1.本发明涉及物流技术领域，尤其涉及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。
背景技术：2.在物流领域中，物流成本等关键指标是物流的核心环节之一。物流成本主要是指物流过程中，所消耗的物化劳动和活劳动的货币表现。具体来说，是指采购、运输、储存、包装、装卸、订单处理等环节中所消耗的成本。关键指标值一般包括运输成本、流通成本、配送成本、装卸和搬运成本、仓储成本这六个方面。目前物流中转站的关键指标值的预测通常是具有经验的人进行估算，在人为估算过程中，人的主观意志通常会影响关键指标值预测的准确性。而依靠人的经验做出判断，但是这些判断准确度较低，不利于降低成本，易造成资源浪费。
技术实现要素：3.本发明的目的是提供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。
4.本发明所提供的一种物流中转站关键指标的预测方法，包括：
5.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；
6.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；
7.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；
8.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。
9.优选地，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：
10.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；
11.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；
12.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；
13.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。
14.优选地，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：
15.获取物流中转站各目标项对应的关键指标预测目标值；
16.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；
17.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；
18.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。
19.优选地，所述获取所述预测目标的历史数据并生成时间序列包括：
20.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；
21.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；
22.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；
23.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。
24.优选地，所述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进一步包括：
25.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；
26.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；
27.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。
28.优选地，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：
29.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；
30.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；
31.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，
32.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；
33.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，
34.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；
35.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；
36.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。
37.优选地，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：
38.设训练数据为(xi,yi),i＝1,2,...,n；
39.当回归模型为yi＝axi+b+wi；
40.误差模型为wi＝yi-axi-b,i＝1,2,...,n；
41.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。
42.本发明所提供的一种物流中转站关键指标的预测装置，包括：
43.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；
44.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；
45.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；
46.最终模型输出模块，用于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。
47.本发明提供了一种物流中转站关键指标的预测设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行计算机可读指令时，实现如本发明实施例一所述的物流中转站关键指标的预测方法。
48.本发明提供了一种计算机可读介质，存储计算机程序，所述计算机程序被一个或多个处理器执行时，实现如本发明实施例一所述的物流中转站关键指标的预测方法。
49.针对现有技术，本发明具有如下的有益效果：
50.本发明所提供的物流中转站关键指标的预测方法，是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，提高物流中转成本预测的科学性和预见性，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。
51.另外，服务器对关键指标的预测精准后，可以直接将数据与各个中转站的服务终端进行对接，能提升数据传输的效率，降低无效数据的传输；提高车辆路径环节、仓储库存环节、人员配置环节预测的准确性和效率，可从各环节优化中转站的关键指标值，优化中转站的职能操作，从各环节调整关键指标的参数从而控制成本，减少不必要的资源浪费。
附图说明
52.图1为本发明实施例一中所述的物流中转站关键指标的预测方法的步骤示意图；
53.图2为本发明实施例一中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的具体步骤示意图；
54.图3为本发明实施例一中所述步骤s2的具体步骤示意图；
55.图4为本发明实施例一中所述获取所述预测目标的历史数据并生成时间序列的具体步骤示意图；
56.图5为本发明实施例一所述的物流中转站关键指标的预测方法原理图；
57.图6为本发明实施例一中所述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进一步步骤示意图。
具体实施方式
58.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。基于本发明中的实施例，本领域普通技术人员在没有做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。
59.实施例一
60.如图1所示，本发明所提供的一种物流中转站关键指标的预测方法，包括：
61.步骤s1，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；
62.步骤s2，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；
63.步骤s3，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；
64.步骤s4，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。
65.本发明所提供的物流中转站关键指标的预测方法，利用时间序列预测法建立物流中转站成本预测模型，提高物流中转成本预测的科学性和预见性，提升对中转站各环节预测的准确性；提高车辆路径环节、仓储库存环节、人员配置环节预测的准确性和效率，可从各环节优化中转站的关键指标值，优化中转站的职能操作，从各环节调整关键指标的参数从而控制成本，减少不必要的资源浪费。本实施例中所述关键指标值包括物流成本、支出值、利润值等其他关键指标值。本发明主要以物流成本进行具体说明。
66.如图2所示，所述步骤s1中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：
67.步骤s11，获取物流中转站各目标项对应的关键指标预测目标值；关键指标预测目标值包括：日均短驳成本、日均设备成本、日均场地成本、日均水电成本、日均人工成本、日均车辆成本、其他成本等。本实施例中目标项可以分为：装车成本、运输成本、卸车成本、人
工分拣成本、场地成本、水电成本、派件罚款、破损遗失成本、设备折旧费等中转站物流成本相关费用。
68.步骤s12，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；第一关键指标值是指分拨操作中的装车成本，网格仓操作中卸车成本、人工分拣成本、场地成本，网格仓经营中水电成本、派件罚款、破损遗失成本、设备折旧费等。
69.步骤s13，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；第二关键指标值是指直线运输中运输成本或其他费用。
70.步骤s14，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。
71.如图3所示，所述步骤s2中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：
72.步骤s210，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；本实施例中采用的时间序列是非平稳序列，即包含趋势、季节性或周期性的序列，只含有其中一种成分，也可能是几种成分的组合。可分为：有趋势序列、有趋势和季节性序列、几种成分混合而成的复合型序列。确定时间序列类型后，选择适当的预测方法。利用时间数据进行预测，通常假定过去的变化趋势会延续到未来，这样就可以根据过去已有的形态或模式进行预测。本实施例中时间序列的预测方法包括：简单平均法、移动平均法、指数平滑法、box-jenkins的自回归模型(arma)等。
73.步骤s211，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；其趋势成分是指时间序列在长时期内呈现出来的某种持续上升或持续下降的变动。时间序列中的趋势可以是线性和非线性。利用回归分析拟合一条趋势线，对回归系数进行显著性检验。回归系数显著，可得出线性趋势显著的结论。
74.步骤s212，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；季节性成分是指时间序列在一年内重复出现的周期波动。销售旺季，销售淡季，因季节不同而发生变化。季节，不仅指一年中的四季，其实是指任何一种周期性的变化。含有季节成分的序列可能含有趋势，也可能不含有趋势。通过绘制年度折叠时间序列图，将每年的数据分开画在图上，横轴只有一年的长度，每年的数据分别对应纵轴。如果时间序列只存在季节成分，年度折叠时间序列图中的折线将会有交叉；如果时间序列既含有季节成分又含有趋势，则年度折叠时间序列图中的折线将不会有交叉，若趋势上升，后面年度的折线将会高于前面年度的折线，若下降，则后面年度的折线将会低于前面年度的折线。本实施例中季节指数计算可采用移动平均趋势剔除法或者其他方法计算指数。例如第一步：计算移动平均值，若是季节数据，采用4项移动平均，月份数据则采用12项移动平均，并对其结果进行中心化处理，即将移动平均的结果再进行一次二项移动平均，即得出中心化移动平均值。第二步：计算移动平均的比值，即季节比率，即将序列的各观察值除以相应的中心化移
动平均值，然后计算出各比值的季度或月份平均值。第三步：季节指数调整。由于各季节指数的平均数应应等于1或100％，若根据第二步计算的季节比率的平均值不等于1，则需要进行调整，将第二步计算的每个季节比率的平均值除以它们的总平均值。
75.步骤s213，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。本实施例中所指的其他残留成分是指除趋势、季节性成分外的其他不稳定成分，例如，其他重大事件，疫情发生期间，本实施例中的物流成本归零；在618活动、双十一或者其他活动时，本实施中的物流成本按平常的1.5倍计算。
76.本实施例中时间序列是同一现象在不同时间上的相继观察值排列而成的序列。根据观察时间的不同，时间序列中的时间可以是可以是年份、季度、月份或其他任何时间形式。本实施例中利用最佳预测方案进行预测，经过多个数据库处理提高预测准确度和预测效率。
77.如图4所示，所述步骤s2中所述获取所述预测目标的历史数据并生成时间序列包括：
78.步骤s220，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；如图5中，采用北斗服务器或其他管理服务器，通过接口、队列、数据存储的磁盘吞吐等方式抓取并汇集不同目标项的数据，从北斗服务器获取里程等相关数据，从管理服务器获取资产、场地、人工等相关数据。例如日均车辆成本可以分解为：1、运费＝固定运费*天数+(燃油费+路桥费+维保费)元/公里*运营里程；2、里程：按照质控部合适gps里程微赚，空返车线按照来回里程计算；3、车公里过路费：实跑一个月后，按照省份根据实际产生的过路费核算。通过公式计算获得日均车辆成本数据。本实施例中还包括短驳所产生与物流成本相关的费用。
79.步骤s221，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；这里所说的预处理可以理解为对获取到的一次关键指标的历史数据进行数据采集、清洗及变换，对无用的数据以及空数据进行清洗，删除、替换或插补缺失值和异常值，若任务的某个指标的数据信息缺失严重，则直接剔除该指标；若对于某一特定指标的任务相对应的数据信息缺失严重则直接剔除相应的任务。再将数据转换成适配的形式，来满足服务器的需求，为下一步计算做准备。
80.步骤s222，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；基于原始数据的均值(mean)和标准差(standard deviation)进行数据的标准化，计算可根据如下表达式如下：新数据＝(原数据-均值)/标准差，本实施例中采用标准化方法，还可以采用函数变换，在时间序列里常对数据对数或差分运算，将非平稳序列转化成平稳序列，有利于提高数据质量，适配服务器的数据分析处理操作。
81.步骤s223，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。
82.如图6所示，步骤s3中所述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包括：
83.步骤s31，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；
84.步骤s32，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；根据输入各目标项和查询时间判断目标项属性变更记录表中是否存在目标变更记录，所述目标变更记录为所述输入各目标项对应的目标项属性变更记录，目标变更记录中包括：变更时间、变更前核算项目组合和变更后核算项目组合；
85.若存在所述目标变更记录，则根据所述查询时间和所述目标变更记录对应的变更时间确定对应的核算项目组合进行核算操作；
86.若不存在所述目标变更记录，则根据所述输入目标项确定对应的核算项目组合进行核算操作，进一步优化预测结果。
87.步骤s33，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，提高预测结果准确性。
88.本实施例中，在获取了成本预测数据后，利用趋势平均法建立成本预测模型，趋势平均法的其基本计算公式为：某期预测值＝最后一期移动平均数+推后期数
×
最后一期趋势移动平均数。指数平滑法：设以fn表示下期预测值，fn-1表示本期预测值，dn-1表示本期实际值，a为平滑数(其取值范围为0《a《1)，则fn的计算公式为：fn＝fn-1+a(dn-1-fn-1)＝adn-1+(1-a)fn-1。本实施例中还可以采用其他定量分析法对关键指标值进行预测。
89.具体地，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：
90.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；
91.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；
92.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，
93.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；
94.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，
95.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；
96.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；
97.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。提高车辆路径环节、仓储库存环节、人员配置环节预测的准确性和效率，从各环节调整控制成本。
98.具体地，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还包括：
99.建立所述目标中转站的关键指标与站点分布、站点数量、送货线路数量、送货里程相关因素之间的关系模型，选择关键指标值最优中转站；
100.搭建智能配送模型，整合区域物流中心范围内的中转站资源，优化配送线路；
101.更新所述初始关键指标的预测模型的优化配置，对更新后的预测结果进行核算，
输出核算结果与更新结果一致时，输出更新后的预测结果，优化中转站及配送线路控制成本，从而降低资源浪费。
102.具体地，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：
103.设训练数据为(xi,yi),i＝1,2,...,n；
104.回归模型为yi＝axi+b+wi；
105.误差模型为wi＝yi-axi-b,i＝1,2,...,n；
106.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。
107.记f(a,b)＝[w1]^2+[w2]^2+...+[wn]^2，则df/da＝2a{[x1]^2+...+[xn]^2}+2b[x1+...+xn]-2[y1x1+...+ynxn]；df/db＝2nb+2a[x1+...+xn]-2[y1+...+yn]；令df/da＝df/db＝0可以解出a，b。
[0108]
本实施例中还可以从稳定波动图谱中得到a为回归直线的截距，b为回归直线的斜率，表示x变化一个单位时，y的平均变化情况，计算得出未知误差项wi，误差项分布符合均值为0的正态分布，说明得到一个线性回归合理的模型，误差越小，拟合效果越好。经过物流成本预测模型计算出的物流中转站物流成本数据如与实际的成本有区别，则利用线性回归算法对物流成本预测模型中的数据进行修正。通过每次的错误数据修正能提高物流中转成本预测的科学性和预见性，提升对仓储环节的库存预测、流通环节的加工预测、运输环节的货物周期预测准确性。
[0109]
实施例二
[0110]
本发明所提供的一种物流中转站关键指标的预测装置，包括：
[0111]
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；
[0112]
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；
[0113]
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；
[0114]
最终模型输出模块，用于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。
[0115]
经过物流成本预测模型计算出的物流中转站物流成本数据如与实际的成本有区别，则利用线性回归算法对物流成本预测模型中的数据进行修正。通过每次的错误数据修正能提高物流中转成本预测的科学性和预见性，提升对仓储环节的库存预测、流通环节的加工预测、运输环节的货物周期预测准确性。上述预测目标确定模块、预测数据获取模块及初始模型建立模块、最终模型输出模块的具体内容及实现方法，均如实施例一中所述，在此不再赘述。
[0116]
实施例三
[0117]
本发明还提供了一种物流中转站关键指标的预测设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行计算机可读指令时，实现如本发明一实施例中的物流中转站关键指标的预测方法。
[0118]
该物流中转站关键指标的预测设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，cpu)和存储器，一个或一个以上存储应用程序或数据的存储介质(例如一个或一个以上海量存储设备)。其中，存储器和存储介质可以是短暂存储或持久存储。存储在存储介质的程序可以包括一个或一个以上模块，每个模块可以包括对物流中转站关键指标的预测设备中的一系列指令操作。
[0119]
进一步地，处理器可以设置为与存储介质通信，在散单物流对象处理的设备上执行存储介质中的一系列指令操作。
[0120]
物流中转站关键指标的预测设备还可以包括一个或一个以上电源，一个或一个以上有线或无线网络接口，一个或一个以上输入输出接口，和/或，一个或一个以上操作系统，例如windowsserve、vista等等。
[0121]
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被一个或多个处理器执行时，实现如本发明一实施例中的物流中转站关键指标的预测方法。实施例二中的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件的形式体现出来，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质。该计算机可读存储介质中存储有指令，当该指令在计算机上运行时，使得计算机执行实施例一中物流中转站关键指标的预测的步骤。
[0122]
本领域技术人员可以理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件的形式体现出来，该计算机软件存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器rom、随机存取存储器ram、磁碟或者光盘等各种可以存储程序代码的介质。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，上述描述的设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0123]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
技术特征：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：
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+wi；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；
最终模型输出模块，用于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。9.一种物流中转站关键指标的预测设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行计算机可读指令时，实现如权利要求1至7中任意一项所述的物流中转站关键指标的预测方法。10.一种计算机可读介质，存储计算机程序，其特征在于，所述计算机程序被一个或多个处理器执行时，实现如权利要求1至7中任意一项所述的物流中转站关键指标的预测方法。
技术总结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。理的效率。理的效率。
技术研发人员：王震东 杨周龙 孙佳斌
受保护的技术使用者：上海东普信息科技有限公司
技术研发日：2022.07.18
技术公布日：2022/11/1
