劉靜　傅澤田　張小栓

摘要：針對(duì)鮮食葡萄冷鏈運(yùn)輸監(jiān)測(cè)數(shù)據(jù)的特點(diǎn)，采用灰色徑向基神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，對(duì)冷藏車廂環(huán)境狀態(tài)進(jìn)行預(yù)測(cè)。該方法不僅能有效規(guī)避灰色預(yù)測(cè)模型自身誤差大的缺點(diǎn)，還能減弱神經(jīng)網(wǎng)絡(luò)中訓(xùn)練樣本隨機(jī)性對(duì)建模精度的影響，提高整體模型的精度。結(jié)果表明，灰色徑向基神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法得到的預(yù)測(cè)結(jié)果最接近真實(shí)值，均方根相對(duì)誤差為0.60%，平均相對(duì)誤差為0.44%，顯著優(yōu)于單一的灰色預(yù)測(cè)、徑向基神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)，能準(zhǔn)確反映冷藏車廂的環(huán)境狀態(tài)。

關(guān)鍵詞：預(yù)測(cè)；冷藏車；灰色理論；徑向基；神經(jīng)網(wǎng)絡(luò)；葡萄

中圖分類號(hào)： S126；TP274 文獻(xiàn)標(biāo)志碼： A 文章編號(hào)：1002-1302（2015）10-0498-02

制冷設(shè)備故障、傳感器異常、人為因素等使冷鏈運(yùn)輸?shù)钠焚|(zhì)受到威脅，實(shí)施冷鏈監(jiān)測(cè)是保證其品質(zhì)的有效手段[1-2]。傳統(tǒng)的冷鏈運(yùn)輸監(jiān)測(cè)系統(tǒng)僅對(duì)冷藏車廂內(nèi)的環(huán)境參數(shù)進(jìn)行監(jiān)測(cè)，而無法進(jìn)行預(yù)測(cè)，當(dāng)冷藏車廂內(nèi)的環(huán)境狀態(tài)低于臨界狀態(tài)時(shí)才進(jìn)行補(bǔ)救，管理較為消極，常造成經(jīng)濟(jì)損失。

灰色系統(tǒng)理論（grey model，GM）認(rèn)為，任何隨機(jī)過程都是在一定幅值范圍及時(shí)間段內(nèi)變化的灰色量[3]。在冷鏈運(yùn)輸監(jiān)測(cè)系統(tǒng)中，傳感器每一時(shí)刻監(jiān)測(cè)到的冷藏車廂環(huán)境數(shù)據(jù)都是隨機(jī)的，因此冷鏈運(yùn)輸監(jiān)測(cè)數(shù)據(jù)具有明顯灰性，可將灰色理論應(yīng)用于冷鏈運(yùn)輸數(shù)據(jù)預(yù)測(cè)。冷鏈運(yùn)輸過程中，在不同時(shí)間、不同空間采集的冷藏車廂環(huán)境參數(shù)存在一定波動(dòng)性，但整體上具有穩(wěn)定性[4]。通過灰色累加生成操作將原始監(jiān)測(cè)數(shù)據(jù)生成有規(guī)律的時(shí)間序列，為建模提供更有利的信息，從而實(shí)現(xiàn)對(duì)冷藏車廂環(huán)境參數(shù)的預(yù)測(cè)[5]。當(dāng)車廂內(nèi)環(huán)境出現(xiàn)較大的擾動(dòng)、突變、機(jī)械故障等異常情況時(shí)，灰色模型預(yù)測(cè)數(shù)據(jù)的平穩(wěn)性受到影響，導(dǎo)致預(yù)測(cè)結(jié)果誤差較大，并降低數(shù)據(jù)反饋的準(zhǔn)確性。

徑向基（radial basis function，RBF）神經(jīng)網(wǎng)絡(luò)通過學(xué)習(xí)有規(guī)律的異常數(shù)據(jù)，實(shí)現(xiàn)對(duì)某些特殊情況的預(yù)測(cè)，在復(fù)雜問題的處理上具有優(yōu)越性[6]。采用多變量灰色預(yù)測(cè)與徑向基神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法可形成互補(bǔ)[7]。通過神經(jīng)網(wǎng)絡(luò)模型建立殘差反饋項(xiàng)，彌補(bǔ)灰色預(yù)測(cè)處理異常情況時(shí)建模精度低的缺陷。將多變量灰色預(yù)測(cè)與RBF神經(jīng)網(wǎng)絡(luò)技術(shù)相結(jié)合[8-10]，以期實(shí)現(xiàn)冷鏈運(yùn)輸過程中冷藏車廂環(huán)境的有效預(yù)測(cè)。

1 基于GM-RBF神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)預(yù)測(cè)

GM-RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)采用混合補(bǔ)償式組合模式（圖1）。利用冷藏車廂原始監(jiān)測(cè)數(shù)據(jù)，采用GM模型進(jìn)行建模預(yù)測(cè)，并求出殘差項(xiàng)；采用RBF神經(jīng)網(wǎng)絡(luò)建立原始監(jiān)測(cè)數(shù)據(jù)與殘差項(xiàng)間的映射關(guān)系，原始數(shù)據(jù)作為模型輸入，預(yù)測(cè)殘差項(xiàng)作為目標(biāo)輸出；利用訓(xùn)練好的網(wǎng)絡(luò)對(duì)殘差項(xiàng)進(jìn)行預(yù)測(cè)，并補(bǔ)

償GM模型的預(yù)測(cè)值。

冷鏈運(yùn)輸過程中，影響葡萄品質(zhì)的關(guān)鍵監(jiān)測(cè)參數(shù)為溫度、相對(duì)濕度、二氧化硫體積濃度[11]，獲得了s個(gè)時(shí)間點(diǎn)的原始監(jiān)測(cè)數(shù)據(jù){xi[0]（t-s+1）}，i=1，2，3。GM預(yù)測(cè)模型的原始輸入數(shù)據(jù)長(zhǎng)度為s，滾動(dòng)預(yù)測(cè)步長(zhǎng)為R。原始監(jiān)測(cè)數(shù)據(jù)與GM預(yù)測(cè)值的殘差為：

使用GM-RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)之前，必須對(duì)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行充分訓(xùn)練。使用未經(jīng)充分訓(xùn)練的網(wǎng)絡(luò)將產(chǎn)生很大誤差；而過多網(wǎng)絡(luò)訓(xùn)練則會(huì)降低學(xué)習(xí)效率，少數(shù)特殊的監(jiān)測(cè)數(shù)據(jù)點(diǎn)被湮沒在大量正常的數(shù)據(jù)中，耗費(fèi)大量資源。本研究提出的GM-RBF神經(jīng)網(wǎng)絡(luò)模型在殘差訓(xùn)練中增加了殘差判斷過程，事先設(shè)定殘差閾值，一旦發(fā)現(xiàn)殘差的絕對(duì)值大于閾值，即判定特殊點(diǎn)出現(xiàn)并進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。輸入測(cè)試樣本，使用訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)殘差序列e⌒（0）（k），由此最終得到基于 GM-RBF 神經(jīng)網(wǎng)絡(luò)模型的冷鏈運(yùn)輸監(jiān)測(cè)數(shù)據(jù)的預(yù)測(cè)值 x⌒（0）（k）* 。

2 情景設(shè)計(jì)

在實(shí)際冷鏈運(yùn)輸過程中，突發(fā)性的擾動(dòng)、故障等異常情況的出現(xiàn)具有隨機(jī)性，無法進(jìn)行預(yù)測(cè)；但對(duì)于有規(guī)律的突變點(diǎn)，通過其突變之前出現(xiàn)的數(shù)據(jù)先兆，可對(duì)將要發(fā)生的狀況進(jìn)行預(yù)測(cè)。神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本的選取盡量具有正確性、準(zhǔn)確性、代表性，盡量涉及冷鏈運(yùn)輸過程中可能發(fā)生的各種情況，正確反映冷鏈運(yùn)輸過程中數(shù)據(jù)的內(nèi)在規(guī)律，防止壞樣本干擾神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。本研究選取150組數(shù)據(jù)作為訓(xùn)練樣本，包括較為特殊的突變點(diǎn)、開關(guān)門過程等，并選取50組數(shù)據(jù)作為測(cè)試樣本。采用TEMI1880型高低溫交變?cè)囼?yàn)箱（天津蘇瑞科技有限公司產(chǎn)品）模擬冷藏車廂環(huán)境，以溫度預(yù)測(cè)為例進(jìn)行研究。

3 結(jié)果與分析

3.1 預(yù)測(cè)結(jié)果

RBF神經(jīng)網(wǎng)絡(luò)的輸入向量是原始監(jiān)測(cè)數(shù)據(jù)，目標(biāo)向量是GM模型的殘差。為確定RBF神經(jīng)網(wǎng)絡(luò)的目標(biāo)向量，采用GM模型對(duì)原始監(jiān)測(cè)數(shù)據(jù)進(jìn)行擬合與預(yù)測(cè)。經(jīng)多次測(cè)試，將每40次監(jiān)測(cè)數(shù)據(jù)作為1個(gè)循環(huán)周期建立的模型較為理想，模型的發(fā)展系數(shù)-a<0.3，適用于中長(zhǎng)期預(yù)測(cè)。利用第1個(gè)至第40個(gè)連續(xù)的冷鏈監(jiān)測(cè)數(shù)據(jù)預(yù)測(cè)第41個(gè)至第50個(gè)數(shù)據(jù)；利用第2個(gè)至第41個(gè)連續(xù)數(shù)據(jù)預(yù)測(cè)第42個(gè)至第51個(gè)數(shù)據(jù)；以此類推，利用第109個(gè)至第150個(gè)連續(xù)數(shù)據(jù)預(yù)測(cè)第151個(gè)至第160個(gè)數(shù)據(jù)。

由GM模型109次預(yù)測(cè)過程的比例絕對(duì)誤差（圖2）可知，第40個(gè)至第80個(gè)預(yù)測(cè)點(diǎn)誤差較大，原因是此階段的原始監(jiān)測(cè)數(shù)據(jù)存在較大的突變及開關(guān)門現(xiàn)象。由于GM模型自身的局限性，突發(fā)事件（大擾動(dòng)、切換、突變、故障等異常情況）對(duì)數(shù)據(jù)的平穩(wěn)性造成破壞，從而干擾預(yù)測(cè)結(jié)果，使預(yù)測(cè)誤差較高。使用此類數(shù)據(jù)進(jìn)行預(yù)警將有較高的誤報(bào)率；因此，須對(duì)模型進(jìn)行誤差補(bǔ)償以提高預(yù)測(cè)的準(zhǔn)確性。

采用GM模型計(jì)算150組原始數(shù)據(jù)可得到109組殘差序列，并將其作為RBF神經(jīng)網(wǎng)絡(luò)的目標(biāo)向量；輸入向量是與殘差序列對(duì)應(yīng)的原始監(jiān)測(cè)數(shù)據(jù)。使用GM模型對(duì)第151個(gè)至第190個(gè)數(shù)據(jù)進(jìn)行擬合與預(yù)測(cè)，預(yù)測(cè)階數(shù)為10。經(jīng)計(jì)算，發(fā)展系數(shù)a=-0.000 142 46、灰作用量u=-0.495 96，由于-a<0.3，該模型適用于中長(zhǎng)期預(yù)測(cè)。

擬合后的數(shù)據(jù)殘差曲線見圖3。其中，圓圈代表殘差值，豎線代表各點(diǎn)相應(yīng)的95%置信區(qū)間，第2、第39個(gè)點(diǎn)為離群點(diǎn)，誤差較大。小誤差概率P=0.725∈[0.7，0.8]，模型精度等級(jí)為3級(jí)（勉強(qiáng)）；而后驗(yàn)差比C=0.662 01>0.65，模型精度不合格，因此GM模型需進(jìn)行誤差補(bǔ)償。使用訓(xùn)練好的endprint

RBF神經(jīng)網(wǎng)絡(luò)對(duì)第191組至第200組的GM模型殘差進(jìn)行預(yù)測(cè)。為檢驗(yàn)預(yù)測(cè)的準(zhǔn)確性，已監(jiān)測(cè)到實(shí)際中第191組至第200組的原始數(shù)據(jù)。經(jīng)計(jì)算，前幾個(gè)點(diǎn)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)殘差與真實(shí)計(jì)算殘差相差不大，但最近監(jiān)測(cè)點(diǎn)對(duì)未來預(yù)測(cè)的決定作用隨時(shí)間的推移越來越小，且預(yù)測(cè)精度隨著隨機(jī)因素的增多而開始下降。將GM-RBF神經(jīng)網(wǎng)絡(luò)的輸出向量反歸一化，得到最終的擬合值與預(yù)測(cè)值。

GM模型、RBF神經(jīng)網(wǎng)絡(luò)模型、GM-RBF神經(jīng)網(wǎng)絡(luò)模型在第151組至第200組的擬合值與預(yù)測(cè)值見圖4。其中，前40個(gè)監(jiān)測(cè)點(diǎn)對(duì)應(yīng)的溫度值是擬合值，后10個(gè)是預(yù)測(cè)值。采用GM-RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法得到的預(yù)測(cè)結(jié)果最接近于真實(shí)值，其次為RBF神經(jīng)網(wǎng)絡(luò)算法，而GM模型的預(yù)測(cè)結(jié)果僅呈現(xiàn)出監(jiān)測(cè)數(shù)據(jù)的總體變化趨勢(shì)，并未準(zhǔn)確給出每個(gè)時(shí)間點(diǎn)的監(jiān)測(cè)值，與原始監(jiān)測(cè)值間的偏差較大，并且可以預(yù)見，預(yù)測(cè)結(jié)果必將隨著預(yù)測(cè)時(shí)間的增長(zhǎng)而產(chǎn)生越來越大的偏差。

3.2 預(yù)測(cè)結(jié)果評(píng)價(jià)

為對(duì)預(yù)測(cè)結(jié)果進(jìn)行更好的評(píng)價(jià)與比較，定義如下2個(gè)誤差指標(biāo)。

經(jīng)計(jì)算得到不同預(yù)測(cè)方法的誤差（表1），GM-RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果的均方根相對(duì)誤差為0.60%，平均相對(duì)誤差為0.44%，顯著優(yōu)于其他預(yù)測(cè)方法。

GM-RBF神經(jīng)網(wǎng)絡(luò)在訓(xùn)練第65次時(shí)，其訓(xùn)練誤差達(dá)到0.000 967 07，滿足冷鏈運(yùn)輸監(jiān)測(cè)精度的要求；在相同訓(xùn)練次數(shù)下，單純RBF神經(jīng)網(wǎng)絡(luò)并未達(dá)到訓(xùn)練精度的要求，在第95步時(shí)才收斂，訓(xùn)練誤差為0.000 998 13，是GM-RBF神經(jīng)網(wǎng)絡(luò)組合預(yù)測(cè)的1.03倍。將多變量灰色預(yù)測(cè)與RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)相結(jié)合，可以加快RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度，降低全局誤差，實(shí)現(xiàn)較高的預(yù)測(cè)精度。采用GM-RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法的預(yù)測(cè)結(jié)果優(yōu)于單一的GM預(yù)測(cè)、RBF神經(jīng)網(wǎng)絡(luò)方法。

4 結(jié)論

針對(duì)鮮食葡萄冷鏈運(yùn)輸監(jiān)測(cè)數(shù)據(jù)的特點(diǎn)，將多變量灰色預(yù)測(cè)方法與徑向基神經(jīng)網(wǎng)絡(luò)技術(shù)相結(jié)合，提出一種新的鮮食葡萄冷鏈運(yùn)輸監(jiān)測(cè)數(shù)據(jù)的預(yù)測(cè)方法：GM-RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法。該方法有效規(guī)避了灰色預(yù)測(cè)模型自身誤差大的缺點(diǎn)，同時(shí)減弱了神經(jīng)網(wǎng)絡(luò)中訓(xùn)練樣本隨機(jī)性對(duì)建模精度的影響，提高了整體模型的精度。結(jié)果表明，GM-RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法的均方根相對(duì)誤差、平均相對(duì)誤差分別為0.60%、0.44%，顯著優(yōu)于單一的GM預(yù)測(cè)、RBF神經(jīng)網(wǎng)絡(luò)方法，能夠準(zhǔn)確反映實(shí)際的冷鏈運(yùn)輸監(jiān)測(cè)數(shù)據(jù)。

參考文獻(xiàn)：

[1]Mai N T，Gudjonsdottir M，Lauzon H L，et al. Continuous quality and shelf life monitoring of retail-packed fresh cod loins in comparison with conventional methods[J]. Food Control，2011，22（6）：1000-1007.

[2]Díaz S E，Pérez J C，Mateos A C，et al. A novel methodology for the monitoring of the agricultural production process based on wireless sensor networks[J]. Computers and Electronics in Agriculture，2011，76（2）：252-265.

[3]楊禎山，邵 誠(chéng). 基于灰色RBF神經(jīng)網(wǎng)絡(luò)模型的電梯層間交通分布預(yù)測(cè)[J]. 信息與控制，2008，37（6）：690-696.

[4]齊 林，田 東，張 健，等. 基于SPC的農(nóng)產(chǎn)品冷鏈物流感知數(shù)據(jù)壓縮方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2011，42（10）：129-134.

[5]張世強(qiáng). 基于信息再利用的灰色系統(tǒng)GM（1.1）模型建模方法及應(yīng)用[J]. 數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2009，39（13）：97-104.

[6]Casasent D，Chen X W. Radial basis function neural networks for nonlinear Fisher discrimination and Neyman-Pearson classification[J]. Neural Networks，2003，16（5/6）：529-535.

[7]袁景凌，鐘 珞，李小燕，等. 灰色神經(jīng)網(wǎng)絡(luò)的研究及發(fā)展[J]. 武漢理工大學(xué)學(xué)報(bào)，2009，31（3）：91-93.

[8]李家科，李亞嬌，李懷恩，等. 非點(diǎn)源污染負(fù)荷預(yù)測(cè)的多變量灰色神經(jīng)網(wǎng)絡(luò)模型[J]. 西北農(nóng)林科技大學(xué)學(xué)報(bào)：自然科學(xué)版，2011，39（3）：229-234.

[9]阮 萍，駱力明，王 華，等. 基于灰色系統(tǒng)和人工神經(jīng)網(wǎng)絡(luò)的中長(zhǎng)期電力負(fù)荷預(yù)測(cè)[J]. 首都師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2004，25（2）：22-25.

[10]郭鳳儀，郭長(zhǎng)娜，王洋洋. 煤礦涌水量的灰色RBF網(wǎng)絡(luò)預(yù)測(cè)模型[J]. 計(jì)算機(jī)測(cè)量與控制，2012，20（2）：300-302，310.

[11]劉 靜，張小栓，肖新清，等. 基于多目標(biāo)決策模糊物元法的冷藏車傳感器布點(diǎn)優(yōu)化[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2014，45（10）：214-219.李吉龍，劉新平. 基于BP神經(jīng)網(wǎng)絡(luò)的未利用地開發(fā)生態(tài)風(fēng)險(xiǎn)預(yù)警研究——以新疆阜康市為例[J]. 江蘇農(nóng)業(yè)科學(xué)，2015，43（10）：500-503.endprint