(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111678373.0 (22)申请日 2021.12.31 (71)申请人 安徽运通达物流科技有限公司 地址 246000 安徽省安庆市迎江区临港经 济开发区内环路10号安徽东坤康体设 备有限公司3 #标准化厂房401室 (72)发明人 李慧　 (74)专利代理 机构 合肥金律专利代理事务所 (普通合伙) 34184 专利代理师 黄乐瑜 (51)Int.Cl. G06K 9/62(2022.01) G06Q 30/06(2012.01) (54)发明名称 一种下单异常检测方法 (57)摘要 本发明公开了下单异常检测方法， 属于下单 异常检测技术领域， 要解决的技术问题为如何快 速准确的识别下单状况异常。 包括如下步骤： 对 于待检测的下单数据， 按照时间对 数据包进行排 序， 得到数值序列形式的长序列包； 对于长序列 包， 通过设置的滑动窗口提取具有一定长度的子 序列； 基于小波分析对每个滑动窗口内子序列进 行不同尺度的能量特征提取， 并将能量特征融合 为最终特征； 通过训练后检测模 型对最终特征进 行分析， 得到检测结果， 所述训练后检测模型用 于通过均值漂移聚类对最终特 征进行学习。 权利要求书2页 说明书4页 附图1页 CN 114462500 A 2022.05.10 CN 114462500 A 1.一种下单异常检测方法， 其特征在于， 基于小波分析对下单数据 数据进行特征提取， 通过均值漂移 聚类对异常下单进行学习， 并对在线的下单数据进行异常识别， 所述方法包 括如下步骤： 对于待检测的下 单数据， 按照时间对数据包进行排序， 得到数值序列形式的长序列包； 对于长序列包， 通过设置的滑动窗口提取 具有一定 长度的子序列； 基于小波分析对每个滑动窗口内子序列进行不同尺度的能量特征提取， 并将能量特征 融合为最终特征； 通过训练后检测模型对最终特征进行分析， 得到检测结果， 所述训练后检测模型用于 通过均值漂移聚类对最终特 征进行学习。 2.根据权利要求1所述的下单异常检测方法， 其特征在于通过如下步骤构建并训练检 测模型， 得到训练后检测模型： 获取历史下单数据作为训练集， 对于训练集， 按照时间对数据包进行排序， 得到数值序 列形式的长序列包； 对于长序列包， 通过设置的滑动窗口提取 具有一定 长度的子序列； 基于小波分析对每个滑动窗口内子序列进行不同尺度的能量特征提取， 并将能量特征 融合为最终特征； 基于均值漂移聚类方法构建检测模型， 将所述最终特征输入所述检测模型进行模型训 练， 得到训练后检测模型。 3.根据权利要求2所述的下单异常检测方法， 其特征在于构建并训练检测模型， 得到训 练后检测模型后， 还 包括对训练后测试模型进行模型测试， 所述模型测试包括如下步骤： 获取历史下单数据作为测试集， 对于测试集， 按照时间对数据包进行排序， 得到数值序 列形式的长序列包； 对于长序列包， 通过设置的滑动窗口提取 具有一定 长度的子序列； 基于小波分析对每个滑动窗口内子序列进行不同尺度的能量特征提取， 并将能量特征 融合为最终特征； 将所述最终特征输入所述训练后检测模型， 得到的检测结果作为预测检测结果， 并将 所述预测检测结果与所述历史下单数据对应的现实检测结果进行比对， 实现对训练后检测 模型的测试。 4.根据权利要求1 ‑3任一项所述的下单异常检测方法， 其特征在于所述长序列包[序 号， 包长]形式的数值序列。 5.根据权利要求1 ‑3任一项所述的下单异常检测方法， 其特征在于对于长序列包， 每个 窗口内的数据包均作为一个单位数据流， 基于小波分析对单位数据流进行特征提取， 得到 频域特征和时域特征， 所述频域特征包括高频分量频域特征和低频分量频域特征， 低频分 量频域特征用于分析下单异常的整体特征， 高频分量频域特征用于区分不同种类下单异 常； 对于频域特征， 分别对高频分量频域特征和低频分量频域特征进行层数分解， 计算高 频分量频域特征各层能量在总能量中的占比， 得到高频分量频域特征 的能量比， 并计算低 频分量频域特 征各层能量在总能量中的占比， 得到低频分量频域特 征的能量比； 对于时域特 征， 提取均值和标准差；权　利　要　求　书 1/2 页 2 CN 114462500 A 2所述频域特征相关的能量比以及所述 时域特征相关的均值和标准差均为 能量特征， 将 所述能量特 征进行融合， 得到最终特 征。 6.根据权利要求5所述的下单异常检测方法， 其特征在于基于小波分析分解高频分量 频域特征时， 当高频分量频域特征仅包含单个样本时分解就可以停止， 分解低频分量频域 特征时， 待低频分量的波形没有变化即可停止分解。权　利　要　求　书 2/2 页 3 CN 114462500 A 3