江南大学罗晓清教授等 | 基于时空Transformer模型的食品监督抽检分类预测研究/中国食品科学技术学会

食品监督抽检是保障食品安全的重要手段，而传统模式因其效率低、覆盖范围有限，难以满足现代监管需求。“双随机、一公开”抽检模式虽在覆盖面和有效性上有所提升，但在监管资源有限的情况下，难以精准确定抽检对象。基于历史抽检数据的统计分析和逆向传播（BP）神经网络等方法虽在提升抽检靶向性方面取得了一定成效，但未能充分考虑时间、空间及食品类别等多维因素的综合影响。

随着人工智能技术的快速发展，深度学习凭借强大的特征提取与模式识别能力，为食品安全风险管理提供了全新思路。本研究旨在通过Transformer模型实现对全时空点风险食品类别的精准预测，为优化随机抽检策略的智能化与精准化提供科学依据。

方法：

本研究依托江苏省市场监督管理局2019年至2024年间的食品抽检数据，设计一种基于时空Transformer的多分类预测模型。该模型从全局视角捕捉食品安全事件在时间与空间维度上的演变规律，并通过多头自注意力机制建立与风险类别的内在关联，实现时空点与风险类别之间的协同建模。为解决多类别数据量差异导致的长尾分布问题，引入加权均方误差损失函数以优化训练，增强模型对尾部类别数据的敏感性。

结果：

采用4种最高风险类别分类指标与3种全类别风险分类指标综合评估模型的准确性，不仅在已发生风险区域的预测精度上与统计方法相当，而且在全时空范围内实现了全类别风险的高效预测。最高风险类别预测的准确率、召回率、精确率和F1值分别达到92.4%，86.5%，96.1%和89.4%，展现了高可靠性与低误报率。在全类别分布预测中，模型余弦相似度达96.6%，结构相似性92.3%，归一化皮尔逊相关系数98.2%，有效捕捉风险分布及趋势变化。相比传统统计方法，模型通过加权均方误差损失提升了对长尾类别的适应性，不仅能预测未发生事件的时空点风险，还能有效应对数据不平衡带来的挑战。

结论：

本文研究了时空Transformer分类预测模型在食品安全监管领域的创新应用，依托历史抽检数据深度挖掘时空演变规律与风险类别之间的内在关联，实现了对食品安全风险的精准预判和决策辅助。面对实际场景中普遍存在的数据长尾分布挑战，模型克服了统计方法在趋势预测中的局限性。随着后续抽检数据量的持续增加，可持续优化模型的预测性能，不断提升抽检工作的靶向精准度和监管效率，为抽检策略的科学制定和优化提供了强有力的技术支撑。未来，模型将融合气象监测、检验项目等多源外部数据，进一步提升其鲁棒性和实用性，为推动食品安全管理的智能化和精准化发展构建更加安全、高效的食品安全监管体系。

原文链接：https://kns.cnki.net/kcms2/article/abstract?v=upp0mjVwiKXDzmVPjEFO6ipSGx-ntcpdyhjXynKCvZ6OkNODarAgGrCvfhIPClYxW7GozgoixmmrFDiiGljeDzDP4Ha-JkDPzV51hTv29P42GpHw4GIiIfe1im0jsjiTMKF-rK5OKDa1P5reElE68ScDdkAtAYGj2mPlHd04-zW0DvOrLjKmPIfCiKKnKheN&uniplatform=NZKPT&language=CHS