CN119476669A 基于图神经网络农产品质量异常传播路径预测系统及方法 （广西警察学院）

基于图神经网络农产品质量异常传播路径本发明公开了一种基于图神经网络农产品的农产品供应链质量异常传播路径预测模型；型对质量异常的最佳传播路径进行重新计算并品供应链网络中对质量异常传播路径的精准预2S3、构建基于图神经网络的农产品供应链质量异S4、通过将预处理后的历史质量数据集输入异常传S5、在供应链运行过程中，实时监控各节点的质S7、根据经过自适应调整的边权重，异常传播路径S8、根据重新计算的异常传播路径识别潜在的2.根据权利要求1所述的一种基于图神经网络农产品质量异常传播路径预测方法，其S15、根据节点关系和时间序列信息建立节点的关联矩阵A3.根据权利要求1所述的一种基于图神经网络农产品质量异常传播路径预测方法，其去噪后的质量数据集D'；34.根据权利要求1所述的一种基于图神经网络农产品质量异常传播路径预测方法，其pts传播路径预测模型采用为农产品质量异常传播路径优化45.根据权利要求1所述的一种基于图神经网络农产品质量异常传播路径预测方法，其量Hi及其邻接节点的权重信息wij计算该异常在下6.根据权利要求1所述的一种基于图神经网络农产品质量异常传播路径预测方法，其从上游节点Ni传播至下游节点Nj的传播速度V节点Ni运送到下游节点Nj所经过的实际路径长度；Δtij表示异常从上游节点Ni传递到下游5节点Ni到下游节点Nj的路径长度，表示异常从上游节点Ni传播到下游节点Nj所经过的最短S63、基于异常严重性对边的权重进行动态调整，计算异常对下游节点Nj的影响程度j表示下游节点Nj的质量指标异常变化量，反映了异常异常严重性Sij越高边的权重应越大，突出对供应链整体质量影响较大的异常传播路227.根据权利要求1所述的一种基于图神经网络农产品质量异常传播路径预测方法，其的最佳传播路径，采用贝尔曼一福特算法确定从异常源节点Ns到目标节点Nd的最短加权路Lij；sd表示从异常源节点Ns到目标节点Nd的传播路径总权68.一种基于图神经网络农产品质量异常传播路径预数据预处理模块，用于对数据采集模块获得的质量数据集进行模型构建模块，用于基于图神经网络构建异常传播路径预测模型，异模型训练模块，用于将预处理后的特征向量、时间序列特征矩阵和关实时监控模块，用于在供应链运行过程中实时监控各节风险节点识别模块，用于根据异常传播路径预测模型的输出识预警通知模块，用于将风险节点识别模块生成的预警信息发送至供应链相关管理者，7[0003]目前常见的异常传播检测方法通常只关注单个节点的异常状态对多节点间的相有技术中对节点质量异常的识别多采用静态特征无法结合实时数据对异常进行动态检测[0005]本发明的一个目的在于提出一种基于图神经网络农产品质量异常传播路径预测8pp[0024]S21、对采集的质量数据集DN进行数据去噪处理，利用均值滤波方法去除噪声干9异常传播路径预测模型采用为农产品质量异常传播路径优[0039]其中，H(l)为第l层的节点特征矩阵，初始层H(0)＝F,，即编码后的特征向量，态向量与历史正常状态向量的差异度来判断是否出特征向量Hi及其邻接节点的权重信息wij计算该异常(l)和分别为异常传播路径预测模型的权重矩阵和节点j在第l层的特征向量；异常从上游节点Ni传播至下游节点Nj的传从上游节点Ni运送到下游节点Nj所经过的实际路径长度；Δtij表示异常从上游节点Ni传递上游节点Ni到下游节点Nj的路径长度，表示异常从上游节点Ni传播到下游节点Nj所经过的整系数，用于调节异常严重性对边权重的影响；pij表示上游节点Ni与下游节点Nj之间的质[0078]其中，Pij为质量异常从节点i传播到节点j的概率，dij为节点i和节点j的物理距[0089]风险节点识别模块，用于根据异常传播路径预测模型的输[0092](1)本发明通过基于异常传播速度、路径长度和异常严重性因素对边权重进行自[0093](2)本发明采用了图神经网络并结合注意力机制对供应链网络中各节点之间的复高风险节点，传统方法在处理复杂网络中的节点关联时无法灵活捕捉不同节点的重要程[0094](3)本发明通过引入实时监控数据输入和动态传播路径计算能够在供应链运行过[0096]图1为本发明提出的一种基于图神经网络农产品质量异常传播路径预测系统及方[0098]参考图1，一种基于图神经网络农产品质量异常传播路径预测方法，包括如下步[0116]S21、对采集的质量数据集DN进行数据去噪处理，利用均值滤波方法去除噪声干异常传播路径预测模型采用为农产品质量异常传播路径优[0131]其中，H(l)为第l层的节点特征矩阵，初始层H(0)＝F′，即编码后的特征向量，态向量与历史正常状态向量的差异度来判断是否出特征向量Hi及其邻接节点的权重信息wij计算该异常(l)和分别为异常传播路径预测模型的权重矩阵和节点j在第l层的特征向量；异常从上游节点Ni传播至下游节点Nj的传从上游节点Ni运送到下游节点Nj所经过的实际路径长度；Δtij表示异常从上游节点Ni传递上游节点Ni到下游节点Nj的路径长度，表示异常从上游节点Ni传播到下游节点Nj所经过的整系数，用于调节异常严重性对边权重的影响；pij表示上游节点Ni与下游节点Nj之间的质[0170]其中，Pij为质量异常从节点i传播到节点j的概率，dij为节点i和节点j的物理距[0181]风险节点识别模块，用于根据异常传播路径预测模型的输[0184]本实施例以某大型农业公司在A省的农产品供应链为背景验证本发明的基于图神的优越性选取了一批新鲜的柑橘作为实验产品对其从采摘到销售的整个过程进行质量监[0186]在实验开始时，系统采集了各节点在正常情况下的质量数据并进行初步特征提程中被实时检测到并触发了系统的预警功能，系统预测该批次柑橘在进入分销中心前的1控数据显示温度从5℃升高至8℃,湿度变化幅度在10％以上，系统识别出这一运输节点为[0193]由表1中数据可见，本发明系统相比传统方法在异常传播路径的识别准确率上提高了约30高风险节点识别率提升了超过30在异常扩散控制方面本发明系统缩短了[0194]在进一步的模拟实验中，本发明系统在不同条件下的表的质量影响程度动态优化边权重，从而提高了对异常传播路径的适应性和预测的准确性，与传统固定权重的模型相比，本发明的动态调整机制显著提高了异常传播路径的精准性，相较于传统模型传播路径识别的准确率提