货运需求预测方法、系统、设备及存储介质与流程

1.本发明涉及数据处理技术领域，尤其涉及一种货运需求预测方法、系统、设备及存储介质。


背景技术：

2.目前，物流成本已占全国gdp的14％以上，高效智能的物流调度系统对于提高物流效率、降低物流成本、减少由物流产生的碳排放具有举足轻重的作用。一个智能物流调度系统实现正常高效运转需要拥有时间和空间上的运力供给量和货运需求量的准确信息，进而通过一系列调度操作去平衡整个市场的供需结构，从而提高物流系统的整体运转效率。在货运需求预测不准确、不精细时，货运物流平台难以高效率地完成运力调度，对于平台来说，数据处理量大大增加，数据处理效率大大降低。
3.现有技术中已经出现了很多计算用车需求的方法，如专利申请cn112329962a、cn111801701a、cn111861175a、cn111626534a、cn109673173a等，旨在预测某一时段的用车需求，从而可以更好地进行运力调度。然而，现有的技术主要是针对于互联网网约车领域的乘客与司机的供需平衡关系，进一步提升了乘客侧的服务体验，同时又提高了司机侧的接单率，提高了平台整体的运作效率。这种方法主要面向的是网约车领域针对c端用户的分单调度应用。网约车领域的c端用户的需求相对比较单一，要求的是打到车的服务，这与货运物流领域的分单调度情况有着极大的不同。货运物流领域的分单调度问题，主要针对的是b端货主用户。b端货主用户由于所托物品的种类、体积、重量等因素，往往对于叫车服务相比于网约车领域的c端用户有着更为多样性的需求。而这多样性的需求，要求平台需要针对不同的货主需求，提供不同的货运需求预测值。这对平台计算各细分区域内的货运需求提出了更高的要求。


技术实现要素：

4.针对现有技术中的问题，本发明的目的在于提供一种货运需求预测方法、系统、设备及存储介质，通过数据分析，有效计算城市各区域内、各个车型的货运需求量，从而大大提高平台调配物流资源的效率，降低了平台的数据处理量，数据处理效率更高。
5.本发明实施例提供一种货运需求预测方法，包括如下步骤：
6.获取各个区域的第一历史货源数据，所述第一历史货源数据包括第一时间范围内各个车型的历史货源数量；
7.基于所述第一历史货源数据训练货运需求预测模型；
8.获取各个区域的第二历史货源数据，所述第二历史货源数据包括待预测时段之前第二时间范围内各个车型的历史货源数量；
9.将各个区域的第二历史货源数据输入训练好的货运需求预测模型，根据模型的输出确定各个区域中各个车型的预测货源数量。
10.在一些实施例中，所述获取各个区域的第一历史货源数据之前，还包括如下步骤：
11.获取目标地理范围的地图数据；
12.采用h3方法将目标地理范围进行网格划分，得到多个区域；
13.确定各个区域的位置信息和h3编码。
14.在一些实施例中，获取各个区域的第一历史货源数据，包括如下步骤：
15.采集目标地理范围在第一时间范围内各个时段的历史货运订单数据，每个时段的时长为m个小时，m大于1；
16.根据所述历史货运订单数据确定各个历史货运订单所对应的poi位置和车型；
17.调用h3接口算法包，将各个所述poi位置映射到各个所述区域中，建立各个所述poi位置与所对应区域的h3编码的映射关系；
18.根据各个区域的h3编码与poi位置的映射关系，确定在第一时间范围内各个时段所对应的各个区域内各个车型的历史货源数量，作为各个时段的历史货源数据，将第一时间范围内所有时段的历史货源数据作为所述第一历史货源数据。
19.在一些实施例中，根据所述历史货运订单数据确定各个历史货运订单所对应的poi位置和车型，包括如下步骤：
20.根据所述历史货运订单数据确定各个历史货运订单所对应的货源装货点的poi位置；
21.根据所述历史货运订单数据确定各个历史货运订单所对应的车辆需求特征；
22.根据各个历史货运订单所对应的车辆需求特征确定各个历史货运订单所对应的车型。
23.在一些实施例中，基于所述第一历史货源数据训练货运需求预测模型，包括如下步骤：
24.从所述第一历史货源数据中选择n个时段作为样本时段，n大于1；
25.将每个样本时段之前的x个时段的历史货源数据作为该样本时段所对应的样本输入数据，x大于1；
26.将每个样本时段的历史货源数据作为该样本时段所对应的标签；
27.将各个所述样本输入数据输入到所述货运需求预测模型，根据所述货运需求预测模型的输出和所对应的标签迭代训练所述货运需求预测模型。
28.在一些实施例中，所述将各个所述样本输入数据输入到所述货运需求预测模型之前，还包括如下步骤：
29.获取各个样本时段对应的关联属性数据；
30.将各个样本时段对应的关联属性数据添加到所对应的样本输入数据。
31.在一些实施例中，获取各个区域的第二历史货源数据，包括如下步骤：
32.将待预测时段之前的x个时段作为输入参考时段；
33.确定所述输入参考时段与所述第一时间范围的重合时段以及未与所述第一时间范围重合的非重合时段；
34.从所述第一历史货源数据中获取所述重合时段的历史货源数据；
35.采集目标地理范围在各个所述非重合时段内的历史货运订单数据；
36.根据所述非重合时段内的历史货运订单数据确定各个非重合时段的历史货源数据；
37.将所述输入参考时段内的历史货源数据作为所述第二历史货源数据。
38.在一些实施例中，所述将各个区域的第二历史货源数据输入训练好的货运需求预测模型，包括如下步骤：
39.获取各个输入参考时段对应的关联属性数据；
40.将所述第二历史货源数据和各个输入参考时段对应的关联属性数据输入训练好的货运需求预测模型。
41.在一些实施例中，所述关联属性数据包括区域位置属性数据、天气属性数据、日期属性数据和商圈属性数据中的一种或多种。
42.在一些实施例中，所述根据模型的输出确定各个区域中各个车型的预测货源数量之后，还包括如下步骤：
43.获取待预测时段的真实货源数据，所述真实货源数据包括待预测时段内各个区域的各个车型的真实货源数量；
44.基于所述待预测时段的真实货源数据和预测货源数量优化所述货运需求预测模型。
45.在一些实施例中，根据模型的输出确定各个区域中各个车型的预测货源数量之后，还包括如下步骤：
46.根据各个区域中各个车型的预测货运数量确定各个区域中各个车型的热力值；
47.根据所述热力值生成包括各个区域的热力图。
48.本发明实施例还提供一种货运需求预测系统，用于实现所述的货运需求预测方法，所述系统包括：
49.第一采集模块，用于获取各个区域的第一历史货源数据，所述第一历史货源数据包括第一时间范围内各个车型的历史货源数量；
50.模型训练模块，用于基于所述第一历史货源数据训练货运需求预测模型；
51.第二采集模块，用于获取各个区域的第二历史货源数据，所述第二历史货源数据包括待预测时段之前第二时间范围内各个车型的历史货源数量；
52.需求预测模块，用于将各个区域的第二历史货源数据输入训练好的货运需求预测模型，根据模型的输出确定各个区域中各个车型的预测货源数量。
53.本发明实施例还提供一种货运需求预测设备，包括：
54.处理器；
55.存储器，其中存储有所述处理器的可执行指令；
56.其中，所述处理器配置为经由执行所述可执行指令来执行所述的货运需求预测方法的步骤。
57.本发明实施例还提供一种计算机可读存储介质，用于存储程序，所述程序被处理器执行时实现所述的货运需求预测方法的步骤。
58.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
59.本发明的货运需求预测方法、系统、设备及存储介质具有如下有益效果：
60.本发明适用于货运物流领域，为货运物流平台优化城市整体货物运输调配效率提供有力支持，有效计算城市各区域内、各个车型的货运需求量，从而大大提高平台调配物流
资源的效率，降低物流成本，同时对于货运物流平台来说，可以更好地调度运力，大大提高了平台进行合理分单调度的效率，降低了司机空驶距离，降低了货主的等待时间，并且降低了平台的数据处理量，数据处理效率更高。
附图说明
61.通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显。
62.图1是本发明一实施例的货运需求预测方法的流程图；
63.图2是本发明一实施例的划分区域的示意图；
64.图3是本发明一实施例的h3不同解析度和面积的对应关系示意图；
65.图4是本发明一实施例的获取各个区域的第一历史货源数据的流程图；
66.图5是本发明一实施例的训练货运需求预测模型的流程图；
67.图6是本发明一实施例的获取各个区域的第二历史货源数据的流程图；
68.图7是本发明一实施例的热力图的示意图；
69.图8是本发明一实施例的货运需求预测系统的结构示意图；
70.图9是本发明一实施例的货运需求预测设备的结构示意图；
71.图10是本发明一实施例的计算机可读存储介质的结构示意图。
具体实施方式
72.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
73.此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
74.附图中所示的流程图仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此，实际执行的顺序有可能根据实际情况改变。
75.如图1所示，本发明实施例提供一种货运需求预测方法，包括如下步骤：
76.s100：获取各个区域的第一历史货源数据，所述第一历史货源数据包括第一时间范围内各个车型的历史货源数量；
77.s200：基于所述第一历史货源数据训练货运需求预测模型；
78.s300：获取各个区域的第二历史货源数据，所述第二历史货源数据包括待预测时段之前第二时间范围内各个车型的历史货源数量；
79.s400：将各个区域的第二历史货源数据输入训练好的货运需求预测模型，根据模型的输出确定各个区域中各个车型的预测货源数量。
80.本发明通过采用步骤s100和s200基于历史货源数据训练得到货运需求预测模型，其可以针对不同区域和不同车型来进行货源数量的预测，在进行货运需求预测时，通过步骤s300和s400，基于货运需求预测模型来实现货源数量的预测，有效计算城市各区域内、各个车型的货运需求量，从而大大提高平台调配物流资源的效率，降低物流成本，同时对于货运物流平台来说，可以更好地调度运力，大大提高了平台进行合理分单调度的效率，降低了司机空驶距离，降低了货主的等待时间，并且降低了平台的数据处理量，数据处理效率更高。
81.在该实施例中，所述步骤s100：获取各个区域的第一历史货源数据之前，还包括如下步骤：
82.获取目标地理范围的地图数据，具体地，可以从地图数据供应商处获得地图数据，例如利用python的开源库软件获取地图数据，该目标地理范围可以是一个城市，或者是根据近一段时间的货源分布来确定一个范围；
83.在地图上，采用正六边形的h3方法将目标地理范围进行网格划分，得到多个区域；
84.确定各个区域的位置信息和h3编码，即为每一个正六边形赋予唯一的h3编码。
85.目前h3支持16级解析度拆分，每一级进行等面积拆分，把特定区域划分成若干个正六边形网格，解析度不同，对应正六边形面积大小也不同。如图2所示，为一种示例性的区域划分的示意图。其中，d100表示目标地理范围，d200表示按照第一解析度划分的六边形网格，d300表示按照第二解析度划分的六边形网格，可以看出d300与d200的解析度不同，正六边形的面积大小也不同。
86.不同解析度和正六边形面积大小如图3所示。采用该方法进行网格区域划分方法优点如下：(1)相邻单元距离相等；(2)自身近似圆形，贴合密度概念，很适合大多数的汇总分析场景；(3)周围相近近似圆形且等距，方便附近查找，阶梯分析等。在该实施例中，h3网格划分采用h3的7级解析度划分标准，把近30天的货源分布的目标地理范围按照城市区域分别划分成若干个正六边形网格。从图3中可以看出，网格划分的面积大小大约为5平方千米，正六边形边长大约为1.22千米。但本发明不限于此，在其他实施方式中，采用其他的解析度也是可以的。
87.如图4所示，在该实施例中，所述步骤s100：获取各个区域的第一历史货源数据，包括如下步骤：
88.s110：采集目标地理范围在第一时间范围内各个时段的历史货运订单数据，每个时段的时长为m个小时，m大于1，第一时间范围中包括p个时段；
89.历史货运订单可以通过平台货主发货原始数据获取的sql逻辑来实现，该过程主要是从货主订单hive表获取数据，通过大数据平台hive定时任务实现，存储到一个hive表中，该任务每天进行更新；
90.在该实施例中，以各个时段的时长为24小时为例，即每个时段为1天。在通过大数据平台hive定时任务实现时，该任务每天进行更新，滑窗窗口为近30天，其中30天窗口主要依据平台上同城货主的特性来确定，在其他实施方式中，窗口大小可以为其他天数。hive任务执行过程中，逻辑包括去掉货主侧风控订单数据、无效货源poi数据，以及限定订单状态为发货，并且为同城短途；
91.在获得了历史货运订单数据，还包括对历史货运订单数据进行脱敏处理，以满足
信息安全的需求。具体内容包括对货主id、货主手机号、货主姓名等可能泄露货主个人特征和隐私的信息进行加密和脱敏化的处理，保证在之后的算法计算中不使用用户的敏感信息；
92.s120：根据所述历史货运订单数据确定各个历史货运订单所对应的poi(point of interest，兴趣点)位置和车型；
93.在该实施例中，所述步骤s120：根据所述历史货运订单数据确定各个历史货运订单所对应的poi位置和车型，包括如下步骤：
94.根据所述历史货运订单数据确定各个历史货运订单所对应的货源装货点的poi位置；
95.根据所述历史货运订单数据确定各个历史货运订单所对应的车辆需求特征，即为特征工程的步骤，具体地，在该实施例中，对脱敏后的历史货运订单数据进行加工处理，生成每个分割区域内货源特征信息，货源特征信息即对应于其对车辆的需求，即对应车辆需求特征，并以天作为分区字段，存储于hive表中。该项步骤为每日定期更新的python任务，所生成的特征包括近1天、7天、14天、30天的车辆需求特征，制定区域内的各类型货车需求总数、运费、补贴率等信息；
96.根据各个历史货运订单所对应的车辆需求特征确定各个历史货运订单所对应的车型；
97.s130：调用h3接口算法包，将各个所述poi位置映射到各个所述区域中，建立各个所述poi位置与所对应区域的h3编码的映射关系；
98.具体地，基于步骤s110中获取的历史货运订单数据的hive表通过定时python任务进行深加工，从中提取脱敏后各货源装货点的poi位置数据并存储于一张新的hive表中，得到poi位置数据表；
99.然后划分的各个区域和h3编码的映射关系以及poi位置数据表，调用h3接口算法包，将每一个脱敏的货源poi信息映射到地图上每一个分割出来的正六边形区域中，赋予该正六边形的h3唯一编码，并存储于一张新的hive表中，得到所述poi位置与所对应区域的h3编码的映射关系表，该项操作通过每次的定时python任务实现；
100.s140：根据各个区域的h3编码与poi位置的映射关系，确定在第一时间范围内各个时段所对应的各个区域内各个车型的历史货源数量，作为各个时段的历史货源数据，将第一时间范围内所有时段的历史货源数据作为所述第一历史货源数据；
101.具体地，基于步骤s130得到的所述poi位置与所对应区域的h3编码的映射关系表，计算各正六边形中，不同货车车型需求的货运需求总量，即历史货源数量。通过按所承接的货车车型进行分类统计，我们可以计算得到指定区域内指定车型的确切需求。计算结果输出到一张hive表中。该项操作有每日的定时python任务完成。
102.如图5所示，在该实施例中，所述步骤s200：基于所述第一历史货源数据训练货运需求预测模型，包括如下步骤：
103.s210：从所述第一历史货源数据中选择n个时段作为样本时段，n大于1，n的数值可以根据需要选择，n设置得大时，即样本量大，n设置得小时，即样本量小；
104.s220：将每个样本时段之前的x个时段的历史货源数据作为该样本时段所对应的样本输入数据，x大于1且小于前述的p；例如，在该实施例中，x为30，将每个样本时段之前的
30个时段的历史货源数据作为该样本时段所对应的样本输入数据，在一个时段等于一天时，即将样本天之前的30天的历史货源数据作为样本输入数据；
105.s230：将每个样本时段的历史货源数据作为该样本时段所对应的标签，即通过每个样本时段中每个区域每个车型的历史货源数量为该样本时段添加标签；
106.s240：将各个所述样本输入数据输入到所述货运需求预测模型，根据所述货运需求预测模型的输出和所对应的标签迭代训练所述货运需求预测模型。
107.具体地，所述货运需求预测模型的输出值为所述样本时段中每个区域每个车型的预测货源数量，将每个样本时段中每个区域每个车型的历史货源数量作为真实值，基于预测值和真实值计算损失函数值，反向迭代优化所述货运需求预测模型的模型参数，至损失函数值小于预设损失阈值为止。
108.在该实施例中，采用python语言编写的xgboost模型进行数值建模和模拟。通过每日的定时任务，每天更新预测模型。步骤s240的输出结果为一个可以被调用的python模型函数和训练导出的模型参数文件。
109.在该实施例中，所述步骤s240：将各个所述样本输入数据输入到所述货运需求预测模型之前，还包括如下步骤：
110.s231：获取各个样本时段对应的关联属性数据；
111.在该实施例中，所述关联属性数据包括区域位置属性数据、天气属性数据、日期属性数据和商圈属性数据中的一种或多种；
112.s232：将各个样本时段对应的关联属性数据添加到所对应的样本输入数据。
113.例如，各个样本时段的样本输入数据可以包括各个区域在过去x天内的历史货源数量、各个区域的h3编码和位置信息(如经纬度)、样本时段对应的天气情况、样本时段当天是星期几、是否是节假日、各个区域中是否包括特定类型商圈以及商圈的类型(比如家私商圈、电器商圈等)。
114.如图6所示，在该实施例中，所述步骤s300：获取各个区域的第二历史货源数据，包括如下步骤：
115.s310：将待预测时段之前的x个时段作为输入参考时段，待预测时段之前的x个时段即为第二时间范围，即第二时间范围包括x个时段；
116.例如，待预测时段为当天，选择当天之前30天作为输入参考时段；
117.s320：确定所述输入参考时段与所述第一时间范围的重合时段以及未与所述第一时间范围重合的非重合时段；
118.例如，第一时间范围为昨天之前的p天，而所述输入参考时段中前天～当天之前30天内是重合时段，昨天即前一天是非重合时段；
119.s330：从所述第一历史货源数据中获取所述重合时段的历史货源数据；
120.即可以直接从步骤s140的结果中获取所述重合时段的历史货源数据，而无需重复计算处理；
121.s340：采集目标地理范围在各个所述非重合时段内的历史货运订单数据，以非重合时段为前一天为例，即再通过每日的定时python任务获取到前一天的历史货运订单数据；
122.s350：根据所述非重合时段内的历史货运订单数据确定各个非重合时段的历史货
源数据；
123.具体地，步骤s350包括：根据所述非重合时段内的历史货运订单数据确定各个历史货运订单所对应的poi位置和车型；
124.调用h3接口算法包，将各个所述poi位置映射到各个所述区域中，建立各个所述poi位置与所对应区域的h3编码的映射关系；具体的实现方法可以参照上述步骤s130对样本数据的处理；
125.根据各个区域的h3编码与poi位置的映射关系，确定在非重合时段内各个区域内各个车型的历史货源数量，作为非重合时段的历史货源数据；具体的实现方法可以参照上述步骤s140对样本数据的处理；
126.s360：将所述输入参考时段内的历史货源数据作为所述第二历史货源数据。
127.在该实施例中，在所述货运需求预测模型训练时采用了关联属性数据的情况下，在实际进行预测时，也需要采用关联属性数据。具体地，所述步骤s400：将各个区域的第二历史货源数据输入训练好的货运需求预测模型，包括如下步骤：
128.获取各个输入参考时段对应的关联属性数据；
129.将所述第二历史货源数据和各个输入参考时段对应的关联属性数据输入训练好的货运需求预测模型。
130.在该实施例中，所述关联属性数据包括区域位置属性数据、天气属性数据、日期属性数据和商圈属性数据中的一种或多种。
131.例如，各个样本时段的样本输入数据可以包括各个区域在过去x天内的历史货源数量、各个区域的h3编码和位置信息(如经纬度)、样本时段对应的天气情况、样本时段当天是星期几、是否是节假日、各个区域中是否包括特定类型商圈以及商圈的类型(比如家私商圈、电器商圈等)。
132.在该实施例中，所述步骤s400：根据模型的输出确定各个区域中各个车型的预测货源数量之后，还包括如下步骤：
133.根据各个区域中各个车型的预测货运数量确定各个区域中各个车型的热力值，可以将预测货运数量作为热力值，或者将预测货运数量与其他数据结合得到热力值；
134.根据所述热力值生成包括各个区域的热力图，图7示出了一种示例性的热力图，图7中设置有填充图案的网格区域即为热区，没有填充图案的网格区域即为冷区；
135.具体地，需要设定冷区和热区之间的分隔阈值，对于总单量小于阈值的区域，判定为冷区，大于阈值的区域，判定为热区，最终通过python folium可视化开源软件实现冷热区的可视化效果。冷热区的阈值设置，需要根据不同城市的货运实际需求进行迭代式的更新，并且可以参考运营部门所提供的先验信息。
136.在该实施例中，所述步骤s400：根据模型的输出确定各个区域中各个车型的预测货源数量之后，还包括如下步骤：
137.获取待预测时段的真实货源数据，所述真实货源数据包括待预测时段内各个区域的各个车型的真实货源数量；
138.基于所述待预测时段的真实货源数据和预测货源数量优化所述货运需求预测模型。
139.以每个时段为一天为例，即该实施例通过每日的定时任务，可以基于每天最终的
真实货源数据(作为真实标签)和之前的预测货源数量(作为预测值)来计算损失函数值，优化训练所述货运需求预测模型。此同样可以通过python定时任务来实现。
140.如图8所示，本发明实施例还提供一种货运需求预测系统，用于实现所述的货运需求预测方法，所述系统包括：
141.第一采集模块m100，用于获取各个区域的第一历史货源数据，所述第一历史货源数据包括第一时间范围内各个车型的历史货源数量；
142.模型训练模块m200，用于基于所述第一历史货源数据训练货运需求预测模型；
143.第二采集模块m300，用于获取各个区域的第二历史货源数据，所述第二历史货源数据包括待预测时段之前第二时间范围内各个车型的历史货源数量；
144.需求预测模块m400，用于将各个区域的第二历史货源数据输入训练好的货运需求预测模型，根据模型的输出确定各个区域中各个车型的预测货源数量。
145.本发明通过采用第一采集模块m100和模型训练模块m200基于历史货源数据训练得到货运需求预测模型，其可以针对不同区域和不同车型来进行货源数量的预测，在进行货运需求预测时，通过第二采集模块m300和需求预测模块m400，基于货运需求预测模型来实现货源数量的预测，有效计算城市各区域内、各个车型的货运需求量，从而大大提高平台调配物流资源的效率，降低物流成本，同时对于货运物流平台来说，可以更好地调度运力，大大提高了平台进行合理分单调度的效率，降低了司机空驶距离，降低了货主的等待时间，并且降低了平台的数据处理量，数据处理效率更高。
146.本发明的货运需求预测系统中，各个模块的功能可以采用如上所述的货运需求预测方法的具体实施方式来实现，此处不予赘述。
147.本发明实施例还提供一种货运需求预测设备，包括处理器；存储器，其中存储有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所述的货运需求预测方法的步骤。
148.所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“平台”。
149.下面参照图9来描述根据本发明的这种实施方式的电子设备600。图9显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
150.如图9所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
151.其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述货运需求预测方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1中所示的步骤。
152.所述存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(rom)6203。
153.所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序
模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
154.总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
155.电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
156.所述货运需求预测设备中，所述存储器中的程序被处理器执行时实现所述的货运需求预测方法的步骤，因此，所述设备也可以获得上述货运需求预测方法的技术效果。
157.本发明实施例还提供一种计算机可读存储介质，用于存储程序，所述程序被处理器执行时实现所述的货运需求预测方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上执行时，所述程序代码用于使所述终端设备执行本说明书上述货运需求预测方法部分中描述的根据本发明各种示例性实施方式的步骤。
158.参考图10所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上执行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
159.所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
160.所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
161.可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的
过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
162.所述计算机存储介质中的程序被处理器执行时实现所述的货运需求预测方法的步骤，因此，所述计算机存储介质也可以获得上述货运需求预测方法的技术效果。
163.以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。