本申请属于物流技术领域，具体涉及一种快递日订单量的预测方法、装置、存储介质及电子设备。
背景技术：
对于规模以上快递公司(每日订单量千万级以上)而言，需要能够较为准确的对订单量进行预测，以便于在运营管理上提能增效(例如，根据预测合理安排分拣、派送资源等)。
基于订单量预测时间的要求来分类，相关技术中订单量预测主要包括，提前数天对某一日的订单量进行预测，以及利用当天的实时数据进行实时预测及更新(一般的更新频率为每小时更新一次)。两种不同的时间要求对应着两种不同的需求，提前数日预测是快递公司需要提前对某一日或某一段时间的业务有个大体的了解，而当天实时预测则是想利用当天已有的订单数据信息得到一个可能更为准确的当天全天的订单量预测。
针对当日实时预测更新的情景，较为容易想到的方法是使用昨天的订单分布情况反推出今天的总量。具体的，假设r(t)为昨天截止到t时刻的累计订单量占昨天全天订单量的比重，那么在得知今天截止到t时刻的累计订单量q(t)后，便可以使用q(t)/r(t)作为今天全天订单量的预测。然而在实际实施中，该种方法存在着较大的不足，在相邻两日中有一天为节假日或大促(如双11，618等)而另一日为平常日时，r(t)在相邻两日的有着较大的差别，导致该种预测方法不能实现有效预测。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
技术实现要素：
为至少在一定程度上克服相关技术中存在的问题，本申请提供一种快递日订单量的预测方法、装置、存储介质及电子设备，有助于有效实现快递订单量的当日实时预测。
为实现以上目的，本申请采用如下技术方案：
第一方面，
本申请提供一种快递日订单量的预测方法，该预测方法包括：
获取当前日之前的快递日订单量的历史数据；
根据所述历史数据，计算每日中相邻时点的订单量的历史比值数据；
根据所述历史比值数据，确定一天中每一时点的预测比值数据；
基于当前时点前一时点的订单量数据与相应时点的预测比值数据进行预测计算，以预测当前日的订单量。
可选的，所述历史数据具体为，当前日的前一日的订单量数据；
所述确定一天中每一时点的预测比值数据具体为，将所述前一日中每一时点的历史比值数据确定为一天中相应时点的预测比值数据。
可选的，所述历史数据具体为，当前日之前预设时间段的订单量数据；所述确定一天中每一时点的预测比值数据包括，
基于所述预定时间段中每天同一时点的历史比值数据进行平均值计算，将得到的平均值数据确定为一天中相应时点的预测比值数据。
可选的，所述预设时间段为紧邻当前日的连续时间段。
可选的，所述连续时间段为2至5天。
可选的，所述预测当前日的订单量，包括根据以下表达式计算预测当前时点的订单量q(t)，
q(t)＝q(t-1)*r(t)，
其中，t表示当前时点，q(t-1)表示时点t前一时点的订单量数据，r(t)表示对应于时点t的预测比值数据。
可选的，所述预测当前日的订单量，包括根据以下表达式计算预测当前日的订单总量s，
s＝s(0:t-1) s(t:23)，
s(t:23)＝q(t) q(t)*r(t 1) … q(t)*r(t 1)(t 2)…*r(23)，
其中，s(0:t-1)表示当前日截至t-1时点的已知订单量，s(t:23)表示当前日t时点至23时点的预测订单量。
第二方面，
本申请提供一种快递日订单量的预测装置，所述装置包括：
获取模块，用于获取当前日之前的快递日订单量的历史数据；
第一计算模块，用于根据所述历史数据，计算每日中相邻时点的订单量的历史比值数据；
确定模块，用于根据所述历史比值数据，确定一天中每一时点的预测比值数据；
第二计算模块，用于基于当前时点前一时点的订单量数据与相应时点的预测比值数据进行预测计算，以预测当前日的订单量。
第三方面，
本申请提供一种可读存储介质，其上存储有可执行程序，所述可执行程序被处理器执行时实现上述所述方法的步骤。
第四方面，
本申请提供一种电子设备，包括：
存储器，其上存储有可执行程序；
处理器，用于执行所述存储器中的所述可执行程序，以实现上述所述方法的步骤。
本申请采用以上技术方案，至少具备以下有益效果：
本申请技术方案，从用户的下单行为习惯较为稳定出发，确定用于预测计算的预测比值数据，基于该数据进行快递日订单量的预测。该种预测方法实现简便，且能有效实现快递订单量的当日实时预测。
本发明的其他优点、目标，和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书，权利要求书，以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本申请的技术方案或现有技术的进一步理解，并且构成说明书的一部分。其中，表达本申请实施例的附图与本申请的实施例一起用于解释本申请的技术方案，但并不构成对本申请技术方案的限制。
图1为本申请一个实施例提供的快递日订单量的预测方法的流程示意图；
图2为本申请一个实施例提供的快递日订单量的预测装置的结构示意图；
图3为本申请一个实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将对本申请的技术方案进行详细的描述。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，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本申请所保护的范围。
如背景技术所述，对于规模以上快递公司来讲，需对快递订单量进行预测。相关技术中订单量预测主要包括，提前数天对某一日的订单量进行预测，以及利用当天的实时数据进行实时预测及更新。
其中，在需要提前几日预测的场景，会有两种方法，一是使用模型的方法拟合结果，二是通过比值的方法。对于前者，可以选择的模型有arma系列的时间序列模型或者线性回归模型等等。对于后者，则需找到前一年度相近时日的历史数据，然后先计算需要预测时日dt前7天的均值avg(t)(其中t代表第t年)，再计算前一年这七日所对应的时间段的均值avg(t-1)，用需要预测的时日对应的去年同日的订单量q(dt)除以avg(t-1)，从而得到一个比例r，再用avg(t)乘以r即得到对于dt的订单量的预测。
这两种提前几日预测的方法，当使用模型进行建模时，面临的一个尴尬是快递公司的订单量在正常时日里的表现与特殊时日里是大相径庭的，如双十一当天的订单量与11月6号的订单量相距甚多。这里双十一可称之为特殊时日，11月6号则可称之为平常时日。容易理解的是特殊时日还可以包括节假日以及618、双十二等电商大促时日。
显然这其中困难的是针对于这些特殊时日的预测。因为这些特殊时日的订单量与平常时日有很大的不同，因而需要单独预测。但是单独预测时又面临着历史数据的欠缺。这是因为建模者需要拿出历史中这些特殊时日的数据以供建模，然而我们知道双十一真正普及也仅仅是最近5年的事情，至于双十二、618购物节则更是只有3年左右。如此，这些特殊时日的历史数据只有不到寥寥几条，而这寥寥几条的数据是不能很好的进行建模的。
因而就有了提前几天预测的第二种方法——通过比值的方法。具体的思路前文已提及，这里说一下其不足之处，就是前文中的比值是很不稳定的。如果直接拿来使用得出的预测结果可能会有较大误差。一种改进办法是观察这个比值连续数年的变化趋势，使用考虑了变化趋势的比值去预测当年需要预测时日的订单量则会得出一个较好的结果。只是对于这趋势的识别则又是一个有困难并且会存有错误的地方。
此外，这两种提前预测的方法都没法在当天根据实时已有的当天数据进行更正。而实际中还需要一个实时预测实时更新的当天订单量预测的方法。通过观察快递公司每日订单量变化情况，一个容易得到的结论是，相邻两日的订单量一般变化不大。因而如背景技术中所述，一个解决思路便是假设前一日订单量在不同小时的表现与当日订单量在不同小时的表现相近。这样假设前一日截止到某一时刻t的累计订单量为q(t)，而前一日整天的订单量为q，那么q(t)/q即为前一日截止到t时刻的订单占前一日总订单的比重，在此设r(t)＝q(t)/q。鉴于该假设，则可以认为q(t)/q也是当日截止到t时刻的订单占当日订单总量的比重。从而，在当日t时刻后获得了截止t时刻的累积订单量d(t)，使用d(t)/r(t)即得到当日整天的订单量的预测。
然而，申请人在对快递公司的每日订单量在小时维度上进行考察后发现这种方法有着较大的不足之处。其一，即使相邻两日的订单量会相差不大，但是两日的订单量在0-23小时的分布却会有不同，尤其是在0-10小时的分布变化会比较大，因而前述的假设在这个时间段里尤其的不成立；其二，当相邻两日中有一天为节假日或大促而另一日为平常时日，则不仅相邻两日在订单量上会相差甚多，其订单量在不同小时的分布亦是全然不同，也即r(t)在相邻两日的有着较大的差别，即其也存在着前文第一类预测方法的问题。
为了设计一种新的方法以缓解使用前一日的订单量分布预测当日订单量的误差。申请人在通过对每日订单量在不同小时分布的更细一步研究发现了一个规律，即从8:00点钟开始到23:00，用户的下单行为会呈现出一种规律，这种规律是：如果使用t时刻的订单量q(t)除以前一时刻订单量q(t-1)的话，r(t)＝q(t)/q(t-1)在相邻两日的变化很小。
基于此，申请人从这种反映用户的下单行为习惯的规律出发，提出一种快递日订单量的预测方法。如图1所示，在一实施例中，该预测方法包括如下步骤：
首先进行步骤s110、获取当前日之前的快递日订单量的历史数据，举例而言，从快递公司的历史数据库中获取该历史数据；具体的，该实施例中，历史数据为，当前日的前一日的订单量数据。
之后进行步骤s120、根据历史数据，计算每日中相邻时点的订单量的历史比值数据；
该实施例中，这里的每日对应于前一日，即根据当前日的前一日的快递订单量数据，计算该日中相邻时点的订单量的比值，本申请中称之为历史比值数据，举例而言，历史比值数据r(t)＝q(t)/q(t-1)，其中q(t)表示该日中时点t的订单量，q(t-1)表示该日中与t时点相邻前一时点的订单量。
步骤s120之后，继续进行步骤s130、根据历史比值数据，确定一天中每一时点的预测比值数据；
该实施例中，基于前文中的假设，显然是将前一日中每一时点的历史比值数据r(t)确定为一天中相应时点的预测比值数据r(t)。
最后进行步骤s140、基于当前时点前一时点的订单量数据与相应时点的预测比值数据进行预测计算，以预测当前日的订单量。
具体的，该实施例中，进行当前日的订单量预测，包括根据以下表达式计算预测当前时点的订单量q(t)，
q(t)＝q(t-1)*r(t)(1)
表达式(1)，t表示当前时点，q(t-1)表示时点t前一时点的订单量数据，r(t)表示对应于时点t的预测比值数据。
且进一步的，该实施例中，进行当前日的订单量预测，还包括根据以下表达式计算预测当前日的订单总量s，
s＝s(0:t-1) s(t:23)(2)
s(t:23)＝q(t) q(t)*r(t 1) … q(t)*r(t 1)(t 2)…*r(23)(3)
表达式(2)(3)中，s(0:t-1)表示当前日截至t-1时点的已知订单量，s(t:23)表示当前日t时点至23时点的预测订单量。
下面对以上表达式的含义进行一下说明，根据前文的假设，如果我们已经知道当天前一时刻t-1的订单量为a＝q(t-1)，那么依据假设，显然我们可以得出当下t时刻的订单量为a*r(t)，从而t 1时刻为a*r(t)*r(t 1)，t 2时刻为a*r(t)*r(t 1)*r(t 2)，以此类推t n时刻的订单量为a*r(t)*r(t 1)*r(t 2)*…*r(t n)，假设t n时刻即为当日23时刻，从而a*r(t)*r(t 1)*r(t 2)*…*r(t n)即为23时刻的订单量的预测值。这样从t时刻开始截止到当天结束每个小时的订单量都有了一个预测值，将这些预测值加总s(t:23)＝a*r(t) a*r(t)*r(t 1) a*r(t)*r(t 1)*r(t 2) … a*r(t)*r(t 1)*r(t 2)*…*r(23)即为t-1时刻之后预测的订单量的和。
而由于在0时刻到t-1时刻每一时刻的订单量都是已知(比如说我们要在当天的7:20分进行预测，那么0-6时刻的订单我们是已经知道的，无需预测)，在此假设为s(0:t-1)，那么全天的订单量预测值(订单总量)s＝s(0:t-1) s(t:23)。
采用该种预测方式，每个t时刻s都进行更新，从而每个小时都会有新的全天订单量的预测值，并且随着时刻t接近23时刻，由于需要预测的时刻越来越少以及用户行为习惯越来越稳定，全天订单量预测值会越来越接近于实际值。
此外，申请人还发现，前文中关于r(t)在相邻两日的值相同的假设，在实际中并非完全如此。实际情况是，每天9:00之前，r(t)在相邻两日的变动会较大，而从9:00开始，该比例在相邻两日的比值便很稳定了。基于此，作为一种具体的实施方式，该实施例中，表达式(2)(3)中的t大于等于9点，即实际中，实时预测从8点开始，以实现更为准确有效的预测。
在通过对3月份到6月中旬的100多天的实际数据进行验证，发现从8:00开始，使用该新方法得出的预测结果在5％以上的预测误差(预测误差的定义为：abs(当天实际订单量-某一时刻预测的全天订单量)/当天实际订单量，其中abs为取绝对值函数)有了明显的减少。
本申请技术方案，从用户的下单行为习惯较为稳定出发，确定用于预测计算的预测比值数据，基于该数据进行快递日订单量的预测。该种预测方法实现简便，且能有效实现快递订单量的当日实时预测。
为便于理解本申请的技术方案，下面以另一实施例对本申请的技术方案进行介绍说明。
作为前文实施例的改进，该实施例中历史数据具体为：当前日之前预设时间段的订单量数据；举例而言，预设时间段为紧邻当前日的连续时间段，举例而言连续时间段为2至5天。
进而在该实施例的步骤s120中，是计算预设时间段中每日中相邻时点的订单量的历史比值数据；在之后的步骤s130中，是基于预定时间段中每天同一时点的历史比值数据进行平均值计算，将得到的平均值数据确定为一天中相应时点的预测比值数据r(t)。
基于该种方式得到预测比值数据来进行步骤s140的预测，一定程度上可进一步改善预测效果。
此外，申请人还需强调的是，鉴于每日订单量的变化其实有着可以预见到的难以把握，因而当一家快递公司进行订单量预测时，可能需要其每日的订单量在千万级以上，订单量才会呈现出某些规律，该种情况下本申请的技术方案才能有效实施。
图2为本申请一个实施例提供的快递日订单量的预测装置的结构示意图，如图2所示，该预测装置200包括：
获取模块201，用于获取当前日之前的快递日订单量的历史数据；
第一计算模块202，用于根据历史数据，计算每日中相邻时点的订单量的历史比值数据；
确定模块203，用于根据历史比值数据，确定一天中每一时点的预测比值数据；
第二计算模块204，用于基于当前时点前一时点的订单量数据与相应时点的预测比值数据进行预测计算，以预测当前日的订单量。
关于上述相关实施例中的预测装置200，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
在一个实施例中，本申请还提供了一种可读存储介质，其上存储有可执行程序，可执行程序被处理器执行时实现上述方法的步骤。
关于上述实施例中的可读存储介质，其存储的执行程序执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图3为本申请一个实施例提供的电子设备的结构示意图，如图3所示，该电子设备300包括：
存储器301，其上存储有可执行程序；
处理器302，用于执行存储器301中的可执行程序，以实现上述方法的步骤。
关于上述实施例中的电子设备300，其处理器302执行存储器301中的程序的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人员在本发明所揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
1.一种快递日订单量的预测方法，其特征在于，包括：
获取当前日之前的快递日订单量的历史数据；
根据所述历史数据，计算每日中相邻时点的订单量的历史比值数据；
根据所述历史比值数据，确定一天中每一时点的预测比值数据；
基于当前时点前一时点的订单量数据与相应时点的预测比值数据进行预测计算，以预测当前日的订单量。
2.根据权利要求1所述的预测方法，其特征在于，所述历史数据具体为，当前日的前一日的订单量数据；
所述确定一天中每一时点的预测比值数据具体为，将所述前一日中每一时点的历史比值数据确定为一天中相应时点的预测比值数据。
3.根据权利要求1所述的预测方法，其特征在于，所述历史数据具体为，当前日之前预设时间段的订单量数据；所述确定一天中每一时点的预测比值数据包括，
基于所述预定时间段中每天同一时点的历史比值数据进行平均值计算，将得到的平均值数据确定为一天中相应时点的预测比值数据。
4.根据权利要求3所述的预测方法，其特征在于，所述预设时间段为紧邻当前日的连续时间段。
5.根据权利要求4所述的预测方法，其特征在于，所述连续时间段为2至5天。
6.根据权利要求1所述的预测方法，其特征在于，所述预测当前日的订单量，包括根据以下表达式计算预测当前时点的订单量q(t)，
q(t)＝q(t-1)*r(t)，
其中，t表示当前时点，q(t-1)表示时点t前一时点的订单量数据，r(t)表示对应于时点t的预测比值数据。
7.根据权利要求6所述的预测方法，其特征在于，所述预测当前日的订单量，包括根据以下表达式计算预测当前日的订单总量s，
s＝s(0:t-1) s(t:23)，
s(t:23)＝q(t) q(t)*r(t 1) … q(t)*r(t 1)(t 2)…*r(23)，
其中，s(0:t-1)表示当前日截至t-1时点的已知订单量，s(t:23)表示当前日t时点至23时点的预测订单量。
8.一种快递日订单量的预测装置，其特征在于，包括：
获取模块，用于获取当前日之前的快递日订单量的历史数据；
第一计算模块，用于根据所述历史数据，计算每日中相邻时点的订单量的历史比值数据；
确定模块，用于根据所述历史比值数据，确定一天中每一时点的预测比值数据；
第二计算模块，用于基于当前时点前一时点的订单量数据与相应时点的预测比值数据进行预测计算，以预测当前日的订单量。
9.一种可读存储介质，其上存储有可执行程序，其特征在于，所述可执行程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备，其特征在于，包括：
存储器，其上存储有可执行程序；
处理器，用于执行所述存储器中的所述可执行程序，以实现权利要求1-7中任一项所述方法的步骤。
技术总结