基于SVM 算法的生鮮農產品質量安全預警研究

李永飛， 賀桂英， 張 金

（1 西安郵電大學現代郵政學院， 西安 710061； 2 郵政行業技術研發中心， 西安 710061）

0 引 言

隨著盒馬集市、多多買菜、美團優選等社區團購平臺的興起，城鄉居民對于高品質且安全的生鮮農產品的消費需求也日趨旺盛，對生鮮農產品的質量安全關注度正不斷提高。 由于生鮮農產品具有時鮮性、易腐性、季節性等特點，就使得在質量控制階段對生鮮農產品的質量安全預警成為極其重要的一個環節［1－2］。 因此，當前形勢下適時有效地進行生鮮農產品質量安全預警，有利于降低生鮮農產品腐損率，提升大眾的滿意度和幸福感，同時對于實現生鮮農產品全程冷鏈環節的實時監控具有重要意義。

近年來，國內外學者對生鮮農產品質量安全預警的研究成果主要集中在以下幾個方面。 一是關于生鮮農產品質量安全預警指標體系的構建。 曾欣平等學者［3］從供應鏈角度出發，構建乳制品質量安全風險評價指標體系，利用熵權法計算各評價指標的權重系數，然后運用可拓學理論建立乳制品質量安全預警模型。 宋寶娥［4］在供應鏈視角下，分析農產品供應鏈各環節，從而建立評價指標體系，構建了基于集值統計加速迭代法的農產品安全預警模型。 山紅梅等學者［5］依據生鮮農產品冷鏈物流特點構建了以農產品加工、低溫倉儲服務、冷藏運輸服務、冷鏈物流信息化和人員素質五方面為主的生鮮農產品冷鏈物流綜合服務水平評估指標體系，提出了基于云模型－IAHP 的生鮮農產品冷鏈物流服務水平評估模型，改進了云模型中的云合并算法，對生鮮農產品冷鏈物流服務水平評估具有實用性。 二是生鮮農產品質量安全預警系統的設計。 張洋等學者［6］針對近年來頻發的農產品安全事件，依據數據挖掘技術，采用關聯規則挖掘和Dempsters 組合規則的方式，提出了一個農產品供應鏈風險預警系統，以確保供應鏈農產品質量。 馬長路等學者［7］利用物聯網技術，檢測生鮮乳中相關指標，當檢測到的指標或監控到的參數不在標準范圍時，通過系統進行預警。三是生鮮農產品質量安全預警模型的構建。 楊瑋等學者［8］分析果蔬冷鏈過程影響質量的因素，從而建立預警指標體系，利用BP 神經網絡建立果蔬安全預警模型，該模型可以有效預測果蔬在冷鏈物流中的風險。 高亞男等學者［9］對食品安全相關數據和以往應用的智能化方法進行歸納分析，根據數據特點和已存在方法的不足提出了先驗風險概率與模糊層級劃分相結合的風險值計算規則，并應用LightGBM 模型結合專家經驗干預策略進行風險值校正和預測。 在預警研究中，其他領域應用的預測方法也值得借鑒，張中丹等學者［10］為了有效預警電網自然災害風險，研究了基于區塊鏈（block chain，BC） 技術的電網災害預警決策系統。

上述研究成果為生鮮農產品質量安全預警的實踐提供了良好的理論基礎和方法依據。 但是，國內外學者針對生鮮品這類特定農產品的質量安全預警的文獻也較為罕見。 因此，本文以生鮮農產品質量安全為研究對象，分析了生鮮農產品在冷鏈物流過程中的風險因素，進而建立質量安全預警指標體系，構建基于支持向量機算法的預警模型，最后結合數據進行驗證分析。

1 構建生鮮農產品質量安全預警指標

從事生鮮農產品質量安全預警的基礎性工作是構建生鮮農產品質量安全預警指標。 從供應鏈角度入手，分析生鮮農產品物流運作的生產、環境、物流、監管等各個環節，依據指標選取原則篩選影響生鮮農產品質量安全的因素，并依據國家相關標準構建預警指標體系。

本文結合相關文獻，考慮到生鮮農產品不同于一般農產品的相關特征，構建出生鮮農產品質量安全預警指標體系（見表1）。 其中，一級指標共4 項，分別為生產因素、環境因素、物流信息和監管過程。二級指標包括保存周期、加工轉換率、溫度、濕度等8 項。 通過3 位專家的評判打分，運用模糊層次分析法（FAHP）［11－13］得到表1 中的生鮮農產品質量安全預警指標權重。

表1 生鮮農產品質量安全預警指標體系Tab. 1 Quality and safety early warning index system of fresh agricultural products

2 建立生鮮農產品質量安全預警模型

支持向量機 （ Support Vector Machine，SVM）［14－15］是Cortes 和Vapnik 等學者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出許多特有的優勢，并能夠推廣應用到函數擬合等其他機器學習問題中。 在風險預警的研究中，支持向量機算法已得到了廣泛應用。具體過程如下：

（1）劃分訓練集和測試集。 訓練集用來訓練預警模型，測試集用來測試預警模型的準確程度。 預警模型選用前40 組數據作為訓練集，后10 組數據作為測試集。

（2）數據標準化處理。 標準化處理訓練樣本，對調整指標范圍、減少預警誤差率、杜絕選擇不當數據具有重要意義。 采用極值標準化法，即通過將屬性數據按照比例縮放，使之落入一個小的特定區間，如［－1，＋1］、［0，1］等，以進一步分析數據的屬性。

（3）核函數訓練。 支持向量機常用的核函數有線性核函數、多項式核函數、RBF 核函數以及sigmoid 核函數等。 在劃分訓練集后，選擇高斯核函數（Radial Basis Function， RBF）進行訓練，文中選擇高斯核函數是考慮其分類效率較高，適用范圍更廣。計算公式一般形式可表述為：

其中，‖xi －xj‖為樣本點xi與xj之間的距離，g是高斯核函數的內核參數。

（4）交叉驗證。 為了得到更好的安全預警擬合值，提高預警準確度，通過交叉驗證（K－fold Cross Validation，K－CV）優化懲罰函數C和高斯核函數的參數g。

（5） 實際應用。 將得到的預測值和真實值進行擬合對比，得到產品各環節回歸預測的結果圖。 由擬合度分析驗證預警模型的準確度，利用預警模型對剩余數據進行預警。

3 實例研究

3.1 采集與處理數據

通過對西安某冷鏈運輸公司以及該公司合作的食品產業園進行實地調查和專家咨詢［16］。 針對預警指標評價體系，隨機篩選50 組原始數據（以下取10 組樣本演示），具體資料統計數據和專家打分部分結果見表2。

表2 蘋果冷鏈物流各環節的原始數據Tab. 2 Raw data of all links of apple cold chain logistics

將收集好的10 組原始數據進行標準化處理，并結合層次分析法，計算各環節目標結果數據，見表3。

表3 標準化處理結果Tab. 3 Standarization results

3.2 LIBSVM 仿真預測

本文將收集的50 組數據的輸入和輸出分別采用支持向量機的LIBSVM 工具箱進行訓練預測。 選用RBF 核函數對生鮮農產品各個環節和總體質量狀況進行訓練，同時采用交叉驗證（K－fold Cross Validation，K－CV）優化懲罰函數C和高斯核函數的參數g，以提高預測精度［17－18］。 表4 為運用K－CV法得到的各個環節最優參數Bestc和Bestg。

表4 K－CV 法獲得的各環節最優參數Bestc、BestgTab. 4 Optimal parameters Bestc and Bestg of each link obtained by K－CV method

利用Matlab 自帶的LIBSVM 工具箱構建SVM預測模型，將得到的預測值和真實值進行擬合對比，得到生鮮農產品各環節回歸預測的結果，如圖1～圖5 所示。

圖1 生產因素回歸預測結果圖Fig. 1 Regression prediction results of production factors

圖2 環境因素回歸預測結果圖Fig. 2 Regression prediction results of environmental factors

圖3 物流信息回歸預測結果圖Fig. 3 Regression prediction results of logistics information

圖4 監管過程回歸預測結果圖Fig. 4 Regression prediction results of supervision process

圖5 總體回歸預測結果Fig. 5 Overall regression prediction results

由圖1～圖5 分析可知，訓練集的預測輸出曲線和真實輸出曲線均能較好地擬合，誤差值小，結果具有較高的精準性，可運用該模型對剩余數據進行有效預測。

3.3 預警結果分析

為了將預測警情以直觀方式顯示，可將最終的預測結果值根據不同區間劃分為不同的警情等級，結果見表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用于生鮮農產品質量安全預警具有可靠性，因此選用該模型對剩余10 組數據進行預測（取5 組為演示樣本），結果見表6。

表6 警情預警結果Tab. 6 Alarm results

輸出結果在（0.5 ～1］范圍內屬于無警，即農產品處于安全狀態下。 由表6 可以看出大部分樣本處于無警范圍內，個別樣本處于微警范圍內。 由于物流過程實現的是生鮮農產品在空間和時間上的轉移，需要始終保持生鮮農產品處于適當的溫濕度范圍內。 因此對物流過程中運輸工具和冷庫的標準化、制冷設備的先進性要求較高。 一般情況下，蘋果最佳環境溫度在0～5 ℃，環境相對濕度約為85%～90%。 而所選取的蘋果質量安全原始數據中溫度和濕度有超出適宜范圍的值，故會出現微預警，計算結果符合實際情況。

4 結束語

針對生鮮農產品在冷鏈物流過程中的質量安全問題，通過對整個冷鏈物流作業環節中關鍵因素進行篩選，確定監測目標和安全指標，構建基于支持向量機算法的預警模型。 預警結果表明，支持向量機在處理生鮮農產品質量安全預警問題時相比傳統預警方法效果更好。 該預警方法為避免生鮮農產品在冷鏈物流過程中出現腐敗、變質、過期等問題提供了方法依據，適用于果蔬、肉制品和乳制品等農產品在冷鏈物流過程中的質量安全預警。 除此之外，所提出的預警模型可應用于生鮮農產品質量安全預警和追溯系統，針對業務主體的全程冷鏈要求，面向消費者和供應鏈相關企業，保證生鮮農產品在整個供應鏈周期內實現風險的提前警示和事后的信息追溯，具有廣闊的應用前景。