一种基于时间序列的RFID供应链数据分析方法(2)

来源：网络收集时间：2026-04-23

导读： … （ｉ１，ｌｍ，ｔｍ，ｔｍ＋１）（ｉ２，ｌｍ，ｔｍ，ｔｍ＋１），…，（ｉｎ，ｌｍ，ｔｍ，ｔｍ＋１）明显的特征．ＲＦＩＤ数据的海量，冗余，不准确，连续性，实时性等特点都给管理策略提出了很大的挑战．这

…

（ｉ１，ｌｍ，ｔｍ，ｔｍ＋１）（ｉ２，ｌｍ，ｔｍ，ｔｍ＋１），…，（ｉｎ，ｌｍ，ｔｍ，ｔｍ＋１

）明显的特征．ＲＦＩＤ数据的海量，

冗余，不准确，连续性，实时性等特点都给管理策略提出了很大的挑战．这方面得到众多研究者的关注，文献［３，５］从反映企业业务逻辑的复杂事件的角度在ＲＦＩＤ数据中挖掘各种复杂事件的相关信息．文献［４］关注基于ＲＦＩＤ数据的收集、转换和重组从而更有效地管理供应链的物品流通．文献［１３］利用时态实体关系模型管理供应链中的ＲＦＩＤ数

据．文献［６］通过一个ＲＦＩＤ部署模型分析业务路线和用户行为．文献［７］为了管理海量的ＲＦＩＤ数据，提出了路径和工作流两种数据模型来存储和挖掘ＲＦＩＤ数据．文献［９

］针对供应链中的运输效率低和一些欺诈行为给出相应的异常数据挖掘方法．

从数据采集层面上来说，数据的预处理是一个必

要的环节．

数据预处理主要包括数据清理、数据集成和数据规约．对于ＲＦＩＤ数据，

其中最主要的工作就是数据清理．

其实，数据清理对于一般的数据挖掘任务来说都是很重要的一个环节．而ＲＦＩＤ的数据预处理与其它普通任务的区别在于它基于流数据，所以ＲＦＩＤ数据具有连续性并要求数据清理策略具有实时处理的能力．在此要求之上，数据清理主要解决三个问题：阅读中丢失数据，阅读中不可靠数据以及数据冗余．

然后需要对这些经过预处理的数据进行分析和挖掘．在这个阶段中，机器学习方法扮演了重要的角色．

ＲＦＩＤ数据是一种特殊的流数据，

经过前面的数据预处理和管理，对于上层的分析算法来说，可以当成流数据来处理，而机器学习的有监督学习方法和无监督学习

方法成为重要的解决方案．

所谓监督学习，是指在学习过程中，每一个训练样本都被赋予了一个标记，学习的目标是从训练样本中归纳出标记的概念，从而能够正确预测未遇见过的样本的标记，典型的监督学习任务有分类和回归；而在非监督学习中，所有样本均无标记，学习是为了发现样本集中的内部结构，例如发现样本的本征维度，聚类就是属于非监督学习．而本文正是基于有监督学习以时间序列分析的方式来建立对ＲＦＩＤ数据的异常检测模型，从而从海量ＲＦＩＤ数据中分析出异常的数据．

内容版权归作者所有

电子学报2010年2期文档装换有缺失请下载查看完整版

２８

电

子

学

报

年２０１０

３供应链ＲＦＩＤ数据分析方法

我们通过抽象ＲＦＩＤ的业务需求建立相应的数据分析规则，并转化为相应的时间序列分析规则，从而给出了基于时间序列的数据分析方法．

３．１ＲＦＩＤ数据分析规则３．１．１ＲＦＩＤ供应链业务需求

］１１

本文中主要关注的供应链系统业务需求［如下所

示：

是大粒度运输环节的流通速度限制和个别的仓储的停

留约束，而无法对所有仓储和运输过程给出具体的时间约束．同时，虽然在实际供应链系统中不符合时间约束的异常数据很容易被检测到，但很多反映流通效率不一致的数据却无法被检测到，所以需要统一的、细粒度的可以全面衡量整个供应链物品流通过程的数据分

这里我们基于挖掘Ｒ析方法．ＦＩＤ数据集形成的时间序

列，形成统一的数据评测模型，从而判断供应链物品流通中的各环节是否符合业务需求．

（１

）速度一致性供应链系统中通常需要对物品的流通速度进行限制．在供应链环节中，物品的流通速度设有最大速度和最小速度．速度限制是为了防止运输过程中超出运输机制的许可，而往往出现超出限制的情况是由于流通中出现了差错，例如当重复的标签出现在异地会导致物品的流通速度过快；同时，如果物品流通速度过慢，

会导致物品流通的延迟，所以需要对速度做出限制．

由于ＲＦＩＤ数据代表着物品的流通状况，

所以其反映流通速度快慢的时间属性也有相应的限制．

（２

）停留时间一致性在供应链中，物品一般都需要尽快地送到目的地，从而减少物品保质期的损耗，这样就需要设置在仓储中的最大停留时间，例如效率低的周转过程往往导致更长的停留时间；同时由于物品在仓储周转中所必需的调配时间，所以也会有相应的最小停留时间，如果出现更小的停留时间往往是由于该环节出现了不合理的调配．

（３）流通效率一致性在ＲＦＩＤ供应链系统中，

在周转时间的约束内尽可能的保证周转效率趋于一致，这样才有助于管理．

例如在运输中偏长的运输时间代表着运输效率的低下，而偏短的运输时间又代表着油料等运输成本的上升．

从这些业务需求中，可以发现实际上是对供应链过程中仓储和运输环节的时间约束，因为实际操作过程中不可能随时检测到流通的速度，但可以将速度量化成时间，从而对时间提出具体的限制（最大周转时间和最小周转时间）．这样我们可以把供应链各环节统一为节点序列：

Ｐ＝｛Ｐ１，Ｐ２，…，Ｐｍ｝并为Ｐ中各元素设定具体的时间约束ＳＩ

（静态时间间隔）：

ｐ∈Ｐ

，ＳＩ（ｐ）＝［ＳＥＦＴ（ｐ），ＳＬＦＴ（ｐ）］其中，ＳＥＦＴ（ｐ）代表环节ｐ的最小周转时间，ＳＬＦＴ（ｐ）代表环节ｐ的最大周转时间．从而依据ＳＩ可以方便的检测出异常数据．

而在实际供应链应用中，我们往往只能给出的都

３．１．２ＲＦＩＤ时间序列分析规则

通过上面的分析，供应链中的仓储和运输环节都可以有相应的时间约束，而同时这些环节的ＲＦＩＤ数据也可以表示成代表相应环节用时的时间随机变量．这样一次供应链中物品流通的过程就可以表示成一组按时间次序排列的随机变量序列：｛Ｘｔ｝＝Ｘ１，Ｘ２，…，Ｘｎ．同时通过从ＲＦＩＤ数据集中收集到的一次流通的观测

值：ｘ１，ｘ２，…，ｘｎ代表对供应链时间序列的一次实现．这样我们将收集到的代表供应链流通的ＲＦＩＤ数据集按时间序列的方式进行组织，从而ＲＦＩＤ数据分析的任务变成分析每次观察值ｘｉ是否符合随机变量Ｘｉ的约束．由于供应链中各环节用时不同，所以该时间序列各

元素之间的间隔也不同．

这样的时间序列不利于分析，所以我们将围绕供应链中单个环节的不同时段建立的时间序列进行分析．

对供应链中的单个环节（仓储或者运输）建立时间序列，将一天之中有效工作时间等分成ｍ段，用时间序列｛Ｙｔ｝＝Ｙ１，Ｙ２，…，Ｙｍ代表，其中Ｙｉ（１≤ｉ≤ｍ）表示第ｉ段时间内某次物流周转时间．通过随机抽样，可以形成ＲＦＩＤ数据样本矩阵Ｍ，如下所示．其中ｙｉ，ｊ（１≤ｉ≤ｎ，１≤ｊ≤ｍ）代表该环节在第ｊ个时间段里第ｉ次物流的周转时间．

ｙ

１，１ｙ１，２…ｙ１，ｍＭ＝

ｙ２，１ｙ２，２…

ｙ２，ｍ

…

………

ｙｎ，１ｙｎ，２…

ｙｎ，ｍ

基于ＲＦＩＤ数据样本矩阵Ｍ便可以对时间序列

｛Ｙｔ

｝进行分解，时间序列分解关键是将时间序列的随机变量分解成三部分的叠加Ｙｔ＝Ｔｔ＋Ｓｔ＋Ｒｔ［１２

］，

其中｛Ｔｔ｝是趋势项，｛Ｓｔ｝是季节项，｛Ｒｔ｝是随机项，这里我们采用分段趋势分解方法．首先算出趋势项，这里将趋势项｛Ｔｔ｝的估计定义为单天各时段物流周转时间的平均值．这样就得到：

１，１１，２＝…１，ｍ＝Ｔ１

…… 此处隐藏：2253字，全部文档内容请下载后查看。喜欢就下载吧 ……

一种基于时间序列的RFID供应链数据分析方法(2).doc 将本文的Word文档下载到电脑，方便复制、编辑、收藏和打印

下载这篇word文档

本文链接：https://www.jiaowen.net/wenku/269153.html（转载请注明文章来源）

上一篇：2020六年级《道德与法治》下册教学计划
下一篇：高二化学知识点总结