乳制品冷链物流预警研究

杨玮，王晓雅，张琚燕

(陕西科技大学，西安710021)

0 引言

随着经济的不断发展和人民生活水平的日益提高，食品安全问题已越来越受消费者的重视。为避免低温食品在其冷链过程中发生质量异常，造成消费者在食用后产生安全问题，因此建立一套低温食品预警系统保证产品质量是有其必要性的。乳制品作为一类低温食品，与其他食品相比，保质期短、生产具有分散性，因此人们更加关注乳制品的质量安全。为了保证市场流通中乳制品的质量，实现对乳制品冷链全程的实时监控和及时预警具有重要意义[1]。

近年来，国内外很多学者开展冷链物流安全预警研究，来保证产品从生产到销售过程中的质量安全。Y.Li等[2]针对荷兰鸡肉供应过程中数量和质量损失问题，结合数据挖掘法和专家知识库分析数据源，提出了预警和主动控制系统新框架。Woo Ram Kim等[3]使用保质期来估计食品质量，并应用重心模型和遗传算法来获取温度和湿度水平，所提出的算法可以达到保证食品质量的目的。Wang等[4]提出质量风险指数和改进的灰度预测模型来预测未来食品安全趋势。杨玮等[5]分析了果蔬冷链过程影响质量的因素，通过建立预警指标体系，利用BP神经网络建立果蔬安全预警模型，该模型可以有效预测果蔬在冷链物流中的风险Carletto C等[6]找出解决食品安全的关键因素，据此建立短期修正和长期改进相结合的策略，用来改变现存的粮食监测预警方面协调性差和方法创新度低等问题。Simon X.Yang等[7]将影响乳制品安全的异常数据分为4类，根据异常数据类型构建预警系统，所提出的预警系统能有效地识别异常的数据类型，并准确地确定警告是否应该发出取决于当系统检测到异常时的警报等级。马长路等[8]提出了利用物联网技术，检测生鲜乳中的微生物、抗生素、三聚氰胺等指标，监控贮间奶的温湿度、烟雾等参数，当检测到的指标或监控到的参数不在标准范围，系统进行预警。

综上所述，一些国内外学者对食品质量安全预警的研究主要侧重于家禽的数量和质量、粮食的产量和价格等方面，而关于乳制品冷链物流预警方面的研究较少，且考虑其影响质量的因素时多为定性分析其某一冷链过程，很少以整个供应链为研究对象而考虑，缺乏实际应用性。并且在乳制品预警系统中，由于采集的历史样本数据有限，监测的质量安全指标是多方面的，以神经网络为代表的传统机器学习方法对这样的小样本、高维问题的学习，很难控制网络复杂程度，容易出现过学习与欠学习现象，最后难以取得理想的结果。

针对上述问题，本文将支持向量机用于乳制品冷链物流预警研究。通过分析乳制品冷链物流过程中影响质量的相关因素，比较不同核函数下支持向量机的预测精度，建立基于径向基核函数的支持向量机预警模型。结合LIBSVM工具箱，在MATLAB平台下对支持向量机参数编程寻优，从而得到优化模型，使其预测速度更快、精度更高。最后通过实例仿真将预测结果与BP神经网络的结果进行比较，验证了参数优化后（径向基核函数）的支持向量机算法的优越性。

1 乳制品冷链物流预警模型建立

1.1 构建预警指标体系

构建乳制品冷链物流预警指标体系是实现乳制品冷链物流预警的基础工作。通过分析乳制品供应链的特点以及详细的业务流程。搜集国内乳制品冷链流通市场影响乳制品安全的一系列指标，根据指标选取原则[9]，结合乳制品冷链物流的安全现状和影响因素进行分析，筛选重要指标并根据层次分析法建立指标体系。

根据乳制品供应链的定义[10]，可以将其概括为原料奶验收、乳制品加工、运输和销售四个环节，分析各个环节的工作过程，得到乳制品供应链业务流程如图1所示。

图1 乳制品供应链业务流程

通过分析乳制品供应链各业务环节，对其进行危害分析和关键控制点分析报告[11]，梳理出每个环节影响乳制品冷链物流安全的风险源，并整理出具体的预警指标，最后结合层次分析法[12]，建立乳制品冷链物流预警指标体系，并根据咨询专家和现场评估确定出每个指标的权重。乳制品冷链物流预警指标体系如图2所示。

根据乳制品安全指标的层次结构模型构造对比矩阵，得到乳制品冷链物流预警指标权重如表1所示。

图2 乳制品安全指标的层次结构模型

表1 乳制品冷链物预警指标权重

1.2 预警模型建立

利用支持向量机（SVR）方法进行乳制品冷链物流安全预警时，首先要建立一个训练样本集，将已知样本集作为输入值进行训练学习，通过确定合适的核函数及参数，从而确定预测模型。利用该模型进行预测分析[13]。具体过程如下：

（a）数据预处理。对收集到的原始数据标准化处理，使其具有统一量纲。

（b）为验证支持向量机方法的有效性，取n组数值作为训练样本，采用多目标线性加权函数法对训练样本进行计算，获得训练样本的预测值，支持向量机的训练样本如式（1）。

对于各个环节的预测值，k为模型指标层嵌入准则层高维空间的维数，可建立映射f：R q→R s,如式（2）。

对于乳制品总体安全预警的预测值，r为模型嵌入高维空间的维数，可建立映射g：R q→r R，如式（3）。

其中，yr（r=1～4）为乳制品冷链物流4个环节的预测值，y为乳制品总体安全预测值。

（c）根据输入样本集和公式（1），利用KKT条件求得αi、αi*和b*，建立如式（4）的回归函数，对于新的输入向量x，利用回归函数进行SVM训练。

（d）引入均方误差MSE和决定系数R2两个指标，评价预测结果的准确性。

其中，均方误差MSE描述了预测结果精度，MSE越小，预测精度越高；决定系数代表了模型的泛化能力，R2越接近1，代表模型泛化能力越强，解释因变量的能力越强。

步骤c、d涉及支持向量机的建模计算，结合LIBSVM工具箱进行编程求解。

2 算例实现

2.1 指标数据的采集与处理

本文的数据资料主要来西安某冷链运输公司，以及通过相关专家咨询和现场调查获得。共收集了100组历史数据，其中90组作为学习数据，10组作为预测数据，14项乳制品安全因素的指标数据如表2所示（以下取原料奶验收环节5组数据作为样本演示）。

表2 原料奶验收环节原始数据

由于不同评价指标往往具有不同的单位和变异程度，这会影响数据分析的结果。为了消除指标之间由于单位不同或变异程度造成的误差，需要对数据进行标准化处理，从而解决不同指标数据之间的差异性。不同类型指标具有不同的标准化方法[14]，具体如下：设样本x={x11，…，xij，…}，i=1,2，…，p；j=1，2，…，q，则：

正向评价指标：

根据标准化结果结合层次分析法，计算各环节目标结果数据，并利用MATLAB程序获得目标输出结果，如表3所示。

表3 目标输出结果

2.2 基于LIBSVM的乳制品冷链物流安全预警

用支持向量机进行乳制品冷链预警，首先应建立一个训练样本集。本文将收集的100组数据的输入和输出分别采用支持向量机的LIBSVM工具箱进行训练预测。

2.2.1 LIBSVM（默认参数）仿真预测

在LIBSVM中采用系统默认参数对乳制品冷链物流数据进行预测，模型整体流程图如图3所示。

图3 LIBSVM模型默认参数整体流程图

为寻找默认参数下的最优预测模型，在MATLAB中更换核函数，分别采用多项式核函数、径向基（RBF）核函数、sigmoid核函数对乳制品冷链物流各个环节和总体质量状况进行预测，获得不同核函数下的均方误差结果如表4所示。

表4 LIBSVM不同核函数预测结果

2.2.2 LIBSVM（优化参数）仿真预测

为了进一步提高预测精度，得到更好的警度预测拟合值，本文采用交叉验证（K-fold Cross Validation，简称K-CV）对影响学习机性能的主要参数惩罚函数C和径向基核函数的参数g进行优化。模型整体流程图如图4所示。

图4 LIBSVM模型优化参数整体流程图

在MATLAB程序中对各个环节进行预测时，通过K-CV法进行SVR算法的参数寻优，为建立优化模型提供基础。寻优等高图如图5所示。

图5 各环节最优参数寻优的二维和三维等高图

各个环节进行参数寻优后得到的最优参数bestc，bestg如表5所示。

表5 K-CV法获得的各环节最优参数Bestc、Bestg

2.3 SVR与BP神经网络仿真结果对比

BP神经网络是目前应用最广泛的神经网络模型之一，它也是前向网络的关键部分[15]，将BP神经网络、LIBSVM默认参数和参数优化后的预警结果进行对比，如表6所示。

表6 三种预测方法预测结果对比

将90组训练数据利用MATLAB自带的LIBSVM工具箱构建基于径向基的回归型SVM（参数优化后）预测模型，将得到的预测值和真实值进行拟合对比，得到乳制品冷链物流回归预测的结果图如图6所示。

根据预测均方误差和拟合度图可知，三种方法中，LIBSVM（优化参数）各环节获得的均方误差（MSE）比BP神经网络和LIBSVM（默认参数）都小，且决定系数R2比其余两组更接近1，说明训练获得的模型泛化能力非常好，预测可靠性较高。因此，采用参数优化后的回归型支持向量机进行乳制品冷链物流安全预警的效果最好，且更有实际意义。

图6 乳制品各环节预测结果

2.4 预测结果分析

为了将预测警情以直观方式显示，可将最终的预测结果值根据不同区间划分为不同的警情等级[16]，结果如表7所示。

表7 警情等级划分表

由拟合度分析可知支持向量机用于乳制品冷链物流预警可靠，因此我们用它对剩余十组数据进行预测（取5组为演示样本），结果如表8所示。

表8 警情预测结果

由预测的输出结果可以看出预测样本每一流通环节的不同警情情况，根据预测结果，企业及时作出应对措施，减少不必要的经济损失以及保障顾客消费安全。

3 结 论

本文采用了层次分析法、支持向量机算法对乳制品冷链物流的预警问题展开研究。通过分析乳制品供应链业务流程建立预警指标体系，结合指标体系构建基于支持向量机的预警模型。对比支持向量机模型中常用的三种核函数求得的预警结果精度，得出选用径向基核函数建模时，预测效果最好。采用K-CV法对影响支持向量机学习性能的参数进行寻优，将参数优化后的模型预警结果与默认参数、BP神经网络预警结果进行对比，结果表明参数寻优后的支持向量机提高了运算精度、加快了运算速度，有效地实现了乳制品冷链过程中的预警作用。本文的预警模型对乳制品冷链过程的监控和预警具有现实参考意义。