(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 202210914786.2 (22)申请日 2022.08.01 (71)申请人 一汽解放汽车有限公司 地址 130011 吉林省长 春市汽车开发区东 风大街2259号 (72)发明人 柏雪　宋磊　陈磊　韩剑平　 王体龙　邓建春　 (74)专利代理 机构 华进联合专利商标代理有限 公司 44224 专利代理师 帅梦媛 (51)Int.Cl. G06F 30/27(2020.01) G06Q 10/06(2012.01) G06Q 10/08(2012.01) G06F 119/02(2020.01) (54)发明名称 物资流转度预测方法、 装置、 计算机设备和 存储介质 (57)摘要 本申请涉及一种物资流转度预测方法、 装 置、 计算机设备、 存储介质和计算机程序产品。 所 述方法包括： 获取多个连续的历史周期内产生的 物资历史流转度序列； 将物资历史流转度序列输 入至时间序列模型， 输出初始预测值； 基于物资 历史流转度序列构建多组输入数据和参考数据； 将多个输入 数据分别输入至时间序列模型， 得到 多个预测数据； 基于每个输入数据所对应的预测 数据和参考数据间的差异确定历史残差值， 并根 据各个输入数据所对应的历史残差值得到历史 残差值序列； 将历史残差值序列输入至训练完成 的神经网络模型， 输出预测残差值； 根据初始预 测值和预测残差值， 确定下一周期 对应的物资流 转预测度。 采用本方法能够预测货运行业下一周 期的货运情况。 权利要求书2页 说明书19页 附图5页 CN 115270631 A 2022.11.01 CN 115270631 A 1.一种物资流 转度预测方法， 其特 征在于， 所述方法包括： 获取多个连续的历史周期内产生的物资历史流 转度序列； 将所述物资历史流 转度序列输入至时间序列模型， 输出初始预测值； 基于所述物资历史流转度序列构建多组输入数据和参考数据， 输入数据包括有预设数 量个连续历史周期的物资历史流转度， 所述输入数据所对应的参考数据为所述预设数量个 连续历史周期之后的下一历史周期的物资历史流 转度； 将多个所述输入数据分别输入至时间序列模型， 得到多个预测数据； 基于每个输入数据所对应的预测数据和参考数据间的差异确定历史残差值， 并根据 各 个输入数据所对应的历史残差值得到历史残差值序列； 将所述历史残差值序列输入至训练完成的神经网络模型， 输出 预测残差值； 根据所述初始预测值和所述预测残差值， 确定与 所述多个连续的历史周期之后的下一 周期对应的物资流 转预测度。 2.根据权利要求1所述的方法， 其特 征在于， 所述神经网络模型的训练步骤 包括： 获取多个连续样本周期内产生的样本物资流 转度序列； 基于所述样本物资流转度序列构建多组第 一样本数据和第 一标签数据， 所述第 一样本 数据包括有第一预设数量个连续样本周期的样本物资流转度， 所述第一样本数据所对应的 第一标签数据为所述第一预设数量个连续样本周期之后的下一样本周期的样本物资流转 度； 将多个所述第一样本数据分别输入至时间序列模型， 得到多个第一样本预测数据； 基于每个第一样本数据所对应的第一样本预测数据和第一标签数据间的差异确定样 本残差值； 基于多个样本残差值构建多组第 二样本数据和第 二标签数据， 所述第 二样本数据包括 有第二预设数量个连续样本周期的样本残差值， 所述第二样本数据所对应的第二标签数据 为所述第二预设数量个连续样本周期之后的下一样本周期的样本残差值； 将多个所述第 二样本数据分别输入至待训练 的神经网络模型中， 输出与各个第 二样本 数据分别对应的第二样本预测值； 基于各第二样本数据 各自对应的第 二样本预测值和第 二标签数据间的差异， 调 整所述 待训练的神经网络模型 的模型参数， 直至达到预设停止条件时停止， 得到训练完成的神经 网络模型。 3.根据权利要求1所述的方法， 其特征在于， 所述将所述物资历史流转度序列输入至时 间序列模型， 输出初始预测值， 包括： 在平稳性检验和白噪声检验均通过的情况下， 将所述物资历史流转度序列输入至时间 序列模型， 输出初始预测值。 4.根据权利要求1所述的方法， 其特征在于， 在所述获取多个连续的历史周期内产生的 物资历史流 转度序列之前， 所述方法还 包括： 获取多个连续的历史周期中每个历史周期的与货运行业景气指数相关的物资流转特 征指标； 在所述物资流转特征指标的充分性检验通过的情况下， 根据所述物资流转特征指标所 对应的协方差阵中特 征值的累计贡献率阈值， 确定公因子的个数；权　利　要　求　书 1/2 页 2 CN 115270631 A 2基于所述公因子的个数， 提取公因子， 对每个公因子进行含义解释， 确定每个公因子的 因子分数； 将每个公因子的方差贡献率占累计贡献率的比例作为权重， 将所述每个公因子的因子 分数进行加权求和， 得到综合得分， 将所述综合得分作为每 个历史周期的物资历史流 转度。 5.根据权利要求4所述的方法， 其特征在于， 所述基于所述公因子的个数， 提取公因子， 对每个公因子进行含义 解释， 包括： 基于所述公因子的个数， 通过因子分析 方式提取公因子； 基于提取出的公因子确定因子载荷矩阵， 并对所述因子载荷矩阵进行方差最大正交旋 转； 基于方差最大正交旋转后的因子载荷矩阵， 对所述提取出的每个公因子进行含义解 释。 6.根据权利要求1至 5中任一项所述的方法， 其特 征在于， 所述方法还 包括： 获取预先建立的物资流转等级与物资流转度范围间的对应关系， 其中， 一个物资流转 等级对应一个物资流 转度范围； 确定所述物资流 转预测度所落入的目标物资流 转度范围； 将所述目标物资流转度 范围所对应的物资流转等级， 作为与 所述多个连续的历史周期 之后的下一周期对应的目标物资流 转等级。 7.一种物资流 转度预测装置， 其特 征在于， 所述装置包括： 获取模块， 用于获取多个连续的历史周期内产生的物资历史流 转度序列； 预测模块， 用于将所述物资历史流 转度序列输入至时间序列模型， 输出初始预测值； 所述预测模块， 还用于基于所述物资历史流转度序列构建多组输入数据和参考数据， 输入数据包括有 预设数量个连续历史周期的物资历史流转度， 所述输入数据所对应的参考 数据为所述预设数量个连续历史周期之后的下一历史周期的物资历史流 转度； 所述预测模块， 还用于将多个所述输入数据分别输入至时间序列模型， 得到多个预测 数据； 所述预测模块， 还用于基于每个输入数据 所对应的预测数据和参考数据间的差异确定 历史残差值， 并根据各个输入数据所对应的历史残差值得到历史残差值序列； 所述预测模块， 还用于将所述历史残差值序列输入至训练完成的神经网络模型， 输出 预测残差值； 确定模块， 用于根据所述初始预测值和所述预测残差值， 确定与所述多个连续的历史 周期之后的下一周期对应的物资流 转预测度。 8.一种计算机设备， 包括存储器和处理器， 所述存储器存储有计算机程序， 其特征在 于， 所述处 理器执行所述计算机程序时实现权利要求1至 6中任一项所述的方法的步骤。 9.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序被 处理器执行时实现权利要求1至 6中任一项所述的方法的步骤。 10.一种计算机程序产品， 包括计算机程序， 其特征在于， 该计算机程序被处理器执行 时实现权利要求1至 6中任一项所述的方法的步骤。权　利　要　求　书 2/2 页 3 CN 115270631 A 3