数据预测方法、装置、物流货量预测方法、介质和设备与流程

技术特征：
1.一种基于时间序列的数据预测方法，其特征在于，包括：获取历史时间序列数据，对所述历史时间序列数据进行时间序列分解，得到趋势序列数据、周期序列数据和误差序列数据；对所述误差序列数据进行时间序列分解，并对得到的多个分解子序列进行拟合预测，以根据拟合预测结果确定所述误差序列数据对应的第一预测结果；采用所述趋势序列数据和周期序列数据对应的预测模型，分别对所述趋势序列数据和周期序列数据进行拟合预测，得到第二预测结果和第三预测结果；将所述第一预测结果、第二预测结果和第三预测结果进行融合处理，得到目标预测结果。2.根据权利要求1所述的方法，其特征在于，所述对所述误差序列数据进行时间序列分解，并对得到的多个分解子序列进行拟合预测，以根据拟合预测结果确定所述误差序列数据对应的第一预测结果，包括：对所述误差序列数据进行时间序列分解，得到子趋势序列数据、子周期序列数据和子随机误差序列数据；丢弃所述子随机误差序列数据；将所述子趋势序列数据和子周期序列数据进行融合处理，得到子融合序列数据；采用所述子融合序列数据对应的预测模型，对所述子融合序列数据进行拟合预测，得到所述第一预测结果。3.根据权利要求2所述的方法，其特征在于，在采用所述子融合序列数据对应的预测模型，对所述子融合序列数据进行拟合预测，得到所述第一预测结果之前，所述方法还包括：对所述子融合序列数据进行标注化和归一化处理，并根据标准归一化后的子融合序列数据确定训练集数据和测试集数据。4.根据权利要求3所述的方法，其特征在于，所述子融合序列数据对应的预测模型为正弦波序列表征网络与长短期记忆网络复合模型；所述采用所述子融合序列数据对应的预测模型，对所述子融合序列数据进行拟合预测，得到所述第一预测结果，包括：将所述训练集数据输入至正弦波序列表征网络进行样本扩增，并将样本扩增后的训练集数据输入至长短期记忆网络，以对所述正弦波序列表征网络与长短期记忆网络复合模型进行训练；将所述测试集数据输入至训练后的复合模型，得到所述第一预测结果。5.根据权利要求3所述的方法，其特征在于，所述采用所述趋势序列数据和周期序列数据对应的预测模型，分别对所述趋势序列数据和周期序列数据进行拟合预测，得到第二预测结果和第三预测结果，包括：分别根据所述趋势序列数据和所述周期序列数据确定各自对应的训练集数据和测试集数据；将所述趋势序列数据对应的训练集数据输入至对应的第一预测模型，以对所述第一预测模型进行训练，并将所述趋势序列数据对应的测试集数据输入至训练后的第一预测模型，得到所述第二预测结果；将所述周期序列数据对应的训练集数据输入至对应的第二预测模型，以对所述第二预
测模型进行训练，并将所述趋势序列数据对应的测试集数据输入至训练后的第二预测模型，得到所述第三预测结果。6.根据权利要求5所述的方法，其特征在于，在根据所述周期序列数据确定对应的训练集数据和测试集数据之前，所述方法还包括：对所述周期序列数据进行标准化和归一化处理。7.根据权利要求5所述的方法，其特征在于，所述第一预测模型为差分整合移动平均自回归模型、指数平滑模型或theta模型中的一种；所述第二预测模型为正弦波序列表征网络与长短期记忆网络复合模型。8.根据权利要求6所述的方法，其特征在于，所述将所述第一预测结果、第二预测结果和第三预测结果进行融合处理，得到目标预测结果，包括：将所述第一预测结果和第三预测结果进行逆标准化和逆归一化处理；将第二预测结果和处理后的所述第一预测结果、第三预测结果相加，得到所述目标预测结果。9.一种基于时间序列的物流货量预测方法，其特征在于，包括：获取历史货量时间序列数据，对所述历史货量时间序列数据进行时间序列分解，得到趋势序列数据、周期序列数据和误差序列数据；对所述误差序列数据进行时间序列分解，并对得到的多个分解子序列进行拟合预测，以根据拟合预测结果确定所述误差序列数据对应的第一预测结果；采用所述趋势序列数据和周期序列数据对应的预测模型，分别对所述趋势序列数据和周期序列数据进行拟合预测，得到第二预测结果和第三预测结果；将所述第一预测结果、第二预测结果和第三预测结果进行融合处理，得到货量的目标预测结果。10.根据权利要求9所述的方法，其特征在于，对所述误差序列数据进行时间序列分解，并对得到的多个分解子序列进行拟合预测，以根据拟合预测结果确定所述误差序列数据对应的第一预测结果，包括：对所述误差序列数据进行时间序列分解，得到子趋势序列数据、子周期序列数据和子随机误差序列数据；丢弃所述子随机误差序列数据；将所述子趋势序列数据和子周期序列数据进行融合处理，得到子融合序列数据；采用所述子融合序列数据对应的预测模型，对所述子融合序列数据进行拟合预测，得到所述第一预测结果。11.根据权利要求10所述的方法，其特征在于，所述子融合序列数据对应的预测模型为正弦波序列表征网络与长短期记忆网络复合模型；所述采用所述子融合序列数据对应的预测模型，对所述子融合序列数据进行拟合预测，得到所述第一预测结果，包括：将所述训练集数据输入至正弦波序列表征网络进行样本扩增，并将得到的扩增后的训练集数据输入至长短期记忆网络，以对所述正弦波序列表征网络与长短期记忆网络复合模型进训练；将所述测试集数据输入至训练后的复合模型，得到所述第一预测结果。
12.根据权利要求9所述的方法，其特征在于，所述将所述第一预测结果、第二预测结果和第三预测结果进行融合处理，得到货量的目标预测结果，包括：将所述第一预测结果、第二预测结果和第三预测结果相加，得到所述货量的目标预测结果。13.一种基于时间序列的数据预测装置，其特征在于，包括：数据获取模块，用于获取历史时间序列数据，对所述历史时间序列数据进行时间序列分解，得到趋势序列数据、周期序列数据和误差序列数据；序列分解模块，用于对所述误差序列数据进行时间序列分解，并对得到的多个分解子序列进行拟合预测，以根据拟合预测结果确定所述误差序列数据对应的第一预测结果；拟合预测模块，用于采用所述趋势序列数据和周期序列数据对应的预测模型，分别对所述趋势序列数据和周期序列数据进行拟合预测，得到第二预测结果和第三预测结果；融合处理模块，用于将所述第一预测结果、第二预测结果和第三预测结果进行融合处理，得到目标预测结果。14.一种基于时间序列的物流货量预测装置，其特征在于，包括：时间序列数据获取模块，用于获取历史货量时间序列数据，对所述历史货量时间序列数据进行时间序列分解，得到趋势序列数据、周期序列数据和误差序列数据；时间序列分解模块，用于对所述误差序列数据进行时间序列分解，并对得到的多个分解子序列进行拟合预测，以根据拟合预测结果确定所述误差序列数据对应的第一预测结果；拟合预测模块，用于采用所述趋势序列数据和周期序列数据对应的预测模型，分别对所述趋势序列数据和周期序列数据进行拟合预测，得到第二预测结果和第三预测结果；预测结果确定模块，用于将所述第一预测结果、第二预测结果和第三预测结果进行融合处理，得到货量的目标预测结果。15.一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现根据权利要求1至8中任一项所述的基于时间序列的数据预测方法或者9
‑
12中任一项所述的基于时间序列的物流货量预测方法。16.一种电子设备，其特征在于，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至8中任一项所述的基于时间序列的数据预测方法或者9
‑
12中任一项所述的基于时间序列的物流货量预测方法。

技术总结
本公开涉及计算机技术领域，涉及了一种数据预测方法及装置、物流货量预测方法及装置、存储介质和电子设备。该方法包括：获取历史时间序列数据，对历史时间序列数据进行时间序列分解，得到趋势序列数据、周期序列数据和误差序列数据；对误差序列数据进行时间序列分解，并对得到的分解子序列进行拟合预测，根据拟合预测结果确定误差序列数据对应的第一预测结果；采用趋势序列数据和周期序列数据对应的预测模型，分别对趋势序列数据和周期序列数据进行拟合预测，得到第二预测结果和第三预测结果；将第一预测结果、第二预测结果和第三预测结果进行融合，得到目标预测结果。本公开一定程度上提高具有周期性、趋势性数据的预测准确性。性。性。


技术研发人员：吴盛楠 庄晓天 韩国帅 佟路
受保护的技术使用者：北京京东振世信息技术有限公司
技术研发日：2021.09.18
技术公布日：2021/12/14