场地货量预测方法、装置、设备及存储介质与流程

1.本申请涉及数据处理技术领域，具体涉及一种场地货量预测方法、装置、设备及存储介质。


背景技术：

2.随着电商购物的兴起与普及，物流行业的业务量也快速增长。精准的货量预测有助于企业合理调配货运资源，例如车辆与人力等，有利提前做好人员调度安排。
3.举例来说，在面对电商大促时期(如双十一、双十二等)，为了保证达成物流时效，精准提前预测货量是不可或缺的。现有货量预测方法主要用于单一时间序列预测，且无法预测峰日货量(如双十一等高峰节假日的货量)，另需依赖历史数据的长度，无法解决快递行业普遍存在的新增场地因历史数据不足而无法准确预测的问题。
4.有鉴于此，有需要对现有技术进行改良。


技术实现要素：

5.本申请实施例提供一种场地货量预测方法、装置、设备及存储介质，可以提高新增场地的预测准确性。
6.在一方面，本申请实施例提供了一种场地货量预测方法，包括：
7.依据业务规则对多个场地的历史数据进行筛选而产生筛选数据；
8.从所述筛选数据滤除异常极值而产生过滤数据；
9.依据预测模型对所述过滤数据进行预测而输出所述多个场地的预测货量及峰日分量；以及
10.依据所述多个场地的预测货量对所述峰日分量为非正值的场地进行峰日分量填补而产生终测货量。
11.在一些实施方式中，所述预测模型为prophet预测模型。
12.在一些实施方式中，所述依据所述多个场地的预测货量对所述峰日分量为非正值的场地进行峰日分量填补而产生终测货量，包括：
13.设定所述峰日分量为非正值的场地为待补场地；
14.依据所述预测货量及所述待补场地占所有场地的占比计算测补量值；
15.依据所述测补量值填补所述待补场地的峰日分量；及
16.依据所述预测货量及所述填补后的峰日分量产生所述终测货量。
17.在一些实施方式中，所述峰日分量为非正值的场地被设定为所述峰日分量为零或负值的场地。
18.在一些实施方式中，所述从所述筛选数据滤除异常极值而产生过滤数据，包括：
19.对所述筛选数据通过重量数据及件量数据产生各所述场地的历史均重序列；
20.从各所述场地的历史均重序列取得较低百分位数的均重数值及较高百分位数的均重数值，依据所述较低百分位数的均重数值及所述较高百分位数的均重数值计算均重差
值；
21.设定所述较低百分位数的均重数值减去数倍所述均重差值的差值作为下限值，设定所述较高百分位数的均重数值加上数倍所述均重差值的和值作为上限值；以及
22.设定小于所述下限值及大于所述上限值的所述筛选数据为所述异常极值，从所述筛选数据滤除所述异常极值后产生所述过滤数据。
23.在一些实施方式中，设定所述较高百分位数与所述较低百分位数之间的差距至少为百分之五十。
24.在一些实施方式中，所述依据业务规则对多个场地的历史数据进行筛选而产生筛选数据，包括：
25.对所述历史数据依据各所述场地启用时点进行截断而产生截除数据；
26.将所述截除数据依据业务调整时点进行分段而产生多段数据；以及
27.比较所述多段数据中的每段与最后一段之间的相似性，剃除相似性小于阀值的段中的数据，对相似性不小于所述阀值的段中的数据根据业务量进行调整。
28.在一些实施方式中，所述依据业务规则对多个场地的历史数据进行筛选而产生筛选数据，还包括根据业务调整信息对各所述场地的历史数据进行调整，对所述业务调整信息为关闭的场地的历史数据进行删除，及对所述业务调整信息为合并的场地的历史数据进行相加。
29.另一方面，本申请实施例还提供了一种场地货量预测装置，包括：
30.筛选模块，用于依据业务规则对多个场地的历史数据进行筛选而产生筛选数据；
31.过滤模块，用于从所述筛选数据滤除异常极值而产生过滤数据；
32.预测模块，用于依据预测模型对所述过滤数据进行预测而输出所述多个场地的预测货量及峰日分量；以及
33.填补模块，用于依据所述多个场地的预测货量对所述峰日分量为非正值的场地进行峰日分量填补而产生终测货量。
34.在一些实施方式中，所述预测模型为prophet预测模型。
35.在一些实施方式中，所述筛选模块，包括：
36.截取单元，用于对所述历史数据依据各所述场地启用时点进行截断而产生截取数据；
37.分段单元，用于将所述截取数据依据业务调整时点进行分段而产生多段数据；以及
38.比较单元，用于比较所述多段数据中的每段与最后一段之间的相似性，剃除相似性小于阀值的段中的数据，对相似性不小于所述阀值的段中的数据根据业务量进行调整。
39.在一些实施方式中，所述筛选模块，还包括：
40.删加单元，用于根据业务调整信息对各所述场地的历史数据进行调整，对所述业务调整信息为关闭的场地的历史数据进行删除，及对所述业务调整信息为合并的场地的历史数据进行相加。
41.在一些实施方式中，所述过滤模块，包括：
42.排序单元，用于对所述筛选数据通过重量数据及件量数据产生各所述场地的历史均重序列；
43.计差单元，用于从各所述场地的历史均重序列取得较低百分位数的均重数值及较高百分位数的均重数值，依据所述较低百分位数的均重数值及所述较高百分位数的均重数值计算均重差值；
44.设限单元，用于设定所述较低百分位数的均重数值减去数倍所述均重差值的差值作为下限值，设定所述较高百分位数的均重数值加上数倍所述均重差值的和值作为上限值；以及
45.滤除单元，用于设定小于所述下限值及大于所述上限值的所述筛选数据为所述异常极值，从所述筛选数据滤除所述异常极值后产生所述过滤数据。
46.在一些实施方式中，所述过滤模块，还包括：
47.设差单元，用于设定所述较高百分位数与所述较低百分位数之间的差距至少为百分之五十。
48.在一些实施方式中，所述填补模块包括：
49.设补单元，用于设定所述峰日分量为非正值的场地为待补场地；
50.算比单元，用于依据所述预测货量及所述待补场地占所有场地的占比计算测补量值；
51.补峰单元，用于依据所述测补量值填补所述待补场地的峰日分量；以及
52.产量单元，用于依据所述预测货量及所述填补后的峰日分量产生所述终测货量。
53.在一些实施方式中，所述填补模块还包括：
54.设场单元，用于所述峰日分量为非正值的场地被设定为所述峰日分量为零或负值的场地。
55.又一方面，本申请实施例还提供了一种设备，包括处理器和存储器，所述存储器中存储有程序代码，所述处理器调用所述存储器中的程序代码时执行如上所述的场地货量预测方法。
56.再一方面，本申请实施例还提供了一种存储介质，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行本申请实施例提供的场地货量预测方法。
57.本申请实施例通过依据业务规则对多个场地的历史数据进行筛选而产生筛选数据；从所述筛选数据滤除异常极值而产生过滤数据；依据预测模型对所述过滤数据进行预测而输出所述多个场地的预测货量及峰日分量；以及依据所述多个场地的预测货量对所述峰日分量为非正值的场地进行峰日分量填补而产生终测货量。从而，本申请实施例可以达成针对物流领域的需求结合业务规则，对历史货量数据进行清洗，剔除异常点，同时保留高峰和低谷数据等有益效果，从而可以解决新增场地历史数据不足导致高峰节假日无法预测及场地历史业务调整货量数据转折突变干扰近期预测等问题。
附图说明
58.为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
59.图1是本申请实施例提供的场地货量预测方法的流程示意图；
60.图2是本申请实施例提供的场地货量预测方法的待筛数据示意图；
61.图3是本申请实施例提供的场地货量预测方法的筛选结果示意图；
62.图4是本申请实施例提供的场地货量预测方法的填补结果示意图；
63.图5是本申请实施例提供的场地货量预测装置的结构示意图；
64.图6是本申请实施例提供的设备的结构示意图。
具体实施方式
65.下面将结合本申请实施例中的附图，对本申请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，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
66.请参阅图1，图1是本申请一实施例提供的场地货量预测方法的流程示意图。所述场地货量预测方法的执行主体可以是本申请实施例提供的场地货量预测装置，或者集成了所述场地货量预测装置的设备，比如终端或服务器等，例如：所述场地货量预测方法可以采用硬件或者软件的方式实现，所述设备可以是带有存储器的各种电子运算装置，所述电子运算装置可以是智能手机、平板电脑、掌上电脑、笔记本电脑、固定电脑，或者服务器等等，所述运算装置还可以包括其它功能性元件。以下举例说明所述场地货量预测方法的实施过程，但不以此为限。
67.如图1所示，所述场地货量预测方法可以包括步骤s101、s102、s103及s104，分别说明如下。
68.如图1所示，步骤s101，依据业务规则对多个场地的历史数据进行筛选而产生筛选数据。
69.举例来说，本实施例可应用于依据业务规则对多个场地的历史数据进行筛选(例如合并或剃除)而产生筛选数据，例如可以结合场地投入时间、业务变更分析、场地架构调整、场地关闭(如春节)等业务规则对原始货量的历史数据进行相应的处理调整，输出符合场地当前业务状况的历史数据。
70.在一些实施例中，所述依据业务规则对多个场地的历史数据进行筛选而产生筛选数据，包括：对所述历史数据依据各所述场地启用时点进行截断而产生截取数据；将所述截取数据依据业务调整时点进行分段而产生多段数据；以及比较所述多段数据中的每段与最后一段之间的相似性，剃除相似性小于阀值的段中的数据，对相似性不小于所述阀值的段中的数据根据业务量进行调整，例如尺度缩放调整。
71.应被注意的是，本申请上述实施例的有益效果至少在于：通过将所述截取数据依据业务调整时点进行分段而产生多段数据；以及比较所述多段数据中的每段与最后一段之间的相似性，剃除相似性小于阀值的段中的数据，对相似性不小于所述阀值的段中的数据根据业务量进行调整，可以剃除与最近一段数据相似性较低的数据段，同时，对相似性较高的数据段依据业务量进行调整，可以使得相似性较高的数据段与业务量高度相关，从而可以因应业务量优化货量预测结果。
72.在一实施例中，所述依据业务规则对多个场地的历史数据进行筛选而产生筛选数据，还包括根据业务调整信息对各所述场地的历史数据进行调整，对所述业务调整信息为
关闭的场地的历史数据进行删除，及对所述业务调整信息为合并的场地的历史数据进行相加。
73.应被注意的是，本申请上述实施例的有益效果至少在于：通过根据业务调整信息对各所述场地的历史数据进行调整，对所述业务调整信息为关闭的场地的历史数据进行删除，及对所述业务调整信息为合并的场地的历史数据进行相加，可以避免关闭场地的冗余历史数据造成预测过程的干扰，同时，可以降低合并场地前/后的历史数据造成预测过程的误差，有利于提升预测准确性。
74.此外，在一实施例中，还可以汇总全部场地的货量之总和的历史货量序列数据，用于后续的峰日填补过程。
75.如图1所示，步骤s102，从所述筛选数据滤除异常极值而产生过滤数据。
76.举例来说，本实施例通过滤除数据中的异常极值，可以避免异常极值导致预测结果偏离正轨，可以通过正常数据范围有效提升预测准确度。
77.在一些实施例中，所述从所述筛选数据滤除异常极值而产生过滤数据，包括：对所述筛选数据通过重量数据及件量数据产生各所述场地的历史均重序列；从各所述场地的历史均重序列取得较低百分位数的均重数值及较高百分位数的均重数值，举例来说，可以设定所述较高百分位数与所述较低百分位数之间的差距至少为百分之五十，譬如所述较高百分位数为75％，所述较低百分位数为25％，但不以此为限；接着，依据所述较低百分位数的均重数值及所述较高百分位数的均重数值计算均重差值；设定所述较低百分位数的均重数值减去数倍(例如1～5倍)所述均重差值的差值作为下限值，设定所述较高百分位数的均重数值加上数倍(例如1～5倍)所述均重差值的和值作为上限值；以及设定小于所述下限值及大于所述上限值的所述筛选数据为所述异常极值，从所述筛选数据滤除所述异常极值后产生所述过滤数据。
78.应被注意的是，本申请上述实施例的有益效果至少在于：通过设定所述较低百分位数的均重数值减去数倍所述均重差值的差值作为下限值，设定所述较高百分位数的均重数值加上数倍所述均重差值的和值作为上限值；以及设定小于所述下限值及大于所述上限值的所述筛选数据为所述异常极值，从所述筛选数据滤除所述异常极值后产生所述过滤数据，可以依据所述所述较低百分位数的均重数值与所述较高百分位数附近的值(不超过数倍所述均重差值)，可以使得所述上限值、下限值与所述均重差值具连动性，同时，可以避免限值范围过大或过小导致后续预测偏差，有利于提高预测精准度。
79.举例来说，如图2所示，示例本申请实施例提供的场地货量预测方法的待筛数据。其中，某场地在一段期间内的历史票数、件数、货量(如以10公斤为单位)分别被标示为c1、c2、c3，横轴表示不同日期，纵轴表示票数/件数/货量的单位数量，从图可知，货量在2018-12及2019-08附近有两个突起数量，2018-12的突起数量可以解释为电商大促时期(如双十一)的异常数量，2019-08的突起数量则可能是异常数量。如图3所示，示例本申请实施例提供的场地货量预测方法的筛选结果。其中，筛选前、后的数据(如重量)曲线分别被标示为d1、d2，从图可知，d1与d2大部分重叠，筛选前的数据曲线d1包括2019-08的突起数量，筛选后的数据曲线d2不包括2019-08的突起数量，由此可知，本申请上述实施例可以确实从所述筛选数据滤除异常极值而产生所述过滤数据，从而，可以提升后续预测准确性。
80.如图1所示，步骤s103，依据预测模型对所述过滤数据进行预测而输出所述多个场
地的预测货量及峰日分量(例如重要节假日，比如双十一或国庆节等高峰节假日的货量)。
81.在一些实施方式中，所述预测模型至少可以是prophet预测模型，但也可以是其变形、具相同功能或基于prophet的预测模型。
82.举例来说，以prophet预测模型为例，prophet的整体框架可分为四部分：modeling、forecast evaluation、surface problems以及visually inspect forecasts。从整体上看，这是一个循环结构，而这个结构又可以分为人为操纵部分与自动化部分，因此，整个过程就是人员与自动化过程相结合的循环体系，也是一种将问题背景知识与统计分析融合起来的过程，这种结合大大的增加了模型的适用范围，提高了模型的准确性。按照上述的四个部分，prophet的预测过程为(1)modeling：建立时间序列模型，根据预测问题的背景选择一个合适的模型；(2)forecast evaluation：模型评估，根据模型对历史数据进行仿真，在模型的参数不确定的情况下，我们可以进行多种尝试，并根据对应的仿真效果评估哪种模型更适合；(3)surface problems：呈现问题，如果尝试了多种参数后，模型的整体表现依然不理想，这个时候可以将误差较大的潜在原因反馈给相关人员；(4)visually inspect forecasts：以可视化的方式反馈整个预测结果，当问题被反馈后，可考虑是否进一步调整和构建模型。具体地，prophet可适用于有如下特征的业务问题：有至少几个月(最好是一年)的每小时、每天或每周观察的历史数据；有多种人类规模级别的较强的季节性趋势：每周的一些天和每年的一些时间；有事先知道的以不定期的间隔发生的重要节假日(比如国庆节)；缺失的历史数据或较大的异常数据的数量在合理范围内；有历史趋势的变化(比如因为产品发布)；对于数据中蕴含的非线性增长的趋势都有一个自然极限或饱和状态。
83.举例来说，非固定参数的prophet预测可包括以下步骤：分析历史峰日分量(如高峰节假日表现)，结合未来节假日分布制定节假日表；对各场地采用prophet进行样本内回测选取相应的参数(不纳入改变点范围的天数和最大改变点个数)；用回测选取的参数和节假日表通过prophet进行外推预测，输出货量预测值和节假日分量。
84.如图1所示，步骤s104，依据所述多个场地的预测货量对所述峰日分量为非正值的场地进行峰日分量填补而产生终测货量。
85.举例来说，峰日分量填补可包括以下步骤：将外推峰日分量(如高峰节假日分量)为零或负值的场地列为需要填补高峰节假日的对象；计算填补对象近期占全部场地总货量的占比；根据各场地货量占比和全部场地总量的预测货量节假日分量进行摊分，得到相应场地的外推节假日分量；将前述输出的货量预测值和填补后的峰日分量(如节假日分量)进行整合，从而可以得到最终的货量(如重量)的预测数据
86.在一些实施例中，所述依据所述多个场地的预测货量对所述峰日分量为非正值的场地进行峰日分量填补而产生终测货量，包括：设定所述峰日分量为非正值的场地为待补场地，举例来说，所述峰日分量为非正值的场地可以被设定为所述峰日分量为零或负值的场地；依据所述预测货量及所述待补场地占所有场地的占比计算测补量值；依据所述测补量值填补所述待补场地的峰日分量；以及依据所述预测货量及所述填补后的峰日分量产生所述终测货量。
87.应被注意的是，本申请上述实施例的有益效果至少在于：通过设定所述峰日分量为非正值的场地为待补场地，可以适用于新增场地，对新增场地依据货量占比进行峰日分
量填补，可以有效弥补数据缺漏或过少导致预测失准，有利于解决快递行业普遍存在的新增场地因历史数据不足而无法准确预测的问题。
88.举例来说，如图4所示，示例本申请实施例提供的场地货量预测方法的填补结果。其中，某场地在双十一期间的货量预测的原始预测结果、填补峰日分量、填补后预测结果分别被标示为e1、e2、e3，理论上来说，在2019/11/11当日的货量应是区域高峰，但原始预测结果e1却未呈现高峰，通过填补峰日分量e2进行预测补偿后，填补后预测结果e3即可呈现高峰，有利于预测结果接近真实货量，从而本申请上述实施例确实可以提高预测准确性。
89.此外，本申请上述实施例能够消除在场地货量预测中历史数据因为录入等操不当等产生的异常数据的影响；另，可以解决新增场地历史数据不足无法预测高峰期货量的问题；又，可以解决快递行业普遍存在的场地历史业务调整带来的历史数据存在转折点而影响外推预测的问题。
90.从而，本申请上述实施例通过依据业务规则对多个场地的历史数据进行筛选而产生筛选数据；从所述筛选数据滤除异常极值而产生过滤数据；依据预测模型对所述过滤数据进行预测而输出所述多个场地的预测货量及峰日分量；以及依据所述多个场地的预测货量对所述峰日分量为非正值的场地进行峰日分量填补而产生终测货量。从而，本申请实施例可以达成针对物流领域的需求结合业务规则，对历史货量数据进行清洗，剔除异常点，同时保留高峰和低谷数据等有益效果，从而可以解决新增场地历史数据不足导致高峰节假日无法预测及场地历史业务调整货量数据转折突变干扰近期预测等问题。
91.相应地，本申请上述场地货量预测方法实施例还可以被实施为硬件形式。如图5所示，本申请场地货量预测装置实施例可以包括筛选模块501、过滤模块502、预测模块503以及填补模块504。
92.具体地，
93.筛选模块501，用于依据业务规则对多个场地的历史数据进行筛选而产生筛选数据；
94.过滤模块502，用于从所述筛选数据滤除异常极值而产生过滤数据；
95.预测模块503，用于依据预测模型对所述过滤数据进行预测而输出所述多个场地的预测货量及峰日分量；以及
96.填补模块504，用于依据所述多个场地的预测货量对所述峰日分量为非正值的场地进行峰日分量填补而产生终测货量。
97.在一些实施方式中，所述筛选模块501包括：
98.截取单元，用于对所述历史数据依据各所述场地启用时点进行截断而产生截取数据；
99.分段单元，用于将所述截取数据依据业务调整时点进行分段而产生多段数据；以及
100.比较单元，用于比较所述多段数据中的每段与最后一段之间的相似性，剃除相似性小于阀值的段中的数据，对相似性不小于所述阀值的段中的数据根据业务量进行调整。
101.在一些实施方式中，所述筛选模块501还包括：
102.删加单元，用于根据业务调整信息对各所述场地的历史数据进行调整，对所述业务调整信息为关闭的场地的历史数据进行删除，及对所述业务调整信息为合并的场地的历
史数据进行相加。
103.在一些实施方式中，所述过滤模块502包括：
104.排序单元，用于对所述筛选数据通过重量数据及件量数据产生各所述场地的历史均重序列；
105.计差单元，用于从各所述场地的历史均重序列取得较低百分位数的均重数值及较高百分位数的均重数值，依据所述较低百分位数的均重数值及所述较高百分位数的均重数值计算均重差值；
106.设限单元，用于设定所述较低百分位数的均重数值减去数倍所述均重差值的差值作为下限值，设定所述较高百分位数的均重数值加上数倍所述均重差值的和值作为上限值；以及
107.滤除单元，用于设定小于所述下限值及大于所述上限值的所述筛选数据为所述异常极值，从所述筛选数据滤除所述异常极值后产生所述过滤数据。
108.在一些实施方式中，所述过滤模块502还包括：
109.设差单元，用于设定所述较高百分位数与所述较低百分位数之间的差距至少为百分之五十。
110.在一些实施方式中，所述填补模块504包括：
111.设补单元，用于设定所述峰日分量为非正值的场地为待补场地；
112.算比单元，用于依据所述预测货量及所述待补场地占所有场地的占比计算测补量值；
113.补峰单元，用于依据所述测补量值填补所述待补场地的峰日分量；以及
114.产量单元，用于依据所述预测货量及所述填补后的峰日分量产生所述终测货量。
115.在一些实施方式中，所述填补模块504还包括：
116.设场单元，用于所述峰日分量为非正值的场地被设定为所述峰日分量为零或负值的场地。
117.其中，以上各个操作的具体实施内容可参见前面的实施例，在此不再赘述。
118.图6示例了本发明实施例提供的设备600的具体结构框图，所述设备600可以用于实施上述实施例中提供的场地货量预测方法。所述设备600可以是智能手机、平板电脑或服务器等。
119.如图6所示，设备600可以包括rf(radio frequency，射频)电路610、包括有一个或一个以上(图中仅示出一个)计算机可读存储介质的存储器620、输入单元630、显示单元640、传输模块650、包括有一个或者一个以上(图中仅示出一个)处理核心的处理器660以及电源670等部件。本领域技术人员可以理解，图4中示出的设备600结构并不构成对设备600的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
120.rf电路610用于接收以及发送电磁波，实现电磁波与电信号的相互转换，从而与通信网络或者其他设备进行通信。rf电路610可包括各种现有的用于执行这些功能的电路元件，例如，天线、射频收发器、数字信号处理器、加密/解密芯片、用户身份模块(sim)卡、存储器等等。rf电路610可与各种网络如互联网、企业内部网、无线网络进行通信或者通过无线网络与其他设备进行通信。上述的无线网络可包括蜂窝式电话网、无线局域网或者城域网。
上述的无线网络可以使用各种通信标准、协议及技术，包括但并不限于全球移动通信系统(global system for mobile communication，gsm)、增强型移动通信技术(enhanced data gsm environment，edge)，宽带码分多址技术(wideband code division multiple access，wcdma)，码分多址技术(code division access，cdma)、时分多址技术(time division multiple access，tdma)，无线保真技术(wireless fidelity，wi-fi)(如美国电气和电子工程师协会标准ieee 802.11a、ieee 802.11b、ieee802.11g和/或ieee 802.11n)、网络电话(voice over internet protocol，voip)、全球微波互联接入(worldwide interoperability for microwave access，wi-max)、其他用于邮件、即时通信及短消息的协议，以及任何其他合适的通信协议，甚至可包括那些当前仍未被开发出来的协议。
121.存储器620可用于存储软件程序以及模块，如上述实施例中场地货量预测方法的程序指令/模块，处理器660通过运行存储在存储器620内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现场地货量预测的功能。存储器620可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器620可进一步包括相对于处理器660远程设置的存储器，这些远程存储器可以通过网络连接至设备600。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
122.输入单元630可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地，输入单元630可包括触敏表面以及其他输入设备。触敏表面，也称为触摸显示屏或者触控板，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触敏表面上或在触敏表面附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触敏表面可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器660，并能接收处理器660发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面。除了触敏表面，输入单元630还可以包括其他输入设备。具体地，其他输入设备可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
123.显示单元640可用于显示由用户输入的信息或提供给用户的信息以及设备600的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元640可包括显示面板641，可选的，可以采用lcd(liquid crystal display，液晶显示器)、oled(organic light-emitting diode，有机发光二极管)等形式来配置显示面板641。进一步的，触敏表面可覆盖显示面板641，当触敏表面检测到在其上或附近的触摸操作后，传送给处理器660以确定触摸事件的类型，随后处理器660根据触摸事件的类型在显示面板641上提供相应的视觉输出。虽然在图5中，触敏表面与显示面板641是作为两个独立的部件来实现输入和输出功能，但是在某些实施例中，可以将触敏表面与显示面板641集成而实现输入和输出功能。
124.设备600通过传输模块650(例如wi-fi模块)可以帮助用户收发电子邮件、浏览网
页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图6示出了传输模块650，但是可以理解的是，其并不属于设备600的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。
125.处理器660是设备600的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器620内的软件程序和/或模块，以及调用存储在存储器620内的数据，执行设备600的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器660可包括一个或多个处理核心；在一些实施例中，处理器660可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器660中。
126.设备600还包括给各个部件供电的电源670(比如电池)，在一些实施例中，电源可以通过电源管理系统与处理器660逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源670还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
127.具体在本实施例中，设备600的显示单元640是触摸屏显示器，设备600还包括有存储器620，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器620中，且经配置以由一个或者一个以上处理器660执行一个或者一个以上程序包含用于进行以下操作的指令：
128.依据业务规则对多个场地的历史数据进行筛选而产生筛选数据；
129.从所述筛选数据滤除异常极值而产生过滤数据；
130.依据预测模型对所述过滤数据进行预测而输出所述多个场地的预测货量及峰日分量；以及
131.依据所述多个场地的预测货量对所述峰日分量为非正值的场地进行峰日分量填补而产生终测货量。
132.在上述实施例中，对各个实施例的描述仅是举例说明，某个实施例中没有详述的部分，可以参见上文针对场地货量预测方法的详细描述，此处不再赘述。
133.本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，所述指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
134.为此，本申请实施例提供一种存储介质，其中存储有计算机程序的多条指令，所述指令能够被处理器进行加载，以执行本申请实施例所提供的任一种场地货量预测方法中的步骤。例如，所述指令可以执行如下步骤及/或与其有关的步骤：
135.依据业务规则对多个场地的历史数据进行筛选而产生筛选数据；
136.从所述筛选数据滤除异常极值而产生过滤数据；
137.依据预测模型对所述过滤数据进行预测而输出所述多个场地的预测货量及峰日分量；以及
138.依据所述多个场地的预测货量对所述峰日分量为非正值的场地进行峰日分量填补而产生终测货量。
139.以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
140.其中，所述存储介质可以包括：只读存储器(rom，read only memory)、随机存取存
储器(ram，random access memory)、磁盘或光盘等。
141.由于所述存储介质中所存储的指令，可以执行本申请实施例所提供的任一种场地货量预测方法中的步骤，因此，可以实现本申请实施例所提供的任一种场地货量预测方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
142.以上对本申请实施例所提供的一种场地货量预测方法、装置、设备及存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。