技术特征：
1.一种食品供应链危害物预测方法，其特征在于，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。2.根据权利要求1所述的方法，其特征在于，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。3.根据权利要求2所述的方法，其特征在于，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。4.根据权利要求1所述的方法，其特征在于，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。5.根据权利要求1至4任一项所述的方法，其特征在于，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。6.一种食品供应链危害物预测装置，其特征在于，所述装置包括处理器，所述处理器，其被配置有处理器可执行的操作指令，以执行如下操作：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。7.根据权利要求6所述的装置，其特征在于，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。8.根据权利要求7所述的装置，其特征在于，所述处理器，其被配置有处理器可执行的操作指令，以执行如下操作：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。9.根据权利要求6所述的装置，其特征在于，所述处理器，其被配置有处理器可执行的操作指令，以执行如下操作：
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。10.根据权利要求6至9任一项所述的装置，其特征在于，所述处理器，其被配置有处理器可执行的操作指令，以执行如下操作：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。
技术总结
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。预测任务中有更好的效果。预测任务中有更好的效果。
技术研发人员：金学波 张佳帅 张家辉 苏婷立 白玉廷 孔建磊
受保护的技术使用者：北京工商大学
技术研发日：2021.06.10
技术公布日：2021/9/9