CN106096887A - 一种猪肉冷链物流安全预警方法 - Google Patents

Abstract

本发明提供一种猪肉冷链物流安全预警方法。本发明以猪肉在屠宰加工、冷却排酸、运输、销售各环节的卫生安全监测指标以及基于层次分析法获得的警情评价指标作为训练样本来源，在LIBSVM软件包中使用基于径向基核函数的支持向量机训练得到满足研究所需的回归模型，通过测试样本预测结果的精度分析证明了本发明采用的支持向量机在猪肉冷链预警中所具有的优越性。本发明可作为一种事前防范的预警工具，能够帮助企业针对猪肉冷链各个环节的不同警情，做出不同的预防工作，从而有助于企业在整个冷链物流过程中对猪肉质量的把控，以降低猪肉冷链物流过程的成本。

Description

一种猪肉冷链物流安全预警方法

技术领域

本发明涉及猪肉冷链物流安全预警，具体涉及在LIBSVM工具箱中采用基于支持向量机(Support Vector Machine，简称SVM)算法进行回归拟合，从而预测猪肉冷链物流安全的方法。

背景技术

支持向量机(Support Vector Machine，简称SVM)方法主要是依据有限的样本数据，在所建立的模型复杂度和机器的学习能力两者中间寻找最佳折中，从而达到最好的推广性能。SVM应用于回归拟合分析时，是为了寻求能够使全部训练样本距离某一分类面误差值最小的一个最优分类面，这种回归算法主要是以不敏感损失函数以及核函数算法为基础，通过升高空间维度，在高维空间中进行线性回归的算法。该算法通过核函数降低了回归拟合过程中的风险，对传统的回归拟合方法进行了优化和改进。通过引进核函数，支持向量回归法能够进行非线性回归，并且能够在提高空间维度的同时对过拟合进行控制。LIBSVM工具箱是台湾大学林智仁(Chih-Jen Lin)博士和张执中(Chih-Chung Chang)教授等人所设计，能够方便有效的处理分类问题、回归问题和分布估计问题等。

冷链预警是变事后报告为事前预防，对记录全程冷链过程中可能影响卫生安全的信息进行数据分析，针对可能产生的质量问题和可能引起质量问题的环境因素进行提前播报，及时发现猪肉流通过程中隐藏的问题并及时的消除，避免具有质量问题的产品流入市场，对确保猪肉优质和安全，完善追溯系统具有重要意义。在国外，学者主要从理论、技术和模型三个方面进行了研究。V.Caporale以跟踪和追溯两者的差异为理论基础进行拓展研究，阐释了肉制品食品识别系统的特点以及食品可追溯对食品安全预警的影响；Lucia LoBello等通过对食品追溯过程中所需要的各种数据进行建模，利用Web Service技术构建了一个分布式的协同工作系统，解决了食品追溯的信息分散性和复杂性；国内学者闫倩等运用博弈论的方法研究了农产品追溯制度过程中农户和企业之间的相互信任问题。张可、柴毅以猪肉生产供应链为研究对象，分析了用于猪肉生产加工供应链可追溯系统的预警模型，对数据扰动提出了基于人工神经网络和统计学分析的分析算法，并指出了出现不正常信息时的反馈和追溯过程，以及形成预警信息和发布预警信息的过程。

发明内容

本发明的目的在于提供一种猪肉冷链物流安全预警方法，解决了猪肉冷链过程中，由于事前监控不到位而引发事后问题反馈不及时，延长猪肉冷链环节、并进一步影响到猪肉到达终端时的质量的问题，具有步骤简单且仿真模拟数据的拟合度高的特点。

为达到上述目的，本发明采用了以下技术方案：

1)建立猪肉冷链物流安全评价指标体系，所述安全评价指标体系包括用于反映猪肉冷链物流总体警情的指标、用于反映猪肉冷链物流各环节警情的一级指标、用于反映猪肉冷链物流各个环节中卫生安全监测对象分类的二级指标以及采集自猪肉冷链物流各个环节的用于卫生安全监测的三级指标；

2)采集N组三级指标的原始数据，对每组三级指标的原始数据进行定性指标定量化以及对不同量化指标各自作归一化处理得到归一化的三级指标，根据归一化的三级指标以及采用层次分析法对所述安全评价指标体系分析的结果获取二级指标、在二级指标的基础上获取一级指标以及在一级指标的基础上获取猪肉冷链物流总体警情，由获取的一级指标或猪肉冷链物流总体警情与对应的归一化的三级指标构成包含N组样本的训练样本集；

3)采用支持向量机构建警情预测的数学模型，并利用所述训练样本集对该数学模型进行训练，所述支持向量机采用径向基核函数；

4)经过步骤3)后，利用所述数学模型进行针对猪肉冷链物流总体或猪肉冷链物流各个环节的警情预测。

所述猪肉冷链物流由屠宰加工、冷却排酸、运输和销售四个环节组成。

所述屠宰加工环节的二级指标包括感官指标、技术规范指标、兽药残留量指标、微生物指标以及化学成分指标；所述技术规范指标对应的三级指标为车间整洁度和员工操作标准化。

所述冷却排酸环节的二级指标包括冷却间指标以及操作指标；所述操作指标对应的三级指标为冷却时间和吊挂时间。

所述运输环节的二级指标包括运输指标，所述运输指标对应的三级指标为运输车温度和运输车整洁度。

所述销售环节的二级指标包括环境指标和储存指标；所述环境指标对应的三级指标为操作间整洁度和消毒情况。

所述N的取值为20～100。

所述径向基核函数的惩罚函数C和核函数参数g取经过交叉验证法优化的结果。

所述定性指标定量化采用等级比重法，所述归一化处理中，将所述三级指标依据正向评价指标、负向评价指标、区间评价指标的不同要求，采用最大最小值法进行归一化。

本发明的有益效果体现在：

本发明率先将支持向量机用于猪肉冷链预警之中，利用支持向量机通过引进核函数进行非线性回归运算，并且能够在提高空间维度的同时对过拟合进行控制，降低了回归拟合过程中的风险，使得将该方法在进行仿真实验时，预测准确性大大优于传统预测法，例如BP神经网络算法。该发明作为一种事前防范的预警工具，能够帮助企业在针对猪肉冷链的不同环节的不同警情，做出不同的预防工作，从而有助于企业在整个冷链过程中对猪肉质量的把控，以降低猪肉冷链运输过程中的成本。

为了进一步提高支持向量机预测的精准性，得到更好的预测拟合值，对影响支持向量机性能的主要参数惩罚函数C和径向基核函数的参数g采用交叉验证法进行优化。使在没有测试集标签的情况下，找到一定意义下的最佳参数C、g，从而更有效避免过学习和欠学习状态的发生，最终使训练集达到最高回归准确率。由均方误差MSE和决定系数R²两个指标可知，支持向量机参数优化后输出的猪肉冷链物流各环节预警值预测结果，精度提高了一个数量级，达到了10^-4，比默认参数的预测结果拟合度高、误差小，进一步保证该方法可用于猪肉冷链物流的安全预警研究，并能达到满意效果。

附图说明

图1是利用RBF核函数(参数取默认)在屠宰加工环节输出的拟合结果(注：屠宰加工环节预测结果MSE＝0.0046738，R²＝0.91096)；

图2是对RBF核函数按K-CV法进行SVR算法的参数寻优后得到的屠宰加工环节的拟合结果(注：屠宰加工环节预测结果MSE＝0.0028691，R²＝0.99651)；

图3是采用BP神经网络算法时得到的屠宰加工环节的拟合结果(注：屠宰加工环节预测结果MSE＝0.00091170，R²＝0.99472)。

具体实施方式

下面结合附图和实施例对本发明进行详细说明。

(1)冷链环节划分及安全影响因素

猪肉冷链物流安全在屠宰加工、冷却排酸、运输、销售环节的多种影响指标关系到资源、环境、设施、管理等多方面的问题。通过分析猪肉冷链物流各个环节的安全影响因素以及猪肉冷链物流相关行业标准，结合指标体系的构建原则，对影响猪肉冷链物流安全因素进行分类和筛选。

(2)评价指标结构模型

对于猪肉冷链物流，最终选取由4大类一级指标、10个二级指标和22个三级指标构成的层次结构模型，如表1-1所示。

一级指标分别针对猪肉冷链物流的屠宰加工、冷却排酸、运输、销售四个环节对应设立。

二级指标包括感官指标、技术规范指标、兽药残留量指标、微生物指标、化学成分指标、冷却间指标、操作指标、运输指标、环境指标、储存指标。

三级指标包括表现状态；车间整洁度，员工操作标准化；氯霉素，金霉素，土霉素，六六六；大肠杆菌，菌落总数；挥发性盐基氮，水分含量，汞含量；冷却间温度，冷却间湿度；冷却时间，吊挂间距；运输车温度，运输车整洁度；操作间整洁度，消毒情况；冷柜温度，冷库温度。将实地调查得到的影响猪肉质量的三级指具体分配到对应的二级指标，再追溯到其一级指标，从而实现预警功能。

表1-1.指标之间的对应关系及指标编号

本发明基于实地检测的三级指标采用层次分析法获得二级指标的值以及一级指标的值。

首先采集某环节或各环节三级指标的原始数据(以屠宰加工环节三级指标为例，参见表1-2)。

表1-2.猪肉冷链物流屠宰加工环节部分三级指标的原始数据

对采集的三级指标中的定性指标通过等级比重法进行量化处理，即将定性评判结果分5个等级：好、较好、一般、较差、差，对应的评价等级的值分别为0.30，0.25，0.20，0.15，0.10。

使用MATLAB编程，对三级指标中的定量指标以及量化后的定性指标根据正向评价指标、负向评价指标、区间评价指标的不同要求，采用最大最小值法进行归一化：

正向评价指标(例如表1-2中，车间整洁度越高，对猪肉质量的保存越有利)归一化：

$p_{ij}=\frac{x_{ij}-\underset{1\≤i\≤n}{min}\left\{x_{ij}\right\}}{\underset{1\≤i\≤n}{\max }\left\{x_{ij}\right\}-\underset{1\≤i\≤n}{min}\left\{x_{ij}\right\}}---(1-1)$

x_ij表示第j个指标的第i个数据，p_ij表示第j个指标的第i个数据归一化结果，n表示某指标的数据样本总数。

负向评价指标(例如表1-2中，氯霉素、金霉素等兽药残留含量越多，猪肉质量越差)归一化：

$p_{ij}=\frac{\underset{1\≤i\≤n}{\max }\left\{x_{ij}\right\}-x_{ij}}{\underset{1\≤i\≤n}{\max }\left\{x_{ij}\right\}-\underset{1\≤i\≤n}{min}\left\{x_{ij}\right\}}---(1-2)$

记中间指标为：则区间评价指标(例如表1-1中，冷却间温度，冷却时间，冷却间湿度等有范围变化的三级指标即为区间评价指标)归一化：

其中，为序列最值。

利用归一化结果并结合层次分析法的分析结果，计算各环节目标结果数据。

层次分析法求解权重的关键步骤如下：

(a)根据层次结构模型，通过指标两两相比确定矩阵中元素值大小：极端重要、强烈重要、明显重要、稍微重要、同样重要，并分别赋值9、7、5、3、1，反之赋予1/9、1/7、1/5、1/3、1。构造两两对比矩阵。

(b)根据式(1-4)、(1-5)，采用方根法求各要素相对于上层某要素的归一化相对重要度向量

$W_i={\left(\underset{j=1}{\overset{n}{\Π}}{a}_{ij}\right)}^{\frac{1}{n}}---(1-4)$

$W_i^0=\frac{W_i}{\underset{i}{\Σ}{W}_i}---(1-5)$

(c)求出重要度向量W⁰后，根据式(1-6)求矩阵特征值λ_max(特征根法)：

AW＝λ_maxW (1-6)

(d)利用式(1-7)计算一致性指标CI，并在表1-3中查找相应的平均随机一致性指标RI，并根据式(1-8)求一致性比例CR，当CR<0.1时，满足一致性检验结果，否则重新修改对比矩阵，直到满足一致性要求为止。

表1-3.平均随机一致性指标

$CI=\frac{{\mathrm{\&lambda;}}_{max}-n}{n-1}---(1-7)$

$CR=\frac{CI}{RI}<0.1---(1-8)$

采用层次分析法对猪肉冷链各环节分配安全预警指标权重，以屠宰环节为例，采用层次分析法求解一级指标(屠宰加工环节)对二级指标的权重，结果如表1-4所示。

表1-4.屠宰加工环节对二级指标的比较矩阵

依此公式(1-4)、(1-5)、(1-6)、(1-7)、(1-8)求出二级指标对三级指标的比较矩阵；

求出最终的猪肉冷链物流安全预警指标体系权重结果如表1-5。

表1-5.猪肉冷链物流安全预警指标权重

由此，经过对原始指标归一化处理与层次分析得到各级指标之间的权重后，三级指标归一化结果与对应权重相乘后再相加得到二级指标，二级指标同样方式处理得到一级指标即环节预警值，一级指标同样方式处理得到总体预警值，其值越小，代表警情越严重。如表1-6。利用预警值(y)和对应的用于计算的三级指标归一化结果(x)即可得到最终的用于训练的样本集。

表1-6.目标输出结果(环节预警值和总体预警值)

满足实验的N组(例如100组，原始数据采用现场调查和专家询问的方法从西安方欣集团下属的食品产业区的猪肉在屠宰加工、冷却排酸、运输、销售各环节中获得)数据，将N组数据分为训练样本集(例如90组)和测试样本集(例如10组)。样本中的一组数据由总体预警值和所有环节三级指标归一化结果构成，或者，由任意一个环节对应的一级指标与该环节的所有三级指标归一化结果构成。

(3)利用SVR进行猪肉冷链物流安全预警

对于基于SVR的预测方法，通常通过确定合适的核函数及参数，并利用已知样本集进行训练学习，从而确定最优决策函数，利用该决策函数进行预测分析。

本发明基于SVR的猪肉冷链物流安全预警方法主要遵循以下步骤：

1)取n组数据作为训练样本，设样本x＝{x₁₁，…，x_ij，…}，y＝{y₁，…，y_i，…}，i＝1,2，…，n；j＝1，2，…，q，q表示某环节三级指标的总数或整个冷链三级指标总数，则SVR的训练样本集为：

$X=\left[\begin{array}{cccc}{x}_{11}& x_{12}& ...& x_{1q}\\ x_{21}& x_{22}& ...& x_{2q}\\ ...& ...& ...& ...\\ x_{n1}& x_{n2}& ...& x_{nq}\end{array}\right]Y=\left[\begin{array}{c}{y}_1\\ y_2\\ ...\\ y_n\end{array}\right]$

2)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_r，如式(1-9)；对于猪肉冷链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_r→R，如式(1-10)：

$y_r=f(x_{i1},x_{i2},...,x_{iq})=\underset{t=1}{\overset{k}{\&Sigma;}}{w}_t\underset{j=1}{\overset{q}{\&Sigma;}}\left(R_{ij}{w}_{ij}\right)---(1-9)$

$y=g(x_{i1},x_{i2},...,x_{ir})=\underset{s=1}{\overset{r}{\&Sigma;}}{w}_s\underset{t=1}{\overset{k}{\&Sigma;}}{w}_t\underset{j=1}{\overset{q}{\&Sigma;}}\left(R_{ij}{w}_{ij}\right)---(1-10)$

其中，y_r(r＝1～4)为猪肉冷链物流各个环节的预测值，y为猪肉总体安全预测值。

3)根据输入样本集和式(1-11)，利用KKT条件求得α_i、α_i ^*和b^*，建立如式(1-11)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：

$f\left(x\right)=\underset{i=1}{\overset{l}{\&Sigma;}}({\mathrm{\&alpha;}}_i-{\mathrm{\&alpha;}}_i^{*})K(x_i,x)+b^{*}---(1-11)$

其中，α_i、α_i ^*为Lagrange乘子，b^*为分类面阈值，K(x_i，x_j)为核函数。采用常用的三种核函数：径向基(RBF)核函数、p阶多项式核函数、正切双曲(sigmoid)核函数分别进行训练预测，寻找最优预测核函数，确定最优预测模型结构。

4)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。

$MSE=\frac{1}{n}\sqrt{\underset{i=1}{\overset{n}{\&Sigma;}}{(y_i-{\hat{y}}_i)}^2}---(1-12)$

$R^2=\frac{{(n\underset{i=1}{\overset{n}{\&Sigma;}}{\hat{y}}_i{y}_i-\underset{i=1}{\overset{n}{\&Sigma;}}{\hat{y}}_i\underset{i=1}{\overset{n}{\&Sigma;}}{y}_i)}^2}{(n\underset{i=1}{\overset{n}{\&Sigma;}}\widehat{y_i^2}-{\left(\underset{i=1}{\overset{n}{\&Sigma;}}{\hat{y}}_i\right)}^2)(n\underset{i=1}{\overset{n}{\&Sigma;}}{y}_i^2-{\left(\underset{i=1}{\overset{n}{\&Sigma;}}{y}_i\right)}^2)}---(1-13)$

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R²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，y_i表示训练样本真值，表示预测值，n表示选取的样本数。

步骤3、4涉及支持向量机的建模计算，结合LIBSVM工具箱进行编程求解。在LIBSVM中采用系统默认参数并结合猪肉冷链物流数据进行安全预警预测。在LIBSVM中模拟获得不同核函数下各冷链环节预测结果的均方误差，如表1-7所示。分析各环节预测结果的均方误差MSE，发现采用RBF进行预测结果最好。

表1-7.LIBSVM不同核函数预测结果

6)对于RBF核函数参数的优化：为进一步提升预测的精准度，采用交叉验证法(Cross Validation，简称K-CV法)优化RBF的惩罚函数C和核函数参数g，通过对c、g的精度要求，得到优化后的参数C和g，如表1-8所示。参数优化前后(径向基核函数)误差精度结果对比如表1-9所示。

表1-8.K-CV法获得的各环节最优参数

表1-9.优化前后SVR模型求得的预测结果

由上表可知，支持向量机参数优化后输出的猪肉冷链物流各环节预测结果，精度提高了一个数量级，达到了10^(-4)，比默认参数的预测结果拟合度高、误差小，说明该方法可用于猪肉冷链物流的安全预警研究，并能达到满意效果。

为了将预测警情以直观方式进行显示，可将最终的预测结果根据不同区间划分为不同的警情等级(参见表1-10)，根据警情等级确定各环节安全状况，为采取相关补救措施提供参考。预警值反映了在冷链各环节出现可能影响最终猪肉质量的严重情况，根据对猪肉的预警，警情越重，说明猪肉到达消费端出现质量问题越严重。根据企业自身对猪肉质量的要求以及食品安全管理条例，例如对警情达到中级以上即需要给予做出相对应的补救措施，以保证食品安全。

表1-10警情等级划分表

依照警情等级表，将测试样本的预测结果进行警情划分，得出各个环节以及总体的相应警情结果，如表1-11所示：

表1-11.测试样本警情预测结果

从图1特别是图2可以看出，本发明提出的基于RBF的猪肉冷链安全预警方法具有较高的预测精度。

利用警情预测结果可及时发现问题，确定问题发生的环节，并寻找原因，从而为工作人员采取纠正措施提供参考，最终阻断问题产品的流出，并可为最终的猪肉品质等级提供参考。

由于神经网络进行预测的过程中，预测结果波动性较大，不具有稳定性，而支持向量机算法则是将预测问题进行转化，将其作为二次规划问题进行解决，从而得到理论意义上的全局最优解，预测结果是定值，具有稳定性。因此，采用支持向量机进行猪肉冷链物流安全预警较BP神经网络有明显优势，且更有实际意义。

采用MATLAB的BP神经网络工具箱中默认的函数和对应的训练方法(trainlm训练函数以及对应的Levenberg_Marquerdt算法)，分别对猪肉冷链物流各个环节进行安全预测，其中，各个环节的输入层节点数、隐含层节点数、输出层节点数分别为：屠宰加工环节12、5、1个，储存环节4、3、1个；运输环节2、2、1个；销售环节4、3、1个；总体预测18、5、1个，屠宰加工环节得到的训练预测结果如图3。将采用默认参数的LIBSVM预测结果、BP神经网络的预测结果和参数优化后的LIBSVM预测结果(表1-12)进行汇总对比分析可知，三种方法中，LIBSVM(优化参数)进行猪肉冷链物流安全预警的效果最好，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，分别为0.99651、0.98813、0.99721、0.99896、0.99518，说明训练获得的模型泛化能力非常好，预测可靠性较高。其次是BP神经网络法，最后是LIBSVM(默认参数)。

表1-12.三种预测方法预测结果对比

本发明使用支持向量机算法在LIBSVM工具箱中，分别用多项式核函数、RBF核函数、sigmoid核函数三种类型的核函数对训练样本集仿真进行预测实验。同时，又与BP神经网络算法进行对比实验，清楚直观的反映本发明在猪肉冷链预警时所具有的优越性。

Claims (9)

1.一种猪肉冷链物流安全预警方法，其特征在于：包括以下步骤：

1)建立猪肉冷链物流安全评价指标体系，所述安全评价指标体系包括用于反映猪肉冷链物流总体警情的指标、用于反映猪肉冷链物流各环节警情的一级指标、用于反映猪肉冷链物流各个环节中卫生安全监测对象分类的二级指标以及采集自猪肉冷链物流各个环节的用于卫生安全监测的三级指标；

2)采集N组三级指标的原始数据，对每组三级指标的原始数据进行定性指标定量化以及对不同量化指标各自作归一化处理得到归一化的三级指标，根据归一化的三级指标以及采用层次分析法对所述安全评价指标体系分析的结果获取二级指标、在二级指标的基础上获取一级指标以及在一级指标的基础上获取猪肉冷链物流总体警情，由获取的一级指标或猪肉冷链物流总体警情与对应的归一化的三级指标构成包含N组样本的训练样本集；

3)采用支持向量机构建警情预测的数学模型，并利用所述训练样本集对该数学模型进行训练，所述支持向量机采用径向基核函数；

4)经过步骤3)后，利用所述数学模型进行针对猪肉冷链物流总体或猪肉冷链物流各个环节的警情预测。

2.根据权利要求1所述一种猪肉冷链物流安全预警方法，其特征在于：所述猪肉冷链物流由屠宰加工、冷却排酸、运输和销售四个环节组成。

3.根据权利要求2所述一种猪肉冷链物流安全预警方法，其特征在于：所述屠宰加工环节的二级指标包括感官指标、技术规范指标、兽药残留量指标、微生物指标以及化学成分指标；所述技术规范指标对应的三级指标为车间整洁度和员工操作标准化。

4.根据权利要求2所述一种猪肉冷链物流安全预警方法，其特征在于：所述冷却排酸环节的二级指标包括冷却间指标以及操作指标；所述操作指标对应的三级指标为冷却时间和吊挂时间。

5.根据权利要求2所述一种猪肉冷链物流安全预警方法，其特征在于：所述运输环节的二级指标包括运输指标，所述运输指标对应的三级指标为运输车温度和运输车整洁度。

6.根据权利要求2所述一种猪肉冷链物流安全预警方法，其特征在于：所述销售环节的二级指标包括环境指标和储存指标；所述环境指标对应的三级指标为操作间整洁度和消毒情况。

7.根据权利要求1所述一种猪肉冷链物流安全预警方法，其特征在于：所述N的取值为20～100。

8.根据权利要求1所述一种猪肉冷链物流安全预警方法，其特征在于：所述径向基核函数的惩罚函数C和核函数参数g取经过交叉验证法优化的结果。

9.根据权利要求1所述一种猪肉冷链物流安全预警方法，其特征在于：所述定性指标定量化采用等级比重法，所述归一化处理中，将所述三级指标依据正向评价指标、负向评价指标、区间评价指标的不同要求，采用最大最小值法进行归一化。