件量之间的差值；

当差值中的目标差值达到预设阈值时，将目标差值对应的时间点确定为产品件量发生突变所对应的时间点。

上述实施例中，终端通过时间序列模型对历史件量数据进行处理，得到初步件量预测结果，并基于初步件量预测结果与历史件量数据，确定出产品件量发生突变所对应的时间点，从而使得终端可以准确地确定出产品件量高峰期和平稳期，提高了件量预测结果的准确性。

在一个实施例中，如图10所示，装置还包括：时间特征提取模块912和时间特征提取模块914；其中：

时间特征提取模块912，用于从历史件量数据中提取出时间特征；

机器学习模型训练模块914，用于根据初步件量预测结果和时间特征对机器学习模型进行训练，得到训练后的机器学习模型。

在一个实施例中，机器学习模型训练模块914还用于：

从初步件量预测结果中提取趋势项、周期项和节假日项；

将趋势项、周期项、节假日项和时间特征分别输入机器学习模型进行训练。

上述实施例中，终端通过初步件量预测结果和从历史件量数据中提取的时间特征，对机器学习模型进行训练，从而使得在通过训练后的机器学习模型进行件量预测时，得到的预测结果更加准确。

在一个实施例中，时间点计算模块904还用于：

通过异常检测算法对历史件量数据进行检测，得到产品件量异常点；

根据产品件量异常点，确定历史件量数据在时间轴上产品件量发生突变所对应的时间点。

上述实施例中，终端通过异常检测算法对历史件量数据进行检测，得到产品件量异常点，并根据产品件量异常点确定出产品件量发生突变所对应的时间点，从而使得终端可以准确地确定出产品件量高峰期和平稳期，提高了件量预测结果的准确性。

在一个实施例中，件量预测模块908还用于：

在高峰期中获取待预测时间点；

将待预测时间点、待预测时间点对应的时间特征和初步件量预测结果输入机器学习模型，通过机器学习模型对高峰期对应的历史件量数据进行处理，得到第一件量预测结果。

终端在确定出产品件量的高峰期和平稳期之后，针对高峰期采用机器学习模型进行件量预测，从而提高了高峰期件量预测结果的准确性。

图11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图1中的终端110。如图11所示，该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。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，可使得处理器实现件量预测方法。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，可使得处理器执行件量预测方法。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，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。

本领域技术人员可以理解，图Y中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请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。

在一个实施例中，本申请提供的件量预测装置可以实现为一种计算机程序的形式，计算机程序可在如图11所示的计算机设备上运行。计算机设备的存储器中可存储组成该件量预测装置的各个程序模块，比如，图2所示的历史件量数据获取模块902，时间点计算模块904，件量分布确定模块906，件量预测模块908和件量预测结果获得模块910。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的件量预测方法中的步骤。

例如，图11所示的计算机设备可以通过如图9所示的件量预测装置中的历史件量数据获取模块902执行S202。计算机设备可通过时间点计算模块904执行S204。计算机设备可通过件量分布确定模块906执行S206。计算机设备可通过件量预测模块908执行S208。计算机设备可通过件量预测结果获得模块910执行S210。

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，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：获取季节性产品的历史件量数据；计算历史件量数据在时间轴上产品件量发生突变所对应的时间点；根据时间点确定产品件量的高峰期和平稳期；通过机器学习模型对高峰期对应的历史件量数据进行处理，得到第一件量预测结果；以及，通过时间序列模型对平稳期对应的历史件量数据进行处理，得到第二件量预测结果；将第一件量预测结果和第二件量预测结果进行合并，得到全局件量预测结果。

在一个实施例中，计算机程序被处理器执行计算历史件量数据在时间轴上产品件量发生突变所对应的时间点的步骤时，使得处理器具体执行以下步骤：通过时间序列模型处理历史件量数据，得到初步件量预测结果；计算初步件量预测结果中的产品件量与对应的历史件量数据中的产品件量之间的差值；当差值中的目标差值达到预设阈值时，将目标差值对应的时间点确定为产品件量发生突变所对应的时间点。

在一个实施例中，计算机程序被处理器执行时，使得处理器还执行以下步骤：从历史件量数据中提取出时间特征；根据初步件量预测结果和时间特征对机器学习模型进行训练，得到训练后的机器学习模型。

在一个实施例中，计算机程序被处理器执行根据初步件量预测结果和时间特征对机器学习模型进行训练的步骤时，使得处理器具体执行以下步骤：从初步件量预测结果中提取趋势项、周期项和节假日项；将趋势项、周期项、节假日项和时间特征分别输入机器学习模型进行训练。

在一个实施例中，计算机程序被处理器执行计算历史件量数据在时间轴上产品件量发生突变所对应的时间点的步骤时，使得处理器具体执行以下步骤：通过异常检测算法对历史件量数据进行检测，得到产品件量异常点；根据产品件量异常点，确定历史件量数据在时间轴上产品件量发生突变所对应的时间点。

在一个实施例中，计算机程序被处理器执行通过机器学习模型对高峰期对应的历史件量数据进行处理，得到第一件量预测结果的步骤时，使得处理器具体执行以下步骤：在高峰期中获取待预测时间点；将待预测时间点、待预测时间点对应的时间特征和初步件量预测结果输入机器学习模型，通过机器学习模型对高峰期对应的历史件量数据进行处理，得到第一件量预测结果。

在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：获取季节性产品的历史件量数据；计算历史件量数据在时间轴上产品件量发生突变所对应的时间点；根据时间点确定产品件量的高峰期和平稳期；通过机器学习模型对高峰期对应的历史件量数据进行处理，得到第一件量预测结果；以及，通过时间序列模型对平稳期对应的历史件量数据进行处理，得到第二件量预测结果；将第一件量预测结果和第二件量预测结果进行合并，得到全局件量预测结果。

在一个实施例中，计算机程序被处理器执行计算历史件量数据在时间轴上产品件量发生突变所对应的时间点的步骤时，使得处理器具体执行以下步骤：通过时间序列模型处理历史件量数据，得到初步件量预测结果；计算初步件量预测结果中的产品件量与对应的历史件量数据中的产品件量之间的差值；当差值中的目标差值达到预设阈值时，将目标差值对应的时间点确定为产品件量发生突变所对应的时间点。

在一个实施例中，计算机程序被处理器执行时，使得处理器还执行以下步骤：从历史件量数据中提取出时间特征；根据初步件量预测结果和时间特征对机器学习模型进行训练，得到训练后的机器学习模型。

在一个实施例中，计算机程序被处理器执行根据初步件量预测结果和时间特征对机器学习模型进行训练的步骤时，使得处理器具体执行以下步骤：从初步件量预测结果中提取趋势项、周期项和节假日项；将趋势项、周期项、节假日项和时间特征分别输入机器学习模型进行训练。

在一个实施例中，计算机程序被处理器执行计算历史件量数据在时间轴上产品件量发生突变所对应的时间点的步骤时，使得处理器具体执行以下步骤：通过异常检测算法对历史件量数据进行检测，得到产品件量异常点；根据产品件量异常点，确定历史件量数据在时间轴上产品件量发生突变所对应的时间点。

在一个实施例中，计算机程序被处理器执行通过机器学习模型对高峰期对应的历史件量数据进行处理，得到第一件量预测结果的步骤时，使得处理器具体执行以下步骤：在高峰期中获取待预测时间点；将待预测时间点、待预测时间点对应的时间特征和初步件量预测结果输入机器学习模型，通过机器学习模型对高峰期对应的历史件量数据进行处理，得到第一件量预测结果。

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，本申请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。

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。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。