相关实验视频
Updated: May 23, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.6K
对于冷链物流中的数据流的异常检测方案.
Zhibo Xie1, Heng Long1, Chengyi Ling1
1School of information and intelligent engineering, Zhejiang wanli University, Ningbo, China.
PloS one
|March 10, 2025
概括
本研究引入了用于冷链物流 (CCL) 的改进异常检测算法,提高了检测准确性和及时性. 新方法显著优于现有技术,在温度敏感的供应链中确保更好的产品质量.
科学领域:
- 物流和供应链管理的物流和供应链管理.
- 数据科学和分析数据科学和分析
- 质量控制和质量保证
背景情况:
- 异常检测在冷链物流 (CCL) 中至关重要,但由于高成本和技术挑战,通常表现不佳.
- 在CCL中延迟或错过的异常检测会对敏感货物的质量和安全产生负面影响.
- 现有的方法很难有效地识别复杂的CCL数据流中的异常.
研究的目的:
- 专门为冷链物流开发一种新且有效的异常检测方案.
- 解决当前异常检测技术在成本,及时性和性能方面的局限性.
- 提高在控制温度下运输的货物的整体质量保证.
主要方法:
- 分析CCL数据特征并建立数学数据流模型.
- 用于异常识别的滑动窗口和相关系数的定义.
- 开发一个改进的孤立森林算法,包括分样和交叉因素调整.
- 根据相关系数 (ρjk) 扣除三个异常判断条件.
主要成果:
- 与支持矢量机器 (SVM),局部异常因子 (LOF) 和标准隔离森林 (iForest) 相比,拟议的异常检测方案显示出优越的性能指标 (精度,回忆,F1得分,AUC).
- 实现的平均性能指标:精度 (P) 为0.8784,回忆 (R) 为0.8731,F1得分为0.8639,曲线下面积 (AUC) 为0.9064.
- 随着数据维度的增加,增强的算法显示出越来越高的优势,表明了强度.
结论:
- 新型异常检测方案为冷链物流提供了重大进步,提高了识别关键偏差的准确性和速度.
- 改进的孤立森林算法有效地克服了传统iForest的局限性,提供了更好的异常检测能力.
- 虽然与iForest相比,执行时间略有增加,但检测性能的显著提高证明了其用于维护冷链完整性和产品质量的合理性.
