ResSqueezeXNet：一种轻量级的深度学习框架，用于物联网环境中的实时农业物流优化

物联网与深度学习融合优化农业物流框架研究。该研究提出ResSqueezeXNet混合模型，集成ResNet、SqueezeNet和Xception架构，结合DRR、ASC预处理技术及CFSF特征选择框架，创新应用SLC、HTE和DRN数据重塑策略，在欧盟克罗普项目多国2018-2024年IoT物流数据验证中，模型R2达0.985，RMSE 0.095，MAE 0.045，显著优于CNN、LSTM等基线模型，并引入BGFE、FTC、PVI等新评估指标，解决资源受限场景下的预测与优化难题。

　　

阿卜杜勒瓦哈布·阿里·阿尔马兹罗伊（Abdulwahab Ali Almazroi）| 纳西尔·阿尤布（Nasir Ayub）

沙特阿拉伯吉达大学（University of Jeddah）计算机与信息技术学院（College of Computing and Information Technology），信息技术系（Department of Information Technology），吉达，21959

摘要

物联网（IoT）技术与深度学习的结合正在通过实现智能和数据驱动的决策来改变农业物流。尽管取得了显著进展，但在物联网环境中进行预测仍然面临数据异质性、时间变化以及边缘计算资源有限等挑战。本研究介绍了ResSqueezeXNet，这是一个为基于物联网的农业物流优化而开发的混合深度学习框架。该模型结合了ResNet、SqueezeNet和Xception架构，以在保持计算效率的同时实现高预测准确性，适用于实时和资源受限的应用场景。采用了先进的预处理技术，包括动态范围重新对齐（Dynamic Range Realignment, DRR）和自适应偏斜补偿（Adaptive Skew Compensation, ASC），以解决传感器数据的不平衡和变化性问题。复合特征选择框架（Composite Feature Selection Framework, CFSF）结合了统计方法和基于梯度的评分方式，以提高特征相关性和可解释性；数据重塑策略（Data Reshaping Strategy, DRS）则应用了缩放对数压缩（Scaled Logarithmic Compression）和谐波时间编码（Harmonic Temporal Encoding）来捕捉时间和周期性依赖关系。该框架使用2018年至2024年间在奥地利、丹麦和斯洛文尼亚收集的EUROCROPS项目中的真实物联网数据集进行了评估。模型的R2值为0.985，RMSE值为0.095，MAE值为0.045，优于CNN、LSTM和XceptionNet等基线模型。通过平衡梯度流效率（Balanced Gradient Flow Efficiency, BGFE）、特征转换一致性（Feature Transition Consistency, FTC）和扰动变异性指数（Perturbation Variability Index, PVI）等额外评估方法，证实了其在噪声传感器条件下的强大鲁棒性、稳定性和适应性。所提出的ResSqueezeXNet框架为现代物联网生态系统中的智能和可持续农业物流提供了一种可扩展且节能的方法。

引言

物联网（IoT）和深度学习最近改变了供应链管理（SCM）和农业物流。这些进步将改善长期以来受到浪费、易腐性和产品质量问题困扰的农业供应链[1]。物联网设备和深度学习模型可以提高供应链透明度、决策能力，并优化物流框架，从而简化农业物流。易腐性、季节性和运输成本长期以来一直是农业物流的难题，尤其是在运输和储存方面。确保区域分布供应链中的产品质量和安全性的困难加剧了这些问题。传统的农业物流管理使用限制性框架和过时的优化方法，无法跟上市场的变化。基于历史数据和简单预测的传统方法无法反映现代供应链的动态，导致效率低下和成本增加[2]。

物联网在农业物流中的应用可以实现作物健康状况、土壤条件以及影响产品质量和生产的环境因素的实时监控。来自物联网设备的连续数据可以监测温度、湿度和土壤湿度[3]。实时数据收集有助于优化灌溉、施肥和农药使用，从而提高作物质量并减少浪费。物流网络中的物联网传感器可以监测易腐商品的储存条件，确保农产品从田间到餐桌始终保持新鲜。除了物联网之外，深度学习模型还可以分析大量结构化和非结构化数据，以解决复杂的物流问题。供应链的非线性相互作用和时间模式难以用ARIMA模型和线性回归来表示。循环神经网络（RNN）和卷积神经网络（CNN）在识别大型数据集中的模式和关系方面表现出色[4]。这些算法可以预测需求、优化运输路线并评估实时风险，从而改善农业供应链。机器学习（ML）和深度学习（DL）在农业物流中的应用已经超越了需求预测，扩展到了预测性维护和资源分配优化领域。ML算法可以预测设备和车辆的维护需求，减少停机时间并提高运输效率。预测模型可以预测设备磨损情况，规划维护计划，避免导致产品交付延迟和运营成本增加的昂贵故障[5]。DL模型根据实时需求动态调整存储和运输能力，从而优化资源分配。物联网和深度学习提高了农业供应链的可追溯性和透明度。

农业物流依赖于可追溯性，因为客户想知道农产品的来源[6]。借助物联网和区块链，整个供应链中的产品跟踪既安全又防篡改。物联网传感器收集实时产品数据，区块链安全存储这些数据并允许相关方进行查看。可追溯性增强了客户对产品质量的信任，并加快了供应链召回和安全违规的处理速度。物联网和深度智能可能会改变农业物流，但仍存在障碍。实际应用中许多物联网项目失败，这阻碍了其更广泛的采用。据报道，高达75%的物联网采用项目面临实施问题[7][8]。这些失败是由于设计不良、基础设施不足和技术集成问题造成的。较小的农业公司可能无法负担物联网基础设施，限制了其可扩展性。尽管存在这些障碍，多个案例研究表明物联网和深度学习可以改善农业物流。

领先的农业公司使用支持物联网的传感器来监测运输车辆的温度和湿度，以优化易腐商品的交付[9]。当与深度学习算法结合使用时，这些系统可以预测最佳交付路线，减少运输时间并保持产品质量。基于物联网的实时数据分析帮助农业企业优化库存管理和储存设施，减少浪费。物联网在农业物流中的应用提高了可持续性，这在当今市场中至关重要。物联网解决方案通过监测和管理水资源和肥料使用，帮助农民提高产量并减少环境影响[10]。这支持了强调农业效率和减少浪费的全球可持续发展目标。深度学习模型通过识别资源使用趋势和提高效率来实现这些目标。

本文介绍了ResSqueezeXNet，用于处理预测和模型复杂性。这种独特的深度学习模型利用残差连接、火焰模块和深度可分离卷积，在资源受限的情况下实现了出色的准确性和计算效率。该解决方案通过使用动态范围重新对齐（DRR）、自适应偏斜补偿（ASC）和复合特征选择框架（CFSF）等先进预处理方法，处理农业数据集中的数据变异性、特征冗余和不平衡问题。此外，新颖的数据重塑策略（DRS）优化了特征缩放和时间编码，提高了模型捕捉复杂模式的能力。2018年至2024年的真实物联网物流数据验证了该框架在预测能力方面的改进，优于传统模型，有助于农业供应链的决策和优化。本研究的主要贡献如下：

1. 1.
   本研究提出了ResSqueezeXNet，这是一种结合了ResNet、SqueezeNet和Xception的混合架构。它在高精度和计算效率之间取得了平衡，非常适合资源受限的实时农业物流应用。
2. 2.
   先进的预处理技术：DRR和ASC能够处理农业物流数据集中的数据偏斜和不可预测性问题。这些方法帮助模型处理多样化和不平衡的特征。
3. 3.
   复合特征选择框架（CFSF）：CFSF通过结合统计方法和基于梯度的方法，解决了特征冗余和特征选择不当的问题，优化了模型性能和可解释性。
4. 4.
   可扩展的数据重塑策略（DRS）：DRS的缩放对数压缩（SLC）、谐波时间编码（HTE）和动态范围归一化（DRN）方法能够处理复杂和偏斜的数据分布，改善了模型的时间和周期性模式。
5. 5.
   引入了新的评估指标：BGFE、FTC和PVI是新的性能度量标准。这些指标提高了模型的学习稳定性、特征相关性和对输入扰动的抵抗力，优于传统的准确性和精确度指标。
6. 6.
   应用、验证和卓越的预测性能：ResSqueezeXNet模型使用了2018–2024年间通过物联网传感器收集的农业物流数据集进行了全面评估。它在实时关键绩效指标（KPI）预测方面表现优异，如效率比率和质量维护比率。该模型在预测准确性（RMSE 0.095，MAE 0.045）方面优于LSTM、RNN和XceptionNet，成为复杂农业供应链中实时物流优化和决策的可靠且准确的解决方案。

文章结构如下：第2节介绍了相关研究，第3节提出了所提出的模型，第4节展示了仿真结果，第5节总结了全文。

相关工作

近年来，利用物联网和深度学习改进农业物流和供应链管理已经得到了广泛研究。这些研究旨在提高物流效率、减少浪费和提升供应链产品质量。

最近，深度学习和混合AI架构已被应用于改进农业物流和供应链管理。[11]提出了一种基于黏菌算法优化的混合CNN-LSTM网络，用于表示农业

提出的系统模型

所提出的系统通过先进的数据重塑、特征选择和模型设计，优化了农业物流数据处理和回归。数据重塑策略（DRS）使用缩放对数压缩（SLC）来减少数据集的偏斜。谐波时间编码（HTE）发现基于时间的周期性模式。动态范围归一化（DRN）根据模型性能调整特征尺度。我们创建了复合特征选择

仿真与结果

为了改进农业供应链管理和物流，所提出的框架利用深度学习和物联网来预测重要的运营指标，如效率比率和质量维护比率。我们在Spyder IDE中使用Python进行了仿真，以评估ResSqueezeXNet模型的性能。测试使用的机器配备了16 GB的RAM和2.20 GHz的Intel(R) Xeon(R) CPU。通过模拟这些场景，我们可以确保

结论

本研究提出了ResSqueezeXNet，这是一种利用物联网传感器数据进行准确、实时农业物流KPI预测的混合深度学习架构。该平台解决了燃料消耗、交付时间、损耗风险、效率比率和质量维护比率等问题。该模型使用来自奥地利、丹麦和斯洛文尼亚的主要农业物流数据集进行了实证验证，证明了其实用性和可扩展性。ResSqueezeXNet结合了ResNet

未引用的表格

图1、图9、表1、表2

CRediT作者贡献声明

阿卜杜勒瓦哈布·阿里·阿尔马兹罗伊（Abdulwahab Ali Almazroi）：撰写 – 审稿与编辑、撰写 – 原稿、可视化、项目管理、方法论、调查、正式分析、数据整理、概念化。纳西尔·阿尤布（Nasir Ayub）：撰写 – 审稿与编辑、撰写 – 原稿、可视化、验证、监督、项目管理、方法论、调查、数据整理、概念化。

利益冲突声明

作者声明他们没有已知的财务利益冲突或个人关系可能影响本文所述的工作。