CN116805228A - 一种冷链物流储存温湿度预测系统及方法 - Google Patents
一种冷链物流储存温湿度预测系统及方法 Download PDFInfo
- Publication number
- CN116805228A CN116805228A CN202311042573.6A CN202311042573A CN116805228A CN 116805228 A CN116805228 A CN 116805228A CN 202311042573 A CN202311042573 A CN 202311042573A CN 116805228 A CN116805228 A CN 116805228A
- Authority
- CN
- China
- Prior art keywords
- data
- article
- transported
- humidity
- temperature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000003066 decision tree Methods 0.000 claims abstract description 17
- 230000004927 fusion Effects 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 238000005192 partition Methods 0.000 claims abstract description 10
- 238000004140 cleaning Methods 0.000 claims description 29
- 230000007613 environmental effect Effects 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 12
- 238000007405 data analysis Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000001816 cooling Methods 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
- 230000009467 reduction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种冷链物流储存温湿度预测系统及方法，涉及冷链物流技术领域，所述系统包括：处理模块，用于接收所述控制终端发送的运输物品位置以及物品环境数据，对所述运输物品位置以及物品环境数据进行预处理，以分别得到第一预处理数据和第二预处理数据；对所述第一预处理数据和第二预处理数据进行融合，以得到融合数据；根据所述融合数据，计算每个融合数据的信息增益比，以获得划分属性；根据所述划分属性构建决策树，根据所述决策树对融合数据进行分析，以获得分析结果，将所述分析结果发送至控制终端。本发明可以自动采集和处理温湿度数据，从而实现对温湿度的实时监控和智能预测。
Description
技术领域
本发明涉及冷链物流技术领域，特别是指一种冷链物流储存温湿度预测系统及方法。
背景技术
冷链物流是一种在特定低温环境下进行的物流方式，它通过制冷设备和制冷材料，对产品从生产、储存、运输到销售等每个环节都进行严格的温度控制，以保证产品质量和减少产品损失。在冷链物流过程中，对温湿度的精确预测是至关重要的，因为温湿度的变化直接影响到物品的质量和保质期。
然而，目前的冷链物流温湿度预测主要依赖于人工监测和经验判断，这种方式不仅效率低，而且准确性差。此外，由于物流过程中的环境复杂多变，人工预测往往无法准确地预测温湿度的变化，这也给冷链物流的管理带来了很大的困难。
发明内容
本发明要解决的技术问题是提供一种冷链物流储存温湿度预测系统及方法，可以自动采集和处理温湿度数据，从而实现对温湿度的实时监控和智能预测。
为解决上述技术问题，本发明的技术方案如下：
第一方面，一种冷链物流储存温湿度预测系统，所述系统包括：
采集模块，用于获取运输物品环境数据；
运输模块，用于获取运输物品位置，以及接收所述采集模块发送的物品环境数据；
控制终端，用于获取所述控制终端发送的运输物品位置以及物品环境数据，并储存；
处理模块，用于接收所述控制终端发送的运输物品位置以及物品环境数据，对所述运输物品位置以及物品环境数据进行预处理，以分别得到第一预处理数据和第二预处理数据；对所述第一预处理数据和第二预处理数据进行融合，以得到融合数据；根据所述融合数据，计算每个融合数据的信息增益比，以获得划分属性；根据所述划分属性构建决策树，根据所述决策树对融合数据进行分析，以获得分析结果，将所述分析结果发送至控制终端。
进一步的，所述采集模块包括至少一个采集节点，所述采集节点包括：
湿度传感器，用于获取所述运输物品的湿度；
图像采集模块，用于获取所述运输物品的图像；
温度传感器，用于获取所述运输物品的温度。
进一步的，所述运输模块包括至少一个车载终端，所述车载终端上设置有：
数据获取模块，用于获取所述运输物品的温度、运输物品的湿度和运输物品的图像；
定位模块，用于获取所述车载终端的位置；
数据显示单元，用于显示所述车载终端的位置、运输物品的温度、运输物品的湿度和运输物品的图像；
无线发射模块，将所述车载终端的位置、运输物品的温度、运输物品的湿度和运输物品的图像发送至所述控制终端。
进一步的，所述控制终端包括监测平台，所述监测平台包括：
无线接收模块，用于接收所述无线发射模块发送的车载终端的位置、运输物品的温度、运输物品的湿度和运输物品的图像；
数据存储模块，用于储存车载终端的位置、运输物品的温度、运输物品的湿度和运输物品的图像；
数据展示单元，用于显示所述车载终端的位置、运输物品的温度、运输物品的湿度和运输物品的图像。
第二方面，一种冷链物流储存温湿度预测方法，所述方法包括以下步骤：
采集模块获取物品环境数据；
运输模块获取车载终端的位置，并接收采集模块发送的物品环境数据，并通过无线发射模块发送至控制终端；
控制终端接收并存储车载终端发送的运输物品位置和物品环境数据；
处理模块接收控制终端发送的运输物品位置和物品环境数据，并对运输物品位置和物品环境数据进行预处理，分别得到第一预处理数据和第二预处理数据；
处理模块对第一预处理数据和第二预处理数据进行融合，得到融合数据，根据融合数据计算每个融合数据的信息增益比，以获得划分属性，根据划分属性构建决策树，根据决策树对融合数据进行分析，得到分析结果，将分析结果发送至控制终端。
进一步的，对运输物品位置和物品环境数据进行预处理，分别得到第一预处理数据和第二预处理数据，包括：
对运输物品位置和物品环境数据分别进行异常值检测并剔除，以获得筛选的运输物品位置和物品环境数据；
对筛选的运输物品位置和物品环境数据分别进行缺失值检测并填充，以获得第一清洗数据和第二清洗数据；
分别对第一清洗数据和第二清洗数据进行特征选择，以获得第一特征数据和第二特征数据；
分别对所述第一特征数据和第二特征数据进行数据转换，以得到第一预处理数据和第二预处理数据。
进一步的，处理模块对第一预处理数据和第二预处理数据进行融合，得到融合数据，包括：
对第一预处理数据和第二预处理数据的结构进行对齐，以得到第一对齐数据和第二对齐数据；
将所述第一对齐数据和第二对齐数据分别映射为键值对，其中，键为第一对齐数据和第二对齐数据的索引，值为第一对齐数据和第二对齐数据的内容；
将具有相同键的值进行合并，以得到融合数据。
进一步的，对运输物品位置和物品环境数据分别进行异常值检测并剔除，以获得筛选的运输物品位置和物品环境数据，包括：
根据计算校准值/>；
若校准值的绝对值≥阈值，则待检测数据点x i 是异常值，若校准值/>的绝对值＜阈值，则待检测数据点x i 非异常值，其中，/>为权重参数，0≤/>≤1，Q1为待检测数据点x i 的第一四分位数，IQR为待检测数据点x i 的四分位距，/>，μ为待检测数据点x i 的平均值，σ为待检测数据点x i 的标准差，/>为索引。
进一步的，对筛选的运输物品位置和物品环境数据分别进行缺失值检测并填充，以获得第一清洗数据和第二清洗数据，包括：
根据对筛选的运输物品位置和物品环境数据分别进行缺失值检测并填充，以获得第一清洗数据和第二清洗数据，其中，/>为填充后的数据点，为指示函数，用于检测数据集/>的缺失值，其中，/>为数据集中的元素总数。
进一步的，所述物品环境数据包括运输物品的湿度、运输物品的图像和运输物品的温度。
本发明的上述方案至少包括以下有益效果：
本发明的上述方案，通过采集模块和运输模块，能够实时获取并记录运输物品的环境数据和位置信息，提高了数据的实时性和准确性，处理模块对收集到的数据进行预处理和融合，这样可以有效地减少数据的噪声和冗余，提高数据的质量，通过计算信息增益比和构建决策树，系统能够对融合数据进行深入分析，从而实现对温湿度的智能预测，通过对温湿度进行精确预测，可以提前做好相应的调整和准备，从而避免因温湿度变化导致的物品质量下降，提高冷链物流的效率和效果。
附图说明
图1是本发明的实施例提供的冷链物流储存温湿度预测系统示意图。
图2是本发明的实施例提供的冷链物流储存温湿度预测方法流程示意图。
附图标记：11、采集模块；12、采集节点；13、湿度传感器；14、图像采集模块；15、温度传感器；16、运输模块；17、车载终端；18、监测平台；19、控制终端；20、数据存储模块；21、数据展示单元；22、无线接收模块；23、无线发射模块；24、数据显示单元；25、定位模块；26、数据获取模块；27、处理模块。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示，本发明的实施例提出一种冷链物流储存温湿度预测系统，所述系统包括：
采集模块11，用于获取运输物品环境数据；
运输模块16，用于获取运输物品位置，以及接收所述采集模块11发送的物品环境数据；
控制终端19，用于获取所述控制终端19发送的运输物品位置以及物品环境数据，并储存；
处理模块27，用于接收所述控制终端19发送的运输物品位置以及物品环境数据，对所述运输物品位置以及物品环境数据进行预处理，以分别得到第一预处理数据和第二预处理数据；对所述第一预处理数据和第二预处理数据进行融合，以得到融合数据；根据所述融合数据，计算每个融合数据的信息增益比，以获得划分属性；根据所述划分属性构建决策树，根据所述决策树对融合数据进行分析，以获得分析结果，将所述分析结果发送至控制终端19。
在本发明实施例中，通过采集模块和运输模块，能够实时获取并记录运输物品的环境数据和位置信息，提高了数据的实时性和准确性，处理模块对收集到的数据进行预处理和融合，这样可以有效地减少数据的噪声和冗余，提高数据的质量，通过计算信息增益比和构建决策树，系统能够对融合数据进行深入分析，从而实现对温湿度的智能预测，通过对温湿度进行精确预测，可以提前做好相应的调整和准备，从而避免因温湿度变化导致的物品质量下降，提高冷链物流的效率和效果。
如图1所示，所述采集模块11包括至少一个采集节点12，所述采集节点12包括：
湿度传感器13，用于获取所述运输物品的湿度；
图像采集模块14，用于获取所述运输物品的图像；
温度传感器15，用于获取所述运输物品的温度。
在本发明实施例中，所述湿度传感器13用于获取运输物品的湿度数据，湿度数据对于冷链物流中的物品质量控制非常重要，因为湿度的变化可能会影响物品的保质期和质量。所述图像采集模块14用于获取运输物品的图像，物品的图像可以帮助系统更直观地了解物品的状态，例如物品的包装是否完好，物品是否有明显的损坏等。所述温度传感器15用于获取运输物品的温度数据，温度数据是冷链物流中最关键的数据，因为温度的控制直接影响到物品的质量和保质期。通过湿度传感器13、图像采集模块14和温度传感器15，系统可以全面、准确地获取到运输物品的环境数据，为后续的数据处理和预测提供了可靠的输入。
如图1所示，所述运输模块16包括至少一个车载终端17，所述车载终端17上设置有：
数据获取模块26，用于获取所述运输物品的温度、运输物品的湿度和运输物品的图像；
定位模块25，用于获取所述车载终端17的位置；
数据显示单元24，用于显示所述车载终端17的位置、运输物品的温度、运输物品的湿度和运输物品的图像；
无线发射模块23，将所述车载终端17的位置、运输物品的温度、运输物品的湿度和运输物品的图像发送至所述控制终端19。
在本发明实施例中，所述数据获取模块26的作用是获取运输物品的温度、湿度和图像，这些数据是对物品环境的全面记录。所述定位模块25用于获取车载终端17的位置，这可了解物品的运输路径和当前位置。所述数据显示单元24用于显示车载终端17的位置、运输物品的温度、湿度和图像，这可以让驾驶员和物流管理人员实时了解物品的状态和位置。所述无线发射模块23将车载终端17的位置、运输物品的温度、湿度和图像发送至控制终端19，这样控制终端就可以实时接收到这些数据，为后续的数据处理和预测提供了实时的输入。
如图1所示，所述控制终端19包括监测平台18，所述监测平台18包括：
无线接收模块22，用于接收所述无线发射模块23发送的车载终端17的位置、运输物品的温度、运输物品的湿度和运输物品的图像；
数据存储模块20，用于储存车载终端17的位置、运输物品的温度、运输物品的湿度和运输物品的图像；
数据展示单元21，用于显示所述车载终端17的位置、运输物品的温度、运输物品的湿度和运输物品的图像。
在本发明实施例中，无线接收模块22的作用是接收无线发射模块23发送的车载终端17的位置、运输物品的温度、湿度和图像，这些数据是对物品环境和位置的实时记录。数据存储模块20用于储存车载终端17的位置、运输物品的温度、湿度和图像，这可以保存历史数据。数据展示单元21用于显示车载终端17的位置、运输物品的温度、湿度和图像，这可以让物流管理人员实时了解物品的状态和位置。
如图2所示，一种冷链物流储存温湿度预测方法，所述方法包括以下步骤：
步骤30，采集模块11获取物品环境数据；
步骤40，运输模块16获取车载终端17的位置，并接收采集模块发送的物品环境数据，并通过无线发射模块23发送至控制终端19；
步骤50，控制终端19接收并存储车载终端发送的运输物品位置和物品环境数据；
步骤60，处理模块27接收控制终端发送的运输物品位置和物品环境数据，并对运输物品位置和物品环境数据进行预处理，分别得到第一预处理数据和第二预处理数据；
步骤70，处理模块对第一预处理数据和第二预处理数据进行融合，得到融合数据，根据融合数据计算每个融合数据的信息增益比，以获得划分属性，根据划分属性构建决策树，根据决策树对融合数据进行分析，得到分析结果，将分析结果发送至控制终端。
在本发明实施例中，通过采集模块和运输模块，能够实时获取并记录运输物品的环境数据和位置信息，提高了数据的实时性和准确性，处理模块对收集到的数据进行预处理和融合，这样可以有效地减少数据的噪声和冗余，提高数据的质量，通过计算信息增益比和构建决策树，系统能够对融合数据进行深入分析，从而实现对温湿度的智能预测，通过对温湿度进行精确预测，可以提前做好相应的调整和准备，从而避免因温湿度变化导致的物品质量下降，提高冷链物流的效率和效果。
在本发明一优选的实施例中，上述步骤60，可以包括：
步骤601，对运输物品位置和物品环境数据分别进行异常值检测并剔除，以获得筛选的运输物品位置和物品环境数据；
步骤602，对筛选的运输物品位置和物品环境数据分别进行缺失值检测并填充，以获得第一清洗数据和第二清洗数据；
步骤603，分别对第一清洗数据和第二清洗数据进行特征选择，以获得第一特征数据和第二特征数据；
步骤604，分别对所述第一特征数据和第二特征数据进行数据转换，以得到第一预处理数据和第二预处理数据。
在步骤601中，这个步骤的目的是去除数据中的噪声和异常值，这些异常值可能会对后续的数据分析和预测产生负面影响。在步骤602中，这个步骤的目的是处理数据中的缺失值，缺失值的存在可能会影响数据分析的准确性。在步骤603中，这个步骤的目的是选择对预测结果影响最大的特征，这可以提高预测的准确性，同时减少计算量。在步骤604中，这个步骤的目的是将数据转换为适合机器学习模型处理的格式。通过这四个步骤，可以将原始的运输物品位置和物品环境数据转换为适合机器学习模型处理的预处理数据，为后续的数据分析和预测提供了准确、有效的输入。
在本发明一优选的实施例中，上述步骤70，可以包括：
步骤701，对第一预处理数据和第二预处理数据的结构进行对齐，以得到第一对齐数据和第二对齐数据；
步骤702，将所述第一对齐数据和第二对齐数据分别映射为键值对，其中，键为第一对齐数据和第二对齐数据的索引，值为第一对齐数据和第二对齐数据的内容；
步骤703，将具有相同键的值进行合并，以得到融合数据。
在步骤701中，这个步骤的目的是确保两个数据集的结构一致。在步骤702中，这个步骤的目的是将数据转换为键值对的形式，这样可以方便后续的数据合并。在步骤703中，这样可以将运输物品位置和物品环境数据整合在一起。通过这三个步骤，可以将第一预处理数据和第二预处理数据进行有效的融合，为后续的数据分析和预测提供了全面、准确的输入。
在本发明实施例中，当具体在应用时，具体包括：
步骤701：对第一预处理数据D1和第二预处理数据D2的结构进行对齐，以得到第一对齐数据A1和第二对齐数据A2，可以表示为：A1，A2=P(D1，D2)；
步骤702：将所述第一对齐数据A1和第二对齐数据A2分别映射为键值对，其中，键为第一对齐数据和第二对齐数据的索引，值为第一对齐数据和第二对齐数据的内容，可以表示为：K1，K2=M(A1，A2)；
步骤703：将具有相同键的值进行合并，以得到融合数据F，可以表示为：F=R(K1，K2)，其中，P( )为一个处理函数，用于对第一预处理数据和第二预处理数据的结构进行对齐，以得到第一对齐数据和第二对齐数据；M( )为一个映射函数，用于将对齐后的数据映射为键值对，在这个函数中，键为第一对齐数据和第二对齐数据的索引，值为第一对齐数据和第二对齐数据的内容；R( )为一个合并函数，用于将具有相同键的值进行合并，以得到融合数据；这个步骤的作用是将具有相同键的值进行合并，这样可以减少数据的冗余。
在本发明一优选的实施例中，上述步骤601，可以包括：
步骤6011，根据计算校准值/>；
步骤6012，若校准值的绝对值≥阈值，则待检测数据点x i 是异常值，若校准值/>的绝对值＜阈值，则待检测数据点x i 非异常值，其中，/>为权重参数，0≤/>≤1，Q1为待检测数据点x i 的第一四分位数，IQR为待检测数据点x i 的四分位距，/>，μ为待检测数据点x i 的平均值，σ为待检测数据点x i 的标准差，/>为索引。
在本发明实施例中，计算校准值，校准值是一个统计量，用于衡量待检测数据点x i 与数据集的中心位置的偏离程度。根据校准值的绝对值与阈值的比较结果，判断待检测数据点x i 是否为异常值，如果校准值的绝对值≥阈值，那么待检测数据点x i 被判断为异常值；如果校准值的绝对值＜阈值，那么待检测数据点x i 被判断为非异常值。其中，权重参数是一个介于0和1之间的数，用于调整校准值的计算方式。通过这两个步骤，可以有效地检测并剔除数据中的异常值，从而提高数据分析和预测的准确性。
在本发明一优选的实施例中，上述步骤602，可以包括：
步骤6021，根据对筛选的运输物品位置和物品环境数据分别进行缺失值检测并填充，以获得第一清洗数据和第二清洗数据，其中，/>为填充后的数据点，/>为指示函数，用于检测数据集/>的缺失值，其中，/>为数据集中的元素总数，所述物品环境数据包括运输物品的湿度、运输物品的图像和运输物品的温度。
在本发明实施例中，对筛选的运输物品位置和物品环境数据分别进行缺失值检测并填充，以获得第一清洗数据和第二清洗数据，这个步骤的目的是处理数据中的缺失值，缺失值的存在可能会影响数据分析的准确性。其中，填充后的数据点表示经过缺失值填充后的数据点。指示函数用于检测数据集的缺失值，如果数据点存在缺失值，指示函数的值为1，否则为0，数据集中的元素总数表示数据集中的数据点数量。
在本发明另一优选的实施例中，在上述步骤603中，分别对第一清洗数据C1和第二清洗数据C2进行特征选择，以获得第一特征数据F1和第二特征数据（F2），其计算公式为：
F1=S1 1 (S1 2 (…S1 n (C1)…))，F2=S21(S22(…S2m(C2)…))，
其中，S11( )，S12( )，…，S1n( )和S21( )，S22( )，…，S2m( )是特征选择函数，用于从清洗后的数据中选择出重要的特征；n和m分别表示对第一清洗数据C1和第二清洗数据C2进行特征选择时，需要执行的特征选择函数的数量，例如，如果n=3，那么就需要对第一清洗数据C1执行三个特征选择函数S11( )，S12( )，S13( )；
在上述步骤604中，分别对所述第一特征数据F1和第二特征数据F2进行数据转换，以得到第一预处理数据P1和第二预处理数据P2，其计算公式为：
P1=T11(T12(…T1g(F1)…))；
P2=T21(T22(…T2h(F2)…))；
其中，T11( )，T12( )，…，T1g( )和T21( )，T22( )，…，T2h( )是数据转换函数，用于将特征数据转换为适合后续处理的格式，g和h分别表示对第一特征数据F1和第二特征数据F2进行数据转换时，需要执行的数据转换函数的数量。例如，如果g=2，那么就需要对第一特征数据F1执行两个数据转换函数T11( )，T12( )。
在本发明实施例中，在上述步骤603中，从原始的清洗数据中选择出对后续分析或模型训练最有用的特征，这个步骤可以帮助减少数据的维度，提高模型训练的效率，同时也可以帮助提高模型的性能。在上述步骤604中，将特征数据转换为适合后续处理的格式，可以帮助提高模型的性能。这两个步骤产生了预处理后的数据，这些数据可以直接用于后续的数据分析或模型训练。通过这两个步骤，可以确保使用的数据是最有代表性。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种冷链物流储存温湿度预测系统，其特征在于，所述系统包括：
采集模块（11），用于获取运输物品环境数据；
运输模块（16），用于获取运输物品位置，以及接收所述采集模块（11）发送的物品环境数据；
控制终端（19），用于获取所述控制终端（19）发送的运输物品位置以及物品环境数据，并储存；
处理模块（27），用于接收所述控制终端（19）发送的运输物品位置以及物品环境数据，对所述运输物品位置以及物品环境数据进行预处理，以分别得到第一预处理数据和第二预处理数据；对所述第一预处理数据和第二预处理数据进行融合，以得到融合数据；根据所述融合数据，计算每个融合数据的信息增益比，以获得划分属性；根据所述划分属性构建决策树，根据所述决策树对融合数据进行分析，以获得分析结果，将所述分析结果发送至控制终端（19）。
2.根据权利要求1所述的冷链物流储存温湿度预测系统，其特征在于，所述采集模块（11）包括至少一个采集节点（12），所述采集节点（12）包括：
湿度传感器（13），用于获取所述运输物品的湿度；
图像采集模块（14），用于获取所述运输物品的图像；
温度传感器（15），用于获取所述运输物品的温度。
3.根据权利要求2所述的冷链物流储存温湿度预测系统，其特征在于，所述运输模块（16）包括至少一个车载终端（17），所述车载终端（17）上设置有：
数据获取模块（26），用于获取所述运输物品的温度、运输物品的湿度和运输物品的图像；
定位模块（25），用于获取所述车载终端（17）的位置；
数据显示单元（24），用于显示所述车载终端（17）的位置、运输物品的温度、运输物品的湿度和运输物品的图像；
无线发射模块（23），将所述车载终端（17）的位置、运输物品的温度、运输物品的湿度和运输物品的图像发送至所述控制终端（19）。
4.根据权利要求3所述的冷链物流储存温湿度预测系统，其特征在于，所述控制终端（19）包括监测平台（18），所述监测平台（18）包括：
无线接收模块（22），用于接收所述无线发射模块（23）发送的车载终端（17）的位置、运输物品的温度、运输物品的湿度和运输物品的图像；
数据存储模块（20），用于储存车载终端（17）的位置、运输物品的温度、运输物品的湿度和运输物品的图像；
数据展示单元（21），用于显示所述车载终端（17）的位置、运输物品的温度、运输物品的湿度和运输物品的图像。
5.一种冷链物流储存温湿度预测方法，其特征在于，所述方法包括以下步骤：
采集模块（11）获取物品环境数据；
运输模块（16）获取车载终端（17）的位置，并接收采集模块发送的物品环境数据，并通过无线发射模块（23）发送至控制终端（19）；
控制终端（19）接收并存储车载终端发送的运输物品位置和物品环境数据；
处理模块（27）接收控制终端发送的运输物品位置和物品环境数据，并对运输物品位置和物品环境数据进行预处理，分别得到第一预处理数据和第二预处理数据；
处理模块对第一预处理数据和第二预处理数据进行融合，得到融合数据，根据融合数据计算每个融合数据的信息增益比，以获得划分属性，根据划分属性构建决策树，根据决策树对融合数据进行分析，得到分析结果，将分析结果发送至控制终端。
6.根据权利要求5所述的冷链物流储存温湿度预测方法，其特征在于，对运输物品位置和物品环境数据进行预处理，分别得到第一预处理数据和第二预处理数据，包括：
对运输物品位置和物品环境数据分别进行异常值检测并剔除，以获得筛选的运输物品位置和物品环境数据；
对筛选的运输物品位置和物品环境数据分别进行缺失值检测并填充，以获得第一清洗数据和第二清洗数据；
分别对第一清洗数据和第二清洗数据进行特征选择，以获得第一特征数据和第二特征数据；
分别对所述第一特征数据和第二特征数据进行数据转换，以得到第一预处理数据和第二预处理数据。
7.根据权利要求6所述的冷链物流储存温湿度预测方法，其特征在于，处理模块对第一预处理数据和第二预处理数据进行融合，得到融合数据，包括：
对第一预处理数据和第二预处理数据的结构进行对齐，以得到第一对齐数据和第二对齐数据；
将所述第一对齐数据和第二对齐数据分别映射为键值对，其中，键为第一对齐数据和第二对齐数据的索引，值为第一对齐数据和第二对齐数据的内容；
将具有相同键的值进行合并，以得到融合数据。
8.根据权利要求7所述的冷链物流储存温湿度预测方法，其特征在于，对运输物品位置和物品环境数据分别进行异常值检测并剔除，以获得筛选的运输物品位置和物品环境数据，包括：
根据计算校准值/>；
若校准值的绝对值≥阈值，则待检测数据点x i 是异常值，若校准值/>的绝对值＜阈值，则待检测数据点x i 非异常值，其中，/>为权重参数，0≤/>≤1，Q1为待检测数据点x i 的第一四分位数，IQR为待检测数据点x i 的四分位距，/>，μ为待检测数据点x i 的平均值，σ为待检测数据点x i 的标准差，/>为索引。
9.根据权利要求8所述的冷链物流储存温湿度预测方法，其特征在于，对筛选的运输物品位置和物品环境数据分别进行缺失值检测并填充，以获得第一清洗数据和第二清洗数据，包括：
根据对筛选的运输物品位置和物品环境数据分别进行缺失值检测并填充，以获得第一清洗数据和第二清洗数据，其中，/>为填充后的数据点，/>为指示函数，用于检测数据集/>的缺失值，其中，/>为数据集中的元素总数。
10.根据权利要求9所述的冷链物流储存温湿度预测方法，其特征在于，所述物品环境数据包括运输物品的湿度、运输物品的图像和运输物品的温度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311042573.6A CN116805228A (zh) | 2023-08-18 | 2023-08-18 | 一种冷链物流储存温湿度预测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311042573.6A CN116805228A (zh) | 2023-08-18 | 2023-08-18 | 一种冷链物流储存温湿度预测系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116805228A true CN116805228A (zh) | 2023-09-26 |
Family
ID=88080823
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311042573.6A Pending CN116805228A (zh) | 2023-08-18 | 2023-08-18 | 一种冷链物流储存温湿度预测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116805228A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110409955A (zh) * | 2019-06-06 | 2019-11-05 | 雄安达实智慧科技有限公司 | 基于决策树预测模型的窗户控制方法、装置和电子设备 |
| CN112978128A (zh) * | 2021-02-20 | 2021-06-18 | 南京谱隘网络科技有限公司 | 基于大数据和图像分析技术的冷链物流运输商品品质监测管理系统 |
| CN113255835A (zh) * | 2021-06-28 | 2021-08-13 | 国能大渡河大数据服务有限公司 | 一种水电站泵类设备异常检测方法 |
| CN114328931A (zh) * | 2021-12-31 | 2022-04-12 | 科大讯飞华南人工智能研究院（广州）有限公司 | 题目批改方法、模型的训练方法、计算机设备及存储介质 |
| CN114596033A (zh) * | 2022-03-14 | 2022-06-07 | 广州市汇算新代信息技术有限公司 | 一种基于深度学习的智慧物流规划监控方法及系统 |
| CN114707924A (zh) * | 2022-03-16 | 2022-07-05 | 广西新农商供应链科技有限公司 | 智慧冷链信息管理方法及系统 |
| CN115146731A (zh) * | 2022-07-15 | 2022-10-04 | 北京三快在线科技有限公司 | 一种模型训练的方法、业务风控的方法及装置 |
| CN116596582A (zh) * | 2023-05-29 | 2023-08-15 | 深圳闪新软件技术服务有限公司 | 一种基于大数据的销售信息预测方法及装置 |
-
2023
- 2023-08-18 CN CN202311042573.6A patent/CN116805228A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110409955A (zh) * | 2019-06-06 | 2019-11-05 | 雄安达实智慧科技有限公司 | 基于决策树预测模型的窗户控制方法、装置和电子设备 |
| CN112978128A (zh) * | 2021-02-20 | 2021-06-18 | 南京谱隘网络科技有限公司 | 基于大数据和图像分析技术的冷链物流运输商品品质监测管理系统 |
| CN113255835A (zh) * | 2021-06-28 | 2021-08-13 | 国能大渡河大数据服务有限公司 | 一种水电站泵类设备异常检测方法 |
| CN114328931A (zh) * | 2021-12-31 | 2022-04-12 | 科大讯飞华南人工智能研究院（广州）有限公司 | 题目批改方法、模型的训练方法、计算机设备及存储介质 |
| CN114596033A (zh) * | 2022-03-14 | 2022-06-07 | 广州市汇算新代信息技术有限公司 | 一种基于深度学习的智慧物流规划监控方法及系统 |
| CN114707924A (zh) * | 2022-03-16 | 2022-07-05 | 广西新农商供应链科技有限公司 | 智慧冷链信息管理方法及系统 |
| CN115146731A (zh) * | 2022-07-15 | 2022-10-04 | 北京三快在线科技有限公司 | 一种模型训练的方法、业务风控的方法及装置 |
| CN116596582A (zh) * | 2023-05-29 | 2023-08-15 | 深圳闪新软件技术服务有限公司 | 一种基于大数据的销售信息预测方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| （美）沙姆沙德·安萨里作；肖启阳，袁科译: "《计算机视觉应用构建 OpenCV与TensorFlow实例》", 机械工业出版社, pages: 79 - 34 * |
| 唐四薪，赵辉煌，唐琼编: "《大数据分析实用教程 基于PYTHON实现》", 30 June 2021, 机械工业出版社, pages: 18 * |
| 阮进军: "《基于Hadoop的温室无线传感网络数据采集与管理系统》", 《绥化学院学报》, vol. 39, no. 5, pages 153 - 157 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113259486B (zh) | 一种基于数字孪生的计量设备自动化检定线运维系统 | |
| CN114331284B (zh) | 一种基于云计算的智能仓储服务管理系统 | |
| US20160196527A1 (en) | Condition monitoring and prediction for smart logistics | |
| CN116383450B (zh) | 一种铁路公路物流运输信息综合管理系统 | |
| CN111861348B (zh) | 一种基于区块链的冷链溯源系统 | |
| CN110782324B (zh) | 一种基于云平台的电子商务商品信息管理方法及系统 | |
| CN112985494A (zh) | 基于大数据和人工智能的冷链智慧物流运输在线实时监测云平台 | |
| CN111814739B (zh) | 快递包裹体积的检测方法、装置、设备及存储介质 | |
| CN114819862A (zh) | 冷链物流追溯服务方法、系统与存储介质 | |
| CN116542592B (zh) | 一种国际物流运输路径分析评定系统 | |
| CN115375234A (zh) | 基于gnss的运输车辆运行轨迹规划方法 | |
| CN107924423B (zh) | 模型确定设备和模型确定方法 | |
| US20220188343A1 (en) | Representation and visualization of multivariate sensory time series data | |
| CN113902529A (zh) | 基于大数据分析的商品运损少货订单管理方法、系统及介质 | |
| CN116911723B (zh) | 基于5g物联网和数据监测的农产品监测方法及系统 | |
| CN117495019B (zh) | 基于农产品供应链的农产品协同调度方法与系统 | |
| CN116805228A (zh) | 一种冷链物流储存温湿度预测系统及方法 | |
| CN112985518B (zh) | 一种基于物联网的温湿度智能监测方法及装置 | |
| JP7195852B2 (ja) | 評価装置及び評価プログラム | |
| KR101583900B1 (ko) | 센서 네트워크에서 연속질의 기반 모니터링 서비스 제공 방법 및 시스템 | |
| Zakeri et al. | Early detection of events as a decision support in the milk collection planning | |
| CN117273573B (zh) | 一种跨境贸易物流数据追溯方法及系统 | |
| CN116663753B (zh) | 冷链食品配送预测方法及系统 | |
| CN117474344B (zh) | 一种货物运输过程的风险评估方法及系统 | |
| CN118093705B (zh) | 一种食品检测用信息追溯监管系统 |
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 |