3. 生鲜冷链运输温度曲线分段与超温事件提取

任务对象与数据形态

冷藏车温度记录通常来自车厢内1~2个温度探头，采样间隔常见为1分钟或5分钟，字段至少包含时间戳与温度值。全程可划分为三个业务阶段：装货阶段（开门装货，温度易波动）、运输阶段（车门关闭，温度应稳定在设定区间）、卸货阶段（开门卸货，温度再次波动）。超温事件指温度连续超出允许上限（如8℃）并持续超过最短判定时长（如5分钟）的片段，需要提取起止时间、持续时长与峰值温度。

本案例采用“阶段切分 + 阈值判定 + 事件合并”的处理链：先用时间间隔与温度突变识别阶段边界，再在运输阶段内做超温判定，最后把相邻超温点合并为事件并统计指标。下图给出处理链与关键判据。

实现步骤与关键代码

下面用 Python + pandas 完成整个流程。示例数据为构造的教学数据，用于演示判据与输出结构，不代表真实车辆实测结果。

import pandas as pd
import numpy as np

# 1. 构造教学示例数据：1分钟采样，含装货/运输/卸货三段
np.random.seed(42)
t1 = pd.date_range("2024-06-01 08:00", "2024-06-01 08:30", freq="1min")
t2 = pd.date_range("2024-06-01 08:45", "2024-06-01 14:30", freq="1min")
t3 = pd.date_range("2024-06-01 14:45", "2024-06-01 15:10", freq="1min")
temp1 = np.random.normal(7.5, 1.2, len(t1))
temp2 = np.random.normal(4.0, 0.4, len(t2))
temp3 = np.random.normal(7.0, 1.0, len(t3))
# 人为注入两段超温
temp1[12:19] = [8.5, 9.0, 9.4, 9.1, 8.8, 8.6, 8.3]
temp2[110:117] = [8.2, 8.5, 8.7, 8.6, 8.4, 8.3, 8.1]
df = pd.DataFrame({
    "ts": np.concatenate([t1, t2, t3]),
    "temp": np.concatenate([temp1, temp2, temp3])
}).sort_values("ts").reset_index(drop=True)

# 2. 阶段切分：时间差 > 15min 视为断点
df["gap_min"] = df["ts"].diff().dt.total_seconds().div(60).fillna(0)
df["seg_id"] = (df["gap_min"] > 15).cumsum()
seg_map = {0: "装货", 1: "运输", 2: "卸货"}
df["stage"] = df["seg_id"].map(seg_map)

# 3. 超温点标记（仅运输阶段判定，也可按业务扩展到全部阶段）
UPPER = 8.0
df["over"] = (df["temp"] > UPPER) & (df["stage"] == "运输")

# 4. 事件合并：连续超温点归为同一事件
df["event_flag"] = (df["over"] != df["over"].shift()).cumsum()
events = []
for _, g in df[df["over"]].groupby("event_flag"):
    dur = (g["ts"].max() - g["ts"].min()).total_seconds() / 60
    if dur < 5:          # 持续时长不足5分钟，剔除
        continue
    peak_idx = g["temp"].idxmax()
    events.append({
        "开始时间": g["ts"].min(),
        "结束时间": g["ts"].max(),
        "持续时长(min)": round(dur, 1),
        "峰值温度(℃)": round(g["temp"].max(), 2),
        "峰值时刻": g.loc[peak_idx, "ts"],
        "所属阶段": g["stage"].iloc[0]
    })
event_df = pd.DataFrame(events).reset_index(drop=True)
event_df.insert(0, "事件编号", [f"E{i+1:02d}" for i in range(len(event_df))])
print(event_df)

结果判读与验证

• 阶段切分验证：检查每个 seg_id 的时间跨度是否与装货、运输、卸货的实际作业时间吻合；若某段被误切，优先排查采样中断或时间戳跳变。
• 事件完整性：对照原始曲线，确认每个温度尖峰都被归入某个事件，且没有把同一段超温拆成两个事件（检查合并间隔参数）。
• 短时波动剔除：持续时长小于5分钟的片段（如卸货开门瞬间）应被剔除，避免误报；若业务要求更严格，可把最短时长调至10分钟。
• 峰值定位：峰值温度应等于该事件内温度最大值，峰值时刻应与原始记录一致，可用于后续追溯。