一種訂單的預測方法及裝置、計算機可讀介質、物流系統，所述訂單的預測方法包括：獲取歷史訂單對應的時間序列；基于所述時間序列，提取特征序列；基于所述特征序列，生成二維信號特征圖；基于所述二維信號特征圖，構建神經網絡模型，并根據所構建的神經網絡模型進行訂單預測。應用上述方案，可以提高訂單預測的準確度。

技術領域

本發明實施例涉及物流領域，尤其涉及一種訂單的預測方法及裝置、計算機可讀介質、物流系統。

背景技術

由于整車物流的訂單預測能夠讓調度人員提前做好準備，未雨綢繆，從而使得運輸資源的調度更加合理，故準確的整車物流的訂單預測對于整車物流具有非常重要的作用。

時間序列可以描述變量隨時間變化的離散值，例如溫度、濕度、股票價格、汽車銷量走勢等變量。時間序列預測指根據時間序列在當前的時間點t以及過往的時間點(t-1)、(t-2)、……、(t-n-1)的值，決定某一個未知時間點(t+1)或者某一個未知時間段(t+1,t+n)的值。通常，一個時間序列預測值除了依賴于過往的時間以外，可能還會依賴于一個或多個其他的時間序列。因此，一個時間序列預測問題指的是在高維空間的回歸問題。在高維空間中，預測值是其過去值和其他相關的時間序列的高度非線性函數。整車物流的訂單預測問題從本質上來說可以看作一個時間序列預測問題。整車物流訂單預測問題由于本質上可被視作一個時間序列預測問題，所以能夠通過時間序列預測模型解決，例如傳統的自回歸移動平均模型(Auto Regressive Moving Average，ARMA)、前饋神經網絡模型、循環神經網絡(Recurrent Neural Network，RNN)、變體長短記憶神經網絡(Long Short-Term Memory，LSTM)等。這些模型在解決整車物流訂單預測問題時，將物流訂單數據合并為一維的數據作為輸入，然后提取出數據上的時間相關性。

現有的整車物流訂單的預測方法在有多個時間序列或者多個特征序列作為輸入的情況下，通過簡單的合并成一個序列的方法，將合成的一個一維序列作為模型輸入進行學習和預測。

上述整車物流訂單的預測方法準確度較差。

發明內容

本發明實施例解決的技術問題是如何提高訂單預測的準確度。

為解決上述技術問題，本發明實施例提供一種訂單的預測方法，所述方法包括：獲取歷史訂單對應的時間序列；基于所述時間序列，提取特征序列；基于所述特征序列，生成二維信號特征圖；基于所述二維信號特征圖，構建神經網絡模型，并根據所構建的神經網絡模型進行訂單預測。

可選地，所述獲取訂單對應的時間序列包括：獲取歷史訂單對應的原始數據；對原始數據進行預處理，獲取訂單對應的時間序列。

可選地，所述預處理包括以下至少一種：異常值處理、缺失值處理。

可選地，所述提取特征序列包括：基于小波變換算法提取特征序列。

可選地，所述生成二維信號特征圖包括：將每個特征序列分割為多個長度為n的序列片段，其中n為正整數；將不同特征序列對應的序列片段進行逐行復制，生成m行序列片段，所述m行序列片段滿足不同的特征序列行間兩兩相鄰，其中m為正整數；基于所述m行序列片段，生成m*n的二維信號特征圖。

可選地，所述將每個特征序列分割為多個長度為n的序列片段包括：基于移位操作，將每個特征序列分割為多個長度為n的序列片段。

可選地，所述構建神經網絡模型包括：構建神經網絡模型；基于所述二維信號特征圖，訓練所述神經網絡模型，獲取所述神經網絡模型參數。

可選地，在構建神經網絡模型之后，所述訂單的預測方法還包括：獲取訂單的在線數據；基于所述在線數據訓練并更新所述神經網絡模型。

可選地，所述神經網絡為：卷積神經網絡。