ED-Stacking：一种基于集成学习的小样本牛肉微生物生长预测模型构建方法

作     者：李汉强 陈谊 高宇飞 侯堃 宋丽萍 李静 

作者机构：北京工商大学计算机与人工智能学院食品安全大数据技术北京市重点实验室 北京市食品检验研究院(北京市食品安全监控和风险评估中心) 中国网络安全审查认证和市场监管大数据中心 

出 版 物：《食品工业科技》 (Science and Technology of Food Industry)

年 卷 期：2024年

学科分类：0832[工学-食品科学与工程（可授工学、农学学位）] 12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 0811[工学-控制科学与工程] 083203[工学-农产品加工及贮藏工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家重点研发计划(No.2022YFF1100905) 国家自然科学基金项目(No.U23B2009) 

主　　题：食品安全 微生物生长预测 时间序列分解 集成学习 可视分析 

摘      要：当前技术条件下，微生物检测操作复杂、耗时长，导致了检测结果滞后且其样本数量有限的问题。本文提出了一种基于时间序列分解和集成学习的小样本牛肉微生物生长预测模型ED-Stacking构建方法，以便提前预警食品中的微生物风险。首先应用经验模态分解（EMD）、离散傅里叶变换（DFT）和加法模型构建时间序列分解方法（EMD-DFT），提取微生物生长时间序列中的趋势、周期和残差特征，为后续预测模型提供训练数据；然后利用这些特征数据对单层线性神经网络（SLN）、极端梯度提升树（XGBoost）和梯度提升回归树（GBRT）进行训练；最后，采用集成学习中的堆叠（Stacking）方法对训练好的三个模型进行融合，形成预测效果更优的微生物生长预测模型ED-Stacking。对比实验结果显示ED-Stacking在MAE和MSE两个指标上分别达到了0.229和0.147，预测误差低于SLN、XGBoost、GBRT、GRU和Transformer五个基线模型，即预测准确性更高。基于该模型对食品品质进行分类，分类的加权平均精准率Weighted-Precision 达到 98.80%。进而，还构建了一个食品微生物生长预测可视分析系统FMPvis，可以展示预测结果和食品品质分类结果，帮助用户分析各环境因子随时间的变化趋势及其对预测结果的影响程度，从而实现风险分析和预警。本文方法为食品微生物风险预警提供了一种新的思路和方法。