件量预测模型的建立方法、装置以及设备

技术领域

本申请涉及物流领域，具体涉及件量预测模型的建立方法、装置以及设备。

背景技术

近些年来，电商行业以及物流行业蓬勃发展，两者相辅相成，在发展自身的同时，也促进对方的发展。

基于物流行业的工作需求以及发展需求，在物流资源的管理工作中，需要对即将到来的物流业务工作量进行预测，以部署足够的物流资源，处理预测到的物流业务工作量，完成在线购物服务中物流环节的应有工作。

如今物流行业基本通过件量预测模型预测物流业务的件量，该件量预测模型由历史物流业务数据训练得到，而在实际应用中发现，现有的件量预测模型，其精确度不高。

发明内容

本申请实施例提供了件量预测模型的建立方法、装置以及设备，用于在一定程度上提高件量预测模型的件量预测结果的精确度。

第一方面，本申请实施例提供了一种件量预测模型的建立方法，方法包括：

获取历史件量数据，其中，历史件量数据包括不同历史周期内不同节假日的件量数据；

从历史件量数据中提取节假日特征数据以及非节假日特征数据，其中，节假日特征数据包括历史件量数据中不同节假日的件量特征数据，非节假日特征数据包括历史件量数据中非节假日的件量特征数据；

根据历史件量数据、节假日特征数据以及非节假日特征数据，训练神经网络模型，并将完成训练的神经网络模型作为件量预测模型，其中，件量预测模型用于预测节假日的件量。

在示例性的实施例中，获取历史件量数据包括：

确定节假日数据，其中，节假日数据用于指示不同节假日的固定时间点或者不同节假日的动态时间点；

遍历历史件量数据集合，并基于节假日数据指示的时间点从历史件量数据集合中获取包括多个不同历史周期内不同节假日的件量数据，作为历史件量数据。

在示例性的实施例中，从历史件量数据中提取节假日特征数据包括：

确定历史件量数据中的目标节假日；

从历史件量数据中，识别出目标历史周期内离目标节假日最近的且件量低谷对应的第一时间节点，以及识别出目标历史周期内离目标节假日最近的且件量高峰对应的第二时间节点，第一时间节点早于第二时间节点，第二时间节点早于目标节假日；

在历史件量数据中，筛选出第一时间区间以及第二时间区间中的件量数据，第一时间区间由第一时间节点以及第二时间节点构成，第二时间区间由第二时间节点以及目标节假日构成；

从第一时间区间以及第二时间区间中的件量数据中，提取目标节假日件量特征数据。

在示例性的实施例中，从第一时间区间以及第二时间区间中的件量数据中，提取目标节假日件量特征数据包括：

将第一时间区间以及第二时间区间中的件量数据，按天数拆分成至少两个子时间区间；

依次从至少两个子时间区间中提取多个子件量特征数据，合并得到目标节假日件量特征数据。

在示例性的实施例中，从历史件量数据中提取节假日特征数据包括：

当第一节假日以及第二节假日存在时间重叠或者部分时间重叠时，分别提取第一节假日以及第二节假日在正常时间的件量特征数据，其中，第一节假日以及第二节假日分别在正常时间，未与第三节假日存在时间重叠或者部分时间重叠；

将第一节假日以及第二节假日分别在正常时间的件量特征数据，进行融合，得到第一节假日以及第二节假日的融合件量特征数据。

在示例性的实施例中，根据历史件量数据、节假日特征数据以及非节假日特征数据，训练神经网络模型包括：

将根据历史件量数据、节假日特征数据以及非节假日特征数据的集合，拆分成第一数据集合、第二数据集合以及第三数据集合；

根据第一数据集合，对神经网络模型进行初始训练；

根据第二数据集合，对初始训练后的神经网络模型进行二次训练；

根据第三数据集合，验证二次训练后的神经网络模型的预测结果是否满足预设的预测指标，若满足，则完成神经网络模型的训练。

在示例性的实施例中，根据历史件量数据、节假日特征数据以及非节假日特征数据，训练神经网络模型之后，方法还包括：

确定待预测件量的目标节假日的目标时间点或者目标时间段；

将目标时间点或者目标时间段输入件量预测模型，进行件量预测；

获取件量预测模型输出的件量预测结果。

第二方面，本申请实施例提供了一种件量预测模型的建立装置，装置包括：

获取单元，用于获取历史件量数据，其中，历史件量数据包括不同历史周期内不同节假日的件量数据；

提取单元，用于从历史件量数据中提取节假日特征数据以及非节假日特征数据，其中，节假日特征数据包括历史件量数据中不同节假日的件量特征数据，非节假日特征数据包括历史件量数据中非节假日的件量特征数据；

训练单元，用于根据历史件量数据、节假日特征数据以及非节假日特征数据，训练神经网络模型，并将完成训练的神经网络模型作为件量预测模型，其中，件量预测模型用于预测节假日的件量。

在示例性的实施例中，获取单元，具体用于：

确定节假日数据，其中，节假日数据用于指示不同节假日的固定时间点或者不同节假日的动态时间点；

遍历历史件量数据集合，并基于节假日数据指示的时间点从历史件量数据集合中获取包括多个不同历史周期内不同节假日的件量数据，作为历史件量数据。

在示例性的实施例中，提取单元，具体用于：

确定历史件量数据中的目标节假日；

从历史件量数据中，识别出目标历史周期内离目标节假日最近的且件量低谷对应的第一时间节点，以及识别出目标历史周期内离目标节假日最近的且件量高峰对应的第二时间节点，第一时间节点早于第二时间节点，第二时间节点早于目标节假日；

在历史件量数据中，筛选出第一时间区间以及第二时间区间中的件量数据，第一时间区间由第一时间节点以及第二时间节点构成，第二时间区间由第二时间节点以及目标节假日构成；

从第一时间区间以及第二时间区间中的件量数据中，提取目标节假日件量特征数据。

在示例性的实施例中，提取单元，具体用于：

将第一时间区间以及第二时间区间中的件量数据，按天数拆分成至少两个子时间区间；

依次从至少两个子时间区间中提取多个子件量特征数据，合并得到目标节假日件量特征数据。

在示例性的实施例中，提取单元，具体用于：

当第一节假日以及第二节假日存在时间重叠或者部分时间重叠时，分别提取第一节假日以及第二节假日在正常时间的件量特征数据，其中，第一节假日以及第二节假日分别在正常时间，未与第三节假日存在时间重叠或者部分时间重叠；

将第一节假日以及第二节假日分别在正常时间的件量特征数据，进行融合，得到第一节假日以及第二节假日的融合件量特征数据。

在示例性的实施例中，训练单元，具体用于：

将根据历史件量数据、节假日特征数据以及非节假日特征数据的集合，拆分成第一数据集合、第二数据集合以及第三数据集合；

根据第一数据集合，对神经网络模型进行初始训练；

根据第二数据集合，对初始训练后的神经网络模型进行二次训练；

根据第三数据集合，验证二次训练后的神经网络模型的预测结果是否满足预设的预测指标，若满足，则完成神经网络模型的训练。

在示例性的实施例中，装置还包括应用单元，用于：

确定待预测件量的目标节假日的目标时间点或者目标时间段；

将目标时间点或者目标时间段输入件量预测模型，进行件量预测；

获取件量预测模型输出的件量预测结果。

第三方面，本申请实施例还提供了一种件量预测模型的建立设备，包括处理器和存储器，存储器中存储有计算机程序，处理器调用存储器中的计算机程序时执行本申请实施例提供的任一种方法中的步骤。

第四方面，本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有多条指令，指令适于处理器进行加载，以执行本申请实施例提供的任一种方法中的步骤。

从以上内容可得出，本申请实施例具有以下的有益效果：

通过从历史件量数据中提取出节假日特征数据以及非节假日特征数据，由此在通过历史件量数据训练神经网络模型的过程中，可结合节假日特征数据以及非节假日特征数据的引导，使得训练得到的件量预测模型对于节假日以及非节假日的件量预测具有更高的区分性，进而对于节假日的件量预测具有更高的针对性，因此对于节假日的件量预测具有更高的精确度。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，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的附图。

图1是本申请实施例件量预测模型的建立方法的一种场景示意图；

图2是本申请实施例件量预测模型的建立方法的一种流程示意图；

图3是本申请实施例图2对应实施例步骤S201的一种流程示意图；

图4是本申请实施例图2对应实施例步骤S202的一种流程示意图；

图5是本申请实施例件量预测模型的建立方法的又一种场景示意图；

图6是本申请实施例图4对应实施例步骤S404的一种流程示意图；

图7是本申请实施例件量预测模型的建立方法的又一种场景示意图；

图8是本申请实施例图2实施例步骤S202的又一种流程示意图；

图9是本申请实施例件量预测模型的建立方法的又一种流程示意图

图10是本申请实施例件量预测模型的建立装置的一种结构示意图；

图11是本申请实施例件量预测模型的建立设备的一种结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。

在以下的说明中，本申请的具体实施例将参考由一部或多部计算机所执行的步骤及符号来说明，除非另有述明。因此，这些步骤及操作将有数次提到由计算机执行，本文所指的计算机执行包括了由代表了以一结构化型式中的数据的电子信号的计算机处理单元的操作。此操作转换该数据或将其维持在该计算机的内存系统中的位置处，其可重新配置或另外以本领域测试人员所熟知的方式来改变该计算机的运作。该数据所维持的数据结构为该内存的实体位置，其具有由该数据格式所定义的特定特性。但是，本申请原理以上述文字来说明，其并不代表为一种限制，本领域测试人员将可了解到以下所述的多种步骤及操作亦可实施在硬件当中。

本申请的原理使用许多其它泛用性或特定目的运算、通信环境或组态来进行操作。所熟知的适合用于本申请的运算系统、环境与组态的范例可包括(但不限于)手持电话、个人计算机、服务器、多处理器系统、微电脑为主的系统、主架构型计算机、及分布式运算环境，其中包括了任何的上述系统或装置。

本申请中的术语“第一”、“第二”和“第三”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。

首先，在介绍本申请实施例之前，先介绍下本申请实施例关于应用背景的相关内容。

本申请实施例提及的件量预测模型的建立方法，其执行主体可以为件量预测模型的建立装置，或者集成了该件量预测模型的建立装置的服务器设备、物理主机或者用户设备(User Equipment，UE)等不同类型的件量预测模型的建立设备，其中，件量预测模型的建立装置可以采用硬件或者软件的方式实现，UE具体可以为智能手机、平板电脑、笔记本电脑、掌上电脑、台式电脑或者个人数字助理(Personal Digital Assistant，PDA)等终端设备。

其中，件量预测模型的建立设备还可分为多个设备并共同执行本申请实施例提供的件量预测模型的建立方法，如图1示出的本申请实施例件量预测模型的建立方法的一种场景示意图，件量预测模型的建立设备，可包括第一服务器101以及第二服务器103，第一服务器101用于存储业务数据，其中，该业务数据可包括或者可提取出历史件量数据，而第二服务器103可通过网络102从第一服务器101调取历史件量数据，并在调取到的历史件量数据的基础上，通过应用本申请实施例提供的件量预测模型的建立方法，训练得到件量预测模型。

其中，第一服务器101以及第二服务器103可以是多个服务器组成的服务器集群等，第一服务器101以及第二服务器103也可以为云服务器。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等根据实际需要，可以具有任意数目的第一服务器101、网络102以及第二服务器103。

在现有的相关技术中，其由于直接在历史件量数据的基础上，进行模型的训练，因此导致训练得到的件量预测模型，尽管大体上可符合实际件量，可仍存在不小的浮动误差，需要结合工作人员的管理经验，调整件量预测模型输出的件量预测结果，可见精确度不高。

基于现有的相关技术存在的上述缺陷，本申请实施例提供了件量预测模型的建立方法，至少在一定程度上克服现有的相关技术所存在的缺陷。

其中，件量预测模型的建立方法，可用于训练用于预测物流业务的物流件件量的件量预测模型，即，历史件量数据为历史物流业务所产生的物流件件量数据，典型的，可用于训练用于预测快递业务的快递件量的件量预测模型；或者，也可用于训练用于预测电商业务的成交量等不同应用领域的件量预测模型。

下面，开始介绍本申请实施例提供的件量预测模型的建立方法。

图2示出了本申请实施例中件量预测模型的建立方法的一种流程示意图，如图2示出的，本申请实施例提供的方法，具体可包括如下步骤：

步骤S201，获取历史件量数据，其中，历史件量数据包括不同历史周期内不同节假日的件量数据；

步骤S202，从历史件量数据中提取节假日特征数据以及非节假日特征数据，其中，节假日特征数据包括历史件量数据中不同节假日的件量特征数据，非节假日特征数据包括历史件量数据中非节假日的件量特征数据；

步骤S203，根据历史件量数据、节假日特征数据以及非节假日特征数据，训练神经网络模型，并将完成训练的神经网络模型作为件量预测模型，其中，件量预测模型用于预测节假日的件量。

在图2所示实施例提出的技术方案中，通过从历史件量数据中提取出节假日特征数据以及非节假日特征数据，由此在通过历史件量数据训练神经网络模型的过程中，可结合节假日特征数据以及非节假日特征数据的引导，使得训练得到的件量预测模型对于节假日以及非节假日的件量预测具有更高的区分性，进而对于节假日的件量预测具有更高的针对性，因此对于节假日的件量预测具有更高的精确度。

以下则以物流业务为例，对图2所示实施例的各个步骤的具体实施方式进行详细阐述：

示例性的，历史件量数据，可以为所有历史物流业务的件量数据，或者也可以为专门用于训练模型的部分历史物流业务的件量数据，或者还可以为从全部/部分历史物流业务的历史件量数据中根据节假日提取得到的件量数据。

对应的，在示例性的实施例中，作为本申请实施例图2对应实施例步骤S201的一种具体实现方式，如图3示出的本申请实施例图2对应实施例步骤S201的一种流程示意图，可包括：

步骤S301，确定节假日数据，其中，节假日数据用于指示不同节假日的固定时间点或者不同节假日的动态时间点；

示例性的，节假日，具体可以为阳历一月一日的元旦、农历一月一日的春节、阳历五月一日的五一劳动节、农历五月初五的端午节、农历七月初七的七夕、农历八月十五的中秋节或者阳历十月一日的国庆节等固定时间点形式的传统节假日，进一步的，具体还可以为阳历六月十八日的6.18购物节、阳历十一月十一日的11.11购物节或者阳历十二月十二日的12.12购物节等固定时间点形式的电商节日，进一步的，具体还可以为每年十一月第四个星期四的感恩节或者电商平台的年货节等动态时间点形式的节假日。

节假日数据，可由用户进行配置或者更新，或者，也可监控电商平台或者历史件量数据等渠道中出现的包括“节假日”的关键字或者关键信息，以便达到自动监听、更新新的节假日的效果。

步骤S302，遍历历史件量数据集合，并基于节假日数据指示的时间点从历史件量数据集合中获取包括多个不同历史周期内不同节假日的件量数据，作为历史件量数据。

确定节假日数据后，即可遍历并从全部/部分历史物流业务中的历史件量数据中提取对应的件量数据，作为用于训练本申请实施例中件量预测模型的历史件量数据。

其中，可根据节假日的具体周期，提取时间跨度包括多个该具体周期的件量数据。

在示例性的实施例中，节假日特征数据可以根据节假日的时间点或者时间段，从历史件量数据中提取对应时间点或者时间段的件量的变化趋势；进一步的，还可从历史件量数据中提取节假日相邻的时间点或者时间段的件量数据，以便可提取出相近时间内的件量的变化趋势，结合相近时间内的件量的变化趋势提取节假日的件量的变化趋势。

示例性的，变化趋势可以如2019年的6.18购物节，来自X电商平台的快递件量，同比增长128.5％；或者，如2018年2月的Y电商平台的每月包邮日，快递件量相较1月，环比减少36.4％；或者，2018的11.11购物节相比同月的十一月十一日，整体快递件量提高43％。

非节假日特征数据的提取，可参考节假日特征数据，具体在此不再赘述。或者，考虑到非节假日的件量的变化趋势较为平缓，也可配置固定的增长值，作为非节假日特征数据。

举例而言，作为图2实施例步骤S202中提取节假日特征数据的一种具体实现方式，如图4示出的本申请实施例图2对应实施例步骤S202的一种流程示意图，可包括：

步骤S401，确定历史件量数据中的目标节假日；

在提取节假日特征数据时，可依次针对不同的目标节假日，进行相对应的目标节假日件量特征数据的提取。

步骤S402，从历史件量数据中，识别出目标历史周期内离目标节假日最近的且件量低谷对应的第一时间节点，以及识别出目标历史周期内离目标节假日最近的且件量高峰对应的第二时间节点，第一时间节点早于第二时间节点，第二时间节点早于目标节假日；

在本申请实施例中，可用三角函数的波浪变化方式，拟合件量特征数据的变化趋势。也就是说，目标节假日会对件量的变化趋势有一定影响，但同样存在有规律的变化趋势，即低谷-高峰-低谷。

继续以快递为例，在实际应用中，存在电商平台为避开节假日当天存在的发件高峰特意在节假日前展开促销活动或者快递发件作业的提前布局等情况，往往节前会存在一个高于平日(非节假日)的件量高峰，节假日当天一般为件量低谷，因此，可将节假日前的最后一个件量低谷、节假日前的最后一个件量高峰一级节假日当天的件量低谷作为变化趋势的三个节点。

示例性的，如图5示出的本申请实施例件量预测模型的建立方法的又一种场景示意图，图中用“0”表示为件量的低谷，用“1”表示为件量的高峰，与春节对应的，从二月八日起至二月十日，件量存在逐步拉升的趋势，又在二月十日起逐步走低直至二月十九春节初一当天；又比如清明节，从三月二十九日至四月一日当天，件量同样存在逐步拉升的趋势，又在四月一日起逐步走低至四月五日清明节当天。

步骤S403，在历史件量数据中，筛选出第一时间区间以及第二时间区间中的件量数据，第一时间区间由第一时间节点以及第二时间节点构成，第二时间区间由第二时间节点以及目标节假日构成；

识别出目标节假日对应的三个节点后，即可确定这三个节点构成的两个时间区间，并从历史件量数据中筛选出这两个时间区间中的件量数据。

示例性的，可搜索目标节假日之前一段时间内的件量数据，识别出目标节假日对应的两个时间节点i1以及i2，并在历史件量数据中建立时间节点i1、i2以及目标节假日本身时间节点i3的索引标识，例如，时间节点i1、i2以i3可分别生成“0”、“1”以及“0”的索引标识，如此根据时间节点i1、i2以及i3的索引，即可从历史件量数据中直接提取出时间节点i1、i2以及i3构成的两个时间区间中的件量数据。

步骤S404，从第一时间区间以及第二时间区间中的件量数据中，提取目标节假日件量特征数据。

确定两个时间区间后，即可根据对应的件量特征数据，提取件量的具体变化趋势，作为目标节假日的目标节假日件量特征数据，在这过程中，由于较为精确地拟合了节假日件量特征数据的变化趋势，因此，对于可大大提高后续件量预测模型的训练效果，进而大大提高件量预测模型的预测结果的精确度，并且，由于上述采用的三个节点的确定方式，可较为便捷地确定出目标节假日所影响的件量数据，这也可促进后续件量预测模型的训练效果以及预测结果的精确度的提高。

进一步的，在提取目标节假日特征数据的过程中，还可考虑区间内不同日期的影响，如图6示出的本申请实施例图4对应实施例步骤S404的一种流程示意图，4对应实施例步骤S404，可包括：

步骤S601，将第一时间区间以及第二时间区间中的件量数据，按天数拆分成至少两个子时间区间；

容易理解，可按照天数，将第一时间区间以及第二时间区间的件量数据，进行拆分，形成时间跨度为1天的多个子时间区间。

步骤S602，依次从至少两个子时间区间中提取多个子件量特征数据，合并得到目标节假日件量特征数据。

针对第一时间区间以及第二时间区间中的每一天，可根据划分得到的多个子时间区间进行子件量特征数据的提取，由此可合并得到目标节假日件量特征数据。

示例性的，若第一时间节点i1与第二时间节点i2的时间间隔为t1，其提取步长dt1＝1/t1，根据该步长，从第一时间节点i1起的件量数据依次提取子件量特征数据，以及，若第二时间节点i2与第三时间节点i3的时间间隔为t2，则提取步长为dt2＝1/t2，根据该步长，从第二时间节点i2起的件量数据依次提取子件量特征数据，以此完成对一个节假日周期(从第一时间节点i1至第三时间节点i3)的件量特征提取处理。

示例性的，如图7示出的本申请实施例件量预测模型的建立方法的又一种流程示意图，在清明节对应的第一时间区间以及第二时间区间，其第一时间区间的时间间隔为3天，步长dt1＝1/3，区间内依照步长dt1得到的时间节点的索引标识可依次为0.33以及0.66，以及，第二时间区间的时间间隔为4天，步长dt2＝1/4，区间内依照步长dt2得到的时间节点的索引标识依次为0.75、0.50以及0.25。

通过上述设置，对第一区间以及第二区间的进一步划分，以此可进一步得到更为细致、精确的目标节假日件量特征数据，进而可提高件量预测模型的预测结果的精确度。

在示例性的实施例中，作为图2实施例步骤S202中提取节假日特征数据的又一种具体实现方式，如图8示出的本申请实施例图2实施例步骤S202的又一种流程示意图，可包括：

步骤S801，当第一节假日以及第二节假日存在时间重叠或者部分时间重叠时，分别提取第一节假日以及第二节假日在正常时间的件量特征数据，其中，第一节假日以及第二节假日分别在正常时间，未与第三节假日存在时间重叠或者部分时间重叠；

示例性的，如2015年的6.18购物节(节假日时间为2015年六月十八日至二十日)和端午节(节假日时间为2015年六月二十日至二十二日)，或者2017年的中秋节和国庆节(两节日交叉形成2017年十月一日至八日的节假日时间)，其节假日区间之间，都存在着部分时间重叠的情况。

当存在时间重叠或者部分时间重叠时，可先提取两节假日在之前正常时间时的件量数据所提取到的件量特征数据。

步骤S802，将第一节假日以及第二节假日分别在正常时间的件量特征数据，进行融合，得到第一节假日以及第二节假日的融合件量特征数据。

继续以2015年的6.18购物节为例，2014年6.18购物节(节假日时间为2014年六月十八日至二十日)和端午节(节假日时间未2014年五月三十一日至六月二日)的节假日区间并未形成时间重叠或者部分时间重叠的情况，以此可分为按照前述的提取方式，分别提取出2014年6.18购物节和端午节的节假日特征数据，再回到2015年，在2015年5月份的历史件量数据的基础上，结合2014年6.18购物节和端午节的节假日特征数据，构造出6.18购物节和端午节的融合件量特征数据，以表征6.18购物节和端午节在件量上的叠加效应。

容易理解，构造出量节假日的融合件量特征数据后，可对件量预测内容作进一步的完善，融合两节假日带来的叠加影响，由此件量预测模型的件量预测结果具有更高的精确度。

示例性的，在本申请实施例中，神经网络模型，具体可以为Prophet模型，Prophet模型是Facebook公司开源的一个专门用于大规模时间序列分析的模型，基于加性模型(Additive Model)，利用年月日等的周期性再加上节假日影响去拟合非线性的趋势。该模型适用于拟合具有较强周期性并且拥有几个周期的件量数据，并且对数据中的缺失值、趋势偏移以及异常值都有着较好的支持。当然，神经网络模型，也可采用其他的时序分析模型，或者其他类型的模型。

其中，神经网络模型，可以包括，获取历史件量数据、节假日特征数据以及非节假日特征数据作为模型的训练集，再将三者输入神经网络模型，进行正向传播，根据模型输出的件量预测结果计算损失函数，再进行反向传播，对模型的参数进行优化调整，以此进行多次来回的正、反向传播，直至模型满足预测要求或者预测指标，即可完成模型的训练。

举例而言，可以采用指数损失函数、交叉熵损失函数、平方损失函数、均方误差损失函数等类型的损失函数。

或者，也可采用预测评价指标作为损失函数，例如对称平均绝对百分比误差(Symmetric Mean Absolute Percentage Error，SMAPE),其计算公式为：

SMAPE越小，代表预测越准确，SMAPE越大，代表预测越不准。

值得注意的是，预测评价指标除了可作为损失函数，也可存在于模型输出的件量预测结果中。

进一步的，在示例性的实施例中，作为图2对应实施例步骤S203的一种具体实现方式，在根据历史件量数据、节假日特征数据以及非节假日特征数据对神经网络模型进行训练的过程中，如图示出的本申请实施例件量预测模型的建立方法的又一种流程示意图，可包括：

步骤S901，将根据历史件量数据、节假日特征数据以及非节假日特征数据的集合，拆分成第一数据集合、第二数据集合以及第三数据集合；

步骤S902，根据第一数据集合，对神经网络模型进行初始训练；

步骤S903，根据第二数据集合，对初始训练后的神经网络模型进行二次训练；

步骤S904，根据第三数据集合，验证二次训练后的神经网络模型的预测结果是否满足预设的预测指标，若满足，则完成神经网络模型的训练。

可以理解，在本申请实施例中，模型的训练，还可分为3个过程，初步训练、二次训练以及校验。对应的，在得到历史件量数据、节假日特征数据以及非节假日特征数据后，可将其形成的集合通过随机、均等分等划分方式，划分得到三个数据集合。

其中，第一数据集合对应于模型的初始训练，用于对模型进行初步的训练；第二数据集合对应于模型的二次训练，用于根据初始训练后的模型输出的件量预测结果，进行对比，计算损失函数，再次进行训练，以此进一步提高模型的训练效果、完善模型；第三数据集合用于验证二次训练后的模型的最终预测效果，例如可计算件量预测结果的SMAPE的是否可低于阈值，若满足即可完成模型的训练，若不满足，则可将模型继续进行初始训练或者二次训练，直至满足模型的预测要求。

示例性的实施例中，当完成件量预测模型的建立后，即可将该件量预测模型投入实际应用，即本申请实施例件量预测模型的应用方法可包括：

确定待预测件量的目标节假日的目标时间点或者目标时间段；

将目标时间点或者目标时间段输入件量预测模型，进行件量预测；

获取件量预测模型输出的件量预测结果。

可以理解，模型投入应用时，需要确定待预测件量的目标节假日，进而可将该目标节假日的目标时间点或者目标时间段输入件量预测模型，从而，可提取得到件量预测模型输出的目标节假日的件量预测结果。

以电商平台九月九日的9.9大促为例，其时间段为九月九日至九月11日，将9.9-9.11的区间信息或者将“9.9大促”的节日关键字(可识别出9.9大促对应的时间段9.9-9.11)输入件量预测模型，即可得到九月九日至九月11日的快递件量预测结果。

为便于更好的实施本申请实施例提供的件量预测模型的建立方法，本申请实施例还提供件量预测模型的建立装置。

参阅图10，图10为本申请实施例件量预测模型的建立装置的一种结构示意图，在本申请实施例中，件量预测模型的建立装置1000具体可包括如下结构：

获取单元1001，用于获取历史件量数据，其中，历史件量数据包括不同历史周期内不同节假日的件量数据；

提取单元1002，用于从历史件量数据中提取节假日特征数据以及非节假日特征数据，其中，节假日特征数据包括历史件量数据中不同节假日的件量特征数据，非节假日特征数据包括历史件量数据中非节假日的件量特征数据；

训练单元1003，用于根据历史件量数据、节假日特征数据以及非节假日特征数据，训练神经网络模型，并将完成训练的神经网络模型作为件量预测模型，其中，件量预测模型用于预测节假日的件量。

在示例性的实施例中，获取单元1001，具体可用于：

确定节假日数据，其中，节假日数据用于指示不同节假日的固定时间点或者不同节假日的动态时间点；

遍历历史件量数据集合，并基于节假日数据指示的时间点从历史件量数据集合中获取包括多个不同历史周期内不同节假日的件量数据，作为历史件量数据。

在示例性的实施例中，提取单元1002，具体可用于：

确定历史件量数据中的目标节假日；

从历史件量数据中，识别出目标历史周期内离目标节假日最近的且件量低谷对应的第一时间节点，以及识别出目标历史周期内离目标节假日最近的且件量高峰对应的第二时间节点，第一时间节点早于第二时间节点，第二时间节点早于目标节假日；

在历史件量数据中，筛选出第一时间区间以及第二时间区间中的件量数据，第一时间区间由第一时间节点以及第二时间节点构成，第二时间区间由第二时间节点以及目标节假日构成；

从第一时间区间以及第二时间区间中的件量数据中，提取目标节假日件量特征数据。

在示例性的实施例中，提取单元1002，具体可用于：

将第一时间区间以及第二时间区间中的件量数据，按天数拆分成至少两个子时间区间；

依次从至少两个子时间区间中提取多个子件量特征数据，合并得到目标节假日件量特征数据。

在示例性的实施例中，提取单元1002，具体可用于：

当第一节假日以及第二节假日存在时间重叠或者部分时间重叠时，分别提取第一节假日以及第二节假日在正常时间的件量特征数据，其中，第一节假日以及第二节假日分别在正常时间，未与第三节假日存在时间重叠或者部分时间重叠；

将第一节假日以及第二节假日分别在正常时间的件量特征数据，进行融合，得到第一节假日以及第二节假日的融合件量特征数据。

在示例性的实施例中，训练单元1003，具体可用于：

将根据历史件量数据、节假日特征数据以及非节假日特征数据的集合，拆分成第一数据集合、第二数据集合以及第三数据集合；

根据第一数据集合，对神经网络模型进行初始训练；

根据第二数据集合，对初始训练后的神经网络模型进行二次训练；

根据第三数据集合，验证二次训练后的神经网络模型的预测结果是否满足预设的预测指标，若满足，则完成神经网络模型的训练。

在示例性的实施例中，装置还包括应用单元1004，可用于：

确定待预测件量的目标节假日的目标时间点或者目标时间段；

将目标时间点或者目标时间段输入件量预测模型，进行件量预测；

获取件量预测模型输出的件量预测结果。

本申请实施例还提供了件量预测模型的建立设备，参阅图11，图11示出了本申请实施例件量预测模型的建立设备的一种结构示意图，具体的，本申请提供的件量预测模型的建立设备包括处理器1101，处理器1101用于执行存储器1102中存储的计算机程序时实现如图1至图9对应任意实施例中件量预测模型的建立方法的各步骤；或者，处理器1101用于执行存储器1102中存储的计算机程序时实现如图10对应实施例中各单元的功能。

示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器1102中，并由处理器1101执行，以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机装置中的执行过程。

件量预测模型的建立设备可包括，但不仅限于处理器1101、存储器1102。本领域技术人员可以理解，示意仅仅是件量预测模型的建立设备的示例，并不构成对件量预测模型的建立设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如件量预测模型的建立设备还可以包括输入输出设备、网络接入设备、总线等，处理器1101、存储器1102、输入输出设备以及网络接入设备等通过总线相连。

处理器1101可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，处理器是件量预测模型的建立设备的控制中心，利用各种接口和线路连接整个设备的各个部分。

存储器1102可用于存储计算机程序和/或模块，处理器1101通过运行或执行存储在存储器1102内的计算机程序和/或模块，以及调用存储在存储器1102内的数据，实现计算机装置的各种功能。存储器1102可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据件量预测模型的建立设备的使用所创建的数据(比如音频数据、视频数据等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的件量预测模型的建立装置、设备及其相应单元的具体工作过程，可以参考如图1至图9对应任意实施例中件量预测模型的建立方法的说明，具体在此不再赘述。

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可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。

为此，本申请实施例提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本申请如图1至图9对应任意实施例中件量预测模型的建立方法中的步骤，具体操作可参考如图1至图9对应任意实施例中件量预测模型的建立方法的说明，在此不再赘述。

其中，该计算机可读存储介质可以包括：只读存储器(Read Only Memory，ROM)、随机存取记忆体(Random Access Memory，RAM)、磁盘或光盘等。

由于该计算机可读存储介质中所存储的指令，可以执行本申请如图1至图9对应任意实施例中件量预测模型的建立方法中的步骤，因此，可以实现本申请如图1至图9对应任意实施例中件量预测模型的建立方法所能实现的有益效果，详见前面的说明，在此不再赘述。

以上对本申请提供的件量预测模型的建立方法、装置、设备以及计算机可读存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。