鄭沫利,趙艷軻,閆 敏,孫 俊,劉雍容

(1.國(guó)貿(mào)工程設(shè)計(jì)院,北京 100037; 2.江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院,江蘇 無(wú)錫 214122)

0 引 言

我國(guó)的人口多，基數(shù)大，對(duì)糧食的需求也大，2015年調(diào)查結(jié)果顯示仍存在接近2000萬(wàn)噸糧食的不足[1]。所以，針對(duì)糧食不足問(wèn)題，不僅需要對(duì)糧食產(chǎn)量層面的提升，還需降低糧食的損耗或浪費(fèi)。糧食的損耗分為產(chǎn)前損耗和產(chǎn)后損耗，本文主要研究和分析糧食產(chǎn)后的儲(chǔ)藏環(huán)節(jié)損耗。糧食儲(chǔ)藏?fù)p耗一直是困擾糧食收儲(chǔ)企業(yè)的一大難題,也是影響收儲(chǔ)企業(yè)經(jīng)濟(jì)效益的一個(gè)重要因素。根據(jù)農(nóng)業(yè)部門統(tǒng)計(jì),我國(guó)糧食產(chǎn)后損失率超過(guò)8%,每年糧食損失量高達(dá)500億斤，僅在糧食儲(chǔ)存環(huán)節(jié)的損失率就高達(dá)5%左右,每年的糧食損失量就達(dá)310億斤,相當(dāng)于150多個(gè)中型糧庫(kù)的儲(chǔ)備量,損失數(shù)量驚人。所以可以借助方法預(yù)測(cè)，從而將一些數(shù)據(jù)轉(zhuǎn)換決策作為指引，找到防范的主要因素[2]。儲(chǔ)藏中損耗可以來(lái)自自然方面，主要包括自身的生命呼吸的損耗，還可以來(lái)自蟲鼠的損耗，更嚴(yán)重的損失是在存儲(chǔ)過(guò)程中通過(guò)晾曬、處于通風(fēng)處等造成水分過(guò)度流失[3]。由于糧食在長(zhǎng)期的儲(chǔ)藏過(guò)程中會(huì)受到上述因素的影響，這就降低了國(guó)家糧食儲(chǔ)備的安全和經(jīng)濟(jì)效益。因此對(duì)糧食儲(chǔ)藏環(huán)節(jié)中損耗的評(píng)估，對(duì)于糧食產(chǎn)后減損具有重要的意義。

儲(chǔ)藏環(huán)節(jié)糧食產(chǎn)后損失的主要影響因素可以概括為：儲(chǔ)藏情況、進(jìn)倉(cāng)情況、出倉(cāng)情況這3大部分。損失率是指總損失率，包括：進(jìn)倉(cāng)損失率、出倉(cāng)損失率、蟲害損失率、鼠害損失率、霉變損失率、其他損失率。因此，本文針對(duì)這3大因素對(duì)產(chǎn)后糧食儲(chǔ)藏總損失率進(jìn)行建模評(píng)估，即運(yùn)用支持向量機(jī)(Support Vector Machine, SVM)模型對(duì)影響糧食儲(chǔ)藏?fù)p耗的因素與儲(chǔ)藏?fù)p耗率進(jìn)行建模。在建模過(guò)程中，本文采用隨機(jī)漂移粒子群優(yōu)化(Random Drift Particle Swarm Optimization, RDPSO)算法優(yōu)化SVM模型的參數(shù)。

RDPSO算法與遺傳算法[4-6]等智能優(yōu)化算法一樣，是一種基于群體的搜索算法，是粒子群優(yōu)化(Particle Swarm Optimization, PSO)算法的一種重要改進(jìn)。粒子群優(yōu)化算法[6]是1995年由Kenney和Eberhart為解決連續(xù)優(yōu)化問(wèn)題而提出的群體智能優(yōu)化算法。該算法提出以來(lái)，得到了國(guó)內(nèi)外研究人員的廣泛關(guān)注，并提出了很多改進(jìn)算法，例如，Mendes等人[7]提出了全通知粒子群優(yōu)化算法，Sun等人[8]提出了QPSO算法，Jordehi[9]提出了增強(qiáng)領(lǐng)導(dǎo)粒子群優(yōu)化算法(ELPSO)，Garg[10]提出了一種混合智能優(yōu)化算法PSO-GA。此外，Deng等人[11]提出了基于記憶特性的動(dòng)態(tài)分?jǐn)?shù)階和阿爾法穩(wěn)定分布理論來(lái)提高PSO算法的全局搜索能力；仝秋娟等人[12]提出了自適應(yīng)動(dòng)態(tài)改變的粒子群算法。

本文運(yùn)用RDPSO良好的全局搜索能力優(yōu)化SVM的參數(shù)，提出基于RDPSO-SVM的糧食產(chǎn)后儲(chǔ)藏?fù)p耗智能評(píng)估模型?；诩Z食儲(chǔ)藏?fù)p耗調(diào)查數(shù)據(jù)，分別對(duì)RDPSO-SVM模型、基本的SVM模型和線性回歸模型進(jìn)行了測(cè)試與比較分析。實(shí)驗(yàn)結(jié)果表明本文所提出的RDPSO-SVM模型比其他2種模型能夠更好地對(duì)糧食產(chǎn)后儲(chǔ)藏?fù)p耗進(jìn)行評(píng)估預(yù)測(cè)。

1 糧食儲(chǔ)藏?fù)p耗的調(diào)查問(wèn)卷設(shè)計(jì)

為了建立糧食產(chǎn)后損耗的智能評(píng)估模型，本文通過(guò)問(wèn)卷調(diào)查來(lái)收集數(shù)據(jù)。中國(guó)作為發(fā)展中的農(nóng)業(yè)大國(guó)，收集數(shù)據(jù)相對(duì)來(lái)說(shuō)比較容易，但是由于中國(guó)農(nóng)業(yè)方面的工具水平相對(duì)于發(fā)達(dá)國(guó)家來(lái)說(shuō)比較落后，所以糧食的收割、買賣、運(yùn)輸以及儲(chǔ)藏等環(huán)節(jié)都存在不同程度的損耗。本文從糧食儲(chǔ)藏?fù)p失率的影響因子進(jìn)行調(diào)查問(wèn)卷的設(shè)計(jì)，并據(jù)此進(jìn)行模型構(gòu)建。本文在調(diào)查問(wèn)卷的設(shè)計(jì)上考慮以下一些因素：

首先是區(qū)域影響因素。本文分西南、東南、東北、西北4個(gè)地區(qū)進(jìn)行數(shù)據(jù)采集。根據(jù)常識(shí)，在東北地區(qū)尤其是黑龍江濕度較低、西北地區(qū)西藏空氣干燥，糧食水分嚴(yán)重下降，這不僅影響了糧食(尤其稻谷和大豆)食用品質(zhì)和加工品質(zhì)，還影響新鮮程度，更是影響重量。

其次是糧食產(chǎn)后儲(chǔ)藏?fù)p耗的影響因素。筆者認(rèn)為，儲(chǔ)藏倉(cāng)型、存儲(chǔ)技術(shù)和糧食的包散情況可以作為影響糧食儲(chǔ)藏?fù)p耗的主要因素；儲(chǔ)藏區(qū)域、進(jìn)倉(cāng)工藝、出倉(cāng)工藝、進(jìn)倉(cāng)總量、儲(chǔ)藏量、儲(chǔ)糧設(shè)施、存儲(chǔ)技術(shù)、儲(chǔ)藏時(shí)間等作為影響糧食儲(chǔ)藏?fù)p耗的次要因素。

儲(chǔ)藏倉(cāng)型作為影響糧食儲(chǔ)藏?fù)p耗的主要因素之一，在我國(guó)的發(fā)展歷史悠久，經(jīng)過(guò)不斷的變化，至今儲(chǔ)藏設(shè)施包括：平房倉(cāng)、淺筒倉(cāng)、立筒倉(cāng)等。不同的地區(qū)，根據(jù)每個(gè)地方的氣候、地形、住宿、文化、習(xí)慣等情況，建筑的儲(chǔ)藏倉(cāng)型均不同。根據(jù)國(guó)家糧食統(tǒng)計(jì)局公告，2013年糧食的總量高達(dá)6億噸多[13]，由于儲(chǔ)存設(shè)施簡(jiǎn)陋，損耗達(dá)到75億千克[14]。

存儲(chǔ)技術(shù)作為影響糧食儲(chǔ)藏?fù)p耗的主要因素，本文的調(diào)查問(wèn)卷中相關(guān)題項(xiàng)有：尚未應(yīng)用“四合一”技術(shù)的常規(guī)儲(chǔ)藏、應(yīng)用“四合一”技術(shù)的儲(chǔ)藏、應(yīng)用“四合一”升級(jí)新技術(shù)的儲(chǔ)藏等選項(xiàng)。由于我國(guó)地域大、人口多，對(duì)儲(chǔ)糧新技術(shù)應(yīng)用和重視程度也各不相同。先進(jìn)儲(chǔ)藏技術(shù)因需要投入前期成本，長(zhǎng)期效益難以在短期內(nèi)體現(xiàn)，因此造成新技術(shù)應(yīng)用少，推廣進(jìn)程緩慢。

糧食的包散情況作為另一個(gè)影響儲(chǔ)藏?fù)p耗的因素，包括包糧和散糧2種情況。這主要是考慮到進(jìn)出倉(cāng)時(shí)是否會(huì)發(fā)生糧食散落，從而導(dǎo)致糧食損耗。據(jù)調(diào)查統(tǒng)計(jì)，散糧比例只是占到15%，應(yīng)用機(jī)器包裝糧食儲(chǔ)藏可以減少損耗和浪費(fèi)。

進(jìn)倉(cāng)工藝和出倉(cāng)工藝作為一個(gè)次要影響因素，選項(xiàng)包括：散糧打包出倉(cāng)(進(jìn)倉(cāng))、散糧散裝出倉(cāng)(進(jìn)倉(cāng))、包糧包裝出倉(cāng)(進(jìn)倉(cāng))、包糧拆包出倉(cāng)(進(jìn)倉(cāng))。此外，儲(chǔ)藏量、進(jìn)倉(cāng)量、出倉(cāng)量、蟲害、微生物大量繁殖和霉變等作為影響因素，均會(huì)導(dǎo)致糧食質(zhì)量及物質(zhì)的損失。我國(guó)由于真菌霉變[15]這個(gè)原因損失高達(dá)2000萬(wàn)噸。

我國(guó)糧食產(chǎn)后損耗分析相對(duì)于國(guó)外來(lái)說(shuō)比較晚，目前，國(guó)內(nèi)已經(jīng)有一些關(guān)于糧食產(chǎn)后損耗分析的研究成果，例如，趙霞等人[16]對(duì)糧食產(chǎn)后損耗進(jìn)行分析，建立了糧食產(chǎn)后損失浪費(fèi)評(píng)價(jià)指標(biāo)體系。類似文獻(xiàn)[17],本文通過(guò)調(diào)查數(shù)據(jù)，應(yīng)用SPSS對(duì)數(shù)據(jù)進(jìn)行效度分析、信度分析和相關(guān)性分析后，找出影響糧食產(chǎn)后儲(chǔ)藏?fù)p耗的主要因素，然后應(yīng)用RDPSO-SVM進(jìn)行儲(chǔ)藏?fù)p耗的智能建模。

2 糧食調(diào)查問(wèn)卷分析

2.1 糧食調(diào)查問(wèn)卷描述性統(tǒng)計(jì)分析

首先應(yīng)用SPSS對(duì)調(diào)查問(wèn)卷獲取的數(shù)據(jù)進(jìn)行描述性統(tǒng)計(jì)分析，得到平均損失率、標(biāo)準(zhǔn)差、數(shù)據(jù)峰度、偏度、是否存在極端值等，并用t檢驗(yàn)進(jìn)行驗(yàn)證。由于篇幅關(guān)系，本文不再贅述。

2.2 糧食調(diào)查問(wèn)卷效度分析和信度分析

對(duì)于調(diào)查問(wèn)卷中產(chǎn)后糧食儲(chǔ)藏的損失因素的分析，本文采用信度分析和效度分析，其中采用內(nèi)部一致性系數(shù)克隆巴赫系數(shù)(Cronbach alpha)檢驗(yàn)量表的信度；效度分析采用探索性因子分析的方法。在研究中,信度分析方面,內(nèi)部一致性系數(shù)需要大于0.7才能表明量表是有一定的可靠性；當(dāng)題項(xiàng)數(shù)小于6個(gè)時(shí)，內(nèi)部一致性系數(shù)可以小于0.7,但要大于0.6來(lái)表明量表的可靠性。而判斷樣本是否可以進(jìn)行因子分析,需要數(shù)據(jù)的KMO樣本測(cè)度和巴特萊特球體檢驗(yàn)。其中KMO在0.5以下,不適合;在[0.5,0.60),勉強(qiáng);在[0.6,0.7),比較適合；在[0.7,0.8)，適合；在[0.8,0.9)，很適合；如果在0.9以上的話，是非常適合。巴特萊特球體檢驗(yàn)的統(tǒng)計(jì)值的顯著性概率如果小于或者等于顯著性水平時(shí)，該樣本數(shù)據(jù)可做因子分析。在因子分析之前，在SPSS軟件中選擇幾個(gè)主要相關(guān)的因素進(jìn)行分析得出克隆巴赫系數(shù)大于0.7。然后再進(jìn)行KMO和巴特萊特檢驗(yàn)得出0.765在0.7到0.8之間，所以數(shù)據(jù)是有效的。

2.3 糧食調(diào)查問(wèn)卷因素相關(guān)性分析

在進(jìn)行回歸分析或智能建模之前，首先對(duì)調(diào)查數(shù)據(jù)就影響因素進(jìn)行相關(guān)性分析。相關(guān)性分析作為一種比較常用的統(tǒng)計(jì)方法，主要是用來(lái)檢驗(yàn)不同變量之間關(guān)系的緊密程度。本文采用Pearson相關(guān)系數(shù)分析法，對(duì)本項(xiàng)目所涉及的變量進(jìn)行相關(guān)分析。由于篇幅有限，本文不再贅述。

在建立糧食產(chǎn)后儲(chǔ)藏?fù)p耗的回歸模型之前，需要在信度和效度上得出降維后的因子(因子)、FEGR FACTOR SCORE(系數(shù))、常數(shù)項(xiàng)(C)。回歸模型是由各個(gè)因子系數(shù)和常數(shù)項(xiàng)得出，可以表示為：

損失率=C-[系數(shù)1]×[因子1]-[系數(shù)2]×[因子2]-…-[系數(shù)n]×[因子n]

本文提出用RDPSO-SVM建立糧食儲(chǔ)藏?fù)p失率與降維后的因子之間的關(guān)系模型，從而對(duì)損失率進(jìn)行智能評(píng)估與預(yù)測(cè)。

2.4 問(wèn)卷有效性

通過(guò)以上描述性統(tǒng)計(jì)分析、效度分析、信度分析、相關(guān)性分析選擇有效性數(shù)據(jù)，并進(jìn)一步進(jìn)行下述的RDPSO-SVM智能模型構(gòu)建。

3 RDPSO-SVM評(píng)估模型

3.1 RDPSO算法

RDPSO算法是受到PSO算法粒子收斂性分析和金屬導(dǎo)體中自由電子模型的啟發(fā)而提出的。PSO算法粒子收斂性表明，每個(gè)粒子以其局部吸引子為目標(biāo)進(jìn)行搜索；而金屬導(dǎo)體自由電子模型表明，導(dǎo)體中電子的運(yùn)動(dòng)又分為定向漂移運(yùn)動(dòng)和隨機(jī)無(wú)規(guī)則方式，其中漂移運(yùn)動(dòng)由外電場(chǎng)引起，使電子往勢(shì)能最小的位置運(yùn)動(dòng)，而隨機(jī)運(yùn)動(dòng)是熱運(yùn)動(dòng)，它能夠使粒子避免陷入局部最小勢(shì)能的位置。因此，金屬導(dǎo)體中的電子運(yùn)動(dòng)過(guò)程實(shí)際上就是一個(gè)搜索勢(shì)能最小化的過(guò)程，其中隨機(jī)運(yùn)動(dòng)代表全局搜索，漂移運(yùn)動(dòng)代表局部搜索，因此本文考慮在RDPSO算法中將粒子的運(yùn)動(dòng)分為2個(gè)部分，即漂移運(yùn)動(dòng)和隨機(jī)運(yùn)動(dòng)[18]。因此，RDPSO算法中，在第n+1迭代步，粒子的速度由熱運(yùn)動(dòng)速度和漂移速度2部分組成，如公式(1)所示：

(1)

粒子隨機(jī)運(yùn)動(dòng)速度由下式給出：

(2)

(3)

對(duì)于粒子的定向漂移運(yùn)動(dòng)，可以假設(shè)為粒子向局部吸引子的運(yùn)動(dòng)以體現(xiàn)粒子的局部搜索。因此，其運(yùn)動(dòng)速度可以表示為：

(4)

(5)

基于式(1)、式(2)、式(4)，可以得到RDPSO算法粒子的速度和位置更新方程如下：

(6)

(7)

RDPSO算法中，隨機(jī)運(yùn)動(dòng)體現(xiàn)全局搜索，定向漂移運(yùn)動(dòng)體現(xiàn)局部搜索?？梢酝ㄟ^(guò)控制α和β的取值來(lái)調(diào)節(jié)和平衡粒子全部搜索和局部搜索。

3.2 SVM模型

本文中，糧食產(chǎn)后儲(chǔ)藏?fù)p失率評(píng)估的基礎(chǔ)模型是SVM[20]。SVM的主要思想是將低維空間線性不可分的向量映射到高維空間，通過(guò)這樣的變換可以變成線性可分。在新的高維空間找出輸入量和輸出量之間的非線性關(guān)系。通過(guò)在高維分析出來(lái)的結(jié)果選擇適合的核函數(shù)K(Z,zi)，在高維空間中求取最優(yōu)線性分類面[21]。從低維空間到高維空間是通過(guò)核函數(shù)K(Z,z1),K(Z,z2),…,K(Z,zn)映射到高維空間。SVM分類的決策為：

(8)

0≤αi≤C

(9)

其中，αi為每個(gè)訓(xùn)練樣本所對(duì)應(yīng)的拉格朗日系數(shù);C為懲罰因子,μ為權(quán)系數(shù)向量,b∈R為偏置，Z為樣本的特征向量，K(Z，zi)為核函數(shù)。

(10)

其中，g為核函數(shù)半徑。

本文采用RDPSO算法優(yōu)化SVM的參數(shù)，使優(yōu)化后的SVM更好地進(jìn)行預(yù)測(cè)分類。RDPSO-SVM的訓(xùn)練流程如圖1所示。

圖1 RDPSO優(yōu)化SVM參數(shù)流程

4 實(shí)驗(yàn)與分析

實(shí)驗(yàn)是從調(diào)查問(wèn)卷的樣本集中選取180個(gè)樣本作為SVM訓(xùn)練集,另取40個(gè)樣本作為測(cè)試集。每個(gè)樣本中有很多關(guān)于糧食儲(chǔ)藏?fù)p失的因素，包括：區(qū)域、儲(chǔ)糧設(shè)施、進(jìn)倉(cāng)工藝、出倉(cāng)工藝、儲(chǔ)藏時(shí)間等。通過(guò)使用SPSS進(jìn)行因子分析降維后，得到若干因子，然后以這些因子作為輸入，糧食儲(chǔ)藏?fù)p失率作為輸出，進(jìn)行SVM建模[22]。然后，運(yùn)用RDPSO對(duì)SVM模型進(jìn)行參數(shù)尋優(yōu)，精確找到最優(yōu)模型參數(shù)，從而提高模型預(yù)測(cè)精度。

本文實(shí)驗(yàn)中采用了線性回歸、基本SVM算法以及本文提出的RDPSO-SVM方法進(jìn)行比較測(cè)試。圖2為應(yīng)用了訓(xùn)練樣本中的180條數(shù)據(jù)進(jìn)行訓(xùn)練得到的有效模型。圖中顯示了樣本和各個(gè)模型的誤差，黑色線條表示真實(shí)值，*表示應(yīng)用RDPSO優(yōu)化SVM參數(shù)的模型，○表示基本SVM模型，×表示線性回歸模型。在圖2中可以明顯地看出RDPSO-SVM的預(yù)測(cè)值更接近真實(shí)值，基本SVM模型其次，然而線性回歸模型和真實(shí)值相差得很遠(yuǎn)，其模型的擬合效果最差。因此，運(yùn)用SVM模型建模，并采用RDPSO算法進(jìn)行模型參數(shù)優(yōu)化可以達(dá)到很好的擬合效果。

圖2 模型訓(xùn)練效果

圖3 模型預(yù)測(cè)效果比較

在圖2中可以容易看出線性回歸模型和真實(shí)值之間有很大的差距，遠(yuǎn)離折線，所以在測(cè)試數(shù)據(jù)集上進(jìn)行測(cè)試時(shí)，只是比較了RDPSO-SVM和基本SVM的效果，如圖3所示。從圖3可以看到，應(yīng)用RDPSO算法優(yōu)化SVM模型后，模型的預(yù)測(cè)值更接近真實(shí)值，而基本SVM的預(yù)測(cè)值與實(shí)際值相差較大。具體的預(yù)測(cè)誤差如表1所示。其中，RDPSO-SVM模型的總的預(yù)測(cè)誤差為0.0063，而基本SVM的預(yù)測(cè)誤差為0.9649。

表1 預(yù)測(cè)誤差比較結(jié)果

因此，從上述分析可以看到，RDPSO-SVM對(duì)于糧食產(chǎn)后損耗數(shù)據(jù)不僅有良好的擬合能力，同樣具有很好的模型泛化能力。因此，RDPSO-SVM模型，即運(yùn)用RDPSO優(yōu)化后的SVM模型可以很好地預(yù)測(cè)糧食產(chǎn)后損失率，該模型為糧食損耗的智能評(píng)估提供了一種通用的方法。

4 結(jié)束語(yǔ)

本文針對(duì)糧食產(chǎn)后儲(chǔ)藏環(huán)節(jié)的損耗，進(jìn)行了問(wèn)卷調(diào)查，對(duì)調(diào)查數(shù)據(jù)應(yīng)用SVM模型進(jìn)行智能評(píng)估。提出了運(yùn)用RDPSO算法優(yōu)化SVM模型參數(shù)。RDPSO算法具有良好的全局搜索能力，可以有效地防止模型參數(shù)優(yōu)化過(guò)程中陷入局部最優(yōu)解。實(shí)驗(yàn)結(jié)果表明,用本文提出的RDPSO-SVM糧食產(chǎn)后儲(chǔ)藏?fù)p失評(píng)估模型，與普通的線性回歸模型與基本SVM模型相比，具有更好的擬合精度和預(yù)測(cè)精度，可以作為糧食產(chǎn)后儲(chǔ)藏環(huán)節(jié)或其他環(huán)節(jié)損耗評(píng)估與預(yù)測(cè)的有效模型。