[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

说明书

本发明公开了一种基于孪生神经网络的供应链例外事件检测方法，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。本发明通过孪生神经网络在样本缺乏情况下实现在不同的工作条件之间、具有很大差异的同类异常事件/信号的准确识别。

技术领域

本发明涉及供应链检测领域，更具体地，涉及一种基于孪生神经网络的供应链例外事件检测方法。

背景技术

随着供应链的全球化发展和工业互联网技术的应用，供应链在各个供应链节点的感知能力得到了极大的提升。从供应链系统的业务流程出发，分析其中的例外事件控制点(即流程中可能产生例外事件的关键控制节点)，并设定一组关键性能指标(KeyPerformance Indicator,KPI)，KPI包括但不限于每种商品的5天平均库存量、每种商品的5天平均销售量、每种商品未来5天的预测销量、每种商品的每天库存操作次数等，并利用供应链节点强大的感知能力，可以得到供应链节点KPI的序列值。通过对KPI序列值的监控，把供应链管理的聚焦到对一组业务流程关键节点的例外控制上，当系统的运行与预期不符时，可以迅速作出反应，协同处理例外事件，以保证整个供应链系统的正常运作，也正是例外事件管理的意义所在。通过所监测的事件或者信号发现系统异常，已广泛应用于制造，航空航天，汽车，供应链等各个领域。近年来，具有深度学习功能的例外检测技术由于避免了对耗时且不可靠的人工分析的依赖以及例外检测效率的提高而备受关注。卷积神经网络、长短时记忆网络(LSTM)、生成对抗网络(GAN)等深度学习方法，从丰富的数据集中学习低级和高级特征，并已在例外检测中得到广泛利用。

公开日为2018年07月27日，公开号为CN108334907A的中国专利公开了一种一种基于深度学习的复杂装备点异常检测方法及系统，其中方法包括：训练样本处理步骤、选取复杂装备的监控性能参数，并获取监控性能参数的正常样本和异常样本，构成训练样本集；特征提取步骤、构建基于SDAE的特征提取模型，输入所述训练样本集进行模型训练；检测模型训练步骤、根据经特征提取模型训练得到的特征构建基于GSM的异常检测模型，得到异常检测模型的特征均值和特征标准差；异常检测步骤、将待测样本输入到基于SDAE的特征提取模型，得到的特征输入到基于GSM的异常检测模型中，进行点异常检测。

但是，大多数上述技术都需要大量的训练数据。而在现实世界中的例外检测中，相同例外的事件/信号通常在不同的工作条件之间会有很大的差异，即在所有工作条件下都无法为每种例外类型获得足够的训练样本。因此，通常不可能获得足够的样本以使分类器对每种例外类型都具有鲁棒性。

发明内容

本发明提供一种基于孪生神经网络的供应链例外事件检测方法，利用采集到的少数一种或多种例外类型的例外样本，实现有限数据的供应链事件例外检测。

为解决上述技术问题，本发明的技术方案如下：

一种基于孪生神经网络的供应链例外事件检测方法，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。