CN113379345A - 一种基于轨迹追踪的智能物流处理方法和系统 - Google Patents
一种基于轨迹追踪的智能物流处理方法和系统 Download PDFInfo
- Publication number
- CN113379345A CN113379345A CN202110586551.0A CN202110586551A CN113379345A CN 113379345 A CN113379345 A CN 113379345A CN 202110586551 A CN202110586551 A CN 202110586551A CN 113379345 A CN113379345 A CN 113379345A
- Authority
- CN
- China
- Prior art keywords
- data
- scale
- variable
- analysis
- decision
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 95
- 230000009466 transformation Effects 0.000 claims abstract description 57
- 238000006243 chemical reaction Methods 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 51
- 230000007246 mechanism Effects 0.000 claims abstract description 42
- 230000008569 process Effects 0.000 claims abstract description 39
- 238000007418 data mining Methods 0.000 claims abstract description 33
- 238000007405 data analysis Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000013499 data model Methods 0.000 claims description 35
- 238000005259 measurement Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000007726 management method Methods 0.000 abstract description 6
- 238000002474 experimental method Methods 0.000 abstract description 3
- 238000007689 inspection Methods 0.000 abstract description 3
- 238000003860 storage Methods 0.000 description 7
- 239000008186 active pharmaceutical agent Substances 0.000 description 5
- 238000010276 construction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013341 scale-up Methods 0.000 description 2
- 229910017052 cobalt Inorganic materials 0.000 description 1
- 239000010941 cobalt Substances 0.000 description 1
- GUTLYIVDDKVIGB-UHFFFAOYSA-N cobalt atom Chemical compound [Co] GUTLYIVDDKVIGB-UHFFFAOYSA-N 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明请求保护一种基于轨迹追踪的智能物流处理方法和系统，确定基础业务数据尺度，分析决策分析过程中的变尺度数据，基于变尺度数据分析进行数据挖掘，采用基于区块链的密钥生成方法进行数据安全平台；通过搭建针对运用跨行业数据挖掘标准流程建设决策分析系统所面临的数据结构确定问题、分析层次转换问题和分析结果检验问题,建立了尺度变换机制,为实现支撑数据挖掘全应用过程的自动化数据分析技术奠定基础。并且,针对数据挖掘技术应用中最常见的聚类分析任务,提出了面向多种数据类型的变尺度聚类分析算法,且不同决策分析场景的实际数据实验结果验证了尺度变换在实际管理问题中的优势和应用价值。
Description
技术领域
本发明属于计算机应用技术领域，特别涉及一种基于轨迹追踪的智能物流处理方法和系统。
背景技术
数字经济背景下,企业在生产经营活动中的各个决策环节,都可以利用数据分析结果提升决策质量和决策效率,建设面向决策分析的数据挖掘系统成为不同行业、不同发展阶段企业的迫切需求。根据企业建设数据挖掘系统时的生命周期,数据挖掘技术在实践应用中逐渐形成了规范化的应用过程方法论,即跨行业数据挖掘标准流程(CRISP-DMM)
运用CRISP-DM标准流程建设企业决策分析系统及其后续的运行过程中阻碍了企业决策分析系统建设的工程化和系统运行的智能化、自动化,使得诸多数据挖掘算法仅能作为一种独立的需求驱动型数据分析工具,在“数据准备、分析模型建立、分析结果评价”三个环节需要依靠分析人员的主观参与,才能连接成决策分析的完整过程。
同时，随着物联网应用发展的进一步深入，对于物联网安全的要求也逐步提高，因此，为适应新的互联网环境与安全需求，需要进一步寻求物联网安全技术新技术，这样才满足物联网的安全性和隐私性的需要。
发明内容
为解决的当前数据分析处理的繁琐和不安全问题，本发明首先请求保护一种基于轨迹追踪的智能物流处理方法，其特征在于，包括：
确定基础业务数据尺度，针对分类变量数据、二值变量数据、数值变量数据三种原始业务数据类型的特点,确定基础业务数据的尺度结构,为变尺度数据分析建立完备的数据结构基础；
分析决策分析过程中的变尺度数据，模拟管理人员进行决策分析层次转换时的思维过程,以提升决策结果质量为目标,构建基于数据挖掘结果的数据尺度变换机制,并且考虑不同原始业务数据类型对数据尺度变换模式的影响,实现业务数据合理分析层次的自动化识别和转换,建立基于数据尺度变换的自动化决策分析机制；
基于变尺度数据分析进行数据挖掘，采用基于区块链的密钥生成方法进行数据安全平台搭建。
具体的，所述确定基础业务数据尺度，针对分类变量数据、二值变量数据、数值变量数据三种原始业务数据类型的特点,确定基础业务数据的尺度结构,为变尺度数据分析建立完备的数据结构基础，具体包括：
建立面向决策问题空间表征的多尺度业务数据模型，确定决策问题所需要的观测尺及其尺度；
对每一个观测尺构建单观测尺的多尺度数据模型；
将所有单观测尺的多尺度数据模型集成,形成最终的多尺度数据模型；
完成变尺度聚类分析，确定决策问题所需要的观测尺及其尺度；
对每一个观测尺构建单观测尺的多尺度数据模型；
将所有单观测尺的多尺度数据模型集成,形成最终的多尺度数据模型。
进一步地，所述分析决策分析过程中的变尺度数据，模拟管理人员进行决策分析层次转换时的思维过程,以提升决策结果质量为目标,构建基于数据挖掘结果的数据尺度变换机制,并且考虑不同原始业务数据类型对数据尺度变换模式的影响,实现业务数据合理分析层次的自动化识别和转换,建立基于数据尺度变换的自动化决策分析机制，具体包括：
具有多重复值分类变置数据的变尺度聚类分析方法为界定多尺度数据模型的数据重复度,并建立分类变量数据尺度变换率度量；
采用分类变量数据尺度变换机制,该机制通过增加分类变量数据的多重复值预处理环节,来优化尺度变换策略的选择过程,并提升元聚类分析算法的计算效率；
依据分类变量数据尺度变换机制,提出分类变量数据变尺度聚类分析算法；
具有二值变量数据的变尺度聚类分析方法为建立多尺度二值变量数据模型,并界定广度尺度变换；
根据多尺度二值变量数据模型,建立二值变量数据尺度变换率度量,并结合尺度上钻变换机制,提出二值变量数据尺度变换机制，该机制利用二值变量数据尺度变换率控制广度尺度变换过程；
依据二值变量数据尺度变换机制,提出二值变量数据变尺度聚类分析算法。
进一步地，所述基于变尺度数据分析进行数据挖掘，采用基于区块链的密钥生成方法进行数据安全平台搭建，具体包括：
具有分类变量数据及二值变量数据的变尺度聚类分析得到客户类及各类的客户偏好特征和关注内容,确定企业制定的实际需求；
提取所述需求的轨迹数据类别，基于所述轨迹类别的数据需求采用区块链对业务数据进行密钥生成，获取轨迹尺度的聚类安全追踪。
本发明还请求保护一种基于轨迹追踪的智能物流处理系统，其特征在于，包括：
业务尺度确定模块，确定基础业务数据尺度，针对分类变量数据、二值变量数据、数值变量数据三种原始业务数据类型的特点,确定基础业务数据的尺度结构,为变尺度数据分析建立完备的数据结构基础；
决策分析模块，分析决策分析过程中的变尺度数据，模拟管理人员进行决策分析层次转换时的思维过程,以提升决策结果质量为目标,构建基于数据挖掘结果的数据尺度变换机制,并且考虑不同原始业务数据类型对数据尺度变换模式的影响,实现业务数据合理分析层次的自动化识别和转换,建立基于数据尺度变换的自动化决策分析机制；
数据挖掘安全模块，基于变尺度数据分析进行数据挖掘，采用基于区块链的密钥生成方法进行数据安全平台搭建。
本发明针对运用跨行业数据挖掘标准流程(CRISP-DM)建设决策分析系统所面临的数据结构确定问题、分析层次转换问题和分析结果检验问题,建立了尺度变换机制,为实现支撑数据挖掘全应用过程的自动化数据分析技术奠定基础。并且,针对数据挖掘技术应用中最常见的聚类分析任务,提出了面向多种数据类型(包括分类变量数据、二值变量数据、数值变量数据)的变尺度聚类分析算法,且不同决策分析场景的实际数据实验结果验证了尺度变换在实际管理问题中的优势和应用价值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所涉及的一种基于轨迹追踪的智能物流处理方法的工作流程图；
图2为本发明所涉及的一种基于轨迹追踪的智能物流处理系统的系统模块图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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，都属于本发明保护的范围。
参照图1，本发明首先请求保护一种基于轨迹追踪的智能物流处理方法，其特征在于，包括：
确定基础业务数据尺度，针对分类变量数据、二值变量数据、数值变量数据三种原始业务数据类型的特点,确定基础业务数据的尺度结构,为变尺度数据分析建立完备的数据结构基础；
分析决策分析过程中的变尺度数据，模拟管理人员进行决策分析层次转换时的思维过程,以提升决策结果质量为目标,构建基于数据挖掘结果的数据尺度变换机制,并且考虑不同原始业务数据类型对数据尺度变换模式的影响,实现业务数据合理分析层次的自动化识别和转换,建立基于数据尺度变换的自动化决策分析机制；
基于变尺度数据分析进行数据挖掘，采用基于区块链的密钥生成方法进行数据安全平台搭建。
具体的，所述确定基础业务数据尺度，针对分类变量数据、二值变量数据、数值变量数据三种原始业务数据类型的特点,确定基础业务数据的尺度结构,为变尺度数据分析建立完备的数据结构基础，具体包括：
建立面向决策问题空间表征的多尺度业务数据模型，确定决策问题所需要的观测尺及其尺度；根据决策人员的业务知识和经验,确定决策分析过程需要的所有观测尺和每个观测尺的尺度及尺度值,一般将业务数据采集时的初始尺度作为各观测尺的基本尺度,并为各观测尺分别构建能够描述尺度层级结构关系的概念空间模型
对每一个观测尺构建单观测尺的多尺度数据模型；找到初始业务数据中各观测尺所对应的概念空间,并将对象在基本尺度下的取值结果按照概念空间中的尺度值结构关系逐步扩展至每个尺度层级。若企业在上述阶段中选用了行业标准概念空间模型,则还需在对象数据扩展前选取行业标准概念空间模型中能够反应企业业务特色的尺度及尺度值。
将所有单观测尺的多尺度数据模型集成,形成最终的多尺度数据模型；将上述阶段得到的每个观测尺的彼此独立多尺度数据按照统一的对象顺序进行集成,形成一个包含决策分析过程需要的所有观测尺的完整多尺度数据模型。对于依据行业标准概念空间模型所构建的多尺度数据,由于行业通用尺度值有时会出现超出企业业务范围的情况,导致其所构建的多尺度数据可能存在无法合并对象取值的冗余尺度,需要删除所有冗余尺度以保证后续决策分析层次转换效率。
完成变尺度聚类分析，确定决策问题所需要的观测尺及其尺度；
对每一个观测尺构建单观测尺的多尺度数据模型；
将所有单观测尺的多尺度数据模型集成,形成最终的多尺度数据模型。
进一步地，所述分析决策分析过程中的变尺度数据，模拟管理人员进行决策分析层次转换时的思维过程,以提升决策结果质量为目标,构建基于数据挖掘结果的数据尺度变换机制,并且考虑不同原始业务数据类型对数据尺度变换模式的影响,实现业务数据合理分析层次的自动化识别和转换,建立基于数据尺度变换的自动化决策分析机制，具体包括：
具有多重复值分类变置数据的变尺度聚类分析方法为界定多尺度数据模型的数据重复度,并建立分类变量数据尺度变换率度量；
采用分类变量数据尺度变换机制，该机制通过增加分类变量数据的多重复值预处理环节，来优化尺度变换策略的选择过程，并提升元聚类分析算法的计算效率；
依据分类变量数据尺度变换机制，提出分类变量数据变尺度聚类分析算法；
具体的，输入：多尺度分类变量数据模型DS，尺度变换策略类型(激进型或保守型尺度变换策略)，多尺度数据模型的数据重复度上限阈值μ；输出：满意类及尺度特征SF，尺度变换路径STP。多重复值数据预处理，识别多尺度数据模型DS的基本尺度层级数据D0所有重复对象，将每种重复值仅保留一个代表对象。基本尺度层级聚类，利用元聚类分析算法对D0进行初始聚类，并利用粒度偏差GrD对基本尺度层级聚类结果进行评价。满意度判定阈值确定，识别基本尺度层级聚类结果中所有满意类，并将所有满意类的最大粒度偏差作为满意度判定阈值心。若无法找到满意类且未到达最高尺度层级，执行步骤尺度变换：否则，终止运算。初始满意类结果输出及数据更新，将重复对象添加至代表对象类中，输出所有满意类及每个类的尺度特征SF，并将各满意类中的所有对象从DS中删除。
尺度变换，利用多尺度数据模型的数据重复度上限阈值μ计算分类变量数据尺度变换率，对数据更新后的DS中中所有未被划分至满意类的对象实施尺度上钴变换。若采用激进尺度变换策略，选取分类变量数据尺度变换率最大的观测尺实施尺度上钻变换，并得到变换后的单尺度数据D′中；若采用保守尺度变换策略，选取分类变量数据尺度变换率最小的观测尺实施尺度上钻变换，并得到变换后的单尺度数据D′；若所有观测尺的尺度变换率都相同，则选取任意一个观测尺实施尺度变换。
多重复值数据预处理，识别D′中所有重复对象，将每种重复值仅保留一个代表对象；变换后尺度层级聚类，利用元聚类分析算法对D′进行聚类，利用粒度偏差GrD对变换后尺度层级聚类结果进行评价；满意类自动识别，若满意度判定阈值R0存在，则识别变换后尺度层级聚类结果中所有粒度偏差小于或等于R0的类作为满意类，且当所有类的粒度偏差评价结果均大于R0，直接将D’中的等价类作为满意类；否则，执行步骤满意度判定阈值确定。
满意类结果输出及数据更新，将重复对象添加至代表对象类中，输出所有满意类及每个类的尺度特征SF，并将各满意类中的所有对象从DS中删除：尺度变换迭代终止判断，判断变尺度聚类分析的尺度变换迭代过程是否终止：若DS中仍存在未被划分至满意类的对象，则执行步骤尺度变换，若DS己为空集，输出尺度变换路径STP。
具有二值变量数据的变尺度聚类分析方法为建立多尺度二值变量数据模型，并界定广度尺度变换：
根据多尺度二值变量数据模型，建立二值变量数据尺度变换率度量，并结合尺度上钻变换机制，提出二值变量数据尺度变换机制，该机制利用二值变量数据尺度变换率控制广度尺度变换过程；
依据二值变量数据尺度变换机制，提出二值变量数据变尺度聚类分析算法。
进一步地，所述基于变尺度数据分析进行数据挖掘，采用基于区块链的密钥生成方法进行数据安全平台搭建，具体包括：
具有分类变量数据及二值变量数据的变尺度聚类分析得到客户类及各类的客户偏好特征和关注内容，确定企业制定的实际需求；
提取所述需求的轨迹数据类别，基于所述轨迹类别的数据需求采用区块链对业务数据进行密钥生成，获取轨迹尺度的聚类安全追踪。
参照图2，本发明还请求保护一种基于轨迹追踪的智能物流处理系统，其特征在于，包括：
业务尺度确定模块，确定基础业务数据尺度，针对分类变量数据、二值变量数据、数值变量数据三种原始业务数据类型的特点，确定基础业务数据的尺度结构，为变尺度数据分析建立完备的数据结构基础；
决策分析模块，分析决策分析过程中的变尺度数据，模拟管理人员进行决策分析层次转换时的思维过程，以提升决策结果质量为目标，构建基于数据挖掘结果的数据尺度变换机制，并且考虑不同原始业务数据类型对数据尺度变换模式的影响，实现业务数据合理分析层次的自动化识别和转换，建立基于数据尺度变换的自动化决策分析机制；
数据挖掘安全模块，基于变尺度数据分析进行数据挖掘，采用基于区块链的密钥生成方法进行数据安全平台搭建。基于RSA算法和基于ECC算法的智能密钥生成方案，在生成的密钥及账户信息存储在密钥存储模块中，基于RSA算法的智能密钥生成方案的公钥由密钥管理模块打印，而由于基于ECC算法的智能密钥生成方案的智能合约是多合约实现的，为了节约合约间调用的Gas消耗，该方案的公钥由次合约的存储模块打印，私钥也存储在密钥存储模块。用户，向区块链发出密钥请求；2)区块链：将公钥及加密后的私钥打印在交易结果中；3)加解密模块：负责利用用户账户公钥对私钥进行加密，负责对密文进行解密.物联网节点向区块链发起密钥请求，区块链系统借助物联网密钥生成系统生成密钥后存储在密钥存储模块。1)公钥的获取：公钥直接打印在交易结果中，节点可以通过区块链查询交易结果获取公钥。2)私钥的获取：密钥存储模块中的私钥与该节点的账户公钥经过加密模块生成密文打印在交易结果中，节点查询交易结果获取私钥密文M后，将密文M利用账户私钥进行解密得到生成的私钥。
将密钥生成分为三个模块：密钥管理模块、密钥生成模块以及密钥存储模块。其中，密钥管理模块：1)负责获取触发交易的节点的信息，包括节点地址及节点账户的公钥，作为生成的密钥对的所有者与生成的密钥存储在密钥存储模块；2)负责向全网输出公钥；3)负责分配私钥。密钥生成模块：负责根据管理模块传递的信息以及智能合约的数据生成与账户相关的密钥对。密钥存储模块：负责将密钥的所有者的信息及密钥对应存储。
其中，存储在密钥存储模块的信息有：交易触发者钱包地址、触发者账户公钥、生成的智能密钥对。交易触发者钱包地址是标志生成的智能密钥对的拥有者；触发者账户公钥为区块链账户的公钥，是基于区块链的密码学技术，与账户本身的安全性相关；生成的智能密钥对为含有成对的公钥和私钥。
在基于区块链的物联网中，当节点需要密钥时，向智能密钥生成合约发送交易，生成密钥对，其中，公钥将数据原文加密为密文，私钥负责解密密文获取原文。智能密钥生成步骤如下：
1.节点A触发合约预置条件或者向合约发送交易；
2.主合约获取节点A信息，包括节点A钱包地址、节点A账户公钥；
3.根据获取的参数及次合约地址调用次合约；
4.次合约根据改进的ECC算法生成密钥对；
5.公钥向全网输出，私钥分配给密钥拥有者，默认为触发交易的节点；
6.合约清空节点信息及密钥对；
7.节点B通过查看交易结果获取公钥。
本发明针对运用跨行业数据挖掘标准流程(CRISP-DM)建设决策分析系统所面临的数据结构确定问题、分析层次转换问题和分析结果检验问题,建立了尺度变换机制,为实现支撑数据挖掘全应用过程的自动化数据分析技术奠定基础。并且,针对数据挖掘技术应用中最常见的聚类分析任务,提出了面向多种数据类型(包括分类变量数据、二值变量数据、数值变量数据)的变尺度聚类分析算法,且不同决策分析场景的实际数据实验结果验证了尺度变换在实际管理问题中的优势和应用价值。
上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
Claims (5)
1.一种基于轨迹追踪的智能物流处理方法，其特征在于，包括：
确定基础业务数据尺度，针对分类变量数据、二值变量数据、数值变量数据三种原始业务数据类型的特点,确定基础业务数据的尺度结构,为变尺度数据分析建立完备的数据结构基础；
分析决策分析过程中的变尺度数据，模拟管理人员进行决策分析层次转换时的思维过程,以提升决策结果质量为目标,构建基于数据挖掘结果的数据尺度变换机制,并且考虑不同原始业务数据类型对数据尺度变换模式的影响,实现业务数据合理分析层次的自动化识别和转换,建立基于数据尺度变换的自动化决策分析机制；
基于变尺度数据分析进行数据挖掘，采用基于区块链的密钥生成方法进行数据安全平台搭建。
2.如权利要求1所述的一种基于轨迹追踪的智能物流处理方法，其特征在于，所述确定基础业务数据尺度，针对分类变量数据、二值变量数据、数值变量数据三种原始业务数据类型的特点,确定基础业务数据的尺度结构,为变尺度数据分析建立完备的数据结构基础，具体包括：建立面向决策问题空间表征的多尺度业务数据模型，确定决策问题所需要的观测尺及其尺度；对每一个观测尺构建单观测尺的多尺度数据模型；
将所有单观测尺的多尺度数据模型集成,形成最终的多尺度数据模型；
完成变尺度聚类分析，确定决策问题所需要的观测尺及其尺度；
对每一个观测尺构建单观测尺的多尺度数据模型；
将所有单观测尺的多尺度数据模型集成,形成最终的多尺度数据模型。
3.如权利要求1所述的一种基于轨迹追踪的智能物流处理方法，其特征在于，所述分析决策分析过程中的变尺度数据，模拟管理人员进行决策分析层次转换时的思维过程,以提升决策结果质量为目标,构建基于数据挖掘结果的数据尺度变换机制,并且考虑不同原始业务数据类型对数据尺度变换模式的影响,实现业务数据合理分析层次的自动化识别和转换,建立基于数据尺度变换的自动化决策分析机制，具体包括：
具有多重复值分类变置数据的变尺度聚类分析方法为界定多尺度数据模型的数据重复度,并建立分类变量数据尺度变换率度量；
采用分类变量数据尺度变换机制,该机制通过增加分类变量数据的多重复值预处理环节,来优化尺度变换策略的选择过程,并提升元聚类分析算法的计算效率；
依据分类变量数据尺度变换机制,提出分类变量数据变尺度聚类分析算法；
具有二值变量数据的变尺度聚类分析方法为建立多尺度二值变量数据模型,并界定广度尺度变换；
根据多尺度二值变量数据模型,建立二值变量数据尺度变换率度量,并结合尺度上钻变换机制,提出二值变量数据尺度变换机制，该机制利用二值变量数据尺度变换率控制广度尺度变换过程；
依据二值变量数据尺度变换机制,提出二值变量数据变尺度聚类分析算法。
4.如权利要求1所述的一种基于轨迹追踪的智能物流处理方法，其特征在于，所述基于变尺度数据分析进行数据挖掘，采用基于区块链的密钥生成方法进行数据安全平台搭建，具体包括：
具有分类变量数据及二值变量数据的变尺度聚类分析得到客户类及各类的客户偏好特征和关注内容,确定企业制定的实际需求；
提取所述需求的轨迹数据类别，基于所述轨迹类别的数据需求采用区块链对业务数据进行密钥生成，获取轨迹尺度的聚类安全追踪。
5.一种基于轨迹追踪的智能物流处理系统，其特征在于，包括：
业务尺度确定模块，确定基础业务数据尺度，针对分类变量数据、二值变量数据、数值变量数据三种原始业务数据类型的特点,确定基础业务数据的尺度结构,为变尺度数据分析建立完备的数据结构基础；
决策分析模块，分析决策分析过程中的变尺度数据，模拟管理人员进行决策分析层次转换时的思维过程,以提升决策结果质量为目标,构建基于数据挖掘结果的数据尺度变换机制,并且考虑不同原始业务数据类型对数据尺度变换模式的影响,实现业务数据合理分析层次的自动化识别和转换,建立基于数据尺度变换的自动化决策分析机制；
数据挖掘安全模块，基于变尺度数据分析进行数据挖掘，采用基于区块链的密钥生成方法进行数据安全平台搭建。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110586551.0A CN113379345A (zh) | 2021-05-27 | 2021-05-27 | 一种基于轨迹追踪的智能物流处理方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110586551.0A CN113379345A (zh) | 2021-05-27 | 2021-05-27 | 一种基于轨迹追踪的智能物流处理方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113379345A true CN113379345A (zh) | 2021-09-10 |
Family
ID=77572291
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110586551.0A Pending CN113379345A (zh) | 2021-05-27 | 2021-05-27 | 一种基于轨迹追踪的智能物流处理方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113379345A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115269948A (zh) * | 2022-09-27 | 2022-11-01 | 北京科技大学 | 支持时空数据智能尺度变换的变尺度数据分析方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106022477A (zh) * | 2016-05-18 | 2016-10-12 | 国网信通亿力科技有限责任公司 | 智能分析决策系统及方法 |
| CN108537274A (zh) * | 2018-04-08 | 2018-09-14 | 武汉大学 | 一种基于网格的空间多尺度快速聚类方法 |
| CN112800464A (zh) * | 2021-02-05 | 2021-05-14 | 张嘉荣 | 基于区块链的防伪溯源方法和系统 |
-
2021
- 2021-05-27 CN CN202110586551.0A patent/CN113379345A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106022477A (zh) * | 2016-05-18 | 2016-10-12 | 国网信通亿力科技有限责任公司 | 智能分析决策系统及方法 |
| CN108537274A (zh) * | 2018-04-08 | 2018-09-14 | 武汉大学 | 一种基于网格的空间多尺度快速聚类方法 |
| CN112800464A (zh) * | 2021-02-05 | 2021-05-14 | 张嘉荣 | 基于区块链的防伪溯源方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 王艾: "面向决策支持的变尺度聚类分析技术", 《中国博士学位论文全文数据库 信息科技辑》, vol. 2021, no. 02, pages 1 - 171 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115269948A (zh) * | 2022-09-27 | 2022-11-01 | 北京科技大学 | 支持时空数据智能尺度变换的变尺度数据分析方法及装置 |
| CN115269948B (zh) * | 2022-09-27 | 2023-10-13 | 北京科技大学 | 支持时空数据智能尺度变换的变尺度数据分析方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110084377B (zh) | 用于构建决策树的方法和装置 | |
| CN111428881B (zh) | 识别模型的训练方法、装置、设备及可读存储介质 | |
| CN109284313B (zh) | 基于半监督学习的联邦建模方法、设备及可读存储介质 | |
| WO2020253358A1 (zh) | 业务数据的风控分析处理方法、装置和计算机设备 | |
| CN111753006B (zh) | 一种基于联邦学习的预测系统及方法 | |
| KR101968449B1 (ko) | 데이터 생산성 향상을 위한 ａｉ 학습 기반의 레이블 타입 데이터 자동 검수 시스템 및 그 방법 | |
| CN1753569B (zh) | 基于伪码的移动通信数据业务处理的系统和方法 | |
| CN114021168A (zh) | 基于联邦学习的地铁基坑开挖风险识别方法及装置 | |
| CN114611008A (zh) | 基于联邦学习的用户服务策略确定方法、装置及电子设备 | |
| CN108846043A (zh) | 基于互联网大数据的网络痕迹挖掘分析方法及系统 | |
| CN113379345A (zh) | 一种基于轨迹追踪的智能物流处理方法和系统 | |
| LU505529B1 (en) | Method and system for key management applied to a security management platform | |
| Skulimowski | A foresight support system to manage knowledge on information society evolution | |
| CN116703553B (zh) | 金融反欺诈风险监控方法、系统及可读存储介质 | |
| CN112231746B (zh) | 联合数据分析方法、装置、系统及计算机可读存储介质 | |
| CN113379344A (zh) | 一种基于云计算处理的智能物流处理方法和系统 | |
| KR102133901B1 (ko) | 스마트팩토리의 모니터링과 관리시스템을 위한 보안 시스템 | |
| CN114297223A (zh) | 一种基于大数据的中小企业信息化服务平台 | |
| CN112613887A (zh) | 一种基于大数据的客户关系管理方法及系统 | |
| CN113852204A (zh) | 一种于数字孪生的变电站三维全景监视系统及方法 | |
| CN110443585A (zh) | 一种基于历史模板的工作流程设计方法及系统 | |
| CN115481108B (zh) | 一种针对同一数据在不同部门之间的管理方法及系统 | |
| CN117271781B (zh) | 一种数据跨境合规评估系统 | |
| CN112561538B (zh) | 风险模型创制方法、装置、计算机设备及可读存储介质 | |
| Sokolova et al. | Multi-agent-based system technologies in environmental issues |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |