一种面向跨境电商网络的疫情传播风险评估方法

1.本发明涉及异常检测技术领域，特别涉及一种面向跨境电商网络的疫情传播风险评估方法。


背景技术：

2.弱异常特征网络是指在构成网络的数据集中，无法观测到与所研究异常事件(或结构)有关的数据特征，例如：在跨境电商网络中，不包含与covid-19传播相关的异常特征数据。且传统的异常检测方法非常依赖于异常特征数据，应用在缺失疫情特征数据的跨境电商网络中，不可能完成疫情病毒的传播检测。
3.关于covid-19的异常检测，其中一部分是利用医疗技术检测该病毒，另外一部分则是利用医学资料，构建深度学习算法进行分类的，例如：ozturk、wang、taresh以及toraman等都利用病人x光胸片图像，训练所提出的各种检测covid-19深度神经网络分类算法，他们都是针对具有covid-19强异常特征数据集上研究异常检测问题。
4.另一方面，与电子商务有关的异常检测算法主要针对电子商务过程中的欺诈行为检测，例如：针对电商平台用户行为的电商欺诈异常检测算法等。目前还没有在电商数据中进行疫情检测的异常检测算法。但是目前已经发现有多批次进口商品在运输过程中，流经疫情爆发地区并携带病毒的案例，所以利用跨境电商数据进行疫情检测的方法研究十分必要。
5.针对此问题，本发明提出一种面向跨境电商网络的疫情传播风险评估方法，应用于跨境电商网络，通过在弱异常特征网络中检测出异常子图，进一步检测其中携带covid-19病毒的进口商品，并对该风险进行量化评估。


技术实现要素：

6.本发明的目的在于提供一种面向跨境电商网络的疫情传播风险评估方法，应用于跨境电商网络，通过在弱异常特征网络中检测出异常子图，进一步检测其中携带covid-19病毒的进口商品，并对该风险进行量化评估。
7.本发明提供了一种面向跨境电商网络的疫情传播风险评估方法，包括以下步骤：
8.获取电商物流拓扑网络和疫情传播路径拓扑网络之间的对齐关系；
9.根据电商物流拓扑网络和疫情传播路径拓扑网络之间的对齐关系，构建多层复杂网络；
10.采用异常检测算法，对多层复杂网络进行跨层异常检测；
11.根据异常检测结果，确定异常物流信息；
12.根据异常物流信息，进行疫情传播风险评估。
13.进一步地，所述获取电商物流拓扑网络和疫情传播路径拓扑网络之间的对齐关系的步骤，包括：
14.采集电商数据和病毒传播数据；
15.根据电商数据构建电商物流拓扑网络；
16.根据病毒传播数据构建疫情传播路径拓扑网络；
17.分别筛选电商物流拓扑网络和疫情传播路径拓扑网络的网络特征，根据网络特征的相似性，得出电商物流拓扑网络和疫情传播路径拓扑网络节点间的相互关系，获取电商物流拓扑网络和疫情传播路径拓扑网络之间的对齐关系。
18.进一步地，所述网络特征包括：节点属性特征和相互关系特征。
19.进一步地，所述多层复杂网络为c＝(g，m)，其中g＝{gi}，i∈{1,
…
,n}表示一组层图，gi＝(vi,ei)为第i层图，e
ij
表示i，j两层图之间的对齐边，vi表示第i层图节点集合，ei表示第i层图内边集合，g1为全球疫情网络。
20.进一步地，所述采用异常检测算法，对多层复杂网络进行跨层异常检测的步骤，包括：
21.采用异常检测算法检测多层复杂网络中g1层的异常子图；
22.基于g1层的异常子图，根据相似性规律建模；
23.应用网络对齐方法，计算对齐矩阵；
24.根据特征迁移学习方法，计算目标层gi的异常子图。
25.进一步地，所述异常检测算法的目标函数为：
[0026][0027][0028]
其中，α为异常显著水平，s1为g1的异常子图，f
α
(s1)表示s1针对异常显著水平α的异常值评估函数，φ表示一种无参数扫描统计量函数，n
α
(s1)表示s1中异常节点个数，n(s1)表示s1节点总数，si为gi的异常子图，m
1i
为g1与gi的对齐关系矩阵，t表示特征转移函数。
[0029]
进一步地，所述疫情传播风险评估的风险评估函数为a：其中异常子图si＝(vi,ei)，当a(vi)≥ξ，则判定为达到风险预警程度，ξ为风险预警阈值参数。
[0030]
进一步地，还包括：
[0031]
根据异常物流信息，追溯商品历史交易数据；
[0032]
根据商品历史交易数据，跟踪不同批次的物流轨迹；
[0033]
融合带有时间序列的疫情特征数据，检测与异常物流空间重叠的其余物流信息。
[0034]
与现有技术相比，本发明具有如下显著优点：
[0035]
本发明提出的一种面向跨境电商网络的疫情传播风险评估方法，通过获取电商数据和病毒传播数据，建立电商物流拓扑网络和疫情传播路径拓扑网络，根据两个网络的对其关系，建立多层复杂网络，并对多层复杂网络进行跨层异常检测，确定并锁定异常物流信息，进行疫情传播风险评估。本发明提供的一种面向跨境电商网络的疫情传播风险评估方法，应用于跨境电商网络，通过在弱异常特征网络中检测出异常子图，进一步检测其中携带病毒的进口商品，并对该风险进行量化评估。
附图说明
[0036]
图1为本发明实施例提供的一种面向跨境电商网络的疫情传播风险评估方法的评估框架图；
[0037]
图2为本发明实施例提供的一种面向跨境电商网络的疫情传播风险评估方法的多层复杂网络结构图。
具体实施方式
[0038]
下面结合本发明中的附图，对本发明实施例的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
[0039]
本发明主要研究在基于跨境电商交易数据构建的复杂网络模型中，针对进口商品携带新冠肺炎covid-19病毒，从而造成疫情传播(异常事件)的风险进行量化评估。它属于基于弱异常特征图结构的异常检测问题。
[0040]
如前所述，不论是基于图或是基于深度学习的异常检测技术，现有算法检测性能在很大程度上都非常依赖异常特征数据量，而在“弱(少)异常特征”多层复杂网络中，普遍存在检测准确率偏低的问题。为了解决该难题，本发明需要解决如下两个关键问题：(1)探索在跨境电商网络和全球疫情网络之间的节点特征或网络结构的相似性，实现网络对齐算法，以期实现多层复杂网络模型；(2)在该网络中，研究网络对齐与异常检测相互融合的优化算法，以期实现有效的基于网络对齐的异常检测算法。
[0041]
本发明将不仅限于目前流行的新冠肺炎风险评估，也将适用于所有传染病疫情爆发的风险评估，有利于推动公共卫生安全防控体系的快速发展。
[0042]
实施例1
[0043]
参照图1和图2，本发明提供了一种面向跨境电商网络的疫情传播风险评估方法，包括以下步骤：
[0044]
步骤s1：采集电商数据和病毒传播数据，拟在多个跨境电商平台上爬取相关的交易数据，并从网站上爬取病毒传播数据；
[0045]
步骤s2：根据电商数据构建电商物流拓扑网络；
[0046]
步骤s3：根据病毒传播数据构建疫情传播路径拓扑网络；
[0047]
步骤s4：分别筛选电商物流拓扑网络和疫情传播路径拓扑网络的网络特征，根据网络特征的相似性，得出电商物流拓扑网络和疫情传播路径拓扑网络节点间的相互关系，获取电商物流拓扑网络和疫情传播路径拓扑网络之间的对齐关系，其中，网络特征包括：节点属性特征和相互关系特征，节点包括各个国家节点和地区节点；
[0048]
步骤s5：根据电商物流拓扑网络和疫情传播路径拓扑网络之间的对齐关系，构建多层复杂网络，其中，如图一所示，多层复杂网络为c＝(g，m)，其中g＝{gi}，i∈{1,
…
,n}表示一组层图，gi＝(vi,ei)为第i层图，)为第i层图，e
ij
表示i，j两层图之间的对齐边，vi表示第i层图节点集合，ei表示第i层图内边集合，g1为全球疫情网络，gi，i∈{2,
…
,n}为跨境电商网络，筛选具有真实物理含义的数据，使之能够构建有效
的网络层图间的对齐关系(即m＝{e
ij
})的算法，以便构建合理的多层网络模型；
[0049]
步骤s6：针对目标层gi异常特征值不明显或没有，导致无法进行异常检测问题，采用异常检测算法，对多层复杂网络进行跨层异常检测的步骤，包括：
[0050]
采用异常检测算法检测多层复杂网络中g1层的异常子图；
[0051]
基于g1层的异常子图，根据相似性规律建模；
[0052]
应用网络对齐方法，计算对齐矩阵；
[0053]
根据特征迁移学习方法，计算目标层gi的异常子图。
[0054]
其中，异常检测算法的目标函数为：
[0055][0056][0057]
其中，α为异常显著水平，s1为g1的异常子图，f
α
(s1)表示s1针对异常显著水平α的异常值评估函数，φ表示一种无参数扫描统计量函数，n
α
(s1)表示s1中异常节点个数，n(s1)表示s1节点总数，si为gi的异常子图，m
1i
为g1与gi的对齐关系矩阵，t表示特征转移函数。
[0058]
步骤s7：根据异常检测结果，确定异常物流信息；
[0059]
步骤s8：根据异常物流信息，进行疫情传播风险评估，其中，风险评估函数为a：其中异常子图si＝(vi,ei)，当a(vi)≥ξ，则判定为达到风险预警程度，其中，ξ为风险预警阈值参数。
[0060]
步骤s9：根据异常物流信息，追溯商品历史交易数据；
[0061]
步骤s10：根据商品历史交易数据，跟踪不同批次的物流轨迹；
[0062]
步骤s11：融合带有时间序列的疫情特征数据，检测与异常物流空间重叠的其余物流信息。
[0063]
本发明的技术方案做出以下研究：
[0064]
(1)基于跨境电商数据的多层复杂网络构建方法研究
[0065]
由于高温对于冠状病毒的脂质层的破坏作用已经得到业界公认，因此在物流运输过程中，冷链运输成为了病毒传播的重要途径。本发明将重点考虑采集跨境电商平台与冷链运输相关的各种交易数据，并以此构建网络模型。根据网络科学理论，利用真实数据对人类社会的网络化表达将具有复杂网络的特点，而基于跨境电商平台的数据集构建的网络也不例外，其复杂性主要表现在节点数目巨大，拓扑结构具有不同特征，并且节点属性多样化等。本发明除了融合多个跨境电商平台(如：amazon，淘宝，wish，ebay等)采集的数据之外，还要采集全球的疫情相关数据，在此基础上构建多层复杂网络模型。
[0066]
(2)基于网络对齐的跨层异常子图检测技术研究
[0067]
网络对齐是指在不同网络之间通过相似性特征寻找节点之间的映射关系。利用网络对齐技术，在跨境电商网络和全球covid-19疫情网络之间根据相似性关系，建立网络节点之间的对齐关系，进而在检测全球covid-19疫情网络中异常子图的基础上，借助特征迁移技术，在弱异常特征的跨境电商网络中进行异常检测。
[0068]
(3)疫情传播风险评估方法研究
[0069]
根据异常检测算法得到跨境电商网络节点(电商或物流)的异常风险量化值，实现
对进口(冷链)物流携带covid-19病毒的风险进行评估。
[0070]
本实施例研究思路新颖：现有异常检测算法都依赖强异常特征而得到较好的检测结果，而本发明是在弱异常特征网络中研究异常检测技术，并具体应用于跨境电商网络中，对进口商品传播疫情进行风险评估，符合社会需求，具有极强的现实意义。
[0071]
本实施例应用场景新颖：在进口商品传播疫情进行风险评估中，结合跨境电商数据，将比单纯根据进口国疫情数据评估效果更全面。本发明并非仅考虑进口国疫情，还要追溯商品历史交易数据，将跟踪不同批次的物流轨迹，并融合带有时间序列的疫情特征数据，检测途径其他国家而造成疫情传播风险的商品，该应用研究的风险评估的准确率和召回率都会有提升。
[0072]
以上公开的仅为本发明的几个具体实施例，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。