[发明专利]一种基于用户评论及LSTM时间序列的生鲜物流方法

权利要求书

1.一种基于用户评论及LSTM时间序列的生鲜物流方法，其特征在于：该种基于用户评论及LSTM时间序列的生鲜物流方法包括以下基本步骤：

步骤一：录入每个产品运输保存过程中的温湿度数据和该产品对应的用户文本评论；

步骤二：将文本评论输入至情感分类模型；

步骤三：将预处理后的数据输入，训练高用户满意度的时间相关温度、湿度指标的LSTM模型；

步骤四：运输贮藏过程中实时检测记录温湿度数据，输入对应训练完成的LSTM高满意度模型进行温度湿度的预测性实时控制。

2.根据权利要求1所述的一种基于用户评论及LSTM时间序列的生鲜物流方法，其特征在于：所述在步骤一中，所述每个产品温湿度数据即由产品上安装的RFID标签记录保存的历史运输贮藏温湿度数据，每个产品在数据中心的数据库建立一张专门记录其温湿度变化及对应用户评论的数据表。

3.根据权利要求1所述的一种基于用户评论及LSTM时间序列的生鲜物流方法，其特征在于：所述步骤二对每条所述评论观点进行情感类型判断，使得每条所述评论观点具有对应的情感类型标签，所述情感类型标签包括积极情感标签和消极情感标签。

4.根据权利要求1所述的一种基于用户评论及LSTM时间序列的生鲜物流方法，其特征在于：所述步骤三将数据表中每个产品对应的温度、湿度、时间、情感标签做预处理，形成样本集D，确定消极情感标签对应的异常样本数n，输入至LSTM模型进行训练，对于样本集D中的每个样本点p,通过距离函数dist()获取距点p最近的k个近邻最计算点p到到其最近邻中所有的点的平均距离根据求得点p的密度对p的中的每个近邻分别求其则p的临近密度为：

点p的相对密度为用Rdensity(p)来表示p的异常性，Rdensity(p)的值越大则其异常性越大。训练得到输出每个时点下对应的温湿度指标的LSTM模型。

5.根据权利要求1所述的一种基于用户评论及LSTM时间序列的生鲜物流方法，其特征在于：所述步骤四中，在运输过程中，实时温湿度输入数据至训练得出的LSTM模型作为预测模型，若下一刻温湿度指标即将达到异常，则LSTM模型下达下一刻温湿度指标命令至冷链控制器，实现温度和湿度参数的预先控制，远离会导致用户满意度低的温度湿度。