CN114912872A - 一种基于大数据的供应链运输安全监控方法 - Google Patents
一种基于大数据的供应链运输安全监控方法 Download PDFInfo
- Publication number
- CN114912872A CN114912872A CN202210525109.1A CN202210525109A CN114912872A CN 114912872 A CN114912872 A CN 114912872A CN 202210525109 A CN202210525109 A CN 202210525109A CN 114912872 A CN114912872 A CN 114912872A
- Authority
- CN
- China
- Prior art keywords
- transportation
- characteristic
- matrix
- material state
- materials
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 138
- 238000000034 method Methods 0.000 title claims abstract description 23
- 239000000463 material Substances 0.000 claims abstract description 305
- 239000011159 matrix material Substances 0.000 claims description 181
- 239000013598 vector Substances 0.000 claims description 56
- 239000013056 hazardous product Substances 0.000 claims description 16
- 239000006185 dispersion Substances 0.000 claims description 12
- 230000006399 behavior Effects 0.000 claims description 11
- 239000000383 hazardous chemical Substances 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 230000006378 damage Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000009736 wetting Methods 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
- G06Q10/0833—Tracking
-
- 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
- G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及一种基于大数据的供应链运输安全监控方法，其包括：根据接收到的不同时刻下的车辆监控数据和人员监控数据生成运输车辆的第一运输特征序列和第二运输特征序列，利用运输车辆的第一运输特征序列、第二运输特征序列和危险品物资的第一物资状态特征序列建立运输车辆的内部环境与危险品物资状态之间的第一关系预测模型，利用运输车辆的第三运输特征序列、第四运输特征序列和危险品物资的第二物资状态特征序列建立运输车辆的外部环境与危险品物资状态之间的第二关系预测模型，利用所述第一关系预测模型和第二关系预测模型预测危险品物资在信号断点下的物资状态，并根据所述物资状态生成相应的报警信息。
Description
技术领域
本发明涉及大数据和供应链安全管理领域，尤其涉及一种基于大数据的供应链运输安全监控方法。
背景技术
大数据包括抓取数据，数据存储，数据分析和数据共享。大数据的处理分析正成为新一代信息技术融合应用的结点。移动互联网、物联网等是新一代信息技术的应用形态，这些应用不断产生大数据。云计算为这些海量、多样化的大数据提供存储和运算平台。
在供应链物流管理中，危险品物质运输与其他类事故相比较，突发性更强、复杂性更高以及灾难性更强等特征，会对环境安全和社会公众安全产生较大伤害。因此，为了能够有效预防事故的出现，需要对驾驶员、运输设备、危险品物资以及路况和运输周边环境实施全方位的监督和控制，若是发现异常亦或是有潜在危险，需要及时给与告警和提醒。
现有技术中，对于危险品物资运输过程中发生较短时间内通讯信号的不稳定以及断点的情况，将会因物资信息不能在第一时间内被相关系统自动获取到而导致报警系统产生误报警。
发明内容
针对现有技术之不足，本发明提供了一种基于大数据的供应链运输安全监控方法，其包括：
接收车辆传感设备和人员监控设备在N个采集时刻发送的车辆监控数据和人员监控数据，利用预设的窗口长度对接收到的N个采集时刻的车辆监控数据和人员监控数据分别进行滑窗操作得到若干车辆监控数据块和人员监控数据块；
将获取到的所有车辆监控数据块和人员监控数据块预处理为归一化数据，并分别基于归一化后的若干车辆监控数据块和若干人员监控数据块生成运输车辆的第一运输特征序列和第二运输特征序列；基于危险品物资监控设备发送的历史危险品物资监控数据和实时危险品物资监控数据分析得到第一物资状态特征序列；利用运输车辆的第一运输特征序列、第二运输特征序列和危险品物资的第一物资状态特征序列建立运输车辆的内部环境与危险品物资状态之间的第一关系预测模型，其中，所述第一物资状态特征序列由历史危险品物资监控数据和实时危险品物资监控数据中与运输车辆的内部环境相关的数据部分构成；
基于仓储环境监控设备和外部环境监控设备发送的仓储环境监控数据和路段监控数据分别生成运输车辆的第三运输特征序列和第四运输特征序列。具体的，基于仓储环境监控设备发送的仓储环境监控数据生成运输车辆的第三运输特征序列，然后根据外部环境监控设备发送的路段监控数据生成运输车辆的第四运输特征序列。
利用运输车辆的第三运输特征序列、第四运输特征序列和危险品物资的第二物资状态特征序列建立运输车辆的外部环境与危险品物资状态之间的第二关系预测模型；
利用所述第一关系预测模型和第二关系预测模型预测危险品物资在信号断点下的物资状态，并根据所述物资状态生成相应的报警信息。
根据一个优选实施方式，所述建立运输车辆的内部环境与危险品物资状态之间的第一关系预测模型的步骤包括：
基于危险品物资的第一物资状态特征序列生成危险品物资的第一物资状态特征矩阵，计算第一物资状态特征矩阵中每一列特征向量的方差，从第一物资状态特征矩阵中选择方差最大的一列特征向量进行归一化处理；
对第一运输特征序列和第二运输特征序列进行拼接以生成相应的第一运输状态特征矩阵，基于第一物资状态特征矩阵中归一化后的列特征向量和所述第一运输状态特征矩阵生成第一运输特征序列与第二运输特征序列的权值矩阵，并基于第一物资状态特征矩阵中归一化后的列特征向量和所述权值矩阵生成第一运输特征序列与第二运输特征序列的第一关键线性组合特征向量；
将第一运输状态特征矩阵中的每个矩阵元素与第一关键线性组合特征向量和第一运输状态特征矩阵对应的协方差矩阵之间的比值相乘得到第一运输状态特征矩阵对应的第一相关系数矩阵，将第一物资状态特征矩阵中的每个矩阵元素与第一关键线性组合特征向量和危险品物资的第一物资状态特征矩阵对应的协方差矩阵之间的比值相乘得到第一物资状态特征矩阵的第二相关系数矩阵，利用所述第二相关系数矩阵和危险品物资的第一物资状态特征矩阵生成第一物资状态特征序列的第二关键线性组合特征向量；
利用第一关键线性组合特征向量和第二关键线性组合特征向量分析得到第一运输状态特征矩阵与第一物资状态特征矩阵之间的线性相关系数，提取所有第一关键线性组合特征向量以及每个第一关键线性组合特征向量对应的第一相关系数矩阵、所有第二关键线性组合特征向量和每个第二关键线性组合特征向量对应的第二相关系数矩阵，利用第一运输状态特征矩阵与第一物资状态特征矩阵之间的线性相关系数矩阵、第一运输状态特征矩阵对应的所有第一关键线性组合特征向量和所有第一相关系数矩阵、第一物资状态特征矩阵对应的所有第二关键线性组合特征向量和所有第二相关系数矩阵对运输车辆的内部环境与危险品物资状态进行关系建模以得到第一关系预测模型。
根据一个优选实施方式，危险品物资的第一物资状态特征序列的分析步骤包括：
获取危险品物资监控设备发送的历史危险品物资监控数据和实时危险品物资监控数据，分别基于危险品物资的多个历史危险品物资监控数据和多个实时危险品物资监控数据生成危险品物资的历史物资状态特征序列和实时物资状态特征序列；
基于历史物资状态特征序列中危险品物资的每一项物资状态特征对应的特征权重生成历史物资状态特征序列的第一序列权重矩阵，基于实时物资状态特征序列中危险品物资的每一项物资状态特征对应的特征权重生成实时物资状态特征序列的第二序列权重矩阵；
获取运输车辆的历史运输特征序列和实时运输特征序列，基于历史运输特征序列中运输车辆的每一项运输特征的特征变化量与历史物资状态特征序列中危险品物资的每一项物资状态特征的特征变化量确定历史运输特征序列中的每一项运输特征与历史物资状态特征序列中的每一项物资状态特征之间的第一离散度，基于实时运输特征序列中运输车辆的每一项运输特征的特征变化量与实时物资状态特征序列中危险品物资的每一项物资状态特征的特征变化量确定实时运输特征序列中的每一项运输特征与实时物资状态特征序列中的每一项物资状态特征之间的第二离散度；
将每一项运输特征与每一项物资状态特征之间的第一离散度与上述第一序列权重矩阵相乘得到每一项运输特征与对应每一项物资状态特征之间的第一相关系数，将每一项运输特征与每一项物资状态特征之间的第二离散度与上述第二序列权重矩阵相乘得到每一项运输特征与对应每一项物资状态特征之间的第二相关系数，将所述第一相关系数和所述第二相关系数进行相加得到每一项运输特征与对应每一项物资状态特征之间的最终相关系数；
将对应运输特征对应的所有最终相关系数进行比较，基于最终相关系数为最大时所述运输特征相对应的物资状态特征所属的物资属性信息和所述运输特征所属的运输属性信息识别每个危险品物资监控数据块中与运输车辆的内部环境相关的数据部分，并将其提取出来组成危险品物资的第一物资状态特征序列。
根据一个优选实施方式，历史物资状态特征序列中每一项物资状态特征对应的特征权重的分析包括：
统计历史物资状态特征序列中危险品物资的每一项物资状态特征的特征值取值以得到每一项物资状态特征的取值区间；
基于取值区间中每个特征值的取值概率分析得到每个一项物资状态特征的区分度值，并将每一项物资状态特征的区分度值与所有物资状态特征的总区分度值之间的比值作为对应每一项物资状态特征的特征权重。
所述历史运输特征序列由若干历史车辆监控数据和若干历史人员监控数据组成，所述实时运输特征序列由若干实时车辆监控数据和若干实时人员监控数据组成。
根据一个优选实施方式，所述利用所述第一关系预测模型和第二关系预测模型预测危险品物资在信号断点下的物资状态包括：
获取信号断点处的前多个时刻下运输车辆的内部环境数据和外部环境数据，基于获取到的多个内部环境数据生成运输车辆的第三运输状态特征矩阵，基于获取到的多个外部环境数据生成运输车辆的第四运输状态特征矩阵，其中，所述内部环境数据包括车辆监控数据和人员监控数据，所述外部环境数据包括仓储环境监控数据和路段监控数据；
分别利用第三运输状态特征矩阵中每列矩阵元素的方差对所述第三运输状态特征矩阵中各个矩阵元素进行归一化处理、利用第四运输状态特征矩阵中每列矩阵元素的方差对所述第四运输状态特征矩阵中的各个矩阵元素进行归一化处理得到运输车辆的标准化第三运输状态特征矩阵和标准化第四运输状态特征矩阵；
基于标准化第三运输状态特征矩阵和标准化第四运输状态特征矩阵分析得到运输车辆在信号断点处的内部环境数据和外部环境数据，将运输车辆在信号断点处的内部环境数据输入第一关系预测模型中得到危险品物资在信号断点处的第一预测物资状态特征，将运输车辆在信号断点处的外部环境数据输入第二关系预测模型中得到危险品物资在信号断点处的第二预测物资状态特征，拼接所述第一预测物资状态特征和第二预测物资状态特征以得到危险品物资在信号断点下的最终的物资状态。
根据一个优选实施方式，所述人员监控数据用于表征驾驶员的驾驶行为，其包括急加速、减速、超速、连续变道行为和疲劳驾驶行为；所述车辆监控数据用于表征运输车辆的运行参数，其包括车辆形变程度、车辆实际承重、轮胎胎压、发动机转速和车辆速度；
优选地，所述仓储环境监控数据用于表征运输车辆的仓储环境参数，其包括温度、湿度、压强和磁场；所述路段监控数据用于表征对应路段的属性，其包括路段的事故发生率、地点敏感度、地形特征、车流量和人流量。
根据一个优选实施方式，所述物资属性信息包括物理属性信息和化学属性信息，所述物理属性信息包括危险品物资的包装破损度、泄露速度和倾覆程度，所述化学属性信息包括干燥度、物体稳定度和挥发速度；所述运输属性信息包括驾驶员的驾驶行为、运输车辆的运行参数、运输车辆的仓储环境参数和路段属性。
本发明通过建立运输车辆的内部环境与危险品物资状态之间的关系模型以及运输车辆的外部环境与危险品物资状态之间的关系模型，从而实时预测危险品物资在信号断点处的物资状态，提高了相关系统在通讯信号不稳定以及发生信号断点时的报警精度。
附图说明
图1为本发明的一种基于大数据的供应链运输安全监控方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面将结合本发明实施例中附图，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。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。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
参见图1，在一个实施例中，本发明的基于大数据的供应链运输安全监控方法可以包括以下步骤：
S1、接收车辆传感设备和人员监控设备在N个采集时刻发送的车辆监控数据和人员监控数据，利用预设的窗口长度对接收到的N个采集时刻的车辆监控数据和人员监控数据分别进行滑窗操作得到若干车辆监控数据块和人员监控数据块。
本实施例中，人员监控数据用于表征驾驶员的驾驶行为，其包括急加速、减速、超速、连续变道行为和疲劳驾驶行为。车辆监控数据用于表征运输车辆的运行参数，其包括车辆形变程度、车辆实际承重、轮胎胎压、发动机转速和车辆速度。预设的窗口长度即为系统预先设置的时间长度。
S2、将获取到的所有车辆监控数据块和人员监控数据块预处理为归一化数据，并分别基于归一化后的若干车辆监控数据块和若干人员监控数据块生成运输车辆的第一运输特征序列和第二运输特征序列，利用运输车辆的第一运输特征序列、第二运输特征序列和危险品物资的第一物资状态特征序列建立运输车辆的内部环境与危险品物资状态之间的第一关系预测模型。
具体地，建立运输车辆的内部环境与危险品物资状态之间的第一关系预测模型的步骤包括：
基于危险品物资的第一物资状态特征序列生成危险品物资的第一物资状态特征矩阵，计算第一物资状态特征矩阵中每一列特征向量的方差，从第一物资状态特征矩阵中选择方差最大的一列特征向量进行归一化处理。
对第一运输特征序列和第二运输特征序列进行拼接以生成相应的第一运输状态特征矩阵。基于第一物资状态特征矩阵中归一化后的列特征向量和所述第一运输状态特征矩阵生成第一运输特征序列与第二运输特征序列的权值矩阵。基于第一物资状态特征矩阵中归一化后的列特征向量和所述权值矩阵生成第一运输特征序列与第二运输特征序列拼接所得的序列的第一关键线性组合特征向量。
将第一运输状态特征矩阵中的每个矩阵元素与第一关键线性组合特征向量和第一运输状态特征矩阵对应的协方差矩阵之间的比值相乘得到第一运输状态特征矩阵对应的第一相关系数矩阵，将第一物资状态特征矩阵中的每个矩阵元素与第一关键线性组合特征向量和危险品物资的第一物资状态特征矩阵对应的协方差矩阵之间的比值相乘得到第一物资状态特征矩阵的第二相关系数矩阵，利用所述第二相关系数矩阵和危险品物资的第一物资状态特征矩阵生成第一物资状态特征序列的第二关键线性组合特征向量。
利用第一关键线性组合特征向量和第二关键线性组合特征向量分析得到第一运输状态特征矩阵与第一物资状态特征矩阵之间的线性相关系数。提取所有第一关键线性组合特征向量以及每个第一关键线性组合特征向量对应的第一相关系数矩阵、所有第二关键线性组合特征向量和每个第二关键线性组合特征向量对应的第二相关系数矩阵。利用第一运输状态特征矩阵与第一物资状态特征矩阵之间的线性相关系数矩阵、第一运输状态特征矩阵对应的所有第一关键线性组合特征向量和所有第一相关系数矩阵、第一物资状态特征矩阵对应的所有第二关键线性组合特征向量和所有第二相关系数矩阵对运输车辆的内部环境与危险品物资状态进行关系建模以得到第一关系预测模型。
可选地，第一运输状态特征矩阵与第一物资状态特征矩阵之间的线性相关系数为归一化后的第一关键线性组合特征向量与第二关键线性组合特征向量之间的乘积。
具体地，第一关系预测模型的建模过程具体包括：
提取第一运输状态特征矩阵对应的所有第一关键线性组合特征向量和第一物资状态特征矩阵对应的所有第二关键线性组合特征向量。基于每个第一关键线性组合特征向量与对应第二关键线性组合特征向量分析所得的线性相关系数组成第一运输状态特征矩阵与第一物资状态特征矩阵之间的线性相关系数矩阵。
利用第一运输状态特征矩阵与第一物资状态特征矩阵之间的线性相关系数矩阵、第一运输状态特征矩阵对应的所有第一关键线性组合特征向量和第一物资状态特征矩阵对应的所有第二关键线性组合特征向量建立第一模型关系。利用第一运输状态特征矩阵和第一运输状态特征矩阵对应的所有第一相关系数矩阵建立第二模型关系。利用第一物资状态特征矩阵和第一物资状态特征矩阵对应的所有第二相关系数矩阵建立第三模型关系。对所述第一模型关系、第二模型关系和所述第三模型关系进行自回归组合以得到运输车辆的内部环境与危险品物资状态之间的第一关系预测模型。
具体地，危险品物资的第一物资状态特征序列的分析步骤包括：
S2.1、获取危险品物资监控设备发送的历史危险品物资监控数据和实时危险品物资监控数据，分别基于危险品物资的多个历史危险品物资监控数据和多个实时危险品物资监控数据生成危险品物资的历史物资状态特征序列和实时物资状态特征序列。
S2.2、基于历史物资状态特征序列中危险品物资的每一项物资状态特征对应的特征权重生成历史物资状态特征序列的第一序列权重矩阵，基于实时物资状态特征序列中危险品物资的每一项物资状态特征对应的特征权重生成实时物资状态特征序列的第二序列权重矩阵。
S2.3、获取运输车辆的历史运输特征序列和实时运输特征序列，基于历史运输特征序列中运输车辆的每一项运输特征的特征变化量与历史物资状态特征序列中危险品物资的每一项物资状态特征的特征变化量确定历史运输特征序列中的每一项运输特征与历史物资状态特征序列中的每一项物资状态特征之间的第一离散度，基于实时运输特征序列中运输车辆的每一项运输特征的特征变化量与实时物资状态特征序列中危险品物资的每一项物资状态特征的特征变化量确定实时运输特征序列中的每一项运输特征与实时物资状态特征序列中的每一项物资状态特征之间的第二离散度。
S2.4、将每一项运输特征与每一项物资状态特征之间的第一离散度与上述第一序列权重矩阵相乘得到每一项运输特征与对应每一项物资状态特征之间的第一相关系数，将每一项运输特征与每一项物资状态特征之间的第二离散度与上述第二序列权重矩阵相乘得到每一项运输特征与对应每一项物资状态特征之间的第二相关系数，将所述第一相关系数和所述第二相关系数进行相加得到每一项运输特征与对应每一项物资状态特征之间的最终相关系数。
S2.5、将对应运输特征对应的所有最终相关系数进行比较。为最终相关系数为最大时所述运输特征相对应的物资状态特征所属的物资属性信息和所述运输特征所属的运输属性信息建立相应的关联标识。基于建立的所有关联标识识别并提取出每个危险品物资监控数据块中与运输车辆的内部环境相关的数据部分以组成危险品物资的第一物资状态特征序列。
在实施例中，步骤S2.5中物资属性信息表示危险品物资的物理属性信息和化学属性信息，危险品物资的物理属性信息包括危险品物资的包装破损度、泄露速度和倾覆程度等，危险品物资的化学属性信息包括干燥度、物体稳定度和挥发速度等。运输属性信息可以是驾驶员的驾驶行为、运输车辆的运行参数、运输车辆的仓储环境参数和路段属性等。此外，危险品物资监控数据块的生成步骤与车辆监控数据块和人员监控数据块的生成步骤相同。
可选地，危险品物资的历史物资状态特征序列包括危险品物资的多项按时间顺序排列的物资状态特征，所述物资状态特征可以是危险品物资的包装外形特征、泄露速度、物体倾覆程度、物体干湿程度、物体稳定度或挥发速度。运输车辆的历史运输特征序列包括运输车辆的多项按时间顺序排列的运输特征，所述运输特征可以是运输车辆的车辆形变特征、车辆实际承重、轮胎胎压、发动机转速或车辆速度。
可选地，历史物资状态特征序列中每一项物资状态特征对应的特征权重的分析包括：
统计历史物资状态特征序列中危险品物资的每一项物资状态特征的特征值取值以得到每一项物资状态特征的取值区间。
基于取值区间中每个特征值的取值概率分析得到每个一项物资状态特征的区分度值，并将每一项物资状态特征的区分度值与所有物资状态特征的总区分度值之间的比值作为对应每一项物资状态特征的特征权重。
本实施例中，运输车辆的历史运输特征序列由若干历史车辆监控数据和若干历史人员监控数据组成，实时运输特征序列由若干实时车辆监控数据和若干实时人员监控数据组成。危险品物资监控数据用于表征危险品物资的状态属性，其包括危险品物资的包装破损度、泄露速度、倾覆程度、干燥度、物体稳定度和挥发速度。
S3、基于仓储环境监控设备和外部环境监控设备发送的仓储环境监控数据和路段监控数据生成运输车辆的第三运输特征序列和第四运输特征序列，利用运输车辆的第三运输特征序列、第四运输特征序列和危险品物资的第二物资状态特征序列建立运输车辆的外部环境与危险品物资状态之间的第二关系预测模型。
本实施例中，仓储环境监控数据用于表征运输车辆的仓储环境参数，其包括温度、湿度、压强和磁场。路段监控数据用于表征对应路段的属性，其包括路段的事故发生率、地点敏感度、地形特征、车流量和人流量。
具体地，运输车辆的外部环境与危险品物资状态之间的第二关系预测模型的建立过程与运输车辆的内部环境与危险品物资状态之间的第一关系预测模型相同。
同时，危险品物资的第二物资状态特征序列的分析步骤与危险品物资的第一物资状态特征序列的分析步骤相同，第二物资状态特征序列由历史危险品物资监控数据和实时危险品物资监控数据中与运输车辆的外部环境相关的数据部分构成。
S4、利用所述第一关系预测模型和第二关系预测模型预测危险品物资在信号断点下的物资状态，并根据所述物资状态生成相应的报警信息。
这样，通过建立运输车辆的内部环境与危险品物资状态之间的关系模型以及运输车辆的外部环境与危险品物资状态之间的关系模型，以实时预测危险品物资在信号断点处的物资状态，提高相关系统在通讯信号不稳定以及发生信号断点时的报警精度。此外，有助于提升危险品运输环节的自动化监管水平。
具体地，危险品物资在信号断点下的物资状态的生成步骤包括：
S4.1、获取信号断点处的前多个时刻下运输车辆的内部环境数据和外部环境数据，基于获取到的多个内部环境数据生成运输车辆的第三运输状态特征矩阵，基于获取到的多个外部环境数据生成运输车辆的第四运输状态特征矩阵，其中，所述内部环境数据包括车辆监控数据和人员监控数据，所述外部环境数据包括仓储环境监控数据和路段监控数据。
S4.2、分别利用第三运输状态特征矩阵中每列矩阵元素的方差对所述第三运输状态特征矩阵中各个矩阵元素进行归一化处理、利用第四运输状态特征矩阵中每列矩阵元素的方差对所述第四运输状态特征矩阵中的各个矩阵元素进行归一化处理得到运输车辆的标准化第三运输状态特征矩阵和标准化第四运输状态特征矩阵。
S4.3、基于标准化第三运输状态特征矩阵和标准化第四运输状态特征矩阵分析得到运输车辆在信号断点处的内部环境数据和外部环境数据。将运输车辆在信号断点处的内部环境数据输入第一关系预测模型中得到危险品物资在信号断点处的第一预测物资状态特征。将运输车辆在信号断点处的外部环境数据输入第二关系预测模型中得到危险品物资在信号断点处的第二预测物资状态特征。拼接所述第一预测物资状态特征和第二预测物资状态特征以得到危险品物资在信号断点下的最终的物资状态。
在本实施例中，步骤S4.3中“基于标准化第三运输状态特征矩阵和标准化第四运输状态特征矩阵分析得到运输车辆在信号断点处的内部环境数据和外部环境数据”的具体分析步骤可以包括如下：
信号断点即为较短时间内通讯信号不稳定以及发生断点，由于驾驶员的驾驶行为在较短时间内存在一定的稳定性以及可预测性，因此，将信号断点处前一时刻下的人员监控数据作为信号断点处的人员监控数据。同理，由于路段属性的稳定性，将信号断点处前一时刻下的人员监控数据作为信号断点处的路段监控数据。
分别将信号断点处的车辆监控数据设为第一未知数据，将信号断点处的仓储环境监控数据设为第二未知数据。组合第一未知数据和运输车辆在信号断点处的人员监控数据得到运输车辆在信号断点处的待补全内部环境数据，组合第二未知数据和运输车辆在信号断点处的路段监控数据得到运输车辆在信号断点处的待补全外部环境数据。
将待补全内部环境数据对应的数据特征拼接融合至标准化第三运输状态特征矩阵中以得到运输车辆的第一待补全运输状态特征矩阵，将待补全外部环境数据对应的数据特征拼接融合至标准化第四运输状态特征矩阵以得到运输车辆的第二待补全运输状态特征矩阵。
将运输车辆的标准化第三运输状态特征矩阵输入至第一关系预测模型中预测得到运输车辆的第一待补全运输状态特征矩阵对应的所有第一相关系数矩阵，利用所得的所有第一相关系数矩阵和第一关系预测模型中的第二模型关系分析得到第一待补全运输状态特征矩阵中的未知数据部分。利用相同步骤分析得到第二待补全运输状态特征矩阵中的未知数据部分。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，为了简明它们没有在细节中提供。
Claims (8)
1.一种基于大数据的供应链运输安全监控方法，其特征在于，所述方法包括：
接收车辆传感设备和人员监控设备在N个采集时刻发送的车辆监控数据和人员监控数据，利用预设的窗口长度对接收到的N个采集时刻的车辆监控数据和人员监控数据分别进行滑窗操作得到若干车辆监控数据块和人员监控数据块；
将获取到的所有车辆监控数据块和人员监控数据块预处理为归一化数据，并分别基于归一化后的若干车辆监控数据块和若干人员监控数据块生成运输车辆的第一运输特征序列和第二运输特征序列，基于危险品物资监控设备发送的历史危险品物资监控数据和实时危险品物资监控数据分析得到第一物资状态特征序列；利用运输车辆的第一运输特征序列、第二运输特征序列和危险品物资的第一物资状态特征序列建立运输车辆的内部环境与危险品物资状态之间的第一关系预测模型；
基于仓储环境监控设备和外部环境监控设备发送的仓储环境监控数据和路段监控数据分别生成运输车辆的第三运输特征序列和第四运输特征序列，利用运输车辆的第三运输特征序列、第四运输特征序列和危险品物资的第二物资状态特征序列建立运输车辆的外部环境与危险品物资状态之间的第二关系预测模型，其中，所述第二物资状态特征序列由历史危险品物资监控数据和实时危险品物资监控数据中与运输车辆的外部环境相关的数据部分构成；
利用所述第一关系预测模型和第二关系预测模型预测危险品物资在信号断点下的物资状态，并根据所述物资状态生成相应的报警信息。
2.根据权利要求1所述的方法，其特征在于，所述人员监控数据用于表征驾驶员的驾驶行为，其包括急加速、减速、超速和连续变道等；所述车辆监控数据用于表征运输车辆的运行参数，其包括车辆形变程度、车辆实际承重、轮胎胎压、发动机转速和车辆速度。
3.根据权利要求1或2所述的方法，其特征在于，所述建立运输车辆的内部环境与危险品物资状态之间的第一关系预测模型的步骤包括：
基于危险品物资的第一物资状态特征序列生成危险品物资的第一物资状态特征矩阵，计算第一物资状态特征矩阵中每一列特征向量的方差，从第一物资状态特征矩阵中选择方差最大的一列特征向量进行归一化处理；
对第一运输特征序列和第二运输特征序列进行拼接以生成相应的第一运输状态特征矩阵，基于第一物资状态特征矩阵中归一化后的列特征向量和所述第一运输状态特征矩阵生成第一运输特征序列与第二运输特征序列的权值矩阵，并基于第一物资状态特征矩阵中归一化后的列特征向量和权值矩阵生成第一运输特征序列与第二运输特征序列的第一关键线性组合特征向量；
将第一运输状态特征矩阵中的每个矩阵元素与第一关键线性组合特征向量和第一运输状态特征矩阵对应的协方差矩阵之间的比值相乘得到第一运输状态特征矩阵对应的第一相关系数矩阵，将第一物资状态特征矩阵中的每个矩阵元素与第一关键线性组合特征向量和危险品物资的第一物资状态特征矩阵对应的协方差矩阵之间的比值相乘得到第一物资状态特征矩阵的第二相关系数矩阵，利用所述第二相关系数矩阵和危险品物资的第一物资状态特征矩阵生成第一物资状态特征序列的第二关键线性组合特征向量；
利用第一关键线性组合特征向量和第二关键线性组合特征向量分析得到第一运输状态特征矩阵与第一物资状态特征矩阵之间的线性相关系数，提取所有第一关键线性组合特征向量以及每个第一关键线性组合特征向量对应的第一相关系数矩阵、所有第二关键线性组合特征向量和每个第二关键线性组合特征向量对应的第二相关系数矩阵，利用第一运输状态特征矩阵与第一物资状态特征矩阵之间的线性相关系数矩阵、第一运输状态特征矩阵对应的所有第一关键线性组合特征向量和所有第一相关系数矩阵、第一物资状态特征矩阵对应的所有第二关键线性组合特征向量和所有第二相关系数矩阵对运输车辆的内部环境与危险品物资状态进行关系建模以得到第一关系预测模型。
4.根据权利要求3所述的方法，其特征在于，所述基于危险品物资监控设备发送的历史危险品物资监控数据和实时危险品物资监控数据分析得到第一物资状态特征序列包括：
获取危险品物资监控设备发送的历史危险品物资监控数据和实时危险品物资监控数据，分别基于危险品物资的多个历史危险品物资监控数据和多个实时危险品物资监控数据生成危险品物资的历史物资状态特征序列和实时物资状态特征序列；
基于历史物资状态特征序列中危险品物资的每一项物资状态特征对应的特征权重生成历史物资状态特征序列的第一序列权重矩阵，基于实时物资状态特征序列中危险品物资的每一项物资状态特征对应的特征权重生成实时物资状态特征序列的第二序列权重矩阵；
获取运输车辆的历史运输特征序列和实时运输特征序列，基于历史运输特征序列中运输车辆的每一项运输特征的特征变化量与历史物资状态特征序列中危险品物资的每一项物资状态特征的特征变化量确定历史运输特征序列中的每一项运输特征与历史物资状态特征序列中的每一项物资状态特征之间的第一离散度，基于实时运输特征序列中运输车辆的每一项运输特征的特征变化量与实时物资状态特征序列中危险品物资的每一项物资状态特征的特征变化量确定实时运输特征序列中的每一项运输特征与实时物资状态特征序列中的每一项物资状态特征之间的第二离散度；
将每一项运输特征与每一项物资状态特征之间的第一离散度与上述第一序列权重矩阵相乘得到每一项运输特征与对应每一项物资状态特征之间的第一相关系数，将每一项运输特征与每一项物资状态特征之间的第二离散度与上述第二序列权重矩阵相乘得到每一项运输特征与对应每一项物资状态特征之间的第二相关系数，将所述第一相关系数和所述第二相关系数进行相加得到每一项运输特征与对应每一项物资状态特征之间的最终相关系数；
将对应运输特征对应的所有最终相关系数进行比较，基于最终相关系数为最大时所述运输特征相对应的物资状态特征所属的物资属性信息和所述运输特征所属的运输属性信息识别每个危险品物资监控数据块中与运输车辆的内部环境相关的数据部分，并将其提取出来组成危险品物资的第一物资状态特征序列。
5.根据权利要求4所述的方法，其特征在于，历史物资状态特征序列中每一项物资状态特征对应的特征权重的分析包括：
统计历史物资状态特征序列中危险品物资的每一项物资状态特征的特征值取值以得到每一项物资状态特征的取值区间；
基于取值区间中每个特征值的取值概率分析得到每个一项物资状态特征的区分度值，并将每一项物资状态特征的区分度值与所有物资状态特征的总区分度值之间的比值作为对应每一项物资状态特征的特征权重。
6.根据权利要求4或5之一所述的方法，其特征在于，所述历史运输特征序列由若干历史车辆监控数据和若干历史人员监控数据组成，所述实时运输特征序列由若干实时车辆监控数据和若干实时人员监控数据组成。
7.根据权利要求6所述的方法，其特征在于，所述利用所述第一关系预测模型和第二关系预测模型预测危险品物资在信号断点下的物资状态包括：
获取信号断点处的前多个时刻下运输车辆的内部环境数据和外部环境数据，基于获取到的多个内部环境数据生成运输车辆的第三运输状态特征矩阵，基于获取到的多个外部环境数据生成运输车辆的第四运输状态特征矩阵，其中，所述内部环境数据包括车辆监控数据和人员监控数据，所述外部环境数据包括仓储环境监控数据和路段监控数据；
分别利用第三运输状态特征矩阵中每列矩阵元素的方差对所述第三运输状态特征矩阵中各个矩阵元素进行归一化处理、利用第四运输状态特征矩阵中每列矩阵元素的方差对所述第四运输状态特征矩阵中的各个矩阵元素进行归一化处理得到运输车辆的标准化第三运输状态特征矩阵和标准化第四运输状态特征矩阵；
基于标准化第三运输状态特征矩阵和标准化第四运输状态特征矩阵分析得到运输车辆在信号断点处的内部环境数据和外部环境数据，将运输车辆在信号断点处的内部环境数据输入第一关系预测模型中得到危险品物资在信号断点处的第一预测物资状态特征，将运输车辆在信号断点处的外部环境数据输入第二关系预测模型中得到危险品物资在信号断点处的第二预测物资状态特征，拼接所述第一预测物资状态特征和第二预测物资状态特征以得到危险品物资在信号断点下的最终的物资状态。
8.根据权利要求4至7之一所述的方法，其特征在于，所述物资属性信息包括物理属性信息和化学属性信息，所述物理属性信息包括危险品物资的包装破损度、泄露速度和倾覆程度，所述化学属性信息包括干燥度、物体稳定度和挥发速度；所述运输属性信息包括驾驶员的驾驶行为、运输车辆的运行参数、运输车辆的仓储环境参数和路段属性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210525109.1A CN114912872A (zh) | 2022-05-14 | 2022-05-14 | 一种基于大数据的供应链运输安全监控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210525109.1A CN114912872A (zh) | 2022-05-14 | 2022-05-14 | 一种基于大数据的供应链运输安全监控方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114912872A true CN114912872A (zh) | 2022-08-16 |
Family
ID=82766698
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210525109.1A Pending CN114912872A (zh) | 2022-05-14 | 2022-05-14 | 一种基于大数据的供应链运输安全监控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114912872A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115468679A (zh) * | 2022-09-16 | 2022-12-13 | 成都信息工程大学 | 一种基于大数据和数字化工厂的产品检测方法 |
-
2022
- 2022-05-14 CN CN202210525109.1A patent/CN114912872A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115468679A (zh) * | 2022-09-16 | 2022-12-13 | 成都信息工程大学 | 一种基于大数据和数字化工厂的产品检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104670155B (zh) | 基于云端车联网的车辆防盗报警系统 | |
| CN114894411B (zh) | 一种基于无线传感器网络的桥梁健康监测方法及系统 | |
| CN110309735A (zh) | 异常侦测方法、装置、服务器及存储介质 | |
| CN111291916B (zh) | 驾驶行为安全性预测方法、装置、电子设备及存储介质 | |
| CN112700198A (zh) | 危化品运输监测信息处理方法和装置 | |
| CN114912872A (zh) | 一种基于大数据的供应链运输安全监控方法 | |
| CN116105802B (zh) | 一种基于物联网的地下设施安全监测预警方法 | |
| CN110782670A (zh) | 基于数据融合的场景还原方法、车辆云平台及存储介质 | |
| US20200156680A1 (en) | Railway vehicle major component and system diagnosis apparatus | |
| CN115659673B (zh) | 基于无人机图像的桥梁施工过程安全监控系统 | |
| CN111445369A (zh) | 基于lbs大数据的城市大型聚集活动情报预警方法和装置 | |
| CN115718874A (zh) | 异常检测 | |
| He et al. | Analysis and real-time prediction of local incident impact on transportation networks | |
| CN205264045U (zh) | 一种车辆管理系统 | |
| CN116204784B (zh) | 一种基于das的地铁隧道外部危害作业入侵识别方法 | |
| CN114897469A (zh) | 基于物联网和智慧物流的远程监测报警系统 | |
| CN115766092A (zh) | 一种can网络入侵检测方法、装置及存储介质 | |
| RU2725342C1 (ru) | Интеллектуальная система помощи принятия диспетчерских решений для точного определения участка и места разрыва магистрального газопровода в режиме реального времени | |
| CN113989787A (zh) | 一种危险驾驶行为的检测方法以及系统 | |
| CN112966590A (zh) | 基于aiot和企业安全指数的实时预警方法及装置 | |
| Paul et al. | Accident Forecasting using IoT and Deep Learning Techniques | |
| CN117589128B (zh) | 一种路锥姿态变化的识别方法、设备及介质 | |
| Kubra et al. | An IoT-based Framework for Mitigating Car Accidents and Enhancing Road Safety by Controlling Vehicle Speed | |
| CN118053260A (zh) | 基于物联网的生产车间施工作业安全预警系统及方法 | |
| Dang et al. | Building safety road maps based on difference of judgment of road users by their Smartphone |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220816 |