基于SVM 算法的生鲜农产品质量安全预警研究

李永飞， 贺桂英， 张 金

（1 西安邮电大学现代邮政学院， 西安 710061； 2 邮政行业技术研发中心， 西安 710061）

0 引 言

随着盒马集市、多多买菜、美团优选等社区团购平台的兴起，城乡居民对于高品质且安全的生鲜农产品的消费需求也日趋旺盛，对生鲜农产品的质量安全关注度正不断提高。 由于生鲜农产品具有时鲜性、易腐性、季节性等特点，就使得在质量控制阶段对生鲜农产品的质量安全预警成为极其重要的一个环节［1－2］。 因此，当前形势下适时有效地进行生鲜农产品质量安全预警，有利于降低生鲜农产品腐损率，提升大众的满意度和幸福感，同时对于实现生鲜农产品全程冷链环节的实时监控具有重要意义。

近年来，国内外学者对生鲜农产品质量安全预警的研究成果主要集中在以下几个方面。 一是关于生鲜农产品质量安全预警指标体系的构建。 曾欣平等学者［3］从供应链角度出发，构建乳制品质量安全风险评价指标体系，利用熵权法计算各评价指标的权重系数，然后运用可拓学理论建立乳制品质量安全预警模型。 宋宝娥［4］在供应链视角下，分析农产品供应链各环节，从而建立评价指标体系，构建了基于集值统计加速迭代法的农产品安全预警模型。 山红梅等学者［5］依据生鲜农产品冷链物流特点构建了以农产品加工、低温仓储服务、冷藏运输服务、冷链物流信息化和人员素质五方面为主的生鲜农产品冷链物流综合服务水平评估指标体系，提出了基于云模型－IAHP 的生鲜农产品冷链物流服务水平评估模型，改进了云模型中的云合并算法，对生鲜农产品冷链物流服务水平评估具有实用性。 二是生鲜农产品质量安全预警系统的设计。 张洋等学者［6］针对近年来频发的农产品安全事件，依据数据挖掘技术，采用关联规则挖掘和Dempsters 组合规则的方式，提出了一个农产品供应链风险预警系统，以确保供应链农产品质量。 马长路等学者［7］利用物联网技术，检测生鲜乳中相关指标，当检测到的指标或监控到的参数不在标准范围时，通过系统进行预警。三是生鲜农产品质量安全预警模型的构建。 杨玮等学者［8］分析果蔬冷链过程影响质量的因素，从而建立预警指标体系，利用BP 神经网络建立果蔬安全预警模型，该模型可以有效预测果蔬在冷链物流中的风险。 高亚男等学者［9］对食品安全相关数据和以往应用的智能化方法进行归纳分析，根据数据特点和已存在方法的不足提出了先验风险概率与模糊层级划分相结合的风险值计算规则，并应用LightGBM 模型结合专家经验干预策略进行风险值校正和预测。 在预警研究中，其他领域应用的预测方法也值得借鉴，张中丹等学者［10］为了有效预警电网自然灾害风险，研究了基于区块链（block chain，BC） 技术的电网灾害预警决策系统。

上述研究成果为生鲜农产品质量安全预警的实践提供了良好的理论基础和方法依据。 但是，国内外学者针对生鲜品这类特定农产品的质量安全预警的文献也较为罕见。 因此，本文以生鲜农产品质量安全为研究对象，分析了生鲜农产品在冷链物流过程中的风险因素，进而建立质量安全预警指标体系，构建基于支持向量机算法的预警模型，最后结合数据进行验证分析。

1 构建生鲜农产品质量安全预警指标

从事生鲜农产品质量安全预警的基础性工作是构建生鲜农产品质量安全预警指标。 从供应链角度入手，分析生鲜农产品物流运作的生产、环境、物流、监管等各个环节，依据指标选取原则筛选影响生鲜农产品质量安全的因素，并依据国家相关标准构建预警指标体系。

本文结合相关文献，考虑到生鲜农产品不同于一般农产品的相关特征，构建出生鲜农产品质量安全预警指标体系（见表1）。 其中，一级指标共4 项，分别为生产因素、环境因素、物流信息和监管过程。二级指标包括保存周期、加工转换率、温度、湿度等8 项。 通过3 位专家的评判打分，运用模糊层次分析法（FAHP）［11－13］得到表1 中的生鲜农产品质量安全预警指标权重。

表1 生鲜农产品质量安全预警指标体系Tab. 1 Quality and safety early warning index system of fresh agricultural products

2 建立生鲜农产品质量安全预警模型

支持向量机 （ Support Vector Machine，SVM）［14－15］是Cortes 和Vapnik 等学者1995 年首次提出，从模型原理来看，在解决小样本、非线性及高维模式识别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。 在风险预警的研究中，支持向量机算法已得到了广泛应用。具体过程如下：

（1）划分训练集和测试集。 训练集用来训练预警模型，测试集用来测试预警模型的准确程度。 预警模型选用前40 组数据作为训练集，后10 组数据作为测试集。

（2）数据标准化处理。 标准化处理训练样本，对调整指标范围、减少预警误差率、杜绝选择不当数据具有重要意义。 采用极值标准化法，即通过将属性数据按照比例缩放，使之落入一个小的特定区间，如［－1，＋1］、［0，1］等，以进一步分析数据的属性。

（3）核函数训练。 支持向量机常用的核函数有线性核函数、多项式核函数、RBF 核函数以及sigmoid 核函数等。 在划分训练集后，选择高斯核函数（Radial Basis Function， RBF）进行训练，文中选择高斯核函数是考虑其分类效率较高，适用范围更广。计算公式一般形式可表述为：

其中，‖xi －xj‖为样本点xi与xj之间的距离，g是高斯核函数的内核参数。

（4）交叉验证。 为了得到更好的安全预警拟合值，提高预警准确度，通过交叉验证（K－fold Cross Validation，K－CV）优化惩罚函数C和高斯核函数的参数g。

（5） 实际应用。 将得到的预测值和真实值进行拟合对比，得到产品各环节回归预测的结果图。 由拟合度分析验证预警模型的准确度，利用预警模型对剩余数据进行预警。

3 实例研究

3.1 采集与处理数据

通过对西安某冷链运输公司以及该公司合作的食品产业园进行实地调查和专家咨询［16］。 针对预警指标评价体系，随机筛选50 组原始数据（以下取10 组样本演示），具体资料统计数据和专家打分部分结果见表2。

表2 苹果冷链物流各环节的原始数据Tab. 2 Raw data of all links of apple cold chain logistics

将收集好的10 组原始数据进行标准化处理，并结合层次分析法，计算各环节目标结果数据，见表3。

表3 标准化处理结果Tab. 3 Standarization results

3.2 LIBSVM 仿真预测

本文将收集的50 组数据的输入和输出分别采用支持向量机的LIBSVM 工具箱进行训练预测。 选用RBF 核函数对生鲜农产品各个环节和总体质量状况进行训练，同时采用交叉验证（K－fold Cross Validation，K－CV）优化惩罚函数C和高斯核函数的参数g，以提高预测精度［17－18］。 表4 为运用K－CV法得到的各个环节最优参数Bestc和Bestg。

表4 K－CV 法获得的各环节最优参数Bestc、BestgTab. 4 Optimal parameters Bestc and Bestg of each link obtained by K－CV method

利用Matlab 自带的LIBSVM 工具箱构建SVM预测模型，将得到的预测值和真实值进行拟合对比，得到生鲜农产品各环节回归预测的结果，如图1～图5 所示。

图1 生产因素回归预测结果图Fig. 1 Regression prediction results of production factors

图2 环境因素回归预测结果图Fig. 2 Regression prediction results of environmental factors

图3 物流信息回归预测结果图Fig. 3 Regression prediction results of logistics information

图4 监管过程回归预测结果图Fig. 4 Regression prediction results of supervision process

图5 总体回归预测结果Fig. 5 Overall regression prediction results

由图1～图5 分析可知，训练集的预测输出曲线和真实输出曲线均能较好地拟合，误差值小，结果具有较高的精准性，可运用该模型对剩余数据进行有效预测。

3.3 预警结果分析

为了将预测警情以直观方式显示，可将最终的预测结果值根据不同区间划分为不同的警情等级，结果见表5。

表5 警情等级划分表Tab. 5 Classification of alarm level

由拟合度分析可知支持向量机用于生鲜农产品质量安全预警具有可靠性，因此选用该模型对剩余10 组数据进行预测（取5 组为演示样本），结果见表6。

表6 警情预警结果Tab. 6 Alarm results

输出结果在（0.5 ～1］范围内属于无警，即农产品处于安全状态下。 由表6 可以看出大部分样本处于无警范围内，个别样本处于微警范围内。 由于物流过程实现的是生鲜农产品在空间和时间上的转移，需要始终保持生鲜农产品处于适当的温湿度范围内。 因此对物流过程中运输工具和冷库的标准化、制冷设备的先进性要求较高。 一般情况下，苹果最佳环境温度在0～5 ℃，环境相对湿度约为85%～90%。 而所选取的苹果质量安全原始数据中温度和湿度有超出适宜范围的值，故会出现微预警，计算结果符合实际情况。

4 结束语

针对生鲜农产品在冷链物流过程中的质量安全问题，通过对整个冷链物流作业环节中关键因素进行筛选，确定监测目标和安全指标，构建基于支持向量机算法的预警模型。 预警结果表明，支持向量机在处理生鲜农产品质量安全预警问题时相比传统预警方法效果更好。 该预警方法为避免生鲜农产品在冷链物流过程中出现腐败、变质、过期等问题提供了方法依据，适用于果蔬、肉制品和乳制品等农产品在冷链物流过程中的质量安全预警。 除此之外，所提出的预警模型可应用于生鲜农产品质量安全预警和追溯系统，针对业务主体的全程冷链要求，面向消费者和供应链相关企业，保证生鲜农产品在整个供应链周期内实现风险的提前警示和事后的信息追溯，具有广阔的应用前景。