技术领域
[0001] 本文档中描述的
发明涉及对概率供应链信息的查询应答的技术领域，特别是涉及用于对概率供应链信息的时间查询应答的方法和系统。
背景技术
[0002] 物流过程例如供应链经受大量的潜在干扰，例如交通延误、生产延误或者甚至某些供应商的完全失效。为了将透明度引入这样的过程，使用监视技术来确定零件、产品等的
位置，并且因此估算到达时间、延迟等。用于这样的方法的一个示例为如在www.autoran.de中描述的项目RAN(基于RFID的
汽车网络)，其中采用
射频识别(RFID)标签和相应的
门来
定位层内物流和层间物流二者以及生产过程中的单元。对RFID的概述可以在http://en.wikipedia.org/wiki/Rfid中找到。然而，从例如RFID门接收的数据和物流/生产过程的底层模型二者通常易于产生不确定性。
[0003] http://en.wikipedia.org/wiki/Complex_event_processing提供了对
复杂事件处理的概述。
[0004] 数年来，对复杂网状物流网络中的到达时间的预测一直是具有挑战性的研究课题，特别是考虑到
形式要求例如形成正确概率空间的结果。
[0005] 近来在Warhanek的硕士论文(由Heinecke、Lamparter等人指导)中提出了基于知识的
贝叶斯网络构建，参见：Georg Heinecke，学生：Maximilian Warhanek，硕士论文，Formalisierung von Produktions-und Logistikprozessen für eine Systemanalyse,ETH,2011.
[0006] 复杂事件处理是被设计用于借助于知识模型来从(事件或
信号)数据流中提取高
水平时间信息的推理技术，该知识模型通常借助于生产规则来表示。区分复杂事件处理(CEP)和其他形式的基于逻辑的推理系统的两个主要特征为：(a)注重处理连续的数据流；以及(b)借助于允许用户制定事件/测量之间的时间相关性(事件等之间的顺序、最小/最大
时间窗)的特定语言结构对时间信息的显式处理。然而，大多数当前的CEP系统集中于确定性推理：假设所有的输入数据是确定性的，并且规则语言不允许制定允许用户表示概率相关性或关于概率的
阈值的规则。以下列出了作者已知的几个显著的例外，然而重要的是要注意，尽管这些概率复杂事件处理系统解决了(一部分)查询问题，但它们没有提供用于到达时间预测的任何手段。
[0007] ·基于SASE模型的方法使用非确定性有限自动机以用于评估对CEP查询的应答概率。然而，该方法固有地需要输入流中的事件是独立的(随机的)，并且因此只能提供现实的简化情景。在如下文献中讨论了这样的方法：
[0008] Wang,Y.；Cai,J.&Yang,S.Plan based Parallel Complex Event Detection over RFID Stream.首届信息科学与工程国际会议(ICISE 2009)的论文集，2009，315-129；和
[0009] Kawashima,H.；Kitagawa,H.&Li,X.Complex Event Processing over uncertain Data Streams.3PGCIC，IEEE计算机协会,2010，521-526；以及
[0010] Wang,Y.&Zhang,X.Complex Event Processing over Distributed Probabilistic Event Streams.FSKD，IEEE计算机协会，2012,1489-1493.[0011] ·根植于概率
数据库的方法使用所谓的信息表(ctables)，该信息表用于表示对于应答的概率计算所需要的出处信息。然而，类似于基于自动机的方法，基本假设为输入流是独立并且因此输入事件是独立的。在如下文献中讨论了这样的方法：
[0012] Khoussainova,N；Balazinska,M&Suciu,D.Probabilistic Event Extraction from RFID Data。IEEE第24届数据工程国际会议(ICDE 2008)的论文集，2008，1480-148；和[0013] Ré,C.；Letchner，J.；Balazinska，M.&Suciu，D.Event Queries on Correlated Probabilistic Stream.SIGMOD会议，2008，715-72。
[0014] 综上，尚未提出将到达时间预测与对概率数据(和规则)的复杂事件查询相结合的工作方案。
发明内容
[0015] 本发明的一个目的是提高对可推论事件例如对象的到达时间或到达时间的预测。另一目的为允许对复杂逻辑级联事件的预测。
[0016] 该目的由本发明的基本方案来解决。还提供了本发明的有利实施方式。
[0017] 根据一个方面，提出了一种用于预测物流网络中的可推论事件的方法。根据该方法，生成贝叶斯网络。该贝叶斯网络描述物流网络的至少一部分的结构。接收对可推论事件的查询。该可推论事件依赖于物流网络中的基本事件的组合。针对多个时间点对贝叶斯网络进行实例化。借助于复杂事件处理、根据所实例化的贝叶斯网络来推断对可推论事件的预测。
[0018] 根据另一方面，提出了一种包括适于执行所述方法的步骤的装置的系统。
[0019] 根据另一方面，提出了一种设备，该设备包括并且/或者关联于被布置成使得能够在其上执行所述方法的处理器单元和/或硬连线
电路和/或逻辑设备。
[0020] 根据另一方面，提出了一种能够直接加载到数字计算机的
存储器中的
计算机程序产品，该计算机程序产品包括用于执行所述方法的步骤的
软件代码部分。
[0021] 根据另一方面，提出了一种具有计算机可执行指令的计算机可读介质，该计算机可执行指令适于使
计算机系统执行所述方法的步骤。
[0022] 根据另一方面，提出了一种用于预测物流网络中的可推论事件的系统。该系统包括描述器部件、查询部件、实例化部件和预测部件。描述器部件适于借助于贝叶斯网络来描述物流网络的至少一部分的结构。查询部件适于接收对依赖于物流网络中的基本事件的组合的可推论事件的查询。实例化部件适于针对多个时间点对贝叶斯网络进行实例化。预测部件适于借助于复杂事件处理、根据所实例化的贝叶斯网络来推断对可推论事件的预测。
附图说明
[0023] 以下根据附图来描述本发明。
[0024] 图1示出了根据本发明的优选实施方式的系统和方法。
具体实施方式
[0025] 图1示出了根据本发明的优选实施方式的用于预测物流网络LN中的可推论事件E3的系统1。
[0026] 物流网络LN包括门G1、G2、G3。门G1、G2、G3可以例如是登记事件E1、E2、E3的RFID门，事件E1、E2、E3例如为附有RFID标签的某些对象的到达。门G1和G2可以例如位于供应商场所，而门G3位于需要所述对象以用它们来生产其他物品的工厂处。事件E3因此为可推论事件E3，这意味着事件E3依赖于物流网络LN中的基本事件E1、E2的组合，在图1的示例中，事件E1、E2为物品到达门G1和G2处，这意味着物品将可能在稍后时间点到达工厂G3处。当然，工厂的物流网络可能比图1的物流网络更复杂并且可推论事件E3可能依赖于与图1所描绘的基本事件相比更大数量的基本事件，该更大数量的基本事件另外可以以更复杂的方式彼此依赖。为了更好地理解，未将图1中的网络选择得不必要的复杂。
[0027] 门G1、G2、G3连接至系统1以用于将所登记的事件发送至系统1。
[0028] 系统1包括描述器部件DC、查询部件QC、实例化部件IC和预测部件PC。描述器部件DC适于借助于贝叶斯网络BN来描述物流网络LN的至少一部分的结构。查询部件QC适于接收对可推论事件E3的查询Q。实例化部件IC适于针对多个时间点对贝叶斯网络BN进行实例化。预测部件PC适于借助于复杂事件处理、根据所实例化的贝叶斯网络BN来推断对可推论事件E3的预测P。
[0029] 贝叶斯网络1包括
节点N1、N2、N3和边K1、K2。节点N1、N2、N3分别描述门G1、G2、G3。贝叶斯网络BN的每个节点N1、N2、N3包括表示事件E1、E2、E3中之一的概率分布的概率函数F1、F2、F3。边K1、K2表示基本事件E1、E2之间的条件相关性。在本
申请的上下文中，事件还可以例如包括变量达到某一值、处于值的某一范围内或者达到多个值中之一。
[0030] 系统1包括适于执行如下所述的方法的步骤的装置DC、IC、QC、PC。
[0031] 根据优选实施方式，设备包括并且/或者关联于被布置成使得能够在其上执行下面描述的方法中之一的处理器单元和/或硬连线电路和/或逻辑设备。
[0032] 根据优选实施方式，能够直接加载到数字计算机的存储器中的计算机程序产品包括用于执行下面描述的方法中之一的步骤的
软件代码部分。
[0033] 根据优选实施方式，具有计算机可执行指令的计算机可读介质适于使计算机系统执行下面描述的方法中之一的步骤。
[0034] 参照图1，为了预测物流网络LN中的可推论事件E3，生成描述物流网络LN的至少一部分的结构的贝叶斯网络BN。对潜在复杂可推论事件的查询Q被输入到查询部件QC中并且由查询部件QC接收。优选地，可推论事件和/或查询是基于时间的。优选地，查询依赖于可以在物流网络LN中发生的基本事件E1、E2的逻辑或时间组合。实例化部件IC针对多个时间点对贝叶斯网络BN进行实例化。多个时间点优选地表示有限数量的时间片。借助于复杂事件处理、根据所实例化的贝叶斯网络BN来推断对可推论事件E3的时间预测P。
[0035] 根据优选实施方式，对贝叶斯网络BN进行实例化是通过针对与所接收的查询Q有关的每个时间点创建贝叶斯网络BN的适合副本B1、B2、B3、B4来执行的。适合副本B1、B2、B3、B4适合于登记在物流网路LN中的基本事件E1、E2。优选地，这通过
修改适合副本的节点或者优选地通过修改节点的概率函数使得所登记的基本事件的概率为l——这反映了事件被登记——来进行。
[0036] 根据另一优选实施方式，复杂事件处理确定如何对来自贝叶斯网络BN的不同的适合副本B1、B2、B3、B4的信息进行组合以推断对可推论事件E3的预测。
[0037] 根据另一优选实施方式，对贝叶斯网络BN进行实例化包括每个相关时间点或时间片在物流网络LN中构建一个贝叶斯网络BN。优选地，预测部件适于每个时间点或时间片在物流网络中构建一个贝叶斯网络BN。
[0038] 根据另一优选实施方式，贝叶斯网络BN的节点N3的至少一部分依赖于贝叶斯网络BN的其他节点N1、N2，这表示事件E3依赖于物流网络LN中的其他基本事件E1、E2。对可推论事件E3的预测至少部分地基于贝叶斯网络BN中的依赖节点N3。
[0039] 根据另一优选实施方式，查询Q和/或可推论事件E3包括条件。条件可以例如是时间条件和/或对象的可用性，和/或对象的基于时间的可用性。优选地，条件为对象在某一时间处到达。
[0040] 根据另一优选实施方式，查询Q是使用查询语言优选地使用SPARQL来表示的。优选地，查询Q通过所实例化的贝叶斯网络BN进行评估。
[0041] 根据另一优选实施方式，当在物流网络中基本事件E1、E2发生时，基于贝叶斯网络BN中的更新信息来重复对可推论事件E3的预测。这样的基本事件为例如来自物流网络中的RFID门的、某一对象已经在该RFID门处登记的消息。当这样的消息到达系统1时，贝叶斯网络BN的某些节点变成观察节点。例如，如果某一对象将会在某一时间点t处到达RFID门的概率为90％，则贝叶斯网络BN中表示所述门的节点为被计算节点。如果该对象在时间点t+1处到达所述RFID门并且在所述RFID门处被登记，则该节点变成被观察节点来取代被计算节点。那么事件发生的概率为100％。从该时间点t+1起，借助于用于贝叶斯网络的任何已知
算法来重新计算其他被计算节点的概率。
[0042] 根据另一优选实施方式，所实例化的贝叶斯网络B1、B2、B3、B4的节点N1、N2、N3的状态基于表示在物流网络LN中发生的基本事件的数据来设定。该数据优选地以RDF格式(RDF：资源描述
框架)来表示。表示所测量事件——例如来自RFID门的——和预测(例如“x在时间点y到达的概率为z)的EPCIS信息优选地以RDF来表示。
[0043] 本发明的优选实施方式解决在物流或生产过程中的给定信息的不确定性。该挑战另外由于被观察的基本事件可以被有原因地连接并且因此在概率上具有相关性的事实而变得复杂。例如，同一
卡车中的所有零件具有相同的迟到概率。
[0044] 通过将基于贝叶斯网络的到达时间预测与复杂事件处理(CEP)查询的基于SPARQL的表述和应答进行组合，本发明的优选实施方式解决了对物流网络中概率到达时间预测的复杂查询进行应答的挑战。该方法从而利用陈述性知识表示形式的优势(例如直观的且可维护的)并且以新颖的方式将其与概率推理的优势(例如在不确定性和易出错数据的情况下的鲁棒性)进行组合。
[0045] 本发明的优选实施方式使用以基于知识的贝叶斯网络构建为
基础的方法并且通过所需的CEP功能对其进行扩展，该基于知识的贝叶斯网络构建是近来在Warhanek的硕士论文(由Heinecke、Lamparter等人指导)中提出的并且已经在本文档引用。
[0046] 根据本发明的优选实施方式，提出了基于贝叶斯网络的到达时间预测和基于SPARQL的查询处理的组合，以解决对物流网络中的概率到达时间预测的复杂查询进行应答的挑战。详细地，优选实施方式如下进行工作。
[0047] 步骤1.到达时间预测部件使用由Warhanek等人提出的算法来在每个时间片在考虑中的物流网络中构建一个贝叶斯网络。使用以一定规则编码的持续时间分布来将网络参数化。然后推理引起关于供应链中的不同项的延迟(并且因此到达时间)的分布。每当新信息(例如来自RFID读取器的)到达时(其中，通常关于项的新信息降低与其到达时间相关联的不确定性)，就重复该计算。
[0048] 步骤2.以RDF格式存储结果，潜在地以RDF流的形式存储结果。
[0049] 步骤3.使用SPARQL来表示查询并且通过RDF数据来评估查询。作为示例，考虑“A在B之后”的评估，其表示(在上下文中)B在A之前到达。注意，从步骤1到步骤2，使关于A和B的到达时间的分布处于一定粒度例如10分钟的步长。根据该信息，可以通过在所有时间点t上对B已经在时间t处到达而A尚未到达的概率即P(arrived(B,t)AND NOT(arrived(A,t))进行求和来计算B在A之前到达的概率。更特别地，在所有的相关时间点即B的最早到达时间和A的最迟到达时间之间的所有时间点上进行上述概率求和。
[0050] 注意P(arrived(B,t)AND NOT(arrived(A,t))＝P(arrived(B,t))*(1-P(arrived(A,t)))，其中两个概率值可以从步骤2中所存储的数据读取。作为旁注，该公式假设A和B的到达是相互独立的。然而，该假设是在该时间点处是有效的，原因是基于贝叶斯网络的到达时间预测部件已经对供应链引起的相关性进行了处理。
[0051] 步骤4.将针对查询的结果返回至用户。
[0052] 本发明的优选实施方式的优点在于将概率到达时间预测和概率复杂事件处理创新性组合以产生用于供应链查询的概率查询处理引擎。该方法从而支持可靠且稳健的到达时间预测，同时允许操作者以直观的方式
指定他们的报告规则和故障处理规则。此外，通过在预测部件中处理事件间的相关性，所提出的方案解决了在现有概率CEP引擎的背景下标出的忽略事件间相关性的问题。
