[發(fā)明專利]一種基于LSTM-Kalman模型的蛋雞產(chǎn)蛋率預測方法

在審

• 申請?zhí)枺?/td>: 202110299013.3
• 申請日: 2021-03-20
• 公開（公告）號: CN112990585A
• 公開（公告）日: 2021-06-18
• 發(fā)明（設計）人: 王文郁;陳敏;夏圣奎
• 申請（專利權(quán)）人: 江蘇天成蛋業(yè)有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/02;G06N3/04
• 代理公司: 北京天盾知識產(chǎn)權(quán)代理有限公司 11421
• 代理人: 丁桂紅

本發(fā)明屬于蛋雞產(chǎn)蛋率預測技術領域，尤其是一種基于LSTM?Kalman模型的蛋雞產(chǎn)蛋率預測方法，針對現(xiàn)有技術中在影響變量眾多且產(chǎn)蛋率具有時序性導致了其預測困難問題，現(xiàn)提出如下方案，其包括以下步驟：S1：首先采用LSTM對產(chǎn)蛋率進行靜態(tài)預測；S2：預測輸出的結(jié)果作為Kalman濾波的輸入進行動態(tài)調(diào)整；S3：調(diào)整結(jié)果作為最終的預測結(jié)果；S4：對雞群的環(huán)境和雞群的健康進行分析；S5：收集歷史雞群產(chǎn)蛋數(shù)據(jù)；S6：與歷史數(shù)據(jù)進行對比。本發(fā)明選擇LSTM模型作為靜態(tài)模型，結(jié)合Kalman濾波作為動態(tài)模型對蛋雞產(chǎn)蛋率進行預測，提高了產(chǎn)蛋預測的準確性。

技術領域

本發(fā)明涉及蛋雞產(chǎn)蛋率預測技術領域，尤其涉及一種基于LSTM-Kalman模型的蛋雞產(chǎn)蛋率預測方法。

背景技術

隨著數(shù)字農(nóng)業(yè)的發(fā)展，對蛋雞養(yǎng)殖戶來說，準確提前預知產(chǎn)蛋率的走勢可以合理安排蛋雞生產(chǎn)，對于提高養(yǎng)殖戶的經(jīng)濟收益具有重要作用。產(chǎn)蛋率預測是一個時序問題，也是一個復雜的非線性問題。影響產(chǎn)蛋率的因素包括光照、飲水量、采食量，溫度、濕度等，這些因素之間存在多重共線性，比如，溫度和濕度、溫度和飲水量、采食量等之間均存在較大的相關性，這就給蛋雞產(chǎn)蛋率的預測增加了難度。近年來，機器學習被不斷應用于蛋雞產(chǎn)蛋率的預測，其中，極限學習機(Extreme Learning Machine，ELM)和BP(Back Propagation，BP)神經(jīng)網(wǎng)絡使用較為廣泛。

RNN(Recurrent Neural Network，RNN)被廣泛認為是一種捕捉時間流和空間演化的合適方法，具有較好的預測效果。它不僅可以通過基本的神經(jīng)網(wǎng)絡模型學習得到多層特征，還可以將低層特征結(jié)合起來形成一個高層，這些性能特點都源于其神經(jīng)元包含記憶能力。然而，以往的研究表明，傳統(tǒng)的RNN存在梯度消失和梯度爆炸等缺陷，無法進行長時間記憶。為了解決這個問題，Hochreiter和Schmidhuber提出了LSTM(Long Short Term Memory，LSTM)模型，并在后來的工作中被許多人改進和推廣。與傳統(tǒng)的RNN相比，LSTM網(wǎng)絡可以學習淺層非線性網(wǎng)絡結(jié)構(gòu)，提取輸入樣本數(shù)據(jù)的基本特征，實現(xiàn)復雜函數(shù)的逼近，避免梯度消失和梯度爆炸問題的出現(xiàn)，實現(xiàn)信息的長期存儲。

現(xiàn)有技術中在影響變量眾多且產(chǎn)蛋率具有時序性導致了其預測困難。

發(fā)明內(nèi)容

本發(fā)明的目的是為了解決現(xiàn)有技術中在影響變量眾多且產(chǎn)蛋率具有時序性導致了其預測困難的缺點，而提出的一種基于LSTM-Kalman模型的蛋雞產(chǎn)蛋率預測方法。

為了實現(xiàn)上述目的，本發(fā)明采用了如下技術方案：

一種基于LSTM-Kalman模型的蛋雞產(chǎn)蛋率預測方法，包括以下步驟：

S1：首先采用LSTM對產(chǎn)蛋率進行靜態(tài)預測；

S2：預測輸出的結(jié)果作為Kalman濾波的輸入進行動態(tài)調(diào)整；

S3：調(diào)整結(jié)果作為最終的預測結(jié)果；

S4：對雞群的環(huán)境和雞群的健康進行分析；

S5：收集歷史雞群產(chǎn)蛋數(shù)據(jù)；

S6：與歷史數(shù)據(jù)進行對比，判斷產(chǎn)蛋的優(yōu)良。

優(yōu)選的，所述S1中通過雞舍溫度、濕度傳感器獲取雞舍的環(huán)境變量數(shù)據(jù)，并對其進行數(shù)據(jù)修復和最大最小值歸一化預處理；利用主成分分析法篩選出影響蛋雞產(chǎn)蛋率的關鍵變量，降低模型的輸入維度，消除變量之間的相關性，并劃分訓練集和測試集。

優(yōu)選的，所述S2中初始化LSTM模型參數(shù)，輸入訓練集，不斷調(diào)整模型參數(shù)，直到獲取預期的目標準確率，結(jié)合Kalman濾波，構(gòu)建基于LSTM-Kalman的蛋雞產(chǎn)蛋率預測模型：

LSTM神經(jīng)網(wǎng)絡是將一般遞歸神經(jīng)網(wǎng)絡的隱層神經(jīng)元替換為一種特殊的LSTM遞歸神經(jīng)網(wǎng)絡結(jié)構(gòu)，圖一是LSTM神經(jīng)網(wǎng)絡內(nèi)存塊的示意圖。