楊瑋，王曉雅，張琚燕

(陜西科技大學，西安710021)

0 引言

隨著經(jīng)濟的不斷發(fā)展和人民生活水平的日益提高，食品安全問題已越來越受消費者的重視。為避免低溫食品在其冷鏈過程中發(fā)生質量異常，造成消費者在食用后產(chǎn)生安全問題，因此建立一套低溫食品預警系統(tǒng)保證產(chǎn)品質量是有其必要性的。乳制品作為一類低溫食品，與其他食品相比，保質期短、生產(chǎn)具有分散性，因此人們更加關注乳制品的質量安全。為了保證市場流通中乳制品的質量，實現(xiàn)對乳制品冷鏈全程的實時監(jiān)控和及時預警具有重要意義[1]。

近年來，國內外很多學者開展冷鏈物流安全預警研究，來保證產(chǎn)品從生產(chǎn)到銷售過程中的質量安全。Y.Li等[2]針對荷蘭雞肉供應過程中數(shù)量和質量損失問題，結合數(shù)據(jù)挖掘法和專家知識庫分析數(shù)據(jù)源，提出了預警和主動控制系統(tǒng)新框架。Woo Ram Kim等[3]使用保質期來估計食品質量，并應用重心模型和遺傳算法來獲取溫度和濕度水平，所提出的算法可以達到保證食品質量的目的。Wang等[4]提出質量風險指數(shù)和改進的灰度預測模型來預測未來食品安全趨勢。楊瑋等[5]分析了果蔬冷鏈過程影響質量的因素，通過建立預警指標體系，利用BP神經(jīng)網(wǎng)絡建立果蔬安全預警模型，該模型可以有效預測果蔬在冷鏈物流中的風險Carletto C等[6]找出解決食品安全的關鍵因素，據(jù)此建立短期修正和長期改進相結合的策略，用來改變現(xiàn)存的糧食監(jiān)測預警方面協(xié)調性差和方法創(chuàng)新度低等問題。Simon X.Yang等[7]將影響乳制品安全的異常數(shù)據(jù)分為4類，根據(jù)異常數(shù)據(jù)類型構建預警系統(tǒng)，所提出的預警系統(tǒng)能有效地識別異常的數(shù)據(jù)類型，并準確地確定警告是否應該發(fā)出取決于當系統(tǒng)檢測到異常時的警報等級。馬長路等[8]提出了利用物聯(lián)網(wǎng)技術，檢測生鮮乳中的微生物、抗生素、三聚氰胺等指標，監(jiān)控貯間奶的溫濕度、煙霧等參數(shù)，當檢測到的指標或監(jiān)控到的參數(shù)不在標準范圍，系統(tǒng)進行預警。

綜上所述，一些國內外學者對食品質量安全預警的研究主要側重于家禽的數(shù)量和質量、糧食的產(chǎn)量和價格等方面，而關于乳制品冷鏈物流預警方面的研究較少，且考慮其影響質量的因素時多為定性分析其某一冷鏈過程，很少以整個供應鏈為研究對象而考慮，缺乏實際應用性。并且在乳制品預警系統(tǒng)中，由于采集的歷史樣本數(shù)據(jù)有限，監(jiān)測的質量安全指標是多方面的，以神經(jīng)網(wǎng)絡為代表的傳統(tǒng)機器學習方法對這樣的小樣本、高維問題的學習，很難控制網(wǎng)絡復雜程度，容易出現(xiàn)過學習與欠學習現(xiàn)象，最后難以取得理想的結果。

針對上述問題，本文將支持向量機用于乳制品冷鏈物流預警研究。通過分析乳制品冷鏈物流過程中影響質量的相關因素，比較不同核函數(shù)下支持向量機的預測精度，建立基于徑向基核函數(shù)的支持向量機預警模型。結合LIBSVM工具箱，在MATLAB平臺下對支持向量機參數(shù)編程尋優(yōu)，從而得到優(yōu)化模型，使其預測速度更快、精度更高。最后通過實例仿真將預測結果與BP神經(jīng)網(wǎng)絡的結果進行比較，驗證了參數(shù)優(yōu)化后（徑向基核函數(shù)）的支持向量機算法的優(yōu)越性。

1 乳制品冷鏈物流預警模型建立

1.1 構建預警指標體系

構建乳制品冷鏈物流預警指標體系是實現(xiàn)乳制品冷鏈物流預警的基礎工作。通過分析乳制品供應鏈的特點以及詳細的業(yè)務流程。搜集國內乳制品冷鏈流通市場影響乳制品安全的一系列指標，根據(jù)指標選取原則[9]，結合乳制品冷鏈物流的安全現(xiàn)狀和影響因素進行分析，篩選重要指標并根據(jù)層次分析法建立指標體系。

根據(jù)乳制品供應鏈的定義[10]，可以將其概括為原料奶驗收、乳制品加工、運輸和銷售四個環(huán)節(jié)，分析各個環(huán)節(jié)的工作過程，得到乳制品供應鏈業(yè)務流程如圖1所示。

圖1 乳制品供應鏈業(yè)務流程

通過分析乳制品供應鏈各業(yè)務環(huán)節(jié)，對其進行危害分析和關鍵控制點分析報告[11]，梳理出每個環(huán)節(jié)影響乳制品冷鏈物流安全的風險源，并整理出具體的預警指標，最后結合層次分析法[12]，建立乳制品冷鏈物流預警指標體系，并根據(jù)咨詢專家和現(xiàn)場評估確定出每個指標的權重。乳制品冷鏈物流預警指標體系如圖2所示。

根據(jù)乳制品安全指標的層次結構模型構造對比矩陣，得到乳制品冷鏈物流預警指標權重如表1所示。

圖2 乳制品安全指標的層次結構模型

表1 乳制品冷鏈物預警指標權重

1.2 預警模型建立

利用支持向量機（SVR）方法進行乳制品冷鏈物流安全預警時，首先要建立一個訓練樣本集，將已知樣本集作為輸入值進行訓練學習，通過確定合適的核函數(shù)及參數(shù)，從而確定預測模型。利用該模型進行預測分析[13]。具體過程如下：

（a）數(shù)據(jù)預處理。對收集到的原始數(shù)據(jù)標準化處理，使其具有統(tǒng)一量綱。

（b）為驗證支持向量機方法的有效性，取n組數(shù)值作為訓練樣本，采用多目標線性加權函數(shù)法對訓練樣本進行計算，獲得訓練樣本的預測值，支持向量機的訓練樣本如式（1）。

對于各個環(huán)節(jié)的預測值，k為模型指標層嵌入準則層高維空間的維數(shù)，可建立映射f：R q→R s,如式（2）。

對于乳制品總體安全預警的預測值，r為模型嵌入高維空間的維數(shù)，可建立映射g：R q→r R，如式（3）。

其中，yr（r=1～4）為乳制品冷鏈物流4個環(huán)節(jié)的預測值，y為乳制品總體安全預測值。

（c）根據(jù)輸入樣本集和公式（1），利用KKT條件求得αi、αi*和b*，建立如式（4）的回歸函數(shù)，對于新的輸入向量x，利用回歸函數(shù)進行SVM訓練。

（d）引入均方誤差MSE和決定系數(shù)R2兩個指標，評價預測結果的準確性。

其中，均方誤差MSE描述了預測結果精度，MSE越小，預測精度越高；決定系數(shù)代表了模型的泛化能力，R2越接近1，代表模型泛化能力越強，解釋因變量的能力越強。

步驟c、d涉及支持向量機的建模計算，結合LIBSVM工具箱進行編程求解。

2 算例實現(xiàn)

2.1 指標數(shù)據(jù)的采集與處理

本文的數(shù)據(jù)資料主要來西安某冷鏈運輸公司，以及通過相關專家咨詢和現(xiàn)場調查獲得。共收集了100組歷史數(shù)據(jù)，其中90組作為學習數(shù)據(jù)，10組作為預測數(shù)據(jù)，14項乳制品安全因素的指標數(shù)據(jù)如表2所示（以下取原料奶驗收環(huán)節(jié)5組數(shù)據(jù)作為樣本演示）。

表2 原料奶驗收環(huán)節(jié)原始數(shù)據(jù)

由于不同評價指標往往具有不同的單位和變異程度，這會影響數(shù)據(jù)分析的結果。為了消除指標之間由于單位不同或變異程度造成的誤差，需要對數(shù)據(jù)進行標準化處理，從而解決不同指標數(shù)據(jù)之間的差異性。不同類型指標具有不同的標準化方法[14]，具體如下：設樣本x={x11，…，xij，…}，i=1,2，…，p；j=1，2，…，q，則：

正向評價指標：

根據(jù)標準化結果結合層次分析法，計算各環(huán)節(jié)目標結果數(shù)據(jù)，并利用MATLAB程序獲得目標輸出結果，如表3所示。

表3 目標輸出結果

2.2 基于LIBSVM的乳制品冷鏈物流安全預警

用支持向量機進行乳制品冷鏈預警，首先應建立一個訓練樣本集。本文將收集的100組數(shù)據(jù)的輸入和輸出分別采用支持向量機的LIBSVM工具箱進行訓練預測。

2.2.1 LIBSVM（默認參數(shù)）仿真預測

在LIBSVM中采用系統(tǒng)默認參數(shù)對乳制品冷鏈物流數(shù)據(jù)進行預測，模型整體流程圖如圖3所示。

圖3 LIBSVM模型默認參數(shù)整體流程圖

為尋找默認參數(shù)下的最優(yōu)預測模型，在MATLAB中更換核函數(shù)，分別采用多項式核函數(shù)、徑向基（RBF）核函數(shù)、sigmoid核函數(shù)對乳制品冷鏈物流各個環(huán)節(jié)和總體質量狀況進行預測，獲得不同核函數(shù)下的均方誤差結果如表4所示。

表4 LIBSVM不同核函數(shù)預測結果

2.2.2 LIBSVM（優(yōu)化參數(shù)）仿真預測

為了進一步提高預測精度，得到更好的警度預測擬合值，本文采用交叉驗證（K-fold Cross Validation，簡稱K-CV）對影響學習機性能的主要參數(shù)懲罰函數(shù)C和徑向基核函數(shù)的參數(shù)g進行優(yōu)化。模型整體流程圖如圖4所示。

圖4 LIBSVM模型優(yōu)化參數(shù)整體流程圖

在MATLAB程序中對各個環(huán)節(jié)進行預測時，通過K-CV法進行SVR算法的參數(shù)尋優(yōu)，為建立優(yōu)化模型提供基礎。尋優(yōu)等高圖如圖5所示。

圖5 各環(huán)節(jié)最優(yōu)參數(shù)尋優(yōu)的二維和三維等高圖

各個環(huán)節(jié)進行參數(shù)尋優(yōu)后得到的最優(yōu)參數(shù)bestc，bestg如表5所示。

表5 K-CV法獲得的各環(huán)節(jié)最優(yōu)參數(shù)Bestc、Bestg

2.3 SVR與BP神經(jīng)網(wǎng)絡仿真結果對比

BP神經(jīng)網(wǎng)絡是目前應用最廣泛的神經(jīng)網(wǎng)絡模型之一，它也是前向網(wǎng)絡的關鍵部分[15]，將BP神經(jīng)網(wǎng)絡、LIBSVM默認參數(shù)和參數(shù)優(yōu)化后的預警結果進行對比，如表6所示。

表6 三種預測方法預測結果對比

將90組訓練數(shù)據(jù)利用MATLAB自帶的LIBSVM工具箱構建基于徑向基的回歸型SVM（參數(shù)優(yōu)化后）預測模型，將得到的預測值和真實值進行擬合對比，得到乳制品冷鏈物流回歸預測的結果圖如圖6所示。

根據(jù)預測均方誤差和擬合度圖可知，三種方法中，LIBSVM（優(yōu)化參數(shù)）各環(huán)節(jié)獲得的均方誤差（MSE）比BP神經(jīng)網(wǎng)絡和LIBSVM（默認參數(shù)）都小，且決定系數(shù)R2比其余兩組更接近1，說明訓練獲得的模型泛化能力非常好，預測可靠性較高。因此，采用參數(shù)優(yōu)化后的回歸型支持向量機進行乳制品冷鏈物流安全預警的效果最好，且更有實際意義。

圖6 乳制品各環(huán)節(jié)預測結果

2.4 預測結果分析

為了將預測警情以直觀方式顯示，可將最終的預測結果值根據(jù)不同區(qū)間劃分為不同的警情等級[16]，結果如表7所示。

表7 警情等級劃分表

由擬合度分析可知支持向量機用于乳制品冷鏈物流預警可靠，因此我們用它對剩余十組數(shù)據(jù)進行預測（取5組為演示樣本），結果如表8所示。

表8 警情預測結果

由預測的輸出結果可以看出預測樣本每一流通環(huán)節(jié)的不同警情情況，根據(jù)預測結果，企業(yè)及時作出應對措施，減少不必要的經(jīng)濟損失以及保障顧客消費安全。

3 結 論

本文采用了層次分析法、支持向量機算法對乳制品冷鏈物流的預警問題展開研究。通過分析乳制品供應鏈業(yè)務流程建立預警指標體系，結合指標體系構建基于支持向量機的預警模型。對比支持向量機模型中常用的三種核函數(shù)求得的預警結果精度，得出選用徑向基核函數(shù)建模時，預測效果最好。采用K-CV法對影響支持向量機學習性能的參數(shù)進行尋優(yōu)，將參數(shù)優(yōu)化后的模型預警結果與默認參數(shù)、BP神經(jīng)網(wǎng)絡預警結果進行對比，結果表明參數(shù)尋優(yōu)后的支持向量機提高了運算精度、加快了運算速度，有效地實現(xiàn)了乳制品冷鏈過程中的預警作用。本文的預警模型對乳制品冷鏈過程的監(jiān)控和預警具有現(xiàn)實參考意義。