本发明涉及数据处理，具体涉及一种数字化物流运输过程中智能管理方法及系统。
背景技术：
1、在数字化物流运输中，重大件货物运输对国家重大项目建设起到非常重要的作用，在重大件货物运输过程中，需要保障重大件货物的运输安全，其中挂车纵梁强度在装货后是否可靠是重大件货物运输安全的重要内容。现有的监控方式通常是采用多个智能传感器，例如加速度、倾斜等传感器来实时监测运输途中货物的震动、倾斜角度、货物压力分布是否均匀等，由此根据采集的数据进行数字化物流运输过程中智能管理。
2、常规对于大件货物运输过程中的监测手段，通常是对采集的各项监测数据进行k-means聚类，从而获得货物运输过程中的货物各种运行状态，并基于多个簇类中的数据进行深度的挖掘。但常规簇类的更新规则往往会随着部分参考价值较低或真实性较差的数据的加入，可能使用聚类的结果不理想，进而会使得后续对于新监测数据的聚类标准逐渐丢失准确度，从而使得随着时间的推移，后续对于大件货物的运输情况监测结果不准确，从而降低了物流运输过程中的管理效果。
技术实现思路
1、本发明提供一种数字化物流运输过程中智能管理方法及系统，以解决现有的问题。
2、本发明的一种数字化物流运输过程中智能管理方法及系统采用如下技术方案：
3、本发明一个实施例提供了一种数字化物流运输过程中智能管理方法，该方法包括以下步骤：
4、获取重大件货物运输过程中的多项监测数据序列；
5、根据每项监测数据序列中监测数据之间的差异，得到每项监测数据序列中每个监测数据的波动异常度；
6、对每项监测数据序列进行聚类操作，得到每项监测数据序列对应的若干个初始聚类簇、每个初始聚类簇的轮廓系数以及聚类中心；根据每项监测数据序列中每个监测数据的波动异常度、每个监测数据到每个初始聚类簇的聚类中心的距离以及每个初始聚类簇的轮廓系数，得到每项监测数据序列中每个初始聚类簇中每个监测数据的异常需求度；
7、根据每项监测数据序列中每个初始聚类簇中每个监测数据的异常需求度，得到每项监测数据序列对应的若干个最终聚类簇；根据所有项监测数据序列对应的若干个最终聚类簇，使用训练后的时序神经网络进行运算，得到物流运输过程中货物的状态。
8、进一步地，所述根据每项监测数据序列中监测数据之间的差异，得到每项监测数据序列中每个监测数据的波动异常度，包括的具体步骤如下：
9、在第项监测数据序列中，构建第个监测数据的局部窗口，使用最小二乘法对第个监测数据的局部窗口内的所有监测数据进行数据拟合，得到第个监测数据的局部窗口内每个监测数据对应的拟合监测数据；
10、根据第项监测数据序列中第个监测数据的局部窗口内的每个监测数据与其对应的拟合监测数据的差异，得到第项监测数据序列中第个监测数据的波动异常度。
11、进一步地，所述在第项监测数据序列中，构建第个监测数据的局部窗口，包括的具体步骤如下：
12、在第项监测数据序列中，将以第个监测数据为中心，长度为的线形窗口，记为第个监测数据的局部窗口；其中，为预设的窗口长度。
13、进一步地，所述根据第项监测数据序列中第个监测数据的局部窗口内的每个监测数据与其对应的拟合监测数据的差异，得到第项监测数据序列中第个监测数据的波动异常度，包括的具体公式如下：
14、
15、其中，为第项监测数据序列中第个监测数据的波动异常度，为第项监测数据序列中第个监测数据的局部窗口内的第个监测数据，为第项监测数据序列中第个监测数据的局部窗口内所有监测数据的均值，为第项监测数据序列中第个监测数据的局部窗口内监测数据的数量，为第项监测数据序列中第个监测数据的局部窗口内的第个监测数据与其对应的拟合监测数据的差值，为绝对值函数，为线性归一化函数。
16、进一步地，所述对每项监测数据序列进行聚类操作，得到每项监测数据序列对应的若干个初始聚类簇、每个初始聚类簇的轮廓系数以及聚类中心，包括的具体步骤如下：
17、使用手肘法对第项监测数据序列进行运算，得到第项监测数据序列对应的最佳聚类簇数量；
18、根据第项监测数据序列对应的最佳聚类簇数量，使用k-means聚类算法对第项监测数据序列进行聚类操作，得到若干个初始聚类簇、每个初始聚类簇的轮廓系数以及每个初始聚类簇的聚类中心。
19、进一步地，所述根据每项监测数据序列中每个监测数据的波动异常度、每个监测数据到每个初始聚类簇的聚类中心的距离以及每个初始聚类簇的轮廓系数，得到每项监测数据序列中每个初始聚类簇中每个监测数据的异常需求度，包括的具体步骤如下：
20、根据第项监测数据序列中第个初始聚类簇的轮廓系数以及第个初始聚类簇中监测数据的数量，得到第项监测数据序列中第个初始聚类簇的异常需求大小；
21、根据第项监测数据序列中第个初始聚类簇的异常需求大小、第个初始聚类簇中每个监测数据的波动异常度以及每个监测数据到每个初始聚类簇的聚类中心的距离，得到第项监测数据序列中第个初始聚类簇中每个监测数据的异常需求度。
22、进一步地，所述根据第项监测数据序列中第个初始聚类簇的轮廓系数以及第个初始聚类簇中监测数据的数量，得到第项监测数据序列中第个初始聚类簇的异常需求大小，包括的具体步骤如下：
23、计算第项监测数据序列中第个初始聚类簇的轮廓系数与第个初始聚类簇中监测数据的数量的乘积，将所述乘积的归一化值，记为第项监测数据序列中第个初始聚类簇的异常需求大小。
24、进一步地，所述根据第项监测数据序列中第个初始聚类簇的异常需求大小、第个初始聚类簇中每个监测数据的波动异常度以及每个监测数据到每个初始聚类簇的聚类中心的距离，得到第项监测数据序列中第个初始聚类簇中每个监测数据的异常需求度，包括的具体公式如下：
25、
26、其中，为第项监测数据序列中第个初始聚类簇中第个监测数据的异常需求度，为第项监测数据序列中第个初始聚类簇的异常需求大小，为第项监测数据序列中第个初始聚类簇中第个监测数据的波动异常度，表示第项监测数据序列中初始聚类簇的数量，为第项监测数据序列中第个初始聚类簇中第个监测数据到第个初始聚类簇的聚类中心的距离，为第项监测数据序列中第个初始聚类簇中第个监测数据到除第个初始聚类簇之外的第个初始聚类簇的聚类中心的距离，为线性归一化函数，为绝对值函数。
27、进一步地，所述根据每项监测数据序列中每个初始聚类簇中每个监测数据的异常需求度，得到每项监测数据序列对应的若干个最终聚类簇，包括的具体步骤如下：
28、使用最小最大规范法对第项监测数据序列中所有监测数据的异常需求度进行归一化处理，得到第项监测数据序列中每个监测数据的异常需求度的归一化值；
29、以第项监测数据序列中每个监测数据的异常需求度的归一化值为每个监测数据的聚类权重，根据第项监测数据序列对应的最佳聚类簇数量，使用k-means聚类算法对第项监测数据序列进行聚类操作，得到若干个最终聚类簇。
30、本发明还提出了一种数字化物流运输过程中智能管理系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述存储器存储的计算机程序，以实现前述所述的一种数字化物流运输过程中智能管理方法的步骤。
31、本发明的技术方案的有益效果是：
32、本发明实施例中，获取重大件货物运输过程中的多项监测数据序列；根据每项监测数据序列中监测数据之间的差异，得到每项监测数据序列中每个监测数据的波动异常度；其通过监测数据所处局部窗口内监测数据的分析，提高了波动异常度的准确性，从而保障了后续监测赋权的准确性。对每项监测数据序列进行聚类操作，得到每项监测数据序列对应的若干个初始聚类簇、每个初始聚类簇的轮廓系数以及聚类中心，从而得到每项监测数据序列中每个初始聚类簇中每个监测数据的异常需求度，其通过初始聚类的结果，进一步保障了后续监测赋权的准确性，提高了后续聚类结果的准确性。以此获取每项监测数据序列对应的若干个最终聚类簇，再使用训练后的时序神经网络进行运算，得到物流运输过程中货物的状态。至此本发明通过对每项监测数据序列中每个监测数据赋权，提高了每项监测数据序列的聚类效果，从而提高了物流运输过程中的管理效果。
1.一种数字化物流运输过程中智能管理方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述一种数字化物流运输过程中智能管理方法，其特征在于，所述在第项监测数据序列中，构建第个监测数据的局部窗口，包括的具体步骤如下：
3.根据权利要求1所述一种数字化物流运输过程中智能管理方法，其特征在于，所述对每项监测数据序列进行聚类操作，得到每项监测数据序列对应的若干个初始聚类簇、每个初始聚类簇的轮廓系数以及聚类中心，包括的具体步骤如下：
4.根据权利要求1所述一种数字化物流运输过程中智能管理方法，其特征在于，所述根据第项监测数据序列中第个初始聚类簇的轮廓系数以及第个初始聚类簇中监测数据的数量，得到第项监测数据序列中第个初始聚类簇的异常需求大小，包括的具体步骤如下：
5.根据权利要求3所述一种数字化物流运输过程中智能管理方法，其特征在于，所述根据每项监测数据序列中每个初始聚类簇中每个监测数据的异常需求度，得到每项监测数据序列对应的若干个最终聚类簇，包括的具体步骤如下：
6.一种数字化物流运输过程中智能管理系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5任一项所述的一种数字化物流运输过程中智能管理方法的步骤。
