4.1 引言 ............................................. 21
4.2 基于 ARIMA 模型的网络食品安全风险预测........................... 21
第五章 互联网食品安全监测平台................................ 37
5.1 平台简介 ............................................ 37
5.2 需求分析 ............................................ 37
第五章 互联网食品安全监测平台
5.1 平台简介
本课题研究来源于国家重点研发基金研发项目,属于《互联网食品销售违法违规行为监督技术研究与系统开发》主课题下的子课题。该课题旨在利用互联网和大数据的信息手段下,研究第三方平台、消费者、政府相关监管部门、网络餐饮商家以及其他社会群体在网络订餐食品产业中所扮演的角色和关联关系,并提供一个可视化的信息平台来实现数据共享的功能。本论文利用大数据与深度学习等科学方法为规范互联网食品销售行为提供技术支持和理论基础,基于前几章的构建风险评估体系、风险安全预测等工作,将研究成果应用在系统的各个模块中,实现了基于时序模型的互联网食品安全监测平台系统的构建,平台系统首页见图 5-1。该监测平台缓解政府相关监管部门的监管压力,对违法违规行为作出及时的风险预警,对网络订餐产业链中的各个社会群体实现了一定程度的数据共享,对解决我国网络食品安全问题有着重要的现实意义。
该系统的总目标是为网络订餐产业各社会群体提供数据信息,对互联网食品销售违法违规行为作出风险预警。其中网络餐饮商家的风险值由从外卖评论角度构建食品安全风险评价体系中处理得出,风险值预测方面由本文研究的基于 NSAdam 的 BiLSTM 神经网络模型来进行训练并预测。此外,系统还提供了诸如商家地理位置查询、食品安全相关法律法规科普、用户评论留言等人性化服务。系统目前已经通过国家重点项目专家组的审批,在全国重点城市——无锡市上线运行,到目前为止,运行一切正常,基本达到预期效果,用户的反映良好。
图 5-1 平台系统首页
...................................
第六章 主要结论与展望
6.1 主要结论
本文对网络订餐食品安全风险预测技术进行了研究与应用。随着网络餐饮产业的发展速度越来越快,网上订餐群体数量与日俱增,网络食品安全的风险隐患也越来越明显。本文研究背景建立在国家科技部下的《互联网食品销售违法违规行为监督技术研究与系统开发》总课题项目,研究目的在于预防或避免互联网食品销售违法违规行为事件的发生,以及减轻政府相关监管部门的监管压力。基于本文工作内容和结果可以总结出以下几点:
(1)采用爬虫框架对市场上最大的网络订餐第三方平台上的商家评论文本数据进行数据爬取。查阅食品安全相关文献和法律法规,对网络食品安全风险从商家、消费者、第三方平台以及政府四个方面进行了因素分析,提出 16 项互联网销售违法违规行为的风险评价指标,通过层次分析法进行指标权重的计算,最终完成网络食品安全风险评价体系的构建。
(2)对网络食品安全风险值进行时序分析。构建 ARIMA 模型进行参数组合实验,选取最佳参数组合模型,对数据集进行预测,得到预测结果。预测结果来看,ARIMA模型预测精准度不如神经网络模型。然后基于 Python 语言的 Keras 第三方库的研究技术构建神经网络模型。详细阐述了 LSTM 模型的搭建流程以及具体的参数调优过程。介绍了双向长短期记忆神经网络 BiLSTM 的模型发展和搭建过程。分别对两个模型做了实验验证,得出预测结果。通过 MSE,MAE 指标评价模型。实验结果显示在网络订餐食品安全风险预测领域中,BiL STM 模型预测精度要略高于 LSTM 模型,但是 BiLSTM 模型的性能要低于 LSTM 模型。
(3)提出改进的 BiLSTM 网络模型。在传统的 BiLST 网络模型引入 NSAdam 梯度算法,并对 NSAdam 优化算法进行了静态窗口长度的调优。将各种优化算法代入神经网络模型 LSTM 和 BiLSTM 模型中,得到的实验结果显示,NSAdam 算法相比于其他优化算法,模型的预测精度更高。本文提出的基于 NSAdam 优化算法的 BiLSTM 模型预测精度在所有组合模型中最高,可以对网络订餐食品安全风险值作出最好的预测。
参考文献(略)