一种冷链运输环境预测方法以及系统与流程

本发明涉及食品加工领域，尤其是食品加工中的冷链运输环节，具体地说是一种采用马尔科夫模型和bp神经网络对冷链运输环境进行预测。

背景技术：

冷链(coldchain)是指易腐食品从产地收购或捕捞之后，在产品加工、贮藏、运输、分销和零售、直到消费者手中，其各个环节始终处于产品所必需的低温环境下，以保证食品质量安全，减少损耗，防止污染的特殊供应链系统。在该系统中，温度、湿度、光照控制尤为重要，是直接关系到整个冷链效果实现的关键。因此，无论是在冷链物流行业中，还是在食品等易腐产品的生产销售过程中，由先进技术引导推动的温度监控，以及冷链质量的建设和提高是必然趋势，也必将占据越来越重要的地位。而对运输过程中的环境数据进行预测可有效防止突发异常发生或者预留突发异常处理时间。

通常环境预测分为特性分类和原理分类，特性分类主要包含定性预测、定量预测法。定量预测法中依靠历史数据以运筹学、系统论、控制论和统计学为基础建立相应模型，用数学或者物理模拟来进行预测，这类中主要方法为趋势外推法，回归分析法，模拟推理法与马尔科夫法。

在冷链运输环境这些方法存在以下问题：

1精度误差控制，由于冷链运输温差、湿度差相对较小，这就需要更加精确的误差范围来进行度量，单一的bp神经网络预测误差对预测值敏感性较大；

2数据只有在运输过程中产生，那么环境数据来源连贯性就会对相关建模造成影响，如果忽略不同车辆本身差异导致的误差，用于训练bp神经网络的历史数据就会造成较大误差，运输间隔越大误差越大，解决时间上数据连贯性由间隔导致的问题是关键所在；

3同一车辆在运输不同物品时，对应不同参数，就需要建立多个模型来一一对应。

技术实现要素：

本发明为了解决上述问题，提出了一种马尔科夫模型结合bp神经网络的冷链运输环境预测方法，通过此方法预测车辆温度、湿度、光照环境预值以对车辆运输进行环境保障。

为了实现上述目的，本发明提供一种冷链运输环境预测方法，该方法基于马尔科夫模型和bp神经网络，具体步骤包括：

s1、对应马尔科夫模型不同状态，将冷链车辆环境正常阈值和异常范围划分为不同范围；

s2、按照运输物品分类，根据采集到的历史环境数据建立对应概率分布，并用来训练bp网络权重和偏置；

s3、对历史环境数据统计分析，生成马尔科夫概率向量线性组合，并预测出车辆环境数据下一状态；

s4、利用训练的bp神经网络预测出下一时刻的环境数据；

s5、对马尔科夫模型和bp神经网络预测值进行处理作为最终状态；

s6、动态调整模型和bp神经网络权重。

一种基于冷链运输环境预测方法的系统，该系统包括：采集模块、策略生成模块和预测报警模块；

采集模块：采集温度、湿度、光照环境数据；

策略生成模块：设置参数，进行自行马尔科夫状态设定和bp神经网络训练；

预测报警模块：对比预测数值和环境阈值，对出现的异常状态进行报警。

本发明的有益效果是：

本发明对不同运输物品建立不同的马尔科夫模型和bp神经网络模型，对结果进行加权平均以获得预测精度提升。为了解决数据源不连贯，将时间特性考虑其中，在马尔科夫模型建立过程中按时间段进行状态设定。对于bp神经网络建模按照不同物品不同时间归一化的进行。

本发明的预测结果比传统预测精确，给特殊物流冷链运输预留异常处理时间，能够规避风险。

本发明中，模型的建立具有普适性，冷链运输业务规模确定，建立模型就有与之对应的模型。

附图说明

图1为本发明的基本流程图

图2为马尔科夫模型建立图

图3bp神经网络模型建立图

图4为预测系统例图

具体实施方式

下面将参照附图更详细地描述本发明的优选实施方式。虽然附图中显示了本发明的优选实施方式，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。

如图1所示，本发明基本流程图包含以下步骤：

步骤1：根据历史数据，对历史数据进行预处理，分类以建立马尔科夫状态值，

步骤2：对正常环境范围进行划分，每一区间段对应一种状态；计算出相应的离散分布概率，完成建模；

步骤3：用历史数据进行bp神经网络建模；

步骤4：完成数据预测，通过与运输物品贮藏环境要求判定未来时刻车辆环境数据是否会出现异常；

步骤5：对两者预测数据加权平均；

步骤6：对于异常状态进行预报预警，预报预警方式通过短息通知。

如图2所示，建立马尔科夫模型具体步骤如下：

将正常环境范围划分成多个子区间，每个子区间对应状态ei；

通过对应状态历史数据计算状态概率并归一化，得出状态转移；

根据状态转移计算时间间隔τ后的环境值；

如图3所示，建立bp神经网络模型，具体步骤如下：

此模型一共分为输入层、中间层、输出层，对输出有影响的因子为车内温度、湿度、光照。用历史数据对神经网络进行训练和测试。

输入层为等间隔历史数据，包含温度、湿度、光照间隔时间20分钟，输入层神经元个数为6，分别为时间间隔为τ＝30分钟的数据，归一化公式：用于神经网络训练和测试数据。

输出层：预测30分钟后车辆温度、湿度、光照。

如图4所示，根据预测方法搭建预测系统，并进行预警通知，通过页面查询，后台进行本发明预测对数据处理，返回预测环境数据，根据设定正常环境阈值，预测值超出正常值后进行预报预警。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。

技术特征：

技术总结
一种冷链运输环境预测方法以及系统，本发明利用马尔科夫模型加上BP神经网络对冷链运输环境进行预测，实现对冷链运输环境异常状态的监控，冷链运输环境主要为温度、湿度、光照，根据不同的运输物品对应不同的健康数据，利用马尔科夫模型将各数据的最终状态为正常和异常状态。实际根据不同运输物品的贮藏环境指标将不同的环境数据分段进行状态设定，使得较小环境波动都可细化数据风险指标，将预测结果和分段数据进行比较按照风险系数评定冷链车辆环境走势，通过预测以保证运输物品品质。

技术研发人员：徐焕良;车建华;熊迎军;周祥;陆诚;曹云;林初友;戴莉
受保护的技术使用者：南京农业大学
技术研发日：2017.04.24
技术公布日：2017.09.08