CN115471201B - 一种基于大数据和区块链的产业链数字化协同监管平台 - Google Patents
一种基于大数据和区块链的产业链数字化协同监管平台 Download PDFInfo
- Publication number
- CN115471201B CN115471201B CN202211142436.5A CN202211142436A CN115471201B CN 115471201 B CN115471201 B CN 115471201B CN 202211142436 A CN202211142436 A CN 202211142436A CN 115471201 B CN115471201 B CN 115471201B
- Authority
- CN
- China
- Prior art keywords
- production
- raw material
- preset
- acquiring
- behavior
- 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.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 claims abstract description 182
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000005516 engineering process Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 14
- 230000006399 behavior Effects 0.000 claims description 134
- 239000002994 raw material Substances 0.000 claims description 124
- 238000012545 processing Methods 0.000 claims description 90
- 230000002159 abnormal effect Effects 0.000 claims description 41
- 238000012216 screening Methods 0.000 claims description 31
- 238000004458 analytical method Methods 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 20
- 238000010276 construction Methods 0.000 claims description 10
- 238000004064 recycling Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000000153 supplemental effect Effects 0.000 claims description 3
- 230000009469 supplementation Effects 0.000 claims description 3
- 239000000047 product Substances 0.000 claims 16
- 239000013589 supplement Substances 0.000 claims 1
- 238000011156 evaluation Methods 0.000 description 25
- 238000003062 neural network model Methods 0.000 description 12
- 230000009286 beneficial effect Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 11
- 230000001788 irregular Effects 0.000 description 9
- 235000013305 food Nutrition 0.000 description 7
- 238000011084 recovery Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011269 treatment regimen Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 235000013365 dairy product Nutrition 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006260 foam Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001954 sterilising effect Effects 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 238000012546 transfer 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
-
- 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
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/30—Administration of product recycling or disposal
-
- 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
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
- G06Q30/014—Providing recall services for goods or products
Abstract
本发明提供了一种基于大数据和区块链的产业链数字化协同监管平台及方法,其中,平台包括:获取模块,用于从预设的区块链中获取对应于第一用户输入的产业链的产业信息;训练模块,用于基于大数据技术,训练协同监管模型;监管模块,用于基于协同监管模型,根据产业信息,对产业链进行协同监管。本发明提供的基于大数据和区块链的产业链数字化协同监管平台及方法,从预设的区块链获取第一用户输入的产业链的产业信息,由于区块链中的信息是不可伪造和篡改的,提高了产业信息获取的准确性;基于大数据技术,训练协同监管模型,提高了训练数据获取的全面性,同时,对产业链的生产过程进行监管,保证产业链的良性运作。
Description
技术领域
本发明涉及大数据技术领域,特别涉及一种基于大数据和区块链的产业链数字化协同监管平台及方法。
背景技术
目前,产业链的监管方想要得知产业链中产业信息,例如:生产商品的种类、产地,运输信息等,往往是通过询问各个产业链节点的工作人员,例如:生产商的工作人员。人为传递信息的过程中,容易出现传递错误,导致获取到的信息不准确,例如:管理人员想要知道问题商品原料产地,真实的商品原料产地为“陕西”,工作人员询问时将商品原料产地听错成“山西”再告知管理人员,造成信息偏差,监管方不能及时监控到产业链异常并进行调整,同时,监管方对产业链监管时依赖于个人经验,经验低的监管人员的监管策略不合理,会造成产业链运作流程的混乱。
因此,亟待一种解决方法。
发明内容
本发明提供一种基于大数据和区块链的产业链数字化协同监管平台,从预设的区块链获取第一用户输入的产业链的产业信息,由于区块链中的信息是不可伪造和篡改的,提高了产业信息获取的准确性;基于大数据技术,训练协同监管模型,提高了训练数据获取的全面性,同时,对产业链的生产过程进行监管,保证产业链的良性运作。
本发明提供一种基于大数据和区块链的产业链数字化协同监管平台,包括:
获取模块,用于从预设的区块链中获取对应于第一用户输入的产业链的产业信息;
训练模块,用于基于大数据技术,训练协同监管模型;
监管模块,用于基于所述协同监管模型,根据所述产业信息,对所述产业链进行协同监管。
优选的,所述训练模块2执行如下操作:
基于大数据技术,获取多个人工进行协同监管产业链的多个产业链监管记录;
基于预设的模型训练算法,对所述产业链监管记录进行模型训练,获得协同监管模型。
优选的,所述监管模块执行如下操作:
将所述产业信息输入至所述协同监管模型,由所述协同监管模型根据所述产业信息,对所述产业链进行协同监管,获得监管结果。
优选的,基于大数据和区块链的产业链数字化协同监管平台,还包括:
构建模块,用于构建异常项-处理策略库,当所述监管结果中包含至少一个第一异常项时,确定所述第一异常项对应的第一处理策略。
优选的,所述构建模块构建异常项-处理策略库,包括:
基于大数据技术,获取不同的第二产业链会产生的多个第二异常项和对应于第二异常项的多个第二处理策略;
获取第二处理策略的采用指数;
将采用指数最大的第二处理策略与对应第二异常项进行关联,获得第一关联配对组,同时,将第一关联配对组存入预设的空白数据库;
当需要存入的第一关联配对组全部存入空白数据库后,将空白数据库作为异常项-处理策略库,完成构建;
所述获取第二处理策略的采用指数,包括:
尝试获取历史上采用第二处理策略的至少一个采用方对采用的第二处理策略给出的历史评价;
若尝试获取成功,对历史评价进行评价解析,获得评价值,并与对应第二处理策略进行关联;
累加计算第二处理策略关联的评价值,获得评价值和,并作为第一采用度;
若尝试获取失败,基于预设的处理策略采用度分析模型,对第二处理策略进行处理策略采用度分析,获得第二采用度,并与对应第二处理策略进行关联;
获取第二处理策略对应的至少一个处理结果;
对处理结果进行效果分析,获得效果值,将效果值作为第三采用度,并与对应第二处理策略进行关联;
累加计算第二处理策略关联的第一采用度、第二采用度和第三采用度,获得采用指数。
优选的,基于大数据和区块链的产业链数字化协同监管平台,还包括:
溯源回收模块,用于当所述监管结果中出现至少一个第一问题商品时,确定第一问题商品对应的风险产品,并对所述风险产品进行溯源回收;
所述溯源回收模块确定第一问题商品对应的风险产品,包括:
对所述第一问题商品的问题原因进行归因;
若所述问题原因归因于原料方,获取问题原料对应的第二问题商品;
若所述问题原因归因于生产方,获取生产方生产的第三问题商品;
将所述第二问题商品和所述第三问题商品作为风险产品,同时,获取所述风险产品的产品流向,基于所述产品流向,对所述风险产品进行回收;
所述若所述问题原因归因于生产方,获取生产方生产的第三问题商品,包括:
获取所述生产方的多个第一生产记录;
对所述第一生产记录进行记录拆分,获得多个第一生产记录项;
获取所述第一生产记录项中的第一生产行为和对应的第一记录时刻;
查询预设的生产不规范行为库,将所述第一生产行为与所述生产不规范行为库中的第二生产行为进行匹配,获取匹配符合的第三生产行为;
确定所述第三生产行为对应的第二记录时刻;
查询预设的生产现场库,获取所述第二记录时刻前和/后预设的时间段内的多个生产现场;
对所述生产现场的进行行为提取,获取多个第四生产行为;
查询所述的生产不规范行为库,确定第四生产行为中生产行为不规范的第五生产行为;
确定所述第五生产行为参与生产的第三问题商品。
优选的,基于大数据和区块链的产业链数字化协同监管平台,还包括:
补充更新模块,用于对区块链中的原料-产地库进行补充更新;
所述补充更新模块执行如下操作:
基于大数据技术,每隔预设的时间间隔获取多个第一原料-产地信息集;
对第一原料-产地信息集进行预筛选,获得预筛选后的第二原料-产地信息集;
对第二原料-产地信息集进行集合拆分,确定至少一个第一原料和第一原料对应的第一产地,将第一原料和第一原料对应的第一产地作为第二关联配对组,并将所有第二关联配对组存入区块链的原料-产地库中,完成补充更新。
优选的,所述第一原料-产地信息集进行预筛选,获得预筛选后的第二原料-产地信息集,包括:
尝试获取第一原料-产地信息集的提供方的历史错误上传事件;
若尝试获取成功,获取历史错误上传事件的真实度和蓄意度,并将真实度和蓄意度分别与对应第一原料-产地信息集进行关联;
累加计算第一原料-产地信息集关联的真实度和蓄意度,获得筛选值;
若筛选值大于等于预设的筛选值阈值,将对应第一原料-产地信息集作为第二原料-产地信息集;
若尝试获取失败,基于预设的信任度判定规则,确定信任度大于等于预设信任度阈值的提供方,并将对应提供方提供的第二原料-产地信息集;
所述获取历史错误上传事件的真实度和蓄意度,包括:
基于预设的真实性检测模型,对历史错误上传事件进行真实性检测,确定历史错误上传事件的真实值,同时,赋予真实值预设的第一权重,获得历史错误上传事件的真实度;
基于预设的蓄意程度分析模型,对提供方上传历史错误上传事件的蓄意程度进行分析,确定提供方对应于历史错误上传事件的蓄意值,同时,赋予蓄意值预设的第二权重,获得历史错误上传事件的蓄意度。
优选的,基于大数据和区块链的产业链数字化协同监管平台,,还包括:
用户共享模块,用于获取第二用户输入的商品二维码,基于商品二维码,确定第二用户购买的商品的第三原料-产地信息,将第三原料-产地信息发送给第二用户;
所述用户共享模块执行如下操作:
获取第二用户输入的商品二维码;
基于商品二维码,根据预设的二维码生成规则,确定第二用户购买商品对应的第四原料和第四原料对应的第二产地,并作为第三原料-产地信息;
将第三原料-产地信息发送给所述第二用户。
本发明提供的一种基于大数据和区块链的产业链数字化协同监管方法,包括:
步骤S1:从预设的区块链中获取对应于第一用户输入的产业链的产业信息;
步骤S2:基于大数据技术,训练协同监管模型;
步骤S3:基于所述协同监管模型,根据所述产业信息,对所述产业链进行协同监管。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种基于大数据和区块链的产业链数字化协同监管平台的示意图;
图2为本发明实施例中一种基于大数据和区块链的产业链数字化协同监管方法的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明提供一种基于大数据和区块链的产业链数字化协同监管平台,如图1所示,包括:
获取模块1,用于从预设的区块链中获取对应于第一用户输入的产业链的产业信息;
训练模块2,用于基于大数据技术,训练协同监管模型;
监管模块3,用于基于所述协同监管模型,根据所述产业信息,对所述产业链进行协同监管。
上述技术方案的工作原理及有益效果为:
从预设的区块链中获取对应于第一用户输入的产业链的产业信息,例如:产业链的供需信息、运输信息等,区块链由人工预先设置,用于存储监管产业链的产业信息,同时,区块链中的信息是不可伪造和篡改的。基于大数据技术,训练协同监管模型;协同监管模型是通过机器学习算法或者神经网络算法将大数据获得的多个协同监管记录作为训练了数据对预设的神经网络模型进行模型训练生成的模型,大数据技术属于现有技术,其原理不作赘述。基于协同监管模型,根据产业信息,对产业链进行协同监管。
本发明实例从预设的区块链获取第一用户输入的产业链的产业信息,由于区块链中的信息是不可伪造和篡改的,提高了产业信息获取的准确性;基于大数据技术,训练协同监管模型,提高了训练数据获取的全面性,同时,对产业链的生产过程进行监管,保证产业链的良性运作。
本发明实例提供的一种基于大数据和区块链的产业链数字化协同监管平台,所述训练模块2执行如下操作:
基于大数据技术,获取多个人工进行协同监管产业链的多个产业链监管记录;
基于预设的模型训练算法,对所述产业链监管记录进行模型训练,获得协同监管模型。
上述技术方案的工作原理及有益效果为:
基于大数据技术,获取多个人工进行协同监管产业链的多个产业链监管记录,例如:人工进行协同监管食品制造业产业链的记录。基于预设的模型训练算法,对产业链监管记录进行模型训练,获得协同监管模型,模型训练是利用机器学习算法将产业链监管记录输入人工预先设置的神经网络模型进行训练,当上述神经网络模型训练收敛时,获得上述协同监管模型。
本发明实例通过对大数据获得的产业链监管记录进行模型训练,获得协同监管模型,提升了训练数据获取的全面性。
本发明实例提供的一种基于大数据和区块链的产业链数字化协同监管平台,所述监管模块3执行如下操作:
将所述产业信息输入至所述协同监管模型,由所述协同监管模型根据所述产业信息,对所述产业链进行协同监管,获得监管结果。
上述技术方案的工作原理及有益效果为:
输入产业信息至协同监管模型,获得监管结果,例如:乳制品加工环节设置的灭菌条件未达到国家标准条件,需要调整。
本发明实例基于第一用户输入的产业信息,确定协同监管模型获取监管结果,提高了监管结果获取的合理性。
本发明实例提供的一种基于大数据和区块链的产业链数字化协同监管平台,还包括:
构建模块,用于构建异常项-处理策略库,当所述监管结果中包含至少一个第一异常项时,确定所述第一异常项对应的第一处理策略。
上述技术方案的工作原理及有益效果为:
异常项-处理策略库包括:一一对应的异常项和处理策略,确定监管结果中的第一异常项,根据异常项-处理策略库,确定第一异常项对应的第一处理策略,例如:第一异常项为产品运输过程中,送货员经常不按规定时间送达产品,第一处理策略为对送货员进行罚款。
本发明实例引入异常项-处理策略库,确定监管结果中的第一异常项对应的第一处理策略,提高了第一处理策略的获取效率,提升了产业链监管的及时性。
本发明实例提供的一种基于大数据和区块链的产业链数字化协同监管平台,所述构建模块构建异常项-处理策略库,包括:
基于大数据技术,获取不同的第二产业链会产生的多个第二异常项和对应于第二异常项的多个第二处理策略;
获取第二处理策略的采用指数;
将采用指数最大的第二处理策略与对应第二异常项进行关联,获得第一关联配对组,同时,将第一关联配对组存入预设的空白数据库中;
当需要存入的第一关联配对组全部存入空白数据库后,将空白数据库作为异常项-处理策略库,完成构建;
所述获取第二处理策略的采用指数,包括:
尝试获取历史上采用第二处理策略的至少一个采用方对采用的第二处理策略给出的历史评价;
若尝试获取成功,对历史评价进行评价解析,获得评价值,并与对应第二处理策略进行关联;
累加计算第二处理策略关联的评价值,获得评价值和,并作为第一采用度;
若尝试获取失败,基于预设的处理策略采用度分析模型,对第二处理策略进行处理策略采用度分析,获得第二采用度,并与对应第二处理策略进行关联;
获取第二处理策略对应的至少一个处理结果;
对处理结果进行效果分析,获得效果值,将效果值作为第三采用度,并与对应第二处理策略进行关联;
累加计算第二处理策略关联的第一采用度、第二采用度和第三采用度,获得采用指数。
上述技术方案的工作原理及有益效果为:
构建异常项-处理策略库时,可以通过大数据获得多个异常项对应的异常处理策略,不同的处理策略的可采用价值不同,故需要筛选出采用价值高的处理策略。因此,亟需进行解决。
获取不同的第二产业链会产生的多个第二异常项和第二异常项对应的第二处理策略;可以通过大数据平台获取的其他产业链生产过程中出现的第二异常项和上述第二异常项相应的第二处理策略。获取第二处理策略的采用指数,例如:90,采用指数越大,第二处理策略的可采用价值就越高。
获取第二处理策略的采用指数时,可以尝试获取历史上采用第二处理策略采用方的历史评价,上述历史评价可以通过访问第二处理策略上传的分享论坛的评论区获取。解析历史评价,获得评价值,评价值越高,第二处理策略的可用性就越高。对评价值进行求和计算,获得评价值和,将评价值和作为第一采用度。若尝试获取失败,基于预设处理策略采用度分析模型,确定对应第二处理策略的第二采用度,处理策略采用度分析模型具体为将人工进行异常项处理策略采用度分析的记录作为训练数据对神经网络模型进行训练,训练至收敛的神经网络模型。获取第二处理策略对应的至少一个处理结果,例如:运输车司机运送不及时,对司机进行罚款。对处理结果进行效果分析,获得效果值,例如:90。将效果值作为第三采用度。累加计算第一采用度、第二采用度和第三采用度,获得采用指数。确定采用指数最大的第二处理策略和对应的第二异常项,关联上述第二处理策略和第二异常项获得第一关联配对组。将所有获得的第一关联配对组存入预设的空白数据库,例如:空数据库,完成构建。
本发明实例基于大数据技术获得多个第二异常项和对应的第二处理策略,提升了第二处理策略获取的全面性,通过采用方对第二处理策略的历史评价、处理策略采用度分析模型和第二处理策略的处理结果确定采用指数,提高了采用指数获取维度的全面性,提升了异常项-处理策略库构建的合理性。
本发明实例提供了一种基于大数据和区块链的产业链数字化协同监管平台,还包括:
溯源回收模块,用于当所述监管结果中出现至少一个第一问题商品时,确定第一问题商品对应的风险产品,并对所述风险产品进行溯源回收;
所述溯源回收模块确定第一问题商品对应的风险产品,包括:
对所述第一问题商品的问题原因进行归因;
若所述问题原因归因于原料方,获取问题原料对应的第二问题商品;
若所述问题原因归因于生产方,获取生产方生产的第三问题商品;
将所述第二问题商品和所述第三问题商品作为风险产品,同时,获取所述风险产品的产品流向,基于所述产品流向,对所述风险产品进行回收;
所述若所述问题原因归因于生产方,获取生产方生产的第三问题商品,包括:
获取所述生产方的多个第一生产记录;
对所述第一生产记录进行记录拆分,获得多个第一生产记录项;
获取所述第一生产记录项中的第一生产行为和对应的第一记录时刻;
查询预设的生产不规范行为库,将所述第一生产行为与所述生产不规范行为库中的第二生产行为进行匹配,获取匹配符合的第三生产行为;
确定所述第三生产行为对应的第二记录时刻;
查询预设的生产现场库,获取所述第二记录时刻前和/后预设的时间段内的多个生产现场;
对所述生产现场的进行行为提取,获取多个第四生产行为;
查询所述的生产不规范行为库,确定第四生产行为中生产行为不规范的第五生产行为;
确定所述第五生产行为参与生产的第三问题商品。
上述技术方案的工作原理及有益效果为:
流通在市面上的商品出现问题,要对问题商品进行溯源,例如:当一件或多件商品出现问题时,要溯源判断问题产生原因。若引起的问题危害了消费者的身体健康或者生产出的商品严重不合格,为了防止恶性事件的发生,往往同批次的商品也需要召回。目前的商品溯源往往需要对接生产链中的多方人员,且人工记录存在准确性不高,记录混乱的问题。因此,亟需进行解决。
当监管到至少一个第一问题商品时,例如:变质的泡面,将第一问题商品的图片发送给有经验的售后处理人员,对第一问题商品问题原因进行归因。
如果问题原因归因于原料方,获取问题原料对应的第二问题商品,例如:同一批次的问题面粉生产的泡面,获取问题原料时,可以将第一问题商品的商品图片发送给有经验的工作人员判断第一问题商品的何种原料出现了问题,再查询区块链,确定同一批次的问题原料。
如果问题原因归因于生产方,例如:XX食品加工厂,说明生产方的生产过程,可能存在不规范行为。因此,获取生产方的多个第一生产记录,例如:工厂监管人员手写的工作日志。拆分第一生产记录获得第一生产记录项,获取第一生产行为和对应的第一记录时刻,例如:员工XX在XX时刻未携带口罩进行食品加工作业。生产不规范行为库具体为:数据库,存储不规范的生产行为。获取生产不规范行为库中的第二生产行为,将第一生产行为和第二生产行为进行匹配,确定第一生产行为中生产行为不规范的第三生产行为。不规范生产行为被巡检人员发现后,可能该不规范行为已经持续了一段时间,所以需要确定第三生产行为产生时间前后的预设的时间段的生产现场画面中是否存在不规范行为,追溯第三问题商品,因此,获取第三生产行为的第二记录时刻,例如:员工XX在XX时刻未带手套操作。从预设的生产现场库中确定第二记录时间前后预设时间内的生产现场;生产现场库内存储摄像设备拍摄的多个现场图像;预设时间具体为:30分钟;生产现场为第三生产行为发生时间前后生产时的现场图像。基于行为提取技术,提取生产现场中的第四生产行为,行为提取技术属于现有技术,其原理不作赘述。查询上述生产不规范行为库,确定第四生产行为中生产行为不规范的第五生产行为。确定第五生产行为参与生产的第三问题商品。
将第二问题商品和第三问题商品作为风险产品,查询区块链中风险产品的风险流向,区块链中,商品都有唯一的产品编号,因此,确定风险产品后,也容易通过他们的产品编号获得风险产品的物流信息,即风险流向。基于风险流向,对上述风险产品进行回收,例如:通知风险产品当前所在位置的工作人员回收风险产品。
本发明实例对产生问题的第一问题商品进行归因,基于不同的归因方,确定可能存在问题的第二问题商品和第三问题商品,并作为风险产品,提升了风险产品确定的合理性;确定第三问题商品时,基于获取的生产方的第一生产记录中记录到的不规范的第三生产行为,确定第三生产行为前后预设的时间段内是否均存在其他不规范行为,确定所有不规范行为参与的第三问题商品,提升了第三问题商品获取的全面性。
本发明实例提供了一种基于大数据和区块链的产业链数字化协同监管平台,包括:
补充更新模块,用于对区块链中的原料-产地库进行补充更新;
所述补充更新模块执行如下操作:
基于大数据技术,每隔预设的时间间隔获取多个第一原料-产地信息集;
对第一原料-产地信息集进行预筛选,获得预筛选后的第二原料-产地信息集;
对第二原料-产地信息集进行集合拆分,确定至少一个第一原料和第一原料对应的第一产地,将第一原料和第一原料对应的第一产地作为第二关联配对组,并将所有第二关联配对组存入区块链的原料-产地库中,完成补充更新。
上述技术方案的工作原理及有益效果为:
当异常项为原料产地的原料供应不足时,需要从区块链中查询是否有其他的备选的原料产地,长时间不更新在出现供应不足的情况时,无法及时调度原料资源。因此,亟需进行解决。
基于大数据技术,每隔预设的时间间隔获取多个第一原料-产地信息集,预设的时间间隔是由人工预先设置的,例如:24小时,第一原料-产地信息集为提供第一原料-产地信息的提供方节点的集合,例如:提供鸡蛋原料产地的提供节点的结合。对第一原料-产地信息集进行预筛选,获得预筛选后的第二原料-产地信息集。对第二原料-产地信息集进行集合拆分,获得第一原料和第一原料对应的第一产地相应的第二关联配对组,补充上述第二关联配对组至原料-产地库进行更新。
本发明实例基于大数据技术获得多个第一原料-产地信息集,同时,对第一原料-产地信息集进行预筛选,获得筛选后的第二原料-产地信息集,提高了原料-产地库的可靠性;实时获取第一原料-产地信息集进行构建,提高了原料-产地库更新的及时性。
本发明实例提供了一种基于大数据和区块链的产业链数字化协同监管平台,对所述第一原料-产地信息集进行预筛选,获得预筛选后的第二原料-产地信息集,包括:
尝试获取第一原料-产地信息集的提供方的历史错误上传事件;
若尝试获取成功,获取历史错误上传事件的真实度和蓄意度,并将真实度和蓄意度分别与对应第一原料-产地信息集进行关联;
累加计算第一原料-产地信息集关联的真实度和蓄意度,获得筛选值;
若筛选值大于等于预设的筛选值阈值,将对应第一原料-产地信息集作为第二原料-产地信息集;
若尝试获取失败,基于预设的信任度判定规则,确定信任度大于等于预设信任度阈值的提供方,并将对应提供方提供的第二原料-产地信息集;
所述获取历史错误上传事件的真实度和蓄意度,包括:
基于预设的真实性检测模型,对历史错误上传事件进行真实性检测,确定历史错误上传事件的真实值,同时,赋予真实值预设的第一权重,获得历史错误上传事件的真实度;
基于预设的蓄意程度分析模型,对提供方上传历史错误上传事件的蓄意程度进行分析,确定提供方对应于历史错误上传事件的蓄意值,同时,赋予蓄意值预设的第二权重,获得历史错误上传事件的蓄意度。
上述技术方案的工作原理及有益效果为:
为了获取更全面的产业信息,可以通过大数据获得多个原料-产地信息,但不是所有的原料-产地信息集对应的信息来源都是可信的。因此,亟需进行解决。
获取第一原料-产地信息集的提供方,例如:原料供销商。尝试获取提供方的历史错误上传事件,例如:C地提供原料D,提供方提供的信息为C地提供原料E。若尝试成功,获取历史错误上传事件的真实度和蓄意度,真实度越大、蓄意度越大,对应的第一原料-产地信息集越不可信。
获取历史错误上传事件的真实度和蓄意度时,基于预设的真实性检测模型,对历史错误上传事件进行真实性检测,确定历史错误上传事件的真实值,真实值越大,历史错误上传事件的真实程度越高,例如:95;预设的真实性检测模型具体为:利用多个人工对历史错误上传事件的真实性进行分析记录作为训练数据,对神经网络模型进行训练,训练至收敛的神经网络模型。赋予真实值预设的第一权重,第一权重为常数;赋予时,两者相乘,获得真实度。
基于预设的蓄意程度分析模型,对提供方上传历史错误上传事件的蓄意程度进行分析,确定提供方上传上述历史错误上传事件的蓄意值,蓄意值越大,对应提供方的提供的第一原料-产地信息集越容易被剔除,例如:60;预设的蓄意程度分析模型具体为:利用多个人工对历史错误上传事件上传的蓄意程度进行分析的记录作为训练数据,对神经网络模型进行训练,训练至收敛的神经网络模型。赋予蓄意值预设的第二权重,获得蓄意度,第二权重为常数;赋予时,两者相乘。其中,历史错误上传事件的真实程度是前提条件,更能决定筛选值,因此第一权重大于第二权重。
若尝试获取失败,说明对应提供方历史上未错误上传过,因此,引入预设的信任度判定规则,确定信任度大于等于预设信任度阈值的提供方,预设的信任度判定规则具体为:获取提供方历史上传信息的次数,由于提供方历史上未错误上传过,上传次数越多,信任度越大,预设信任度阈值由人工预先设置,并将对应提供方提供的第二原料-产地信息集。
本发明实例引入真实性检测模型确定历史错误上传事件的真实值,引入蓄意程度分析模型,确定历史错误上传事件的蓄意值,引入第一权重和第二权重,确定真实度和蓄意度,赋予了第一权重更大的权重系数,基于真实度和蓄意度确定筛选值,提升了筛选值确定的合理性;引入信任度判定规则,确定信任度大的提供方的提供的第二原料-产地信息集,提升了筛选的效率。
本发明实例提供的一种基于大数据和区块链的产业链数字化协同监管平台,还包括:
用户共享模块,用于获取第二用户输入的商品二维码,基于商品二维码,确定第二用户购买的商品的第三原料-产地信息,将第三原料-产地信息发送给第二用户;
所述用户共享模块执行如下操作:
获取第二用户输入的商品二维码;
基于商品二维码,根据预设的二维码生成规则,确定第二用户购买商品对应的第四原料和第四原料对应的第二产地,并作为第三原料-产地信息;
将第三原料-产地信息发送给所述第二用户。
上述技术方案的工作原理及有益效果为:
随着人们对食品安全的重视,人们对食品原料的来源也越发重视,但现有的食品包装往往只印制生产方来源,没有提供原料的来源。因此,亟需进行解决。
第二用户输入的商品二维码通过扫描第二用户上传至App的二维码图片获取。基于预设的二维码生成规则,解析第二用户上传的二维码,确定该商品的第三原料-产地信息,并发送给第二用户,预设的二维码生成规则具体为:何种二维码对应何种第四原料和何种第二产地,第三原料-产地信息为二维码对应的所有一一对应的第四原料和第二产地的整合信息。
本发明实例引入预设的二维码生成规则,基于用户输入的商品二维码,确定商品的原料产地信息发送给第二用户,增加了和用户的交互性,提高了用户的体验,促进了商品的销售。
本发明实例提供了一种基于大数据和区块链的产业链数字化协同监管平台,还包括:
采集补充模块,用于预设时间周期对所述生产不规范行为库进行采集补充;
所述采集补充模块执行如下操作:
获取多个第一采集节点集,所述采集节点集包括:多个第一采集节点;
获取所述第一采集节点对应的第一属性信息,同时,获取预设的第二属性信息;
对所述第一属性信息进行特征提取,获得多个第一属性特征;
对所述第二属性信息进行特征提取,获得多个第二属性特征;
将所述第一属性特征与所述第二属性特征进行特征匹配,若匹配符合,将匹配符合的所述第一属性特征或所述第二属性特征作为第三属性特征;
查询预设的属性特征-参考度库,确定所述第三属性特征对应的参考度,并与对应所述第一采集节点进行关联;
获取第一采集节点对应的第一历史上传行为;
尝试获取所述第一采集节点历史上传行为对应的第一历史误判事件;
若尝试获取成功,获取预设的严重性检测模型,确定所述第一历史误判事件的第一严重值,并与对应所述第一采集节点进行关联;
获取第一采集节点关联节点对应的第二历史上传行为;
尝试获取所述第二历史上传行为对应的第二历史误判事件;
若尝试获取成功,获取所述严重性检测模型,确定所述第二历史误判事件的第二严重值,同时,获取预设的节点-关联度库,确定所述第一采集节点与关联节点的关联度,并与对应所述第一采集节点进行关联;
基于所述参考度、所述严重值和所述关联度,计算所述第一采集节点的选用指数;
若所述选用指数大于等于预设的选用指数阈值,将对应所述第一采集节点作为第二采集节点;
获取所述第二采集节点提供的生产不规范行为;
将所述生产不规范行为存储至所述生产不规范行为库中;
当需要存储至所述生产不规范行为库中的所述生产不规范行为存储完毕后,完成对所述生产不规范行为库的补充。
上述技术方案的工作原理及有益效果为:
在对工作人员进行生产不规范行为匹配时,如果生产不规范行为库中的生产不规范行为不全面,容易造成监管的疏忽,所以可以通过大数据对生产不规范库进行补充,提高生产不规范行为的识别度,但不是所有提供采集方提供的生产不规范行为都有采用价值的,所以对采用方进行筛选。
第一采集节点集具体为:生产不规范行为的生产方,例如:其他食品加工厂。第一采集节点的第一属性信息为,例如:其他工厂生产产品的类型、规模等信息。预设的第二属性信息为,例如:本工厂生产产品的类型、规模等信息。对第一属性信息和第二属性信息进行特征提取并匹配,确定匹配符合的第三属性特征。基于预设的属性特征-参考度库,确定第三属性特征的参考度,并与对应第一采集节点进行关联,属性特征-参考度库具体为:数据库,存储属性特征和参考度的对应关系,参考度越大,对应属性特征的可用价值就越大。
获取第一采集节点的第一历史上传行为,例如:第一采集节点历史上分享生产不规范行为的行为。尝试获取第一历史上传行为对应的第一历史误判事件,例如:因为A企业上传的生产不规范行为造成本产业链中加工厂误判生产规范的工人生产行为不规范。若尝试获取成功,基于严重性检测模型,确定第一历史误判事件的第一严重值,预设的严重性检测模型为:人工事先列举大量上述历史误判事件的情形,并对历史误判事件严重程度进行分析产生分析记录,将分析记录作为训练数据训练预先设置的神经网络模型至收敛获得的神经网络模型。第一采集节点的关联节点为,例如:和第一采集节点对应加工厂关联的加工厂。获取关联节点对应的第二历史上传行为,基于上述相同的方法,确定第二历史上传行为对应的第二历史误判事件的第二严重值。引入预设的节点-关联度库,确定第一采集节点与关联节点的关联度;预设的节点-关联度库为:数据库,存储各个节点之间的关联度。
基于所述参考度、所述第一严重值、所述第二严重值和所述关联度,计算第一采集节点的选用指数,计算公式如下:
其中,τ为所述选用指数,αi为第i个所述第一严重值,n1为第一历史误判事件的总数目,βj为第j所述第二严重值,μj为第j个所述关联度,n2为第二历史误判事件的总数目,δk为第k个所述参考度,n3为参考度的总数目;
当计算的选用指数大于等于预设的选用指数阈值,例如:95,将对应所述第一采集节点作为第二采集节点,并将第二采集节点提供的生产不规范行为补充到所述生产不规范行为库中。
本发明实例基于不同采集节点的不同参考度、第一历史误判事件的第一严重值和第二历史误判事件的第二严重值,确定选用指数高的第二采集节点,获取第二采集节点采集的生产不规范行为进行补充,提升了第二采集节点获取的适宜性,提高了生产不规范行为库的丰富性。
本发明实例提供了一种基于大数据和区块链的产业链数字化协同监管方法,如图2所示,包括:
步骤S1:从预设的区块链中获取对应于第一用户输入的产业链的产业信息;
步骤S2:基于大数据技术,训练协同监管模型;
步骤S3:基于所述协同监管模型,根据所述产业信息,对所述产业链进行协同监管。
上述技术方案的工作原理及有益效果已在方法权要中说明,不再赘述。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种基于大数据和区块链的产业链数字化协同监管平台,其特征在于,包括:
获取模块,用于从预设的区块链中获取对应于第一用户输入的产业链的产业信息;
训练模块,用于基于大数据技术,训练协同监管模型;
监管模块,用于基于所述协同监管模型,根据所述产业信息,对所述产业链进行协同监管;
补充更新模块,用于对区块链中的原料-产地库进行补充更新;
其中,所述监管模块执行如下操作:
将所述产业信息输入至所述协同监管模型,由所述协同监管模型根据所述产业信息,对所述产业链进行协同监管,获得监管结果;
当所述监管结果中出现至少一个第一问题商品时,确定第一问题商品对应的风险产品,并对所述风险产品进行溯源回收;
其中,所述确定第一问题商品对应的风险产品,包括:
对所述第一问题商品的问题原因进行归因;
若所述问题原因归因于原料方,获取问题原料对应的第二问题商品;
若所述问题原因归因于生产方,获取生产方生产的第三问题商品;
将所述第二问题商品和所述第三问题商品作为风险产品,同时,获取所述风险产品的产品流向,基于所述产品流向,对所述风险产品进行回收;
其中,所述若所述问题原因归因于生产方,获取生产方生产的第三问题商品,包括:
获取所述生产方的多个第一生产记录;
对所述第一生产记录进行记录拆分,获得多个第一生产记录项;
获取所述第一生产记录项中的第一生产行为和对应的第一记录时刻;
查询预设的生产不规范行为库,将所述第一生产行为与所述生产不规范行为库中的第二生产行为进行匹配,获取匹配符合的第三生产行为;
确定所述第三生产行为对应的第二记录时刻;
查询预设的生产现场库,获取所述第二记录时刻前和/后预设的时间段内的多个生产现场;
对所述生产现场的进行行为提取,获取多个第四生产行为;
查询所述的生产不规范行为库,确定第四生产行为中生产行为不规范的第五生产行为;
确定所述第五生产行为参与生产的第三问题商品;
采集补充模块,用于对所述生产不规范行为库进行采集补充;
其中,所述采集补充模块执行如下操作:
获取多个第一采集节点集,所述采集节点集包括:多个第一采集节点;
获取所述第一采集节点对应的第一属性信息,同时,获取预设的第二属性信息;
对所述第一属性信息进行特征提取,获得多个第一属性特征;
对所述第二属性信息进行特征提取,获得多个第二属性特征;
将所述第一属性特征与所述第二属性特征进行特征匹配,若匹配符合,将匹配符合的所述第一属性特征或所述第二属性特征作为第三属性特征;
查询预设的属性特征-参考度库,确定所述第三属性特征对应的参考度,并与对应所述第一采集节点进行关联;
获取第一采集节点对应的第一历史上传行为;
尝试获取所述第一采集节点历史上传行为对应的第一历史误判事件;
若尝试获取成功,获取预设的严重性检测模型,确定所述第一历史误判事件的第一严重值,并与对应所述第一采集节点进行关联;
获取第一采集节点关联节点对应的第二历史上传行为;
尝试获取所述第二历史上传行为对应的第二历史误判事件;
若尝试获取成功,获取所述严重性检测模型,确定所述第二历史误判事件的第二严重值,同时,获取预设的节点-关联度库,确定所述第一采集节点与关联节点的关联度,并与对应所述第一采集节点进行关联;
基于所述参考度、所述严重值和所述关联度,计算所述第一采集节点的选用指数,计算公式如下:
其中,τ为所述选用指数,αi为第i个所述第一严重值,n1为第一历史误判事件的总数目,βj为第j所述第二严重值,μj为第j个所述关联度,n2为第二历史误判事件的总数目,δk为第k个所述参考度,n3为参考度的总数目,γ1、γ2和γ3为预设的关系系数;
若所述选用指数大于等于预设的选用指数阈值,将对应所述第一采集节点作为第二采集节点;
获取所述第二采集节点提供的生产不规范行为;
将所述生产不规范行为存储至所述生产不规范行为库中;
当需要存储至所述生产不规范行为库中的所述生产不规范行为存储完毕后,完成对所述生产不规范行为库的补充;
其中,所述补充更新模块执行如下操作:
基于大数据技术,每隔预设的时间间隔获取多个第一原料-产地信息集;
对第一原料-产地信息集进行预筛选,获得预筛选后的第二原料-产地信息集;
对第二原料-产地信息集进行集合拆分,确定至少一个第一原料和第一原料对应的第一产地,将第一原料和第一原料对应的第一产地作为第二关联配对组,并将所有第二关联配对组存入区块链的原料-产地库中,完成补充更新;
其中,所述对所述第一原料-产地信息集进行预筛选,获得预筛选后的第二原料-产地信息集,包括:
尝试获取第一原料-产地信息集的提供方的历史错误上传事件;
若尝试获取成功,获取历史错误上传事件的真实度和蓄意度,并将真实度和蓄意度分别与对应第一原料-产地信息集进行关联;
累加计算第一原料-产地信息集关联的真实度和蓄意度,获得筛选值;
若筛选值大于等于预设的筛选值阈值,将对应第一原料-产地信息集作为第二原料-产地信息集;
若尝试获取失败,基于预设的信任度判定规则,确定信任度大于等于预设信任度阈值的提供方,并将对应提供方提供的第二原料-产地信息集;
其中,所述获取历史错误上传事件的真实度和蓄意度,包括:
基于预设的真实性检测模型,对历史错误上传事件进行真实性检测,确定历史错误上传事件的真实值,同时,赋予真实值预设的第一权重,将真实值与第一权重两者相乘获得历史错误上传事件的真实度;
基于预设的蓄意程度分析模型,对提供方上传历史错误上传事件的蓄意程度进行分析,确定提供方对应于历史错误上传事件的蓄意值,同时,赋予蓄意值预设的第二权重,将蓄意值与第二权重两者相乘获得历史错误上传事件的蓄意度。
2.如权利要求1所述的一种基于大数据和区块链的产业链数字化协同监管平台,其特征在于,所述训练模块执行如下操作:
基于大数据技术,获取多个人工进行协同监管产业链的多个产业链监管记录;
基于预设的模型训练算法,对所述产业链监管记录进行模型训练,获得协同监管模型。
3.如权利要求1所述的一种基于大数据和区块链的产业链数字化协同监管平台,其特征在于,还包括:
构建模块,用于构建异常项-处理策略库,当所述监管结果中包含至少一个第一异常项时,确定所述第一异常项对应的第一处理策略。
4.如权利要求3所述的一种基于大数据和区块链的产业链数字化协同监管平台,其特征在于,所述构建模块构建异常项-处理策略库,包括:
基于大数据技术,获取不同的第二产业链会产生的多个第二异常项和对应于第二异常项的多个第二处理策略;
获取第二处理策略的采用指数;
将采用指数最大的第二处理策略与对应第二异常项进行关联,获得第一关联配对组,同时,将第一关联配对组存入预设的空白数据库;
当需要存入的第一关联配对组全部存入空白数据库后,将空白数据库作为异常项-处理策略库,完成构建。
5.如权利要求1所述的一种基于大数据和区块链的产业链数字化协同监管平台,其特征在于,还包括:
用户共享模块,用于获取第二用户输入的商品二维码,基于商品二维码,确定第二用户购买的商品的第三原料-产地信息,将第三原料-产地信息发送给第二用户;
所述用户共享模块执行如下操作:
获取第二用户输入的商品二维码;
基于商品二维码,根据预设的二维码生成规则,确定第二用户购买商品对应的第四原料和第四原料对应的第二产地,并作为第三原料-产地信息;
将第三原料-产地信息发送给所述第二用户。
6.一种基于大数据和区块链的产业链数字化协同监管方法,其特征在于,包括:
步骤S1:从预设的区块链中获取对应于第一用户输入的产业链的产业信息;
步骤S2:基于大数据技术,训练协同监管模型;
步骤S3:基于所述协同监管模型,根据所述产业信息,对所述产业链进行协同监管;
步骤S4:对区块链中的原料-产地库进行补充更新;
其中,所述步骤S3:基于所述协同监管模型,根据所述产业信息,对所述产业链进行协同监管,包括:
将所述产业信息输入至所述协同监管模型,由所述协同监管模型根据所述产业信息,对所述产业链进行协同监管,获得监管结果;
当所述监管结果中出现至少一个第一问题商品时,确定第一问题商品对应的风险产品,并对所述风险产品进行溯源回收;
其中,所述确定第一问题商品对应的风险产品,包括:
对所述第一问题商品的问题原因进行归因;
若所述问题原因归因于原料方,获取问题原料对应的第二问题商品;
若所述问题原因归因于生产方,获取生产方生产的第三问题商品;
将所述第二问题商品和所述第三问题商品作为风险产品,同时,获取所述风险产品的产品流向,基于所述产品流向,对所述风险产品进行回收;
其中,所述若所述问题原因归因于生产方,获取生产方生产的第三问题商品,包括:
获取所述生产方的多个第一生产记录;
对所述第一生产记录进行记录拆分,获得多个第一生产记录项;
获取所述第一生产记录项中的第一生产行为和对应的第一记录时刻;
查询预设的生产不规范行为库,将所述第一生产行为与所述生产不规范行为库中的第二生产行为进行匹配,获取匹配符合的第三生产行为;
确定所述第三生产行为对应的第二记录时刻;
查询预设的生产现场库,获取所述第二记录时刻前和/后预设的时间段内的多个生产现场;
对所述生产现场的进行行为提取,获取多个第四生产行为;
查询所述的生产不规范行为库,确定第四生产行为中生产行为不规范的第五生产行为;
确定所述第五生产行为参与生产的第三问题商品;
对所述生产不规范行为库进行采集补充;
其中,所述对所述生产不规范行为库进行采集补充,包括:
获取多个第一采集节点集,所述采集节点集包括:多个第一采集节点;
获取所述第一采集节点对应的第一属性信息,同时,获取预设的第二属性信息;
对所述第一属性信息进行特征提取,获得多个第一属性特征;
对所述第二属性信息进行特征提取,获得多个第二属性特征;
将所述第一属性特征与所述第二属性特征进行特征匹配,若匹配符合,将匹配符合的所述第一属性特征或所述第二属性特征作为第三属性特征;
查询预设的属性特征-参考度库,确定所述第三属性特征对应的参考度,并与对应所述第一采集节点进行关联;
获取第一采集节点对应的第一历史上传行为;
尝试获取所述第一采集节点历史上传行为对应的第一历史误判事件;
若尝试获取成功,获取预设的严重性检测模型,确定所述第一历史误判事件的第一严重值,并与对应所述第一采集节点进行关联;
获取第一采集节点关联节点对应的第二历史上传行为;
尝试获取所述第二历史上传行为对应的第二历史误判事件;
若尝试获取成功,获取所述严重性检测模型,确定所述第二历史误判事件的第二严重值,同时,获取预设的节点-关联度库,确定所述第一采集节点与关联节点的关联度,并与对应所述第一采集节点进行关联;
基于所述参考度、所述严重值和所述关联度,计算所述第一采集节点的选用指数,计算公式如下:
其中,τ为所述选用指数,αi为第i个所述第一严重值,n1为第一历史误判事件的总数目,βj为第j所述第二严重值,μj为第j个所述关联度,n2为第二历史误判事件的总数目,δk为第k个所述参考度,n3为参考度的总数目,γ1、γ2和γ3为预设的关系系数;
若所述选用指数大于等于预设的选用指数阈值,将对应所述第一采集节点作为第二采集节点;
获取所述第二采集节点提供的生产不规范行为;
将所述生产不规范行为存储至所述生产不规范行为库中;
当需要存储至所述生产不规范行为库中的所述生产不规范行为存储完毕后,完成对所述生产不规范行为库的补充;
其中,所述步骤S4:对区块链中的原料-产地库进行补充更新,包括:
基于大数据技术,每隔预设的时间间隔获取多个第一原料-产地信息集;
对第一原料-产地信息集进行预筛选,获得预筛选后的第二原料-产地信息集;
对第二原料-产地信息集进行集合拆分,确定至少一个第一原料和第一原料对应的第一产地,将第一原料和第一原料对应的第一产地作为第二关联配对组,并将所有第二关联配对组存入区块链的原料-产地库中,完成补充更新;
其中,所述对所述第一原料-产地信息集进行预筛选,获得预筛选后的第二原料-产地信息集,包括:
尝试获取第一原料-产地信息集的提供方的历史错误上传事件;
若尝试获取成功,获取历史错误上传事件的真实度和蓄意度,并将真实度和蓄意度分别与对应第一原料-产地信息集进行关联;
累加计算第一原料-产地信息集关联的真实度和蓄意度,获得筛选值;
若筛选值大于等于预设的筛选值阈值,将对应第一原料-产地信息集作为第二原料-产地信息集;
若尝试获取失败,基于预设的信任度判定规则,确定信任度大于等于预设信任度阈值的提供方,并将对应提供方提供的第二原料-产地信息集;
其中,所述获取历史错误上传事件的真实度和蓄意度,包括:
基于预设的真实性检测模型,对历史错误上传事件进行真实性检测,确定历史错误上传事件的真实值,同时,赋予真实值预设的第一权重,将真实值与第一权重两者相乘获得历史错误上传事件的真实度;
基于预设的蓄意程度分析模型,对提供方上传历史错误上传事件的蓄意程度进行分析,确定提供方对应于历史错误上传事件的蓄意值,同时,赋予蓄意值预设的第二权重,将蓄意值与第二权重两者相乘获得历史错误上传事件的蓄意度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211142436.5A CN115471201B (zh) | 2022-09-20 | 2022-09-20 | 一种基于大数据和区块链的产业链数字化协同监管平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211142436.5A CN115471201B (zh) | 2022-09-20 | 2022-09-20 | 一种基于大数据和区块链的产业链数字化协同监管平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115471201A CN115471201A (zh) | 2022-12-13 |
CN115471201B true CN115471201B (zh) | 2023-06-20 |
Family
ID=84333854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211142436.5A Active CN115471201B (zh) | 2022-09-20 | 2022-09-20 | 一种基于大数据和区块链的产业链数字化协同监管平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115471201B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150100A (zh) * | 2020-08-26 | 2020-12-29 | 盐城工学院 | 基于bim信息技术的桥梁施工进度管理系统 |
CN113762707A (zh) * | 2021-06-30 | 2021-12-07 | 德明尚品科技集团有限公司 | 基于区块链的货物追踪方法和系统 |
CN114386986A (zh) * | 2021-12-27 | 2022-04-22 | 航天信息股份有限公司 | 一种产品全生命周期数据的追溯平台 |
KR20220061296A (ko) * | 2020-11-05 | 2022-05-13 | 한국철도기술연구원 | 블록체인 기반의 철도 위험물 컨테이너 추적 관리 시스템 및 그 방법 |
CN114742607A (zh) * | 2022-03-17 | 2022-07-12 | 江阴美韵包装材料有限公司 | 一种基于物流供应链的多用户协同管理系统及方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020829A (zh) * | 2012-12-11 | 2013-04-03 | 华南农业大学 | 一种空间可视化展现的二维码食品信息溯源方法 |
CN110728605A (zh) * | 2019-08-23 | 2020-01-24 | 广东工业大学 | 基于区块链的开放式监管平台以及其执行方法 |
US11188969B2 (en) * | 2020-04-23 | 2021-11-30 | International Business Machines Corporation | Data-analysis-based validation of product review data and linking to supply chain record data |
US20220012764A1 (en) * | 2020-07-07 | 2022-01-13 | HealthLoq LLC | System and method for linking consumer data with one or more suppliers for product tracking and validation |
CN112116277A (zh) * | 2020-10-10 | 2020-12-22 | 华中农业大学 | 一种全链条食品安全大数据采集方法 |
CN112435040A (zh) * | 2020-11-23 | 2021-03-02 | 滁州学院 | 基于区块链的产品生产以及使用轨迹溯源方法 |
CN114548590B (zh) * | 2022-03-02 | 2023-02-03 | 江苏悦达绿色建筑科技有限公司 | 一种基于物联网的工程精装修智慧管理平台及方法 |
-
2022
- 2022-09-20 CN CN202211142436.5A patent/CN115471201B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150100A (zh) * | 2020-08-26 | 2020-12-29 | 盐城工学院 | 基于bim信息技术的桥梁施工进度管理系统 |
KR20220061296A (ko) * | 2020-11-05 | 2022-05-13 | 한국철도기술연구원 | 블록체인 기반의 철도 위험물 컨테이너 추적 관리 시스템 및 그 방법 |
CN113762707A (zh) * | 2021-06-30 | 2021-12-07 | 德明尚品科技集团有限公司 | 基于区块链的货物追踪方法和系统 |
CN114386986A (zh) * | 2021-12-27 | 2022-04-22 | 航天信息股份有限公司 | 一种产品全生命周期数据的追溯平台 |
CN114742607A (zh) * | 2022-03-17 | 2022-07-12 | 江阴美韵包装材料有限公司 | 一种基于物流供应链的多用户协同管理系统及方法 |
Non-Patent Citations (1)
Title |
---|
The mechanical and conductive properties of intelligent magnesium phosphate cement motar;Shi Fengting 等;《Journal or Building Engineerimg》;1-10页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115471201A (zh) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019152055A1 (en) | Physical entity authentication platform | |
US20110040660A1 (en) | Monitoring And Management Of Lost Product | |
US20040088324A1 (en) | System providing receipt inspection reporting | |
CN106056341A (zh) | 一种精确化仓库信息管理系统 | |
US20060059490A1 (en) | System and method for documenting critical tasks in complex work environment | |
CN114819862B (zh) | 冷链物流追溯服务方法、系统与存储介质 | |
CN110597196A (zh) | 数据采集系统及数据采集方法 | |
CN114140094B (zh) | 一种食品企业智能化风险监控预警系统 | |
CN112348530A (zh) | 一种服务器生产自动检验及返修的方法 | |
CN113869722A (zh) | 基于工业互联网的家电供应链风险预警系统、方法及设备 | |
CN116882823A (zh) | 自纠错的多层级工程质量评定管理平台 | |
CN113568900A (zh) | 基于人工智能的大数据清洗方法及云服务器 | |
CN115689415A (zh) | 一种基于数字孪生的物流监视与仿真系统 | |
EP3734508A1 (en) | Classification model for controlling a manufacturing process | |
CN115471201B (zh) | 一种基于大数据和区块链的产业链数字化协同监管平台 | |
CN116452212B (zh) | 一种智能客服商品知识库信息管理方法及系统 | |
CN116385031A (zh) | 一种基于大数据和多数据源的数据溯源方法 | |
KR100929844B1 (ko) | 전사적 자원 관리 시스템 기반의 감사정보 시스템 및 이를 이용한 감사정보 운영 방법, 그 프로그램이 기록된 기록매체 | |
CN117010549A (zh) | 基于大数据管理体系的信息溯源方法及终端 | |
KR20120067378A (ko) | 품질관리 기록 및 이를 생성하고 유지하기 위한 데이터 처리 시스템 | |
KR102221555B1 (ko) | 현장 관리 시스템 | |
CN116859842A (zh) | 一种化工生产线安全评估系统 | |
CN115994767A (zh) | 基于电子商务的产品供应链管理系统 | |
CN112580941B (zh) | 一种中药饮片的物料管理方法 | |
CN113762445A (zh) | 一种基于装配式建筑的标识解析系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231019 Address after: 518000 Shangtang Commercial Building 409, Intersection of Gongye West Road and Qinfen Road, Shangfen Community, Minzhi Street, Longhua District, Shenzhen City, Guangdong Province Patentee after: Shenzhen Qibang Innovation Service Co.,Ltd. Address before: 224000 No. 1 Hope Avenue Middle Road, Tinghu District, Yancheng City, Jiangsu Province Patentee before: YANCHENG INSTITUTE OF TECHNOLOGY |
|
TR01 | Transfer of patent right |