基于SVM动态物流大数据预警分析及保护方法技术

本发明专利技术提供基于SVM动态物流大数据预警分析及保护方法，包括以下步骤：采集动态物流数据，形成数据集；对所述数据集进行区域分类；对所述数据集进行行子分类转换二次回归；形成多目标分数规划的Wolfe式对偶规则，进行数据自修复保护；形成数据预警分析函数，对上述步骤得到的动态物流数据集进行预警分析。本方法不仅限于动态物流大数据的实时监控，同时也检测和诊断动态物流实时数据的有效性、有缺陷的实时数据，还对实时数据进行无数据剔除处理和数据完整性修复。能够有效提高物流智能化程度和信息化水平，有效针对物流区域的信息进行预警并保护，提高了动态物流走向和区域性选择的针对性，辨识并过滤无效信息，提高数据管理的效率。

Early warning analysis and protection method of dynamic logistics big data based on SVM

【技术实现步骤摘要】
基于SVM动态物流大数据预警分析及保护方法
本专利技术属于动态物流大数据分析
，具体涉及基于SVM动态物流大数据预警分析及保护方法。
技术介绍
近些年来，伴随着数据信息科学技术的发展，人类已经步入了数据可视化和云计算时代，人们生活品质的不断提高，物流活动也逐渐受到了越来越多人的欢迎，由于网络大数据与云计算时代的不断推进，尤其是数据收集、网上支付、状态监控以及远程操控等电子商务的迅速拓展，使得当前很多物流公司所具有的数据信息量迅速增多，而面对复杂的、动态的、大量的数据信息，使用以往传统的静态信息数据的挖掘技术进行分析已经不能够满足当前实际运用的要求，所以，就成为了众多学者研究的焦点。动态物流大数据是基于物流系统反馈信息技术实现的，物流系统反馈信息技术的出现，使得物流中的信息变得可视、清晰，可随时监控货物的实时情况。动态物流大数据是通过数据感知技术和信息反馈技术，将海量的物流数据整合并提取，利用数据挖掘和数据分析，提取有效信息并过滤冗余信息，实现有效信息共享，通过网络连接把数据传输回监控端。然而，在这个过程中会产生大量的无效信息包括边界孤立点识别和重影识别，因此，急需一种动态物流大数据预警分析及保护方法来高效的且科学的管理相关的物流信息。
技术实现思路
本专利技术针对上述缺陷，提供一种基于SVM能够辨别和剔除掉无效数据、有效对数据进行分类和整理，保证数据整齐性、有效性且能够自修复保证数据完整性的动态物流大数据预警分析及保护方法。本专利技术提供如下技术方案：基于SVM动态物流大数据预警分析及保护方法，包括以下步骤：S1：采集动态物流数据，形成数据集；S2：对所述S1步骤得到的数据集进行区域分类；S3：对所述S2步骤得到的数据集进行行子分类转换二次回归；S4：形成多目标分数规划的Wolfe式对偶规则，对所述S3步骤得到的数据集进行数据自修复保护；S5：形成数据预警分析函数，对所述S4步骤得到的动态物流数据集进行预警分析。进一步地，所述S1步骤形成的数据集为{xi，yi}，xi∈Rn，i＝1,2,….,l.其中xi为所采集动态物流的地理位置信息，yi为所采集动态物流的时间点。进一步地，所述S2步骤的区域分类公式为f(x)＝sng(ω·x+b)其中ω为区域加权附加系数，x为所述数据集，b为误差项。进一步地，所述S3步骤的行子分类转换二次回归的公式为s.t.yi(ω·x+b)≥1+ξi其中，ξi≥0,i＝1,2,….,l；C代表惩罚因素附加权项。进一步地，所述S4步骤形成多目标分数规划的Wolfe式对偶规则的公式为其中αi和αj代表拉格朗日乘子。进一步地，所述S5步骤形成的函数为线性函数或非线性函数。进一步地，形成的所述线性函数为其中αi和αj代表拉格朗日乘子。进一步地，形成的所述非线性函数为其中αi代表拉格朗日乘子。进一步地，所述C的经验误差值越大，代表惩罚就越大。本专利技术的有益效果为：1)通过建立动态数据库，能够根据数据流入的顺序来一次的读取和连续的输出挖掘的数据结果。2)通过建立二元回归能够有效的对数据进行管理，C代表惩罚因素附加权项，通过C附加惩罚因素保证了数据的整齐性，剔除掉数据集中的无效数据。3)对数据采用两个拉格朗日乘子αi和αj对数据集进行双重规划，在采用双重规划后，将支持SVM与输入样本的数据集的维度进行分离，避免了所谓的“维度灾难”的出现，进而通过建立多目标分数规划的Wolfe式对偶规则可以对有效数据进行自修复，保证数据的完整性。4)针对不同的需求，可以选择进行线性函数来进行预警分析或非线性函数进行预警分析，在进行非线性函数预警分析时，通过赋予数据集{xi，yi}一个非线性函数(xi，xj)，进行非线性限定，在限定范围内进行预警分析，进而使分析效果更加有针对性和有效。5)通过本专利技术基于SVM动态物流大数据预警分析及保护算法，能够有效提高物流智能化程度和信息化水平，有效针对物流区域的信息进行预警并保护，提高了动态物流走向和区域性选择的针对性，辨识并过滤无效信息，提高数据管理的效率。附图说明在下文中将基于实施例并参考附图来对本专利技术进行更详细的描述。其中：图1为本专利技术提供的基于SVM物流大数据预警分析及保护方法流程示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。实施例1如图1所示，为本实施例提供的基于SVM动态物流大数据预警分析及保护方法，包括以下步骤：S1：采集动态物流数据，形成数据集{xi，yi}，xi∈Rn，i＝1,2,….,l.；其中xi为所采集动态物流的地理位置信息，yi为所采集动态物流的时间点；通过建立数据集，能够根据动态物流的时间信息来跟随数据流入的顺序进行排列，完整且整齐地收集所有动态收集时间内的所有数据信息，便于连续的输出挖掘的数据结果。S2：对S1步骤得到的数据集进行区域分类，采用如下公式f(x)＝sng(ω·x+b)，其中ω为区域加权附加系数，x为所述数据集，b为误差项；通过将数据集附加区域加权之后，可以对S1步骤得到的数据集进行区域分类，并且通过附加b误差项，纠正区域分类附加加权之后所导致的数据不准，能够有效进行准确的区域分类；S3：对S2步骤得到的数据集进行行子分类转换二次回归，采用如下公式：s.t.yi(ω·x+b)≥1+ξi其中，ξi≥0,i＝1,2,….,l；C代表惩罚因素附加权项，C的经验误差值越大，代表了惩罚的程度越严格，所剔除掉的无效数据越多，通过赋予C惩罚因素附加权项，能够有效提高数据的整齐性，保证后续自修复和预警分析的数据的有效性。S4：形成多目标分数规划的Wolfe式对偶规则，对S3步骤得到的进行数据自修复保护，所采用的公式为其中αi和αj代表拉格朗日乘子。S4步骤的作用为保证数据的完整性，经过了S3步骤的无效数据剔除，虽然剔除无效数据的同时，限定了剔除无效数据的范围yi(ω·x+b)≥1+ξi，但是也会将少部分有效数据无辜剔除，因此需要在预警分析前保证数据的完整性，通过赋予数据集x两个拉格朗日乘子αi和αj，对数据集x进行双重规划，规划为xi和xj，进而对数据进行了维度上的分离，避免了整体数据修复的遗漏和“维度灾难”的出现，然后以双重规划后的数据集建立多目标分数规划的Wolfe式对偶规则对S3步骤处理后的数据进行多目标多维度的修复，进而保证了修复的全面性，和修复后的数据的完整性。S5：形成数据预警分析函数，对S4步骤本文档来自技高网...

【技术保护点】
1.基于SVM动态物流大数据预警分析及保护方法，其特征在于，包括以下步骤：/nS1：采集动态物流数据，形成数据集；/nS2：对所述S1步骤得到的数据集进行区域分类；/nS3：对所述S2步骤得到的数据集进行行子分类转换二次回归；/nS4：形成多目标分数规划的Wolfe式对偶规则，对所述S3步骤得到的数据集进行数据自修复保护；/nS5：形成数据预警分析函数，对所述S4步骤得到的动态物流数据集进行预警分析。/n

【技术特征摘要】
1.基于SVM动态物流大数据预警分析及保护方法，其特征在于，包括以下步骤：
S1：采集动态物流数据，形成数据集；
S2：对所述S1步骤得到的数据集进行区域分类；
S3：对所述S2步骤得到的数据集进行行子分类转换二次回归；
S4：形成多目标分数规划的Wolfe式对偶规则，对所述S3步骤得到的数据集进行数据自修复保护；
S5：形成数据预警分析函数，对所述S4步骤得到的动态物流数据集进行预警分析。


2.根据权利要求1所述的基于SVM动态物流大数据预警分析及保护方法，其特征在于，所述S1步骤形成的数据集为
{xi，yi}，xi∈Rn，i＝1，2，....l.
其中xi为所采集动态物流的地理位置信息，yi为所采集动态物流的时间信息。


3.根据权利要求1所述的基于SVM动态物流大数据预警分析及保护方法，其特征在于，所述S2步骤的区域分类公式为
f(x)＝sng(ω·x+b)
其中ω为区域加权附加系数，x为所述数据集，b为误差项。


4.根据权利要求1所述的基于SVM动态物流大数据预警分析及保护方法，其特征在于，所述S3步骤的行子分类转...

【专利技术属性】
技术研发人员：潘红斌，
申请(专利权)人：江苏佳利达国际物流股份有限公司，
类型：发明
国别省市：江苏;32