[发明专利]散粮集装箱物流运输过程的级联多类异常识别方法

说明书

本发明公开了一种散粮集装箱物流运输过程的级联多类异常识别方法，首先将采集到的散粮集装箱物流运输过程的数据样本集分为训练样本集和验证样本集，从训练样本集中选取数据集构建一级训练样本集，对二类分类模型bi‑KELM‑train进行训练；同时选取数据集构建二级训练样本集，训练多类分类模型multi‑KELM‑train；然后从样本集中挑选一级异常验证样本集，使用bi‑KELM‑train对样本集进行验证；当验证异常时，构建二级异常验证样本，进一步进行验证，确认散粮集装箱物流的具体异常类别；通过散粮集装箱物流运输状态数据集上的实验表明，相比于直接使用KELM模型的方法，本发明的级联多类异常识别方法具备误差小，验证精度高的优点。

技术领域

本发明涉及物流运输异常识别技术领域，主要涉及一种散粮集装箱物流运输过程的级联多类异常识别方法。

背景技术

集装箱多式联运综合水路、铁路和公路等多种运输方式，实现各种运输方式间的无缝衔接，提高了运输效率，降低了运输成本。同时集装箱物流对货物包装要求低、安全系数较高，大幅度减少货损。散粮从存储到销售，每一个环节的主体都以自己的身份(私钥)将信息签名写入溯源信息，信息不可篡改，身份不可抵赖。当集装箱在运输的过程状态发生变化时，集装箱的时间和地点及周围的环境信息可以上载到托运人或管理人员的管理系统中，以实时跟踪集装箱。异常出现时，可以很快的定位出问题的环节，从而进行举证和追责。

根据散粮集装箱运输在途状态监测的任务不同，集装箱物流异常至少有以下几种：(1)运输路线异常：是指集装箱运输的实际路线可能会偏离计划的路径，甚至不能按时到达或离开节点位置。(2)箱体完整性异常：由于集装箱物流的运输路线过长和管理不严等，集装箱受到外部冲击导致的箱门破损、箱门未经授权非法打开甚至箱体本身破损。(3)环境异常：包括箱内环境和箱外环境。箱内环境是指散粮所处的大气环境，应保证箱内环境在货物要求的范围内。箱外环境是指集装箱所处当地位置的大气环境。(4)运行状态异常。集装箱的运行状态是指集装箱物流途中的速度、倾角等状态，是保证物流时效的最重要条件。

散粮集装箱在多式联运过程中，集装箱物流的状态在大部分时间中应该是正常的，即采集到的散粮集装箱物流状态数据样本多数是正常状态的数据，少部分是异常状态的数据。其中具体到某一种异常状态的数据就更少了。识别散粮集装箱物流运输过程的异常状态在机器学习领域可以看作是一种多类分类问题，更可以看作是一种基于不平衡数据的多类分类问题。支持向量机(SVM)是在所有知名的数据挖掘算法中最健壮,最准确的方法之一,它属于二分类算法。

构造SVM多类分类器的方法主要有两类：

(1)直接法，直接在目标函数上进行修改，将多个分类面的参数求解合并到一个最优化问题中，通过求解该最优化问题“一次性”实现多类分类。这种方法看似简单，但其计算复杂度比较高，实现起来比较困难，只适合用于小型问题中。

(2)间接法，主要是通过组合多个二分类器来实现多分类器的构造，常见的方法有one-against-one和one-against-all两种。当类别较多的时候计算代价会显著提高。在不平衡数据处理方法，典型的样本平衡预处理方法有数据重采样法和代价敏感法。这些方法通过增加或降低样本的数据让多个类别的样本数达到评审，容易使样本偏离原有的分布。

事实上，对于采集到的散粮集装箱物流运输过程的样本数据，值得关心的是少量的异常数据，而不是大量的正常状态的数据。这种需求使得我们需要设计一种独特的识别模型，能够高效地对运输过程的异常数据进行快速识别。。

发明内容

发明目的：针对上述背景技术中提出的问题，本发明提供了一种散粮集装箱物流运输过程的级联多类异常识别技术，通过级联多类异常识别技术将不平衡数据多类分类问题转化为平衡的数据多类分类问题，避免样本不平衡特性会导致特征选择算法更倾向于选择能够更好区分大类样本的特征集。

技术方案：为实现上述目的，本发明采用的技术方案为：