网点接驳件量预测方法、装置、计算机设备和存储介质

摘要

本申请涉及一种网点接驳件量预测方法、装置、计算机设备和存储介质。所述网点接驳件量预测方法包括：获取预设时间段内目标网点的业务数据和配置数据；将所述业务数据和所述配置数据输入至接驳件量预测模型中，获取所述目标网点对应的接驳件量预测范围；所述接驳件量预测模型包括多个级联的预测子模型。采用本方法能够避免传统技术中，由人工按照经验预测网点的接驳件量，造成预测的接驳件量的数据可靠性差的问题。采用本方法能够提升预测的网点接驳件量的数据可靠性，进而提升接驳模型的输出结果准确性。

说明书

技术领域

本发明涉及物流技术领域，特别是涉及一种网点接驳件量预测方法、装置、计算机设备和存储介质。

背景技术

近年来，随着互联网技术的快速发展，物流行业也随之进入快速发展期。接驳是指由接驳员在接驳点与网点之间运送件量，接驳能够有效缓解收派员的收派压力，提高收派效率。

已有的接驳模型，如接驳线路模型和接驳排班模型，需要将预测的网点的接驳件量作为输入数据，便于接驳模型根据接驳件量安排接驳线路、接驳班次和接驳人员规划，等等。目前，输入接驳模型的接驳件量是由人工按照经验进行预测的。

但是，上述由人工按照经验预测网点接驳件量的方法，预测的接驳件量的数据可靠性差，使得接驳模型的输出结果准确性较差。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提升预测的网点接驳件量的数据可靠性的网点接驳件量预测方法、装置、计算机设备和存储介质。

第一方面，本申请实施例提供了一种网点接驳件量预测方法，所述网点接驳件量预测方法包括：

获取预设时间段内目标网点的业务数据和配置数据；

将所述业务数据和所述配置数据输入至接驳件量预测模型中，获取所述目标网点对应的接驳件量预测范围；所述接驳件量预测模型包括多个级联的预测子模型。

在其中一个实施例中，所述接驳件量预测模型包括第一预测子模型和第二预测子模型，所述第一预测子模型包括多个基分类器；

所述将所述业务数据和所述配置数据输入至接驳件量预测模型中，获取所述目标网点对应的接驳件量预测范围，包括：

将所述业务数据和所述配置数据分别输入至各所述基分类器中，得到各所述基分类器输出的预测件量范围；

将各所述基分类器输出的预测件量范围输入至所述第二预测子模型中，得到所述目标网点对应的接驳件量预测范围。

在其中一个实施例中，所述第二预测子模型包括一个目标分类器，所述将各所述基分类器输出的预测件量范围输入至所述第二预测子模型中，得到所述目标网点对应的接驳件量预测范围，包括：

将各所述基分类器输出的预测件量范围输入至所述目标分类器中，得到所述目标网点对应的接驳件量预测范围。

在其中一个实施例中，所述基分类器的训练过程包括：

获取预设时间段内多个网点的样本业务数据和样本配置数据；

根据所述样本业务数据和所述样本配置数据，训练初始网络模型，得到所述基分类器。

在其中一个实施例中，所述方法还包括：

根据预设的过滤规则，对所述样本业务数据和所述样本配置数据分别进行预处理，得到预处理后的样本业务数据和预处理后的样本配置数据；

所述根据所述样本业务数据和所述样本配置数据，训练初始网络模型，得到所述基分类器，包括：

根据所述预处理后的样本业务数据和所述预处理后的样本配置数据，训练初始网络模型，得到所述基分类器。

在其中一个实施例中，所述根据所述预处理后的样本业务数据和所述预处理后的样本配置数据，训练初始网络模型，得到所述基分类器，包括：

采用交叉验证方法，从所述预处理后的样本业务数据和所述预处理后的样本配置数据中获取训练数据集和测试数据集；

采用所述训练数据集训练初始网络模型，得到训练后的网络模型；

采用所述测试数据集对所述训练后的网络模型进行预测准确性验证，得到所述基分类器。

在其中一个实施例中，所述方法还包括：

根据所述样本业务数据、所述样本配置数据和所述基分类器，获取所述样本业务数据和所述样本配置数据中各特征数据的优先级；

根据各特征数据的所述优先级，对所述样本业务数据和所述样本配置数据中各特征数据的比例进行调整；

根据调整后的样本业务数据和调整后的样本配置数据，对所述基分类器的参数进行调整。

第二方面，本申请实施例提供一种网点接驳件量预测装置，所述装置包括：

第一获取模块，用于获取预设时间段内目标网点的业务数据和配置数据；

预测模块，用于将所述业务数据和所述配置数据输入至接驳件量预测模型中，获取所述目标网点对应的接驳件量预测范围；所述接驳件量预测模型包括多个级联的预测子模型。

第三方面，本申请实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的方法的步骤。

第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的方法的步骤。

本申请实施例提供的技术方案带来的有益效果至少包括：

通过获取预设时间段内目标网点的业务数据和配置数据；将所述业务数据和所述配置数据输入至接驳件量预测模型中，获取所述目标网点对应的接驳件量预测范围；所述接驳件量预测模型包括多个级联的预测子模型；由此，将目标网点的业务数据和配置数据输入至接驳件量预测模型中，即可得到目标网点对应的接驳件量预测范围；避免了传统技术中，由人工按照经验预测网点的接驳件量，造成预测的接驳件量的数据可靠性差的问题。本申请可以提升预测的网点接驳件量的数据可靠性，进而提升接驳模型的输出结果准确性。

附图说明

图1为一个实施例提供的网点接驳件量预测方法的应用环境图；

图2为一个实施例提供的网点接驳件量预测方法的流程示意图；

图3为一个实施例提供的网点接驳件量预测方法的流程示意图；

图4为一个实施例提供的基分类器训练过程的流程示意图；

图5为一个实施例提供的基分类器训练过程的流程示意图；

图6为一个实施例提供的基分类器训练过程的流程示意图；

图7为一个实施例提供的基分类器训练过程的流程示意图；

图8为一个实施例提供的网点接驳件量预测装置的结构框图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的网点接驳件量预测方法，可以应用于如图1所示的计算机设备，该计算机设备可以是服务器，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存网点接驳件量预测方法的数据。

本申请实施例提供的网点接驳件量预测方法、装置、计算机设备和存储介质，旨在解决传统技术中，由人工按照经验预测网点的接驳件量，造成的预测的网点接驳件量的数据可靠性差的技术问题。下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体地实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。

需要说明的是，本申请实施例提供的网点接驳件量预测方法，其执行主体可以是网点接驳件量预测装置，该网点接驳件量预测装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。下述方法实施例中，均以执行主体是计算机设备为例来进行说明。

请参考图2，其示出了本申请实施例提供的一种网点接驳件量预测方法的流程示意图，如图2所示，本实施例网点接驳件量预测方法可以包括以下步骤：

步骤S100，获取预设时间段内目标网点的业务数据和配置数据。

基于实际的业务需求，若需要预测目标网点的接驳件量的范围，计算机设备则获取预设时间段内目标网点的业务数据和配置数据。

本实施例中，预设时间段为一天，计算机设备获取指定日期对应的一天内，该目标网点的业务数据和配置数据。指定日期可以是在此之前的任一天，在其它实施例中，预设时间段也可以是其它的时间段，在此均不做具体限制。

本实施例中，业务数据包括目标网点收派件量、目标类型件量和历史接驳件量。其中，目标网点收派件量包括目标网点在一天内的总收派件量、收件量、派件量以及每件的平均重量；目标网点的目标类型件量包括时效为次日类型的件量和文件票据类型的件量；目标网点的历史接驳件量包括历史平均接驳件量、历史最大接驳件量和历史最小接驳件量，本实施例中，历史接驳件量可以是在此之前一周内的每天平均接驳件量、每天最大接驳件量和每天最小接驳件量。

本实施例中，配置数据包括目标网点接驳人员配置信息和目标网点单元区域配置信息。目标网点接驳人员配置信息包括目标网点的接驳员人数、接驳员平均年龄、接驳员平均工龄、全职接驳员人数；目标网点单元区域配置信息包括目标网点内单元区域数量、C类单元区域数量、CBD类单元区域数量、目标网点至各单元区域的平均距离。其中，C类单元区域是指住宅区、商住混合区、医院、校园类型的单元区域，CBD类单元区域是指办公类型的单元区域。

在其它实施例中，业务数据也可以包括目标网点收派件量、目标类型件量、历史接驳件量中的一个或多个；配置数据也可以包括目标网点接驳人员配置信息、目标网点单元区域配置信息中的一个或多个，在此不做具体限制。

步骤S200，将业务数据和配置数据输入至接驳件量预测模型中，获取目标网点对应的接驳件量预测范围。

其中，接驳件量预测模型包括多个级联的预测子模型。

计算机设备将业务数据和配置数据输入至接驳件量预测模型中，得到目标网点对应的接驳件量预测范围。

本实施例中，接驳件量预测模型包括多个级联的预测子模型，计算机设备将业务数据和配置数据输入至第一层预测子模型中，第一层预测子模型输出目标网点对应的接驳件量预测范围；计算机设备将第一层预测子模型的输出作为第二层预测子模型的输入，输入至第二层预测子模型中，以此类推，直至最后一层预测子模型输出目标网点对应的接驳件量预测范围。例如，输出目标网点对应的接驳件量预测范围为0-2000或2000-4000件，等等。由此，通过多层预测子模型级联形成接驳件量预测模型，提升了接驳件量预测范围的预测准确性。

本实施例通过获取预设时间段内目标网点的业务数据和配置数据；将业务数据和配置数据输入至由多个预测子模型级联形成的接驳件量预测模型中，获取目标网点对应的接驳件量预测范围；由此，将目标网点的业务数据和配置数据输入至接驳件量预测模型中，即可得到目标网点对应的接驳件量预测范围；避免了传统技术中，由人工按照经验预测网点的接驳件量，造成的接驳件量的数据可靠性差的问题。本实施例可以提升预测的网点接驳件量的数据可靠性，进而提升接驳模型的输出结果准确性，同时有助于分析和改进现有的接驳模型，提高接驳效率。

图3为另一个实施例提供的网点接驳件量预测方法的流程示意图。在上述图2所示实施例的基础上，本实施例中，接驳件量预测模型具体包括第一预测子模型和第二预测子模型，第一预测子模型包括多个基分类器。如图3所示，本实施例中，步骤S200包括步骤S210和步骤S220，具体地：

步骤S210，将业务数据和配置数据分别输入至各基分类器中，得到各基分类器输出的预测件量范围。

本实施例中，作为一种实施方式，接驳件量预测模型具体包括两层级联的子模型，即第一预测子模型和第二预测子模型。其中，第一预测子模型包括多个基分类器。

计算机设备将业务数据和配置数据分别输入至各基分类器中，得到各基分类器输出的预测件量范围。

步骤S220，将各基分类器输出的预测件量范围输入至第二预测子模型中，得到目标网点对应的接驳件量预测范围。

获取到各基分类器分别输出的预测件量范围后，计算机设备将各基分类器输出的预测件量范围输入至第二预测子模型中，得到第二预测子模型输出的目标网点对应的接驳件量预测范围。

在本实施例中，作为一种实施方式，第二预测子模型包括一个目标分类器，步骤S220具体可以通过将各基分类器输出的预测件量范围输入至目标分类器中，得到目标网点对应的接驳件量预测范围来实现。

在其它实施例中，作为一种实施方式，基分类器和目标分类器均可以是极端梯度提升Xgboost、轻型梯度提升框架LightGBM或随机森林Random Forest中的任意一种。本实施例中，具体地，第一预测子模型包括三个基分类器，三个基分类器分别为Xgboost、LightGBM和Random Forest；目标分类器为Random Forest。

本实施例通过获取预设时间段内目标网点的业务数据和配置数据；将业务数据和配置数据分别输入至各基分类器中，得到各基分类器输出的预测件量范围；将各基分类器输出的预测件量范围输入至第二预测子模型中，得到目标网点对应的接驳件量预测范围；由此，通过级联的第一预测子模型和第二预测子模型，提升了目标网点对应的接驳件量预测范围的预测准确性。

在上述图3所示实施例的基础上，参见图4，图4为基分类器的训练过程的流程示意图。如图4所示，本实施例基分类器的训练过程包括步骤S310和步骤S320，具体地：

步骤S310，获取预设时间段内多个网点的样本业务数据和样本配置数据。

计算机设备从大数据平台获取预设时间段内多个网点的样本业务数据和样本配置数据。预设时间段可以为一天，计算机设备获取在此之前任一天内，多个网点的样本业务数据和样本配置数据，得到各网点的样本业务数据和样本配置数据。

在本实施例中，网点的样本业务数据包括网点的收派件量、网点的目标类型件量和网点的历史接驳件量。其中，网点的收派件量包括该网点在一天内的总收派件量、收件量、派件量以及每件的平均重量；网点的目标类型件量包括该网点时效为次日类型的件量和文件票据类型的件量；网点的历史接驳件量包括该网点的历史平均接驳件量、历史最大接驳件量和历史最小接驳件量；本实施例中，历史接驳件量可以是在此之前一周内该网点的每天平均接驳件量、每天最大接驳件量和每天最小接驳件量。

本实施例中，网点的样本配置数据包括网点的接驳人员配置信息和网点的单元区域配置信息。其中，网点的接驳人员配置信息包括该网点的接驳员人数、接驳员平均年龄、接驳员平均工龄、全职接驳员人数；网点的单元区域配置信息包括该网点内单元区域数量、C类单元区域数量、CBD类单元区域数量以及该网点至各单元区域的平均距离。

步骤S320，根据样本业务数据和样本配置数据，训练初始网络模型，得到基分类器。

计算机设备将每个网点的样本业务数据和样本配置数据作为一条数据，每条数据均包括该网点的样本业务数据和样本配置数据对应的上述数据特征；计算机设备根据多个网点对应的多条数据，训练初始网络模型，得到基分类器。本实施例中，初始网络模型可以是参数初始化的Xgboost、LightGBM或Random Forest。

本实施例中，若初始网络模型为参数初始化的Xgboost或LightGBM，计算机设备训练初始网络模型时还需要获取如下输入参数：决策树个数、L1正则化系数、L2正则化系数、学习速率、决策树的深度、训练每棵树时使用的数据特征占全部数据特征的比例、训练每棵树时使用的数据条数占多条数据的比例。若初始网络模型为参数初始化的Random Forest，计算机设备训练初始网络模型时还需要获取决策树的深度作为输入参数。本实施例中，计算机设备获取的输入参数可以是人工根据业务需求输入至计算机设备的。

参见图5，图5为另一个实施例提供的基分类器的训练过程的流程示意图。在上述图4所示实施例的基础上，如图5所示，本实施例基分类器的训练过程还包括步骤S400：

步骤S400，根据预设的过滤规则，对样本业务数据和样本配置数据分别进行预处理，得到预处理后的样本业务数据和预处理后的样本配置数据。

本实施例中，过滤规则包括：删除接驳员人数为零的网点对应的样本业务数据和样本配置数据、删除目标数据存在缺失的网点对应的样本业务数据和样本配置数据、删除收派件量小于第一阈值的网点对应的样本业务数据和样本配置数据、删除各接驳员的平均接驳件量小于第二阈值的网点对应的样本业务数据和样本配置数据。

计算机设备对各网点对应的样本业务数据和样本配置数据按照上述过滤规则进行预处理，得到预处理后的样本业务数据和预处理后的样本配置数据。

在其它实施例中，过滤规则也可以是删除接驳员人数为零的网点对应的样本业务数据和样本配置数据、删除目标数据存在缺失的网点对应的样本业务数据和样本配置数据、删除收派件量小于第一阈值的网点对应的样本业务数据和样本配置数据、删除各接驳员的平均接驳件量小于第二阈值的网点对应的样本业务数据和样本配置数据中的一个或者多个，在此不做具体限制。

请继续参见图5，本实施例中，步骤S320包括步骤S321：

步骤S321，根据预处理后的样本业务数据和预处理后的样本配置数据，训练初始网络模型，得到基分类器。

预处理后的样本业务数据和预处理后的样本配置数据中剔除了无效数据，计算机设备根据预处理后的样本业务数据和预处理后的样本配置数据训练初始网络模型，提升了训练得到的基分类器的预测准确性。

图6为另一个实施例提供的基分类器的训练过程的流程示意图。在上述图5所示实施例的基础上，本实施例步骤S321包括步骤S321a、步骤S321b和步骤S321c，具体地：

步骤S321a，采用交叉验证方法，从预处理后的样本业务数据和预处理后的样本配置数据中获取训练数据集和测试数据集。

计算机设备从各网点预处理后的样本业务数据和预处理后的样本配置数据中，获取训练数据集和测试数据集。

本实施例中，计算机设备采用五折交叉验证方法，将多个网点对应的预处理后的样本业务数据和预处理后的样本配置数据分为五份，每次迭代时抽取不同的四份作为训练数据集，剩余一份作为测试数据集。

步骤S321b，采用训练数据集训练初始网络模型，得到训练后的网络模型。

计算机设备将抽取的训练数据集输入至初始网络模型中，训练初始网络模型。训练过程中，计算机设备采用网格搜索GridSearchCV来寻找更优的模型参数，得到训练后的网络模型。

步骤S321c，采用测试数据集对训练后的网络模型进行预测准确性验证，得到基分类器。

获取到训练后的网络模型后，计算机设备对训练后的网络模型进行预测准确性验证。具体地，计算机设备将测试数据集输入至训练后的网络模型中，得到测试数据集中各网点的接驳件量预测范围，将测试数据集中各网点的接驳件量预测范围与测试数据集中各网点的实际接驳件量范围进行对比，将预测准确性高于阈值的训练后的网络模型作为训练得到的基分类器。

作为一种实施方式，计算机设备训练得到三个基分类器，分别为Xgboost、LightGBM和Random Forest，并将这三个基分类器作为接驳件量预测模型的第一预测子模型；进一步地，从将这三个基分类器任意选择一个，例如选择Random Forest作为第二预测子模型所包括的目标分类器，由此，得到接驳件量预测模型。

本实施例获取预设时间段内多个网点的样本业务数据和样本配置数据；根据预设的过滤规则，对样本业务数据和样本配置数据分别进行预处理，得到预处理后的样本业务数据和预处理后的样本配置数据；采用交叉验证方法，从预处理后的样本业务数据和预处理后的样本配置数据中获取训练数据集和测试数据集；采用训练数据集训练初始网络模型，得到训练后的网络模型；采用测试数据集对训练后的网络模型进行预测准确性验证，得到基分类器；由此，采用交叉验证方法训练得到基分类器，提升了基分类器的模型稳定性及泛化能力，进一步提升了接驳件量预测模型的模型稳定性及泛化能力。

图7为另一个实施例提供的基分类器的训练过程的流程示意图。在上述图4所示实施例的基础上，本实施例中，基分类器的训练过程还包括步骤S510、步骤S520和步骤S530，具体地：

步骤S510，根据样本业务数据、样本配置数据和基分类器，获取样本业务数据和样本配置数据中各特征数据的优先级。

计算机设备根据基分类器对各网点的接驳件量范围进行预测，得到各网点的接驳件量预测范围。采用现有的特征重要性分析工具，将网点的接驳件量预测范围、该网点的样本业务数据和样本配置数据输入至特征重要性分析工具，得到该网点样本业务数据和样本配置数据中各特征数据对接驳件量预测范围的影响程度，将影响程度越大的特征数据的优先级设置为最高。

步骤S520，根据各特征数据的优先级，对样本业务数据和样本配置数据中各特征数据的比例进行调整。

计算机设备将各网点的样本业务数据和样本配置数据中，特征数据的优先级较低的特征，即，对接驳件量预测范围的影响程度较小的特征数据相应的降低数据比例。

例如，将网点的样本配置数据中特征数据“CBD类单元区域数量”的比例降低、将网点的样本业务数据中特征数据“全职接驳员人数”的比例降低，等等，得到调整后的样本业务数据和调整后的样本配置数据。

步骤S530，根据调整后的样本业务数据和调整后的样本配置数据，对基分类器的参数进行调整。

计算机设备将调整后的样本业务数据和调整后的样本配置数据输入至基分类器中再次进行训练，以提升最终得到的基分类器的预测准确性，优化接驳件量预测模型的预测效果。

应该理解的是，虽然图2-7的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-7中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图8所示，提供了一种网点接驳件量预测装置，包括：

第一获取模块10，用于获取预设时间段内目标网点的业务数据和配置数据；

预测模块20，用于将所述业务数据和所述配置数据输入至接驳件量预测模型中，获取所述目标网点对应的接驳件量预测范围；所述接驳件量预测模型包括多个级联的预测子模型。

可选地，所述接驳件量预测模型包括第一预测子模型和第二预测子模型，所述第一预测子模型包括多个基分类器；所述预测模块20包括：

第一预测单元，用于将所述业务数据和所述配置数据分别输入至各所述基分类器中，得到各所述基分类器输出的预测件量范围；

第二预测单元，用于将各所述基分类器输出的预测件量范围输入至所述第二预测子模型中，得到所述目标网点对应的接驳件量预测范围。

可选地，所述第二预测子模型包括一个目标分类器，所述第二预测单元包括：

预测子单元，用于将各所述基分类器输出的预测件量范围输入至所述目标分类器中，得到所述目标网点对应的接驳件量预测范围。

可选地，所述装置还包括：

第二获取模块，用于获取预设时间段内多个网点的样本业务数据和样本配置数据；

训练模块，用于根据所述样本业务数据和所述样本配置数据，训练初始网络模型，得到所述基分类器。

可选地，所述装置还包括：

预处理模块，用于根据预设的过滤规则，对所述样本业务数据和所述样本配置数据分别进行预处理，得到预处理后的样本业务数据和预处理后的样本配置数据；

所述训练模块包括：

训练单元，用于根据所述预处理后的样本业务数据和所述预处理后的样本配置数据，训练初始网络模型，得到所述基分类器。

可选地，所述训练单元包括：

获取子单元，用于采用交叉验证方法，从所述预处理后的样本业务数据和所述预处理后的样本配置数据中获取训练数据集和测试数据集；

训练子单元，用于采用所述训练数据集训练初始网络模型，得到训练后的网络模型；

验证子单元，用于采用所述测试数据集对所述训练后的网络模型进行预测准确性验证，得到所述基分类器。

可选地，所述装置还包括：

第三获取模块，用于根据所述样本业务数据、所述样本配置数据和所述基分类器，获取所述样本业务数据和所述样本配置数据中各特征数据的优先级；

第一调整模块，用于根据各特征数据的所述优先级，对所述样本业务数据和所述样本配置数据中各特征数据的比例进行调整；

第二调整模块，用于根据调整后的样本业务数据和调整后的样本配置数据，对所述基分类器的参数进行调整。

本实施例提供的网点接驳件量预测装置，可以执行上述网点接驳件量预测方法实施例，其实现原理和技术效果类似，在此不再赘述。

关于网点接驳件量预测装置的具体限定可以参见上文中对于网点接驳件量预测方法的限定，在此不再赘述。上述网点接驳件量预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，还提供了一种如图1所示的计算机设备，该计算机设备可以是服务器。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储网点接驳件量预测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种网点接驳件量预测方法。

本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体地计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取预设时间段内目标网点的业务数据和配置数据；将所述业务数据和所述配置数据输入至接驳件量预测模型中，获取所述目标网点对应的接驳件量预测范围；所述接驳件量预测模型包括多个级联的预测子模型。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Ramb微秒)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取预设时间段内目标网点的业务数据和配置数据；将所述业务数据和所述配置数据输入至接驳件量预测模型中，获取所述目标网点对应的接驳件量预测范围；所述接驳件量预测模型包括多个级联的预测子模型。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。