一种冷链运输多源运行数据处理方法及系统与流程

本技术属于冷链物流运行数据处理，具体为一种冷链运输多源运行数据处理方法及系统。

背景技术：

1、冷链运输过程中，车载终端、温湿度传感器及道路冷链运输平台会持续产生车辆运行状态、累计行驶里程、运行时长、货厢温湿度、超温报警以及运输起点和运输终点等运行数据。对一定区域内的冷链运输运行状态进行处理时，还需要读取经济社会统计数据、交通运输行业统计数据、冷库设施数据及冷藏车辆数据。上述数据分别来源于统计信息系统、行业管理系统、道路冷链运输平台、车载终端和温湿度传感器，其字段标识、计量单位、产生周期、采样频率及空间粒度并不一致。

2、现有冷链运输数据处理方式通常按照数据来源分别进行统计。例如，经济社会数据及行业基础数据按照年度或者季度汇总，车辆运行数据按照车辆或者自然日汇总，温湿度数据按照传感器采样记录计算温控达标情况，运输起讫点数据按照订单或者运输任务统计运输量和运输车次数。由于不同数据之间缺少统一的车辆标识、运输任务标识及时间归集基准，同一运输任务对应的车辆运行记录、温湿度采样记录和运输起讫点记录可能被划入不同统计周期，重复记录、缺失记录或者时间戳不一致还可能导致运行时长、温控达标时长及超温报警次数发生偏差。

3、运输起讫点数据通常以单次订单、车辆任务或者运行轨迹记录的形式保存，其能够反映一次运输活动由何处出发并到达何处，但不能直接反映不同运输节点之间形成的整体连接结构。现有技术若仅对运输总量、运输车次数、冷藏车辆数量或者冷库容量进行汇总，会丢失运输起点与运输终点之间的对应关系。例如，两个区域在目标周期内可能具有相同的运输总量和运输车次数，但其中一个区域的运输活动集中于少数节点且依赖单一中转节点，另一个区域的运输活动分布于多个相互连通的节点。仅依据运输总量难以区分上述不同的运输网络状态，也难以识别局部节点失效可能对区域运输连通性产生的影响。

4、此外，经济社会数据、行业基础数据、车辆运行数据、温控数据和运输网络数据分别具有不同的数值范围、指标方向及数据离散程度，部分数据还可能重复表征相近的运行状态。若直接拼接或者累加各类数据，数值范围较大或者相互关联程度较高的数据容易在处理结果中产生重复影响；若分别输出各类统计结果，又难以判断不同来源的数据是否对应同一目标周期和同一运输运行状态。当处理结果发生变化时，也难以追溯该变化是由车辆运行状态、温控状态、运输节点连接关系还是数据版本变化引起，导致不同区域或者不同周期的处理结果缺乏一致的比较基础。

5、因此，现有技术需要解决的技术问题是：如何在保留车辆、运输任务、采集时间及运输起讫点关联关系的情况下，对来源不同、时间粒度不同且数据结构不同的冷链运输数据进行统一处理，并将离散的运输起讫点记录转换为能够表征运输空间连接状态的数据，使所形成的冷链运输运行处理结果具有可比性和数据来源可追溯性。

技术实现思路

1、鉴于现有冷链运输运行数据分别形成于统计信息系统、行业管理系统、道路冷链运输平台、车载终端和温湿度传感器，不同数据在更新周期、空间粒度、计量单位及数据结构方面存在差异，且运输od数据难以直接反映运输节点之间的空间联系和网络功能，本技术提供一种冷链运输多源运行数据处理方法及系统。通过对多源异构冷链数据进行统一处理，构建包括区域基础条件、行业发展状态、车辆实际运行状态及运输网络结构的评价指标体系，并在同一处理链条中完成指标赋权、运行等级确定和障碍因素识别，以形成能够同时反映总体运行水平及主要限制因素的数据处理结果。

2、为解决上述技术问题，本技术采用如下技术方案。

3、第一方面，本技术提供一种冷链运输多源运行数据处理方法，包括：

4、获取目标区域在目标周期内形成的多源异构冷链数据，所述多源异构冷链数据包括用于反映区域经济社会条件、冷链行业发展基础、冷藏车辆运行状态、货厢温湿度状态及运输起讫联系的数据；

5、对所述多源异构冷链数据进行数据清洗、正向一致化、无量纲化和指标计算，形成按照准则层、要素层和指标层组织的评价指标集，所述评价指标集包括经济社会环境指标、行业发展指标、行业运行指标和网络发展指标；

6、采用层次分析法确定所述评价指标集中各指标的主观权重，采用critic法确定各指标的客观权重，并采用博弈论组合赋权对所述主观权重和所述客观权重进行融合，得到各指标对应的组合权重；

7、根据所述组合权重及各指标对应的云数字特征生成综合评价云，分别确定所述综合评价云与多个预设等级标准云之间的相似度，并将相似度满足预设等级确定条件的预设等级标准云所对应的评价等级确定为冷链运输运行评价等级；

8、根据各指标经正向一致化和无量纲化后的指标值确定指标偏离度，并结合所述指标偏离度和所述组合权重，依次计算指标层障碍度、要素层障碍度和准则层障碍度，按照各层级障碍度生成障碍因素排序结果；

9、将所述冷链运输运行评价等级和所述障碍因素排序结果写入冷链运输多源运行数据处理结果并输出。

10、在一种实施方式中，获取所述多源异构冷链数据时，按照所述目标周期读取相应统计版本的经济社会环境数据和行业发展基础数据，并按照数据产生时间归集车辆运行数据、温湿度传感器数据和运输od数据；根据车辆标识、运输任务标识和采集时间建立不同数据记录之间的关联关系，使来源不同且采集频率不同的数据能够归属于相同目标区域、目标周期或运输任务。

11、在一种实施方式中，对所述多源异构冷链数据进行清洗，包括对字段名称和字段格式进行统一，对计量单位进行转换，对重复记录进行合并或删除，对缺失记录进行填补或无效标记，并依据车辆标识、运输任务标识、采集时间及数据取值范围识别无效记录。对清洗后的数据进行指标计算后，再根据指标方向进行正向一致化处理，并将各指标值转换至统一评价论域。

12、在一种实施方式中，所述行业运行指标包括车辆运行率、运输车次数、车辆日均行驶里程、车辆日均运行时长、全程温控达标率、车辆超温报警率和车辆超温报警次数中的至少一种。

13、在一种实施方式中，基于运输od数据确定所述网络发展指标。具体地，将运输起点、运输终点或节点区域作为网络节点，将不同网络节点之间的运输联系作为网络边，并根据运输量、运输频次或运输车次数设置网络边权重；根据运输方向是否参与网络计算，构建有向加权网络或无向加权网络，并基于所构建的复杂加权网络计算空间集中度、网络密度、网络集聚度、网络连通效率、节点连接度、网络中介度和连通便利性中的至少一种网络发展指标。

14、在一种实施方式中，采用层次分析法确定所述主观权重时，分别构建准则层判断矩阵、要素层判断矩阵和指标层判断矩阵，根据预设重要性标度对同层评价对象进行两两比较；对各判断矩阵执行一致性检验，在一致性比率小于预设一致性阈值时，将不同层级的局部主观权重逐级合成，形成各指标的全局主观权重。

15、在一种实施方式中，采用critic法确定所述客观权重时，读取多个区域评价样本或多个周期评价样本，计算各指标在所述评价样本中的标准差以及不同指标之间的相关系数；根据所述标准差表征指标的取值差异，根据所述相关系数表征指标之间的信息重复程度，并据此确定各指标的信息量，对所述信息量进行归一化后得到对应的客观权重。

16、在一种实施方式中，采用博弈论组合赋权确定所述组合权重时，将所述全局主观权重和所述客观权重作为基础权重向量，以组合权重向量与各基础权重向量之间的偏差达到均衡为目标，求解各基础权重向量对应的组合系数；对所述组合系数进行归一化，并利用归一化后的组合系数对各基础权重向量进行线性组合，得到所述组合权重。

17、在一种实施方式中，预先将评价论域划分为多个评价等级，并根据各评价等级对应区间的上下边界确定预设等级标准云的期望和熵。所述预设等级标准云的超熵可以根据对应等级的历史评价样本确定；当对应等级缺少历史评价样本时，可以根据预设超熵系数和所述熵确定。对综合评价云和各预设等级标准云的云数字特征进行标准化后，计算综合评价云与各预设等级标准云之间的欧式距离，并根据所述欧式距离确定云相似度，将最大云相似度所对应的评价等级确定为所述冷链运输运行评价等级。

18、在一种实施方式中，根据各指标经正向一致化和无量纲化后的指标值确定各指标相对于目标状态的指标偏离度，将各指标的指标偏离度与对应组合权重结合，得到指标层障碍度；对属于同一要素层的指标层障碍度进行汇总，得到要素层障碍度；对属于同一准则层的要素层障碍度进行汇总，得到准则层障碍度；分别按照指标层、要素层和准则层的障碍度由大到小进行排序，形成所述障碍因素排序结果。

19、第二方面，本技术提供一种冷链运输多源运行数据处理系统，包括数据获取模块、指标处理模块、组合赋权模块、云模型评价模块、障碍识别模块和结果输出模块。

20、所述数据获取模块用于获取目标区域在目标周期内的多源异构冷链数据，并建立不同数据记录之间的关联关系。

21、所述指标处理模块用于对所述多源异构冷链数据进行清洗、正向一致化、无量纲化和指标计算，得到包括经济社会环境指标、行业发展指标、行业运行指标和网络发展指标的评价指标集。

22、所述组合赋权模块用于采用层次分析法确定主观权重，采用critic法确定客观权重，并采用博弈论组合赋权融合所述主观权重和所述客观权重，得到组合权重。

23、所述云模型评价模块用于根据所述组合权重和各指标的云数字特征生成综合评价云，并根据所述综合评价云与预设等级标准云之间的相似度确定冷链运输运行评价等级。

24、所述障碍识别模块用于根据无量纲化后的指标值确定指标偏离度，根据所述指标偏离度和所述组合权重计算指标层、要素层和准则层的障碍度，并生成障碍因素排序结果。

25、所述结果输出模块用于输出包括所述冷链运输运行评价等级和所述障碍因素排序结果的冷链运输多源运行数据处理结果。

26、与相关技术相比，本技术具有如下有益效果：

27、本技术通过根据车辆标识、运输任务标识和采集时间关联经济社会环境数据、行业发展基础数据、车辆运行数据、温湿度传感器数据及运输od数据，并对关联后的数据进行清洗、指标计算、正向一致化和无量纲化处理，使不同统计周期、不同采样频率及不同计量单位的数据能够转换为具有统一方向和统一数值范围的评价指标集，减少数据错配、重复记录及量纲差异对运行状态处理结果的影响；通过将运输起点和运输终点确定为网络节点、将节点之间的运输联系确定为网络边并根据运输量、运输频次或者运输车次数确定网络边权重，使原始运输od记录中的空间连接关系能够转化为空间集中度、网络密度、网络集聚度、网络连通效率及节点功能指标，从而能够区分运输总量相近但节点集中程度、网络连通状态和关键节点作用不同的冷链运输网络；通过采用层次分析法和critic法分别形成反映指标层级关系与样本差异程度的基础权重，并利用博弈论组合赋权生成组合权重，使单一主观判断或者单一数据离散程度不直接决定处理结果；进一步通过基于所述组合权重生成综合评价云并与预设等级标准云进行相似度匹配，同时采用同一组合权重和无量纲化指标值计算指标层、要素层及准则层障碍度，使冷链运输运行评价等级与障碍因素排序结果具有一致的数据基础和计算依据，从而使输出结果不仅能够表征目标区域在目标周期内的整体运行状态，还能够追溯至具体运行指标、温控状态或者运输网络结构，降低仅输出单一等级而无法解释数据变化来源的风险。