CN117349780B - 一种基于数据分析的仓储数据智能识别管控系统及方法 - Google Patents
一种基于数据分析的仓储数据智能识别管控系统及方法 Download PDFInfo
- Publication number
- CN117349780B CN117349780B CN202311654079.5A CN202311654079A CN117349780B CN 117349780 B CN117349780 B CN 117349780B CN 202311654079 A CN202311654079 A CN 202311654079A CN 117349780 B CN117349780 B CN 117349780B
- Authority
- CN
- China
- Prior art keywords
- data
- management
- data item
- warehouse
- workload
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000007405 data analysis Methods 0.000 title claims abstract description 17
- 238000007726 management method Methods 0.000 claims abstract description 316
- 230000008859 change Effects 0.000 claims abstract description 55
- 230000002159 abnormal effect Effects 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000004048 modification Effects 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 5
- 238000013523 data management Methods 0.000 abstract description 4
- 230000009471 action Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06F16/2457—Query processing with adaptation to user needs
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/26—Discovering frequent patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Warehouses Or Storage Devices (AREA)
Abstract
本发明公开了一种基于数据分析的仓储数据智能识别管控系统及方法,涉及仓储数据管理技术领域,获取各个管理账户对仓储信息数据库的历史操作记录,建立各个仓储管理数据项间的关联模型,获取各个管理账户中每个仓储管理数据项的第一中间值,计算不同账户间的工作重合关系值和不同工作重合关系值的权重值,通过不同账户的同一仓储管理数据项结合对应的权重值,计算同一个仓储管理数据项的数据中间值,获取与目标数据项相关的参考数据项,获取目标数据项的第一变化范围,获取目标数据项的存疑数据,获取存疑数据的第一工作量,将存疑数据实际产生的工作量设置为第二工作量,判断所述存疑数据为所述仓储信息数据库中的异常数据。
Description
技术领域
本发明涉及仓储数据管理技术领域,具体为一种基于数据分析的仓储数据智能识别管控系统及方法。
背景技术
仓储数据管理是指在仓储业务中对各种数据进行收集、整理、存储、分析、利用的过程。这些数据包括库存、订单、出入库记录、物流信息、货物状态等,是仓储管理的重要组成部分。随着仓储吞吐量的增大,相关工作人员在对仓储数据进行操作的过程中不可避免的会出现错误。
现有技术中对仓储数据中异常数据的判断主要基于数学分析,通过人为划定数据波动范围,找到在数据波动孤立点之外的孤立点,但是单纯的数据分析有可能出现数据分析结果于实际业务相悖的情况,例如,实际业务在客观上造成了数据波动孤立点之外的孤立点数据,从而产生异常数据误报,所以出现异常数据告警后需要有关管理人员核查数据,增加了有关管理人员的工作量。
发明内容
本发明的目的在于提供一种基于数据分析的仓储数据智能识别管控系统及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于数据分析的仓储数据智能识别管控方法。
方法包括:
步骤S100:在一个仓储信息数据库中,所述仓储信息数据库包括若干个管理账户,获取各个管理账户对仓储信息数据库的历史操作记录,建立任意管理账户中各个仓储管理数据项间的关联模型,获取各个管理账户中每个仓储管理数据项的第一中间值;
步骤S200:汇集同一仓储管理数据项在不同管理账户所处的关联模型,计算不同管理账户间的工作重合关系值,将不同管理账户间的工作重合关系值转化为权重值,获取不同管理账户中所述同一仓储管理数据项的第一中间值,根据不同管理账户间的权重值,计算任意管理账户中所述同一仓储管理数据项的数据中间值;
步骤S300:将所述若干个仓储管理数据项中的一个仓储管理数据项设置为目标数据项,获取目标数据项的参考数据项,分析参考数据项的历史变化规律和参考数据项对目标数据项的影响关系,计算目标数据项的边界值,将目标数据项的数据中间值和边界值进行组合,得到目标数据项的第一变化范围;
步骤S400:通过目标数据项的第一变化范围对目标数据项的数据进行筛选,获取目标数据项的存疑数据,通过存疑数据与工作量的对应关系得到存疑数据的第一工作量,将存疑数据实际产生的工作量设置为第二工作量,当第一工作量和第二工作量不相等时,判断所述存疑数据为所述仓储信息数据库中的异常数据;
步骤S500:对所述仓储信息数据库中所有存疑数据进行筛选,将存疑数据中的异常数据提供至有关管理人员。
进一步的,步骤S100包括:
步骤S101:获取某个管理账户的历史操作记录,所述某个管理账户的历史操作记录的一条操作记录包括:所述某个管理账户操作的仓储管理数据项和对应仓储管理数据项的保存结果;
步骤S102:在所述某个管理账户操作的仓储管理数据项中选取仓储管理数据项B,将仓储管理数据项B与任意仓储管理数据项A建立数据关系对,其中建立数据关系对的过程如下:从所述某个管理账户的所有历史操作记录中,查找各次修改仓储管理数据项A的数值后,在仓储管理数据项B上对应的数值b,捕捉所述仓储管理数据项 B上出现所有数值 b中的最大值b1 max和最小值b1 min,所述仓储管理数据项A和仓储管理数据项B的数据关系对为:A→(b1 min,b1 max);
步骤S103:汇集所述某个管理账户中各个仓储管理数据项和仓储管理数据项B中数据的关系对,获取所有数据关系对中仓储管理数据项B的数据范围的最大重合部分,将所述最大重合部分的中点值设置为所述某个管理账户中仓储管理数据项B的第一中间值。
进一步的,步骤S200包括:
步骤S201:计算两个不同管理账户间的工作重合关系值K,其中,第q1个管理账户对于第q0个管理账户的工作重合关系值为K0,第q0个管理账户对于第q1个管理账户的工作重合关系值为K1,其中K0=Q01/Q0,K1=Q01/Q1,其中Q0是第q0个管理账户的操作范围中仓储管理数据项的数量,Q1是第q1个管理账户的操作范围中仓储管理数据项的数量,Q01是第q0个管理账户和第q1个管理账户的操作范围中相同仓储管理数据项的数量;
为了保证仓储数据库的安全性,给不同的管理账户设置各个管理账户的操作权限,每个管理账户智能操作权限范围内的仓储管理数据项,每个管理账户的操作范围即为操作范围;
步骤S202:从所述若干个不同管理账户中选取某一个账户作为目标账户,计算所述若干个不同管理账户对于目标账户的工作重合关系值,统计目标账户与不同管理账户间各个工作重合关系值出现的数量,得到每一种工作重合关系值的数量占工作重合关系值总数量的比例,计算不同账户相对于目标账户的某一仓储管理数据项影响的权重值,其中,与目标账户不同的第m个管理账户相对于目标账户的权重值为γm,γm=Km×propm k,其中Km表示与目标账户不同的第m个管理账户相对于目标账户的工作重合关系值,propm k表示Km的数量占工作重合关系值总数量的比例;
步骤S203:汇集若干个管理账户中同一仓储管理数据项的第一中间值,计算目标账户的所述同一仓储管理数据项的数据中间值P,其中P=γ1×p1+γ2×p2+γ2×p2+……+γm×pm,其中,γ1、γ2、γ3、……和γm分别表示与目标账户不同的第1个、第2个、第3个、……、第m个管理账户相对于目标账户的权重值,p1、p2、p3、……和pm表示所述同一仓储管理数据项分别在与目标账户不同的第1个、第2个、第3个、……和第m个管理账户中对应的第一中间值。
通过不同管理员对应的管理账户历史数据对同一仓储管理数据项进行多重验证,消除数据的偶然性,通过不同管理账户间同一仓储管理数据项的不同关联,这里的关联是输入结果数据本身的变化范围的关联,通过提高样本的多样性增加数据的准确度,相比于传统方案中,各个账户与各自的历史数据进行比较,本方案通过交叉比较的方式充分利用历史数据,使得仓储管理数据项的第一中间值更加符合实际情况;
进一步的,步骤S300包括:
步骤S301:获取目标数据项的分类信息,根据所述分类信息获取目标数据项的父类别数据的仓储管理数据项,将所述父类别仓储管理数据项包括的若干个子类别仓储管理数据项中的一个仓储管理数据项设置为参考数据项,所述参考数据项与目标数据项不为同一数据项;
步骤S302:将参考数据项的数据对所述父类别数据项的数据的影响关系设置为第一影响关系α,将所述父类别数据项数据对所述目标数据项数据的影响关系设置为第二影响关系β,计算参考数据项数据对目标数据项数据的影响关系δ,其中,δ=α×β;
步骤S303:从参考数据项数据的历史变化记录中获取所述参考数据项数据的历史变化范围,计算目标数据项数据的参考变化范围,其中第r个参考数据项对应的目标数据项数据的参考变化范围为Hr,其中Hr=δr·Ur,δr表示第r个参考数据项对应的影响关系,Ur表示第r个仓储管理数据项数据的历史变化范围;
步骤S304:汇集所有参考数据项对应的目标数据项数据的参考变化范围,将各个参考变化范围的最大值组成最大值序列,将各个参考变化范围的最小值组成最小值序列,取出最大值序列中与目标数据项的数据中间值差值最小的值hmax,和最小值序列中与目标数据项的数据中间值差值最小的值hmin,得到目标数据项的第一变化范围H*,其中H*用(hmax,PM,hmin)表示,其中PM为目标数据项的数据中间值。
在仓储数据中利用不同仓储物品间协同使用或数据间包括与被包括的关系,通过多个与目标数据项相关联的仓储管理数据项计算目标数据的波动范围,与步骤S200中数据中间值相结合得到目标数据项的第一变化范围;
通过目标数据项自身的变化规律获取数据中间值,通过目标数据项相关联的仓储管理数据项的数据波动范围,从两个不同维度描述目标数据项的历史变化规律,提高结果准确性;
在步骤S100数据角度上的关联基础上,步骤S300添加在实际使用仓库的过程中产生的使用规律,通过仓储数据的数字特征和逻辑特征是的划分的第一变化范围更加准确。
进一步的,步骤S400包括:
步骤S401:将目标数据项的第一变化范围外的数据设置为存疑数据,将存疑数据对应的工作流程设置为存疑工作流程,将存疑数据在完成对应存疑工作流程后的工作成果设置为第一工作量;
步骤S402:通过工作流程的关联性,获取存疑工作流程的下一工作流程,对所述下一工作流程的工作量进行校验,获取下一工作流程的输入端工作总量和输出端工作总量,从所述下一工作流程的输入端工作总量中去除第一工作量,得到第一校验工作量,将所述第一校验工作量在所述下一工作流程的输出端输出工作量设置为第二校验工作量,在有关工作日志中比对第一校验工作量和第二校验工作量的信息;
步骤S403:当比对结果一致时,从所述下一工作流程输出端工作总量减去第二校验工作量得到第三校验工作量,根据所述下一工作流程的工作内容反求出第三校验工作量在所述下一工作流程输入端的输入端工作量,将第三校验工作量在所述下一工作流程输入端的输入端工作量设置为第二工作量;
步骤S404:比对第一工作量和第二工作量,当第一工作量和第二工作量相等时存疑数据不是异常数据,当第一工作量和第二工作量不相等时存疑数据是异常数据。
步骤S500:对所述仓储信息数据库中所有存疑数据进行筛选,将存疑数据中的异常数据提供至有关管理人员
为了更好地实现上述方法,还提出一种基于数据分析的仓储数据智能识别管控系统,系统包括:
关联模型管理模块、数据中间值计算模块、变化范围管理模块和异常数据判断模块,其中,关联模型管理模块用于建立各个仓储管理数据项间的关联模型,获取各个管理账户中每个仓储管理数据项的第一中间值,数据中间值计算模块用于计算同一个仓储管理数据项的数据中间值,变化范围管理模块用于获取目标数据项的第一变化范围,异常数据判断模块用于判断存疑数据是否是异常数据。
进一步的,关联模型管理模块包括:历史记录提取单元、数据对应单元、对应关系汇集单元和第一中间值获取单元,其中,历史记录提取单元用于获取各个管理账户对仓储信息数据库的历史操作记录,数据对应单元用于对两个不同的仓储管理数据项之间进行对应,对应关系汇集单元用于汇集一个仓储管理数据项与剩余的若干个仓储管理数据项的对应关系,第一中间值获取单元用于获取各个管理账户中每个仓储管理数据项的第一中间值。
进一步的,数据中间值计算模块包括:工作重合关系值计算单元、工作重合关系值数量统计单元、权重值计算单元和数据中间值计算单元,其中,工作重合关系值计算单元用于两个不同账户间的工作重合关系值,工作重合关系值数量统计单元用于计算各个工作重合关系值数量占工作重合关系值总数量的比例,权重值计算单元用于计算目标账户不同的管理账户的权重值,数据中间值计算单元用于计算相同仓储管理数据项的数据中间值。
进一步的,异常数据判断模块包括:存疑数据获取单元、工作流程获取单元、工作量计算单元,工作量比对单元,其中,存疑数据获取单元用于获取存疑数据,工作流程获取单元用于获取工作流程,工作量计算单元用于计算工作流程对应的工作量,工作量比对单元用于比对第一工作量和第二工作量。
与现有技术相比,本发明所达到的有益效果是:本发明通过仓储数据仓储管理数据项的关联构建某一个仓储管理数据项的变化范围,通过数据间关联性不同的强弱关系对变化范围进行精细化处理,克服传统管理方式中对数据变化范围的刻板划线,使得数据的范围可以随着数据库的变化而变化,使得仓储数据管理系统具有对数据自我学习的能力。进一步通过工作量是否存在,对存疑数据进行校验,避免对实际发生的真实存在的数据的误报。
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是本发明专利一种基于数据分析的仓储数据智能识别管控系统的结构示意图;
图2是本发明专利一种基于数据分析的仓储数据智能识别管控方法的流程示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做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。
请参阅图1和图2,本发明提供技术方案:
步骤S100:在一个仓储信息数据库中,所述仓储信息数据库包括若干个管理账户,获取各个管理账户对仓储信息数据库的历史操作记录,建立任意管理账户中各个仓储管理数据项间的关联模型,获取各个管理账户中每个仓储管理数据项的第一中间值;
其中,步骤S100包括:
步骤S101:获取某个管理账户的历史操作记录,所述某个管理账户的历史操作记录的一条操作记录包括:所述某个管理账户操作的仓储管理数据项和对应仓储管理数据项的保存结果;
步骤S102:在所述某个管理账户操作的仓储管理数据项中选取仓储管理数据项B,将仓储管理数据项B与任意仓储管理数据项A建立数据关系对,其中建立数据关系对的过程如下:从所述某个管理账户的所有历史操作记录中,查找各次修改仓储管理数据项A的数值后,在仓储管理数据项B上对应的数值b,捕捉所述仓储管理数据项 B上出现所有数值 b中的最大值b1 max和最小值b1 min,所述仓储管理数据项A和仓储管理数据项B的数据关系对为:A→(b1 min,b1 max);
步骤S103:汇集所述某个管理账户中各个仓储管理数据项和仓储管理数据项B中数据的关系对,获取所有数据关系对中仓储管理数据项B的数据范围的最大重合部分,将所述最大重合部分的中点值设置为所述某个管理账户中仓储管理数据项B的第一中间值。
所述仓储管理数据项包括仓库中的物料信息和在仓储作业中例如入库、移库和出库过程中产生的作业记录信息。
步骤S200:汇集同一仓储管理数据项在不同管理账户所处的关联模型,计算不同管理账户间的工作重合关系值,将不同管理账户间的工作重合关系值转化为权重值,获取不同管理账户中所述同一仓储管理数据项的第一中间值,根据不同管理账户间的权重值,计算任意管理账户中所述同一仓储管理数据项的数据中间值;
其中,步骤S200包括:
步骤S201:计算两个不同管理账户间的工作重合关系值K,其中,第q1个管理账户对于第q0个管理账户的工作重合关系值为K0,第q0个管理账户对于第q1个管理账户的工作重合关系值为K1,其中K0=Q01/Q0,K1=Q01/Q1,其中Q0是第q0个管理账户的操作范围中仓储管理数据项的数量,Q1是第q1个管理账户的操作范围中仓储管理数据项的数量,Q01是第q0个管理账户和第q1个管理账户的操作范围中相同仓储管理数据项的数量;
步骤S202:从所述若干个不同管理账户中选取某一个账户作为目标账户,计算所述若干个不同管理账户对于目标账户的工作重合关系值,统计目标账户与不同管理账户间各个工作重合关系值出现的数量,得到每一种工作重合关系值的数量占工作重合关系值总数量的比例,计算不同账户相对于目标账户的某一仓储管理数据项影响的权重值,其中,与目标账户不同的第m个管理账户相对于目标账户的权重值为γm,γm=Km×propm k,其中Km表示与目标账户不同的第m个管理账户相对于目标账户的工作重合关系值,propm k表示Km的数量占工作重合关系值总数量的比例;
步骤S203:汇集若干个管理账户中同一仓储管理数据项的第一中间值,计算目标账户的所述同一仓储管理数据项的数据中间值P,其中P=γ1×p1+γ2×p2+γ2×p2+……+γm×pm,其中,γ1、γ2、γ3、……和γm分别表示与目标账户不同的第1个、第2个、第3个、……、第m个管理账户相对于目标账户的权重值,p1、p2、p3、……和pm表示所述同一仓储管理数据项分别在与目标账户不同的第1个、第2个、第3个、……和第m个管理账户中对应的第一中间值。
步骤S300:将所述若干个仓储管理数据项中的一个仓储管理数据项设置为目标数据项,获取目标数据项的参考数据项,分析参考数据项的历史变化规律和参考数据项对目标数据项的影响关系,计算目标数据项的边界值,将目标数据项的数据中间值和边界值进行组合,得到目标数据项的第一变化范围;
其中,步骤S300包括:
步骤S301:获取目标数据项的分类信息,根据所述分类信息获取目标数据项的父类别数据的仓储管理数据项,将所述父类别仓储管理数据项包括的若干个子类别仓储管理数据项中的一个仓储管理数据项设置为参考数据项,所述参考数据项与目标数据项不为同一数据项;
步骤S302:将参考数据项的数据对所述父类别仓储管理数据项的数据的影响关系设置为第一影响关系α,将所述父类别仓储管理数据项数据对所述目标数据项数据的影响关系设置为第二影响关系β,计算参考数据项数据对目标数据项数据的影响关系δ,其中,δ=α×β;
例如:在实际实施过程中,有两个仓储管理数据项,d1和d2,分别代表货物D1和D2的数量数据,两种货物组合使用的类别用D3表示,D3对应的仓储管理数据项为d3;
每个D3中包括2个D1和3个D2,将d2设置为d1的参考数据项,那么α取3,β取1/2,所以在实施例中δ=α×β=3/2;
步骤S303:从参考数据项数据的历史变化记录中获取所述参考数据项数据的历史变化范围,计算目标数据项数据的参考变化范围,其中第r个参考数据项对应的目标数据项数据的参考变化范围为Hr,其中Hr=δr·Ur,δr表示第r个参考数据项对应的影响关系,Ur表示第r个仓储管理数据项数据的历史变化范围;
步骤S304:汇集所有参考数据项对应的目标数据项数据的参考变化范围,将各个参考变化范围的最大值组成最大值序列,将各个参考变化范围的最小值组成最小值序列,取出最大值序列中与目标数据项的数据中间值差值最小的值hmax,和最小值序列中与目标数据项的数据中间值差值最小的值hmin,得到目标数据项的第一变化范围H*,其中H*用(hmax,PM,hmin)表示,其中PM为目标数据项的数据中间值。
步骤S400:通过目标数据项的第一变化范围对目标数据项的数据进行筛选,获取目标数据项的存疑数据,通过存疑数据与工作量的对应关系得到存疑数据的第一工作量,将存疑数据实际产生的工作量设置为第二工作量,当第一工作量和第二工作量不相等时,判断所述存疑数据为所述仓储信息数据库中的异常数据;
其中,步骤S400包括:
步骤S401:将目标数据项的第一变化范围外的数据设置为存疑数据,将存疑数据对应的工作流程设置为存疑工作流程,将存疑数据在完成对应存疑工作流程后的工作成果设置为第一工作量;
步骤S402:通过工作流程的关联性,获取存疑工作流程的下一工作流程,对所述下一工作流程的工作量进行校验,获取下一工作流程的输入端工作总量和输出端工作总量,从所述下一工作流程的输入端工作总量中去除第一工作量,得到第一校验工作量,将所述第一校验工作量在所述下一工作流程的输出端输出工作量设置为第二校验工作量,在有关工作日志中比对第一校验工作量和第二校验工作量的信息;
步骤S403:当比对结果一致时,从所述下一工作流程输出端工作总量减去第二校验工作量得到第三校验工作量,根据所述下一工作流程的工作内容反求出第三校验工作量在所述下一工作流程输入端的输入端工作量,将第三校验工作量在所述下一工作流程输入端的输入端工作量设置为第二工作量;
步骤S404:比对第一工作量和第二工作量,当第一工作量和第二工作量相等时存疑数据不是异常数据,当第一工作量和第二工作量不相等时存疑数据是异常数据。
例如:有一个存疑数据x,那么对应在存疑工作流程产生λx的工作量,其中,λ是所述存疑工作流程的工作量转化系数,获取下一工作流程的输入端工作总量F和输出端工作总量G,验证第一校验工作量F-λx的工作量是否存在;
当第一校验工作量真实存在时,计算第二校验工作量:μ×(F-λx),其中μ是所述下一工作流程的工作量转化系数,进一步计算第三校验工作量:G-μ×(F-λx);
根据所述下一工作流程的工作量转化系数,计算第三校验工作量在所述下一工作流程输入端的输入端工作量(G-μ×(F-λx))/μ,(G-μ×(F-λx))/μ记为第二工作量;
最后将λx和(G-μ×(F-λx))/μ进行比较,验证x是否为异常数据。
步骤S500:对所述仓储信息数据库中所有存疑数据进行筛选,将存疑数据中的异常数据提供至有关管理人员。
系统包括:
关联模型管理模块、数据中间值计算模块、变化范围管理模块和异常数据判断模块。
其中,关联模型管理模块用于建立各个仓储管理数据项间的关联模型,获取各个管理账户中每个仓储管理数据项的第一中间值,其中,关联模型管理模块包括:历史记录提取单元、数据对应单元、对应关系汇集单元和第一中间值获取单元,其中,历史记录提取单元用于获取各个管理账户对仓储信息数据库的历史操作记录,数据对应单元用于对两个不同的仓储管理数据项之间进行对应,对应关系汇集单元用于汇集一个仓储管理数据项与剩余的若干个仓储管理数据项的对应关系,第一中间值获取单元用于获取各个管理账户中每个仓储管理数据项的第一中间值。
其中,数据中间值计算模块用于计算同一个仓储管理数据项的数据中间值,其中,数据中间值计算模块包括:工作重合关系值计算单元、工作重合关系值数量统计单元、权重值计算单元和数据中间值计算单元,其中,工作重合关系值计算单元用于两个不同账户间的工作重合关系值,工作重合关系值数量统计单元用于计算各个工作重合关系值数量占工作重合关系值总数量的比例,权重值计算单元用于计算目标账户不同的管理账户的权重值,数据中间值计算单元用于计算相同仓储管理数据项的数据中间值。
其中,变化范围管理模块用于获取目标仓储管理数据项的第一变化范围,其中,变化范围管理模块包括:分类信息获取单元、影响关系计算单元、参考变化范围计算单元和第一变化范围获取单元,其中,分类信息获取单元用于获取仓储管理数据项的分类信息,影响关系计算单元用于计算参考数据项数据对目标数据项数据的影响关系,参考变化范围计算单元用于计算参考数据项对应的目标数据项数据的参考变化范围,第一变化范围获取单元用于获取目标数据项的第一变化范围。
其中,异常数据判断模块用于判断存疑数据是否是异常数据,其中,异常数据判断模块包括:存疑数据获取单元、工作流程获取单元、工作量计算单元,工作量比对单元,其中,存疑数据获取单元用于获取存疑数据,工作流程获取单元用于获取工作流程,工作量计算单元用于计算工作流程对应的工作量,工作量比对单元用于比对第一工作量和第二工作量。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备所固有的要素。
最后应说明的是: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,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,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。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)
1.一种基于数据分析的仓储数据智能识别管控方法,其特征在于:所述方法包括以下步骤:
步骤S100:在一个仓储信息数据库中,所述仓储信息数据库包括若干个管理账户,获取各个管理账户对仓储信息数据库的历史操作记录,建立任意管理账户中各个仓储管理数据项间的关联模型,获取各个管理账户中每个仓储管理数据项的第一中间值;
步骤S200:汇集同一仓储管理数据项在不同管理账户所处的关联模型,计算不同管理账户间的工作重合关系值,将不同管理账户间的工作重合关系值转化为权重值,获取不同管理账户中所述同一仓储管理数据项的第一中间值,根据不同管理账户间的权重值,计算任意管理账户中所述同一仓储管理数据项的数据中间值;
步骤S300:将所述若干个仓储管理数据项中的一个仓储管理数据项设置为目标数据项,获取目标数据项的参考数据项,分析参考数据项的历史变化规律和参考数据项对目标数据项的影响关系,计算目标数据项的边界值,将目标数据项的数据中间值和边界值进行组合,得到目标数据项的第一变化范围;
步骤S400:通过目标数据项的第一变化范围对目标数据项的数据进行筛选,获取目标数据项的存疑数据,通过存疑数据与工作量的对应关系得到存疑数据的第一工作量,将存疑数据实际产生的工作量设置为第二工作量,当第一工作量和第二工作量不相等时,判断所述存疑数据为所述仓储信息数据库中的异常数据;
步骤S500:对所述仓储信息数据库中所有存疑数据进行筛选,将存疑数据中的异常数据提供至有关管理人员。
2.根据权利要求1所述的一种基于数据分析的仓储数据智能识别管控方法,其特征在于:步骤S100包括:
步骤S101:获取某个管理账户的历史操作记录,所述某个管理账户的历史操作记录的一条操作记录包括:所述某个管理账户操作的仓储管理数据项和对应仓储管理数据项的保存结果;
步骤S102:在所述某个管理账户操作的仓储管理数据项中选取仓储管理数据项B,将仓储管理数据项B与任意仓储管理数据项A建立数据关系对,其中建立数据关系对的过程如下:从所述某个管理账户的所有历史操作记录中,查找各次修改仓储管理数据项A的数值后,在仓储管理数据项B上对应的数值b,捕捉所述仓储管理数据项 B上出现所有数值 b中的最大值b1 max和最小值b1 min,所述仓储管理数据项A和仓储管理数据项B的数据关系对为:A→(b1 min,b1 max);
步骤S103:汇集所述某个管理账户中各个仓储管理数据项和仓储管理数据项B中数据的关系对,获取所有数据关系对中仓储管理数据项B的数据范围的最大重合部分,将所述最大重合部分的中点值设置为所述某个管理账户中仓储管理数据项B的第一中间值。
3.根据权利要求2所述的一种基于数据分析的仓储数据智能识别管控方法,其特征在于:步骤S200包括:
步骤S201:计算两个不同管理账户间的工作重合关系值K,其中,第q1个管理账户对于第q0个管理账户的工作重合关系值为K0,第q0个管理账户对于第q1个管理账户的工作重合关系值为K1,其中K0=Q01/Q0,K1=Q01/Q1,其中Q0是第q0个管理账户的操作范围中仓储管理数据项的数量,Q1是第q1个管理账户的操作范围中仓储管理数据项的数量,Q01是第q0个管理账户和第q1个管理账户的操作范围中相同仓储管理数据项的数量;
步骤S202:从所述若干个不同管理账户中选取某一个账户作为目标账户,计算所述若干个不同管理账户对于目标账户的工作重合关系值,统计目标账户与不同管理账户间各个工作重合关系值出现的数量,得到每一种工作重合关系值的数量占工作重合关系值总数量的比例,计算不同账户相对于目标账户的某一仓储管理数据项影响的权重值,其中,与目标账户不同的第m个管理账户相对于目标账户的权重值为γm,γm=Km×propm k,其中Km表示与目标账户不同的第m个管理账户相对于目标账户的工作重合关系值,propm k表示Km的数量占工作重合关系值总数量的比例;
步骤S203:汇集若干个管理账户中同一仓储管理数据项的第一中间值,计算目标账户的所述同一仓储管理数据项的数据中间值P,其中P=γ1×p1+γ2×p2+γ2×p2+……+γm×pm,其中,γ1、γ2、γ3、……和γm分别表示与目标账户不同的第1个、第2个、第3个、……、第m个管理账户相对于目标账户的权重值,p1、p2、p3、……和pm表示所述同一仓储管理数据项分别在与目标账户不同的第1个、第2个、第3个、……和第m个管理账户中对应的第一中间值。
4.根据权利要求3所述的一种基于数据分析的仓储数据智能识别管控方法,其特征在于:步骤S300包括:
步骤S301:获取目标仓储管理数据项的分类信息,根据所述分类信息获取目标数据项的父类别数据的仓储管理数据项,将所述父类别仓储管理数据项包括的若干个子类别仓储管理数据项中的一个仓储管理数据项设置为参考数据项,所述参考数据项与目标数据项不为同一仓储管理数据项;
步骤S302:将参考数据项的数据对所述父类别仓储管理数据项的数据的影响关系设置为第一影响关系α,将所述父类别仓储管理数据项数据对所述目标数据项数据的影响关系设置为第二影响关系β,计算参考数据项数据对目标数据项数据的影响关系δ,其中,δ=α×β;
步骤S303:从参考数据项数据的历史变化记录中获取所述参考数据项数据的历史变化范围,计算目标数据项数据的参考变化范围,其中第r个参考数据项对应的目标数据项数据的参考变化范围为Hr,其中Hr=δr·Ur,δr表示第r个参考数据项对应的影响关系,Ur表示第r个仓储管理数据项数据的历史变化范围;
步骤S304:汇集所有参考数据项对应的目标数据项数据的参考变化范围,将各个参考变化范围的最大值组成最大值序列,将各个参考变化范围的最小值组成最小值序列,取出最大值序列中与目标数据项的数据中间值差值最小的值hmax,和最小值序列中与目标数据项的数据中间值差值最小的值hmin,得到目标数据项的第一变化范围H*,其中H*用(hmax,PM,hmin)表示,其中PM为目标数据项的数据中间值。
5.根据权利要求4所述的一种基于数据分析的仓储数据智能识别管控方法,其特征在于:步骤S400包括:
步骤S401:将目标数据项的第一变化范围外的数据设置为存疑数据,将存疑数据对应的工作流程设置为存疑工作流程,将存疑数据在完成对应存疑工作流程后的工作成果设置为第一工作量;
步骤S402:通过工作流程的关联性,获取存疑工作流程的下一工作流程,对所述下一工作流程的工作量进行校验,获取下一工作流程的输入端工作总量和输出端工作总量,从所述下一工作流程的输入端工作总量中去除第一工作量,得到第一校验工作量,将所述第一校验工作量在所述下一工作流程的输出端输出工作量设置为第二校验工作量,在有关工作日志中比对第一校验工作量和第二校验工作量的信息;
步骤S403:当比对结果一致时,从所述下一工作流程输出端工作总量减去第二校验工作量得到第三校验工作量,根据所述下一工作流程的工作内容反求出第三校验工作量在所述下一工作流程输入端的输入端工作量,将第三校验工作量在所述下一工作流程输入端的输入端工作量设置为第二工作量;
步骤S404:比对第一工作量和第二工作量,当第一工作量和第二工作量相等时存疑数据不是异常数据,当第一工作量和第二工作量不相等时存疑数据是异常数据。
6.一种用于权利要求1-5任意一项所述的一种基于数据分析的仓储数据智能识别管控方法的仓储数据智能识别管控系统,其特征在于:系统包括:关联模型管理模块、数据中间值计算模块、变化范围管理模块和异常数据判断模块,其中,关联模型管理模块用于建立各个仓储管理数据项间的关联模型,获取各个管理账户中每个仓储管理数据项的第一中间值,数据中间值计算模块用于计算同一个仓储管理数据项的数据中间值,变化范围管理模块用于获取目标数据项的第一变化范围,异常数据判断模块用于判断存疑数据是否是异常数据。
7.根据权利要求6所述的仓储数据智能识别管控系统,其特征在于:关联模型管理模块包括:历史记录提取单元、数据对应单元、对应关系汇集单元和第一中间值获取单元,其中,历史记录提取单元用于获取各个管理账户对仓储信息数据库的历史操作记录,数据对应单元用于对两个不同的仓储管理数据项之间进行对应,对应关系汇集单元用于汇集一个仓储管理数据项与剩余的若干个仓储管理数据项的对应关系,第一中间值获取单元用于获取各个管理账户中每个仓储管理数据项的第一中间值。
8.根据权利要求6所述的仓储数据智能识别管控系统,其特征在于:数据中间值计算模块包括:工作重合关系值计算单元、工作重合关系值数量统计单元、权重值计算单元和数据中间值计算单元,其中,工作重合关系值计算单元用于两个不同账户间的工作重合关系值,工作重合关系值数量统计单元用于计算各个工作重合关系值数量占工作重合关系值总数量的比例,权重值计算单元用于计算目标账户不同的管理账户的权重值,数据中间值计算单元用于计算相同仓储管理数据项的数据中间值。
9.根据权利要求6所述的仓储数据智能识别管控系统,其特征在于:变化范围管理模块包括:分类信息获取单元、影响关系计算单元、参考变化范围计算单元和第一变化范围获取单元,其中,分类信息获取单元用于获取仓储管理数据项的分类信息,影响关系计算单元用于计算参考数据项数据对目标数据项数据的影响关系,参考变化范围计算单元用于计算参考数据项对应的目标数据项数据的参考变化范围,第一变化范围获取单元用于获取目标数据项的第一变化范围。
10.根据权利要求6所述的仓储数据智能识别管控系统,其特征在于:异常数据判断模块包括:存疑数据获取单元、工作流程获取单元、工作量计算单元,工作量比对单元,其中,存疑数据获取单元用于获取存疑数据,工作流程获取单元用于获取工作流程,工作量计算单元用于计算工作流程对应的工作量,工作量比对单元用于比对第一工作量和第二工作量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311654079.5A CN117349780B (zh) | 2023-12-05 | 2023-12-05 | 一种基于数据分析的仓储数据智能识别管控系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311654079.5A CN117349780B (zh) | 2023-12-05 | 2023-12-05 | 一种基于数据分析的仓储数据智能识别管控系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117349780A CN117349780A (zh) | 2024-01-05 |
CN117349780B true CN117349780B (zh) | 2024-02-23 |
Family
ID=89361772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311654079.5A Active CN117349780B (zh) | 2023-12-05 | 2023-12-05 | 一种基于数据分析的仓储数据智能识别管控系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117349780B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022237186A1 (zh) * | 2021-05-08 | 2022-11-17 | 海南易乐物联科技有限公司 | 一种基于自动化计费的仓储管理系统及其使用方法 |
CN115829190A (zh) * | 2023-02-14 | 2023-03-21 | 深圳市元美供应链管理有限公司 | 一种基于大数据的供应链管理系统及方法 |
CN115983808A (zh) * | 2023-03-21 | 2023-04-18 | 中建安装集团有限公司 | 一种基于数字化建造的项目数据智能化管理系统及方法 |
CN116050154A (zh) * | 2023-02-07 | 2023-05-02 | 黄河科技学院 | 物联网环境下的智能化仓储管理方法及系统 |
CN117114576A (zh) * | 2023-08-31 | 2023-11-24 | 佛山市太米智能科技有限公司 | 一种基于人工智能的仓储智能调度监控管理方法及系统 |
-
2023
- 2023-12-05 CN CN202311654079.5A patent/CN117349780B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022237186A1 (zh) * | 2021-05-08 | 2022-11-17 | 海南易乐物联科技有限公司 | 一种基于自动化计费的仓储管理系统及其使用方法 |
CN116050154A (zh) * | 2023-02-07 | 2023-05-02 | 黄河科技学院 | 物联网环境下的智能化仓储管理方法及系统 |
CN115829190A (zh) * | 2023-02-14 | 2023-03-21 | 深圳市元美供应链管理有限公司 | 一种基于大数据的供应链管理系统及方法 |
CN115983808A (zh) * | 2023-03-21 | 2023-04-18 | 中建安装集团有限公司 | 一种基于数字化建造的项目数据智能化管理系统及方法 |
CN117114576A (zh) * | 2023-08-31 | 2023-11-24 | 佛山市太米智能科技有限公司 | 一种基于人工智能的仓储智能调度监控管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117349780A (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US5845285A (en) | Computer system and method of data analysis | |
Bissell | Statistical Methods for SPC and TQM | |
Oakland et al. | Statistical process control | |
US20080208780A1 (en) | System and method for evaluating documents | |
Banaszewska et al. | A framework for measuring efficiency levels—The case of express depots | |
CN105809195A (zh) | 用于判别一个商户是否属于特定商户类别的方法和装置 | |
Lopes et al. | Quality improvement practices adopted by industrial companies in Portugal | |
CN116012178B (zh) | 一种基于人工智能的自动化财务对账方法 | |
CN104766215A (zh) | 一种综合性、多维度的货主选择量化方法 | |
CN111898359A (zh) | 一种智能质量检测报告生成方法及系统 | |
CN114742432A (zh) | 市场采购贸易风控管理方法及其管理系统 | |
CN107784578B (zh) | 银行外汇数据监管方法及装置 | |
CN117349780B (zh) | 一种基于数据分析的仓储数据智能识别管控系统及方法 | |
Jeanneret | Equitable job evaluation and classification with the Position Analysis Questionnaire | |
CN112418600A (zh) | 一种基于指标集的企业政策评分方法及系统 | |
CN113298291A (zh) | 快递件量预测方法、装置、设备及存储介质 | |
CN117787816B (zh) | 用于工业企业的物料数据质量检测方法及系统 | |
CN115145990B (zh) | 一种用于海关电子申报的数据处理方法及相关设备 | |
CN115130440B (zh) | 适用于设备融资的业务数据录入处理系统 | |
CN112418652B (zh) | 一种风险识别方法及相关装置 | |
CN115578007B (zh) | 一种税务行业的积分计算和任务统筹的方法及系统 | |
CN116342300B (zh) | 一种保险理赔人员特征分析方法、装置和设备 | |
CN112418599B (zh) | 一种基于指标集的企业成长路径规划方法及系统 | |
CN114665986B (zh) | 一种蓝牙钥匙的测试系统及方法 | |
Jones | System Cost Analysis: A Management Tool for Decision Making |
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 |