CN114707931A - 一种基于htm的物流仓库异常情况实时监测系统及其设计方法 - Google Patents
一种基于htm的物流仓库异常情况实时监测系统及其设计方法 Download PDFInfo
- Publication number
- CN114707931A CN114707931A CN202210351623.8A CN202210351623A CN114707931A CN 114707931 A CN114707931 A CN 114707931A CN 202210351623 A CN202210351623 A CN 202210351623A CN 114707931 A CN114707931 A CN 114707931A
- Authority
- CN
- China
- Prior art keywords
- htm
- logistics
- abnormal
- time
- warehouse
- 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
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/0833—Tracking
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
Abstract
本发明公开了一种基于HTM的物流仓库异常情况实时监测系统及其设计方法。随着互联网技术、多媒体技术、传感器技术与机器学习技术的发展,为仓储管理、仓储安全防范和自动化管理提供了强有力的技术保障。通常物流仓库的安防系统可以实现对室内湿度、温度、烟感、气压、红外对射、感应电缆等多种传感器的接入和报警管理。本发明针对物流仓库异常情况的监测时效性问题,引入了一种基于HTM的物流仓库异常情况实时监测系统及其设计方法,以完成对物流仓库的异常情况提前预警的效果。本发明利用了HTM在时序预测方面的可在线学习与运行效率高的优点,结合了HTM预测模块与非线性逻辑回归模块,给出下一时刻的异常情况评估分数,进而根据异常指标判断物流仓库是否将会发生异常情况。本发明所提供的的方案,利用HTM机器学习训练模型,降低了物流仓储系统的存储压力,减少了物流仓储的运营管理成本,具有较高的实用性。
Description
技术领域
本发明涉及人工智能深度学习领域,尤其涉及一种基于HTM的物流仓库异常情况实时监测系统及其设计方法。
背景技术
随着互联网的逐渐普及,在线购物的需求日渐增长,随之而来的物流需求也逐渐上升。物流仓储管理成为了现代物流中不可或缺的一个重要环节,仓储应保障货物在进入市场前完成整理、包装、质检、分拣等程序,才能在后续环节中缩短工作时间,加快货物的流通速度,保证再生产过程。因而物流仓储的安全性尤为重要。传统的物流管理方案,大部分并不能对即将到来的仓储异常情况进行预警,导致了很多严重的损失。
近些年来,受益于近些年来的大数据和计算力的提升,以及各种算法上的优化,深度学习广泛的应用于图像、语音、自然语言处理等领域,其中以循环神经网络、卷积神经网络、对抗神经网络、Transforms等为几个典型的深度学习算法。另一方面,脑科学、生物神经学的研究取的了不断突破,为人工神经网络的研究提供了良好的借鉴。其中,一种受人类大脑皮层启发的时间序列数据预测模型,层级时序记忆(Hierarchical Temporal Memory,HTM)开始受到人们的广泛关注,该模型利用了稀疏分布表征,通过空间池和时间池等算法完成学习,广泛的应用于时间序列的分析和处理,据一些研究报道称,HTM的预测效果与LSTM相当甚至更好。
因此本发明提出了一种基于HTM的物流仓库异常情况实时监测系统及其设计方法,保证物流仓储的安全性。
发明内容
本发明的目的在于提供一种基于HTM的物流仓库异常情况实时监测系统及其设计方法,能够实现对仓储异常情况的提前预警,并能够实时在线完成不能情况的训练,且训练模型具有体积小运行效率高的优点,降低了模型的训练成本,能够更好的保证物流仓储的安全性。
一种基于HTM的物流仓库异常情况实时监测系统及其设计方法,包括以下步骤:
步骤1,在物流仓库所部署的多种类型,多个数量的传感器数值进行实时在线采集,构成带有时间属性的时序数据,完成具有时序特性的物流仓库监测数据的在线数据流;
步骤2,将不同传感器所采集的时序数据流转化为输入编码,分别用HTM模型完成不同时序数据流的在线训练,让HTM模型学习不同传感器数值变化;
进一步,所属步骤2中,完成HTM模型学习不同传感器数值变化,主要包括以下步骤:
步骤2.1,利用HTM空间池算法对该输入空间池化,将该输入映射为一组激活的微柱,完空间池对输入数据的表征;
步骤2.2,空间池完成学习之后,在被激活微柱上生成学习细胞集将被激活的微柱集送入时间池进行训练,构建输入之间的时序关系,并在HTM中形成记忆;
步骤2.3,时间池完成对物流仓库传感器实时在线数据的规律学习后,通过分类解码器将时间池给出的下一时刻的预测模式进行分类解码,得到传感器下一时刻的预测值;
步骤3,采集物流仓库历次发生的异常情况数据,与传感器数据一起完成第二阶段对物流货运仓库的异常等级的拟合;
进一步,所属步骤3中,完成对物流货运仓库的异常情况的拟合,主要包括以下步骤:
步骤3.1,对异常等级做一定的划分,并用数值表示;
步骤3.2,通过非线性逻辑回归的方式,将不同的传感器数值拟合为对应的异常等级;
步骤4,将第一阶段HTM传感器提供的下一时刻的预测数据进行采集和非线性逻辑回归,得到对应的异常数值,判断当前的物流货运仓库异常等级,完成实时在线预警。
本发明的有益效果:
1、本发明与现有物流货运仓储管理方案不同,使用了一种基于HTM的物流仓库异常情况实时监测系统及其设计方法,利用了HTM实现了对传感器数据的在线学习和预测,以及非线性逻辑回归的方式实现了不同传感器数据与异常情况的拟合。
2、该模型能够完成实时在线学习并预测,降低了机器学习的训练成本与物流数据存储压力。
3、本发明减少了物流仓储管理的人力支出,提高了物流仓库的管理效率,更好的保证了物流仓库的安全性。
附图说明
图1为一种基于HTM的物流仓库异常情况实时监测系统及其设计方法的流程图。
图2为一种基于HTM的物流仓库异常情况实时监测系统及其设计方法的步骤示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用于解释本发明,并不用于限定本发明。
实施例1:
如图1所示,一种基于HTM的物流仓库异常情况实时监测系统及其设计方法。该方法的总体思路是引入基于HTM的机器学习方案完成仓库不同传感器的数值的训练和预测,通过非线性逻辑回归的方案对不同的传感器数据与异常情况做出拟合,以完成物流货运仓库的异常情况实时在线监测与提前预警。具体过程如下:
步骤1,在物流仓库所部署的多种类型,多个数量的传感器数值进行实时在线采集,构成带有时间属性的时序数据,完成具有时序特性的物流仓库监测数据的在线数据流;
步骤2,将不同传感器所采集的时序数据流转化为输入编码,分别用HTM模型完成不同时序数据流的在线训练,让HTM模型学习不同传感器数值变化;
进一步,所属步骤2中,完成HTM模型学习不同传感器数值变化,主要包括以下步骤:
步骤2.1,利用HTM空间池算法对该输入空间池化,将该输入映射为一组激活的微柱,完空间池对输入数据的表征;
步骤2.2,空间池完成学习之后,在被激活微柱上生成学习细胞集将被激活的微柱集送入时间池进行训练,构建输入之间的时序关系,并在HTM中形成记忆;
步骤2.3,时间池完成对物流仓库传感器实时在线数据的规律学习后,通过分类解码器将时间池给出的下一时刻的预测模式进行分类解码,得到传感器下一时刻的预测值;
步骤3,采集物流仓库历次发生的异常情况数据,与传感器数据一起完成第二阶段对物流货运仓库的异常等级的拟合;
进一步,所属步骤3中,完成对物流货运仓库的异常情况的拟合,主要包括以下步骤:
步骤3.1,对异常等级做一定的划分,并用数值表示;
步骤3.2,通过非线性逻辑回归的方式,将不同的传感器数值拟合为对应的异常等级;
步骤4,将第一阶段HTM传感器提供的下一时刻的预测数据进行采集和非线性逻辑回归,得到对应的异常数值,判断当前的物流货运仓库异常等级,完成实时在线预警。
综上,本发明的一种基于HTM的物流仓库异常情况实时监测系统及其设计方法,使用了一种基于HTM的物流仓库异常情况实时监测系统及其设计方法,利用了HTM实现了对传感器数据的在线学习和预测,以及非线性逻辑回归的方式实现了不同传感器数据与异常情况的拟合。该模型能够完成实时在线学习并预测,降低了机器学习的训练成本与物流数据存储压力。本发明减少了物流仓储管理的人力支出,提高了物流仓库的管理效率,更好的保证了物流仓库的安全性。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上实施例仅用于说明本发明的设计思想和特点,其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施,本发明的保护范围不限于上述实施例。所以,凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰,均在本发明的保护范围之内。
Claims (3)
1.一种基于HTM的物流仓库异常情况实时监测系统及其设计方法,其特征在于,包括以下步骤:
步骤1,在物流仓库所部署的多种类型,多个数量的传感器数值进行实时在线采集,构成带有时间属性的时序数据,完成具有时序特性的物流仓库监测数据的在线数据流;
步骤2,将不同传感器所采集的时序数据流转化为输入编码,分别用HTM模型完成不同时序数据流的在线训练,让HTM模型学习不同传感器数值变化;
步骤3,采集物流仓库历次发生的异常情况数据,与传感器数据一起完成第二阶段对物流货运仓库的异常等级的拟合;
步骤4,将第一阶段HTM传感器提供的下一时刻的预测数据进行采集和非线性逻辑回归,得到对应的异常数值,判断当前的物流货运仓库异常等级,完成实时在线预警。
2.根据权利要求1所述的一种基于HTM的物流仓库异常情况实时监测系统及其设计方法,其特征在于,所述步骤2中,完成HTM模型学习不同传感器数值变化,主要包括以下步骤:
步骤2.1,利用HTM空间池算法对该输入空间池化,将该输入映射为一组激活的微柱,完空间池对输入数据的表征;
步骤2.2,空间池完成学习之后,在被激活微柱上生成学习细胞集将被激活的微柱集送入时间池进行训练,构建输入之间的时序关系,并在HTM中形成记忆;
步骤2.3,时间池完成对物流仓库传感器实时在线数据的规律学习后,通过分类解码器将时间池给出的下一时刻的预测模式进行分类解码,得到传感器下一时刻的预测值。
3.根据权利要求1所述的一种基于HTM的物流仓库异常情况实时监测系统及其设计方法,其特征在于,所述步骤3中,完成HTM模型学习不同传感器数值变化,主要包括以下步骤:
步骤3.1,对异常等级做一定的划分,并用数值表示;
步骤3.2,通过非线性逻辑回归的方式,将不同的传感器数值拟合为对应的异常等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210351623.8A CN114707931A (zh) | 2022-04-02 | 2022-04-02 | 一种基于htm的物流仓库异常情况实时监测系统及其设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210351623.8A CN114707931A (zh) | 2022-04-02 | 2022-04-02 | 一种基于htm的物流仓库异常情况实时监测系统及其设计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114707931A true CN114707931A (zh) | 2022-07-05 |
Family
ID=82173244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210351623.8A Pending CN114707931A (zh) | 2022-04-02 | 2022-04-02 | 一种基于htm的物流仓库异常情况实时监测系统及其设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114707931A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167689A (zh) * | 2022-12-16 | 2023-05-26 | 江苏东衡智能科技有限公司 | 一种电池仓储物流安全控制方法和系统 |
-
2022
- 2022-04-02 CN CN202210351623.8A patent/CN114707931A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167689A (zh) * | 2022-12-16 | 2023-05-26 | 江苏东衡智能科技有限公司 | 一种电池仓储物流安全控制方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113723632A (zh) | 一种基于知识图谱的工业设备故障诊断方法 | |
CN109299273A (zh) | 基于改进seq2seq模型的多源多标签文本分类方法及其系统 | |
Liu et al. | Fault diagnosis of water quality monitoring devices based on multiclass support vector machines and rule-based decision trees | |
CN113361559B (zh) | 基于深宽度联合神经网络的多模态数据知识信息提取方法 | |
CN114912612A (zh) | 鸟类识别方法、装置、计算机设备及存储介质 | |
US20210182615A1 (en) | Alexnet-based insulator self-explosion recognition method | |
CN114092742B (zh) | 一种基于多角度的小样本图像分类装置和方法 | |
CN114780831A (zh) | 基于Transformer的序列推荐方法及系统 | |
CN113268370B (zh) | 一种根因告警分析方法、系统、设备及存储介质 | |
CN114707931A (zh) | 一种基于htm的物流仓库异常情况实时监测系统及其设计方法 | |
CN115170988A (zh) | 基于深度学习的电网线路故障识别方法及系统 | |
CN117852541A (zh) | 一种实体关系三元组抽取方法、系统及计算机设备 | |
CN117093260B (zh) | 一种基于决策树分类算法的融合模型网站结构解析方法 | |
CN113177578A (zh) | 一种基于lstm的农产品品质分类方法 | |
CN117151222A (zh) | 领域知识引导的突发事件案例实体属性及其关系抽取方法、电子设备和存储介质 | |
CN112529637B (zh) | 基于情景感知的服务需求动态预测方法及系统 | |
CN114969511A (zh) | 基于分片的内容推荐方法、设备及介质 | |
CN113779262A (zh) | 广电干线光缆传输系统智能运维方法 | |
CN111930982A (zh) | 一种电网图像智能标签方法 | |
CN114936615B (zh) | 一种基于表征一致性校对的小样本日志信息异常检测方法 | |
Mohimont | Deep Learning for Post-Harvest Grape Diseases Detection | |
CN117993868B (zh) | 基于双模态注意力的电网工程项目审计预警方法及系统 | |
CN114443808A (zh) | 一种基于行为目的关系的伦理极性判别方法 | |
CN116597004A (zh) | 一种时序动作定位的方法 | |
CN116954973A (zh) | 一种长尾分布数据故障诊断方法、装置及存储介质 |
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 |