[发明专利]一种基于孪生神经网络的供应链例外事件检测方法

权利要求书

1.一种基于孪生神经网络的供应链例外事件检测方法，其特征在于，包括以下步骤：

S1：获取供应链事件数据，所述供应链事件数据包括正常样本和异常样本，基于正常样本和异常样本构建数据集；

S2：构建用于供应链例外事件检测的小样本学习模型，所述小样本学习模型为基于具有卷积网络的孪生神经网络；

S3：利用步骤S1中的数据集中数据对所述孪生神经网络进行训练，得到训练好的孪生神经网络；

S4：实时获取待测供应链事件数据，利用训练好的孪生神经网络检测该待测供应链事件数据，判断是否存在异常并判断异常类别，得到检测结果。

2.根据权利要求1所述的基于孪生神经网络的供应链例外事件检测方法，其特征在于，所述供应链事件数据为供应链节点KPI的序列值，所述KPI为关键性能指标。

3.根据权利要求2所述的基于孪生神经网络的供应链例外事件检测方法，其特征在于，步骤S1中获取供应链事件数据，所述供应链事件数据包括正常样本和异常样本，具体为：

采集一种类别以上异常的供应链节点的KPI序列数据，形成异常KPI序列数据，采集实际的正常的KPI序列数据，形成正常KPI序列数据；

对异常KPI序列数据和正常KPI序列数据进行预处理后，得到正常样本和异常样本。

4.根据权利要求3所述的基于孪生神经网络的供应链例外事件检测方法，其特征在于，所述对异常KPI序列数据和正常KPI序列数据进行预处理，具体为：

若采集的KPI数据序列中存在部分值缺失，把该KPI数据序列中缺失的时间点的数据用同一类别的序列数据最近10个值的平均值进行填充；

对填充后的KPI数据序列采用滑动窗口方法，以1024个数据为一个周期、以步长为200进行滑窗，以窗口内的序列数据为样本，对得到每个样本根据样本的实际情况，加上正常或异常类别的标签；

基于正常KPI序列数据得到的样本为正常样本，基于异常KPI序列数据得到的样本为异常样本。

5.根据权利要求3或4所述的基于孪生神经网络的供应链例外事件检测方法，其特征在于，将数据集划分为训练数据集、测试数据集和验证数据集，训练数据集的正常样本和异常样本分别是数据集正常样本和异常样本的70％，测试数据集的正常样本和异常样本分别是数据集正常样本和异常样本的20％，验证数据集的正常样本和异常样本分别是数据集正常样本和异常样本的10％。

6.根据权利要求5所述的基于孪生神经网络的供应链例外事件检测方法，其特征在于，步骤S2中所述孪生神经网络由具有相同网络体系结构和共享权重设置的两个相同的卷积网络组成，所述孪生神经网络的输入为相同或不同类别的样本对，通过卷积网络分别提取特征向量，然后通过损失函数判断输入样本对的关系。