果品冷链物流安全预警模型研究

许佳瑜

（长安大学，陕西 西安 710064）

前言

近年来，我国冷链物流市场规模和消费需求增速加快，仅仅食品行业冷链物流的年需求量就在1亿吨左右，年增长率近10%。但同时据相关数据表明，大约有90%的肉类、80%的水产品、蔬菜水果基本上还是在没有冷链保证的情况下进行保管、运输及销售。由于冷链设备技术等的落后，所以果蔬等损耗率达到25%-30%，造成果品严重腐烂，物流成本提高。同时，冷链物流的安全预测方面的技术也是较落后的，所以健全冷链物流体系，提高冷链物流的高效运作，保证农户以及企业乃至消费者的利益也是发展经济的一大措施。

支持向量机是由 Vapnik提出的一种基于统计学习理论的模式识别方法，其在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。本文主要对陕西果品冷链物流中的果品安全进行预警，运用AHP层次分析法建立果品安全指标体系，然后运用支持向量机的思想对果品的各项指标进行建模训练，以达到提前预警的效果。

1 果品冷链物流的安全预警指标体系建立

果品冷链（即冷藏食品的供应链）是指易腐食品从产地采摘或捕获后，在产品加工、储藏、运输、分销，零售到消费者手中，其各个环节均处于适宜的设定温度下，以保证食品品质，减少食品损耗的供应链系统。而果品的口感、品质及外观等都要求冷链物过程中果品的各项环节万无差错，任何一个环节的各个细节都会影响果品的质量。图1所示为我国果品冷链供应链的流程图，通过分析我国果品冷链物流各个环节的影响果品质量安全的因素，筛选出具有代表意义的指标，并对这些安全指标进行定性定量分析，建立出果品安全指标体系，如图2所示。

图1 果品冷链供应链流程图

图2 果品安全指标体系

2 果品安全预警的SVM模型

2.1 原始数据来源与处理

本文的数据资料主要来源为陕西某果品生产基地，定量指标以直接数据为来源，对定性指标通过调查问卷以及专家打分的准则进行评价。共收集了40组数据，150项果品安全因素的指标。其中30组数据为训练集，10组数据为测试集。

因为果品安全受各种因素的影响，其既有定性的有又定量的指标，同时又由于不同指标的量纲不同所以必须对各项指标数据进行归一化处理。本文采用等级比重法对定性评级指标进行归一化处理。对 “果品安全指标”按5个等级：好（0.3）、较好(0.25)、一般(0.2)、较差(0.15)、差(0.1)进行评级。对于定量指标本文采用最大最小值法对定量评价指标进行归一化处理。

设，建立映射

其中

2.2 安全预警等级的划分

警情的判断主要依靠实际输出值，通过分析输出值将警情划分为如下四个区间。

表1 警情判断

2.2 核函数及参数选择

支持向量机模型的建立主要依赖核函数以及核函数参数g和惩罚参数c的选取，它们的合理选择直接影响模型的精度和泛化能力。

SVM采用满足Mercer条件的核函数来代替映射函数，将输人变量戈映射到高维特征空间。常用的核函数有线性核函数、多项式核函数、径向基核函数和神经网络核函数。因为在支持向量机算法中的径向基函数（RBF）比较常用且其具有较好的学习能力，所以本文选用RBF核函数，如下所示：

径向基核函数：

其中x表示输入数据，x'表示核函数中心，σ表示函数的宽度参数。

对于参数的选取采用交叉验证法进行选择，经过 K-CV交叉验证法得出最佳的惩罚系数c=256，核函数参数g=9.7656。

2.3 建立SVM模型

本文的模型代码如下所示：

cmd = [' -t 2',' -c ',num2str(bestc),' -g ',num2str

(bestg),' -s 3 -p 0.01'];

model = svmtrain(tn_train,pn_train,cmd)；

其中svmtrain为训练建模，tn_train为训练结果，pn_train为样本数据输入，cmd为命令即（-t 2）选取的核函数类型为RBF核函数，参数（-c，-g）分别为通过交叉验证法获取的最佳的c,g值，选取epsilon-SVR支持向量机类型即回归问题的支持向量机，该支持向量机损失函数的值-p为0.01。

3 预警结果分析

3.1 训练集的预测结果分析

表2 训练样本（预测数据）输出矩阵

对本文所搜集到的30组数据用MATLAB对上述模型进行预测仿真，经过上述模型的训练，得出的训练样本的输出如表1所示，预警结果如表2所示。

表3 训练样本预警分析结果

图3 训练集预测结果对比

在当交叉验证法得出最优的c，g时，该模型的误差性能最好。此时真实值和预测值的拟合情况如图3所示：由图中所示 mes=7.5454e-005表示均方误差为 7.5454e-005，R2=0.99985表示相关系数为0.99985即实际值和预测值的拟合程度为0.99985。由图可知，该预测值和实际值（预期目标值）的拟合程度很高，即预测准确度较高。

3.2 测试集的预测结果分析

图4 测试集的预测结果对比

由上述的训练集的预测结果可知，该支持向量机的模型已经较为稳定了，下面是10组数据的预测结果图如图4所示。

由上图可知，该预测值与实际值的偏差也较小，说明该支持向量机模型的预测是比较准确的。

4 总结

本文主要通过分析果品在各流通环节所牵涉的物流活动，对各项影响果品安全质量的各个因素进项调查研究，得出对影响果品较为重要的15项指标，然后利用支持向量机的方法对冷链物流中的果品的各项指标数据进行预测，得出预警结果。该模型的应用对于果品流通加工过程中果品质量安全监测起到了相当大的作用，这也将较少果品的损耗率，提高企业以及果农的利益，同时也将提高消费者的满意度。当然该模型也存在一定的缺陷，即就是其未能预测出每一个指标所对应的数据，这也是较低模型预警精度的一个重要原因，希望后续的研究能解决本模型的问题。

参考文献

[1] 张明丽,姚继涛.基于支持向量机建筑施工安全预警模型研究[J].中国安全生产科学术,2011,7(3):58-60.

[2] 邓敏,韩玉启.基于支持向量机的大学财务困境预警模型[J].南京理工大学学报,2012,36(3):551-556.

[3] 苏怀志,温志萍,吴中如.基于 SVM 理论的大坝安全预警模型研究[J].应用基础与工程科学学报,2009,17(1):40-48.

[4] 彭静,彭勇,欧阳令南.基于粒子算法和支持向量机的财务危机预警模型[J].上海交通大学学报,2008,42(4):615-620.

[5] 李万庆,安娟.基于RS—SVM的建筑施工项目安全预警模型[J].河北工程大学学报,2010,27(4):30-35.

[6] 孙军艳,刘海燕.基于 BP神经网络的果品冷链物流安全预警模型研究[J].物流技术,2013,32(5):204-207.