Q-DELTA：一种基于量化的全局优化自动编码器异常检测方法，用于物流追踪

《IEEE Access》：Q-DELTA: A Novel GA-Autoencoder Anomaly Detection for Logistic Tracking using Quantization

　　

摘要：

在物流追踪中，配送延迟现象越来越普遍，这类问题会对寄送的物品和收件人造成不良影响。及早发现配送异常有助于避免延迟。然而，这类检测方式计算成本高且效率低下。诸如自编码器这类能够识别异常的复杂深度学习模型，由于需要高性能硬件才能运行，难以在资源有限的物联网设备上使用。因此，本文提出了一种名为量化延迟检测物流追踪自编码器（Q-DELTA）的方法，这是一种计算效率高、体积小的深度学习模型，可在物联网系统中部署，通过利用自编码器中的量化技术来检测物流追踪服务中的异常。量化后的自编码器既快速又紧凑，同时还能将性能损失降至最低。为实现高效优化的基于自编码器的异常检测，本文采用了两步法：遗传算法和尤登J统计量。通过与现有方法的对比，量化自编码器是准确度最高、速度最快、体积最小的异常检测模型。实验结果表明，这种结合了遗传算法、J统计量以及基于边缘计算的物流追踪架构的新方法，能够通过量化技术实现异常检测。