CN114140044A - 一种货物多维度数据分析方法 - Google Patents
一种货物多维度数据分析方法 Download PDFInfo
- Publication number
- CN114140044A CN114140044A CN202111296940.6A CN202111296940A CN114140044A CN 114140044 A CN114140044 A CN 114140044A CN 202111296940 A CN202111296940 A CN 202111296940A CN 114140044 A CN114140044 A CN 114140044A
- Authority
- CN
- China
- Prior art keywords
- goods
- cargo
- information
- risk
- module
- 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
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Abstract
本发明公开了一种货物多维度数据分析方法,涉及航空物流领域,通过货物分析系统,利用自动读码模块收集条码‑货物信息、动态安检模块收集货物‑图像信息、参数采集模块货物‑参数信息、风险评估货物‑评估信息,实现货物多维度数据分析。有利于实现航空物流在处理速度、业务水平、服务质量上的全面提升,实现海量数据的共享互通,为航空物流业智慧运维打下坚实的数据及知识储备基础。
Description
技术领域
本发明涉及航空物流领域,更具体的是涉及一种货物多维度数据分析方法。
背景技术
随着全球航空物流业务的迅猛增长,旅客迫切需求高质量物流服务。而目前航空物流平台存在货物处理、货物值机、货物分拣、货物再确认、运单等众多相互隔离的业务系统;航空物流数据又包括货物图像、视频、激光、RFID、 OCR识别、PLC等大量非结构化信息,这导致了航空物流数据的孤岛分布与有机联动的矛盾。
为实现航空物流在处理速度、业务水平、服务质量上的全面提升,实现海量数据的共享互通,为航空物流业智慧运维打下坚实的数据及知识储备基础,则需要对航空物流进行多维度的数据分析。
发明内容
本发明的目的在于:为了解决航空物流数据的孤岛分布与有机联动的矛盾,本发明提供一种货物多维度数据分析方法。
本发明为了实现上述目的具体采用以下技术方案:
一种货物多维度数据分析方法,包括货物自动处理系统、货物分析系统,还包括以下步骤:
S1-1:货物自动处理系统接收航班信息;
S1-2:旅客办理托运,或货代办理运货,货物自动处理系统接收货物信息后,根据接收的航班信息,运算输出货物路径图;
S1-3:货物通过机械传输装置,按照货物路径图向下游输送;
S1-4:自动读码模块为货物分发货物条码,并将具体条码信息与具体货物一一对应后,将条码-货物信息反馈至货物分析系统;
S1-5:货物经过安检区域,通过动态安检模块利用安检装置,判断货物是否安全,并将货物-图像信息反馈至货物分析系统,由货物分析系统根据各个货物安全状态,确定货物走向:安全货物向下游输送,异议货物进入待查区;
S1-6:安全货物进入货物参数采集区域,通过参数采集模块利用各类传感装置,对货物的温度、湿度进行采集,并通过基于BF神经网络模型具有温度补偿功能的装置,并将采集到的货物参数进行检测,将检测结果与具体货物一一对应后,并将货物-参数信息反馈至货物分析系统;
S1-7:货物进入分拣区域,根据货物路径图,被输送到不同的分拣滑槽或分拣转盘,在航班起飞前适时通过机械传输装置,向航班货舱输送;
S1-8:货物随航班抵达目的地,在航班停稳后适时通过机械传输装置,向机场货物提取区域输送,货物提取区通过扫码模块利用扫码装置,扫描货物条码,核对条码信息无误后,继续向下输送,待提取;
S1-9:货物航运流程完毕后,通过风险评估模块,进行风险评估分析,并将货物-评估信息反馈至货物分析系统;
S1-10:货物分析系统收集条码-货物信息、货物-图像信息、货物-参数信息、货物-评估信息,实现货物多维度数据分析。
进一步地,所述步骤S1-4中动态安检模块具体实现步骤为:
S2-1:货物进入安检装置通道,遮挡光电传感器,传感器检测信号被发送至其控制单元,启动X射线发射;
S2-2:经过光电转换、图像处理,得到高质量的X射线扫描图像;
S2-3:提取扫描图像中图形特征,经过卷积操作、特征对比,从而预测物体类别,判断货物中是否包含违禁物品;重复此步骤可提高预测精确度;
S2-4:存储图形特征,标注物体类别、位置信息,得到货物-图像信息反馈至货物分析系统。
进一步地,所述步骤S1-6中货物参数检测具体实现步骤为:
S3-1:将数据进行标准化处理,其中,Xi、Pi为标定值,Xi-mi n、Xi-max 为温度传感器输出电压标定的最小值和最大值,Pi-mi n、Pi-max为压力标定的最小值和最大值;
S3-2:对标准化数据按利用灰色理论GM(1,1)模型对其进行处理,建立等维信息模型;
S3-3:将数据随机分成验证样本和训练样本;
S3-4:设计BP神经网络,用训练样本对神经网络进行训练,直至满足精度要求为止;
S3-5:用验证样本对训练好的神经网络进行验证,如果验证输出与实验结果的误差满足精度要求,认为此时的网络参数合理;若未达到要求,则返回S3-4 对神经网络重新进行训练,直到训练误差及验证误差均满足精度要求为止;
S3-6:将验证样本训练好的网络进行检验:当训练误差及验证误差均满足精度要求时,神经网络的补偿输出、验证输出及训练输出就会达到补偿的预设要求。
进一步地,所述步骤S1-9中风险评估模块具体实现步骤为:
S4-1:设定货物航运风险因素为效率、质量、成本、服务水平和信任,分别为a、b、c、d和e,其五个相对权值的总和为1;
S4-2:设定货物航运风险维度为市场敏感性、物流网络连通性二个维度;
S4-3:计算在五个风险因素下的二个风险维度的权值。
其中,所述步骤S4-3中计算步骤为:
S5-1:构造风险评估维度和风险因子的判断矩阵,计算每个判断矩阵的最大特征值对应的特征向量,并做归一化处理和一致性检验;若判断矩阵通过一致性检验,转到S5-2;如果判断矩阵没有通过一致性检验,重新进行S5-1;
S5-2:将特征向量作为网络风险因子的排序向量,得到相对于其他风险评估因子的排序向量;
S5-3:将所有网络层风险评估因子的相互影响的排序向量组合起来,得到未加权超矩阵;
S5-4:判断矩阵与未加权超矩阵相乘得到加权超矩阵;
S5-5:为反映风险评估因子间的依存和反馈关系,对加权超矩阵进行稳定性处理;
S5-6:在加权超矩阵的基础上,计算航空物流供应链风险各个评估因子的最终权值。
其中,所述市场敏感性通过空运货物的完整性、货主满意度、航班准时率和作业能力四个风险因子衡量。
其中,所述物流网络连通性通过通航城市数量、运营航空公司数量和航班密度三个风险因子来衡量。
本发明的有益效果如下:
1.在动态安检模块中,设置自动识图组件,采用基于深度学习的目标检测技术对被检物品中的违禁物品X射线图像进行检测,与违禁物品的标准对比用卷积神经网络对比,识别出违禁物品,得到货物-图像信息。提供了一个维度的货物数据分析方法,还解决了现有的安检装置由于人工观测的偏差容易,造成违禁品的错检、漏检等问题,提高了安检效率与准确率。
2.在货物参数检测中,利用基于灰色模型和BF神经网络的温度补偿功能的传感器实时对货物的温度、湿度、重量数据信息进行检测,得到货物-参数信息。提供了一个维度的货物数据分析方法,解决了现有设备不能有效降低随机噪声、实现校正补偿、提高压力传感器精度,不利于准确检测箱体的温度、湿度、重量数据信息的问题。
3.在风险评估模块中,得到货物-评估信息,实现对航空货运过程所涉及到部分环节的风险的动态评估,并充分考虑到五个风险因素、二个风险维度之间的依存关系。提供了一个维度的货物数据分析方法,并提升了对风险的评估效果,帮助航空货运运营方更好地实现对各物流环节的风险管控。
4.在自动读码模块中,采用多维度信息融合进行货物的跟踪识别,轻量级浅层神经网络建立带权重的识别模型,以实现目标货物的识别,得到条码-货物信息;同时,记录货物的传输轨迹、状态等,更新至航空信息管理数据库,并同步至信息管理终端,可视化显示该货物在各监测节点的视频流、编号、条码号、状态、旅客信息等,实现货物信息的及时更新和共享。
5.货物分析系统收集条码-货物信息、货物-图像信息、货物-参数信息、货物-评估信息,实现货物多维度数据分析。
附图说明
图1是本发明一种货物多维度数据分析方法实现流程图;
图2是货物分析系统收集多维度信息图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
实施例1
一种货物多维度数据分析方法,包括货物自动处理系统、货物分析系统,还包括以下步骤:
S1-1:货物自动处理系统接收航班信息;
S1-2:旅客办理托运,或货代办理运货,货物自动处理系统接收货物信息后,根据接收的航班信息,运算输出货物路径图;
S1-3:货物通过机械传输装置,按照货物路径图向下游输送;
S1-4:自动读码模块为货物分发货物条码,并将具体条码信息与具体货物一一对应后,将条码-货物信息反馈至货物分析系统;
其中,条码信息包括了发码时间、航班信息、出发地、目的地等,均可为后续风险评估提供数据支撑。譬如:S1-8中货物随航班抵达目的地后扫描货物条码,核对条码信息无误后,才能够继续向下输送,此时扫描货物条码,能够的出扫码时间,扫码时间与发码时间做运算,能够得出货物在机场内运转时间,运转时间又影响客户满意度。
另外,对于不能自动读出的条码,采用人工读码的方式进行补读。
S1-5:货物经过安检区域,通过动态安检模块利用安检装置,判断货物是否安全,并将货物-图像信息反馈至货物分析系统,由货物分析系统根据各个货物安全状态,确定货物走向:安全货物向下游输送,异议货物进入待查区;
S1-6:安全货物进入货物参数采集区域,通过参数采集模块利用各类传感装置,对货物的温度、湿度进行采集,并通过基于BF神经网络模型具有温度补偿功能的装置,并将采集到的货物参数进行检测,将检测结果与具体货物一一对应后,并将货物-参数信息反馈至货物分析系统;
S1-7:货物进入分拣区域,根据货物路径图,被输送到不同的分拣滑槽或分拣转盘,在航班起飞前适时通过机械传输装置,向航班货舱输送;
其中,对于早到行李,货物自动处理系统将其运送到早到行李区域中,然后按照航班或者时间的方式进行存储,在条件适合时转到分拣区域中,进行分拣;对于中转行李,通过旅客再值机或者工作人员输送的方式进入分拣区域,按照中转行李的流程进行处理。最后根据S1-8中货物分析系统数据,扫描货物条码,确认S1-5中的出发地、目的地,无误货物继续向下输送,待提取;运输错误货物将触发警报,提醒相关工作人员加紧处理。
S1-8:货物随航班抵达目的地,在航班停稳后适时通过机械传输装置,向机场货物提取区域输送,货物提取区通过扫码模块利用扫码装置,扫描货物条码,核对条码信息无误后,继续向下输送,待提取;
S1-9:货物航运流程完毕后,通过风险评估模块,进行风险评估分析,并将货物-评估信息反馈至货物分析系统;
S1-10:货物分析系统收集条码-货物信息、货物-图像信息、货物-参数信息、货物-评估信息,实现货物多维度数据分析。
实施例2
本实施例为实施例1的补充说明,所述步骤S1-4中动态安检模块具体实现方式为:还包括安检装置与安检系统。
其中,安检装置包括:基础支撑组件、数据采集组件、自动识图组件。其中基础支撑组件、数据采集组件组成市面上常见的安检装置,以下提供一种解决方式:基础支撑组件,包括截面形状为“口”字形框架,固定安装在所述框架外部的外罩板,插接安装在所述框架内部的胶带机,固定安装在所述框架底部的多个升降支座和滚轮,以及设置在所述框架两端的铅帘门;数据采集组件,包括设置在所述胶带机上、且位于所述铅帘门内侧的光电感应器,设置所述框架内部的X射线检测系统,以及设置在框架一侧的工控机,其中,所述工控机与所述X射线检测系统、光电感应器之间电性连接。采集图像数据后,传输至显示装置,由安检人员进行人工分辨货物中是否存在危险品。此等方式存在一定弊端:如果安检人员识别经验不足,会让危险品顺利通过安检,造成错检,同时需要安检人员长时间盯着屏幕,造成视觉疲劳,同样容易造成漏检。
本实施例中,设置有自动识图组件,采用基于深度学习的目标检测技术对被检物品中的违禁物品X射线图像进行检测,与违禁物品的标准对比用卷积神经网络对比,识别出违禁物品;采用多感受野分支模型的研究方法提高多尺度的违禁物品检测的识别精度。由此,不仅提供了一个维度的货物数据分析方法,实现了货物数据画像,以及可视化视频精确跟踪追溯方法,还解决了现有的安检装置由于人工观测的偏差容易,造成违禁品的错检、漏检等问题,提高了安检效率与准确率。
基于上述装置与系统,步骤S1-4中动态安检模块具体实现步骤为:
S2-1:货物进入安检装置通道,遮挡光电传感器,传感器检测信号被发送至其控制单元,启动X射线发射;经过准直器的X射线扇形束以3~10ms每次的频率扫描约1毫米厚的货物层面,穿透随传送带匀速移动的模块;
S2-2:探测器模块接收透过扫描区域的X射线信号并进行光电转换,通过数据采集系统完成探测器输出信号的接收、放大、数字化和向工控机的数据传输,最终送入自动识图组件中;图像处理模块对每个像素的数字信号进行本底- 空气校正、灰度融合与物质分类、几何校正,然后根据校正后的16位高能和低能信号,进行赋色、增强基本图像处理功能;显示控制模块把这些图像数据在彩色显示器上显示出来,呈现出高质量的X射线扫描图像;
S2-3:通过RPN网络,预测X射线图像中货物的提取框的位置,然后通过提取框映射到图像特征表中截取检测到的货物对应的特征;然后再通过对特征做进一步卷积操作,与学习数据的特征对比,从而预测检测到货物的类别,并进一步对提取框的位置进行修正;修正提取框的位置后,重复S2-3,对比特征相似度,判断是否大于第一阈值,若大于第一阈值则为违禁物品,该货物被认定为违禁货物,通过警报器进行声光报警,并在显示控制模块上框出违禁物品位置信息和类型信息;
S2-4:存储安全货物的图形特征,标注安全货物内物品类别、物品位置信息,得到货物-图像信息反馈至货物分析系统。
实施例3
本实施例为实施例1的补充说明,所述步骤S1-6中货物参数检测,能够实现对货物的温度、湿度、重量数据信息的测量;有效降低随机噪声、实现校正补偿、提高压力传感器精度,有利于准确检测货物的温度、湿度、重量数据信息。具体实现步骤为:
S3-1:通过参数采集模块利用各类传感装置,对货物的温度、湿度、重量参数信息进行采集后,将数据进行标准化处理,其中,Xi、Pi为标定值,Xi-mi n、 Xi-max为温度传感器输出电压标定的最小值和最大值,Pi-mi n、Pi-max为压力标定的最小值和最大值;
S3-2:对标准化数据按利用灰色理论GM(1,1)模型对其进行处理,建立等维信息模型;
S3-3:将数据随机分成验证样本和训练样本;
S3-4:设计BP神经网络,用训练样本对神经网络进行训练,直至满足精度要求为止;
S3-5:用验证样本对训练好的神经网络进行验证,如果验证输出与实验结果的误差满足精度要求,认为此时的网络参数合理;若未达到要求,则返回S3-4 对神经网络重新进行训练,直到训练误差及验证误差均满足精度要求为止;
S3-6:将验证样本训练好的网络进行检验:当训练误差及验证误差均满足精度要求时,神经网络的补偿输出、验证输出及训练输出就会达到补偿的预设要求。
本实施例中,利用基于灰色模型和BF神经网络的温度补偿功能的传感器实时对货物的温度、湿度、重量数据信息进行检测。由此,不仅提供了一个维度的货物数据分析方法,还解决了现有设备不能有效降低随机噪声、实现校正补偿、提高压力传感器精度,不利于准确检测箱体的温度、湿度、重量数据信息的问题。
实施例4
本实施例为实施例1的补充说明,所述步骤S1-9中风险评估模块具体实现步骤为:
S4-1:设定货物航运风险因素为效率、质量、成本、服务水平和信任,分别为a、b、c、d和e,其五个相对权值的总和为1;
S4-2:设定货物航运风险维度为市场敏感性、物流网络连通性二个维度;
S4-3:计算在五个风险因素下的二个风险维度的权值。
其中,所述步骤S4-3中计算步骤为:
S5-1:构造风险评估维度和风险因子的判断矩阵,计算每个判断矩阵的最大特征值对应的特征向量,并做归一化处理和一致性检验;若判断矩阵通过一致性检验,转到S5-2;如果判断矩阵没有通过一致性检验,重新进行S5-1;
S5-2:将特征向量作为网络风险因子的排序向量,得到相对于其他风险评估因子的排序向量;
S5-3:将所有网络层风险评估因子的相互影响的排序向量组合起来,得到未加权超矩阵;
S5-4:判断矩阵与未加权超矩阵相乘得到加权超矩阵;
S5-5:为反映风险评估因子间的依存和反馈关系,对加权超矩阵进行稳定性处理;
S5-6:在加权超矩阵的基础上,计算航空物流供应链风险各个评估因子的最终权值。
其中,所述市场敏感性通过空运货物的完整性、货主满意度、航班准时率和作业能力四个风险因子衡量。
其中,所述物流网络连通性通过通航城市数量、运营航空公司数量和航班密度三个风险因子来衡量。
由此,提供了一个维度的货物数据分析方法,实现对航空货运过程所涉及到部分环节的风险的动态评估,并充分考虑到五个风险因素、二个风险维度之间的依存关系,从而提升了对风险的评估效果,帮助航空货运运营方更好地实现对各物流环节的风险管控。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明的保护范围,任何熟悉本领域的技术人员在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种货物多维度数据分析方法,包括货物自动处理系统、货物分析系统,其特征在于,还包括以下步骤:
S1-1:货物自动处理系统接收航班信息;
S1-2:旅客办理托运,或货代办理运货,货物自动处理系统接收货物信息后,根据接收的航班信息,运算输出货物路径图;
S1-3:货物通过机械传输装置,按照货物路径图向下游输送;
S1-4:自动读码模块为货物分发货物条码,并将具体条码信息与具体货物一一对应后,将条码-货物信息反馈至货物分析系统;
S1-5:货物经过安检区域,通过动态安检模块利用安检装置,判断货物是否安全,并将货物-图像信息反馈至货物分析系统,由货物分析系统根据各个货物安全状态,确定货物走向:安全货物向下游输送,异议货物进入待查区;
S1-6:安全货物进入货物参数采集区域,通过参数采集模块利用各类传感装置,对货物的温度、湿度进行采集,并通过基于BF神经网络模型具有温度补偿功能的装置,并将采集到的货物参数进行检测,将检测结果与具体货物一一对应后,并将货物-参数信息反馈至货物分析系统;
S1-7:货物进入分拣区域,根据货物路径图,被输送到不同的分拣滑槽或分拣转盘,在航班起飞前适时通过机械传输装置,向航班货舱输送;
S1-8:货物随航班抵达目的地,在航班停稳后适时通过机械传输装置,向机场货物提取区域输送,货物提取区通过扫码模块利用扫码装置,扫描货物条码,核对条码信息无误后,继续向下输送,待提取;
S1-9:货物航运流程完毕后,通过风险评估模块,进行风险评估分析,并将货物-评估信息反馈至货物分析系统;
S1-10:货物分析系统收集条码-货物信息、货物-图像信息、货物-参数信息、货物-评估信息,实现货物多维度数据分析。
2.根据权利要求1所述的一种货物多维度数据分析方法,其特征在于,所述步骤S1-4中动态安检模块具体实现步骤为:
S2-1:货物进入安检装置通道,遮挡光电传感器,传感器检测信号被发送至其控制单元,启动X射线发射;
S2-2:经过光电转换、图像处理,得到高质量的X射线扫描图像;
S2-3:提取扫描图像中图形特征,经过卷积操作、特征对比,从而预测物体类别,判断货物中是否包含违禁物品;重复此步骤可提高预测精确度;
S2-4:存储图形特征,标注物体类别、位置信息,得到货物-图像信息反馈至货物分析系统。
3.根据权利要求1所述的一种货物多维度数据分析方法,其特征在于,所述步骤S1-6中货物参数检测具体实现步骤为:
S3-1:将数据进行标准化处理,其中,Xi、Pi为标定值,Xi-min、Xi-max为温度传感器输出电压标定的最小值和最大值,Pi-min、Pi-max为压力标定的最小值和最大值;
S3-2:对标准化数据按利用灰色理论GM(1,1)模型对其进行处理,建立等维信息模型;
S3-3:将数据随机分成验证样本和训练样本;
S3-4:设计BP神经网络,用训练样本对神经网络进行训练,直至满足精度要求为止;
S3-5:用验证样本对训练好的神经网络进行验证,如果验证输出与实验结果的误差满足精度要求,认为此时的网络参数合理;若未达到要求,则返回S3-4对神经网络重新进行训练,直到训练误差及验证误差均满足精度要求为止;
S3-6:将验证样本训练好的网络进行检验:当训练误差及验证误差均满足精度要求时,神经网络的补偿输出、验证输出及训练输出就会达到补偿的预设要求。
4.根据权利要求1所述的一种货物多维度数据分析方法,其特征在于,所述步骤S1-9中风险评估模块具体实现步骤为:
S4-1:设定货物航运风险因素为效率、质量、成本、服务水平和信任,分别为a、b、c、d和e,其五个相对权值的总和为1;
S4-2:设定货物航运风险维度为市场敏感性、物流网络连通性二个维度;
S4-3:计算在五个风险因素下的二个风险维度的权值。
5.根据权利要求4所述的一种货物多维度数据分析方法,其特征在于,所述步骤S4-3中计算步骤为:
S5-1:构造风险评估维度和风险因子的判断矩阵,计算每个判断矩阵的最大特征值对应的特征向量,并做归一化处理和一致性检验;若判断矩阵通过一致性检验,转到S5-2;如果判断矩阵没有通过一致性检验,重新进行S5-1;
S5-2:将特征向量作为网络风险因子的排序向量,得到相对于其他风险评估因子的排序向量;
S5-3:将所有网络层风险评估因子的相互影响的排序向量组合起来,得到未加权超矩阵;
S5-4:判断矩阵与未加权超矩阵相乘得到加权超矩阵;
S5-5:为反映风险评估因子间的依存和反馈关系,对加权超矩阵进行稳定性处理;
S5-6:在加权超矩阵的基础上,计算航空物流供应链风险各个评估因子的最终权值。
6.根据权利要求4所述的一种货物多维度数据分析方法,其特征在于,所述市场敏感性通过空运货物的完整性、货主满意度、航班准时率和作业能力四个风险因子衡量。
7.根据权利要求4所述的一种货物多维度数据分析方法,其特征在于,所述物流网络连通性通过通航城市数量、运营航空公司数量和航班密度三个风险因子来衡量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111296940.6A CN114140044A (zh) | 2021-11-03 | 2021-11-03 | 一种货物多维度数据分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111296940.6A CN114140044A (zh) | 2021-11-03 | 2021-11-03 | 一种货物多维度数据分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114140044A true CN114140044A (zh) | 2022-03-04 |
Family
ID=80392498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111296940.6A Pending CN114140044A (zh) | 2021-11-03 | 2021-11-03 | 一种货物多维度数据分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114140044A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116562769A (zh) * | 2023-06-15 | 2023-08-08 | 深圳爱巧网络有限公司 | 一种基于货物属性分类的货物数据分析方法及系统 |
-
2021
- 2021-11-03 CN CN202111296940.6A patent/CN114140044A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116562769A (zh) * | 2023-06-15 | 2023-08-08 | 深圳爱巧网络有限公司 | 一种基于货物属性分类的货物数据分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10768338B2 (en) | Systems and methods for detecting threats and contraband in cargo | |
US6218943B1 (en) | Contraband detection and article reclaim system | |
US11099294B2 (en) | Distributed analysis x-ray inspection methods and systems | |
US20060098842A1 (en) | Security screening system and method | |
CN112099104B (zh) | 一种安检方法及装置 | |
CN114295649B (zh) | 一种信息关联方法、装置、电子设备及存储介质 | |
CN114140044A (zh) | 一种货物多维度数据分析方法 | |
CN111830917A (zh) | 一种造纸企业原料数字化防作弊质检管控系统及方法 | |
KR101863770B1 (ko) | 항만 보안검색 통합 서비스 시스템 | |
Stachowiak et al. | Procedures of detecting damage to a conveyor belt with use of an inspection legged robot for deep mine infrastructure | |
WO2020021580A1 (en) | Apparatus and method for automatically checking a piece of baggage | |
CN113165754A (zh) | 用于机场的乘客手提行李检查系统和方法 | |
US20090236531A1 (en) | Horizontal sensor arrays for non-invasive identification of hazardous materials | |
CN114022537B (zh) | 一种用于动态称重区域车辆装载率和偏载率分析方法 | |
US20190279153A1 (en) | Multi-threat maritime detection system | |
US20240102948A1 (en) | Determining physical properties of items input to an x-ray scanner system, and related systems, methods and apparatuses | |
CN112101498A (zh) | 一种违禁品定位方法及装置 | |
CN116029633B (zh) | 一种基于智慧物流的数字化物流管控平台系统 | |
BG4102U1 (bg) | Контролна система | |
Chalmers | Cargo identification algorithms facilitating unmanned/unattended inspection at high throughput portals | |
CN116682063A (zh) | 一种爆炸物信息三维比对分析方法 | |
CN117973971A (zh) | 基于区块链的航空物流信息管理方法及设备 | |
DE102012200576A1 (de) | Verfahren und Vorrichtung zum Transport eines Gegenstands unter Verwendung eines dreidimensionalen Modells dieses Gegenstands | |
CN114229164A (zh) | 一种航空货运识别装置 | |
CN117746159A (zh) | 一种航空物流多功能智能一体设备及识图、判图系统 |
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 |