許佳瑜

（長安大學，陜西 西安 710064）

前言

近年來，我國冷鏈物流市場規(guī)模和消費需求增速加快，僅僅食品行業(yè)冷鏈物流的年需求量就在1億噸左右，年增長率近10%。但同時據(jù)相關數(shù)據(jù)表明，大約有90%的肉類、80%的水產品、蔬菜水果基本上還是在沒有冷鏈保證的情況下進行保管、運輸及銷售。由于冷鏈設備技術等的落后，所以果蔬等損耗率達到25%-30%，造成果品嚴重腐爛，物流成本提高。同時，冷鏈物流的安全預測方面的技術也是較落后的，所以健全冷鏈物流體系，提高冷鏈物流的高效運作，保證農戶以及企業(yè)乃至消費者的利益也是發(fā)展經濟的一大措施。

支持向量機是由 Vapnik提出的一種基于統(tǒng)計學習理論的模式識別方法，其在解決小樣本、非線性及高維模式識別問題中表現(xiàn)出許多特有的優(yōu)勢，并能夠推廣應用到函數(shù)擬合等其他機器學習問題中。本文主要對陜西果品冷鏈物流中的果品安全進行預警，運用AHP層次分析法建立果品安全指標體系，然后運用支持向量機的思想對果品的各項指標進行建模訓練，以達到提前預警的效果。

1 果品冷鏈物流的安全預警指標體系建立

果品冷鏈（即冷藏食品的供應鏈）是指易腐食品從產地采摘或捕獲后，在產品加工、儲藏、運輸、分銷，零售到消費者手中，其各個環(huán)節(jié)均處于適宜的設定溫度下，以保證食品品質，減少食品損耗的供應鏈系統(tǒng)。而果品的口感、品質及外觀等都要求冷鏈物過程中果品的各項環(huán)節(jié)萬無差錯，任何一個環(huán)節(jié)的各個細節(jié)都會影響果品的質量。圖1所示為我國果品冷鏈供應鏈的流程圖，通過分析我國果品冷鏈物流各個環(huán)節(jié)的影響果品質量安全的因素，篩選出具有代表意義的指標，并對這些安全指標進行定性定量分析，建立出果品安全指標體系，如圖2所示。

圖1 果品冷鏈供應鏈流程圖

圖2 果品安全指標體系

2 果品安全預警的SVM模型

2.1 原始數(shù)據(jù)來源與處理

本文的數(shù)據(jù)資料主要來源為陜西某果品生產基地，定量指標以直接數(shù)據(jù)為來源，對定性指標通過調查問卷以及專家打分的準則進行評價。共收集了40組數(shù)據(jù)，150項果品安全因素的指標。其中30組數(shù)據(jù)為訓練集，10組數(shù)據(jù)為測試集。

因為果品安全受各種因素的影響，其既有定性的有又定量的指標，同時又由于不同指標的量綱不同所以必須對各項指標數(shù)據(jù)進行歸一化處理。本文采用等級比重法對定性評級指標進行歸一化處理。對 “果品安全指標”按5個等級：好（0.3）、較好(0.25)、一般(0.2)、較差(0.15)、差(0.1)進行評級。對于定量指標本文采用最大最小值法對定量評價指標進行歸一化處理。

設，建立映射

其中

2.2 安全預警等級的劃分

警情的判斷主要依靠實際輸出值，通過分析輸出值將警情劃分為如下四個區(qū)間。

表1 警情判斷

2.2 核函數(shù)及參數(shù)選擇

支持向量機模型的建立主要依賴核函數(shù)以及核函數(shù)參數(shù)g和懲罰參數(shù)c的選取，它們的合理選擇直接影響模型的精度和泛化能力。

SVM采用滿足Mercer條件的核函數(shù)來代替映射函數(shù)，將輸人變量戈映射到高維特征空間。常用的核函數(shù)有線性核函數(shù)、多項式核函數(shù)、徑向基核函數(shù)和神經網絡核函數(shù)。因為在支持向量機算法中的徑向基函數(shù)（RBF）比較常用且其具有較好的學習能力，所以本文選用RBF核函數(shù)，如下所示：

徑向基核函數(shù)：

其中x表示輸入數(shù)據(jù)，x'表示核函數(shù)中心，σ表示函數(shù)的寬度參數(shù)。

對于參數(shù)的選取采用交叉驗證法進行選擇，經過 K-CV交叉驗證法得出最佳的懲罰系數(shù)c=256，核函數(shù)參數(shù)g=9.7656。

2.3 建立SVM模型

本文的模型代碼如下所示：

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

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

model = svmtrain(tn_train,pn_train,cmd)；

其中svmtrain為訓練建模，tn_train為訓練結果，pn_train為樣本數(shù)據(jù)輸入，cmd為命令即（-t 2）選取的核函數(shù)類型為RBF核函數(shù)，參數(shù)（-c，-g）分別為通過交叉驗證法獲取的最佳的c,g值，選取epsilon-SVR支持向量機類型即回歸問題的支持向量機，該支持向量機損失函數(shù)的值-p為0.01。

3 預警結果分析

3.1 訓練集的預測結果分析

表2 訓練樣本（預測數(shù)據(jù)）輸出矩陣

對本文所搜集到的30組數(shù)據(jù)用MATLAB對上述模型進行預測仿真，經過上述模型的訓練，得出的訓練樣本的輸出如表1所示，預警結果如表2所示。

表3 訓練樣本預警分析結果

圖3 訓練集預測結果對比

在當交叉驗證法得出最優(yōu)的c，g時，該模型的誤差性能最好。此時真實值和預測值的擬合情況如圖3所示：由圖中所示 mes=7.5454e-005表示均方誤差為 7.5454e-005，R2=0.99985表示相關系數(shù)為0.99985即實際值和預測值的擬合程度為0.99985。由圖可知，該預測值和實際值（預期目標值）的擬合程度很高，即預測準確度較高。

3.2 測試集的預測結果分析

圖4 測試集的預測結果對比

由上述的訓練集的預測結果可知，該支持向量機的模型已經較為穩(wěn)定了，下面是10組數(shù)據(jù)的預測結果圖如圖4所示。

由上圖可知，該預測值與實際值的偏差也較小，說明該支持向量機模型的預測是比較準確的。

4 總結

本文主要通過分析果品在各流通環(huán)節(jié)所牽涉的物流活動，對各項影響果品安全質量的各個因素進項調查研究，得出對影響果品較為重要的15項指標，然后利用支持向量機的方法對冷鏈物流中的果品的各項指標數(shù)據(jù)進行預測，得出預警結果。該模型的應用對于果品流通加工過程中果品質量安全監(jiān)測起到了相當大的作用，這也將較少果品的損耗率，提高企業(yè)以及果農的利益，同時也將提高消費者的滿意度。當然該模型也存在一定的缺陷，即就是其未能預測出每一個指標所對應的數(shù)據(jù)，這也是較低模型預警精度的一個重要原因，希望后續(xù)的研究能解決本模型的問題。

參考文獻

[1] 張明麗,姚繼濤.基于支持向量機建筑施工安全預警模型研究[J].中國安全生產科學術,2011,7(3):58-60.

[2] 鄧敏,韓玉啟.基于支持向量機的大學財務困境預警模型[J].南京理工大學學報,2012,36(3):551-556.

[3] 蘇懷志,溫志萍,吳中如.基于 SVM 理論的大壩安全預警模型研究[J].應用基礎與工程科學學報,2009,17(1):40-48.

[4] 彭靜,彭勇,歐陽令南.基于粒子算法和支持向量機的財務危機預警模型[J].上海交通大學學報,2008,42(4):615-620.

[5] 李萬慶,安娟.基于RS—SVM的建筑施工項目安全預警模型[J].河北工程大學學報,2010,27(4):30-35.

[6] 孫軍艷,劉海燕.基于 BP神經網絡的果品冷鏈物流安全預警模型研究[J].物流技術,2013,32(5):204-207.