(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210840648.4 (22)申请日 2022.07.18 (71)申请人 上海东普信息科技有限公司 地址 201707 上海市青浦区外 青松公路 5045号508室U区4 4号 (72)发明人 王震东　杨周龙　孙佳斌　 (74)专利代理 机构 上海汉声知识产权代理有限 公司 3123 6 专利代理师 胡晶 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 10/08(2012.01) (54)发明名称 物流中转站关键指标的预测方法、 装置、 设 备及存储介质 (57)摘要 本发明公开了一种物流中转站关键指标的 预测方法、 装置、 设备及存储介质， 方法包括： 获 取目标中转站对应的包括物流成本在内的关键 指标值， 生成关键指标对应的预测目标； 获取预 测目标的历史数据并生成时间序列， 分析时间序 列的关键指标值的变化趋势信息， 根据时间序列 确定待预测目标对应的关键指标的预测数据； 采 用时间序列预测法建立初始关键指标的预测模 型； 将初始关键指标的预测模型输出的初始预测 结果与实际关键参数值对比， 利用线性回归算法 修正误差 数据， 迭代更新 成升级后的关键参数预 测模型， 输出最终预测结果。 服务器利用时间序 列预测法建立物流中转站成本预测模 型， 提升对 中转站各环节预测的准确性， 大大提升服务器处 理的效率。 权利要求书3页 说明书9页 附图3页 CN 115271187 A 2022.11.01 CN 115271187 A 1.一种物流中转站关键指标的预测方法， 其特 征在于， 包括： 获取服务器中目标中转站对应的包括物流成本在内的关键指标值， 生成所述关键指标 对应的预测目标； 获取服务器中所述预测目标的历史数据并生成时间序列， 分析所述 时间序列的关键指 标值的变化趋势信息， 根据所述时间序列确定所述待预测目标对应的关键指标的预测数 据； 根据所述关键指标的预测数据， 建立初始关键指标的预测模型； 将所述初始关键指标的预测模型输出的初始预测结果与实际关键参数值对比， 利用线 性回归算法修 正误差数据， 迭代更新成升级后的关键参数 预测模型， 输出最终预测结果。 2.如权利要求1所述的物流中转站关键指标的预测方法， 其特征在于， 所述获取所述预 测目标的历史数据并生成时间序列， 分析所述时间序列的关键指标值的变化趋势信息， 根 据所述时间序列确定所述待预测目标对应的关键指标的预测数据包括： 获取所述时间序列数据， 确定所述时间序列数据所包含的成分和类型， 将所述时序数 据转变成稳定数据； 利用回归分析拟合成趋势图， 判断趋势成分是否存在， 分离出成长期的趋势， 所述成长 期的趋势指升高或降低的时间序列数据； 判断季节性成分是否存在， 计算季节指数， 以确定时间序列中的季节性成分， 将季节成 分从所述时间序列数据中分离， 所述季节性成分包括节假日或其 他事件导致数据的异常； 分离所述 时间序列 数据中其他残留成分， 计算剩余所述 时间序列数据的均值和方差并 生成稳定波动图谱。 3.如权利要求1所述的物流中转站关键指标的预测方法， 其特征在于， 所述获取目标中 转站对应的包括物流成本在内的关键指标值， 生成所述关键指标对应的预测目标包括： 获取物流中转站各目标项对应的关键指标 预测目标值； 当物流对象到达物流中转站时， 采集所述目标项在中转站内运作产生的与关键指标属 性相关的第一关键指标值； 当物流对象离开物流中转站时， 采集所述目标项在 设定路线运输产生的与关键指标属 性相关的第二关键指标值； 按照所述目标项分类并对所述第 一关键指标值和所述第 二关键指标值进行汇总， 确定 所述目标项对应的关键指标 预测目标。 4.如权利要求1所述的物流中转站关键指标的预测方法， 其特征在于， 所述获取所述预 测目标的历史数据并生成时间序列包括： 读取各业务服务器中各节点逻辑下的物流中转站关键指标的历史数据， 归 并成一次关 键指标的历史数据； 对所述一 次关键指标的历史数据进行预处理， 对处理后的所述一 次关键指标的历史数 据进行提取并生成二次关键指标的历史数据； 将所述二次关键指标的历史数据进行 标准化处理， 得到所述预测目标的历史数据； 将所述预测目标的历史数据按照时间和关键指标 数值属性动态集 合成时间序列。 5.如权利要求1所述的物流中转站关键指标的预测方法， 其特征在于， 所述根据 所述关 键指标的预测数据， 建立初始关键指标的预测模型进一 步包括：权　利　要　求　书 1/3 页 2 CN 115271187 A 2对所述初始关键指标的预测模型输出的初始预测结果进行优化， 输出优化后的预测模 型； 根据所述优化后的预测模型输出优化后的预测结果， 分别对中转站关键指标的总值及 各目标项对应的关键指标值自动核算并输出相应的核算 值； 将所述核算值分别与对应的所述优化后的预测结果对比， 当二者一致时， 输出正确的 优化结果。 6.如权利要求5所述的物流中转站关键指标的预测方法， 其特征在于， 所述对所述初始 关键指标的预测模型输出的初始预测结果进行优化， 输出优化后的预测模型包括： 根据所述初始预测结果判断所述关键指标值所在控制节点并进行优化； 若所述关键指标值所在控制节点位于车辆路径环节， 采用机器学习算法预测运输货量 需求， 根据货量需求 规划最优化线路并选取线路最优中转站； 建立机器学习 模型预判 线路货量异常， 建立动态模型根据实际货量对运输线路进行调 整或对不同线路规划中转站的选取进行调整； 和/或， 若所述关键指标值所在控制节点位于仓储库存环节， 采用机器学习算法预测仓储库存 需求， 根据存 储需求规划最优化仓储空间 并选取存 储最优中转站； 建立机器学习 模型预判仓储空间异常， 建立动态模型根据实际仓储库存对仓储空间进 行调整或对不同存 储中转站的选取进行调整； 和/或， 若所述关键指标值所在控制节点位于人员配置环节， 采用机器学习算法预测中转站人 工需求， 根据中转站人工需求 规划最优化人员配置并选取 人员配置最优中转站； 建立机器学习 模型预判人员分配异常， 建立动态模型根据实际待任务分配人员对中转 站人员配置进行调整或对不同人员配置中转站的选取进行调整； 将预设的关键指标值和预测结果对比， 决策出所述关键指标值所在控制节点并进行调 整控制。 7.如权利要求1所述的物流中转站关键指标的预测方法， 其特征在于， 所述将所述初始 关键指标的预测模型输出的初始预测结果与实际关键参数值对比， 利用线性回归算法修正 误差数据， 迭代更新成升级后的关键参数 预测模型， 输出最终预测结果包括： 设训练数据为(Xi,Yi),i ＝1,2,...,n； 当回归模型为Yi ＝aXi+b+W i； 误差模型为 Wi＝Yi‑aXi‑b,i＝1,2,...,n； 其中， Yi表示Xi的对应预测 关键值， Xi表示包括物流成本在内的任意关键指标值， a、 b 为待定回归系数。 8.一种物流中转站关键指标的预测装置， 其特 征在于， 包括： 预测目标确定模块， 用于获取目标中转站对应的包括物流成本在内的关键指标值， 生 成所述关键指标对应的预测目标； 预测数据获取模块， 用于获取所述预测目标的历史数据并生成时间序列， 分析所述时 间序列的关键指标值的变化趋势信息， 根据所述时间序列确定所述待 预测目标对应的关键 指标的预测数据； 初始模型建立模块， 用于根据所述关键指标的预测数据， 采用时间序列预测法建立初 始关键指标的预测模型；权　利　要　求　书 2/3 页 3 CN 115271187 A 3