CN116796209B - 一种用于检测试剂盒存储环境温度监测的数据处理方法 - Google Patents

Abstract

本发明公开了一种用于检测试剂盒存储环境温度监测的数据处理方法，属于数据处理技术领域，该方法包括：对检测试剂盒运输存储环境中的多个不同位置处的温度数据进行采集，得到每一位置的温度数据序列，从中选取一个作为主序列，剩余的作为辅序列；采用迭代自组织聚类算法对主序列中的温度数据进行聚类处理；其中，在聚类过程中需根据不同位置处的温度数据变化的特点计算聚类过程中聚类簇的分裂参数，并根据计算出的分裂参数完成聚类过程；基于聚类结果，分析检测试剂盒运输存储环境的温度数据的变化是否正常，实现对检测试剂盒的运输存储环境温度的监测。本发明可提高对检测试剂盒存储环境温度检测的精度，防止检测试剂盒因存储温度问题而失效。

Description

一种用于检测试剂盒存储环境温度监测的数据处理方法

技术领域

本发明涉及数据处理技术领域，特别涉及一种用于检测试剂盒存储环境温度监测的数据处理方法。

背景技术

检测试剂盒是存放有特殊的试剂、用于检测特定病原体或者化学物质存在的试剂盒，已经被广泛应用在疾病检测、食品安全监测、环境监测、生物科技研究和临床药物监测等多个领域，检测试剂盒作为一种快速准确的检测方法，在这些领域中发挥着重要的作用。

由于一些检测试剂盒存放的试剂较为敏感，对存储环境温度的要求较高，在温度较高或者温度变化较大的情况下，试剂可能受到破坏，因此对检测试剂盒的存储需要严格控制环境温度，避免因储存温度不当导致检测试剂盒检测精度降低，甚至失效。这就需要在运输存储过程中对储存环境温度进行检测，然后采用数据处理的方式对储存环境的温度进行监测，温度异常时及时反馈，调整储存的温度。目前，常用的数据处理方法为：采用迭代自组织聚类算法对储存环境温度进行聚类，根据聚类结果分析储存环境温度是否出现异常。

但是传统的迭代自组织聚类算法中聚类的结果受参数设置的影响，尤其是迭代时聚类簇的分裂参数，如果该参数设置不当会造成聚类的结果不准确，从而导致对检测试剂盒存储环境温度的检测不准确，可能造成较大的损失。

发明内容

本发明提供了一种用于检测试剂盒存储环境温度监测的数据处理方法，以解决现有的数据处理方法由于算法参数设置不当，会导致对检测试剂盒存储环境温度的检测不准确，进而可能造成较大损失的技术问题。

为解决上述技术问题，本发明提供了如下技术方案：

一种用于检测试剂盒存储环境温度监测的数据处理方法，包括：

按照预设的采样周期和采样频率对检测试剂盒运输存储环境中的多个不同位置处的温度数据进行采集，得到一个采样周期内每一位置处的温度数据序列；

从多个温度数据序列中选取一个序列作为主序列，剩余的序列作为辅序列；

采用迭代自组织聚类算法对所述主序列中的温度数据进行聚类处理，得到聚类结果；其中，在采用迭代自组织聚类算法对所述主序列中的温度数据进行聚类处理时，在第一次迭代聚类完成后，之后每一次迭代聚类的过程中均基于所述主序列和所述辅序列，根据不同位置处的温度数据变化的特点，计算聚类过程中聚类簇的分裂参数，并根据计算出的分裂参数完成聚类过程；

基于所述聚类结果，分析检测试剂盒运输存储环境的温度数据的变化是否正常，实现对检测试剂盒的运输存储环境温度的监测。

优选的，对于所述主序列中的每一温度数据，在每一所述辅序列中均能找到与其采样时刻相同的温度数据，且所述辅序列中的温度数据多于所述主序列。

优选的，基于所述主序列和所述辅序列，根据不同位置处的温度数据变化的特点，计算聚类过程中聚类簇的分裂参数，包括：

基于所述主序列和所述辅序列，根据不同位置处的温度数据变化的特点，计算所述主序列中每一温度数据的温度变化丰度；其中，温度数据的温度变化丰度值越大，表示当前温度数据对应的采样时刻所对应的运输存储环境的整体温度变化信息越丰富，运输存储环境中温度异常的可能性越大；

基于温度数据的温度变化丰度，计算出每一聚类簇内每个峰对应温度数据的K近邻集合的分布常数；其中，所述分布常数越大，表示相应峰对应时刻的温度数据变化越大，并且反应运输存储环境整体温度信息越丰富；

计算出每一聚类簇内所有峰中两两之间的分布常数的差异值，利用每一聚类簇所计算出的所述差异值组成对应聚类簇的温度划分调节系数序列；

基于所述温度划分调节系数序列，计算出相应聚类簇的分裂参数。

优选的，基于所述主序列和所述辅序列，根据不同位置处的温度数据变化的特点，计算所述主序列中每一温度数据的温度变化丰度，包括：

分别在每一辅序列中抽取在待计算温度变化丰度的温度数据的采样时刻之后的连续多个温度数据，由每一辅序列中抽取到的温度数据组成相应辅序列所对应的温度数据集合；其中，根据位置的不同，每一辅序列抽取的数据量不同；

基于得到的每一辅序列对应的温度数据集合，获取温度变化丰度。

优选的，所述基于温度数据的温度变化丰度，计算出每一聚类簇内每个峰对应温度数据的K近邻集合的分布常数，包括：

以时间为横坐标，温度数据为纵坐标，绘制聚类簇内温度数据的分布曲线；

计算所述分布曲线中每个峰对应温度数据的近邻数据集合；其中，/>；

通过下式计算聚类簇中每个峰对应温度数据的K近邻集合的分布常数：

；

其中，表示聚类簇内第/>个峰对应温度数据的K近邻集合的分布常数；/>表示聚类簇内第/>个峰对应温度数据/>近邻数据集合中第/>个温度数据的温度变化丰度；/>表示聚类簇内第/>个峰对应温度数据/>近邻数据集合内数据的数量；/>表示聚类簇内第/>个峰对应温度数据/>近邻数据集合的标准差。

优选的，每一聚类簇内所有峰中两两之间的分布常数的差异值为对应的两个峰之间分布常数的差值的绝对值。

优选的，所述分裂参数的计算公式为：

；

其中，表示第/>个聚类簇的分裂参数；/>表示归一化函数；/>表示第个聚类簇的温度划分调节系数序列；/>表示选取/>中的最大值；/>表示第/>个聚类簇内的温度数据组成的集合，/>表示检测试剂盒的规定储存温度数据集合；表示计算/>与/>的Jaccard相似度。

优选的，所述温度变化丰度的获取公式为：

；

其中，表示所述主序列中第/>个温度数据的温度变化丰度；/>表示温度数据序列的数量，/>表示第/>个辅序列所对应的温度数据集合；/>表示计算/>内的最大值与最小值的差值；/>表示计算/>内温度数据的信息熵。

优选的，基于所述聚类结果，分析检测试剂盒运输存储环境的温度数据的变化是否正常，实现对检测试剂盒的运输存储环境温度的监测，包括：

对所述聚类结果中的每个聚类簇内的温度数据计算均值，并对均值计算结果进行归一化处理，得到归一化处理后的均值计算结果；

设定异常聚类簇判断阈值，基于所述异常聚类簇判断阈值，根据归一化处理后的均值计算结果，从所述聚类结果中筛选出异常聚类簇，通过所有异常聚类簇内的温度数据构成存储环境检测集合；其中，所述异常聚类簇指的是对应的归一化处理后的均值计算结果大于所述异常聚类簇判断阈值的聚类簇；

在一个采样周期内，计算出检测试剂盒存储环境温度异常的指标，并根据检测试剂盒存储环境温度异常的指标/>计算出判断系数/>；

当大于预设的系数阈值时，判断检测试剂盒的运输存储环境温度异常。

优选的，所述判断系数，公式如下：

；

；

其中，表示集合/>内温度数据的均值；/>表示第/>个辅序列，/>为温度数据序列的数量；/>表示计算/>内的最大值与最小值的差值；/>为合格指标；/>表示检测试剂盒存储环境温度异常的指标。

本发明提供的技术方案带来的有益效果至少包括：

本发明通过获取检测试剂盒存储环境中不同位置温度数据的变化，根据储存环境中不同位置之间的关系，考虑整体温度的变化反应聚类簇内数据的分布特征，基于聚类簇内温度数据的变化和存储环境整体温度的变化，计算采用迭代自组织聚类算法进行聚类时的聚类簇分裂参数，从而可更准确的将需分裂的聚类簇进行分裂，提高采用迭代自组织聚类对温度数据聚类的准确性，进而提高对检测试剂盒存储环境温度检测的精度，保障检测试剂盒不会因存储问题失效。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，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他的附图。

图1是本发明实施例提供的用于检测试剂盒存储环境温度监测的数据处理方法的执行流程示意图。

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，下面将结合附图对本发明实施方式作进一步地详细描述。

针对一些检测试剂盒对存储环境温度的要求较高，在运输存储过程中需要对环境温度进行检测的问题，本实施例提供了一种用于检测试剂盒存储环境温度监测的数据处理方法，该方法采用迭代自组织聚类算法对存储环境温度数据进行聚类，在聚类过程中分析每次聚类簇中数据的特点自适应的选取合适的聚类簇的分类参数，从而提高对检测试剂盒存储环境温度聚类的准确性，得到较为准确的存储环境温度异常数据，提高对检测试剂存储环境温度的检测的准确性。本实施例针对的场景是采用冷藏车进行运输存储，对冷藏车内的检测试剂盒的存储环境温度进行检测。当然，可以理解的是，本发明的方法不仅仅适用于采用冷藏车进行运输存储的场景，同样也适用于其他运输存储场景。

该数据处理方法的执行流程如图1所示，包括以下步骤：

S1，按照预设的采样周期和采样频率对检测试剂盒运输存储环境中的多个不同位置处的温度数据进行采集，得到一个采样周期内每一位置处的温度数据序列。

其中，需要说明的是，一些检测试剂盒中的试剂对存储的环境温度有要求，因此在运输的过程中一般采用冷藏车对检测试剂盒进行存储，在不同地区进行检测试剂盒的运输时，运输的时间较长，需对检测试剂盒的存储环境温度进行检测，避免因存储温度异常造成检测试剂盒失效。对此，本实施例在冷藏车内制冷机附近，冷藏车车门附近，以及车尾部和车厢内的车顶，采用温度传感器采集对应部位的温度数据，每个部位在相同时刻采集温度数据，一个周期内采集数据序列的长度为600，对应上述冷藏车不同部位（冷藏车内制冷机附近，冷藏车车门附近，以及车尾部和车厢内的车顶），一个周期内采集的数据序列分别为、/>、/>、/>。由于每个部位在相同时刻采集温度数据，因此，对/>中的每一温度数据，在、/>、/>中均能找到与其采样时刻相同的温度数据。

采用冷藏车对检测试剂盒进行运输时，由于冷藏车内的循环的空气流动、车门打开的频率以及车载制冷设备的工作效率等因素使冷藏车内温度不均匀，不同位置的温度的稳定范围不同，其中，车厢内靠近车前部（靠近制冷机）的温度较低，靠近冷藏车后部和靠近车顶位置的温度相对较高，而靠近冷藏车门位置的温度变化较为敏感，受外界温度影响较大。

检测试剂盒的存储环境温度一般在一定范围内，因此需保证冷藏车内整体的温度符合检测试剂盒存储温度范围。影响冷藏车内温度的因素有很多，因此采集不同位置的数据不仅考虑了与制冷机的位置关系，还可以反应整体冷藏车车厢温度异常的信息，可以快速检测温度异常进行补救措施。

S2，从多个温度数据序列中选取一个序列作为主序列，剩余的序列作为辅序列。

其中，需要说明的是，本实施例选取，也即冷藏车内制冷机附近采集到的温度数据序列作为主序列，而/>、/>、/>则作为辅序列。

S3，采用迭代自组织聚类算法对所述主序列中的温度数据进行聚类处理，得到聚类结果；其中，在采用迭代自组织聚类算法对所述主序列中的温度数据进行聚类处理时，在第一次迭代聚类完成后，之后每一次迭代聚类的过程中均基于所述主序列和所述辅序列，根据不同位置处的温度数据变化的特点，计算聚类过程中聚类簇的分裂参数，并根据计算出的分裂参数完成聚类过程。

其中，需要说明的是，在本实施例中，在采用迭代自组织聚类算法对采集的每个采样周期内的温度数据进行聚类时，其中的预期聚类数为10，初始聚类中心的数量为10，每一类中允许的最少样本数目5，每个簇内样本距离分布标准差上限为3，两个聚类中心间的最小距离下限为1，每次迭代中最多可以进行的“合并”操作的次数为2，允许的最多迭代次数为15。具体聚类过程如下：

S31，根据上述参数对输入的温度数据序列进行第一次聚类，根据聚类的结果分析聚类簇内温度数据的分布特征。由于不同位置冷藏车温度范围和变化情况不同，但属于同一空间内，需保持的温度的范围相同。因此判断数据序列/>的聚类簇的分裂参数的选择，可以考虑整体的不同位置的温度变化。对此，本实施例对于一个周期内同一时刻，得到温度数据序列/>中该时刻数据之后的连续10个数据，组成集合/>；得到温度数据序列/>中该时刻数据之后的连续20个数据，组成集合/>；得到温度数据序列/>中该时刻数据之后的连续30个数据，组成集合/>，因为所处位置不同，冷空气的扩散需要时间，温度变化的反应有延迟，因此根据位置的不同，相应温度数据序列中采集的数据的数量也不同，根据得到的集合计算/>中每个数据的温度变化丰度，公式如下：

；

；

其中，表示集合/>中数值的最大值；/>表示集合/>中数值的最小值；/>表示所述主序列中第/>个温度数据的温度变化丰度；/>表示温度数据序列的数量，/>表示由/>得到的温度数据集合；/>表示计算/>内的最大值与最小值的差值；/>表示计算/>内温度数据的信息熵。

由于不同位置的环境特征不同，稳定性特征也不同，因此通过计算不同位置得到的数据集合的极差与信息熵的乘积可以更加准确的反应相同时刻车厢整体的温度变化，计算得到的越大，表示温度异常变化可能性越大；/>越大，表示温度的波动程度越大，计算得到的/>的值越大，表示该时刻车厢整体温度变化信息越丰富，车型内温度异常的可能性越大。

此外，为了保证对于中的最后一个温度数据，也可以计算出其温度变化丰度，需要保证/>、/>、/>中的温度数据多于/>中的温度数据。

S32，由上述计算可得到中每个数据的温度变化丰度，基于此，可计算出每一聚类簇内每个峰对应温度数据的K近邻集合的分布常数，计算过程如下：

S321，以时间为横坐标，温度数据为纵坐标，绘制聚类簇内数据分布曲线；

其中，需要说明的是，由于检测试剂盒温度的变化是在一定范围内波动的，且当聚类簇需要进行分裂时，即该聚类簇的标准差超过了设置的上限。因此可以判断聚类簇内的数据为多峰分布。

S322，计算聚类簇内每个峰对应温度数据的近邻数据集合；其中，/>；

S323，通过下式计算聚类簇中每个峰对应温度数据的K近邻集合的分布常数：

；

其中，表示聚类簇内第/>个峰对应温度数据的K近邻集合的分布常数；/>表示聚类簇内第/>个峰对应温度数据/>近邻数据集合中第/>个温度数据的温度变化丰度；/>表示聚类簇内第/>个峰对应温度数据/>近邻数据集合内数据的数量；/>表示聚类簇内第/>个峰对应温度数据/>近邻数据集合的标准差。

当聚类簇内第个峰附近的温度数据变化较大，则计算得到的/>的值越大，且该峰值温度数据K近邻集合内数据对应的温度变化丰度较大，即/>的值较大，计算得到的越大，表示聚类簇内第/>个峰分布常数较大，即该峰对应时刻的温度变化较大，并且反应车厢整体温度信息丰富。

S33，计算出每一聚类簇内所有峰中两两之间的分布常数的差异值，利用每一聚类簇所计算出的所述差异值组成对应聚类簇的温度划分调节系数序列；其中，每一聚类簇内所有峰中两两之间的分布常数的差异值的计算公式如下：

其中，表示第/>个峰的分布常数/>和第/>个峰的分布常数/>差值的绝对值。

由此可以得到温度划分调节系数序列，温度划分调节系数序列/>的每一元素均为两个峰的分布常数差值的绝对值。

S34，基于温度划分调节系数序列，计算出相应聚类簇的分裂参数，公式为：

；

其中，表示第/>个聚类簇的分裂参数；/>表示归一化函数；/>表示第个聚类簇的温度划分调节系数序列；/>表示选取/>中的最大值；/>表示第/>个聚类簇内的温度数据组成的集合，/>为检测试剂盒的规定储存温度数据集合；/>表示计算/>与/>的Jaccard相似度。

若聚类簇分布较离散，则得到的分布曲线中任意两峰之间分布常数的差值中的最大值越大，同时该聚类簇内超出控制温度范围数据较多，即/>的值较小，得到的/>的值越大，计算得到该聚类簇的分裂时的参数/>的越大。根据上述计算过程可以得到每次迭代聚类中需分裂的聚类簇的分裂参数。至此可以根据输入的数据和参数对温度数据序列/>进行聚类，直至达到迭代的次数后输出温度数据序列/>的聚类结果。

S4，基于所述聚类结果，按照预设指标分析检测试剂盒运输存储环境的温度数据的变化是否正常，实现对检测试剂盒的运输存储环境温度的监测。

具体地，基于所述聚类结果，分析检测试剂盒运输存储环境的温度数据的变化是否正常，实现对检测试剂盒的运输存储环境温度的监测的过程包括：

S41，对所述聚类结果中的每个聚类簇内的温度数据计算均值，并对均值计算结果进行归一化处理，得到归一化处理后的均值计算结果；

S42，设定异常聚类簇判断阈值（本实施例中取值为0.2），基于所述异常聚类簇判断阈值，根据归一化处理后的均值计算结果，从所述聚类结果中筛选出异常聚类簇，通过所有异常聚类簇内的温度数据构成存储环境检测集合；其中，所述异常聚类簇指的是对应的归一化处理后的均值计算结果大于所述异常聚类簇判断阈值的聚类簇；

S43，在一个采样周期内，计算出检测试剂盒存储环境温度异常的指标，并根据检测试剂盒存储环境温度异常的指标/>计算出判断系数/>，公式如下：

；

；

其中，表示集合/>内温度数据的均值；/>表示第/>个辅序列，/>为温度数据序列的数量；/>表示计算/>内的最大值与最小值的差值；/>为合格指标；

S44，设定系数阈值（本实施例中取值为0.1），当大于设定的系数阈值时，判断此时检测试剂盒的运输存储环境温度异常。

综上，本实施例提供了一种用于检测试剂盒存储环境温度监测的数据处理方法，通过获取冷藏车不同位置温度数据（制冷机附近、冷藏车门、车厢后部和顶端）的变化，计算采用迭代自组织聚类时聚类簇分裂时的参数。根据不同冷藏车不同位置之间的关系，考虑整体温度的变化反应聚类簇内数据的分布特征，计算聚类簇分裂的参数。

基于聚类簇内温度数据的变化和存储环境整体温度的变化计算聚类簇分裂参数，其有益效果在于：可更准确的将需分裂的聚类簇进行分裂，提高采用迭代自组织聚类对温度数据聚类的准确性，进而提高对检测试剂盒存储环境温度检测的精度，保障检测试剂盒的不会因存储问题失效。

此外，需要说明的是，本发明可提供为方法、装置或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。

本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

还需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

最后需要说明的是，以上所述是本发明优选实施方式，应当指出，尽管已描述了本发明优选实施例，但对于本技术领域的技术人员来说，一旦得知了本发明的基本创造性概念，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

Claims (10)

1.一种用于检测试剂盒存储环境温度监测的数据处理方法，其特征在于，所述用于检测试剂盒存储环境温度监测的数据处理方法包括：

按照预设的采样周期和采样频率对检测试剂盒运输存储环境中的多个不同位置处的温度数据进行采集，得到一个采样周期内每一位置处的温度数据序列；

从多个温度数据序列中选取一个序列作为主序列，剩余的序列作为辅序列；

采用迭代自组织聚类算法对所述主序列中的温度数据进行聚类处理，得到聚类结果；其中，在采用迭代自组织聚类算法对所述主序列中的温度数据进行聚类处理时，在第一次迭代聚类完成后，之后每一次迭代聚类的过程中均基于所述主序列和所述辅序列，根据不同位置处的温度数据变化的特点，计算聚类过程中聚类簇的分裂参数，并根据计算出的分裂参数完成聚类过程；

基于所述聚类结果，分析检测试剂盒运输存储环境的温度数据的变化是否正常，实现对检测试剂盒的运输存储环境温度的监测。

2.如权利要求1所述的用于检测试剂盒存储环境温度监测的数据处理方法，其特征在于，对于所述主序列中的每一温度数据，在每一所述辅序列中均能找到与其采样时刻相同的温度数据，且所述辅序列中的温度数据多于所述主序列。

3.如权利要求1所述的用于检测试剂盒存储环境温度监测的数据处理方法，其特征在于，基于所述主序列和所述辅序列，根据不同位置处的温度数据变化的特点，计算聚类过程中聚类簇的分裂参数，包括：

基于所述主序列和所述辅序列，根据不同位置处的温度数据变化的特点，计算所述主序列中每一温度数据的温度变化丰度；其中，温度数据的温度变化丰度值越大，表示当前温度数据对应的采样时刻所对应的运输存储环境的整体温度变化信息越丰富，运输存储环境中温度异常的可能性越大；

基于温度数据的温度变化丰度，计算出每一聚类簇内每个峰对应温度数据的K近邻集合的分布常数；其中，所述分布常数越大，表示相应峰对应时刻的温度数据变化越大，并且反应运输存储环境整体温度信息越丰富；

计算出每一聚类簇内所有峰中两两之间的分布常数的差异值，利用每一聚类簇所计算出的所述差异值组成对应聚类簇的温度划分调节系数序列；

基于所述温度划分调节系数序列，计算出相应聚类簇的分裂参数。

4.如权利要求3所述的用于检测试剂盒存储环境温度监测的数据处理方法，其特征在于，基于所述主序列和所述辅序列，根据不同位置处的温度数据变化的特点，计算所述主序列中每一温度数据的温度变化丰度，包括：

分别在每一辅序列中抽取在待计算温度变化丰度的温度数据的采样时刻之后的连续多个温度数据，由每一辅序列中抽取到的温度数据组成相应辅序列所对应的温度数据集合；其中，根据位置的不同，每一辅序列抽取的数据量不同；

基于得到的每一辅序列对应的温度数据集合，获取温度变化丰度。

5.如权利要求3所述的用于检测试剂盒存储环境温度监测的数据处理方法，其特征在于，所述基于温度数据的温度变化丰度，计算出每一聚类簇内每个峰对应温度数据的K近邻集合的分布常数，包括：

以时间为横坐标，温度数据为纵坐标，绘制聚类簇内温度数据的分布曲线；

计算所述分布曲线中每个峰对应温度数据的近邻数据集合；其中，/>；

通过下式计算聚类簇中每个峰对应温度数据的K近邻集合的分布常数：

；

其中，表示聚类簇内第/>个峰对应温度数据的K近邻集合的分布常数；/>表示聚类簇内第/>个峰对应温度数据/>近邻数据集合中第/>个温度数据的温度变化丰度；/>表示聚类簇内第/>个峰对应温度数据/>近邻数据集合内数据的数量；/>表示聚类簇内第/>个峰对应温度数据/>近邻数据集合的标准差。

6.如权利要求3所述的用于检测试剂盒存储环境温度监测的数据处理方法，其特征在于，每一聚类簇内所有峰中两两之间的分布常数的差异值为对应的两个峰之间分布常数的差值的绝对值。

7.如权利要求3所述的用于检测试剂盒存储环境温度监测的数据处理方法，其特征在于，所述分裂参数的计算公式为：

；

其中，表示第/>个聚类簇的分裂参数；/>表示归一化函数；/>表示第/>个聚类簇的温度划分调节系数序列；/>表示选取/>中的最大值；/>表示第/>个聚类簇内的温度数据组成的集合，/>表示检测试剂盒的规定储存温度数据集合；/>表示计算/>与/>的Jaccard相似度。

8.如权利要求4所述的用于检测试剂盒存储环境温度监测的数据处理方法，其特征在于，所述温度变化丰度的获取公式为：

；

其中，表示所述主序列中第/>个温度数据的温度变化丰度；/>表示温度数据序列的数量，/>表示第/>个辅序列所对应的温度数据集合；/>表示计算/>内的最大值与最小值的差值；/>表示计算/>内温度数据的信息熵。

9.如权利要求1~8任一项所述的用于检测试剂盒存储环境温度监测的数据处理方法，其特征在于，基于所述聚类结果，分析检测试剂盒运输存储环境的温度数据的变化是否正常，实现对检测试剂盒的运输存储环境温度的监测，包括：

对所述聚类结果中的每个聚类簇内的温度数据计算均值，并对均值计算结果进行归一化处理，得到归一化处理后的均值计算结果；

设定异常聚类簇判断阈值，基于所述异常聚类簇判断阈值，根据归一化处理后的均值计算结果，从所述聚类结果中筛选出异常聚类簇，通过所有异常聚类簇内的温度数据构成存储环境检测集合；其中，所述异常聚类簇指的是对应的归一化处理后的均值计算结果大于所述异常聚类簇判断阈值的聚类簇；

在一个采样周期内，计算出检测试剂盒存储环境温度异常的指标，并根据检测试剂盒存储环境温度异常的指标/>计算出判断系数/>；

当大于预设的系数阈值时，判断检测试剂盒的运输存储环境温度异常。

10.如权利要求9所述的用于检测试剂盒存储环境温度监测的数据处理方法，其特征在于，所述判断系数，公式如下：

；

；

其中，表示集合/>内温度数据的均值；/>表示第/>个辅序列，/>为温度数据序列的数量；/>表示计算/>内的最大值与最小值的差值；/>为合格指标；/>表示检测试剂盒存储环境温度异常的指标。