[发明专利]一种食品供应链危害物预测方法及装置

说明书

本发明提出了一种食品供应链危害物预测方法，所述方法包括：采用正则化方法定义噪声平滑损失函数；搭建结合GRU子预测器和所述噪声平滑损失函数的预测模型，并对所述预测模型进行训练；根据训练后的预测模型对食品供应链危害物进行预测获得预测结果。本发明提出了一种结合GRU子预测器和采用正则化涉及的噪声平滑损失函数的预测模型，能够减少预测模型对随机噪声的拟合程度，提高了预测的准确度，在实际应对噪声大、出现测量错误等问题概率较大的预测任务中有更好的效果。

技术领域

本申请涉及时间序列预测领域，尤其涉及一种食品供应链危害物预测方法及装置。

背景技术

食品供应链由原料供应商、生产商、销售商、消费者等复杂的环节组成，其跨越的地域范围广，对各环节的质量要求很高。一旦出现食品安全问题，不仅会使整个供应链遭受损失，而且会造成恶劣的社会影响。因此透明度较低的多层食品供应链是否安全成为人们关注的重点。

随着物联网技术的发展，人们可以获得食品供应链上越来越多的信息。近来，机器学习尤其是深度学习方法的应用越来越广泛。循环神经网络(Recurrent Neural Network，RNN)作为深度学习领域中的重要神经网络，为序列数据的分析提供了更加有效的解决方法。目前结合机器学习或深度神经网络的食品供应链安全预测系统越来越多，但是这些食品安全预测模型有较大的潜在风险。

深度学习模型可以有效的进行预测和辅助决策，在时序预测，自动驾驶，推荐和个性化技术，以及其他相关领域都有广泛地应用。但是在食品安全领域，由于实际测量的食品危害物含量可能因为传感器性能、读数错误、仪器损坏等原因，不可避免的会出现测量噪声及错误的情况。在深度学习模型的训练过程中，损失函数的选择是一个重要的部分，它会决定模型的训练效果。由于食品供应链危害物数据的强非线性和强随机性，在含噪数据分析阶段很难完全去除噪声的影响，这就导致得到的估计真值仍然存在噪声，在训练中模型对数据中的噪声过分学习，噪声的随机性就会导致预测性能的下降，并且对噪声的学习也会影响模型的鲁棒性。

发明内容

为解决上述技术问题之一，本发明提供了一种食品供应链危害物预测方法及装置。

本发明实施例第一方面提供了一种食品供应链危害物预测方法，所述方法包括：

采用正则化方法定义噪声平滑损失函数；

搭建结合GRU子预测器和所述噪声平滑损失函数的预测模型，并对所述预测模型进行训练；

根据训练后的预测模型对食品供应链危害物进行预测获得预测结果。

优选地，所述噪声平滑损失函数包括衡量输入数据拟合程度和衡量输入数据平滑程度两部分，所述衡量输入数据拟合程度部分通过预测值和真实值之间的平均绝对误差表示，所述衡量输入数据平滑程度通过衡量输入数据中每三个点平滑程度的矩阵的范数表示。

优选地，所述衡量输入数据中每三个点平滑程度的矩阵的范数的计算过程包括：

定义对输入数据进行平滑度惩罚的惩罚矩阵，并根据所述惩罚矩阵与输入数据计算获得衡量输入数据中每三个点平滑程度的矩阵；

对所述衡量输入数据中每三个点平滑程度的矩阵进行范数计算获得所述衡量输入数据中每三个点平滑程度的矩阵的范数。

优选地，所述对所述预测模型进行训练的过程为：根据物联网平台采集的危害物含量源数据对所述预测模型进行训练。

优选地，所述方法还包括：

通过贝叶斯优化算法对所述预测模型的超参数进行优化获得最优超参数；

根据所述最优超参数对所述预测模型进行训练获得最优预测模型；

根据所述最优预测模型对食品供应链危害物进行预测获得预测结果。