基于K近鄰算法的外采成品油溯源方法

鄭 斌

〔中國石化銷售股份有限公司 北京 100728〕

外采油品作為中國石化銷售企業(yè)重要的資源補充，對于穩(wěn)定市場供應具有重要的作用。然而外采油品來源復雜，非法調和油品常?；祀s其中，社會上由此導致的質量事故頻發(fā)，給企業(yè)帶來巨大風險。中國石化強化外采油品源頭管理，建立了供應商和可采生產企業(yè)目錄，并設立了“三不采”原則，即無法確定油品生產企業(yè)的不采；油源向上追溯三級，生產企業(yè)不在規(guī)定目錄范圍內的不采；供應商未提供合格質量檢測報告的不采。然而在利益的驅動之下，部分供應商為了將調和油品或源頭不明的油品賣入石化銷售企業(yè)，偽造油品真實來源。因此，識別和追溯外采油品的來源，對于成品油銷售企業(yè)采購和質量管理具有十分重要的現(xiàn)實意義。

目前，質量管理人員核實外采油品來源的方法，一是查驗供應商提供的生產商報告單，二是比對入庫質檢數(shù)據(jù)與出廠報告單數(shù)據(jù)的一致性。其中，查驗生產商報告單受人員主觀影響較大，而且隨著造假手段不斷發(fā)展，報告單樣式的差異越來越細微，人工識別的難度越來越大。比對質檢報告數(shù)據(jù)一致性對人員能力要求很高，成品油質量指標眾多，而且可采生產企業(yè)多達上百家，即使出現(xiàn)檢測數(shù)據(jù)比對不一致的情況，管理人員也很難追溯油品的真實來源。

K近鄰算法(K Nearest Neighbors，KNN)是一種比較成熟的分類算法，也是最簡單的機器學習算法之一[1]。由于該法操作簡單，目前已經廣泛且有效地應用于各種領域的識別、溯源和預測等問題上[2-6]。例如文獻[2]將其與氣相色譜-質譜分析法相結合應用于動物油鑒別區(qū)分，文獻[3]將其應用于犯罪工具圖片快速溯源，文獻[4]將其應用于網(wǎng)絡輿情中的新話題熱度預測，文獻[5]將其應用于城市道路短時交通預測。為了解決外采油人工溯源難的問題，本文以K近鄰算法為基礎，探索性提出了一種外采油品溯源方法，建立了外采油生產商匹配模型。應用結果證明，該方法具有良好的可行性，能夠有效輔助管理人員識別和追溯外采油的來源。

1 K近鄰算法簡介

K近鄰算法是基于統(tǒng)計的分類方法，是數(shù)據(jù)挖掘分類算法中比較常用的一種方法。所謂K最近鄰，就是K個最近的鄰居的意思，即每個樣本都可用它最接近的K個鄰居來代表。其核心思想是[1]：如果一個樣本在特征空間中的K個最相鄰的樣本中的大多數(shù)屬于某一個類別，則該樣本也屬于這個類別，并具有這個類別上樣本的特性。K近鄰算法中，所選擇的鄰居都是已經正確分類的對象。該方法在確定分類決策上只依據(jù)最鄰近的一個或者幾個樣本的類別來決定待分樣本所屬的類別。K近鄰算法是一種基于實例的學習方法[5]，不需要對機器進行已知樣本的訓練，具有很好的魯棒性，簡單易用，分類準確率較高，對

大規(guī)模數(shù)據(jù)非常有效[6]。K近鄰算法見圖1。

圖1 K近鄰算法示意圖

K近鄰算法流程如下：第一步：構建一個已分好類的數(shù)據(jù)集；第二步：計算新近樣本與數(shù)據(jù)集中所有數(shù)據(jù)的距離；第三步：按照距離大小進行遞增排序；第四步：選取距離最小的K個樣本；第五步：確定前K個樣本所在類別出現(xiàn)的頻率，并輸出出現(xiàn)頻率最高的類別。

2 基于K近鄰的生產商匹配模型

2.1 生產商匹配模型思路

生產工藝穩(wěn)定的煉油企業(yè)生產的油品質量是相對穩(wěn)定的，出自同一生產企業(yè)的油品具有相似的質量特征。中國石化銷售企業(yè)LIMS數(shù)據(jù)庫中積累了海量的外采油樣本，基本涵蓋了國內所有的煉油生產企業(yè)，每一個外采油樣本都具有明確的類別信息(供應商和生產商信息)?；贙近鄰算法實現(xiàn)油品溯源的基本思路是：如能從歷史數(shù)據(jù)中找到與待溯源樣本質量特征相似的油品，據(jù)相近相似原理，則可根據(jù)相似樣本的來源推斷該油品來源。據(jù)此構建生產商匹配模型：利用K近鄰算法，在歷史數(shù)據(jù)庫中找出與該樣本最相似的K個樣本，將該樣本與K個最近鄰樣本的生產商信息進行匹配識別，據(jù)匹配結果判斷油品來源是否準確。當與其中一個或多個樣本匹配成功時，判斷該樣本所述生產商為真；否則，判斷該樣本所述生產商為假，該樣本來源存疑。

2.2 生產商匹配模型的實現(xiàn)

(1)確定比對數(shù)據(jù)集。由于K近鄰算法需要計算待溯源樣本與比對數(shù)據(jù)集中每一個樣本的距離，當比對數(shù)據(jù)集較大時，特別是特征數(shù)量比較大時，計算量相當大，時間復雜度高。為了提高溯源的準確性和模型運算效率，本研究中選擇待溯源樣本之前6個月的所有外采油歷史樣本作為比對數(shù)據(jù)集。

(2)確定特征向量。本研究中，結合業(yè)務意義與指標重要性，選擇汽油的常規(guī)理化指標中研究法辛烷值、硫含量、烯烴含量、芳烴含量、氧含量、苯含量、餾程和密度作為計算樣本間距離的特征向量。

(3)樣本預處理。在某些情況下用于計算樣本距離的指標可能為空缺值，對于指標為空的情況，在計算距離前需要對空缺值進行填充。本研究采用平均值填充法，即采用與該樣本同類型、同牌號的樣本中指標的平均值進行填充。

(4)相似度計算。歐式距離是一種常用的衡量m維空間中兩點距離的度量。本研究采用歐氏距離計算待溯源樣本與比對數(shù)據(jù)集中樣本的相似度，計算公式如公式(1)所示。

(1)

式中：xk為樣本x在k維向量上的坐標；yk為樣本y在k維向量上的坐標；n為空間維數(shù)(特征向量數(shù))；d(x,y)為樣本x與樣本y的歐式距離。

(5)結果匹配與判斷。根據(jù)計算結果，按照距離大小對樣本進行遞增排序。模型構建中選取K值為5，即選取距離最近的5個樣本，判斷待溯源樣本與這5個最近鄰樣本的生產商是否一致，當與5個樣本中一個或多個樣本一致時，定義為匹配成功；當與5個樣本都不一致時，定義為匹配不成功，判定該樣本油源存疑，并給出預警。

3 模型應用效果

供應商根據(jù)性質不同可以分為生產型供應商和貿易型供應商。生產型供應商本身既是供應商又是生產商，其油品來源一般是清晰準確的；貿易型供應商其油品來源復雜，其提供的油源(生產商)信息往往存在疑問，是溯源管理的重點。

為驗證該方法的可行性，選取了2018年12月1日至12月10日某公司入庫的160個外采油樣本(其中，80個生產型供應商樣本和80個貿易型供應商樣本)作為驗證樣本，驗證模型的識別、預警和溯源效果。生產型供應商樣本和貿易型供應商樣本典型的模型匹配結果如表1和表2所示。對模型匹配結果進行統(tǒng)計分析，結果如表3所示。對模型輸出的5個最近鄰樣本的匹配結果進行統(tǒng)計，結果如表4所示。

表1 生產型供應商樣本的典型匹配結果

表2 貿易型供應商樣本的典型匹配結果

表3 驗證樣本模型匹配結果統(tǒng)計

表4 5個最近鄰中匹配成功的樣本個數(shù)

由表3和表4可以看出，生產型供應商樣本的模型匹配成功率很高，達到95%，即95%的樣本通過模型匹配準確找到其生產商來源。在生產型供應商樣本中，模型輸出的5個最近鄰樣本與待溯源樣本全部匹配成功的有51個，占總樣本數(shù)的63%，顯示模型匹配的精度很高。貿易型供應商樣本的模型匹配成功率較低，預警率達到34%，即34%的樣本通過模型匹配進行了預警，提示油源存疑。其中，Z石油串換樣本的匹配成功率相對較高，達到81%，社會供應商樣本的匹配成功率較低，63%的樣本來源存疑進行了預警。由表4可見，Z石油串換樣本的匹配精度高于社會供應商樣本的匹配精度，社會供應商樣本的匹配精度明顯較低，絕大多數(shù)樣本只能與5個最近鄰中的1～2個樣本匹配成功。這與實際情況是一致的，反映了社會供應商提供的油源信息的可靠性較低。

對于未匹配成功的樣本，除了預警之外，根據(jù)模型匹配結果還可以提示油品可能的真正來源。如表2中：樣本(2125874)的模型匹配結果顯示5個最近鄰樣本中有3個樣本為同一個生產商(F石化分公司)，指示樣本的油源有可能來自該生產商。經核實，該樣本的油品真實來源為F石化分公司，是操作人員在LIMS系統(tǒng)錄入生產商信息時出現(xiàn)了差錯；樣本(2123293)的5個最近鄰樣本中有3個樣本為同一生產商(L股份公司)，指示該批油品可能來源于此生產商；樣本(2121049)的5個最近鄰樣本中，與第一個樣本的相似度顯著高于其余4個樣本，指示這兩批次油品可能來自同一來源，這為管理人員進一步溯源指示了方向。

對給出預警的貿易型供應商樣本所述的生產商信息進行核實，結果如表5所示，發(fā)現(xiàn)其中有10個樣本的生產商信息存在人為錄入差錯(即在LIMS系統(tǒng)錄入信息時生產商選擇錯誤)，17個樣本存在供應商偽造報告、供應商油品混存、來源不清等情況。樣本信息失真嚴重影響油品溯源的準確性，因此，提高LIMS系統(tǒng)樣本信息錄入的準確性，將有助于提升模型匹配準確性和溯源結果可靠性。

表5 預警樣本油源核實情況

4 結束語

提出了一種基于K緊鄰算法的外采成品油溯源方法，建立了外采油生產商匹配模型。通過計算待溯源樣本與LIMS系統(tǒng)歷史樣本的相似度，給出5個目標生產商。通過與目標生產商的匹配識別，實現(xiàn)外采油生產商識別、預警和溯源。將該方法已應用于中國石化銷售企業(yè)外采油的溯源管理。實踐證明，該方法可行有效，模型的適用性較好，能夠為管理人員追溯油品來源提供可靠依據(jù)，大大提高溯源的成功率和效率。K近鄰算法中，模型溯源結果的準確性依賴于樣本信息的準確性，提高樣本錄入信息的準確性將有助于進一步提高模型的溯源準確性。