本文是一篇计算机应用论文，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。
第一章 绪论
1.1 研究背景与意义
随着社会的不断进步和经济的快速发展，人民群众的生活水平得到了不断的提升。同样的，社会大众的就餐方式也慢慢变得多样化起来。在餐饮行业的消费团体中，学生团体占有着相当大的比例。学生对饮食要求的不断提高，学校食堂已经很难满足。随着互联网的兴起，社会进入“互联网+”的时代，传统的进餐形式渐渐被打破，新兴的网络订餐模式快速占领了餐饮消费行业的一部分市场，并且仍有很大的增长空间。大学生作为一个年轻的，走在信息前沿的群体，相比于其他的社会群体更容易接受网络订餐模式这种新兴就餐模式[1]。大学生群体的认同感促使着网络订餐产业的日益迅速的发展。
但是这种便利快捷的订餐模式很快就暴露出了安全隐患。2017 年 3·15 晚会曝光了“饿了么”等网络订餐平台上的不良商家，其中涉及到的食品安全问题引发了广大消费者的关注。正所谓“民以食为天”，人民对食品安全有着极高的重视度，网络食品安全问题不仅影响着和谐社会的稳定性，同时也是网络订餐产业未来能否良好发展的重要决定因素。
1.1.1 研究背景
网络订餐模式在消费者饮食消费模式中的比例呈现跨越式增长，但是网络订餐行业相应的制度和法律法规却未能适应该行业的快速发展。由于网络订餐模式是以网络订餐平台为基础，网络餐饮店面申请流程容易，审核标准不高，导致现在的网络餐饮店面质量参差不齐。消费者只能从客户端（网页、移动 app 等）看到店面商家上传的食品相关图片来进行消费订购，而对食品材料的加工流程、食品加工所处的卫生环境、食品包装与运输过程的环境状况等几乎一概不知。那么这些不透明的流程就成为了一些不良商家、黑心作坊等用来获取利益的渠道，这严重侵犯了消费者的合法权益，损害了消费者的健康和安全。每年我国都会出台新的网络食品安全有关的法律法规，改善了一些问题，但是由于网络订餐产业的快速发展，政府的监管系统存在着一定的滞后性[2]，各种监管不当的问题已经显现出来，很多学者对网络食品安全的政府监管问题也做了大量的研究工作[3-17]。但是当前食品安全问题的解决流程往往是已经出现了食品安全问题，然后出台对应的法律法规或者监管部门对其进行严格审查，解决问题带来的后续影响，却不能预防并避免食品安全问题的发生。能否有效的预防网络食品安全问题的发生将会是解决食品安全问题上的重大研究课题。
...............................
1.2 研究现状
1.2.1 食品安全研究现状
近些年，食品安全问题在国内外始终保持着高度的热点。网络食品安全问题不断地凸显出来，引发着越来越高的社会关注，有关网络食品安全的课题研究这些年也逐步增多。国内外的研究学者从不同层面和不同角度上对食品安全问题进行了研究分析，其中大多数研究方向从食品安全监管角度出发，发表了大量的相关学术文章，而从大数据分析角度的实验研究较少。前人已经做了很多相关研究，这对我国治理网络食品安全问题有着很高的参考价值。
HC Wahyuni 等人[21]基于贝叶斯网络方法来测量和分析食品安全风险。作者以牛屠宰行业作为案例。首先通过观察，和相关管理人员进行访谈来进行数据的收集。然后利用贝叶斯网络统计方法对进行数据处理，基于对屠宰母牛的过程观察，确定导致可能产生食品安全隐患的风险事件。通过观察不同风险事件下的母牛污染情况，来确定风险事件的可能性，计算出每个风险事件的概率。其次，建立食品安全风险的贝叶斯网络结构图，用于显示牛屠宰行业中发生的风险事件之间的关系。根据贝叶斯网络结构，计算条件概率表，最终确定在牛屠宰业操作过程中发生食品安全风险的可能性大小，并提供每个风险事件的优先级别，为之后的采取食品安全预防手段和措施提供参考。
高亚男等人[22]基于集成 INMCAS 调参的 LightGBM 模型对食品安全进行了风险预警的相关研究。作者首先对归纳分类了食品安全相关的数据，将其确定属性的对应关系。利用先验风险概率结合模糊层级划分的方法对历史数据设立标签制定规则，计算出对应的风险值作为模型的数据源。其次，基于 LightGBM 基本模型对风险值进行预测，作者改进了模型的调参方法，提出了一种改进的布谷鸟算法进行参数调整。模型应用了改进的参数方法提高了预测效率和准确率。最后，作者根据模型建立了食品安全风险预警系统，将理论方法上升到到实践应用层面。该系统可向用户提供风险值数据以及统计数据的风险分布，并将数据进行可视化展示，旨在为食品安全相关部门提供科学客观的技术参考。
...........................
第二章 相关理论与方法
2.1时间序列预测方法概述
传统的时间序列分析和预测方法主要基于整合移动平均自回归模型 ARIMA 以及其各种变体，例如季节性 ARIMA（SARIMA）或者是多元型 ARIMA(ARIMAX)。这些回归模型已经解决了很多时间序列相关预测问题，有学者基于 ARIMA 提出了对金融市场的一个预测模型[39]，还有研究人员将其用于 GDP 的预测分析[40]，都取得了良好的实验结果。尽管这些基于移动平均的方法表现良好，但它们也受到一些限制。ARIMA 模型要求时序数据是稳定的，或者通过差分化之后是稳定的，本质上只能捕捉线性关系，对于非线性关系则效果不大，因此它们几乎无法使用参数之间的非线性关系来建模数据。在进行统计检验时，需要对数据进行一些假设，方便与其建立有意义的模型（例如，恒定的标准差）。对于长期时间序列的预测，ARIMA 模型的准确性较差。基于机器学习和深度学习的方法为时间序列数据预测提供了新的途径。Krauss 等人[41]使用了深度学习、梯度增强树、随机森林等多种形式的预测模型对 S&P 500 进行建模。Krauss 还报告说，尽管对股票的预测表现优于一般市场的概率预测，但是训练神经网络以及基于深度学习的算法依旧非常困难。在深度学习的众多模型中，循环神经网络 RNN 在网络结构中引入了时序的概念。Lee 和 Yoo 等人[42]引入了一种基于 RNN 的方法构建具有目标风险收益的数据驱动的投资组合，模型包括简单的 RNN，LSTM 和门控递归单元 GRU,适用于S&P500 中的投资领域。Fischera 等人进行了类似的工作，用于财务数据领域的预测。Kim 和 Moon 等人[43]的实验报告中证实基于多变量时间序列数据的 BiLSTM,即双向循环神经网络的表现优于单向循环神经网络。接下来详细介绍几种常见的时间序列预测方法。
图 2-1 RNN 网络结构
...............................
2.2 深度学习优化算法
在神经网络模型建模阶段，我们是用优化算法来估计神经网络模型中的参数取值，且始终假设所有数据点均来自同一分布。在非平稳观测的情况下，这种假设不成立。当序列被描述为非平稳序列时，数据点的统计信息会随时间变化。它对参数估计的优化过程产生重大影响。基于梯度的数值算法可以迭代地用于计算模型的参数。通过由学习数据确定类型的损失函数的梯度更新参数向量。因此，梯度序列也将变为非平稳的。这与开发大多数优化方法的固定假设相冲突。在神经网络建模过程中，我们根据数据类型选择合适的优化算法进行建模。随机梯度下降算法(Stochastic Gradient Decent，SGD)是最深度学习优化算法中应用最多的算法。在 SGD 的基础上发展了许多先进的算法，其中均方根（Root Mean Square prop，RMSprop）和自适应矩估计（ADAptive Moment estimate ，Adam）被认为是对非平稳数据集是有效的。RMSprop 是自适应梯度算法（Adaptive Gradient，AdaGrad）的指数加权版本。Adam 目前是最新的优化算法，在步长估计和梯度下降方向估计中均采用指数加权法。尽管 Adam 和 RMSprop 被认为在非平稳情况下是有效的，所有的历史梯度都涉及到当前步骤的更新方向和步长的计算。在非平稳情况下，数据分布随时间变化，这意味着当前步骤不太可能与很久以前的数据相关。Yulai Zhang 于 2020 年提出来了新的方法 NSAdam，该方法利用限时数据计算当前步骤的更新方向和步骤大小，增强了当前数据计算的更新与历史数据之间的联系。下文将对本文所用到的经典梯度下降算法进行详细介绍。
表 3-1 商家外卖评论数据
.................................
第三章 构建网络食品安全风险评价体系 .............................. 16
3.1 数据来源 .............................. 16
3.2 网络订餐食品安全风险因素分析 ..................................... 17
3.3 构造指标体系 .................................. 17
第四章 改进的时序模型在网络食品安全风险预测上的应用 ..........
