CN117251790A - 一种智慧物流数据的采集方法及系统 - Google Patents

一种智慧物流数据的采集方法及系统 Download PDF

Info

Publication number
CN117251790A
CN117251790A CN202311207261.6A CN202311207261A CN117251790A CN 117251790 A CN117251790 A CN 117251790A CN 202311207261 A CN202311207261 A CN 202311207261A CN 117251790 A CN117251790 A CN 117251790A
Authority
CN
China
Prior art keywords
data
identification
logistics
processed
logistics data
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
Application number
CN202311207261.6A
Other languages
English (en)
Inventor
郭运涛
王明阳
王莉莉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Xinkaixuan Technology Co ltd
Original Assignee
Shenzhen Xinkaixuan Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Xinkaixuan Technology Co ltd filed Critical Shenzhen Xinkaixuan Technology Co ltd
Priority to CN202311207261.6A priority Critical patent/CN117251790A/zh
Publication of CN117251790A publication Critical patent/CN117251790A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供的一种智慧物流数据的采集方法及系统，涉及数据处理技术领域。在本发明中，对一个第二物流数据和每一个第一标识数据对应的第一物流数据进行组合，形成示例性数据簇，加载到候选物流数据识别网络中，分析出第二物流数据对应的数据种类可能性分布；基于数据种类可能性分布和第二标识数据簇，分析出预测误差参数和对比误差参数；基于预测误差参数和对比误差参数，对候选物流数据识别网络进行更新处理；通过更新物流数据识别网络分析出待处理物流数据的预测标识数据，并在预测标识数据满足预先配置的标识数据条件的情况下，将待处理物流数据确定为采集到的数据。基于上述方法，可以提高数据采集的可靠度。

Description

一种智慧物流数据的采集方法及系统
技术领域
本发明涉及数据处理技术领域，具体而言，涉及一种智慧物流数据的采集方法及系统。
背景技术
物流数据的采集，一般包括较多的环节，如先基于前端的设备进行物流数据的上报，然后，可以对物流数据进行分析，使得可以基于分析结果确定是否最终需要该物流数据，如进行保存或丢弃或应用等。但是，在现有技术中，存在对物流数据进行采集的可靠度不佳的问题。
发明内容
有鉴于此，本发明的目的在于提供一种智慧物流数据的采集方法及系统，以提高数据采集的可靠度。
为实现上述目的，本发明实施例采用如下技术方案：
一种智慧物流数据的采集方法，包括：
确定出第一标识数据簇和第二标识数据簇，所述第一标识数据簇包括多个第一标识数据，所述第一标识数据用于反映参考物流数据种类，所述第二标识数据簇包括第二标识数据和全部的所述第一标识数据，所述第二标识数据用于反映所述参考物流数据种类之外的其它物流数据种类；
提取到所述第一标识数据簇对应的多个第一物流数据，并提取到所述第二标识数据簇对应的多个第二物流数据；
搭建出候选物流数据识别网络，并对随机确定的一个所述第二物流数据和每一个所述第一标识数据对应的所述第一物流数据进行组合，形成示例性数据簇，并对所述示例性数据簇进行加载处理，以加载到所述候选物流数据识别网络中，分析出所述第二物流数据对应的数据种类可能性分布；
基于所述数据种类可能性分布和所述第二标识数据簇，分析出对应的预测误差参数，并基于所述数据种类可能性分布，分析出对应的对比误差参数，所述对比误差参数用于反映所述第二物流数据与每一个所述第一标识数据之间的差异分散状态；
基于所述预测误差参数和所述对比误差参数，分析出总的误差参数，并基于所述总的误差参数，对所述候选物流数据识别网络进行更新处理，以形成对应的更新物流数据识别网络；
对待处理物流数据进行加载处理，以加载到所述更新物流数据识别网络中，分析出所述待处理物流数据的预测标识数据，并在所述预测标识数据满足预先配置的标识数据条件的情况下，将所述待处理物流数据确定为采集到的数据，所述预测标识数据用于反映所述待处理物流数据的种类。
在一些优选的实施例中，在上述智慧物流数据的采集方法中，所述数据种类可能性分布包括所述第二物流数据属于每一种所述参考物流数据种类的种类可能性参数，所述基于所述数据种类可能性分布，分析出对应的对比误差参数的步骤，包括：
对每一个所述种类可能性参数进行取对数操作，以输出每一个所述种类可能性参数对应的对数计算结果；
分别对每一个所述种类可能性参数和该种类可能性参数对应的所述对数计算结果进行相乘运算，以输出对应的相乘运算结果；
基于每一个所述种类可能性参数对应的相乘运算结果的累积结果，分析出对应的对比误差参数。
在一些优选的实施例中，在上述智慧物流数据的采集方法中，所述搭建出候选物流数据识别网络的步骤，包括：
确定出第一示例性物流数据和第二示例性物流数据，所述第一示例性物流数据和所述第二示例性物流数据之间的数据相关系数超过预先配置的参考数据相关系数；
对所述第一示例性物流数据和所述第二示例性物流数据进行加载处理，以加载到搭建出的初级物流数据识别网络中，将所述第一示例性物流数据和所述第二示例性物流数据进行特征挖掘操作，以输出所述第一示例性物流数据对应的第一示例性特征表示和所述第二示例性物流数据对应的第二示例性特征表示；
分析出所述第一示例性特征表示和所述第二示例性特征表示之间的特征表示距离，并基于所述特征表示距离，分析出初级误差参数；
基于所述初级误差参数，对所述初级物流数据识别网络进行更新处理，以形成对应的候选物流数据识别网络。
在一些优选的实施例中，在上述智慧物流数据的采集方法中，所述对待处理物流数据进行加载处理，以加载到所述更新物流数据识别网络中，分析出所述待处理物流数据的预测标识数据的步骤，包括：
对所述待处理物流数据进行加载处理，以加载到所述更新物流数据识别网络中，将所述待处理物流数据进行特征挖掘操作，以输出对应的待处理特征表示；
确定出每一个所述第一标识数据对应的标识数据特征表示；
分析出所述待处理特征表示和每一个所述标识数据特征表示之间的待处理特征表示距离，以及，基于所述待处理特征表示距离，确定出所述待处理物流数据对应的待处理种类可能性分布，所述待处理种类可能性分布包括所述待处理物流数据属于每一种所述参考物流数据种类的待处理可能性参数；
对所述待处理可能性参数和预先配置的参考可能性参数进行大小对比分析，以确定出所述待处理物流数据对应的预测标识数据。
在一些优选的实施例中，在上述智慧物流数据的采集方法中，所述对所述待处理可能性参数和预先配置的参考可能性参数进行大小对比分析，以确定出所述待处理物流数据对应的预测标识数据的步骤，包括：
在每一个所述待处理可能性参数都未超过预先配置的参考可能性参数的情况下，将所述待处理物流数据对应的预测标识数据配置为所述第二标识数据；或者，在一个以上的所述待处理可能性参数超过所述参考可能性参数的情况下，将所述待处理物流数据对应的预测标识数据配置为具有最大值的所述待处理可能性参数对应的所述参考物流数据种类对应的所述第一标识数据。
在一些优选的实施例中，在上述智慧物流数据的采集方法中，每一个所述第一标识数据对应有多个第一物流数据；所述确定出每一个所述第一标识数据对应的标识数据特征表示的步骤，包括：
对所述多个第一物流数据进行加载处理，以加载到所述更新物流数据识别网络中，分别对每一个所述第一物流数据进行特征挖掘操作，以输出每一个所述第一物流数据对应的初始标识数据特征表示；
对于每一个所述第一标识数据，将该第一标识数据对应的多个第一物流数据对应的多个初始标识数据特征表示进行融合，以输出该第一标识数据对应的标识数据特征表示；
其中，所述对于每一个所述第一标识数据，将该第一标识数据对应的多个第一物流数据对应的多个初始标识数据特征表示进行融合，以输出该第一标识数据对应的标识数据特征表示的步骤，包括：
对于每一个所述第一标识数据，将该第一标识数据对应的多个第一物流数据对应的多个初始标识数据特征表示进行级联组合，以输出该第一标识数据对应的标识数据特征表示；或，对于每一个所述第一标识数据，将该第一标识数据对应的多个第一物流数据对应的多个初始标识数据特征表示进行叠加处理，以输出该第一标识数据对应的标识数据特征表示。
在一些优选的实施例中，在上述智慧物流数据的采集方法中，所述智慧物流数据的采集方法还包括：
在所述预测标识数据属于所述第一标识数据的情况下，基于所述待处理种类可能性分布，分析出所述待处理物流数据对应的预测可靠参数；
在所述预测可靠参数超过预先配置的参考预测可靠参数的情况下，对所述待处理物流数据进行标记处理，以标记为所述第一标识数据对应的新的第一物流数据；
基于当前的第一标识数据簇、当前的第二标识数据簇、当前的多个第一物流数据和当前的多个第二物流数据，对所述更新物流数据识别网络再次进行更新处理，形成新的更新物流数据识别网络。
本发明实施例还提供一种智慧物流数据的采集系统，包括：
标识数据确定模块，用于确定出第一标识数据簇和第二标识数据簇，所述第一标识数据簇包括多个第一标识数据，所述第一标识数据用于反映参考物流数据种类，所述第二标识数据簇包括第二标识数据和全部的所述第一标识数据，所述第二标识数据用于反映所述参考物流数据种类之外的其它物流数据种类；
物流数据提取模块，用于提取到所述第一标识数据簇对应的多个第一物流数据，并提取到所述第二标识数据簇对应的多个第二物流数据；
物流数据预测模块，用于搭建出候选物流数据识别网络，并对随机确定的一个所述第二物流数据和每一个所述第一标识数据对应的所述第一物流数据进行组合，形成示例性数据簇，并对所述示例性数据簇进行加载处理，以加载到所述候选物流数据识别网络中，分析出所述第二物流数据对应的数据种类可能性分布；
误差分析模块，用于基于所述数据种类可能性分布和所述第二标识数据簇，分析出对应的预测误差参数，并基于所述数据种类可能性分布，分析出对应的对比误差参数，所述对比误差参数用于反映所述第二物流数据与每一个所述第一标识数据之间的差异分散状态；
网络更新模块，用于基于所述预测误差参数和所述对比误差参数，分析出总的误差参数，并基于所述总的误差参数，对所述候选物流数据识别网络进行更新处理，以形成对应的更新物流数据识别网络；
物流数据采集模块，用于对待处理物流数据进行加载处理，以加载到所述更新物流数据识别网络中，分析出所述待处理物流数据的预测标识数据，并在所述预测标识数据满足预先配置的标识数据条件的情况下，将所述待处理物流数据确定为采集到的数据，所述预测标识数据用于反映所述待处理物流数据的种类。
在一些优选的实施例中，在上述智慧物流数据的采集系统中，所述物流数据预测模块具体用于：
确定出第一示例性物流数据和第二示例性物流数据，所述第一示例性物流数据和所述第二示例性物流数据之间的数据相关系数超过预先配置的参考数据相关系数；
对所述第一示例性物流数据和所述第二示例性物流数据进行加载处理，以加载到搭建出的初级物流数据识别网络中，将所述第一示例性物流数据和所述第二示例性物流数据进行特征挖掘操作，以输出所述第一示例性物流数据对应的第一示例性特征表示和所述第二示例性物流数据对应的第二示例性特征表示；
分析出所述第一示例性特征表示和所述第二示例性特征表示之间的特征表示距离，并基于所述特征表示距离，分析出初级误差参数；
基于所述初级误差参数，对所述初级物流数据识别网络进行更新处理，以形成对应的候选物流数据识别网络。
在一些优选的实施例中，在上述智慧物流数据的采集系统中，所述物流数据采集模块具体用于：
对所述待处理物流数据进行加载处理，以加载到所述更新物流数据识别网络中，将所述待处理物流数据进行特征挖掘操作，以输出对应的待处理特征表示；
确定出每一个所述第一标识数据对应的标识数据特征表示；
分析出所述待处理特征表示和每一个所述标识数据特征表示之间的待处理特征表示距离，以及，基于所述待处理特征表示距离，确定出所述待处理物流数据对应的待处理种类可能性分布，所述待处理种类可能性分布包括所述待处理物流数据属于每一种所述参考物流数据种类的待处理可能性参数；
对所述待处理可能性参数和预先配置的参考可能性参数进行大小对比分析，以确定出所述待处理物流数据对应的预测标识数据。
本发明实施例提供的一种智慧物流数据的采集方法及系统，可以对一个第二物流数据和每一个第一标识数据对应的第一物流数据进行组合，形成示例性数据簇，加载到候选物流数据识别网络中，分析出第二物流数据对应的数据种类可能性分布；基于数据种类可能性分布和第二标识数据簇，分析出预测误差参数和对比误差参数；基于预测误差参数和对比误差参数，对候选物流数据识别网络进行更新处理；通过更新物流数据识别网络分析出待处理物流数据的预测标识数据，并在预测标识数据满足预先配置的标识数据条件的情况下，将待处理物流数据确定为采集到的数据。基于此，由于在对网络进行更新处理的过程中，参考了对比误差参数，使得在第二物流数据不属于任意一种第一标识数据时，可以保障第二物流数据与不同的第一标识数据之间的差异均衡，从而提高网络更新的可靠度，使得更新得到的网络的精度更高，进而可以提高数据采集的可靠度。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
图1为本发明实施例提供的智慧物流数据的采集平台的结构框图。
图2为本发明实施例提供的智慧物流数据的采集方法包括的各步骤的流程示意图。
图3为本发明实施例提供的智慧物流数据的采集系统包括的各模块的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明的一部分实施例，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。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动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。
如图1所示，本发明实施例提供了一种智慧物流数据的采集平台。其中，所述智慧物流数据的采集平台可以包括存储器和处理器。
详细地，所述存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件（firmware）的形式，存在的软件功能模块（计算机程序）。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序，从而实现本发明实施例（如后文所述）提供的智慧物流数据的采集方法。
可以选择的是，在一些实施方式中，所述存储器可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-Only Memory，PROM），可擦除只读存储器（Erasable ProgrammableRead-Only Memory，EPROM），电可擦除只读存储器（Electric Erasable ProgrammableRead-Only Memory，EEPROM）等。
可以选择的是，在一些实施方式中，所述处理器可以是一种通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）、片上系统(System on Chip，SoC)等；还可以是数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以选择的是，在一些实施方式中，所述智慧物流数据的采集平台可以是一种具备数据处理能力的服务器。
结合图2，本发明实施例还提供一种智慧物流数据的采集方法，可应用于上述智慧物流数据的采集平台。其中，所述智慧物流数据的采集方法有关的流程所定义的方法步骤，可以由所述智慧物流数据的采集平台实现。
下面将对图2所示的具体流程，进行详细阐述。
步骤S110，确定出第一标识数据簇和第二标识数据簇。
在本发明实施例中，所述智慧物流数据的采集平台可以确定出第一标识数据簇和第二标识数据簇。所述第一标识数据簇包括多个第一标识数据，所述第一标识数据用于反映参考物流数据种类（所述参考物流数据种类可以是指历史上确定的，另外，物流数据种类的具体定义不受限制，可以根据实际应用需求进行配置，如高价值物流数据、次高价值物流数据、一般价值物流数据、低价值物流数据，或者，也可以基于适用的应用场景进行类型定义等），所述第二标识数据簇包括第二标识数据和全部的所述第一标识数据，所述第二标识数据用于反映所述参考物流数据种类之外的其它物流数据种类（所述其它物流数据种类可以是指待确定的）。
步骤S120，提取到所述第一标识数据簇对应的多个第一物流数据，并提取到所述第二标识数据簇对应的多个第二物流数据。
在本发明实施例中，所述智慧物流数据的采集平台可以提取到所述第一标识数据簇对应的多个第一物流数据，并提取到所述第二标识数据簇对应的多个第二物流数据。每一个第一标识数据对应有至少一个第一物流数据，所述第二标识数据簇中的每一个标识数据对应有至少一个第二物流数据，另外，同一个第一标识数据，在第一标识数据簇中对应的第一物流数据与在第二标识数据簇中对应的第二物流数据可以不同。
步骤S130，搭建出候选物流数据识别网络，并对随机确定的一个所述第二物流数据和每一个所述第一标识数据对应的所述第一物流数据进行组合，形成示例性数据簇，并对所述示例性数据簇进行加载处理，以加载到所述候选物流数据识别网络中，分析出所述第二物流数据对应的数据种类可能性分布。
在本发明实施例中，所述智慧物流数据的采集平台可以搭建出候选物流数据识别网络，并对随机确定的一个所述第二物流数据和每一个所述第一标识数据对应的所述第一物流数据进行组合，形成示例性数据簇，并对所述示例性数据簇进行加载处理，以加载到所述候选物流数据识别网络中，分析出所述第二物流数据对应的数据种类可能性分布。
步骤S140，基于所述数据种类可能性分布和所述第二标识数据簇，分析出对应的预测误差参数，并基于所述数据种类可能性分布，分析出对应的对比误差参数。
在本发明实施例中，所述智慧物流数据的采集平台可以基于所述数据种类可能性分布和所述第二标识数据簇，分析出对应的预测误差参数，并基于所述数据种类可能性分布，分析出对应的对比误差参数。所述对比误差参数用于反映所述第二物流数据与每一个所述第一标识数据之间的差异分散状态，也可以称为差异的均衡度。
步骤S150，基于所述预测误差参数和所述对比误差参数，分析出总的误差参数，并基于所述总的误差参数，对所述候选物流数据识别网络进行更新处理，以形成对应的更新物流数据识别网络。
在本发明实施例中，所述智慧物流数据的采集平台可以基于所述预测误差参数和所述对比误差参数，分析出总的误差参数，如对所述预测误差参数和所述对比误差参数加权求和，并基于所述总的误差参数，对所述候选物流数据识别网络进行更新处理，以形成对应的更新物流数据识别网络。
步骤S160，对待处理物流数据进行加载处理，以加载到所述更新物流数据识别网络中，分析出所述待处理物流数据的预测标识数据，并在所述预测标识数据满足预先配置的标识数据条件的情况下，将所述待处理物流数据确定为采集到的数据。
在本发明实施例中，所述智慧物流数据的采集平台可以对待处理物流数据进行加载处理，以加载到所述更新物流数据识别网络中，分析出所述待处理物流数据的预测标识数据，并在所述预测标识数据满足预先配置的标识数据条件的情况下，如所述预测标识数据属于特定的一个或多个第一标识数据，将所述待处理物流数据确定为采集到的数据。所述预测标识数据用于反映所述待处理物流数据的种类。
基于此，由于在对网络进行更新处理的过程中，参考了对比误差参数，使得在第二物流数据不属于任意一种第一标识数据时，可以保障第二物流数据与不同的第一标识数据之间的差异均衡，从而提高网络更新的可靠度，使得更新得到的网络的精度更高，进而可以提高数据采集的可靠度。
可以选择的是，在一些实施方式中，上述的步骤S130，即所述搭建出候选物流数据识别网络的步骤，可以进一步包括以下的各子步骤：
确定出第一示例性物流数据和第二示例性物流数据，所述第一示例性物流数据和所述第二示例性物流数据之间的数据相关系数超过预先配置的参考数据相关系数，所述参考数据相关系数的具体数值不受限制，可以根据实际需求进行配置，如0.8、0.85、0.9等；
对所述第一示例性物流数据和所述第二示例性物流数据进行加载处理，以加载到搭建出的初级物流数据识别网络中，将所述第一示例性物流数据和所述第二示例性物流数据进行特征挖掘操作，以输出所述第一示例性物流数据对应的第一示例性特征表示和所述第二示例性物流数据对应的第二示例性特征表示；
分析出所述第一示例性特征表示和所述第二示例性特征表示之间的特征表示距离，并基于所述特征表示距离，分析出初级误差参数，所述特征表示距离可以是指特征表示之间的余弦距离；
基于所述初级误差参数，对所述初级物流数据识别网络进行更新处理，以形成对应的候选物流数据识别网络。
可以选择的是，在一些实施方式中，所述数据种类可能性分布包括所述第二物流数据属于每一种所述参考物流数据种类的种类可能性参数，基于此，上述的步骤S150，即所述基于所述数据种类可能性分布，分析出对应的对比误差参数的步骤，可以进一步包括以下的各子步骤：
对每一个所述种类可能性参数进行取对数操作，以输出每一个所述种类可能性参数对应的对数计算结果；
分别对每一个所述种类可能性参数和该种类可能性参数对应的所述对数计算结果进行相乘运算，以输出对应的相乘运算结果；
基于每一个所述种类可能性参数对应的相乘运算结果的累积结果，如求和计算的结果，分析出对应的对比误差参数。
可以选择的是，在一些实施方式中，上述的步骤S160，即所述对待处理物流数据进行加载处理，以加载到所述更新物流数据识别网络中，分析出所述待处理物流数据的预测标识数据的步骤，可以进一步包括以下的各子步骤：
对所述待处理物流数据进行加载处理，以加载到所述更新物流数据识别网络中，将所述待处理物流数据进行特征挖掘操作，以输出对应的待处理特征表示，如进行特征空间的映射和卷积运算或滤波处理等；
确定出每一个所述第一标识数据对应的标识数据特征表示；
分析出所述待处理特征表示和每一个所述标识数据特征表示之间的待处理特征表示距离，如余弦相似度等，以及，基于所述待处理特征表示距离，确定出所述待处理物流数据对应的待处理种类可能性分布，所述待处理种类可能性分布包括所述待处理物流数据属于每一种所述参考物流数据种类的待处理可能性参数，示例性地，在确定出待处理特征表示与每一个标识数据特征表示之间的待处理特征表示距离后，可以对每一个待处理特征表示距离进行归一化，输出对应的待处理种类可能性分布；
对所述待处理可能性参数和预先配置的参考可能性参数进行大小对比分析，以确定出所述待处理物流数据对应的预测标识数据。
可以选择的是，在一些实施方式中，所述对所述待处理可能性参数和预先配置的参考可能性参数进行大小对比分析，以确定出所述待处理物流数据对应的预测标识数据的步骤，可以进一步包括以下的各子步骤：
在每一个所述待处理可能性参数都未超过预先配置的参考可能性参数的情况下，将所述待处理物流数据对应的预测标识数据配置为所述第二标识数据；或者，在一个以上的所述待处理可能性参数超过所述参考可能性参数的情况下，将所述待处理物流数据对应的预测标识数据配置为具有最大值的所述待处理可能性参数对应的所述参考物流数据种类对应的所述第一标识数据，所述参考可能性参数的具体数值不受限制，可以根据实际需求进行配置，如0.6、0.7、0.8等数值。
可以选择的是，在一些实施方式中，每一个所述第一标识数据对应有多个第一物流数据，基于此，所述确定出每一个所述第一标识数据对应的标识数据特征表示的步骤，可以进一步包括以下的各子步骤：
对所述多个第一物流数据进行加载处理，以加载到所述更新物流数据识别网络中，分别对每一个所述第一物流数据进行特征挖掘操作，以输出每一个所述第一物流数据对应的初始标识数据特征表示；
对于每一个所述第一标识数据，将该第一标识数据对应的多个第一物流数据对应的多个初始标识数据特征表示进行融合，以输出该第一标识数据对应的标识数据特征表示。
可以选择的是，在一些实施方式中，所述对于每一个所述第一标识数据，将该第一标识数据对应的多个第一物流数据对应的多个初始标识数据特征表示进行融合，以输出该第一标识数据对应的标识数据特征表示的步骤，可以进一步包括以下的各子步骤：
对于每一个所述第一标识数据，将该第一标识数据对应的多个第一物流数据对应的多个初始标识数据特征表示进行级联组合，以输出该第一标识数据对应的标识数据特征表示（如初始标识数据特征表示1-初始标识数据特征表示2）；或，对于每一个所述第一标识数据，将该第一标识数据对应的多个第一物流数据对应的多个初始标识数据特征表示进行叠加处理，以输出该第一标识数据对应的标识数据特征表示。
可以选择的是，在一些实施方式中，所述智慧物流数据的采集方法还包括可以进一步包括以下的各子步骤：
在所述预测标识数据属于所述第一标识数据的情况下，基于所述待处理种类可能性分布，分析出所述待处理物流数据对应的预测可靠参数，示例性地，可以将待处理种类可能性分布中每两个待处理可能性参数之间的差值的平均值作为待处理物流数据的预测可靠参数，或者，可以将待处理种类可能性分布中最大的待处理可能性参数作为待处理物流数据的预测可靠参数。例如，在待处理种类可能性分布为(0.9，0.65，0.7)时，每两个待处理可能性参数的差值为0.35、0.2和0.05，因此，预测可靠参数可以是(0.35+0.2+0.05)/3＝0.2，或者，预测可靠参数可以为0.9；
在所述预测可靠参数超过预先配置的参考预测可靠参数的情况下，对所述待处理物流数据进行标记处理，以标记为所述第一标识数据对应的新的第一物流数据，所述参考预测可靠参数的具体数值不受限制，可以根据所述预测可靠参数的确定方式进行相应的配置；
基于当前的第一标识数据簇、当前的第二标识数据簇、当前的多个第一物流数据和当前的多个第二物流数据，对所述更新物流数据识别网络再次进行更新处理，形成新的更新物流数据识别网络。示例性地，基于当前的第一标识数据簇、当前的第二标识数据簇、当前的多个第一物流数据和当前的多个第二物流数据，对随机确定的一个第二物流数据和每一个第一标识数据对应的第一物流数据进行组合，形成新的示例性数据簇，并对新的示例性数据簇进行加载处理，以加载到更新物流数据识别网络中，分析出第二物流数据对应的数据种类可能性分布；基于数据种类可能性分布和当前的第二标识数据簇，分析出对应的预测误差参数，并基于数据种类可能性分布，分析出对应的对比误差参数，对比误差参数用于反映第二物流数据与每一个第一标识数据之间的差异分散状态；基于预测误差参数和对比误差参数，分析出总的误差参数，并基于总的误差参数，对更新物流数据识别网络进行更新处理，以形成对应的新的更新物流数据识别网络。
结合图3，本发明实施例还提供一种智慧物流数据的采集系统，可应用于上述智慧物流数据的采集平台。其中，所述智慧物流数据的采集系统可以包括以下的各软件功能模块：
标识数据确定模块，用于确定出第一标识数据簇和第二标识数据簇，所述第一标识数据簇包括多个第一标识数据，所述第一标识数据用于反映参考物流数据种类，所述第二标识数据簇包括第二标识数据和全部的所述第一标识数据，所述第二标识数据用于反映所述参考物流数据种类之外的其它物流数据种类；
物流数据提取模块，用于提取到所述第一标识数据簇对应的多个第一物流数据，并提取到所述第二标识数据簇对应的多个第二物流数据；
物流数据预测模块，用于搭建出候选物流数据识别网络，并对随机确定的一个所述第二物流数据和每一个所述第一标识数据对应的所述第一物流数据进行组合，形成示例性数据簇，并对所述示例性数据簇进行加载处理，以加载到所述候选物流数据识别网络中，分析出所述第二物流数据对应的数据种类可能性分布；
误差分析模块，用于基于所述数据种类可能性分布和所述第二标识数据簇，分析出对应的预测误差参数，并基于所述数据种类可能性分布，分析出对应的对比误差参数，所述对比误差参数用于反映所述第二物流数据与每一个所述第一标识数据之间的差异分散状态；
网络更新模块，用于基于所述预测误差参数和所述对比误差参数，分析出总的误差参数，并基于所述总的误差参数，对所述候选物流数据识别网络进行更新处理，以形成对应的更新物流数据识别网络；
物流数据采集模块，用于对待处理物流数据进行加载处理，以加载到所述更新物流数据识别网络中，分析出所述待处理物流数据的预测标识数据，并在所述预测标识数据满足预先配置的标识数据条件的情况下，将所述待处理物流数据确定为采集到的数据，所述预测标识数据用于反映所述待处理物流数据的种类。
可以选择的是，在一些实施方式中，所述物流数据预测模块具体用于：
确定出第一示例性物流数据和第二示例性物流数据，所述第一示例性物流数据和所述第二示例性物流数据之间的数据相关系数超过预先配置的参考数据相关系数；
对所述第一示例性物流数据和所述第二示例性物流数据进行加载处理，以加载到搭建出的初级物流数据识别网络中，将所述第一示例性物流数据和所述第二示例性物流数据进行特征挖掘操作，以输出所述第一示例性物流数据对应的第一示例性特征表示和所述第二示例性物流数据对应的第二示例性特征表示；
分析出所述第一示例性特征表示和所述第二示例性特征表示之间的特征表示距离，并基于所述特征表示距离，分析出初级误差参数；
基于所述初级误差参数，对所述初级物流数据识别网络进行更新处理，以形成对应的候选物流数据识别网络。
可以选择的是，在一些实施方式中，所述物流数据采集模块具体用于：
对所述待处理物流数据进行加载处理，以加载到所述更新物流数据识别网络中，将所述待处理物流数据进行特征挖掘操作，以输出对应的待处理特征表示；
确定出每一个所述第一标识数据对应的标识数据特征表示；
分析出所述待处理特征表示和每一个所述标识数据特征表示之间的待处理特征表示距离，以及，基于所述待处理特征表示距离，确定出所述待处理物流数据对应的待处理种类可能性分布，所述待处理种类可能性分布包括所述待处理物流数据属于每一种所述参考物流数据种类的待处理可能性参数；
对所述待处理可能性参数和预先配置的参考可能性参数进行大小对比分析，以确定出所述待处理物流数据对应的预测标识数据。
综上所述，本发明提供的一种智慧物流数据的采集方法及系统，可以对一个第二物流数据和每一个第一标识数据对应的第一物流数据进行组合，形成示例性数据簇，加载到候选物流数据识别网络中，分析出第二物流数据对应的数据种类可能性分布；基于数据种类可能性分布和第二标识数据簇，分析出预测误差参数和对比误差参数；基于预测误差参数和对比误差参数，对候选物流数据识别网络进行更新处理；通过更新物流数据识别网络分析出待处理物流数据的预测标识数据，并在预测标识数据满足预先配置的标识数据条件的情况下，将待处理物流数据确定为采集到的数据。基于此，由于在对网络进行更新处理的过程中，参考了对比误差参数，使得在第二物流数据不属于任意一种第一标识数据时，可以保障第二物流数据与不同的第一标识数据之间的差异均衡，从而提高网络更新的可靠度，使得更新得到的网络的精度更高，进而可以提高数据采集的可靠度。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种智慧物流数据的采集方法，其特征在于，包括：
确定出第一标识数据簇和第二标识数据簇，所述第一标识数据簇包括多个第一标识数据，所述第一标识数据用于反映参考物流数据种类，所述第二标识数据簇包括第二标识数据和全部的所述第一标识数据，所述第二标识数据用于反映所述参考物流数据种类之外的其它物流数据种类；
提取到所述第一标识数据簇对应的多个第一物流数据，并提取到所述第二标识数据簇对应的多个第二物流数据；
搭建出候选物流数据识别网络，并对随机确定的一个所述第二物流数据和每一个所述第一标识数据对应的所述第一物流数据进行组合，形成示例性数据簇，并对所述示例性数据簇进行加载处理，以加载到所述候选物流数据识别网络中，分析出所述第二物流数据对应的数据种类可能性分布；
基于所述数据种类可能性分布和所述第二标识数据簇，分析出对应的预测误差参数，并基于所述数据种类可能性分布，分析出对应的对比误差参数，所述对比误差参数用于反映所述第二物流数据与每一个所述第一标识数据之间的差异分散状态；
基于所述预测误差参数和所述对比误差参数，分析出总的误差参数，并基于所述总的误差参数，对所述候选物流数据识别网络进行更新处理，以形成对应的更新物流数据识别网络；
对待处理物流数据进行加载处理，以加载到所述更新物流数据识别网络中，分析出所述待处理物流数据的预测标识数据，并在所述预测标识数据满足预先配置的标识数据条件的情况下，将所述待处理物流数据确定为采集到的数据，所述预测标识数据用于反映所述待处理物流数据的种类。
2.如权利要求1所述的智慧物流数据的采集方法，其特征在于，所述数据种类可能性分布包括所述第二物流数据属于每一种所述参考物流数据种类的种类可能性参数，所述基于所述数据种类可能性分布，分析出对应的对比误差参数的步骤，包括：
对每一个所述种类可能性参数进行取对数操作，以输出每一个所述种类可能性参数对应的对数计算结果；
分别对每一个所述种类可能性参数和该种类可能性参数对应的所述对数计算结果进行相乘运算，以输出对应的相乘运算结果；
基于每一个所述种类可能性参数对应的相乘运算结果的累积结果，分析出对应的对比误差参数。
3.如权利要求1所述的智慧物流数据的采集方法，其特征在于，所述搭建出候选物流数据识别网络的步骤，包括：
确定出第一示例性物流数据和第二示例性物流数据，所述第一示例性物流数据和所述第二示例性物流数据之间的数据相关系数超过预先配置的参考数据相关系数；
对所述第一示例性物流数据和所述第二示例性物流数据进行加载处理，以加载到搭建出的初级物流数据识别网络中，将所述第一示例性物流数据和所述第二示例性物流数据进行特征挖掘操作，以输出所述第一示例性物流数据对应的第一示例性特征表示和所述第二示例性物流数据对应的第二示例性特征表示；
分析出所述第一示例性特征表示和所述第二示例性特征表示之间的特征表示距离，并基于所述特征表示距离，分析出初级误差参数；
基于所述初级误差参数，对所述初级物流数据识别网络进行更新处理，以形成对应的候选物流数据识别网络。
4.如权利要求1所述的智慧物流数据的采集方法，其特征在于，所述对待处理物流数据进行加载处理，以加载到所述更新物流数据识别网络中，分析出所述待处理物流数据的预测标识数据的步骤，包括：
对所述待处理物流数据进行加载处理，以加载到所述更新物流数据识别网络中，将所述待处理物流数据进行特征挖掘操作，以输出对应的待处理特征表示；
确定出每一个所述第一标识数据对应的标识数据特征表示；
分析出所述待处理特征表示和每一个所述标识数据特征表示之间的待处理特征表示距离，以及，基于所述待处理特征表示距离，确定出所述待处理物流数据对应的待处理种类可能性分布，所述待处理种类可能性分布包括所述待处理物流数据属于每一种所述参考物流数据种类的待处理可能性参数；
对所述待处理可能性参数和预先配置的参考可能性参数进行大小对比分析，以确定出所述待处理物流数据对应的预测标识数据。
5.如权利要求4所述的智慧物流数据的采集方法，其特征在于，所述对所述待处理可能性参数和预先配置的参考可能性参数进行大小对比分析，以确定出所述待处理物流数据对应的预测标识数据的步骤，包括：
在每一个所述待处理可能性参数都未超过预先配置的参考可能性参数的情况下，将所述待处理物流数据对应的预测标识数据配置为所述第二标识数据；或者，在一个以上的所述待处理可能性参数超过所述参考可能性参数的情况下，将所述待处理物流数据对应的预测标识数据配置为具有最大值的所述待处理可能性参数对应的所述参考物流数据种类对应的所述第一标识数据。
6.如权利要求5所述的智慧物流数据的采集方法，其特征在于，每一个所述第一标识数据对应有多个第一物流数据；所述确定出每一个所述第一标识数据对应的标识数据特征表示的步骤，包括：
对所述多个第一物流数据进行加载处理，以加载到所述更新物流数据识别网络中，分别对每一个所述第一物流数据进行特征挖掘操作，以输出每一个所述第一物流数据对应的初始标识数据特征表示；
对于每一个所述第一标识数据，将该第一标识数据对应的多个第一物流数据对应的多个初始标识数据特征表示进行融合，以输出该第一标识数据对应的标识数据特征表示；
其中，所述对于每一个所述第一标识数据，将该第一标识数据对应的多个第一物流数据对应的多个初始标识数据特征表示进行融合，以输出该第一标识数据对应的标识数据特征表示的步骤，包括：
对于每一个所述第一标识数据，将该第一标识数据对应的多个第一物流数据对应的多个初始标识数据特征表示进行级联组合，以输出该第一标识数据对应的标识数据特征表示；或，对于每一个所述第一标识数据，将该第一标识数据对应的多个第一物流数据对应的多个初始标识数据特征表示进行叠加处理，以输出该第一标识数据对应的标识数据特征表示。
7.如权利要求6所述的智慧物流数据的采集方法，其特征在于，所述智慧物流数据的采集方法还包括：
在所述预测标识数据属于所述第一标识数据的情况下，基于所述待处理种类可能性分布，分析出所述待处理物流数据对应的预测可靠参数；
在所述预测可靠参数超过预先配置的参考预测可靠参数的情况下，对所述待处理物流数据进行标记处理，以标记为所述第一标识数据对应的新的第一物流数据；
基于当前的第一标识数据簇、当前的第二标识数据簇、当前的多个第一物流数据和当前的多个第二物流数据，对所述更新物流数据识别网络再次进行更新处理，形成新的更新物流数据识别网络。
8.一种智慧物流数据的采集系统，其特征在于，包括：
标识数据确定模块，用于确定出第一标识数据簇和第二标识数据簇，所述第一标识数据簇包括多个第一标识数据，所述第一标识数据用于反映参考物流数据种类，所述第二标识数据簇包括第二标识数据和全部的所述第一标识数据，所述第二标识数据用于反映所述参考物流数据种类之外的其它物流数据种类；
物流数据提取模块，用于提取到所述第一标识数据簇对应的多个第一物流数据，并提取到所述第二标识数据簇对应的多个第二物流数据；
物流数据预测模块，用于搭建出候选物流数据识别网络，并对随机确定的一个所述第二物流数据和每一个所述第一标识数据对应的所述第一物流数据进行组合，形成示例性数据簇，并对所述示例性数据簇进行加载处理，以加载到所述候选物流数据识别网络中，分析出所述第二物流数据对应的数据种类可能性分布；
误差分析模块，用于基于所述数据种类可能性分布和所述第二标识数据簇，分析出对应的预测误差参数，并基于所述数据种类可能性分布，分析出对应的对比误差参数，所述对比误差参数用于反映所述第二物流数据与每一个所述第一标识数据之间的差异分散状态；
网络更新模块，用于基于所述预测误差参数和所述对比误差参数，分析出总的误差参数，并基于所述总的误差参数，对所述候选物流数据识别网络进行更新处理，以形成对应的更新物流数据识别网络；
物流数据采集模块，用于对待处理物流数据进行加载处理，以加载到所述更新物流数据识别网络中，分析出所述待处理物流数据的预测标识数据，并在所述预测标识数据满足预先配置的标识数据条件的情况下，将所述待处理物流数据确定为采集到的数据，所述预测标识数据用于反映所述待处理物流数据的种类。
9.如权利要求8所述的智慧物流数据的采集系统，其特征在于，所述物流数据预测模块具体用于：
确定出第一示例性物流数据和第二示例性物流数据，所述第一示例性物流数据和所述第二示例性物流数据之间的数据相关系数超过预先配置的参考数据相关系数；
对所述第一示例性物流数据和所述第二示例性物流数据进行加载处理，以加载到搭建出的初级物流数据识别网络中，将所述第一示例性物流数据和所述第二示例性物流数据进行特征挖掘操作，以输出所述第一示例性物流数据对应的第一示例性特征表示和所述第二示例性物流数据对应的第二示例性特征表示；
分析出所述第一示例性特征表示和所述第二示例性特征表示之间的特征表示距离，并基于所述特征表示距离，分析出初级误差参数；
基于所述初级误差参数，对所述初级物流数据识别网络进行更新处理，以形成对应的候选物流数据识别网络。
10.如权利要求8所述的智慧物流数据的采集系统，其特征在于，所述物流数据采集模块具体用于：
对所述待处理物流数据进行加载处理，以加载到所述更新物流数据识别网络中，将所述待处理物流数据进行特征挖掘操作，以输出对应的待处理特征表示；
确定出每一个所述第一标识数据对应的标识数据特征表示；
分析出所述待处理特征表示和每一个所述标识数据特征表示之间的待处理特征表示距离，以及，基于所述待处理特征表示距离，确定出所述待处理物流数据对应的待处理种类可能性分布，所述待处理种类可能性分布包括所述待处理物流数据属于每一种所述参考物流数据种类的待处理可能性参数；
对所述待处理可能性参数和预先配置的参考可能性参数进行大小对比分析，以确定出所述待处理物流数据对应的预测标识数据。
CN202311207261.6A 2023-09-19 2023-09-19 一种智慧物流数据的采集方法及系统 Pending CN117251790A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311207261.6A CN117251790A (zh) 2023-09-19 2023-09-19 一种智慧物流数据的采集方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311207261.6A CN117251790A (zh) 2023-09-19 2023-09-19 一种智慧物流数据的采集方法及系统

Publications (1)

Publication Number Publication Date
CN117251790A true CN117251790A (zh) 2023-12-19

Family

ID=89125869

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311207261.6A Pending CN117251790A (zh) 2023-09-19 2023-09-19 一种智慧物流数据的采集方法及系统

Country Status (1)

Country Link
CN (1) CN117251790A (zh)

Similar Documents

Publication Publication Date Title
CN116126947B (zh) 应用于企业管理系统的大数据分析方法及系统
CN115687674A (zh) 服务于智慧云服务平台的大数据需求分析方法及系统
CN116664335B (zh) 基于智能监控的半导体生产系统运行分析方法及系统
CN117271522A (zh) 一种物流数据的处理方法及系统
CN116757870A (zh) 一种能源物联网的智慧能源监控数据处理方法及系统
CN116566766A (zh) 一种智慧电力网关管控方法及系统
CN117251790A (zh) 一种智慧物流数据的采集方法及系统
CN113673430A (zh) 一种基于物联网的用户行为分析方法
CN117311644A (zh) 一种智慧物流数据的存储管控方法及系统
CN116996403B (zh) 应用ai模型的网络流量诊断方法及系统
CN116994609B (zh) 应用于智能生产线的数据分析方法及系统
CN116958838B (zh) 一种基于无人机航测技术的森林资源监测方法及系统
CN115906170B (zh) 应用于存储集群的安全防护方法及ai系统
CN116662415B (zh) 基于数据挖掘的智能匹配方法及系统
CN116680323B (zh) 基于大数据安全平台的用户需求挖掘方法及系统
CN117113033A (zh) 一种新能源汽车的充电数据采集方法及系统
CN117141290A (zh) 一种新能源汽车的充电管控方法及系统
CN117150065B (zh) 一种图像信息的采集方法及系统
CN117149846B (zh) 一种基于数据融合的电力数据分析方法和系统
CN117220939A (zh) 一种互联网设备的安全监控方法及系统
CN117197748A (zh) 一种基于视频分析的行为管理方法及系统
CN117195200A (zh) 一种基于图像识别的安全保障方法及系统
CN117176992A (zh) 一种基于互联网的监控视频处理方法及系统
CN117496419A (zh) 基于智慧建筑的数据处理方法及系统
CN117113507A (zh) 一种基于建筑信息化的数据采集方法及系统

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