[发明专利]一种基于极限学习机的蛋鸡生产性能时间序列预测模型

说明书

提出了一种基于极限学习机的蛋鸡生产性能时间序列预测模型，并以该模型对蛋鸡的死淘率、产蛋率、平均蛋重和料蛋比4项生产性能指标进行预测。首先选取两批海兰褐蛋鸡从开始产蛋直至售出期间指标数据构建时间序列模型；然后将第一批蛋鸡数据样本用于ELM网络训练，建立预测模型，将第二批数据用于模型预测性能的验证；最后将极限学习机预测模型与支持向量机、BP神经网络预测模型进行比较。实验结果表明，所建立的极限学习机预测模型能够准确地预测生产性能指标的变化规律，四项指标预测数值与实际样本的相关系数为0.992、0.990、0.970和0.921，均方误差分别为3.048e‑04、0.515、0.311和0.002，并且模型训练、测试耗时短，性能优于BP神经网络，与支持向量机相差不多。本文提出的方法为蛋鸡生产性能预测研究提供参考。

技术领域

本发明专利涉及农业生产、机器学习等领域，尤其涉及极限学习机的蛋鸡生产性能时间序列预测模型。

背景技术

随着“数字农业”在中国的不断推进，数据化和智能化的蛋鸡养殖模式得到广泛关注。蛋鸡的生产性能作为蛋鸡养殖企业最为关心的问题，其预测模型不仅可以反映蛋鸡生产性能的变化规律，决定养殖户的经济效益，更能够为新品种培育和生产的基础工作提供依据。

蛋鸡的生产性能是一个受到生物、化学、物理以及人为多方面影响的复杂系统，呈非线性的变化，传统的方法很难建立一个精确的生产性能预测模型。近年来，国内外关于蛋鸡生产性能预测的研究取得了一定的进展：McMillan最早提出McMillan分室模型建立产蛋率与时间的非线性拟合曲线；Yang等在McMillan模型的基础上进行了改进，提出一种杨宁模型用于产蛋率与时间的拟合；史宪伟等将奶牛产奶曲线模型中的Wood模型用于蛋鸡的产蛋率拟合。上述三种预测模型表明数学模型预测蛋鸡产蛋率的可行性和有效性，为蛋鸡产蛋率预测的研究提供了指导。骆磊等在此基础上研究了产蛋率与累积产蛋的曲线拟合；张煜东等讨论了激素与蛋鸡的产蛋率、蛋重以及饲料转化率的拟合；梁中军等建立了蛋鸡的生产性能与摄入的氨基酸水平的拟合曲线。以上研究证明，不仅可以建立蛋鸡的产蛋率预测模型，其他生产性能指标也可以进行预测。

但上述预测模型均存在不足：蛋鸡生产性能作为一个受多影响因子控制的复杂系统，以往研究建立的单一参数与蛋鸡生产性能拟合模型存在拟合精度低、干扰性大等问题；而且上述模型仅根据历史数据建立拟合曲线，未验证该拟合模型能够对将来生产性能进行预测。

发明内容

针对上述问题，本发明记录并处理了两批海兰褐蛋鸡死淘率、产蛋率、平均蛋重以及料蛋比4项蛋鸡生产性能的指标，将极限学习机(Extreme Learning Machine，ELM)的方法首次用于蛋鸡生产性能的预测，建立基于ELM的时间序列预测模型，为蛋鸡生产性能预测研究提供参考。

附图说明

图1为本发明专利的基于ELM蛋鸡生产性能预测结果。

图2为本发明专利的生产性能预测结果比较。

具体实施方式

本发明探讨的蛋鸡生产性能预测模型，数据来源于正大集团安徽区蛋鸡养殖公司。为保证预测的准确性和科学性，本发明选取并记录了两批海兰褐蛋鸡从开始产蛋直至蛋鸡售出期间共54周生产性能评价指标数据。其中第一批蛋鸡为14420只，作为预测模型的训练样本；第二批为9777只，作为测试样本。采样时间为2016年10月28日至2017年11月12日。