基于SVM 算法的生鮮農(nóng)產(chǎn)品質(zhì)量安全預(yù)警研究

李永飛， 賀桂英， 張 金

（1 西安郵電大學(xué)現(xiàn)代郵政學(xué)院， 西安 710061； 2 郵政行業(yè)技術(shù)研發(fā)中心， 西安 710061）

0 引 言

隨著盒馬集市、多多買菜、美團(tuán)優(yōu)選等社區(qū)團(tuán)購平臺的興起，城鄉(xiāng)居民對于高品質(zhì)且安全的生鮮農(nóng)產(chǎn)品的消費(fèi)需求也日趨旺盛，對生鮮農(nóng)產(chǎn)品的質(zhì)量安全關(guān)注度正不斷提高。 由于生鮮農(nóng)產(chǎn)品具有時(shí)鮮性、易腐性、季節(jié)性等特點(diǎn)，就使得在質(zhì)量控制階段對生鮮農(nóng)產(chǎn)品的質(zhì)量安全預(yù)警成為極其重要的一個(gè)環(huán)節(jié)［1－2］。 因此，當(dāng)前形勢下適時(shí)有效地進(jìn)行生鮮農(nóng)產(chǎn)品質(zhì)量安全預(yù)警，有利于降低生鮮農(nóng)產(chǎn)品腐損率，提升大眾的滿意度和幸福感，同時(shí)對于實(shí)現(xiàn)生鮮農(nóng)產(chǎn)品全程冷鏈環(huán)節(jié)的實(shí)時(shí)監(jiān)控具有重要意義。

近年來，國內(nèi)外學(xué)者對生鮮農(nóng)產(chǎn)品質(zhì)量安全預(yù)警的研究成果主要集中在以下幾個(gè)方面。 一是關(guān)于生鮮農(nóng)產(chǎn)品質(zhì)量安全預(yù)警指標(biāo)體系的構(gòu)建。 曾欣平等學(xué)者［3］從供應(yīng)鏈角度出發(fā)，構(gòu)建乳制品質(zhì)量安全風(fēng)險(xiǎn)評價(jià)指標(biāo)體系，利用熵權(quán)法計(jì)算各評價(jià)指標(biāo)的權(quán)重系數(shù)，然后運(yùn)用可拓學(xué)理論建立乳制品質(zhì)量安全預(yù)警模型。 宋寶娥［4］在供應(yīng)鏈視角下，分析農(nóng)產(chǎn)品供應(yīng)鏈各環(huán)節(jié)，從而建立評價(jià)指標(biāo)體系，構(gòu)建了基于集值統(tǒng)計(jì)加速迭代法的農(nóng)產(chǎn)品安全預(yù)警模型。 山紅梅等學(xué)者［5］依據(jù)生鮮農(nóng)產(chǎn)品冷鏈物流特點(diǎn)構(gòu)建了以農(nóng)產(chǎn)品加工、低溫倉儲服務(wù)、冷藏運(yùn)輸服務(wù)、冷鏈物流信息化和人員素質(zhì)五方面為主的生鮮農(nóng)產(chǎn)品冷鏈物流綜合服務(wù)水平評估指標(biāo)體系，提出了基于云模型－IAHP 的生鮮農(nóng)產(chǎn)品冷鏈物流服務(wù)水平評估模型，改進(jìn)了云模型中的云合并算法，對生鮮農(nóng)產(chǎn)品冷鏈物流服務(wù)水平評估具有實(shí)用性。 二是生鮮農(nóng)產(chǎn)品質(zhì)量安全預(yù)警系統(tǒng)的設(shè)計(jì)。 張洋等學(xué)者［6］針對近年來頻發(fā)的農(nóng)產(chǎn)品安全事件，依據(jù)數(shù)據(jù)挖掘技術(shù)，采用關(guān)聯(lián)規(guī)則挖掘和Dempsters 組合規(guī)則的方式，提出了一個(gè)農(nóng)產(chǎn)品供應(yīng)鏈風(fēng)險(xiǎn)預(yù)警系統(tǒng)，以確保供應(yīng)鏈農(nóng)產(chǎn)品質(zhì)量。 馬長路等學(xué)者［7］利用物聯(lián)網(wǎng)技術(shù)，檢測生鮮乳中相關(guān)指標(biāo)，當(dāng)檢測到的指標(biāo)或監(jiān)控到的參數(shù)不在標(biāo)準(zhǔn)范圍時(shí)，通過系統(tǒng)進(jìn)行預(yù)警。三是生鮮農(nóng)產(chǎn)品質(zhì)量安全預(yù)警模型的構(gòu)建。 楊瑋等學(xué)者［8］分析果蔬冷鏈過程影響質(zhì)量的因素，從而建立預(yù)警指標(biāo)體系，利用BP 神經(jīng)網(wǎng)絡(luò)建立果蔬安全預(yù)警模型，該模型可以有效預(yù)測果蔬在冷鏈物流中的風(fēng)險(xiǎn)。 高亞男等學(xué)者［9］對食品安全相關(guān)數(shù)據(jù)和以往應(yīng)用的智能化方法進(jìn)行歸納分析，根據(jù)數(shù)據(jù)特點(diǎn)和已存在方法的不足提出了先驗(yàn)風(fēng)險(xiǎn)概率與模糊層級劃分相結(jié)合的風(fēng)險(xiǎn)值計(jì)算規(guī)則，并應(yīng)用LightGBM 模型結(jié)合專家經(jīng)驗(yàn)干預(yù)策略進(jìn)行風(fēng)險(xiǎn)值校正和預(yù)測。 在預(yù)警研究中，其他領(lǐng)域應(yīng)用的預(yù)測方法也值得借鑒，張中丹等學(xué)者［10］為了有效預(yù)警電網(wǎng)自然災(zāi)害風(fēng)險(xiǎn)，研究了基于區(qū)塊鏈（block chain，BC） 技術(shù)的電網(wǎng)災(zāi)害預(yù)警決策系統(tǒng)。

上述研究成果為生鮮農(nóng)產(chǎn)品質(zhì)量安全預(yù)警的實(shí)踐提供了良好的理論基礎(chǔ)和方法依據(jù)。 但是，國內(nèi)外學(xué)者針對生鮮品這類特定農(nóng)產(chǎn)品的質(zhì)量安全預(yù)警的文獻(xiàn)也較為罕見。 因此，本文以生鮮農(nóng)產(chǎn)品質(zhì)量安全為研究對象，分析了生鮮農(nóng)產(chǎn)品在冷鏈物流過程中的風(fēng)險(xiǎn)因素，進(jìn)而建立質(zhì)量安全預(yù)警指標(biāo)體系，構(gòu)建基于支持向量機(jī)算法的預(yù)警模型，最后結(jié)合數(shù)據(jù)進(jìn)行驗(yàn)證分析。

1 構(gòu)建生鮮農(nóng)產(chǎn)品質(zhì)量安全預(yù)警指標(biāo)

從事生鮮農(nóng)產(chǎn)品質(zhì)量安全預(yù)警的基礎(chǔ)性工作是構(gòu)建生鮮農(nóng)產(chǎn)品質(zhì)量安全預(yù)警指標(biāo)。 從供應(yīng)鏈角度入手，分析生鮮農(nóng)產(chǎn)品物流運(yùn)作的生產(chǎn)、環(huán)境、物流、監(jiān)管等各個(gè)環(huán)節(jié)，依據(jù)指標(biāo)選取原則篩選影響生鮮農(nóng)產(chǎn)品質(zhì)量安全的因素，并依據(jù)國家相關(guān)標(biāo)準(zhǔn)構(gòu)建預(yù)警指標(biāo)體系。

本文結(jié)合相關(guān)文獻(xiàn)，考慮到生鮮農(nóng)產(chǎn)品不同于一般農(nóng)產(chǎn)品的相關(guān)特征，構(gòu)建出生鮮農(nóng)產(chǎn)品質(zhì)量安全預(yù)警指標(biāo)體系（見表1）。 其中，一級指標(biāo)共4 項(xiàng)，分別為生產(chǎn)因素、環(huán)境因素、物流信息和監(jiān)管過程。二級指標(biāo)包括保存周期、加工轉(zhuǎn)換率、溫度、濕度等8 項(xiàng)。 通過3 位專家的評判打分，運(yùn)用模糊層次分析法（FAHP）［11－13］得到表1 中的生鮮農(nóng)產(chǎn)品質(zhì)量安全預(yù)警指標(biāo)權(quán)重。

表1 生鮮農(nóng)產(chǎn)品質(zhì)量安全預(yù)警指標(biāo)體系Tab. 1 Quality and safety early warning index system of fresh agricultural products

2 建立生鮮農(nóng)產(chǎn)品質(zhì)量安全預(yù)警模型

支持向量機(jī) （ Support Vector Machine，SVM）［14－15］是Cortes 和Vapnik 等學(xué)者1995 年首次提出，從模型原理來看，在解決小樣本、非線性及高維模式識別中表現(xiàn)出許多特有的優(yōu)勢，并能夠推廣應(yīng)用到函數(shù)擬合等其他機(jī)器學(xué)習(xí)問題中。 在風(fēng)險(xiǎn)預(yù)警的研究中，支持向量機(jī)算法已得到了廣泛應(yīng)用。具體過程如下：

（1）劃分訓(xùn)練集和測試集。 訓(xùn)練集用來訓(xùn)練預(yù)警模型，測試集用來測試預(yù)警模型的準(zhǔn)確程度。 預(yù)警模型選用前40 組數(shù)據(jù)作為訓(xùn)練集，后10 組數(shù)據(jù)作為測試集。

（2）數(shù)據(jù)標(biāo)準(zhǔn)化處理。 標(biāo)準(zhǔn)化處理訓(xùn)練樣本，對調(diào)整指標(biāo)范圍、減少預(yù)警誤差率、杜絕選擇不當(dāng)數(shù)據(jù)具有重要意義。 采用極值標(biāo)準(zhǔn)化法，即通過將屬性數(shù)據(jù)按照比例縮放，使之落入一個(gè)小的特定區(qū)間，如［－1，＋1］、［0，1］等，以進(jìn)一步分析數(shù)據(jù)的屬性。

（3）核函數(shù)訓(xùn)練。 支持向量機(jī)常用的核函數(shù)有線性核函數(shù)、多項(xiàng)式核函數(shù)、RBF 核函數(shù)以及sigmoid 核函數(shù)等。 在劃分訓(xùn)練集后，選擇高斯核函數(shù)（Radial Basis Function， RBF）進(jìn)行訓(xùn)練，文中選擇高斯核函數(shù)是考慮其分類效率較高，適用范圍更廣。計(jì)算公式一般形式可表述為：

其中，‖xi －xj‖為樣本點(diǎn)xi與xj之間的距離，g是高斯核函數(shù)的內(nèi)核參數(shù)。

（4）交叉驗(yàn)證。 為了得到更好的安全預(yù)警擬合值，提高預(yù)警準(zhǔn)確度，通過交叉驗(yàn)證（K－fold Cross Validation，K－CV）優(yōu)化懲罰函數(shù)C和高斯核函數(shù)的參數(shù)g。

（5） 實(shí)際應(yīng)用。 將得到的預(yù)測值和真實(shí)值進(jìn)行擬合對比，得到產(chǎn)品各環(huán)節(jié)回歸預(yù)測的結(jié)果圖。 由擬合度分析驗(yàn)證預(yù)警模型的準(zhǔn)確度，利用預(yù)警模型對剩余數(shù)據(jù)進(jìn)行預(yù)警。

3 實(shí)例研究

3.1 采集與處理數(shù)據(jù)

通過對西安某冷鏈運(yùn)輸公司以及該公司合作的食品產(chǎn)業(yè)園進(jìn)行實(shí)地調(diào)查和專家咨詢［16］。 針對預(yù)警指標(biāo)評價(jià)體系，隨機(jī)篩選50 組原始數(shù)據(jù)（以下取10 組樣本演示），具體資料統(tǒng)計(jì)數(shù)據(jù)和專家打分部分結(jié)果見表2。

表2 蘋果冷鏈物流各環(huán)節(jié)的原始數(shù)據(jù)Tab. 2 Raw data of all links of apple cold chain logistics

將收集好的10 組原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，并結(jié)合層次分析法，計(jì)算各環(huán)節(jié)目標(biāo)結(jié)果數(shù)據(jù)，見表3。

表3 標(biāo)準(zhǔn)化處理結(jié)果Tab. 3 Standarization results

3.2 LIBSVM 仿真預(yù)測

本文將收集的50 組數(shù)據(jù)的輸入和輸出分別采用支持向量機(jī)的LIBSVM 工具箱進(jìn)行訓(xùn)練預(yù)測。 選用RBF 核函數(shù)對生鮮農(nóng)產(chǎn)品各個(gè)環(huán)節(jié)和總體質(zhì)量狀況進(jìn)行訓(xùn)練，同時(shí)采用交叉驗(yàn)證（K－fold Cross Validation，K－CV）優(yōu)化懲罰函數(shù)C和高斯核函數(shù)的參數(shù)g，以提高預(yù)測精度［17－18］。 表4 為運(yùn)用K－CV法得到的各個(gè)環(huán)節(jié)最優(yōu)參數(shù)Bestc和Bestg。

表4 K－CV 法獲得的各環(huán)節(jié)最優(yōu)參數(shù)Bestc、BestgTab. 4 Optimal parameters Bestc and Bestg of each link obtained by K－CV method

利用Matlab 自帶的LIBSVM 工具箱構(gòu)建SVM預(yù)測模型，將得到的預(yù)測值和真實(shí)值進(jìn)行擬合對比，得到生鮮農(nóng)產(chǎn)品各環(huán)節(jié)回歸預(yù)測的結(jié)果，如圖1～圖5 所示。

圖1 生產(chǎn)因素回歸預(yù)測結(jié)果圖Fig. 1 Regression prediction results of production factors

圖2 環(huán)境因素回歸預(yù)測結(jié)果圖Fig. 2 Regression prediction results of environmental factors

圖3 物流信息回歸預(yù)測結(jié)果圖Fig. 3 Regression prediction results of logistics information

圖4 監(jiān)管過程回歸預(yù)測結(jié)果圖Fig. 4 Regression prediction results of supervision process

圖5 總體回歸預(yù)測結(jié)果Fig. 5 Overall regression prediction results

由圖1～圖5 分析可知，訓(xùn)練集的預(yù)測輸出曲線和真實(shí)輸出曲線均能較好地?cái)M合，誤差值小，結(jié)果具有較高的精準(zhǔn)性，可運(yùn)用該模型對剩余數(shù)據(jù)進(jìn)行有效預(yù)測。

3.3 預(yù)警結(jié)果分析

為了將預(yù)測警情以直觀方式顯示，可將最終的預(yù)測結(jié)果值根據(jù)不同區(qū)間劃分為不同的警情等級，結(jié)果見表5。

表5 警情等級劃分表Tab. 5 Classification of alarm level

由擬合度分析可知支持向量機(jī)用于生鮮農(nóng)產(chǎn)品質(zhì)量安全預(yù)警具有可靠性，因此選用該模型對剩余10 組數(shù)據(jù)進(jìn)行預(yù)測（取5 組為演示樣本），結(jié)果見表6。

表6 警情預(yù)警結(jié)果Tab. 6 Alarm results

輸出結(jié)果在（0.5 ～1］范圍內(nèi)屬于無警，即農(nóng)產(chǎn)品處于安全狀態(tài)下。 由表6 可以看出大部分樣本處于無警范圍內(nèi)，個(gè)別樣本處于微警范圍內(nèi)。 由于物流過程實(shí)現(xiàn)的是生鮮農(nóng)產(chǎn)品在空間和時(shí)間上的轉(zhuǎn)移，需要始終保持生鮮農(nóng)產(chǎn)品處于適當(dāng)?shù)臏貪穸确秶鷥?nèi)。 因此對物流過程中運(yùn)輸工具和冷庫的標(biāo)準(zhǔn)化、制冷設(shè)備的先進(jìn)性要求較高。 一般情況下，蘋果最佳環(huán)境溫度在0～5 ℃，環(huán)境相對濕度約為85%～90%。 而所選取的蘋果質(zhì)量安全原始數(shù)據(jù)中溫度和濕度有超出適宜范圍的值，故會出現(xiàn)微預(yù)警，計(jì)算結(jié)果符合實(shí)際情況。

4 結(jié)束語

針對生鮮農(nóng)產(chǎn)品在冷鏈物流過程中的質(zhì)量安全問題，通過對整個(gè)冷鏈物流作業(yè)環(huán)節(jié)中關(guān)鍵因素進(jìn)行篩選，確定監(jiān)測目標(biāo)和安全指標(biāo)，構(gòu)建基于支持向量機(jī)算法的預(yù)警模型。 預(yù)警結(jié)果表明，支持向量機(jī)在處理生鮮農(nóng)產(chǎn)品質(zhì)量安全預(yù)警問題時(shí)相比傳統(tǒng)預(yù)警方法效果更好。 該預(yù)警方法為避免生鮮農(nóng)產(chǎn)品在冷鏈物流過程中出現(xiàn)腐敗、變質(zhì)、過期等問題提供了方法依據(jù)，適用于果蔬、肉制品和乳制品等農(nóng)產(chǎn)品在冷鏈物流過程中的質(zhì)量安全預(yù)警。 除此之外，所提出的預(yù)警模型可應(yīng)用于生鮮農(nóng)產(chǎn)品質(zhì)量安全預(yù)警和追溯系統(tǒng)，針對業(yè)務(wù)主體的全程冷鏈要求，面向消費(fèi)者和供應(yīng)鏈相關(guān)企業(yè)，保證生鮮農(nóng)產(chǎn)品在整個(gè)供應(yīng)鏈周期內(nèi)實(shí)現(xiàn)風(fēng)險(xiǎn)的提前警示和事后的信息追溯，具有廣闊的應(yīng)用前景。