CN116090939B - 基于人工智能的供应链内问题产品识别跟踪方法 - Google Patents
基于人工智能的供应链内问题产品识别跟踪方法 Download PDFInfo
- Publication number
- CN116090939B CN116090939B CN202310382850.1A CN202310382850A CN116090939B CN 116090939 B CN116090939 B CN 116090939B CN 202310382850 A CN202310382850 A CN 202310382850A CN 116090939 B CN116090939 B CN 116090939B
- Authority
- CN
- China
- Prior art keywords
- temperature
- temperature data
- trend
- data
- value
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K3/00—Thermometers giving results other than momentary value of temperature
- G01K3/08—Thermometers giving results other than momentary value of temperature giving differences of values; giving differentiated values
- G01K3/10—Thermometers giving results other than momentary value of temperature giving differences of values; giving differentiated values in respect of time, e.g. reacting only to a quick change of temperature
-
- 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
-
- 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
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及冷藏车温度监测技术领域,具体涉及一种基于人工智能的供应链内问题产品识别跟踪方法,包括:根据预设时段内的各个温度时间序列,确定任意两个温度时间序列对应的趋势变化相似程度;根据趋势变化相似程度,进行异常检测,若不存在异常,则确定趋势增幅程度,利用趋势增幅程度对各温度数据进行调整,获得调整温度数据,对调整温度数据再次进行异常检测,实现了对异常温度数据的准确识别和问题产品的精准跟踪。本发明可以有效避免将出现时间较晚的、且趋势变化较快的温度数据误判为异常温度数据,其有利于提高异常温度识别的准确度。
Description
技术领域
本发明涉及冷藏车温度监测技术领域,具体涉及一种基于人工智能的供应链内问题产品识别跟踪方法。
背景技术
供应链是指产品生产和流通过程中,将产品从商家送到消费者手中的整个过程。不同种类的产品对流通运输的要求不同,为了保证温敏性产品的品质,需要实时识别和跟踪温敏性产品在运输过程中保温设备的环境温度。对于温敏性产品,例如,冷冻食品中的冻肉冻鱼,在加冰冷藏车等无法制冷的设备进行运输时,需要保持在-6摄氏度以下。若保温设备的环境温度高于温敏性产品的最大保温温度,则说明温敏性产品为问题产品,对于问题产品,需及时提醒工作人员,以便于相关人员进行排查,确定出现异常温度的原因。
现有产品温度识别跟踪方法,计算相邻环境温度的温度差异,当温度差异达到一定程度时,说明出现异常温度。但运输过程中的保温设备的环境温度,随着时间的变化,环境温度的变化趋势存在越来越快的趋势特征,较晚的运输时间点所获取的环境温度,相邻环境温度的差异较大,容易将较晚时间的环境温度误判为异常温度,导致异常温度识别准确度差,无法实现供应链内问题产品的精准跟踪,容易浪费排查出现异常温度原因时的人力资源。
发明内容
为了解决上述现有供应链内问题产品识别跟踪方法中,异常温度识别准确度差的技术问题,本发明的目的在于提供一种基于人工智能的供应链内问题产品识别跟踪方法,所采用的技术方案具体如下:
本发明一个实施例提供了一种基于人工智能的供应链内问题产品识别跟踪方法,该方法包括以下步骤:
获取待识别供应链中的目标设备在预设时段内的各个温度时间序列;根据所述各个温度时间序列中的各温度数据和各预测温度数据,确定各个温度时间序列的趋势变化程度;
根据各个温度时间序列和所述趋势变化程度,确定任意两个温度时间序列对应的趋势变化相似程度;
根据所述趋势变化相似程度,对各个温度时间序列中的各温度数据进行第一异常检测,判断是否存在满足第一异常检测条件的温度数据;
若不存在满足第一异常检测条件的温度数据,则根据各个温度时间序列内的各温度数据和所述趋势变化相似程度,确定各温度数据的趋势增幅程度;
根据各温度数据和各温度数据的趋势增幅程度,确定各温度数据的调整温度数据;
对所述各温度数据的调整温度数据进行第二异常检测,判断是否存在满足第二异常检测条件的温度数据。
进一步地,根据各温度数据和各温度数据的趋势增幅程度,确定各温度数据的调整温度数据,包括:
对各温度数据的趋势增幅程度进行归一化处理,计算归一化后的趋势增幅程度与第一值域调节系数的乘积,将所述乘积与第二值域调节系数相加,将相加后的数值确定为温度调整因子,从而获得各温度数据的温度调整因子;其中,所述第一值域调节系数为大于数值0且小于数值1.5的数据,所述第二值域调节系数为大于数值0的数据;
计算各温度数据与对应温度数据的温度调整因子的比值,将所述比值确定为对应温度数据的调整温度数据。
进一步地,根据所述各个温度时间序列中的各温度数据和各预测温度数据,确定各个温度时间序列的趋势变化程度,包括:
获取各个温度时间序列中的各目标温度数据,所述目标温度数据为各个温度时间序列中第一个温度数据以外的温度数据;将各个温度时间序列对应的各目标温度数据与其前一个温度数据之间的差值绝对值的平均值,确定为对应温度时间序列对应的第一趋势变化因子;将各个温度时间序列对应的各预测温度数据与其对应的温度数据之间的差值绝对值的平均值,确定为对应温度时间序列对应的第二趋势变化因子;将各个温度时间序列对应的第一趋势变化因子和第二趋势变化因子的乘积,确定为对应温度时间序列的趋势变化程度。
进一步地,根据各个温度时间序列和所述趋势变化程度,确定任意两个温度时间序列对应的趋势变化相似程度,包括:
对于任意两个温度时间序列,计算任意两个温度时间序列对应的趋势变化程度的差值绝对值,对所述趋势变化程度的差值绝对值进行归一化处理,使归一化后的差值绝对值与超参数相加,将相加后的数值确定为对应两个温度时间序列之间的第一趋势相似因子;进而将对应两个温度时间序列之间的皮尔森相关系数的绝对值,确定为对应两个温度时间序列之间的第二趋势相似因子;将所述第二趋势相似因子与所述第一趋势相似因子的比值,确定为对应两个温度时间序列对应的趋势变化相似程度;其中,所述超参数为大于数值0的数据。
进一步地,根据各个温度时间序列内的各温度数据和所述趋势变化相似程度,确定各温度数据的趋势增幅程度,包括:
对于各个温度时间序列内的任意一个温度数据,计算该温度数据与其前一个温度数据的差值绝对值,对差值绝对值进行归一化处理,将归一化处理后的差值绝对值确定为该温度数据的第一趋势增幅因子;计算该温度数据所在温度时间序列与其他各个温度时间序列对应的趋势变化相似程度的均值,将所述均值确定为该温度数据的第二趋势增幅因子;将所述第一趋势增幅因子与所述第二趋势增幅因子的比值,确定为该温度数据的趋势增幅程度,从而获得各温度数据的趋势增幅程度。
进一步地,对各个温度时间序列中的各温度数据进行第一异常检测,判断是否存在满足第一异常检测条件的温度数据,包括:
将每个温度时间序列的序列序号作为横坐标,将任意两个温度时间序列对应的趋势变化相似程度作为纵坐标,建立温度时间序列散点图;
对温度时间序列散点图中的所有数据点进行聚类,获得聚类簇,当聚类簇数目等于第一预设数值时,获取目标聚类簇,提取目标聚类簇内各个数据点对应的温度时间序列,将相同的温度时间序列划分到同一个集合中,若任意一个集合中的温度时间序列数目小于预设序列数目阈值,则判定不存在满足第一异常检测条件的温度数据;当聚类簇数目等于第二预设数值时,判定不存在满足第一异常检测条件的温度数据;所述目标聚类簇为数据点的横坐标均值最大的聚类簇。
进一步地,对所述各温度数据的调整温度数据进行第二异常检测,判断是否存在满足第二异常检测条件的温度数据,包括:
对各温度数据的调整温度数据进行第二异常检测,获得调整温度数据对应的异常值,使调整温度数据对应的异常值与预先设置的异常阈值作比对,若存在异常值大于预先设置的异常阈值的调整温度数据,则判定存在满足第二异常检测条件的温度数据,否则,判定不存在满足第二异常检测条件的温度数据。
本发明具有如下有益效果:
本发明提供了一种基于人工智能的供应链内问题产品识别跟踪方法,该方法对采集的预设时段内的各个温度时间序列进行多次异常温度排除,其不但提高了异常温度识别的准确性和效率,同时,增强了问题产品的跟踪精准性,可应用于冷藏车温度监测领域。相比单个温度数据依次进行异常温度识别,将预设时段内的温度数据划分为不同的温度时间序列,有利于提高异常温度识别速度;根据各个温度时间序列中温度数据的相关数据特征,获得可以衡量温度时间序列变化趋势的指标,即趋势变化程度,通过温度数据和预测温度数据两个方面的提取的数据特征进行趋势变化分析,有利于提高趋势变化程度的准确度;确定任意两个温度时间序列对应的趋势变化相似程度,可以分析每个温度时间序列与其他各个温度时间序列的趋势变化一致性,即趋势变化相似程度,通过趋势变化相似程度可以直接定位趋势变化异常的温度时间序列,实现对异常温度的初次排查;经过初次排查后,根据温度数据和趋势变化相似程度,分析趋势变化正常的温度时间序列中各温度数据的趋势增幅程度,两个角度分析趋势增幅程度,有助于提高各温度数据的趋势增幅程度的参考价值;利用各温度数据的趋势增幅程度,对各温度数据进行数值调整,获得调整温度数据,对调整温度数据组成的温度序列进行异常检测,有利于削弱温度数据本身的增长变化趋势,避免将出现时间较晚的温度数据因变化趋势加快,而被误判为异常温度数据。
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和优点,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的介绍,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的前提下,还可以根据这些附图获得其它附图。
图1为本发明一种基于人工智能的供应链内问题产品识别跟踪方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本实施例提供了一种基于人工智能的供应链内问题产品识别跟踪方法,如图1所示,包括以下步骤:
S1,获取待识别供应链中的目标设备在预设时段内的各个温度时间序列。
在本实施例中,对于待识别供应链中需要实时监测环境温度的目标设备,目标设
备可以为运输设备,该运输设备可以为冷藏车,在运输设备的平均温度监测点设置温度传
感器,从第一次获取温度数据开始,温度传感器在预设时段内每间隔T秒就采集一次温度,
将采集的温度数据集合平分为不同的温度时间序列,可以获得预设时段内的各个温度时间
序列。将各个温度时间序列内的温度数据记为,的角标中的第一个数值可以表征该
温度数据所属温度时间序列的序列序号,第二个数值可以表征该温度数据在所属温度时
间序列中的位置序号。预设时段和间隔时间T均为常数,当预设时段取经验值设置为10分
钟、间隔时间T取经验值设置为30s时,各个温度时间序列内的温度数据的个数均为40。平稳
温度监测点是指运输设备中采集的温度数据最为接近运输设备内环境温度的位置,其可以
通过实验方法获取。预设时段、间隔时间和平稳温度监测点的确定可以由实施者根据具体
实际情况自行设置,这里不做具体限定。
需要说明的是,将温度传感器置于平均温度监测点是为了使采集的温度数据更为接近运输设备的实际温度,减少在运输设备内安装温度传感器的个数,其在降低温度传感器对运输产品的影响的同时,提高了采集温度数据的便利性和效率。
在获得各个温度时间序列后,为了提高异常温度识别的效率,可以判断下各个温度时间序列中的各温度数据中是否存在不符合运输产品的实际温度需要的温度数据,其步骤包括:
使各个温度时间序列内的各温度数据与预先设置的温度阈值作比对,若任意一个温度数据大于预先设置的温度阈值,则说明各温度数据中存在不符合运输产品的实际温度需要的温度数据,否则,则相反。预先设置的温度阈值可以设置为-6摄氏度,预先设置的温度阈值可以由实施者根据运输设备内不同运输产品的实际温度需求设定,不做具体限定。值得说明的是,后续进行温度数据分析的各个温度时间序列为不存在不符合运输产品的实际温度需要的温度时间序列。
需要说明的是,为了提高异常温度识别的效率,在得到各个温度时间序列后,先设定温度阈值,判断预设时段的温度数据集合中是否存在大于温度阈值的温度数据,若存在大于温度阈值的温度数据,则说明在当前预设时段内的运输产品为问题产品,及时向相关人员发出提示,后续也无需通过分析温度数据的变化趋势,来判定温度数据变化是否异常。
至此,本实施例获得了目标设备在预设时段内的各个温度时间序列。
S2,根据各个温度时间序列中的各温度数据和各预测温度数据,确定各个温度时间序列的趋势变化程度,其步骤包括:
第一步,获取各个温度时间序列中的各预测温度数据。
在本实施例中,对于各个温度时间序列中的各温度数据,从第c个位置开始,根据每个温度时间序列中前c个温度数据,使用Holt-Winter(霍尔特-温特)二次指数平滑法,计算每个温度时间序列中第c+1个温度数据对应的预测温度数据,进而获得各个温度时间序列中的各预测温度数据。预测温度数据在温度时间序列中的位置序号与温度数据的位置序号保持一致,即每个预测温度数据均有其对应的实际温度数据,c为常数系数,取经验值为4。Holt-Winter二次指数平滑法的实现过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
第二步,根据各个温度时间序列中的各温度数据和各预测温度数据,确定各个温度时间序列的趋势变化程度。
需要说明的是,温度数据为等间隔获取,无法制冷的运输设备内的温度变化规律呈现缓慢上升,所以,当运输设备无漏气等异常情况出现时,各个温度时间序列内每个位置处的温度数据随着时间的增长,呈现逐渐升高的趋势变化。当各个温度时间序列呈现逐渐增长的趋势时,各预测温度数据与实际温度数据的差异较小,相邻的实际温度数据之间的差异也会比较小。从上述两个差异角度分析,可以确定各个温度时间序列的趋势变化程度,其步骤包括:
获取各个温度时间序列中的各目标温度数据,目标温度数据为各个温度时间序列中第一个温度数据以外的温度数据;将各个温度时间序列对应的各目标温度数据与其前一个温度数据之间的差值绝对值的平均值,确定为各个温度时间序列对应的第一趋势变化因子;将各个温度时间序列对应的各预测温度数据与其对应的温度数据之间的差值绝对值的平均值,确定为各个温度时间序列对应的第二趋势变化因子;将各个温度时间序列对应的第一趋势变化因子和第二趋势变化因子的乘积,确定为对应温度时间序列的趋势变化程度。
在本实施例中,各个温度时间序列内的第一个温度数据不存在前一个温度数据,为了便于描述,将各个温度时间序列中第一个温度数据除外的温度数据确定为目标温度数据,但在计算公式中可以通过其本身具备的计算含义,清楚地表征趋势变化程度的计算过程,无需利用目标温度数据所表征的含义,构建趋势变化程度的计算公式。
例如,各个温度时间序列的趋势变化程度的计算可以为:
其中,为第i个温度时间序列的趋势变化程度,为第i个温度时间序列内温度
数据的个数,j为第i个温度时间序列内各温度数据的位置序号,为第i个温度时间序列内
第j个温度数据,为第i个温度时间序列内第j-1个温度数据,为第i个温度时间序列
内第j个温度数据对应的预测温度数据,为第i个温度时间序列的第一趋势变
化因子,为第i个温度时间序列的第二趋势变化因子,为对
求绝对值,为对求绝对值。
在趋势变化程度的计算公式中,、与趋势变化程度均为正
相关关系,相邻两个温度数据的差异程度越大,说明对应温度时间序列的趋势变化程度越
大,预测温度数据与其对应实际温度数据的差异程度越大,说明对应温度时间序列的趋势
变化程度越大;趋势变化程度可以反映对应温度时间序列中温度数据的变化趋势,趋势变
化程度可以通过第一趋势变化因子进行衡量,另一方面,为了突出温度时间序列的变化趋
势,以第二趋势变换因子进行矫正;当某个温度时间序列的温度变化越平稳时,也就是某个
温度时间序列内的各温度数据越相近、温度数据的增长规律越相似时,该温度时间序列对
应的温度变化趋势越小。
至此,本实施例获得了各个温度时间序列的趋势变化程度,每个温度时间序列均有其对应的趋势变化程度。
S3,根据各个温度时间序列和趋势变化程度,确定任意两个温度时间序列对应的趋势变化相似程度。
需要说明的是,各个温度时间序列为预设时段内的温度数据集合通过平分获得,故序列序号越临近的温度时间序列,趋势变化程度越相似。为了便于后续判断是否存在满足第一异常检测条件的温度数据,需要分析不同温度时间序列之间的温度趋势一致性,即分析任意两个温度时间序列对应的趋势变化相似程度,其步骤包括:
对于任意两个温度时间序列,计算任意两个温度时间序列对应的趋势变化程度的差值绝对值,对趋势变化程度的差值绝对值进行归一化处理,使归一化后的差值绝对值与超参数相加,将相加后的数值确定为对应两个温度时间序列之间的第一趋势相似因子;进而将对应两个温度时间序列之间的皮尔森相关系数的绝对值,确定为对应两个温度时间序列之间的第二趋势相似因子;将第二趋势相似因子与第一趋势相似因子的比值,确定为对应两个温度时间序列对应的趋势变化相似程度。
例如,任意两个温度时间序列对应的趋势变化相似程度的计算公式可以为:
其中,为第i个温度时间序列与第m个温度时间序列对应的趋势变化相似程度,为第i个温度时间序列与第m个温度时间序列之间的皮尔森相关系数,为第i个温
度时间序列与第m个温度时间序列之间的第二趋势相似因子,为对求绝对值,为
第i个温度时间序列的趋势变化程度,为第m个温度时间序列的趋势变化程度,M为温度
时间序列的个数,为对求绝对值,1为超参数,该超参数的作用是为了防
止出现分母为0的特殊情况,为第i个温度时间序列与第m个温度时间序列之
间的第一趋势相似因子,的作用是为了对进行归一化处理。
在趋势变化相似程度的计算公式中,第二趋势相似因子与趋势变化相似程度为正相关关系,第二趋势相似因子越大,表征两个温度时间序列的变化趋势越相似,相
关性越高,趋势变化相似程度越大;第一趋势相似因子与趋势变化相似程度为负相关关系,第一趋势相似因子越大,表征两个温度时间序列的趋势变化程度差异越
大,一致性越小,趋势变化相似程度越小;每个温度时间序列与预设时段内的其他各个温度
时间序列均有一个对应的趋势变化相似程度。皮尔森相关系数的计算过程为现有技术,不
在本发明保护范围内,此处不再进行详细阐述。
至此,本实施例获得了任意两个温度时间序列对应的趋势变化相似程度。
S4,根据趋势变化相似程度,对各个温度时间序列中的各温度数据进行第一异常检测,判断是否存在满足第一异常检测条件的温度数据,其步骤包括:
第一步,将每个温度时间序列的序列序号作为横坐标,将任意两个温度时间序列对应的趋势变化相似程度作为纵坐标,建立温度时间序列散点图。
在温度时间序列散点图中,每个温度时间序列可以对应多个趋势变化相似程度,即一个x值可以对应多个y值,例如,第一个温度时间序列分别与多个温度时间序列计算趋势变化相似程度,将第一个温度时间序列对应的多个趋势变化相似程度,按照数值大小,标注在x=1的坐标系中。需要说明的是,可以不对相同的两个温度时间序列对应的趋势变化相似程度进行重复标记,例如,第一个温度时间序列与第二个温度时间序列对应的趋势变化相似程度已经标记在序列序号为1的温度时间序列上了,就不在序列序号为2的温度时间序列上进行重复标记,其可以减少一定程度的计算量。
此时,本实施例可以获得温度时间序列散点图。
第二步,根据温度时间序列散点图,判断预设时段的温度数据集合是否存在满足第一异常检测条件的温度数据。
在本实施例中,通过半径e为3、最少数目MinPts为3的DBSCAN算法(Density-BasedSpatial Clustering of Applications with Noise,具有噪声的基于密度的聚类方法),对温度时间序列散点图中的所有数据点进行聚类,获得聚类簇。DBSCAN算法的实现过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。根据聚类簇的数目大小,可以分为两种情况:
当聚类簇数目等于第一预设数值时,第一预设数值可以设定为2,说明运输设备在预设时段内发生异常情况,温度时间序列散点图中的各个数据点会被划分到两个聚类簇内,获取目标聚类簇,这里的目标聚类簇为数据点的横坐标均值最大的聚类簇。然后,提取目标聚类簇内各个数据点对应的温度时间序列,将相同的温度时间序列划分到同一个集合中,若任意一个集合中的温度时间序列数目小于预设序列数目阈值,预设序列数目阈值可以设定为4,则判定不存在满足第一异常检测条件的温度数据。第一异常检测条件是指温度数据没有超过运输设备设定的最佳环境温度范围,但温度趋势变化异常,最佳环境温度范围即为运输产品的保质温度范围。值得说明的是,异常温度数据通常为正常温度数据保持一段时间后才出现,故横坐标均值较大的聚类簇内出现异常温度的可能性较大,需要将数据点的横坐标均值最大的聚类簇作为目标聚类簇。
作为示例,目标聚类簇内包含多个趋势变化相似程度,分别为、、、以
及,各个趋势变化相似程度对应的温度时间序列分别为序列序号为1的温度时间序列、
序列序号为2的温度时间序列,序列序号为3的温度时间序列、序列序号为4的温度时间序列
以及序列序号为5的温度时间序列。然后,将3个序列序号为2的温度时间序列划分到同一个
集合中,将2个序列序号为1的温度时间序列划分到同一个集合中,3个序列序号为3的温度
时间序列划分到同一个集合中,三个集合中的温度时间序列数目均小于4,其说明不存在与
其他4个不同的温度时间序列对应的趋势变化相似程度都较大的温度时间序列,可以判定
该目标聚类簇对应的温度数据集合不存在满足第一异常检测条件的温度数据。
需要说明的是,当温度数据变化呈现强烈异常时,说明对应温度时间序列的趋势变化会异常与多个正常温度变化下的温度时间序列,故当某个温度时间序列与其他多个温度时间序列对应的趋势变化相似程度均较大时,说明该温度时间序列中存在满足第一异常检测条件的温度数据。
当聚类簇数目等于第二预设数值时,第二预设数值可以为设定为1,说明运输设备在预设时段内没有发生异常情况,温度时间序列散点图中的各个数据点的数值较为接近,其会被划分到一个聚类簇内,也就是预设时段的温度数据集合中不存在满足第一异常检测条件的温度数据。
S5,若不存在满足第一异常检测条件的温度数据,则根据各个温度时间序列内的各温度数据和趋势变化相似程度,确定各温度数据的趋势增幅程度。
在本实施例中,若预设时段的温度数据集合中不存在满足第一异常检测条件的温度数据,为了提高异常温度识别准确度,进一步分析预设时段的温度数据集合。首先,确定各温度数据的趋势增幅程度,其步骤包括:
对于各个温度时间序列内的任意一个温度数据,计算该温度数据与其前一个温度数据的差值绝对值,对差值绝对值进行归一化处理,将归一化处理后的差值绝对值确定为该温度数据的第一趋势增幅因子;计算该温度数据所在温度时间序列与其他各个温度时间序列对应的趋势变化相似程度的均值,将均值确定为该温度数据的第二趋势增幅因子;将第一趋势增幅因子与第二趋势增幅因子的比值,确定为该温度数据的趋势增幅程度,从而获得各温度数据的趋势增幅程度。
例如,各温度数据的趋势增幅程度的计算公式可以为:
其中,为第x个温度时间序列内第y个温度数据的趋势增幅程度,为第x个
温度时间序列内第y个温度数据,为第x个温度时间序列内第y个温度数据的前一个温度
数据,x为温度时间序列的序号,y为第x个温度时间序列内温度数据的位置序号,为温度
时间序列的个数,为第x个温度时间序列内温度数据的个数,为对求
绝对值,用于对进行归一化处理,为第x个
温度时间序列内第y个温度数据的第一趋势增幅因子,为第x个温度时间序列与其他各个
温度时间序列对应的趋势变化相似程度的均值,也为第x个温度时间序列内第y个温度数
据的第二趋势增幅因子。
需要说明的是,对于预设时段的温度数据集合中的第一个温度数据,将该温度数据不存在前一个温度数据,故该温度数据的趋势增幅程度设定为0。对于第二个温度时间序列中的第一个温度数据,该温度数据的前一个温度数据为第一个温度时间序列中的最后一个温度数据,也就是后一个温度时间序列中的第一个温度数据的前一个温度数据为前一个温度时间序列中的最后一个温度数据。
在趋势增幅程度的计算公式中,当某个温度数据的趋势增幅程度越大时,说明该
温度数据在调整变化趋势特征时需要的调整程度越大;第一趋势增幅因子
可以表征温度数据与其前一个温度数据的差异在所有差异累加值中的占比情况,第一趋势
增幅因子与趋势增幅程度为正相关关系,第一趋势增幅因子越大,趋势增幅程度越大;第二
趋势增幅因子可以表征温度数据所在温度时间序列与其他温度时间序列之间的趋势一
致性,第二趋势增幅因子与趋势增幅程度为负相关关系,第二趋势增幅因子越大,趋势增幅
程度越小。
至此,本实施例获得了各温度数据的趋势增幅程度。
S6,根据各温度数据和各温度数据的趋势增幅程度,确定各温度数据的调整温度数据。
需要说明的是,在得到各温度数据的趋势增幅程度之后,为了避免将采集时间较靠后的温度数据识别为异常温度数据,根据趋势增幅程度,对温度数据进行调整,获得各温度数据的调整温度数据,其步骤包括:
第一步,确定各个温度时间序列中各温度数据的温度调整因子。
对各温度数据的趋势增幅程度进行归一化处理,计算归一化后的趋势增幅程度与第一值域调节系数的乘积,将乘积与第二值域调节系数相加,将相加后的数值确定为温度调整因子,从而获得各温度数据的温度调整因子。
需要说明的是,为了便于后续利用温度调整因子,调整温度数据,需要对各温度数据的趋势增幅程度进行归一化处理,例如,使用指数函数对趋势增幅程度进行归一化处理,或使用反三角函数对趋势增幅程度进行归一化处理,归一化处理的实现过程为现有技术,此处不再进行详细阐述。
第二步,根据各温度数据及其对应的温度调整因子,确定各温度数据的调整温度数据。
计算各温度数据与对应温度数据的温度调整因子的比值,将比值确定为对应温度数据的调整温度数据。
例如,各温度数据的调整温度数据的计算公式可以为:
其中,为第x个温度时间序列内第y个温度数据的调整温度数据,为第x个温
度时间序列内第y个温度数据,为第x个温度时间序列内第y个温度数据的趋势增幅程
度的归一化值,为第一值域调节系数,为第二值域调节系数,取经验值为0.2,取经
验值为1,为第x个温度时间序列内第y个温度数据的温度调整因子。
在调整温度数据的计算公式中,趋势增幅程度的归一化值与调整温度数据呈
现负相关关系,趋势增幅程度的归一化值越大,说明第x个温度时间序列内第y个温度数据
的趋势幅度变化越大,对温度数据的调整幅度越大,调整温度数据就会越小;第一值域调节
系数的取值范围可以为(0,1.5),具体取值情况可由实施者根据具体实际情况自行设定,
不做具体限定;第二值域调节系数可用于防止分母为0的特殊情况,第二值域调节系数
的取值范围可以为大于0;对于预设时段的温度数据集合中的第一个温度数据,该温度数据
的调整温度数据为其本身,每个温度数据均有其对应的调整温度数据。
需要说明的是,运输设备中的环境温度变化具有越来越快的趋势特征,容易将出现时间较晚且变化趋势加快的温度数据误判为异常温度值,故需要对预设时段内的各温度数据进行调整处理,使正常温度增长范围内增幅趋势较大的温度的调整程度增大,可以获得每个温度数据对应的调整处理后的温度数据,即调整温度数据。
至此,本实施例完成了对各温度数据的调整,获得了各温度数据的调整温度数据。
S7,对各温度数据的调整温度数据进行第二异常检测,判断是否存在满足第二异常检测条件的温度数据,其步骤包括:
对各温度数据的调整温度数据进行第二异常检测,获得调整温度数据对应的异常值,使调整温度数据对应的异常值与预先设置的异常阈值作比对,若存在异常值大于预先设置的异常阈值的调整温度数据,则判定存在满足第二异常检测条件的温度数据,否则,判定不存在满足第二异常检测条件的温度数据。
第一步,确定每个调整温度数据对应的异常值。
在本实施例中,对于调整温度数据组成的调整温度序列,使用LOF(Local OutlierFacto,基于密度的异常点检测算法)异常检测算法进行异常检测,可以获得每个调整温度数据对应的LOF值。调整温度序列中各调整温度的前后顺序为获取原温度数据的顺序,LOF异常检测算法的实现过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
第二步,实现异常温度的识别和问题产品的跟踪。
使调整温度数据对应的LOF值与预先设置的LOF阈值作比对,将LOF值大于预先设置的LOF阈值的调整温度数据作为异常温度数据,为了便于区分上述两类异常温度数据,将此时确定的异常温度数据确定为满足第二异常检测条件的温度数据。当确定一个满足第二异常检测条件的温度数据时,说明从该温度数据对应的时刻起,运输设备中的环境温度出现异常,及时提示相关工作人员,排查出现异常温度的原因,避免运输设备内的运输产品发展成为问题产品。同时,将该运输设备的位置上传至总控制台,以便于后续实现异常温度的识别和问题产品的跟踪。值得说明的是,出现满足第二异常检测条件的温度数据的原因可以为,运输设备的密封度不足、冷凝剂过少等。
至此,本实施例实现了对预设时段内温度数据集合的异常温度识别和问题产品跟踪。
本发明提供了一种基于人工智能的供应链内问题产品识别跟踪方法,该方法通过多个不同的角度分析,实现对温度数据序列的多次异常温度排查,有效提高了异常温度识别的效率。同时,在最后一次异常温度排查时,通过削弱温度数据本身的变化趋势,克服了将出现时间较晚的、且趋势变化加快的温度数据误判为异常温度数据的缺陷,实现更精准的温度异常检测,避免浪费相关人员排查出现异常温度数据的时间,有助于提高供应链中问题产品跟踪的精准性。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于人工智能的供应链内问题产品识别跟踪方法,其特征在于,包括以下步骤:
获取待识别供应链中的目标设备在预设时段内的各个温度时间序列;
根据所述各个温度时间序列中的各温度数据和各预测温度数据,确定各个温度时间序列的趋势变化程度;
根据各个温度时间序列和所述趋势变化程度,确定任意两个温度时间序列对应的趋势变化相似程度;
根据所述趋势变化相似程度,对各个温度时间序列中的各温度数据进行第一异常检测,判断是否存在满足第一异常检测条件的温度数据;
若不存在满足第一异常检测条件的温度数据,则根据各个温度时间序列内的各温度数据和所述趋势变化相似程度,确定各温度数据的趋势增幅程度;
根据各温度数据和各温度数据的趋势增幅程度,确定各温度数据的调整温度数据;
对所述各温度数据的调整温度数据进行第二异常检测,判断是否存在满足第二异常检测条件的温度数据;
根据所述各个温度时间序列中的各温度数据和各预测温度数据,确定各个温度时间序列的趋势变化程度,包括:
获取各个温度时间序列中的各目标温度数据,所述目标温度数据为各个温度时间序列中第一个温度数据以外的温度数据;将各个温度时间序列对应的各目标温度数据与其前一个温度数据之间的差值绝对值的平均值,确定为对应温度时间序列对应的第一趋势变化因子;将各个温度时间序列对应的各预测温度数据与其对应的温度数据之间的差值绝对值的平均值,确定为对应温度时间序列对应的第二趋势变化因子;将各个温度时间序列对应的第一趋势变化因子和第二趋势变化因子的乘积,确定为对应温度时间序列的趋势变化程度;
根据各个温度时间序列内的各温度数据和所述趋势变化相似程度,确定各温度数据的趋势增幅程度,包括:
对于各个温度时间序列内的任意一个温度数据,计算该温度数据与其前一个温度数据的差值绝对值,对差值绝对值进行归一化处理,将归一化处理后的差值绝对值确定为该温度数据的第一趋势增幅因子;计算该温度数据所在温度时间序列与其他各个温度时间序列对应的趋势变化相似程度的均值,将所述均值确定为该温度数据的第二趋势增幅因子;将所述第一趋势增幅因子与所述第二趋势增幅因子的比值,确定为该温度数据的趋势增幅程度,从而获得各温度数据的趋势增幅程度。
2.根据权利要求1所述的人工智能的供应链内问题产品识别跟踪方法,其特征在于,根据各温度数据和各温度数据的趋势增幅程度,确定各温度数据的调整温度数据,包括:
对各温度数据的趋势增幅程度进行归一化处理,计算归一化后的趋势增幅程度与第一值域调节系数的乘积,将所述乘积与第二值域调节系数相加,将相加后的数值确定为温度调整因子,从而获得各温度数据的温度调整因子;其中,所述第一值域调节系数为大于数值0且小于数值1.5的数据,所述第二值域调节系数为大于数值0的数据;
计算各温度数据与对应温度数据的温度调整因子的比值,将所述比值确定为对应温度数据的调整温度数据。
3.根据权利要求1所述的一种基于人工智能的供应链内问题产品识别跟踪方法,其特征在于,根据各个温度时间序列和所述趋势变化程度,确定任意两个温度时间序列对应的趋势变化相似程度,包括:
对于任意两个温度时间序列,计算任意两个温度时间序列对应的趋势变化程度的差值绝对值,对所述趋势变化程度的差值绝对值进行归一化处理,使归一化后的差值绝对值与超参数相加,将相加后的数值确定为对应两个温度时间序列之间的第一趋势相似因子;进而将对应两个温度时间序列之间的皮尔森相关系数的绝对值,确定为对应两个温度时间序列之间的第二趋势相似因子;将所述第二趋势相似因子与所述第一趋势相似因子的比值,确定为对应两个温度时间序列对应的趋势变化相似程度;其中,所述超参数为大于数值0的数据。
4.根据权利要求1所述的一种基于人工智能的供应链内问题产品识别跟踪方法,其特征在于,对各个温度时间序列中的各温度数据进行第一异常检测,判断是否存在满足第一异常检测条件的温度数据,包括:
将每个温度时间序列的序列序号作为横坐标,将任意两个温度时间序列对应的趋势变化相似程度作为纵坐标,建立温度时间序列散点图;
对温度时间序列散点图中的所有数据点进行聚类,获得聚类簇,当聚类簇数目等于第一预设数值时,获取目标聚类簇,提取目标聚类簇内各个数据点对应的温度时间序列,将相同的温度时间序列划分到同一个集合中,若任意一个集合中的温度时间序列数目小于预设序列数目阈值,则判定不存在满足第一异常检测条件的温度数据;当聚类簇数目等于第二预设数值时,判定不存在满足第一异常检测条件的温度数据;所述目标聚类簇为数据点的横坐标均值最大的聚类簇。
5.根据权利要求1所述的一种基于人工智能的供应链内问题产品识别跟踪方法,其特征在于,对所述各温度数据的调整温度数据进行第二异常检测,判断是否存在满足第二异常检测条件的温度数据,包括:
对各温度数据的调整温度数据进行第二异常检测,获得调整温度数据对应的异常值,使调整温度数据对应的异常值与预先设置的异常阈值作比对,若存在异常值大于预先设置的异常阈值的调整温度数据,则判定存在满足第二异常检测条件的温度数据,否则,判定不存在满足第二异常检测条件的温度数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310382850.1A CN116090939B (zh) | 2023-04-12 | 2023-04-12 | 基于人工智能的供应链内问题产品识别跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310382850.1A CN116090939B (zh) | 2023-04-12 | 2023-04-12 | 基于人工智能的供应链内问题产品识别跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116090939A CN116090939A (zh) | 2023-05-09 |
CN116090939B true CN116090939B (zh) | 2023-06-23 |
Family
ID=86212430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310382850.1A Active CN116090939B (zh) | 2023-04-12 | 2023-04-12 | 基于人工智能的供应链内问题产品识别跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116090939B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112348237A (zh) * | 2020-10-23 | 2021-02-09 | 中海油能源发展股份有限公司 | 一种动态钻井数据异常趋势检测方法 |
CN112527788A (zh) * | 2020-12-17 | 2021-03-19 | 北京中恒博瑞数字电力科技有限公司 | 变压器监测数据异常值检测与清洗的方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104990709B (zh) * | 2015-08-07 | 2017-10-13 | 杨玉娇 | 用于检测机车轴承故障的方法 |
CN107169268A (zh) * | 2017-04-20 | 2017-09-15 | 南京航空航天大学 | 一种基于趋势分段相似性的机场噪声监测点异常识别方法 |
CN109186813B (zh) * | 2018-10-23 | 2020-07-24 | 株洲中车时代电气股份有限公司 | 一种温度传感器自检装置及方法 |
CN111351664B (zh) * | 2020-02-13 | 2022-02-01 | 成都运达科技股份有限公司 | 一种基于lstm模型的轴承温度预测和报警诊断方法 |
CN113970382B (zh) * | 2020-07-06 | 2023-01-10 | 浙江宇视科技有限公司 | 一种温度检测方法、装置、介质及电子设备 |
CN115790859A (zh) * | 2022-12-05 | 2023-03-14 | 中南大学 | 一种异常电解工况识别方法 |
-
2023
- 2023-04-12 CN CN202310382850.1A patent/CN116090939B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112348237A (zh) * | 2020-10-23 | 2021-02-09 | 中海油能源发展股份有限公司 | 一种动态钻井数据异常趋势检测方法 |
CN112527788A (zh) * | 2020-12-17 | 2021-03-19 | 北京中恒博瑞数字电力科技有限公司 | 变压器监测数据异常值检测与清洗的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116090939A (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019174142A1 (zh) | 一种多模式的退化过程建模及剩余寿命预测方法 | |
CN116340801B (zh) | 一种畜牧养殖环境数据异常智能监控方法 | |
CN117093879A (zh) | 一种数据中心智能化运营管理方法及系统 | |
CN115876258B (zh) | 基于多源数据的畜禽养殖环境异常监测及报警系统 | |
Zhang et al. | Fault detection strategy based on weighted distance of $ k $ nearest neighbors for semiconductor manufacturing processes | |
CN110933596B (zh) | 一种基于度量学习的指纹定位方法 | |
CN116092018B (zh) | 一种基于智慧建筑的消防隐患监测方法及系统 | |
CN117312997B (zh) | 一种电力管理系统智能诊断方法及系统 | |
CN108198171A (zh) | 一种基于服务器表面热状态的运行状态诊断的方法 | |
CN116701983B (zh) | 一种冷链物流实时监测数据处理方法及系统 | |
CN111145895B (zh) | 异常数据的检测方法及终端设备 | |
CN108108253A (zh) | 一种面向多数据流的异常状态检测方法 | |
CN117094611B (zh) | 一种用于食品加工的质量安全溯源管理方法及系统 | |
CN114996661B (zh) | 一种冷藏车温度监控方法及系统 | |
CN116386120B (zh) | 一种用于智慧校园宿舍的无感监控管理系统 | |
CN116090939B (zh) | 基于人工智能的供应链内问题产品识别跟踪方法 | |
Wang et al. | A state monitoring method of gas regulator station based on evidence theory driven by time-domain information | |
CN114814419A (zh) | 一种基于大数据的电力柜散热性能检测方法 | |
Bilodeau et al. | Where is the rat? Tracking in low contrast thermographic images | |
CN117556274B (zh) | 一种热管背板的温度数据异常分析方法 | |
Charoenjai et al. | Automatic detection of nostril and key markers in images | |
CN116070150B (zh) | 基于呼吸机运行参数的异常监测方法 | |
CN117992834A (zh) | 一种数据分析方法以及相关装置 | |
CN116661522B (zh) | 一种基于数据处理的温变试验箱温度智能调控方法 | |
CN117611031B (zh) | 一种冷链物联网物流温度实时监控方法及系统 |
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 |