技术领域
本发明涉及到物流智能化领域,具体涉及一种基于动态贝叶斯网络的物流风险评估模方法、装置、设备及介质。
背景技术
物流过程涉及的参与主体多、过程复杂、风险类别多样,实现对物流过程中的风险识别及管控已经成为行业内亟待解决的问题。
现阶段,一般采用文献分析、层次分析等静态分析策略实施对物流风险的识别、评估,然而,物流过程是一个随时间变化的动态过程,且各物流环节之间存在一定的依存度。仅通过静态分析无法实现对物流的及时发现及正确评估。
动态贝叶斯网络融入了时间因素对目标状态的影响,能够充分考虑到不同时间点下的目标状态的变化情况,其非常适合实施对物流风险的评估及管控。
发明内容
为了解决现有的物流风险评估策略存在的问题,本发明第一方面提供了一种基于动态贝叶斯的物流风险评估模方法,其具体技术方案如下:
一种基于动态贝叶斯网络的物流风险评估模方法,其包括:
确定若干物流环节,并确定与各物流环节关联的候选风险影响因素以形成候选风险影响因素集;
从候选风险影响因素集中挑选出若干候选风险影响因素,作为正式风险影响因素;
确定各所述正式风险影响因素的初始状态类别及各所述初始状态类别对应的先验概率值;
基于各所述物流环节、各所述正式风险影响因素、各所述正式风险影响因素的初始状态类别及各所述初始状态类别对应的先验概率构建物流风险评估静态贝叶斯网络;
构建各所述物流环节之间的状态转移关系及随时间变化的转移概率;
在所述物流风险评估静态贝叶斯网络中加入所述转移概率,构建物流风险评估动态贝叶斯网络;
基于所述物流风险评估动态贝叶斯网络完成对物流过程中的各物流环节的风险及总风险的评估。
在一些实施例中,所述物流环节包括产品包装、流通加工、物流仓储、装卸搬运、产品运输、产品配送及物流信息,每个所述物流环均关联有若干候选风险影响因素。
在一些实施例中,所述从候选风险影响因素集中挑选出若干候选风险影响因素包括:采用专家调查法从所述候选风险影响因素集中挑选出第一数量的候选风险影响因素;采用因素分析法从所述第一数量的候选风险影响因素中挑选出第二数量的候选风险影响因素,作为最终的风险影响因素。
在一些实施例中,所述确定各所述初始状态类别对应的先验概率值包括:通过专家对历史物流数据进行分析,以确定各所述初始状态类别对应的先验概率值。
在一些实施例中,所述基于各所述正式风险影响因素、各所述正式风险影响因素的初始状态类别及各所述初始状态类别对应的先验概率构建物流风险评估静态贝叶斯网络包括:构建节点集,将物流风险评估指标作为唯一的风险总节点,将各所述物流环节作为风险中间节点,将各所述正式风险影响因素作为风险初始节点;构建有向边集,使用有向边将各所述风险初始节点连接至对应的所述风险中间节点,使用有向边将各风险中间节点连接至所述风险总节点。
在一些实施例中,所述构建各所述物流环节之间的状态转移关系及随时间变化的转移概率包括:通过专家对历史物流数据进行分析,以获得各物流环节之间存在的状态转移关系及具有状态转移关的物流环节之间的状态转移概率。
本发明第二方面提供了一种基于动态贝叶斯网络的物流风险评估模装置,其包括:
候选风险影响因素确定模块,用于确定若干物流环节,并确定与各物流环节关联的候选风险影响因素以形成候选风险影响因素集;
正式风险影响因素选择模块,用于从候选风险影响因素集中挑选出若干候选风险影响因素,作为正式风险影响因素;
先验概率确定模块,用于确定各所述正式风险影响因素的初始状态类别及各所述初始状态类别对应的先验概率值;
静态贝叶斯网络构建模块,用于基于各所述正式风险影响因素、各所述正式风险影响因素的初始状态类别及各所述初始状态类别对应的先验概率构建物流风险评估静态贝叶斯网络;
转移概率构建模块,用于构建各所述物流环节之间的状态转移关系及随时间变化的转移概率;
动态贝叶斯网络构建模块,用于在所述物流风险评估静态贝叶斯网络中加入所述转移概率,构建物流风险评估动态贝叶斯网络;
风险评估模块,用于基于所述物流风险评估动态贝叶斯网络完成对物流过程中的各物流环节的风险及总风险的评估。
本发明第三方面提供了一种电子设备,包括存储器、处理器及存储在存储器内并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述的物流风险评估模方法。
本发明第四方面提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该程序被处理器执行时实现上述的物流风险评估模方法。
与现有技术中的静态风险分析策略相比,本发明提供的基于动态贝叶斯网络的物流风险评估方法,通过构建动态贝叶斯网络实现了对物流过程所包括的各物流环节所涉及到的风险的动态评估,并充分考虑到各物流环节之间的依存关系,从而提升了对物流风险的评估效果,帮助物流运营方更好地实现对各物流环节的风险管控。
附图说明
图1示出了本发明实施例提供的基于动态贝叶斯网络的物流风险评估模方法的流程图;
图2示出了本发明实施例构建好的物流风险评估静态贝叶斯网络的逻辑示意图;
图3示出了本发明实施例中的物流环节从当前时刻到下一时刻的状态转移关系图。
图4示出了本发明实施例提供的基于动态贝叶斯网络的物流风险评估模装置的结构示意图;
图5示出了本发明实施例提供的电子设备的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
现阶段,一般采用文献分析、层次分析等静态分析策略实施对物流风险的识别、评估,然而,物流过程是一个随时间变化的动态过程,且各物流环节之间存在一定的依存度,仅通过静态分析无法实现对物流的及时发现及正确评估。
动态贝叶斯网络融入了时间因素对目标状态的影响,能够充分考虑到不同时间点下的目标状态的变化情况,其非常适合实施对物流风险的评估及管控。
本发明提供的基于动态贝叶斯网络的物流风险评估模方法、装置、设备及介质旨在将动态贝叶斯网络引入至物流风险评估中,以实现对风险的动态评估。
实施例一
本申请实施例提供了一种基于动态贝叶斯网络的物流风险评估模方法,如图1所示,包括:
可选的,根据可能的风险来源,将物流过程归结为七个环节,包括产品包装、流通加工、物流仓储、装卸搬运、产品运输、产品配送及物流信息。除了物流信息意外,其余六个环节随着时间的推移依次发生。
上述七个物流环节均包括若干与其关联的风险影响因素。如,产品包装环节包括包装规范、包装环境、包装操作等,物流仓储包括存储温度、存储摆放等。具体实施例中,可以通过专家系统对历史物流数据进行分析,或者直接通过物流人员的经验,将各物流环节关联的风险影响因素列出,将所列出的全部风险影响因素作为候选风险影响因素集。
步骤S100获取到的候选风险影响因素集中包含的候选风险影响因素的数量非常庞大,且其中存在大量的对物流风险的影响非常小的候选风险影响因素,此外也可能存在大量的相互之间存在强相关的候选风险影响因素。因此,在正式构建风险评估模型之前,有必要剔除掉其中的大量的冗余候选风险影响因素,从而确定出少量的对物流风险的影响较大,且相互之间不存在强相关的候选风险影响因素,以作为最终的正式风险影响因素。
可选的,本发明综合采用专家调查法(德尔菲法)和因子分析法从候选风险影响因素集中挑选出正式风险影响因素。具体如下:
第一阶段:专家调查法,具体步骤:
向若干专家发出包含所有候选风险影响因素的调查表,让各位专家选择对所有的候选风险影响因素进行打分,最重要的风险赋予100分,不重要的依次递减。
统计收回的调查表,并按平均得分高低对所有的候选风险影响因素进行排序,选出平均得分排在前20%的候选风险影响因素。
将结果反馈给专家,再次征求专家的意见,直到专家对候选风险影响因素选择判断基本一致。
第二阶段:使用因子分析法对选出的候选风险影响因素进行分析,以进一步去除其中的存在强相关的冗余候选风险影响因素。
经过第二阶段的因子分析后,冗余候选风险影响因素得以被剔除,剩余的候选风险影响因素即为最终的正式风险影响因素。
在一个实施例中,最终确定的各物流环节所关联的正式风险影响因素如下表1所示,共计包括21个正式风险影响因素:
表1、
当然,实际实施过程中,为了简化处理过程,也可以仅采用专家调查法或因子分析法从候选风险影响因素集中挑选出正式风险影响因素。或者是采用已有的其他的算法策略实施挑选过程。
根据步骤S200挑选出的正式风险影响因素,依次对各正式风险影响因素可能出现的状态进行分类从而获得各正式风险影响因素的初始状态类别。接着,确定各正式风险影响因素的各初始状态类别对应的先验概率。
对于离散型的风险影响因素,可能直接根据其可能的状态确定其状态类别,如物流仓储中的存储环境,其可能的状态包括“适宜”和“不适宜”两种,对应的,其状态类别直接确定为“适宜”和“不适宜”两种即可。而对于连续型的风险影响因素,则需要先对其进行离散化处理后再确定其状态类别,如产品配送环节中的配送时长,其为连续型变量,处理过程中,可以根据配送是否按时送达要求,将其状态确定为“是”和“否”两类。
先验概率则指正式风险影响因素的各种状态出现的可能性。可选的,通过专家系统对历史物流数据进行分析以确定各初始状态类别对应的先验概率值。
可选的,为了降低模型的复杂度,可以将最终确定的各正式风险影响因素的状态类别均设定为两类。表2示出了一个实施例中的最终确定的各正式风险影响因素的状态类别及各状态类别对应的先验概率值,具体如下:
表2、
可选的,步骤S400的具体执行步骤如下:
首先,构建节点集,将物流风险评估指标作为唯一的风险总节点,将各物流环节作为风险中间节点,将各正式风险影响因素作为风险初始节点。
接着,构建有向边集,使用有向边将各风险初始节点连接至对应的风险中间节点,然后使用有向边将各风险中间节点连接至风险总节点。
图2示出了构建好的物流风险评估静态贝叶斯网络,其包括一个风险总节点和七个风险中间节点,七个风险中间节点分别对应产品包装、流通加工、物流仓储、装卸搬运、产品运输、产品配送及物流信息七个物流环节。
七个风险中间节点均通过有向边(单箭头)连接至目标层所在的风险总节点。该层面,单箭头的起始端的风险中间节点为父节点,单箭头的箭头末端的风险总节点为子节点,即表示风险总节点表征的风险来源于七个风险中间节点。也就是说,物流过程中的总体风险来源于七个物流环节。
此外,位于中间层的各风险中间节点均通过有向边(单箭头)连接位于因素层的若干风险初始节点,该层面,单箭头的起始端的风险初始节点为父节点,单箭头的箭头末端的风险中间节点为子节点,即表示各风险中间节点表征的风险来源于与其关联的各风险初始节点。也就是说,物流过程中,各物流环节的风险来源于与其相关的所有的正式风险影响因素,例如,产品配送节点的风险来源于配送损坏、配送错误、配送延迟及配送丢件等四个风险影响因素。
如前文所述及的,物流的七个环节中,除了物流信息以外,其余六个物流环节,即:产品包装、流通加工、物流仓储、装卸搬运、产品运输等六个环节随着时间的推移依次发生,因此,物流过程中涉及到的风险也随着时间的推移,在物流环节之间不断转移,即当前物流环节的风险状态也会影响到下个物流环节的风险状态。例如,流通加工环节积累的风险以一定的概率影响到物流仓储环节的风险生成。
如本领域一般技术人员易于想到的,当前的某个物流环节的风险状态对下个物流环节的风险状态的影响程度,可用状态转移概率来表征。
图3示出了在一个实施例中,从当前时刻到下一时刻的状态转移关系,如图中所示,该实施例中,当前时刻的流通加工环节、物流仓储环节、装卸搬运环节、物流运输环节分别对下一时刻的物流仓储环节、装卸搬运环节、物流运输环节、产品配送环节产生影响。
可选的,当前时刻各物流环节至下一时刻各物流环节的状态转移概率可以通过专家通过经验对历史物流数据进行分析进行确定。
动态贝叶斯网络是由T维隐含状态变量X={x
其中,P(x
动态贝叶斯网络是将静态贝叶斯网络扩展到了模型化含时间因素的随机过程。
至此,获得了本发明的物流风险评估动态贝叶斯网络。
根据需要评估的实际物流案例,提取各物流环节涉及到的正式风险影响因素的样本数据,并其处理成可输入至物流风险评估动态贝叶斯网络的数据。
最后将数据输入至物流风险评估动态贝叶斯网络后,即能获得各个物流环节节点风险发生的概率和总结点风险发生的概率,帮助物流运营方更好地实现对各物流环节的风险管控。
为了使得本领域技术人员更加清楚的了解本发明中的物流风险评估动态贝叶斯网络的构建过程,接下来,我们以贝叶斯网络可视化软件GeNIe作为可选的实施平台,对本发明的执行过程进行另一角度的介绍。
步骤1、在GeNIe中生成风险节点集,包括风险总节点、风险中间节点及风险初始节点,并设置各节点之间的连接关系。具体可参照前述的步骤S400。
步骤2、输入各风险初始节点的先验概率。
步骤3、完成物流风险评估静态贝叶斯网络的模拟及训练。
步骤4、将状态转移关系及随时间点变化的状态转移概率添加至物流风险评估静态贝叶斯网络中。
步骤5、构建物流风险评估动态贝叶斯网络并完成对动态贝叶斯网络的训练。
实施例二
图4为本实施例提供的基于动态贝叶斯网络的物流风险评估模装置10的结构示意图。
该流风险评估模装置10包括:
候选风险影响因素确定模块11,用于确定若干物流环节,并确定与各物流环节关联的候选风险影响因素以形成候选风险影响因素集。
正式风险影响因素选择模块12,用于从候选风险影响因素集中挑选出若干候选风险影响因素,作为正式风险影响因素。
先验概率确定模块13,用于确定各所述正式风险影响因素的初始状态类别及各所述初始状态类别对应的先验概率值;
静态贝叶斯网络构建模块14,用于基于各所述正式风险影响因素、各所述正式风险影响因素的初始状态类别及各所述初始状态类别对应的先验概率构建物流风险评估静态贝叶斯网络;
转移概率构建模块15,构建各所述物流环节之间的状态转移关系及随时间变化的转移概率;
动态贝叶斯网络构建模块16,用于在所述物流风险评估静态贝叶斯网络中加入所述转移概率,构建物流风险评估动态贝叶斯网络;
风险评估模块,17用于基于所述物流风险评估动态贝叶斯网络完成对物流过程中的各物流环节的风险及总风险的评估。
由于所述基于动态贝叶斯网络的物流风险评估装置10的各功能模块的处理过程与前述实施例一中的基于动态贝叶斯网络的物流风险评估方法的处理过程一致,因此本实施例不再对基于动态贝叶斯网络的物流风险评估装置10的各功能模块的处理过程进行重复描述,可以参考实施例一中的相关描述。
实施例三
图5为本申请实施例提供的电子设备20的结构示意图,如图5所示,该电子设备20包括处理器21和存储器23,处理器21和存储器23相连,如通过总线22相连。
处理器21可以是CPU,通用处理器、DSP,ASIC,FPGA或者其他可编程器件、晶体管逻辑器件、硬件部件或者其他任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器21也可以是实现计算功能的组合,例如包括一个或多个微处理器组合,DSP和微处理器的组合等。
总线22可以包括一通路,在上述组件之间传送信息。总线22可以是PCI总线或EISA总线等。总线22可以分为地址总线、数据总线、控制总线等。为了便于表示,图中仅以一条粗线表示,但是并不表示仅有一根总线或一种类型的总线。
存储器23可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可以储存信息和指令的其他类型的动态存储设备,也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储、磁盘存储介质或其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器23用于存储本申请方案的应用程序代码,并由处理器21来控制执行。处理器21用于执行存储器23中存储的应用程序代码,以实现实施例一中的基于动态贝叶斯网络的物流风险评估方法。
本申请实施例最后还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该程序被处理器执行时实现实施例一中的基于动态贝叶斯网络的物流风险评估方法。
上文对本发明进行了足够详细的具有一定特殊性的描述。所属领域内的普通技术人员应该理解,实施例中的描述仅仅是示例性的,在不偏离本发明的真实精神和范围的前提下做出所有改变都应该属于本发明的保护范围。本发明所要求保护的范围是由所述的权利要求书进行限定的,而不是由实施例中的上述描述来限定的。
机译: 基于位置服务和存储介质的风险评估方法,装置和设备
机译: 基于贝叶斯网络的物流无人驾驶飞行器故障风险评估方法
机译: 秋季风险评估方法,秋季风险评估装置和非暂时性计算机可读记录介质,其中记录了秋季风险评估程序