本發(fā)明涉及物流領(lǐng)域，尤其涉及一種快件飄格監(jiān)控方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)。
背景技術(shù)：
1、在快遞物流自動(dòng)化分揀場(chǎng)景中，快件飄格是指快件未落入目標(biāo)格口的異常現(xiàn)象，直接影響分揀效率、末端派送時(shí)效與運(yùn)營成本，規(guī)模化分揀中心的飄格異常監(jiān)控尤為關(guān)鍵。現(xiàn)有快件飄格監(jiān)控方案存在諸多技術(shù)缺陷：其一，數(shù)據(jù)來源分散，基礎(chǔ)分揀數(shù)據(jù)、設(shè)備狀態(tài)、快件屬性、操作時(shí)序等多源數(shù)據(jù)未做時(shí)空對(duì)齊與融合，數(shù)據(jù)碎片化嚴(yán)重，無法完整表征分揀事件全維度特征；其二，異常清洗手段單一，僅采用固定閾值或簡單統(tǒng)計(jì)規(guī)則篩選臟數(shù)據(jù)，難以適配高維、時(shí)序波動(dòng)的分揀數(shù)據(jù)，易保留無效臟數(shù)據(jù)或誤刪真實(shí)異常樣本；其三，數(shù)據(jù)統(tǒng)計(jì)維度粗糙，多采用全局匯總計(jì)算飄格率，無法按時(shí)間、臺(tái)口、小車等維度精細(xì)化拆分，難以定位局部飄格異常源頭；其四，飄格率計(jì)算未引入平滑機(jī)制，小樣本、零分揀量場(chǎng)景下易出現(xiàn)數(shù)值失真，風(fēng)險(xiǎn)評(píng)估準(zhǔn)確性不足；其五，預(yù)警機(jī)制僵化，采用固定單一閾值判定，無分級(jí)預(yù)警邏輯，預(yù)警信息缺乏標(biāo)準(zhǔn)化與針對(duì)性，易出現(xiàn)漏報(bào)、誤報(bào)，導(dǎo)致運(yùn)維響應(yīng)滯后。
2、因此，現(xiàn)有技術(shù)還有待改進(jìn)和發(fā)展。
技術(shù)實(shí)現(xiàn)思路
1、本發(fā)明提供了一種快件飄格監(jiān)控方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)，用于快件飄格智能監(jiān)控與分級(jí)風(fēng)險(xiǎn)精準(zhǔn)預(yù)警。
2、本發(fā)明第一方面提供了一種快件飄格監(jiān)控方法，所述快件飄格監(jiān)控方法包括：獲取快件分揀過程中與分揀事件相關(guān)的基礎(chǔ)數(shù)據(jù)和關(guān)聯(lián)特征數(shù)據(jù)，基于時(shí)間戳與事件id，將所述基礎(chǔ)數(shù)據(jù)與所述關(guān)聯(lián)特征數(shù)據(jù)進(jìn)行時(shí)空對(duì)齊與特征融合，生成多維特征向量；采用基于孤立森林與滑動(dòng)窗口統(tǒng)計(jì)的混合異常檢測(cè)算法，對(duì)所述多維特征向量進(jìn)行清洗，得到有效特征向量；對(duì)所述有效特征向量分別按照時(shí)間維度和分揀業(yè)務(wù)屬性維度進(jìn)行一次劃分和二次劃分，得到多個(gè)子數(shù)據(jù)集，并統(tǒng)計(jì)各所述子數(shù)據(jù)集的快件累計(jì)分揀量和快件累計(jì)疑似飄格量；基于各所述子數(shù)據(jù)集的快件累計(jì)分揀量和快件累計(jì)疑似飄格量，計(jì)算各所述子數(shù)據(jù)集的動(dòng)態(tài)飄格率和所有子數(shù)據(jù)集的綜合飄格風(fēng)險(xiǎn)值；將所述綜合飄格風(fēng)險(xiǎn)值與預(yù)設(shè)風(fēng)險(xiǎn)閾值進(jìn)行比較，并基于比較結(jié)果生成預(yù)警信息。
3、可選的，在本發(fā)明第一方面的第一種實(shí)現(xiàn)方式中，所述獲取快件分揀過程中與分揀事件相關(guān)的基礎(chǔ)數(shù)據(jù)和關(guān)聯(lián)特征數(shù)據(jù)，基于時(shí)間戳與事件id，將所述基礎(chǔ)數(shù)據(jù)與所述關(guān)聯(lián)特征數(shù)據(jù)進(jìn)行時(shí)空對(duì)齊與特征融合，生成多維特征向量，包括：通過分布式消息隊(duì)列，獲取快件分揀過程中與分揀事件相關(guān)的基礎(chǔ)數(shù)據(jù)，所述基礎(chǔ)數(shù)據(jù)包括供件臺(tái)號(hào)、應(yīng)落格口、小車號(hào)、分揀量、疑似飄格量；從設(shè)備管理系統(tǒng)、包裹信息系統(tǒng)及操作日志庫中，異步提取與分揀事件相關(guān)的設(shè)備狀態(tài)、快件物理屬性及操作員動(dòng)作時(shí)序數(shù)據(jù)作為關(guān)聯(lián)特征數(shù)據(jù)；為每個(gè)分揀事件分配事件id與時(shí)間戳，并基于時(shí)間戳與事件id，將所述基礎(chǔ)數(shù)據(jù)與所述關(guān)聯(lián)特征數(shù)據(jù)進(jìn)行時(shí)空對(duì)齊與特征融合，生成多維特征向量。
4、可選的，在本發(fā)明第一方面的第二種實(shí)現(xiàn)方式中，所述采用基于孤立森林與滑動(dòng)窗口統(tǒng)計(jì)的混合異常檢測(cè)算法，對(duì)所述多維特征向量進(jìn)行清洗，得到有效特征向量，包括：在預(yù)設(shè)時(shí)間長度的滑動(dòng)窗口內(nèi)，對(duì)所述多維特征向量中的數(shù)值型特征進(jìn)行基于統(tǒng)計(jì)分布的分析，并標(biāo)記偏離正常波動(dòng)范圍的初步異常數(shù)據(jù)點(diǎn)；基于預(yù)設(shè)業(yè)務(wù)邏輯規(guī)則，對(duì)所述多維特征向量的字段邏輯一致性進(jìn)行驗(yàn)證，并標(biāo)記違反預(yù)設(shè)業(yè)務(wù)邏輯規(guī)則的邏輯異常數(shù)據(jù)點(diǎn)；將所述多維特征向量輸入預(yù)訓(xùn)練的孤立森林模型，以計(jì)算所述多維特征向量的各數(shù)據(jù)點(diǎn)的綜合異常分?jǐn)?shù)，將所述綜合異常分?jǐn)?shù)超過異常分?jǐn)?shù)閾值的初步異常數(shù)據(jù)點(diǎn)和邏輯異常數(shù)據(jù)點(diǎn)從所述多維特征向量中剔除，保留剩下的多維特征向量作為有效特征向量。
5、可選的，在本發(fā)明第一方面的第三種實(shí)現(xiàn)方式中，所述在預(yù)設(shè)時(shí)間長度的滑動(dòng)窗口內(nèi)，對(duì)所述多維特征向量中的數(shù)值型特征進(jìn)行基于統(tǒng)計(jì)分布的分析，并標(biāo)記偏離正常波動(dòng)范圍的初步異常數(shù)據(jù)點(diǎn)，包括：在預(yù)設(shè)時(shí)間長度的滑動(dòng)窗口內(nèi)，計(jì)算所述多維特征向量中的各個(gè)待分析的數(shù)值型特征的均值與標(biāo)準(zhǔn)差；根據(jù)預(yù)定義穩(wěn)定性規(guī)則，為各個(gè)待分析的數(shù)值型特征的均值與標(biāo)準(zhǔn)差動(dòng)態(tài)設(shè)定置信區(qū)間系數(shù)；基于各個(gè)待分析的數(shù)值型特征的均值與標(biāo)準(zhǔn)差及設(shè)定的置信區(qū)間系數(shù)，分別計(jì)算出各個(gè)待分析的數(shù)值型特征的正常值波動(dòng)上限與下限，確定各個(gè)待分析的數(shù)值型特征的正常波動(dòng)范圍，并標(biāo)記偏離正常波動(dòng)范圍的初步異常數(shù)據(jù)點(diǎn)。
6、可選的，在本發(fā)明第一方面的第四種實(shí)現(xiàn)方式中，所述對(duì)所述有效特征向量分別按照時(shí)間維度和分揀業(yè)務(wù)屬性維度進(jìn)行一次劃分和二次劃分，得到多個(gè)子數(shù)據(jù)集，并統(tǒng)計(jì)各所述子數(shù)據(jù)集的快件累計(jì)分揀量和快件累計(jì)疑似飄格量，包括：根據(jù)日和月兩個(gè)時(shí)間維度，將所述有效特征向量劃分到不同的時(shí)間層級(jí)數(shù)據(jù)集中；在各時(shí)間層級(jí)數(shù)據(jù)集內(nèi)部，依次按照供件臺(tái)號(hào)、應(yīng)落格口、小車號(hào)進(jìn)行逐級(jí)分類與聚合，形成多個(gè)子數(shù)據(jù)集；遍歷各子數(shù)據(jù)集中的所有有效特征向量，累加得到各所述子數(shù)據(jù)集對(duì)應(yīng)的快件累計(jì)分揀量和快件累計(jì)疑似飄格量。
7、可選的，在本發(fā)明第一方面的第五種實(shí)現(xiàn)方式中，所述基于各所述子數(shù)據(jù)集的快件累計(jì)分揀量和快件累計(jì)疑似飄格量，計(jì)算各所述子數(shù)據(jù)集的動(dòng)態(tài)飄格率和所有子數(shù)據(jù)集的綜合飄格風(fēng)險(xiǎn)值，包括：計(jì)算各所述子數(shù)據(jù)集的動(dòng)態(tài)飄格率，動(dòng)態(tài)飄格率=(快件累計(jì)疑似飄格量+λ)/(快件累計(jì)分揀量+k)，式中，λ為平滑因子，k為校準(zhǔn)常數(shù)；獲取各所述子數(shù)據(jù)集對(duì)應(yīng)的分揀量占比以及關(guān)聯(lián)設(shè)備的實(shí)時(shí)健康狀態(tài)，根據(jù)各子數(shù)據(jù)集的動(dòng)態(tài)飄格率、對(duì)應(yīng)的分揀量占比以及關(guān)聯(lián)設(shè)備的實(shí)時(shí)健康狀態(tài)，通過預(yù)訓(xùn)練的門控注意力網(wǎng)絡(luò)模型計(jì)算各子數(shù)據(jù)集的飄格風(fēng)險(xiǎn)貢獻(xiàn)權(quán)重；根據(jù)各子數(shù)據(jù)集的飄格風(fēng)險(xiǎn)貢獻(xiàn)權(quán)重，對(duì)所有子數(shù)據(jù)集的動(dòng)態(tài)飄格率進(jìn)行加權(quán)融合，得到所有子數(shù)據(jù)集的綜合飄格風(fēng)險(xiǎn)值。
8、可選的，在本發(fā)明第一方面的第六種實(shí)現(xiàn)方式中，所述將所述綜合飄格風(fēng)險(xiǎn)值與預(yù)設(shè)風(fēng)險(xiǎn)閾值進(jìn)行比較，并基于比較結(jié)果生成預(yù)警信息，包括：獲取預(yù)設(shè)的多級(jí)風(fēng)險(xiǎn)閾值信息，所述多級(jí)風(fēng)險(xiǎn)閾值信息包括多個(gè)風(fēng)險(xiǎn)等級(jí)以及與每個(gè)風(fēng)險(xiǎn)等級(jí)對(duì)應(yīng)的風(fēng)險(xiǎn)等級(jí)區(qū)間；將所述綜合飄格風(fēng)險(xiǎn)值與所述預(yù)設(shè)多級(jí)風(fēng)險(xiǎn)閾值進(jìn)行比較，判斷綜合飄格風(fēng)險(xiǎn)值所屬的風(fēng)險(xiǎn)等級(jí)區(qū)間以及對(duì)應(yīng)的風(fēng)險(xiǎn)等級(jí)；根據(jù)所述綜合飄格風(fēng)險(xiǎn)值對(duì)應(yīng)的風(fēng)險(xiǎn)等級(jí)，從預(yù)設(shè)預(yù)警模板庫中調(diào)取與風(fēng)險(xiǎn)等級(jí)匹配的預(yù)警模板，并將有效特征向量、關(guān)聯(lián)子數(shù)據(jù)集、綜合飄格風(fēng)險(xiǎn)值、風(fēng)險(xiǎn)等級(jí)區(qū)間以及對(duì)應(yīng)的風(fēng)險(xiǎn)等級(jí)填入所述預(yù)警模板的缺省參數(shù)，生成預(yù)警信息。
9、本發(fā)明第二方面提供了一種快件飄格監(jiān)控裝置，包括：融合模塊，用于獲取快件分揀過程中與分揀事件相關(guān)的基礎(chǔ)數(shù)據(jù)和關(guān)聯(lián)特征數(shù)據(jù)，基于時(shí)間戳與事件id，將所述基礎(chǔ)數(shù)據(jù)與所述關(guān)聯(lián)特征數(shù)據(jù)進(jìn)行時(shí)空對(duì)齊與特征融合，生成多維特征向量；清洗模塊，用于采用基于孤立森林與滑動(dòng)窗口統(tǒng)計(jì)的混合異常檢測(cè)算法，對(duì)所述多維特征向量進(jìn)行清洗，得到有效特征向量；劃分模塊，用于對(duì)所述有效特征向量分別按照時(shí)間維度和分揀業(yè)務(wù)屬性維度進(jìn)行一次劃分和二次劃分，得到多個(gè)子數(shù)據(jù)集，并統(tǒng)計(jì)各所述子數(shù)據(jù)集的快件累計(jì)分揀量和快件累計(jì)疑似飄格量；計(jì)算模塊，用于基于各所述子數(shù)據(jù)集的快件累計(jì)分揀量和快件累計(jì)疑似飄格量，計(jì)算各所述子數(shù)據(jù)集的動(dòng)態(tài)飄格率和所有子數(shù)據(jù)集的綜合飄格風(fēng)險(xiǎn)值；預(yù)警模塊，用于將所述綜合飄格風(fēng)險(xiǎn)值與預(yù)設(shè)風(fēng)險(xiǎn)閾值進(jìn)行比較，并基于比較結(jié)果生成預(yù)警信息。
10、本發(fā)明第三方面提供了一種快件飄格監(jiān)控設(shè)備，包括：存儲(chǔ)器和至少一個(gè)處理器，所述存儲(chǔ)器中存儲(chǔ)有計(jì)算機(jī)可讀指令，所述存儲(chǔ)器和所述至少一個(gè)處理器通過線路互連；所述至少一個(gè)處理器調(diào)用所述存儲(chǔ)器中的所述計(jì)算機(jī)可讀指令，以使得所述快件飄格監(jiān)控設(shè)備執(zhí)行如上所述快件飄格監(jiān)控方法的各個(gè)步驟。
11、本發(fā)明的第四方面提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中存儲(chǔ)有計(jì)算機(jī)可讀指令，當(dāng)其在計(jì)算機(jī)上運(yùn)行時(shí)，使得計(jì)算機(jī)執(zhí)行如上所述快件飄格監(jiān)控方法的各個(gè)步驟。
12、本發(fā)明提供的技術(shù)方案中，通過時(shí)空對(duì)齊與特征融合將分散的基礎(chǔ)數(shù)據(jù)與關(guān)聯(lián)特征整合為多維特征向量，實(shí)現(xiàn)分揀數(shù)據(jù)的標(biāo)準(zhǔn)化統(tǒng)一建模，為后續(xù)分析奠定高質(zhì)量數(shù)據(jù)基礎(chǔ)；同時(shí)，采用孤立森林與滑動(dòng)窗口結(jié)合的混合異常檢測(cè)算法，兼顧統(tǒng)計(jì)規(guī)律與機(jī)器學(xué)習(xí)優(yōu)勢(shì)，高效剔除臟數(shù)據(jù)，提升有效特征的可靠性；而且，通過時(shí)間與分揀業(yè)務(wù)屬性雙維度劃分子數(shù)據(jù)集，實(shí)現(xiàn)飄格問題的精細(xì)化定位，避免全局統(tǒng)計(jì)掩蓋局部異常；此外，引入動(dòng)態(tài)飄格率與綜合飄格風(fēng)險(xiǎn)值計(jì)算機(jī)制，結(jié)合加權(quán)融合邏輯，精準(zhǔn)量化整體飄格風(fēng)險(xiǎn)，克服固定飄格率計(jì)算的樣本偏差問題，同時(shí)，通過多級(jí)風(fēng)險(xiǎn)閾值比對(duì)生成預(yù)警信息，實(shí)現(xiàn)風(fēng)險(xiǎn)的分級(jí)響應(yīng)。