基于GM—RBF神經網絡的冷鏈運輸環境預測

劉靜　傅澤田　張小栓

摘要：針對鮮食葡萄冷鏈運輸監測數據的特點，采用灰色徑向基神經網絡預測模型，對冷藏車廂環境狀態進行預測。該方法不僅能有效規避灰色預測模型自身誤差大的缺點，還能減弱神經網絡中訓練樣本隨機性對建模精度的影響，提高整體模型的精度。結果表明，灰色徑向基神經網絡預測算法得到的預測結果最接近真實值，均方根相對誤差為0.60%，平均相對誤差為0.44%，顯著優于單一的灰色預測、徑向基神經網絡預測，能準確反映冷藏車廂的環境狀態。

關鍵詞：預測；冷藏車；灰色理論；徑向基；神經網絡；葡萄

中圖分類號： S126；TP274 文獻標志碼： A 文章編號：1002-1302（2015）10-0498-02

制冷設備故障、傳感器異常、人為因素等使冷鏈運輸的品質受到威脅，實施冷鏈監測是保證其品質的有效手段[1-2]。傳統的冷鏈運輸監測系統僅對冷藏車廂內的環境參數進行監測，而無法進行預測，當冷藏車廂內的環境狀態低于臨界狀態時才進行補救，管理較為消極，常造成經濟損失。

灰色系統理論（grey model，GM）認為，任何隨機過程都是在一定幅值范圍及時間段內變化的灰色量[3]。在冷鏈運輸監測系統中，傳感器每一時刻監測到的冷藏車廂環境數據都是隨機的，因此冷鏈運輸監測數據具有明顯灰性，可將灰色理論應用于冷鏈運輸數據預測。冷鏈運輸過程中，在不同時間、不同空間采集的冷藏車廂環境參數存在一定波動性，但整體上具有穩定性[4]。通過灰色累加生成操作將原始監測數據生成有規律的時間序列，為建模提供更有利的信息，從而實現對冷藏車廂環境參數的預測[5]。當車廂內環境出現較大的擾動、突變、機械故障等異常情況時，灰色模型預測數據的平穩性受到影響，導致預測結果誤差較大，并降低數據反饋的準確性。

徑向基（radial basis function，RBF）神經網絡通過學習有規律的異常數據，實現對某些特殊情況的預測，在復雜問題的處理上具有優越性[6]。采用多變量灰色預測與徑向基神經網絡相結合的方法可形成互補[7]。通過神經網絡模型建立殘差反饋項，彌補灰色預測處理異常情況時建模精度低的缺陷。將多變量灰色預測與RBF神經網絡技術相結合[8-10]，以期實現冷鏈運輸過程中冷藏車廂環境的有效預測。

1 基于GM-RBF神經網絡的數據預測

GM-RBF神經網絡預測采用混合補償式組合模式（圖1）。利用冷藏車廂原始監測數據，采用GM模型進行建模預測，并求出殘差項；采用RBF神經網絡建立原始監測數據與殘差項間的映射關系，原始數據作為模型輸入，預測殘差項作為目標輸出；利用訓練好的網絡對殘差項進行預測，并補

償GM模型的預測值。

冷鏈運輸過程中，影響葡萄品質的關鍵監測參數為溫度、相對濕度、二氧化硫體積濃度[11]，獲得了s個時間點的原始監測數據{xi[0]（t-s+1）}，i=1，2，3。GM預測模型的原始輸入數據長度為s，滾動預測步長為R。原始監測數據與GM預測值的殘差為：

使用GM-RBF神經網絡預測之前，必須對RBF神經網絡進行充分訓練。使用未經充分訓練的網絡將產生很大誤差；而過多網絡訓練則會降低學習效率，少數特殊的監測數據點被湮沒在大量正常的數據中，耗費大量資源。本研究提出的GM-RBF神經網絡模型在殘差訓練中增加了殘差判斷過程，事先設定殘差閾值，一旦發現殘差的絕對值大于閾值，即判定特殊點出現并進行神經網絡的訓練。輸入測試樣本，使用訓練好的RBF神經網絡進行預測，得到預測殘差序列e⌒（0）（k），由此最終得到基于 GM-RBF 神經網絡模型的冷鏈運輸監測數據的預測值 x⌒（0）（k）* 。

2 情景設計

在實際冷鏈運輸過程中，突發性的擾動、故障等異常情況的出現具有隨機性，無法進行預測；但對于有規律的突變點，通過其突變之前出現的數據先兆，可對將要發生的狀況進行預測。神經網絡訓練樣本的選取盡量具有正確性、準確性、代表性，盡量涉及冷鏈運輸過程中可能發生的各種情況，正確反映冷鏈運輸過程中數據的內在規律，防止壞樣本干擾神經網絡的訓練。本研究選取150組數據作為訓練樣本，包括較為特殊的突變點、開關門過程等，并選取50組數據作為測試樣本。采用TEMI1880型高低溫交變試驗箱（天津蘇瑞科技有限公司產品）模擬冷藏車廂環境，以溫度預測為例進行研究。

3 結果與分析

3.1 預測結果

RBF神經網絡的輸入向量是原始監測數據，目標向量是GM模型的殘差。為確定RBF神經網絡的目標向量，采用GM模型對原始監測數據進行擬合與預測。經多次測試，將每40次監測數據作為1個循環周期建立的模型較為理想，模型的發展系數-a<0.3，適用于中長期預測。利用第1個至第40個連續的冷鏈監測數據預測第41個至第50個數據；利用第2個至第41個連續數據預測第42個至第51個數據；以此類推，利用第109個至第150個連續數據預測第151個至第160個數據。

由GM模型109次預測過程的比例絕對誤差（圖2）可知，第40個至第80個預測點誤差較大，原因是此階段的原始監測數據存在較大的突變及開關門現象。由于GM模型自身的局限性，突發事件（大擾動、切換、突變、故障等異常情況）對數據的平穩性造成破壞，從而干擾預測結果，使預測誤差較高。使用此類數據進行預警將有較高的誤報率；因此，須對模型進行誤差補償以提高預測的準確性。

采用GM模型計算150組原始數據可得到109組殘差序列，并將其作為RBF神經網絡的目標向量；輸入向量是與殘差序列對應的原始監測數據。使用GM模型對第151個至第190個數據進行擬合與預測，預測階數為10。經計算，發展系數a=-0.000 142 46、灰作用量u=-0.495 96，由于-a<0.3，該模型適用于中長期預測。

擬合后的數據殘差曲線見圖3。其中，圓圈代表殘差值，豎線代表各點相應的95%置信區間，第2、第39個點為離群點，誤差較大。小誤差概率P=0.725∈[0.7，0.8]，模型精度等級為3級（勉強）；而后驗差比C=0.662 01>0.65，模型精度不合格，因此GM模型需進行誤差補償。使用訓練好的endprint

RBF神經網絡對第191組至第200組的GM模型殘差進行預測。為檢驗預測的準確性，已監測到實際中第191組至第200組的原始數據。經計算，前幾個點的神經網絡預測殘差與真實計算殘差相差不大，但最近監測點對未來預測的決定作用隨時間的推移越來越小，且預測精度隨著隨機因素的增多而開始下降。將GM-RBF神經網絡的輸出向量反歸一化，得到最終的擬合值與預測值。

GM模型、RBF神經網絡模型、GM-RBF神經網絡模型在第151組至第200組的擬合值與預測值見圖4。其中，前40個監測點對應的溫度值是擬合值，后10個是預測值。采用GM-RBF 神經網絡預測算法得到的預測結果最接近于真實值，其次為RBF神經網絡算法，而GM模型的預測結果僅呈現出監測數據的總體變化趨勢，并未準確給出每個時間點的監測值，與原始監測值間的偏差較大，并且可以預見，預測結果必將隨著預測時間的增長而產生越來越大的偏差。

3.2 預測結果評價

為對預測結果進行更好的評價與比較，定義如下2個誤差指標。

經計算得到不同預測方法的誤差（表1），GM-RBF神經網絡預測結果的均方根相對誤差為0.60%，平均相對誤差為0.44%，顯著優于其他預測方法。

GM-RBF神經網絡在訓練第65次時，其訓練誤差達到0.000 967 07，滿足冷鏈運輸監測精度的要求；在相同訓練次數下，單純RBF神經網絡并未達到訓練精度的要求，在第95步時才收斂，訓練誤差為0.000 998 13，是GM-RBF神經網絡組合預測的1.03倍。將多變量灰色預測與RBF神經網絡預測相結合，可以加快RBF神經網絡的訓練速度，降低全局誤差，實現較高的預測精度。采用GM-RBF神經網絡預測方法的預測結果優于單一的GM預測、RBF神經網絡方法。

4 結論

針對鮮食葡萄冷鏈運輸監測數據的特點，將多變量灰色預測方法與徑向基神經網絡技術相結合，提出一種新的鮮食葡萄冷鏈運輸監測數據的預測方法：GM-RBF神經網絡預測方法。該方法有效規避了灰色預測模型自身誤差大的缺點，同時減弱了神經網絡中訓練樣本隨機性對建模精度的影響，提高了整體模型的精度。結果表明，GM-RBF神經網絡預測法的均方根相對誤差、平均相對誤差分別為0.60%、0.44%，顯著優于單一的GM預測、RBF神經網絡方法，能夠準確反映實際的冷鏈運輸監測數據。

參考文獻：

[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. 基于灰色RBF神經網絡模型的電梯層間交通分布預測[J]. 信息與控制，2008，37（6）：690-696.

[4]齊 林，田 東，張 健，等. 基于SPC的農產品冷鏈物流感知數據壓縮方法[J]. 農業機械學報，2011，42（10）：129-134.

[5]張世強. 基于信息再利用的灰色系統GM（1.1）模型建模方法及應用[J]. 數學的實踐與認識，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. 灰色神經網絡的研究及發展[J]. 武漢理工大學學報，2009，31（3）：91-93.

[8]李家科，李亞嬌，李懷恩，等. 非點源污染負荷預測的多變量灰色神經網絡模型[J]. 西北農林科技大學學報：自然科學版，2011，39（3）：229-234.

[9]阮 萍，駱力明，王 華，等. 基于灰色系統和人工神經網絡的中長期電力負荷預測[J]. 首都師范大學學報：自然科學版，2004，25（2）：22-25.

[10]郭鳳儀，郭長娜，王洋洋. 煤礦涌水量的灰色RBF網絡預測模型[J]. 計算機測量與控制，2012，20（2）：300-302，310.

[11]劉 靜，張小栓，肖新清，等. 基于多目標決策模糊物元法的冷藏車傳感器布點優化[J]. 農業機械學報，2014，45（10）：214-219.李吉龍，劉新平. 基于BP神經網絡的未利用地開發生態風險預警研究——以新疆阜康市為例[J]. 江蘇農業科學，2015，43（10）：500-503.endprint