[发明专利]一种基于LSTM-Kalman模型的蛋鸡产蛋率预测方法

说明书

本发明属于蛋鸡产蛋率预测技术领域，尤其是一种基于LSTM‑Kalman模型的蛋鸡产蛋率预测方法，针对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问题，现提出如下方案，其包括以下步骤：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。本发明选择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。

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。