一种基于LSTM-Kalman模型的蛋鸡产蛋率预测方法

技术领域

本发明涉及蛋鸡产蛋率预测技术领域，尤其涉及一种基于LSTM-Kalman模型的蛋鸡产蛋率预测方法。

背景技术

随着数字农业的发展，对蛋鸡养殖户来说，准确提前预知产蛋率的走势可以合理安排蛋鸡生产，对于提高养殖户的经济收益具有重要作用。产蛋率预测是一个时序问题，也是一个复杂的非线性问题。影响产蛋率的因素包括光照、饮水量、采食量，温度、湿度等，这些因素之间存在多重共线性，比如，温度和湿度、温度和饮水量、采食量等之间均存在较大的相关性，这就给蛋鸡产蛋率的预测增加了难度。近年来，机器学习被不断应用于蛋鸡产蛋率的预测，其中，极限学习机(Extreme Learning Machine，ELM)和BP(Back Propagation，BP)神经网络使用较为广泛。

RNN(Recurrent Neural Network，RNN)被广泛认为是一种捕捉时间流和空间演化的合适方法，具有较好的预测效果。它不仅可以通过基本的神经网络模型学习得到多层特征，还可以将低层特征结合起来形成一个高层，这些性能特点都源于其神经元包含记忆能力。然而，以往的研究表明，传统的RNN存在梯度消失和梯度爆炸等缺陷，无法进行长时间记忆。为了解决这个问题，Hochreiter和Schmidhuber提出了LSTM(Long Short Term Memory，LSTM)模型，并在后来的工作中被许多人改进和推广。与传统的RNN相比，LSTM网络可以学习浅层非线性网络结构，提取输入样本数据的基本特征，实现复杂函数的逼近，避免梯度消失和梯度爆炸问题的出现，实现信息的长期存储。

现有技术中在影响变量众多且产蛋率具有时序性导致了其预测困难。

发明内容

本发明的目的是为了解决现有技术中在影响变量众多且产蛋率具有时序性导致了其预测困难的缺点，而提出的一种基于LSTM-Kalman模型的蛋鸡产蛋率预测方法。

为了实现上述目的，本发明采用了如下技术方案：

一种基于LSTM-Kalman模型的蛋鸡产蛋率预测方法，包括以下步骤：

S1：首先采用LSTM对产蛋率进行静态预测；

S2：预测输出的结果作为Kalman滤波的输入进行动态调整；

S3：调整结果作为最终的预测结果；

S4：对鸡群的环境和鸡群的健康进行分析；

S5：收集历史鸡群产蛋数据；

S6：与历史数据进行对比，判断产蛋的优良。

优选的，所述S1中通过鸡舍温度、湿度传感器获取鸡舍的环境变量数据，并对其进行数据修复和最大最小值归一化预处理；利用主成分分析法筛选出影响蛋鸡产蛋率的关键变量，降低模型的输入维度，消除变量之间的相关性，并划分训练集和测试集。

优选的，所述S2中初始化LSTM模型参数，输入训练集，不断调整模型参数，直到获取预期的目标准确率，结合Kalman滤波，构建基于LSTM-Kalman的蛋鸡产蛋率预测模型：

LSTM神经网络是将一般递归神经网络的隐层神经元替换为一种特殊的LSTM递归神经网络结构，图一是LSTM神经网络内存块的示意图。

其中，x

LSTM神经网络的内部计算如下：

第一，遗忘门的作用是保存历史信息，它决定从LSTM单元状态中丢弃哪些信息，保留哪些信息，其输出可表示为：

f

\*MERGEFORMAT(1)

其中，σ()是sigmoid函数。ω

第二，LSTM输入门的输入由三部分组成:输入层神经元的输出向量、前一层隐层单元的输出向量和前一时刻单元的保留信息。输入门包含两个部分：输入门的sigmoid层作为需要更新的信息，tanh层创建一个新的后选址向量C

输入门各变量的定义为：

i

\*MERGEFORMAT(2)

第三，LSTM单元的状态由输出门更新。输出门的输入由三部分组成，分别是输入层神经元的输出向量、前一隐层单元的输出向量和当前时间单元的保留信息。由sigmoid层确定哪些部分的当前细胞状态需要输出，tanh层对细胞状态进行处理，得到-1和1之间的值，乘以sigmoid输出获得输出结果，具体如式(5)和(6)。

O

\*MERGEFORMAT(5)

h

受温度、湿度等环境因素的影响，LSTM神经网络对产蛋率的预测结果有一定的不确定性，可以通过Kalman滤波降低不确定性的影响，提高产蛋率的预测精度。

Kalman滤波主要包括状态变量估计和状态变量修正两个过程。

状态变量估计：

根据k-1时刻的真实值和系统的可控输入预测k时刻的值。

X′

\*MERGEFORMAT(7)

其中，X

状态变量修正：

使用k时刻的观测值与预测值之差来校正k时刻的预测值。

Z

X＇

\*MERGEFORMAT(9)

其中，X

优选的，所述S3中采用测试集测试LSTM-Kalman模型的预测性能，与其他传统预测模型进行对比分析，实现蛋鸡产蛋率的精准预测。

优选的，所述S4中时刻监测鸡群生活环境的温度、湿度和照明度，并对其进行数据修复和最大最小值归一化预处理，时刻监测鸡群的健康状态。

优选的，所述鸡群健康状态的监测判断方法：第一，通过计算鸡群的进食量，进行判断；第二，通过观察鸡群的活跃程度进行判断。

优选的，所述S5中收集鸡群在不同生活环境和不同的健康状态下的产蛋数量、质量和营养价值，将收集的数据存储到数据库。

优选的，所述S6中现有将鸡群的生活环境和健康状态与数据库中的历史数据进行对比，预测鸡群的产蛋数量、质量和营养价值。

与现有技术相比，本发明的优点在于：

本发明通过Kalman滤波可以根据历史数据和实时数据对静态预测结果进行动态调整，以获得较高的预测精度，选择LSTM模型作为静态模型，结合Kalman滤波作为动态模型对蛋鸡产蛋率进行预测，提高了产蛋预测的准确性。

附图说明

图1为本发明提出的LSTM神经网络内存块的示意图；

图2为本发明提出的基于LSTM-Kalman模型的产蛋率的预测过程图；

图3为本发明提出的一种基于LSTM-Kalman模型的蛋鸡产蛋率预测方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

参照图1-3，一种基于LSTM-Kalman模型的蛋鸡产蛋率预测方法，包括以下步骤：

S1：首先采用LSTM对产蛋率进行静态预测；

S2：预测输出的结果作为Kalman滤波的输入进行动态调整；

S3：调整结果作为最终的预测结果；

S4：对鸡群的环境和鸡群的健康进行分析；

S5：收集历史鸡群产蛋数据；

S6：与历史数据进行对比，判断产蛋的优良。

本实施例中，S1中通过鸡舍温度、湿度传感器获取鸡舍的环境变量数据，并对其进行数据修复和最大最小值归一化预处理；利用主成分分析法筛选出影响蛋鸡产蛋率的关键变量，降低模型的输入维度，消除变量之间的相关性，并划分训练集和测试集。

本实施例中，S2中初始化LSTM模型参数，输入训练集，不断调整模型参数，直到获取预期的目标准确率，结合Kalman滤波，构建基于LSTM-Kalman的蛋鸡产蛋率预测模型：

LSTM神经网络是将一般递归神经网络的隐层神经元替换为一种特殊的LSTM递归神经网络结构，图一是LSTM神经网络内存块的示意图。

其中，x

LSTM神经网络的内部计算如下：

第一，遗忘门的作用是保存历史信息，它决定从LSTM单元状态中丢弃哪些信息，保留哪些信息，其输出可表示为：

f

\*MERGEFORMAT(1)

其中，σ()是sigmoid函数。ω

第二，LSTM输入门的输入由三部分组成:输入层神经元的输出向量、前一层隐层单元的输出向量和前一时刻单元的保留信息。输入门包含两个部分：输入门的sigmoid层作为需要更新的信息，tanh层创建一个新的后选址向量C

输入门各变量的定义为：

i

\*MERGEFORMAT(2)

第三，LSTM单元的状态由输出门更新。输出门的输入由三部分组成，分别是输入层神经元的输出向量、前一隐层单元的输出向量和当前时间单元的保留信息。由sigmoid层确定哪些部分的当前细胞状态需要输出，tanh层对细胞状态进行处理，得到-1和1之间的值，乘以sigmoid输出获得输出结果，具体如式(5)和(6)。

O

\*MERGEFORMAT(5)

h

受温度、湿度等环境因素的影响，LSTM神经网络对产蛋率的预测结果有一定的不确定性，可以通过Kalman滤波降低不确定性的影响，提高产蛋率的预测精度。

Kalman滤波主要包括状态变量估计和状态变量修正两个过程。

状态变量估计：

根据k-1时刻的真实值和系统的可控输入预测k时刻的值。

X′

\*MERGEFORMAT(7)

其中，X

状态变量修正：

使用k时刻的观测值与预测值之差来校正k时刻的预测值。

Z

X＇

\*MERGEFORMAT(9)

其中，X

本实施例中，S3中采用测试集测试LSTM-Kalman模型的预测性能，与其他传统预测模型进行对比分析，实现蛋鸡产蛋率的精准预测。

本实施例中，S4中时刻监测鸡群生活环境的温度、湿度和照明度，并对其进行数据修复和最大最小值归一化预处理，时刻监测鸡群的健康状态。

本实施例中，鸡群健康状态的监测判断方法：第一，通过计算鸡群的进食量，进行判断，鸡群的进食量降低，说明食欲降低；第二，通过观察鸡群的活跃程度进行判断，鸡群的活跃度直接反应鸡群的健康，可以通过监控器对鸡群进行监控，关注鸡群的活跃度。

本实施例中，设定监控器的监控时间段和活跃度，设定的时间段为：低活跃期20时-05时，高活跃期05-16时，在一定的时间段判断鸡群的活跃程度，根据历史数据进行对比，如果鸡群的活跃度不能达到历史数据，则通过报警的方式提醒工作人员对鸡群的健康进行查看。

本实施例中，S5中收集鸡群在不同生活环境和不同的健康状态下的产蛋数量、质量和营养价值，将收集的数据存储到数据库。

本实施例中，S6中现有将鸡群的生活环境和健康状态与数据库中的历史数据进行对比，预测鸡群的产蛋数量、质量和营养价值。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。