CN105608536A - 基于隐马尔克夫模型的食品安全风险预测方法 - Google Patents

Abstract

本发明提供了一种基于隐马尔克夫模型的食品安全风险预测方法，对食品供应链的各个环节进行分析，找出各个环节的关键控制点；分析各环节关键控制点并将其作为HMM的量化指标，建立HMM模型；初始化HMM模型参数，根据HMM模型的可见状态序列及系统的真实状态，对HMM模型参数进行训练；利用HMM模型对食品供应链风险等级进行风险评估和风险值计算。本发明利用HMM模型对食品质量安全风险进行评价，考虑各个阶段的动态性，实时反应风险状态，采用定量和定性结合的评价方法，可以更精确地描述供应链风险的大小，有助于决策者及时采取应对措施。该风险评估模型除了对乳制品进行评估外，还具有很强的扩展性，可以应用到食品安全的其他领域。

Description

基于隐马尔克夫模型的食品安全风险预测方法

技术领域

本发明属于食品安全与计算机数据建模领域，特别是涉及到一种基于隐马尔克夫模型的食品安全风险预测方法。

背景技术

频发的食品安全事件，不仅严重威胁群众的身体健康，而且给社会带来了不安定因素，引发信任危机，影响经济发展。近年来食品安全问题的预防和治理受到高度关注，其中，风险评估是风险预警和治理的基础，受到格外重视。风险评估就是确认安全风险及其大小的过程，即利用适当的风险评估工具和方法，确定资产风险等级和优先控制顺序。食品安全风险评估的目的是为了全面掌握供应链风险的整体状况，从而为实施有效的风险管理措施提供决策支持。

目前常用的风险评估方法主要有贝叶斯网络法、德尔菲法、灰色理论法、SVM、人工神经网络、主成分分析法、层次分析法。

贝叶斯网络法是一种基于概率推理的图形化概率网络，能在有限的不确定信息条件下进行学习和推理，在智能化系统中应用广泛；但是贝叶斯网络构造繁琐，实际应用时还需反复交叉不断完善，易用性不够好。

德尔菲法是典型的定性分析方法，它能够充分发挥各位专家的不同意见，评定过程公正，但是实施过程比较复杂，花费时间较长，而且受专家主观因素影响较大，使得结果的精确度不够。

灰色系统是处于白色系统和黑箱系统之间的中间系统，是对不确定系统的研究方法；这种方法的指标权重和分辨系数需要人为设定，使评估结果人为干预性较大。

SVM在小样本的情况下具有较好的分类和泛化能力，不适合对于大样本数据的分析处理，与此同时，经典的SVM只给出了二类分类算法，解决多分类问题存在困难。

人工神经网络虽然具有高度的自适应能力，但是学习速度较慢，而且算法陷入局部极值的可能性较大。

层次分析法是一种将定量和定性相结合的多目标决策方法，是在风险分析或决策评价过程中应用最为广泛的方法；然而层次分析法存在判断矩阵一致性检验困难，缺乏科学性、未考虑评估者判断具有模糊性等缺点,同时，也不能根据系统状态的变化实时改变评价结果。

发明内容

隐马尔可夫模型(HMM)是序列数据处理和统计学习的一种重要概率模型，具有建模简单、数据计算量小、运行速度快、识别率高等特点。隐马尔克夫模型已经成功应用到语音识别和生物识别等领域，很好的结合了定性与定量的方法，具有相对准确的评估准确度。利用层次分析法和隐马尔克夫模型对网络安全进行风险评估，其模型具有较强的适应性和扩展性，可以适用于对网络、主机、系统和服务的风险评估。

因此，隐马尔可夫模型(HMM)适宜应用在食品安全风险预测和评估上。

本专利提出一种基于隐马尔克夫模型的食品安全风险预测方法，改进静态风险评估方法缺乏预测性、实时性差的缺点。

本发明的技术方案如下：

一种基于隐马尔克夫模型的食品安全风险预测方法，包括以下步骤：

步骤1、对食品供应链的各个环节进行分析，找出各个环节的关键控制点；

步骤2、分析各环节关键控制点并将其作为HMM的量化指标，建立HMM模型；

步骤3、初始化HMM模型参数，根据HMM模型的可见状态序列及系统的真实状态，对HMM模型参数进行训练；

步骤4、利用HMM模型对食品供应链风险等级进行风险评估和风险值计算。

优选的，步骤1所述关键控制点的确定方法为：根据HACCP体系，并结合食品供应链的各环节，对各个环节中关键点的生物性、物理性和化学性的潜在危害进行分析，确定关键控制点。

优选的，步骤2所述建立HMM模型的方法包括以下步骤：

201、确定食品供应链的各个系统可见状态；

202、在食品供应链每个环节建立隐马尔可夫三元组参数模型，包括状态转移概率矩阵、观测向量的概率矩阵和最初状态分布矢量。

更进一步的，步骤201所述系统可见状态包含系统的所有信息，并且在当前状态下的观察是独立的。

更进一步的，步骤202中，每个环节的安全状态概率分布就是下一环节的初始状态概率分布。

优选的，步骤3所述可见的状态序列指供应链各个环节检测到的数据；所述系统的真实状态为食品供应链各环节的真实风险值。

优选的，步骤4所述计算风险值的公式为：

$R_t=\underset{i}{\overset{N}{\Σ}}{\mathrm{\α}}_t\left(i\right)*c\left(i\right)$

其中，R_t表示在t时刻该环节所处的总体风险值，α_t(i)为t时刻供应链处在安全状态S_i的概率，N是安全状态的数目，c(i)是与状态S(i)关联的开销。

相对于现有技术，本发明利用HMM模型对食品质量安全风险进行评价，考虑各个阶段的动态性，实时反应风险状态，采用定量和定性结合的评价方法，可以更精确地描述供应链风险的大小，有助于决策者及时采取应对措施。该风险评估模型除了对乳制品进行评估外，还具有很强的扩展性，可以应用到食品安全的其他领域。

附图说明

图1是HMM三大基本算法之间的关系示意图；

图2是HMM模型的状态转移模型；

图3是观察状态序列；

图4是真实状态序列。

具体实施方式

一、隐马尔克夫模型(HMM)说明：

HMM的基本理论是Baum等人创立于20世纪70年代，80年代中期得到传播和发展。隐马尔克夫模型(HMM)是在马尔科夫链的基础上发展起来的。在HMM中观察到的事件是状态的随机函数，因此该模型是一个双重随机过程，即一个观察状态，一个隐藏状态。站在观察者的角度，只能看到观察值，不像马尔可夫链模型中的观察值和状态值一一对应。

HMM的数学表达式为：

λ＝(N,M,π,P,Q)(1)

也可以简单表示为：

λ＝(N,M,π)(2)

其中：N为HMM中状态的个数；M为HMM中对应的观测值个数；π是初始状态的分布矢量，

π＝(π₁,π₂,…,π_N),

$0\≤{\mathrm{\π}}_i\≤1,\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\π}}_i=1$

P为状态转移概率矩阵，

$P=\left[\begin{array}{cccc}{P}_{11}& P_{12}& \mathrm{...}& P_{1N}\\ P_{21}& P_{22}& \mathrm{...}& P_{2N}\\ .& .& & .\\ .& .& \mathrm{...}& .\\ .& .& & .\\ P_{N1}& P_{N2}& & P_{NN}\end{array}\right]$

Q是观察向量的概率矩阵，

Q＝(q_jk)_N×M，

1≤j≤N,1≤k≤M；(3)

Q_jk表示在状态j的情况下，观察状态k出现的概率，即：

Q_jk＝p(v_k|P_j)，

1≤j≤N,1≤k≤M；(4)

隐马尔克夫模型主要算法

HMM需要解决三个问题：

(1)、评估问题：给定模型五元组模型λ＝(N,M,π,P,Q)和一个观察序列O＝(O₁,O₂,…,O_T)计算这个观察序列出现的概率。

(2)解码问题：给定一个五元组模型λ＝(N,M,π,P,Q)和一个观察序列O＝(O₁,O₂,…,O_T)求可能性最大的隐藏状态序列。

(3)学习问题：也叫训练问题。给定一个观察值序列O＝(O₁,O₂,…,O_T)据此确定一个隐马尔克夫模型λ＝(N,M,π,P,Q)。如何调整λ＝(N,M,π,P,Q)，使得P(O|λ)最大是最关键的问题。

上述的三个问题分别对应三个经典的解决算法：“前向-后向算法”、“Viterbi算法”还有“Baum-Welch算法”。图1反应了HMM三大基本算法之间的关系。

二：以隐马尔克夫模型应用在乳制品领域作为本发明的实施例来进一步说明。

(1)分析

影响食品安全的危害因子主要分为三类：生物性因子、物理性因子和化学性危害因子。乳制品在从农场到餐桌的过程经历了四个环节：原奶收集、乳品加工、储藏运输和消费。根据HACCP体系并结合乳制品供应链的四个环节，对各个环节中的生物性、物理性和化学性的潜在危害进行分析，确定关键控制点。乳制品四个环节的关键控制点分别如表1—表4所示。

表1乳制品原奶生产环节关键控制点分析

表2乳制品加工环节关键控制点分析

表3乳制品储运环节关键控制点分析

表4乳制品消费环节关键控制点分析

由于食品一般都难以长久保持并容易受到微生物污染，食品供应链上任何环节的潜在危险因素都会影响食品质量安全。乳制品加工环节是整个供应链最重要的部分，负责将收集到的原奶加工完成，该过程对参与者的要求较高；储运环节涉及加工和物流企业，该环节受上一环节的影响巨大，同样的，消费环节的风险因素也基本来源供应链的前几个阶段。因此，乳品生产供应链的各个环节紧密联系，要对每一个环节的检查监管都格外重视。最后一个环节的风险值即为整条供应链的风险大小。

(2)建模

2.1风险评估预测原理

食品安全风险评估会受很多因素的影响，假设影响因素为：X_N＝{X_N1,X_N2,…X_Ni}。其中X_N(1≤N≤4)为风险评估的观测值，X_Ni为第N个环节的第i个影响因素，通过一定的方法反映出风险评估值和其影响因素之间的关系，数学模型表达式为：

Y_N＝f(X_Ni),

，(5)

1≤N≤4

隐马尔可夫模型(HMM)是序列数据处理和统计学习的一种重要概率模型，已经成功应用到风险评估领域。HMM有两个随机过程：可见的状态序列(y_t；t＝1,2,…)，本文指供应链各个环节检测到的数据；系统的真实状态，本文指供应链各环节的真实风险值。供应链每个环节的隐马尔可夫三元组参数模型包括状态转移概率矩阵P，观测概率矩阵Q和最初状态分布π，字母表示为λ＝(P,Q,π)。除了第一环节——原奶生产，每个环节的参数模型都受上一环节的影响。该环节最终的风险概率直接影响下一环节的初始状态概率分布。例如，原奶生产环节通过HMM模型计算，最终得出各个安全状态出现的概率分布为δ＝{δ₁,δ₂,…,δ_i}(i为真实状态的个数)，那么其下一环节即乳品生产环节的初始状态分布概率π＝δ。

我们假设供应链共有五个状态，A₁-A₅，其中A₁表示正常安全状态，A₅表示重大危险状况，A₂、A₃、A₄表示危险等级逐级加深。如果用概率表示，则各个状态表示的供应链风险等级的概率分别为：

A₁：正常状态，设定供应链受威胁的概率为P(A)＝0；

A₂：低风险，设定供应链受威胁的概率为：

0＜P(A)＜0.2

A₃：中级风险，设定供应链受威胁的概率为0.2＜P(A)＜0.5；

A₄：中高级风险，设定供应链受威胁的概率为0.5＜P(A)＜0.8；

A₅：高风险，设定供应链受威胁的概率为0.8＜P(A)＜1。

这里所涉及的HMM为离散HMM，在建立离散的HMM模型系统时，可以假定：系统状态包含系统的所有信息，并且在当前状态下的观察是独立的。则HMM模型的状态转移模型可以表示为图2所示。从一个节点移动到另一个节点表示：系统在源节点显示的状态，会转变成目的节点的状态，该模型图是一个完全连接图，表明任意安全状态都有转变为其他任意安全状态的可能.

(3)实验

根据上一节的原理分析，为了简化实验过程，以乳品供应链的最后一个环节为例，利用HMM模型供应链进行风险评估。由于乳品供应链各个环节紧密相连，环环相接，因此，最后一个环节的风险即可反应整条供应链的风险等级。

假设系统的可见状态有4个：V₁-V₄；隐藏状态我们假设有五个：A₁-A₅。上一环节的各个安全状态出现的概率分布为δ＝{0.56,0.12,0.19,0.05,0.08}，这个概率分布就是消费环节的初始状态概率分布。

设定状态转移矩阵P如下：

$P=\left[\begin{array}{ccccc}0.84& 0.05& 0.04& 0.03& 0.04\\ 0.04& 0.90& 0.01& 0.03& 0.02\\ 0.04& 0.01& 0.88& 0.02& 0.05\\ 0.04& 0.02& 0.03& 0.87& 0.04\\ 0.04& 0.04& 0.02& 0.05& 0.85\end{array}\right]$

观测向量概率矩阵Q可以设定如下：

$Q=\left[\begin{array}{cccc}0.0174& 0.7426& 0.1228& 0.1173\\ 0.2169& 0.1672& 0.3590& 0.2569\\ 0.5773& 0.1112& 0.1560& 0.1555\\ 0.0330& 0.2189& 0.3475& 0.4006\\ 0.3838& 0.1947& 0.1524& 0.2692\end{array}\right]$

有了HMM的三元组模型，就可以对相关数据进行解码分析。在此给定一组观察序列{O₂,O₁,O₃,O₄,O₄,O₃,O₂,O₂,O₁,O₁,O₄,O₃,}其观察序列的状态分布如图3所示。

通过维特比算法，可以评估出系统对应的真实状态{T₂,T₁,T₃,T₄,T₄,T₃,T₂,T₂,T₁,T₁,T₄,T₃,}。

真实状态序列的分布如图4所示。

由结果可知，系统在t＝5,6,9,11时风险级别较大，在t＝1,3,7时刻，风险级别较小。假设在A₁—A₅不同状态值下供应链对应的开销为C＝{0,5,10,15,20}。根据维特比算法，系统在t时刻处在各状态的概率分别为:

δ_t＝{0.1547,0.6073,0.0645,0.1043,0.0692}。

参考风险评价模型的典型代表OCTAVE给出一个计算风险值的公式

$R_t=\underset{i}{\overset{N}{\Σ}}{\mathrm{\α}}_t\left(i\right)*c\left(i\right).---\left(6\right)$

其中R_t表示在t时刻该环节所处的总体风险值，α_t(i)为t时刻供应链处在安全状态S_i的概率，N是安全状态的数目，c(i)是与状态S(i)关联的开销。

根据式(1)，我们可以计算出该供应链的风险值为：R＝6.0495

可以利用上述方法对不同时刻进行风险评估与开销分析，有助于生产者和决策者更全面了解供应链的风险态势，及时查出问题发生的缘由，并根据已有流程或者规定采取相应措施。若发现供应链存在的新的问题，就需要相关人员对问题所在进行深入研究，完善风险规避的方法并建立解决问题新的流程。

以上描述了本发明的基本原理、主要特征和实施方案等信息，但是本发明不受上述实施过程的限制，在不脱离发明精神和范围的前提下，本发明还可以有各种变化和改进。因此，除非这种变化和改进脱离了本发明的范围，它们应该被看作包含在本发明中。

Claims (7)

1.一种基于隐马尔克夫模型的食品安全风险预测方法，其特征在于，包括以下步骤：

步骤1、对食品供应链的各个环节进行分析，找出各个环节的关键控制点；

步骤2、分析各环节关键控制点并将其作为HMM的量化指标，建立HMM模型；

步骤3、初始化HMM模型参数，根据HMM模型的可见状态序列及系统的真实状态，对HMM模型参数进行训练；

步骤4、利用HMM模型对食品供应链风险等级进行风险评估和风险值计算。

2.根据权利要求1所述的一种基于隐马尔克夫模型的食品安全风险预测方法，其特征在于，步骤1所述关键控制点的确定方法为：根据HACCP体系，并结合食品供应链的各环节，对各个环节中关键点的生物性、物理性和化学性的潜在危害进行分析，确定关键控制点。

3.根据权利要求1或2所述的一种基于隐马尔克夫模型的食品安全风险预测方法，其特征在于，步骤2所述建立HMM模型的方法包括以下步骤：

201、确定食品供应链的各个系统可见状态；

202、在食品供应链每个环节建立隐马尔可夫三元组参数模型，包括状态转移概率矩阵、观测向量的概率矩阵和最初状态分布矢量。

4.根据权利要求3所述的一种基于隐马尔克夫模型的食品安全风险预测方法，其特征在于，步骤201所述系统可见状态包含系统的所有信息，并且在当前状态下的观察是独立的。

5.根据权利要求3所述的一种基于隐马尔克夫模型的食品安全风险预测方法，其特征在于，步骤202中，每个环节的安全状态概率分布就是下一环节的初始状态概率分布。

6.根据权利要求1所述的一种基于隐马尔克夫模型的食品安全风险预测方法，其特征在于，步骤3所述可见的状态序列指供应链各个环节检测到的数据；所述系统的真实状态为食品供应链各环节的真实风险值。

7.根据权利要求1所述的一种基于隐马尔克夫模型的食品安全风险预测方法，其特征在于，步骤4所述计算风险值的公式为：

$R_t=\underset{i}{\overset{N}{\Σ}}{\mathrm{\α}}_t\left(i\right)*c\left(i\right)$

其中，R_t表示在t时刻该环节所处的总体风险值，α_t(i)为t时刻供应链处在安全状态S_i的概率，N是安全状态的数目，c(i)是与状态S(i)关联的开销。