基于最优延时去趋势和逐步回归的鸡舍生产预测方法与流程

1.本发明涉及一种基于最优延时去趋势和逐步回归的鸡舍生产预测方法，属于养殖业生产信息预测技术领域。


背景技术：

2.目前的养殖技术为传统养殖技术和现代养殖技术相结合的方式，且传统养殖技术的比重相对较大，由于某些地区对于科学养殖的认知不高，养殖技术掌握不够成熟，导致鸡舍生长环境较差，使得养殖产品的质量和数量都大幅降低，影响最终的收益。目前结合鸡舍环境和生产信息预测未来生产的技术应用不是很广泛，因此发明一种能够准确预测鸡的生产信息的方法是十分有意义的。


技术实现要素：

3.针对现有技术存在的上述缺陷，本发明提出了一种基于最优延时去趋势和逐步回归的鸡舍生产预测方法。
4.本发明所述的基于最优延时去趋势和逐步回归的鸡舍生产预测方法，包括如下步骤：
5.s1：鸡舍生产预测模型的建立：建立过程分为如下两个维度：
6.s11：获取历史时间段内的鸡舍日产蛋数据，组成生产数据时间序列，并存储于计算机内；
7.s12：获取历史时间段内的温度、湿度、二氧化碳浓度、负压、风速数据，组成环境数据时间序列，并存储于计算机内；
8.s2：鸡舍生产预测模型的预处理：通过数据预处理技术对鸡舍生产预测模型中的异常数据剔除，其中：所述数据预处理技术分为如下小步：
9.s21：生产数据时间序列的dfa去趋势处理，包括如下小步：
10.建立鸡舍产蛋量新序列y(i)：
[0011][0012]
式中：《x》为原鸡舍生产序列《》的均值；xk为k时刻鸡舍产蛋量；n为鸡舍生产序列的区间长度；
[0013]
对区间长度为n的鸡舍产蛋量新序列y(i)进行划分，得到互不重叠的等长度为s的子区间；
[0014]
对每个子区间的数据进行多项式回归拟合，得到鸡舍生产信息局部趋势函数yv(i)，以消除鸡舍生产数据时间序列各子区间内趋势，计算其方差均值公式如下：
[0015]
[0016][0017]
式中：v为不同数据段的标号；s为新数据序列的长度；y为鸡舍数据产蛋量序列；ns为序列重构后区间的个数；
[0018]
确定全序列的q阶波动函数，计算出去趋势后的产蛋量波动序列f0(s)：
[0019][0020]
式中：exp{}为以e为底的指数计算公式；2ns为二倍的区间个数；1/q为dfa中波动函数阶次的倒数；
[0021]
s22：环境数据时间序列的sccf分析最优延时，包括如下小步：
[0022]
获取dfa去趋势处理的生产数据时间序列，并分析其与本地的环境数据时间序列的相关性，包括如下情况：
[0023]
情况一：通过数据序列窗口滑动分析，当环境数据时间序列与生产数据时间序列的相关性小于某一阈值，则继续滑动寻找；
[0024]
情况二：通过数据序列窗口滑动分析，当环境数据时间序列与生产数据时间序列的相关性大于某一阈值，则该数据序列窗口即为待剔除的最优时间延时；
[0025]
将最优时间延时剔除即为去掉延时信息的环境数据时间序列；
[0026]
s3：环境因素逐步回归方程的建立：将去掉延时的环境数据进行非线性归一化变换，转换为易于分析的环境因素，最终建立环境因素和生产数据序列之间的逐步回归方程；
[0027]
s4：产蛋量波动回归曲线的拟合：将处理后的环境变量与生产变量按照显著性的大小依此代入逐步回归方程，拟合出产蛋量波动回归曲线；
[0028]
s5：未来鸡舍生产信息的预测：将此波动值与鸡舍产蛋稳定值相加和，便可得到鸡舍生产数据的预测模型，实现使用环境数据完成对未来鸡舍生产信息的预测。
[0029]
优选地，所述步骤s1中，数据采集系统安装于鸡舍内，数据采集系统通过温湿度传感器检测温度和湿度、通过二氧化碳传感器检测二氧化碳浓度、通过压力计检测压力数据、通过风速计检测风速数据，并通过无线通信模块存储至云端的计算机内。
[0030]
优选地，所述步骤s2鸡舍生产预测模型的预处理中，还包括如下前置步骤：
[0031]
获取历史时间段内的异常数据：使用数据处理技术对数据异常值进行处理，并存储于计算机内，用于下一步的数据处理。
[0032]
优选地，所述步骤s21中，长度为n的序列需要被分为ns＝n/s个子区间，因序列长度n不一定会被s整除，为保证原序列信息不会丢失，对该序列的逆序进行同样操作，得到2n个子区间。
[0033]
优选地，所述步骤s21中，鸡舍生产信息局部趋势函数yv(i)，其为一阶、二阶或者更高阶的多相式。
[0034]
优选地，所述步骤s21中，dfa去趋势处理采用的是消除趋势波动分析法，通过分析鸡舍产蛋量的波动曲线，将一部分因为鸡的生长和发育所带来的增长因素，对鸡的产蛋趋势性进行有效判别，剔除趋势信息后剩下的为环境所引起的波动，此波动能够更好的描述环境因素。
[0035]
优选地，所述步骤s22中，sccf分析最优延时采用的延时互相关分析法，用来计算环境数据与生产数据之间的优化延迟相关性，计算出最优延时并将其剔除。
[0036]
优选地，所述步骤s3中，产蛋量波动回归模型f(x)为：
[0037][0038]
式中：x表示生产变量，即x＝{xi|i∈v}，v是处理后的环境变量，g(x)是变量组合函数，β0，β1，β2，β3为待回归参数。
[0039]
本发明所述的基于最优延时去趋势和逐步回归的鸡舍生产预测系统，包括互相连接的存储器和处理器，其中，所述存储器用于存储计算机程序，计算机程序在被所述处理器执行时，用于实现所述的基于最优延时去趋势和逐步回归的鸡舍生产预测方法。
[0040]
本发明所述的计算机可读存储介质，用于存储计算机程序，所述计算机程序在被处理器执行时，用于实现所述的基于最优延时去趋势和逐步回归的鸡舍生产预测方法。
[0041]
本发明的有益效果是：本发明广泛结合鸡舍环境和生产信息预测未来生产的技术，能够准确预测鸡的生产信息，使得养殖产品的质量和数量都大幅提高，提高养殖户的收益。
附图说明
[0042]
图1是本发明的鸡舍生产预测流程图。
[0043]
图2是本发明的数据处理部分结构图。
[0044]
图3是本发明的延时互相关分析法分析流程图。
具体实施方式
[0045]
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。
[0046]
本发明目的是提供一种高效、准确的鸡舍生产预测方法，用来鸡舍未来生产情况预测，了解鸡未来生产情况。通过数据采集系统采集鸡舍内部的温度、湿度、负压、二氧化碳浓度、风速信息，作为环境数据序列，统计出鸡日产蛋量作为生产数据序列，利用改进的dfa算法与延时互相关分析法分别消除趋势和延时，最终通过逐步回归的方式结合环境因素和生产因素建立最优回归方程，拟合出成产回归曲线，完成对未来产蛋量的预测。
[0047]
如图1所示的鸡舍生产预测流程图，简要的叙述了整个预测模型的步骤。
[0048]
首先通过鸡舍内部的数据采集系统采集鸡舍内部的环境数据，包括：温度、湿度、二氧化碳浓度、负压、风速，构成鸡舍环境数据时间序列存储在计算机内；统计出鸡的日产蛋量作为鸡舍生产数据时间序列存储在计算机中。
[0049]
其次通过数据预处理技术对环境数据序列和生产数据序列中的异常数据剔除。
[0050]
然后通过改进的消除趋势波动分析法(dfa)去除生产序列中由于蛋鸡的生长所带来的产蛋量提高的趋势信息，通过延时互相关分析法分析环境数据时间序列与生产数据时间序列的最优延时，并将其进行消除。
[0051]
根据目前已知的最优环境数值计算出最优处理鸡舍环境因素，使用逐步回归的方法建立最优回归方程，按照显著性的大小依此将最优处理鸡舍环境因素代入回归方程，拟
合出鸡舍生产曲线，并依据此曲线完成鸡舍生产信息的预测。
[0052]
如图2所示的数据处理部分结构图，采用改进的消除趋势波动分析法剔除生产时间序列的趋势信息，即剔除由于鸡的生长所带来的产蛋量增加的波动，使得生产数据序列只剩下由环境引起的波动。dfa方法是一种基于随机过程理论的一种方法，常常用来分析时间序列中的趋势信息。从动力学角度上来说，这种方法中变换的序列仍存在着原始序列的痕迹，与原始序列保持着相同的持久性，进行改进后，dfa算法可较好地滤除其自身生长的趋势成分，剩下的离差序列主要就是鸡舍环境所引起的产蛋波动成分。使用dfa方法能够避免对序列环境波动信息的错误判断。其中改进的dfa的实现步骤如下：
[0053]
(1)建立鸡舍产蛋量新序列y(i)：
[0054][0055]
其中：《x》为原鸡舍生产序列《xk》的均值。
[0056]
(2)将鸡舍产蛋量新序列y(i)划分为长度为s且互不重叠的等长度子区间，长度为n的序列需要被分为ns＝n/s个子区间，因序列长度n不一定会被s整除，为了保证原序列信息不会丢失，对该序列的逆序进行同样操作，这样共可以得到2n个子区间。
[0057]
(3)对每个子区间的数据进行多项式回归拟合，得到鸡舍生产信息局部趋势函数yv(i)，其可以是一阶、二阶或者更高阶的多相式。消除鸡舍生产序列各子区间内趋势，计算其方差均值公式如下：
[0058][0059][0060]
(4)确定全序列的q阶波动函数，计算出去趋势后的产蛋量波动序列：
[0061][0062]
如图3所示的延时互相关分析法延迟分析流程图，具体方式为首先读取本地的环境序列和生产序列信息，通过一定的方式来去除各时间序列中的异常数据值，分析环境序列和生产序列之间的相关性，并进行数据序列窗口滑动分析，当环境数据与生产数据的相关性大于某一阈值时，通常为0.5，我们便认为这时环境数据与生产数据间有了较高的相关性，而这个数据序列窗口滑动的时长便是我们要剔除的最优时间延时，将其剔除即可得到去掉延时信息的环境数据，即可得到去掉趋势的生产数据序列和去掉延时信息的环境序列。将去掉延时的环境数据进行非线性归一化变换，转换为易于分析的环境因素，最终建立环境因素和生产数据序列之间的逐步回归方程，将处理后的环境变量与生产变量按照显著性的大小依此代入逐步回归方程，拟合出产蛋量波动回归曲线，最终将此波动值与鸡舍产蛋稳定值相加和，便可得到鸡舍生产数据的预测模型，实现使用环境数据完成对未来鸡舍生产信息的预测。
[0063]
综上，该方法能够综合鸡舍的生产数据和环境数据序列，较为准确的对鸡舍未来生产信息进行预测，对于评估鸡舍内部的饲养环境并提高生产质量和数量有很大的使用价
值。上述具体实施方式对此发明进行了详细的描述，且不仅仅局限于上述方式。对于本领域的一般技术人员，依据上述发明原理对此方法的改进、代替、使用等都在本发明的保护之内。
[0064]
实施例1：
[0065]
本实施例给出本发明预测方法的详细步骤：
[0066]
s1：鸡舍生产预测模型的建立：建立过程分为如下两个维度：
[0067]
s11：获取历史时间段内的鸡舍日产蛋数据，组成生产数据时间序列，并存储于计算机内；
[0068]
s12：获取历史时间段内的温度、湿度、二氧化碳浓度、负压、风速数据，组成环境数据时间序列，并存储于计算机内；
[0069]
s2：鸡舍生产预测模型的预处理：通过数据预处理技术对鸡舍生产预测模型中的异常数据剔除，其中：所述数据预处理技术分为如下小步：
[0070]
s21：生产数据时间序列的dfa去趋势处理，包括如下小步：
[0071]
建立鸡舍产蛋量新序列y(i)：
[0072][0073]
式中：《x》为原鸡舍生产序列《》的均值；xk为k时刻鸡舍产蛋量；n为鸡舍生产序列的区间长度；
[0074]
对区间长度为n的鸡舍产蛋量新序列y(i)进行划分，得到互不重叠的等长度为s的子区间；
[0075]
对每个子区间的数据进行多项式回归拟合，得到鸡舍生产信息局部趋势函数yv(i)，以消除鸡舍生产数据时间序列各子区间内趋势，计算其方差均值公式如下：
[0076][0077][0078]
式中：v为不同数据段的标号；s为新数据序列的长度；y为鸡舍数据产蛋量序列；ns为序列重构后区间的个数；
[0079]
确定全序列的q阶波动函数，计算出去趋势后的产蛋量波动序列f0(s)：
[0080][0081]
式中：exp{}为以e为底的指数计算公式；2ns为二倍的区间个数；1/q为dfa中波动函数阶次的倒数；
[0082]
s22：环境数据时间序列的sccf分析最优延时，包括如下小步：
[0083]
获取dfa去趋势处理的生产数据时间序列，并分析其与本地的环境数据时间序列的相关性，包括如下情况：
[0084]
情况一：通过数据序列窗口滑动分析，当环境数据时间序列与生产数据时间序列的相关性小于某一阈值，则继续滑动寻找；
[0085]
情况二：通过数据序列窗口滑动分析，当环境数据时间序列与生产数据时间序列的相关性大于某一阈值，则该数据序列窗口即为待剔除的最优时间延时；
[0086]
将最优时间延时剔除即为去掉延时信息的环境数据时间序列；
[0087]
s3：环境因素逐步回归方程的建立：将去掉延时的环境数据进行非线性归一化变换，转换为易于分析的环境因素，最终建立环境因素和生产数据序列之间的逐步回归方程；
[0088]
s4：产蛋量波动回归曲线的拟合：将处理后的环境变量与生产变量按照显著性的大小依此代入逐步回归方程，拟合出产蛋量波动回归曲线；
[0089]
s5：未来鸡舍生产信息的预测：将此波动值与鸡舍产蛋稳定值相加和，便可得到鸡舍生产数据的预测模型，实现使用环境数据完成对未来鸡舍生产信息的预测。
[0090]
实施例2：
[0091]
本实施例给出本发明预测系统、计算机存储介质的相关描述：
[0092]
本发明所述的基于最优延时去趋势和逐步回归的鸡舍生产预测系统，包括互相连接的存储器和处理器，其中，所述存储器用于存储计算机程序，计算机程序在被所述处理器执行时，用于实现所述的基于最优延时去趋势和逐步回归的鸡舍生产预测方法。
[0093]
本发明所述的计算机可读存储介质，用于存储计算机程序，所述计算机程序在被处理器执行时，用于实现所述的基于最优延时去趋势和逐步回归的鸡舍生产预测方法。
[0094]
本发明的有益效果是：本发明广泛结合鸡舍环境和生产信息预测未来生产的技术，能够准确预测鸡的生产信息，使得养殖产品的质量和数量都大幅提高，提高养殖户的收益。
[0095]
本发明可广泛运用于养殖业生产信息预测场合。