一种基于时间序列的RFID供应链数据分析方法(6)

电子学报2010年2期 文档装换有缺失 请下载查看完整版

第

２Ａ期

高

昕：一种基于时间序列的ＲＦＩＤ供应链数据分析方法

３１

的物品流通，给出一定数量的不同物品在节点不同时段流通的数据集合．其中学习样本的数据都属于节点数据区间内部的正常数据，而测试数据要包含一部分异常数据，从而评价检测方法的在误报方面的效果．具

千条Ｅ事件集合的学习样本和一个５体包含一个５ＰＣＩＳ

万条的Ｅ事件集合的测试数据集．实验主要分下面ＰＣＩＳ两步：

（）收集规模为１的５组不同样本和规模为１１０００００的５组不同测试数据集来进行误报实验，分别进行多样本对单数据集的误报实验和单样本对多数据集的误报实验．部分结果如图１（）、（）所示．其中图１（）代表５ａｂａ组样本分别对数据集１的误报情况，可见在对数据集的

多数样本（样本误报测试中，误报比率没有超过３５％，

，，，）的误报比率集中在（之间，而只有样２３４５１％，３％）本１误报比率较高．图１（）代表样本１对５组数据集的ｂ误报情况，可见误报趋势基本一致，并且偏差不超过１％．

通过图１（）的结果和五组样本对其他数据集的实ａ

验结果表明方法的误报情况都处于比较低的状况（低于５，各样本的误报情况基本稳定，虽然也有个别样％）

本的误报较大，但整体反映了方法对不同样本的有效性．图１（）的结果和其他样本对五组数据集的结果反ｂ

映了同一样本对不同数据的误报情况，不同的数据集的误报情况相差不超过１由于这些数据集的分布５％，基本相同，所以可以看出同一样本对有效范围内的误

报情况也是稳定的；同时对比相同数据集的误报情况，我们发现不同样本对不同数据集的反映是基本一致的（样本１中误报较高的数据集在其它样本中也较高，反

所以我们的方法在样本和数据集不同匹配的之一样）．

情况下具有稳定性，说明了方法是基本有效的．

（）我们收集规模为２的５组不同的样本，并延２００用上面规模为１的５组不同的测试数据集来进行相０００同的误报实验，部分结果如图１（）、（）所示，分别和上ｃｄ面的图１（）、（）对应．图１（）中反映的误报情况基本ａｂｃ低于１与图１（）相比，其结果得到很大的改进，相％，ａ

比样本规模增加了一倍，误报降低了超过了一倍．可见

图１（）当样本规模增大，将有效的提高方法的有效性．ｄ

和图１（）相比，同一样本对不同数据集的误报情况相ｂ

互之间偏差不超过０降低了一倍．可见增大样本５％，规模，建立的检测模型对不同数据的误报情况更加稳定，同时误报情况会极大的下降．

总之，通过上面的分析可以得出，我们的方法的精确程度受到学习样本的影响，不同的样本导致检测模型有不同的精确度，但是通过增加样本规模可以整体极大的提高检测模型的精确度．而且这在实际中是可行的，系统可以不断的收集到海量的有效范围内的数据来供我们抽取样本，所以我们的方法符合实际要求并且有效．

４．２图形化工具

针对本文的Ｒ我们给出ＦＩＤ供应链数据分析方法，了相应的图形化工具，主要描述物品在供应链中的流通路线以及在流通过程中通过数据分析方法检测到的异常．

［］８

首先，我们基于ｇ的基本地理界面和叠ｏｏｇｌｅｍａｐ

的数据收集，我们可以得到物品所经过的地点．所以首先在地图上给出了流通的描述（圆心点标记表示流通经过的地点的仓储，粗折线表示连接仓储之间的运输）如图２所示，我们的图形化工具可以根据（“广州”，．“厦门”，“温州”，“上海”，“无锡”）形式的路线描述给出相应的展示．

其次，描述了检测到的异常情况．如果某段运输的

内容版权归作者所有

加层可视化的描述了供应链中的物品流通，通过ＲＦＩＤ