[发明专利]一种基于多维度因子的鸡价预测方法

权利要求书

1.一种基于多维度因子的鸡价预测方法，其特征在于，包括以下步骤：

1)观测数据收集：获取基础数据，包括历史价格分类数据、养殖数据和饲料人员成本数据；

2)概率计算：利用数据进行概率计算，包括从观测数据中进行参数假设，并基于观测数据进行条件概率最大化计算；

3)模型训练：对观测数据构建模型进行学习训练；包括基于隐马尔科夫模型进行训练，并对价格时间序列数据进行预测，获得初始预测结果；

4)数据趋势分类：基于场景数据对模型进行调整修正，包括将价格进行分类整理，并通过贝叶斯理论获得分类的多维数据因子模型，从而得到观测数据的价格分类区间，用于标记价格是偏高还是偏低；

5)数据纠正：融合步骤3)和步骤4)的结果，即使用步骤4)对步骤3)的预测进行修正，获得最终的预测结果。

2.根据权利要求1所述的一种基于多维度因子的鸡价预测方法，其特征在于：在步骤1)中，所述历史价格分类数据是指历史鸡价走势，包括每天的不同品种的鸡报价以及鸡肉价格指数，主要有：三黄鸡、白羽肉鸡、黄羽肉鸡、茶花鸡、白羽肉鸡、固始鸡和红羽肉鸡，该价格从温氏畜牧养殖大数据平台导出；所述养殖数据是指每个鸡场养殖的统计数据，包括养鸡场总数、异常养殖场数、种鸡设计规模、实际规模、养户总数、存栏数、死淘率、种鸡肉鸡孵化场数量以及环控安装数、种鸡及鸡苗群数、种蛋数和孵化数；所述饲料人员成本数据是指系统中记录的饲料消耗量、价格、人员数量和薪酬数据，包括饲料消耗量、饲料分类价格、饲养人员分类和数量及水电气消耗数；

其中，获取的鸡苗群数据属性有：主键ID、鸡苗群号、鸡苗品种、鸡苗来源、入孵批号、入孵时间、孵化机、出雏机、出苗时间、种蛋来源、鸡舍号、种鸡群号、产蛋日期、去向服务部、去向养户、发苗日期和发苗数量。

3.根据权利要求1所述的一种基于多维度因子的鸡价预测方法，其特征在于：在步骤2)中，所述概率计算是指已知观测数据序列O＝(o₁,o₂,...,o_T)，其中，o_j为序列中的一个值，j＝1,2,…,T，T表示目前观测数据序列的最大值，o_T表示第T个观测数据，亦即是最后一个观测值；从观测数据中估计参数模型λ＝(A,B,π)，使得在该参数模型条件下的序列概率P(O|λ)最大化，其中，A表示隐含状态转移概率矩阵参数，B表示观测状态转移概率矩阵参数，π为可调参数；对于给定参数模型λ＝(A,B,π)和观测数据序列O＝(o₁,o₂,...,o_T)，通过列举窗口长度的状态序列I＝(i₁,i₂,..,i_T)与输入观测数据序列O＝(o₁,o₂,...,o_T)的联合条件概率P(O,I|λ)，其中，状态序列I中的i_j表示当前日鸡价的上涨或下跌的趋势，即状态值，用导数值来表示，i_T表示最后一个状态值；最后对所有可能的情况相加即可得出P(O|λ)；具体有以下步骤：

2.1)状态序列I＝(i₁,i₂,..,i_T)在算法中被选中的概率是：

其中，a为序列两个连续变量之间匹配的参数；表示最后两个连续变量之间匹配的参数；

2.2)对于特定状态序列I＝(i₁,i₂,..,i_T)，在给定参数模型λ＝(A,B,π)的条件下，获得输出序列O＝(o₁,o₂,...,o_T)的概率是：

其中，表示在已知o_T的输出的概率；因此，O和I同时出现的概率即联合概率能够表示为：

2.3)步骤2.2)是某一个O和I向量组合同时出现的概率，对于所有可能的I的序列进行求和即可得到概率P(O|λ)，即：