物流日度件量预测优化方法、装置、设备、及存储介质

摘要

本申请实施例公开了一种物流日度件量预测优化方法、装置、设备及存储介质，本申请实施例通过获取目标日期的预测件量、一段历史时期的每日真实件量与每日预测件量；计算所述历史时期的每日真实件量与每日预测件量之间的日度误差；以及根据所述日度误差及所述目标日期的预测件量产生优化件量。从而提高了日度件量的预测准确率。

说明书

技术领域

本申请涉及数据处理技术领域，具体涉及一种物流日度件量预测优化方法、装置、设备及存储介质。

背景技术

件量预测是物流领域的基本预测，其中日度件量预测能够为下游人力及排班规划提供支持，帮助物流业者更好地降低成本，提升利润。

举例来说，物流领域的网点(比如收发点)的日度件量(比如每日货量)经常发生量级或趋势上的改变，例如：由于客户迁入迁出、促销政策、周围商户转型等情况，以现有模型为基础的日度件量预测模型需要一段时间，才能学习到上述情况的真实值趋势变化。

举例来说，假设业者在某年某月推出促销活动，导致部分网点的日度件量增长迅速，现有模型可能需要1个月左右的时间，才能对这段快速增长的趋势进行合理把握，进而体现在预测值上。在这段时间，如果直接使用模型预测值会导致预测准确率偏低，譬如导致此段时间内的预测值与真实值发生趋势或量级上偏差较大的情况，影响预测准确性。

有鉴于此，有需要对现有技术进行改良。

发明内容

本申请实施例提供一种物流日度件量预测优化方法、装置、设备及存储介质，可以提高物流日度件量的预测准确性。

在一方面，本申请实施例提供了一种物流日度件量预测优化方法，包括：

获取目标日期的预测件量、一段历史时期的每日真实件量与每日预测件量；

计算所述历史时期的每日真实件量与每日预测件量之间的日度误差；以及

根据所述日度误差及所述目标日期的预测件量产生优化件量。

在一些实施方式中，所述根据所述日度误差及所述目标日期的预测件量产生优化件量，包括：判断多个日度误差是否符合偏离情况，若判断为是，依据所述多个日度误差产生补偿件量，依据所述补偿件量及所述目标日期的预测件量产生所述优化件量，若判断为否，依据所述目标日期的预测件量产生所述优化件量。

在一些实施方式中，所述判断多个日度误差是否符合偏离情况包括：

判断所述多个日度误差中的每个是否都大于0或都小于0。

在一些实施方式中，所述补偿件量为所述多个日度误差之间的中位数值或所述多个日度误差之间的平均数值。

在一些实施方式中，所述历史时期为T-n日至T-1日，T-n日为在所述目标日期前的第n日，T-1日为在所述目标日期前的第1日，7≤n≤30。

在一些实施方式中，所述目标日期的预测件量及所述历史时期的每日预测件量是将日度预测场景的物流参数输入日度件量预测模型的输出结果。

在一些实施方式中，所述日度件量预测模型为基于选自Prophet、XGBoost、LSTM、ARIMA及TBATS的群组的模型。

另一方面，本申请实施例还提供了一种物流日度件量预测优化装置，包括：

获取模块，用于获取目标日期的预测件量、一段历史时期的每日真实件量与每日预测件量；

计算模块，用于计算所述历史时期的每日真实件量与每日预测件量之间的日度误差；以及

优化模块，用于根据所述日度误差及所述目标日期的预测件量产生优化件量。

在一些实施方式中，所述获取模块，包括：

测获单元，用于获得所述目标日期的预测件量及所述历史时期的每日预测件量，所述目标日期的预测件量及所述历史时期的每日预测件量是将日度预测场景的物流参数输入日度件量预测模型的输出结果。

在一些实施方式中，所述获取模块，还包括：

选取单元，用于从多种模型的输出结果中选取一种作为所述目标日期的预测件量及所述历史时期的每日预测件量，所述日度件量预测模型为基于选自Prophet、XGBoost、LSTM、ARIMA及TBATS的群组的模型。

在一些实施方式中，所述获取模块，还包括：

择期单元，用于设定所述历史时期为T-n日至T-1日，T-n日为在所述目标日期前的第n日，T-1日为在所述目标日期前的第1日，7≤n≤30。

在一些实施方式中，所述计算模块包括：

误差单元，用于计算所述历史时期的每日真实件量减去每日预测件量产生的多个日度误差。

在一些实施方式中，所述计算模块还包括：

暂存单元，用于将所述多个日度误差按照日期进行存储。

在一些实施方式中，所述优化模块包括：

判断单元，用于判断多个日度误差是否符合偏离情况，若判断为是，依据所述多个日度误差产生补偿件量，依据所述补偿件量及所述目标日期的预测件量产生所述优化件量，若判断为否，依据所述目标日期的预测件量产生所述优化件量。

在一些实施方式中，所述优化模块还包括：

偏离单元，用于设定所述偏离情况包括所述多个日度误差中的每个都大于0或都小于0。

在一些实施方式中，所述优化模块还包括：

第一补偿单元，用于设定所述补偿件量为所述多个日度误差之间的中位数值；

第二补偿单元，用于设定所述补偿件量为所述多个日度误差之间的平均数值；

补偿选择单元，用于从所述中位数值及所述平均数值中选取一个作为所述补偿件量。

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执行如上所述的物流日度件量预测优化方法。

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物流日度件量预测优化方法。

本申请实施例通过获取目标日期的预测件量、一段历史时期的每日真实件量与每日预测件量；计算所述历史时期的每日真实件量与每日预测件量之间的日度误差；以及根据所述日度误差及所述目标日期的预测件量产生优化件量。从而，本申请实施例可以针对物流领域的日度预测场景中的多个网点的日度件量预测模型的预测结果进行优化，例如根据所述历史时期中的预测误差判断预测结果是否有偏离情况，利用误差的代表性特征进行补偿，从而提升预测结果对近期真实情况的趋势变化的灵敏度，可以提高预测准确率，有利于优化现有模型的预测效果。

附图说明

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。

图1是本申请实施例提供的物流日度件量预测优化方法的流程示意图；

图2是本申请实施例提供的物流日度件量预测优化方法的优化效果示意图；

图3是本申请实施例提供的物流日度件量预测优化装置的结构示意图；

图4是本申请实施例提供的设备的结构示意图。

具体实施方式

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。

请参阅图1，图1是本申请一实施例提供的物流日度件量预测优化方法的流程示意图。所述物流日度件量预测优化方法的执行主体可以是本申请实施例提供的物流日度件量预测优化装置，或者集成了所述物流日度件量预测优化装置的设备，比如终端或服务器等，例如：所述物流日度件量预测优化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。以下举例说明所述物流日度件量预测优化方法的实施过程，但不以此为限。

如图1所示，所述物流日度件量预测优化方法可以包括步骤S101、S102及S103，分别说明如下。

如图1所示，步骤S101，获取目标日期的预测件量、一段历史时期的每日真实件量与每日预测件量。

举例来说，本实施例可应用于对物流领域的日度预测场景(比如某一地区的多个网点场景)中的日度件量预测值进行优化过程。在用于对日度件量预测值进行优化时，可通过设备中的存储器获取所述日度预测场景中的每个网点在目标日期(比如今日)的每日预测件量、一段历史时期(比如在今日前的两个日期之间)的多个每日真实件量与每日预测件量，譬如所述目标日期的预测件量可以例如是具备日度件量预测功能的模型(比如日度件量预测模型)产出的目标日期的预测件量，所述历史时期的每日真实件量与每日预测件量可以例如是在目标日期以前的一段时期内的每日每日真实件量与每日每日预测件量。

举例来说，所述历史时期可以例如是以周、月、季、年为单位，但应注意的是，所述历史时期的时间范围越长，被纳入的数据量越多，会造成预测误差的干扰因素的越多，且整个优化过程中产生的运算量越大。为了适度减少数据运算量及减少干扰，在实际应用上，由于现有模型需要1个月左右的时间才能学习到上述情况的真实值趋势变化，且物流领域的网点(收发点)的日度件量经常发生量级或趋势上的改变，例如：客户迁入迁出、促销政策、周围商户转型等情况。因此，实际选择的历史时期可以例如是周或月，有利于依据短期间内的数据进行优化，可以减少发生因为距今过久以前的数据与目标日期预测结果的相关性过低影响优化效果的情况。

在一些实施例中，所述历史时期可以例如是T-n日至T-1日，T-n日为在所述目标日期前的第n日，T-1日为在所述目标日期前的第1日，7≤n≤30，例如所述目标日期为今日，所述历史时期可以例如是7日(一周)前至昨日，但不以此为限，所述历史时期也可以例如是30日(一月)前至昨日，诸如此类，不另赘述。

应被注意的是，本申请上述实施例的有益效果至少在于：通过设定上述历史时期的范围，可以获取与目标日期在近期内相关的日度件量历史数据，排除相关性低的历史数据，例如：由于不同时期的客户迁入迁出、促销政策、周围商户转型等情况，导致不同时期的数据的相关性低。因此，可以利用真正与目标日期相关性高的历史数据的趋势评估所述目标日期的日度件量，有利于提高所述目标日期的日度件量的预测准确性。

在一实施例中，所述目标日期的预测件量及所述历史时期的每日预测件量可以例如是将日度预测场景的物流参数输入日度件量预测模型的输出结果，例如：所述日度件量预测模型可以例如是基于选自Prophet、XGBoost、LSTM、ARIMA及TBATS的群组的模型，以Facebook开源模型Prophet为例，如果已经利用大量数据对以Prophet为基础的模型进行训练完成，则可以采用今日(即T)以前的7日(一周)前至昨日的每日真实件量输入Prophet模型，用于预测今日的预测件量。

应被注意的是，本申请上述实施例的有益效果至少在于：所述目标日期的预测件量可以是来自于不同日度件量预测模型的输出结果，亦即，所述不同日度件量预测模型的输出结果都可以成为后续进行日度件量预测优化过程的输入对象，所述日度件量的优化过程与预测模型是相互独立的。因此，所述日度件量的优化过程可以不受限于任何一种日度件量预测模型，且可以针对各种日度件量预测模型的预测结果进行优化，有利于提升现有日度件量预测模型的预测准确性。

如图1所示，步骤S102，计算所述历史时期的每日真实件量与每日预测件量之间的日度误差。

在一些实施例中，计算所述历史时期的每日真实件量与每日预测件量之间的日度误差的方式可以例如是将在所述历史时期中的每日真实件量减去每日预测件量作为每日的日度误差。

举例来说，以所述历史时期是T-7日至T-1日为例，在T-7日至T-1日之间的每日真实件量减去每日预测件量的7个计算结果，可以被当作在T-7日至T-1日之间的7个日度误差。

应被注意的是，本申请上述实施例的有益效果至少在于：在所述历史时期中的每日真实件量与每日预测件量之间的日度误差可以逐日地呈现出在所述历史时期中的预测件量相对于真实件量的多个误差，所述多个误差可以在时间轴上被观察，用于得知预测件量是否逐渐偏离真实件量，有利于当作修正或补偿预测结果的依据，进而优化所述目标日期的预测件量。

如图1所示，步骤S103，根据所述日度误差及所述目标日期的预测件量产生优化件量。

在一些实施例中，所述根据所述日度误差及所述目标日期的预测件量产生优化件量，包括：判断多个日度误差是否符合偏离情况，若判断为是，依据所述多个日度误差产生补偿件量，依据所述补偿件量及所述目标日期的预测件量产生所述优化件量，若判断为否，依据所述目标日期的预测件量产生所述优化件量。

举例来说，所述判断多个日度误差是否符合偏离情况可以例如是包括：判断所述多个日度误差中的每个是否都大于0或都小于0，若判断为是，依据所述多个日度误差产生补偿件量，依据所述补偿件量及所述目标日期的预测件量产生所述优化件量，若判断为否，依据所述目标日期的预测件量产生所述优化件量。

应被注意的是，本申请上述实施例的有益效果至少在于：可以针对所述多个日度误差的数值来判断预测结果是否逐日偏离正常值，具体地，由于每日的的预测件量都是通过先前的日度件量被预测的，当所述日度件量有量级上的变化时，例如：由于客户迁入迁出、促销政策、周围商户转型等情况，可能会导致预测件量与真实件量差异逐渐扩大，例如所述多个日度误差中的每个是否都大于0，或者，判断所述多个日度误差中的每个是否都小于0，即是诸多偏离正常情况的特征之一。从而，据此作为判断条件，可以有效辨认异常的预测件量，进而避免预测错误逐步增加，可以有效提升预测准确性。

在一些实施例中，所述补偿件量可以是依据所述多个日度误差产生的特征值，比如所述补偿件量可以是例如所述多个日度误差之间的中位数值，但不以此为限，所述补偿件量也可以是例如所述多个日度误差之间的平均数值，诸如此类，在此不作限制。

应被注意的是，本申请上述实施例的有益效果至少在于：如果预测错误的情况可以被发现，则可利用上述补偿件量对预测件量进行补偿，将已逐渐偏离正轨的预测件量趋势拉回正途，例如可以利用所述多个日度误差之间的中位数值或平均数值等日度误差的代表特征值，使得补偿后的日度件量可逐步修正，有利于避免错误趋势逐渐扩大，可以有效优化预测结果，并提高预测准确性。

举例来说，如图2所示，示例本申请实施例提供的物流日度件量预测优化方法的优化效果。其中，实心园点表示优化处理前的每日预测件量，空心圆点表示优化处理后的每日预测件量，从图中可知，使用本申请上述方法实施例对某一日度预测场景中约500个网点的预测件量进行优化，优化后的误差(MAPE)在10％以内的网点数量占比(如0至100％)明显多于优化前，显示上述方法实施例确实可以降低错误率，有利于提高预测准确性。

从而，本申请上述实施例通过获取目标日期的预测件量、一段历史时期的每日真实件量与每日预测件量；计算所述历史时期的每日真实件量与每日预测件量之间的日度误差；以及根据所述日度误差及所述目标日期的预测件量产生优化件量。从而，本申请上述实施例可以针对物流领域的日度预测场景中的多个网点的日度件量预测模型的预测结果进行优化，例如根据所述历史时期中的预测误差判断预测结果是否有偏离情况，利用误差的代表性特征进行补偿，从而提升预测结果对近期真实情况的趋势变化的灵敏度，可以提高预测准确率，有利于优化现有模型的预测效果。

相应地，本申请上述物流日度件量预测优化方法实施例还可以被实施为硬件形式。如图3所示，本申请物流日度件量预测优化装置实施例可以包括获取模块301、计算模块302以及优化模块303。

具体地，

获取模块301，用于获取目标日期的预测件量、一段历史时期的每日真实件量与每日预测件量；

计算模块302，用于计算所述历史时期的每日真实件量与每日预测件量之间的日度误差；

优化模块303，用于根据所述日度误差及所述目标日期的预测件量产生优化件量。

在一些实施方式中，所述获取模块301包括：

测获单元，用于获得所述目标日期的预测件量及所述历史时期的每日预测件量，所述目标日期的预测件量及所述历史时期的每日预测件量是将日度预测场景的物流参数输入日度件量预测模型的输出结果。

在一些实施方式中，所述获取模块301还包括：

选取单元，用于从多种模型的输出结果中选取一种作为所述目标日期的预测件量及所述历史时期的每日预测件量，所述日度件量预测模型为基于选自Prophet、XGBoost、LSTM、ARIMA及TBATS的群组的模型。

在一些实施方式中，所述获取模块301还包括：

择期单元，用于设定所述历史时期为T-n日至T-1日，T-n日为在所述目标日期前的第n日，T-1日为在所述目标日期前的第1日，7≤n≤30。

在一些实施方式中，所述计算模块302包括：

误差单元，用于计算所述历史时期的每日真实件量减去每日预测件量产生的多个日度误差；

在一些实施方式中，所述计算模块302还包括：

暂存单元，用于将所述多个日度误差按照日期进行存储。

在一些实施方式中，所述优化模块303包括：

判断单元，用于判断多个日度误差是否符合偏离情况，若判断为是，依据所述多个日度误差产生补偿件量，依据所述补偿件量及所述目标日期的预测件量产生所述优化件量，若判断为否，依据所述目标日期的预测件量产生所述优化件量。

在一些实施方式中，所述优化模块303还包括：

偏离单元，用于设定所述偏离情况包括所述多个日度误差中的每个都大于0或都小于0。

在一些实施方式中，所述优化模块303还包括：

第一补偿单元，用于设定所述补偿件量为所述多个日度误差之间的中位数值；

第二补偿单元，用于设定所述补偿件量为所述多个日度误差之间的平均数值；

补偿选择单元，用于从所述中位数值及所述平均数值中选取一个作为所述补偿件量。

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。

图4示例了本发明实施例提供的设备400的具体结构框图，所述设备400可以用于实施上述实施例中提供的物流日度件量预测优化方法。所述设备400可以是智能手机、平板电脑或服务器等。

如图4所示，设备400可以包括RF(Radio Frequency，射频)电路410、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420、输入单元430、显示单元440、传输模块450、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460以及电源470等部件。本领域技术人员可以理解，图4中示出的设备400结构并不构成对设备400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：

RF电路410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410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410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 DataGSM Environment，EDGE)，宽带码分多址技术(Wideband Code Division MultipleAccess，WCDMA)，码分多址技术(Code Division Access，CDMA)、时分多址技术(TimeDivision 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IEEE802.11a、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(WorldwideInteroperability 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。

存储器420可用于存储软件程序以及模块，如上述实施例中物流日度件量预测优化方法的程序指令/模块，处理器460通过运行存储在存储器420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，即实现物流日度件量预测优化的功能。存储器420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420可进一步包括相对于处理器460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400。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。

输入单元430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430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460，并能接收处理器460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430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。

显示单元440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400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440可包括显示面板441，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441。进一步的，触敏表面可覆盖显示面板441，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460以确定触摸事件的类型，随后处理器460根据触摸事件的类型在显示面板441上提供相应的视觉输出。虽然在图4中，触敏表面与显示面板441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441集成而实现输入和输出功能。

设备400通过传输模块450(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4示出了传输模块450，但是可以理解的是，其并不属于设备400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。

处理器460是设备400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420内的软件程序和/或模块，以及调用存储在存储器420内的数据，执行设备400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460可包括一个或多个处理核心；在一些实施例中，处理器460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460中。

设备400还包括给各个部件供电的电源470(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460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470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。

具体在本实施例中，设备400的显示单元440是触摸屏显示器，设备400还包括有存储器420，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420中，且经配置以由一个或者一个以上处理器460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：

获取目标日期的预测件量、一段历史时期的每日真实件量与每日预测件量；

计算所述历史时期的每日真实件量与每日预测件量之间的日度误差；及

根据所述日度误差及所述目标日期的预测件量产生优化件量。

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，可以参见上文针对物流日度件量预测优化方法的详细描述，此处不再赘述。

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。

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物流日度件量预测优化方法中的步骤。例如，所述指令可以执行如下步骤及/或与其有关的步骤：

获取目标日期的预测件量、一段历史时期的每日真实件量与每日预测件量；

计算所述历史时期的每日真实件量与每日预测件量之间的日度误差；及

根据所述日度误差及所述目标日期的预测件量产生优化件量。

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。

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。

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物流日度件量预测优化方法中的步骤，因此，可以实现本申请实施例所提供的任一种物流日度件量预测优化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。

以上对本申请实施例所提供的一种物流日度件量预测优化方法、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。