一种基于大数据的物流预测方法及系统

技术领域

本发明涉及大数据处理技术领域，具体而言，涉及一种基于大数据的物流预测方法及系统。

背景技术

物流预测是根据客观事物过去和现代的发展规律，对物流管理的发展趋势和状况进行描述、分析。随着经济全球化和知识经济时代的到来，高新技术的迅猛发展，商品结构越来越复杂，物流预测是物流运筹的基础和前后，是物流部门进行规划和控制的基础，在物流活动中起着非常重要的作用。它可以为物流企业揭示出物流市场未来发展的趋势和方向，并可以对物流企业活动中可能出现的种种情况进行预测，从而使企业能够及时阻止或尽量减少对自身发展不利的情况的发生。

基于大数据的物流需求预测是物流资源调度的重要技术手段，再好的商品，如果不能准确的预测到实际的市场需求，就是造成供应的不足或者过剩，进而影响到企业的库存水平和运作成本。物流需求数据具有强随机性、波动性、非平稳性等特征，因此对其进行准确的预测较为困难。

发明内容

本发明的目的在于提供一种基于大数据的物流预测方法及系统，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：

第一方面，本申请提供了获取历史物流数据，对所述历史物流数据进行预处理，得到预处理后的物流数据，所述历史物流数据包括物流计划需求量、成本材料费控制量和仓库储备量；

根据粗糙集理论算法从所述历史物流数据中提取出与所述物流计划需求量、成本材料费控制量和仓库储备量相关联的特征，并构建预测模型；

利用信号分解算法对所述历史物流数据进行时间序列分解，得到分解数据；

基于果蝇优化算法对所述预测模型进行参数优化，得到优化后的参数组，将优化后的所述参数组输入至所述预测模型中，并基于树形结构Parzen超参数优化算法，对所述分解数据进行预测，得到物流预测结果。

第二方面，本申请还提供了一种基于大数据的物流预测系统，包括获取模块、提取模块、分解模块和预测模块，其中：

获取模块：用于获取历史物流数据，对所述历史物流数据进行预处理，得到预处理后的物流数据，所述历史物流数据包括物流计划需求量、成本材料费控制量和仓库储备量；

提取模块：用于根据粗糙集理论算法从所述历史物流数据中提取出与所述物流计划需求量、成本材料费控制量和仓库储备量相关联的特征，并构建预测模型；

分解模块：用于利用信号分解算法对所述历史物流数据进行时间序列分解，得到分解数据；

预测模块：用于基于果蝇优化算法对所述预测模型进行参数优化，得到优化后的参数组，将优化后的所述参数组输入至所述预测模型中，并基于树形结构Parzen超参数优化算法，对所述分解数据进行预测，得到物流预测结果。

本发明的有益效果为：本发明通过将城市道路与运送物流GPS连接来获取物流信息，并且还解决了交通拥堵的问题，提高城市通行效率，快速获取到物流数据；本发明通过分解算法，平稳性对物流数据进行分量分解，降低了物流数据的复杂性，具有很好的容错性能；本发明采用参数优化算法，可以使得模型能更好的学习到数据的时序特征，进一步提高了模型的预测精度。预测速度和精度也较高，也适用于物流行业流失预测。

本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本发明实施例中所述的基于大数据的物流预测方法流程示意图；

图2为本发明实施例中所述的基于大数据的物流预测系统结构示意图；

图3为本发明实施例中所述的基于大数据的物流预测设备结构示意图。

图中:701、获取模块；7011、获得单元；7012、匹配单元；7013、采集单元；7014、第一处理单元；702、提取模块；703、分解模块；7031、构造单元；7032、计算单元；7033、更新单元；704、预测模块；7041、采用单元；7042、搜索单元；7043、迭代单元；7044、第一构建单元；7045、第二构建单元；7046、第二处理单元；7047、拟合单元；7048、预测单元；800、基于大数据的物流预测设备；801、处理器；802、存储器；803、多媒体组件；804、I/O接口；805、通信组件。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

实施例1：

本实施例提供了一种基于大数据的物流预测方法。

参见图1，图中示出了本方法包括步骤S100、步骤S200、步骤S300和步骤S400。

S100、获取历史物流数据，对所述历史物流数据进行预处理，得到预处理后的物流数据，所述历史物流数据包括物流计划需求量、成本材料费控制量和仓库储备量。

可以理解的是，在S100步骤中包括S101、S102、S103和S104，其中：

S101、利用边界矩形的路网匹配算法，根据平行四边形标识城市道路中的每条道路，并得到每条道路对应的平行四边形区域；

S102、将所述平行四边形区域与物流运送车辆上的GPS定位数据相匹配，形成匹配后的GPS定位数据；

具体地，在本实施例中，边界矩形的路网匹配判断算法为矩形的两个顶点。在本实施例中，是按照平行四边形上来标识道路，而平行四边形的位置通过存储其4个顶点的坐标来确定。通过本实施例方法，可以快速地将GPS定位数据匹配到路网上，且具有效率和准确性。

S103、根据所述GPS定位数据采集所需城市道路中所有通过所述物流运送车辆的流量信息；

具体地，并将GPS定位数据与物流运送车辆相匹配，就可以采集到具体在哪个道路上的哪个物流运送车辆上的哪些流量信息。

S104、基于数据清洗法，对所述流量信息进行数据清洗，设定离群值并进行检测筛选，得到预处理后的物流数据。

其中，数据清洗法包括丢弃部分数据、补全缺失数据、不处理数据和真值转换法，为的是借助工具，在数据中进行检测筛选和清理，按照一定的规则清理这些脏数据，以确保后续分析结果的准确性。

S200、根据粗糙集理论算法从所述历史物流数据中提取出与所述物流计划需求量、成本材料费控制量和仓库储备量相关联的特征，并构建预测模型。

可以理解的是，在本步骤中，根据粗糙集理论算法从历史数据中进行提取，优点是可以不需要提供问题所需处理的数据集合之外的任何先验知识，而且与处理其他不确定性问题的理论有很强的互补性(特别是模糊理论)，可以很清楚的从数据库中提取出与重要特征相关联的特征，这样可以方便建立预测模型，有更好的关联性。

S300、利用信号分解算法对所述历史物流数据进行时间序列分解，得到分解数据。

可以理解的是，在S300步骤中包括S301、S302和S303，其中：

S301、基于高斯平滑滤波算法，通过二次惩罚函数项和拉格朗日乘子，构造拉格朗日函数；

通过构造拉格朗日函数L计算约束变分问题，展开后的表达式如下所示；

式(1)中α为二次惩罚函数项，可以保证信号重构的准确性，λ为拉格朗日乘子，可以保证约束的严格性，

S302、根据所述历史物流数据，将所述拉格朗函数中的定义域由时间转换到频率，并计算所述拉格朗日函数的极值；

通过拉格朗函数计算极值，计算公式如下：

式(3)(2)，x(t)表示原信号，t为时刻t，x(t)即时域原信号，x(t)经傅里叶变换，从时域转换到频域，得到

S303、更新拉格朗日乘子，并进行迭代计算，若计算结果小于惩罚因子，则计算结束，得到分解数据；否则将继续所述拉格朗函数中的定义域由时间转换到频率，直到大于所述惩罚因子为止，计算结束。

更新拉格朗日乘子λ：

式(4)中λ

具体地，当满足小于惩罚因子，则计算结束；否则继续执行(1)，直到得到分解数据为止。

S400、基于果蝇优化算法对所述预测模型进行参数优化，得到优化后的参数组，将优化后的所述参数组输入至所述预测模型中，并基于树形结构Parzen超参数优化算法，对所述分解数据进行预测，得到物流预测结果。

可以理解的是，在本步骤中果蝇优化算法包括S401、S402和S403，其中：

S401、采用基于Logistic映射的混沌技术，使得果蝇初始坐标分布的均匀性；

S402、随机初始化果蝇种群位置，并搜索食物的随机方向和距离；

S403、计算味道浓度判定值，并做出适应度评估，进行迭代寻优，确定最优解；其中计算味道浓度判定值包括获取获取食物气味浓度值最高、最小和最优果蝇坐标点，记为下一代果蝇搜索位置及方向提供指引。

具体地，混沌技术的基本思想是：把待处理变量映射至混沌变量取值空间中，利用混沌变量取值区间的坐标数据结合果蝇搜索步长、方向等进行优化果蝇群坐标。Logistic映射迭代方程如下：

x

式中：x

可以理解的是，在S400步骤还包括S404、S405、S406、S407和S408，其中：

S404、构建卷积模型，所述卷积模型包括至少三个时空循环卷积块，每个所述时空循环卷积块包括时间卷积块和空间卷积块；

其中，“空间图卷积块”为图卷积得到空间特征。这样一个结构称为空间图卷积块。目的是通过图卷积的方法从空间维度中提取出相应的特征。此处的图卷积为指图卷积神经网络，即扩展到图结构中的卷积神经网络，一类能处理图结构数据的包含卷积计算且具有深度结构的前馈神经网络，即为一种特殊的卷积神经网络。

S405、将所述时空循环卷积块进行堆叠，构建动态时空卷积块，所述动态时空图卷积块包括2个时间层和1个连接时间域的空间层；

根据2块时空循环卷积块进行堆叠构建动态时空图卷积块，空间层是连接2个时间时域的桥梁，实现图卷积和时间循环卷积之间的过渡，有利于在空间状态中实现快速传播。

S406、利用瓶颈理论，利用了图卷积层对每个所述时空循环卷积块相对应的输出维度进行升降处理；

需要说明的是，利用了图卷积层对通道c进行维度的升降，实现数据的特征压缩和尺度压缩。

S407、基于树形结构Parzen超参数优化算法和随机丢弃法，对升降处理后的所述时空循环卷积块进行过拟合缓解；

需要说明的是，每个时空循环卷积块中，为了避免过度的拟合，在每一层后都采用了随机丢弃处理。通过树形结构Parzen超参数优化算法，提高了所述时空循环卷积块的准确性；在叠加2个动态时空图卷积块之后，添加一个输出层，该输出层为增添了全连接层的时间循环卷积层。该输出层将最后一个动态时空图卷积块的输出与单步预测之间做了映射，所以可以利用该模型得到最后的输出Z，再利用线性转换

S408、根据线性转换，对过拟合缓解后的所述时空循环卷积块进行物流预测，得到物流预测结果。

具体地，根据原始分数减去其平均数，再除以标准差的转换过程，对物流进行预测，得到最终的预测结果。

实施例2：

如图2所示，本实施例提供了一种基于大数据的物流预测系统，参见图2所述系统包括获取模块701、提取模块702、分解模块703和预测模块704，其中：

获取模块701：用于获取历史物流数据，对所述历史物流数据进行预处理，得到预处理后的物流数据，所述历史物流数据包括物流计划需求量、成本材料费控制量和仓库储备量；

提取模块702：用于根据粗糙集理论算法从所述历史物流数据中提取出与所述物流计划需求量、成本材料费控制量和仓库储备量相关联的特征，并构建预测模型；

分解模块703：用于利用信号分解算法对所述历史物流数据进行时间序列分解，得到分解数据；

预测模块704：用于基于果蝇优化算法对所述预测模型进行参数优化，得到优化后的参数组，将优化后的所述参数组输入至所述预测模型中，并基于树形结构Parzen超参数优化算法，对所述分解数据进行预测，得到物流预测结果。

具体地，所述获取模块701，其中包括获得单元7011、匹配单元7012、采集单元7013和第一处理单元7014，其中：

获得单元7011：用于利用边界矩形的路网匹配算法，根据平行四边形标识城市道路中的每条道路，并得到每条道路对应的平行四边形区域；

匹配单元7012：用于将所述平行四边形区域与物流运送车辆上的GPS定位数据相匹配，形成匹配后的GPS定位数据；

采集单元7013：用于根据所述GPS定位数据采集所需城市道路中所有通过所述物流运送车辆的流量信息；

第一处理单元7014：用于基于数据清洗法，对所述流量信息进行数据清洗，设定离群值并进行检测筛选，得到预处理后的物流数据。

具体地，所述分解模块703，其中包括构造单元7031、计算单元7032和更新单元7033，其中：

构造单元7031：用于基于高斯平滑滤波算法，通过二次惩罚函数项和拉格朗日乘子，构造拉格朗日函数；

计算单元7032：用于根据所述历史物流数据，将所述拉格朗函数中的定义域由时间转换到频率，并计算所述拉格朗日函数的极值；

更新单元7033：用于更新拉格朗日乘子，并进行迭代计算，若计算结果小于惩罚因子，则计算结束，得到分解数据；否则将继续所述拉格朗函数中的定义域由时间转换到频率，直到大于所述惩罚因子为止，计算结束。

具体地，所述预测模块704，其中包括采用单元7041、搜索单元7042和迭代单元7043，其中：

采用单元7041：用于采用基于Logistic映射的混沌技术，使得果蝇初始坐标分布的均匀性；

搜索单元7042：用于随机初始化果蝇种群位置，并搜索食物的随机方向和距离；

迭代单元7043：用于计算味道浓度判定值，并做出适应度评估，进行迭代寻优，确定最优解；其中计算味道浓度判定值包括获取获取食物气味浓度值最高或最小和最优果蝇坐标点，记为下一代果蝇搜索位置及方向提供指引。

具体地，所述预测模块704，其中包括第一构建单元7044、第二构建单元7045、第二处理单元7046、拟合单元7047和预测单元7048，其中：

第一构建单元7044：用于构建卷积模型，所述卷积模型包括至少三个时空循环卷积块，每个所述时空循环卷积块包括时间卷积块和空间卷积块；

第二构建单元7045：用于将所述时空循环卷积块进行堆叠，构建动态时空卷积块，所述动态时空图卷积块包括2个时间层和1个连接时间域的空间层；

第二处理单元7046：用于利用瓶颈理论，利用了图卷积层对每个所述时空循环卷积块相对应的输出维度进行升降处理；

拟合单元7047：用于基于树形结构Parzen超参数优化算法和随机丢弃法，对升降处理后的所述时空循环卷积块进行过拟合缓解；

预测单元7048：用于根据线性转换，对过拟合缓解后的所述时空循环卷积块进行物流预测，得到物流预测结果。

需要说明的是，关于上述实施例中的系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

实施例3：

相应于上面的方法实施例，本实施例中还提供了一种基于大数据的物流预测设备，下文描述的一种基于大数据的物流预测设备与上文描述的一种基于大数据的物流预测方法可相互对应参照。

图3是根据示例性实施例示出的一种基于大数据的物流预测设备800的框图。如图3所示，该基于大数据的物流预测设备800可以包括：处理器801，存储器802。该基于大数据的物流预测设备800还可以包括多媒体组件803，I/O接口804，以及通信组件805中的一者或多者。

其中，处理器801用于控制该基于大数据的物流预测设备800的整体操作，以完成上述的基于大数据的物流预测方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该基于大数据的物流预测设备800的操作，这些数据例如可以包括用于在该基于大数据的物流预测设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(StaticRandom Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该基于大数据的物流预测设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。

在一示例性实施例中，基于大数据的物流预测设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的基于大数据的物流预测方法。

在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的基于大数据的物流预测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由基于大数据的物流预测设备800的处理器801执行以完成上述的基于大数据的物流预测方法。

实施例4：

相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种基于大数据的物流预测方法可相互对应参照。

一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的基于大数据的物流预测方法的步骤。

该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。