基于GM—RBF神经网络的冷链运输环境预测

刘静　傅泽田　张小栓

摘要：针对鲜食葡萄冷链运输监测数据的特点，采用灰色径向基神经网络预测模型，对冷藏车厢环境状态进行预测。该方法不仅能有效规避灰色预测模型自身误差大的缺点，还能减弱神经网络中训练样本随机性对建模精度的影响，提高整体模型的精度。结果表明，灰色径向基神经网络预测算法得到的预测结果最接近真实值，均方根相对误差为0.60%，平均相对误差为0.44%，显著优于单一的灰色预测、径向基神经网络预测，能准确反映冷藏车厢的环境状态。

关键词：预测；冷藏车；灰色理论；径向基；神经网络；葡萄

中图分类号： S126；TP274 文献标志码： A 文章编号：1002-1302（2015）10-0498-02

制冷设备故障、传感器异常、人为因素等使冷链运输的品质受到威胁，实施冷链监测是保证其品质的有效手段[1-2]。传统的冷链运输监测系统仅对冷藏车厢内的环境参数进行监测，而无法进行预测，当冷藏车厢内的环境状态低于临界状态时才进行补救，管理较为消极，常造成经济损失。

灰色系统理论（grey model，GM）认为，任何随机过程都是在一定幅值范围及时间段内变化的灰色量[3]。在冷链运输监测系统中，传感器每一时刻监测到的冷藏车厢环境数据都是随机的，因此冷链运输监测数据具有明显灰性，可将灰色理论应用于冷链运输数据预测。冷链运输过程中，在不同时间、不同空间采集的冷藏车厢环境参数存在一定波动性，但整体上具有稳定性[4]。通过灰色累加生成操作将原始监测数据生成有规律的时间序列，为建模提供更有利的信息，从而实现对冷藏车厢环境参数的预测[5]。当车厢内环境出现较大的扰动、突变、机械故障等异常情况时，灰色模型预测数据的平稳性受到影响，导致预测结果误差较大，并降低数据反馈的准确性。

径向基（radial basis function，RBF）神经网络通过学习有规律的异常数据，实现对某些特殊情况的预测，在复杂问题的处理上具有优越性[6]。采用多变量灰色预测与径向基神经网络相结合的方法可形成互补[7]。通过神经网络模型建立残差反馈项，弥补灰色预测处理异常情况时建模精度低的缺陷。将多变量灰色预测与RBF神经网络技术相结合[8-10]，以期实现冷链运输过程中冷藏车厢环境的有效预测。

1 基于GM-RBF神经网络的数据预测

GM-RBF神经网络预测采用混合补偿式组合模式（图1）。利用冷藏车厢原始监测数据，采用GM模型进行建模预测，并求出残差项；采用RBF神经网络建立原始监测数据与残差项间的映射关系，原始数据作为模型输入，预测残差项作为目标输出；利用训练好的网络对残差项进行预测，并补

偿GM模型的预测值。

冷链运输过程中，影响葡萄品质的关键监测参数为温度、相对湿度、二氧化硫体积浓度[11]，获得了s个时间点的原始监测数据{xi[0]（t-s+1）}，i=1，2，3。GM预测模型的原始输入数据长度为s，滚动预测步长为R。原始监测数据与GM预测值的残差为：

使用GM-RBF神经网络预测之前，必须对RBF神经网络进行充分训练。使用未经充分训练的网络将产生很大误差；而过多网络训练则会降低学习效率，少数特殊的监测数据点被湮没在大量正常的数据中，耗费大量资源。本研究提出的GM-RBF神经网络模型在残差训练中增加了残差判断过程，事先设定残差阈值，一旦发现残差的绝对值大于阈值，即判定特殊点出现并进行神经网络的训练。输入测试样本，使用训练好的RBF神经网络进行预测，得到预测残差序列e⌒（0）（k），由此最终得到基于 GM-RBF 神经网络模型的冷链运输监测数据的预测值 x⌒（0）（k）* 。

2 情景设计

在实际冷链运输过程中，突发性的扰动、故障等异常情况的出现具有随机性，无法进行预测；但对于有规律的突变点，通过其突变之前出现的数据先兆，可对将要发生的状况进行预测。神经网络训练样本的选取尽量具有正确性、准确性、代表性，尽量涉及冷链运输过程中可能发生的各种情况，正确反映冷链运输过程中数据的内在规律，防止坏样本干扰神经网络的训练。本研究选取150组数据作为训练样本，包括较为特殊的突变点、开关门过程等，并选取50组数据作为测试样本。采用TEMI1880型高低温交变试验箱（天津苏瑞科技有限公司产品）模拟冷藏车厢环境，以温度预测为例进行研究。

3 结果与分析

3.1 预测结果

RBF神经网络的输入向量是原始监测数据，目标向量是GM模型的残差。为确定RBF神经网络的目标向量，采用GM模型对原始监测数据进行拟合与预测。经多次测试，将每40次监测数据作为1个循环周期建立的模型较为理想，模型的发展系数-a<0.3，适用于中长期预测。利用第1个至第40个连续的冷链监测数据预测第41个至第50个数据；利用第2个至第41个连续数据预测第42个至第51个数据；以此类推，利用第109个至第150个连续数据预测第151个至第160个数据。

由GM模型109次预测过程的比例绝对误差（图2）可知，第40个至第80个预测点误差较大，原因是此阶段的原始监测数据存在较大的突变及开关门现象。由于GM模型自身的局限性，突发事件（大扰动、切换、突变、故障等异常情况）对数据的平稳性造成破坏，从而干扰预测结果，使预测误差较高。使用此类数据进行预警将有较高的误报率；因此，须对模型进行误差补偿以提高预测的准确性。

采用GM模型计算150组原始数据可得到109组残差序列，并将其作为RBF神经网络的目标向量；输入向量是与残差序列对应的原始监测数据。使用GM模型对第151个至第190个数据进行拟合与预测，预测阶数为10。经计算，发展系数a=-0.000 142 46、灰作用量u=-0.495 96，由于-a<0.3，该模型适用于中长期预测。

拟合后的数据残差曲线见图3。其中，圆圈代表残差值，竖线代表各点相应的95%置信区间，第2、第39个点为离群点，误差较大。小误差概率P=0.725∈[0.7，0.8]，模型精度等级为3级（勉强）；而后验差比C=0.662 01>0.65，模型精度不合格，因此GM模型需进行误差补偿。使用训练好的endprint

RBF神经网络对第191组至第200组的GM模型残差进行预测。为检验预测的准确性，已监测到实际中第191组至第200组的原始数据。经计算，前几个点的神经网络预测残差与真实计算残差相差不大，但最近监测点对未来预测的决定作用随时间的推移越来越小，且预测精度随着随机因素的增多而开始下降。将GM-RBF神经网络的输出向量反归一化，得到最终的拟合值与预测值。

GM模型、RBF神经网络模型、GM-RBF神经网络模型在第151组至第200组的拟合值与预测值见图4。其中，前40个监测点对应的温度值是拟合值，后10个是预测值。采用GM-RBF 神经网络预测算法得到的预测结果最接近于真实值，其次为RBF神经网络算法，而GM模型的预测结果仅呈现出监测数据的总体变化趋势，并未准确给出每个时间点的监测值，与原始监测值间的偏差较大，并且可以预见，预测结果必将随着预测时间的增长而产生越来越大的偏差。

3.2 预测结果评价

为对预测结果进行更好的评价与比较，定义如下2个误差指标。

经计算得到不同预测方法的误差（表1），GM-RBF神经网络预测结果的均方根相对误差为0.60%，平均相对误差为0.44%，显著优于其他预测方法。

GM-RBF神经网络在训练第65次时，其训练误差达到0.000 967 07，满足冷链运输监测精度的要求；在相同训练次数下，单纯RBF神经网络并未达到训练精度的要求，在第95步时才收敛，训练误差为0.000 998 13，是GM-RBF神经网络组合预测的1.03倍。将多变量灰色预测与RBF神经网络预测相结合，可以加快RBF神经网络的训练速度，降低全局误差，实现较高的预测精度。采用GM-RBF神经网络预测方法的预测结果优于单一的GM预测、RBF神经网络方法。

4 结论

针对鲜食葡萄冷链运输监测数据的特点，将多变量灰色预测方法与径向基神经网络技术相结合，提出一种新的鲜食葡萄冷链运输监测数据的预测方法：GM-RBF神经网络预测方法。该方法有效规避了灰色预测模型自身误差大的缺点，同时减弱了神经网络中训练样本随机性对建模精度的影响，提高了整体模型的精度。结果表明，GM-RBF神经网络预测法的均方根相对误差、平均相对误差分别为0.60%、0.44%，显著优于单一的GM预测、RBF神经网络方法，能够准确反映实际的冷链运输监测数据。

参考文献：

[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]杨祯山，邵 诚. 基于灰色RBF神经网络模型的电梯层间交通分布预测[J]. 信息与控制，2008，37（6）：690-696.

[4]齐 林，田 东，张 健，等. 基于SPC的农产品冷链物流感知数据压缩方法[J]. 农业机械学报，2011，42（10）：129-134.

[5]张世强. 基于信息再利用的灰色系统GM（1.1）模型建模方法及应用[J]. 数学的实践与认识，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，钟 珞，李小燕，等. 灰色神经网络的研究及发展[J]. 武汉理工大学学报，2009，31（3）：91-93.

[8]李家科，李亚娇，李怀恩，等. 非点源污染负荷预测的多变量灰色神经网络模型[J]. 西北农林科技大学学报：自然科学版，2011，39（3）：229-234.

[9]阮 萍，骆力明，王 华，等. 基于灰色系统和人工神经网络的中长期电力负荷预测[J]. 首都师范大学学报：自然科学版，2004，25（2）：22-25.

[10]郭凤仪，郭长娜，王洋洋. 煤矿涌水量的灰色RBF网络预测模型[J]. 计算机测量与控制，2012，20（2）：300-302，310.

[11]刘 静，张小栓，肖新清，等. 基于多目标决策模糊物元法的冷藏车传感器布点优化[J]. 农业机械学报，2014，45（10）：214-219.李吉龙，刘新平. 基于BP神经网络的未利用地开发生态风险预警研究——以新疆阜康市为例[J]. 江苏农业科学，2015，43（10）：500-503.endprint