[发明专利]一种基于向量自回归模型的蛋鸡产性能分析方法

说明书

本发明属于蛋鸡养殖领域，尤其是一种基于向量自回归模型的蛋鸡产性能分析方法，针对现有的深度学习对于数据量的要求较高，不适用于小样本时间序列的预测的问题，现提出如下方案，其包括以下步骤：S1、采集现代化鸡舍蛋鸡的历史产蛋率数据和历史产蛋率影响因素数据；S2、对数据进行预处理：剔除离群值，对缺失数据进行插值填充，对数据进行稳定性检测，S3、估计VAR模型，对未来产蛋率进行预测，S4、通过脉冲响应与方差分解分析影响因素对产蛋性能的影响程度和时延效果，本发明的基于向量自回归模型的蛋鸡产蛋率预测模型具有良好的预测和分析性能，且稳定性较高，具有可信度和推广价值。

技术领域

本发明涉及蛋鸡养殖技术领域，尤其涉及一种基于向量自回归模 型的蛋鸡产性能分析方法。

背景技术

鸡蛋的营养价值高，富含胆固醇和蛋白质，是人类常用的食物之 一。中国是禽畜养殖和出口的大国，也是世界上最大的禽蛋生产消费 国。近几年，受国家各项政策支持，蛋鸡行业逐渐向数字化方向转型 升级。养殖自动化发展下，层叠式蛋鸡笼养模式得到广大蛋鸡养殖场 的广泛认可，这种养殖方式占地面积小，空间利用率高，鸡粪分层清 理，不仅能提高鸡粪利用率，还降低了环境的污染程度。同时还降低 了劳动强度，提高了生产率。为了摆脱养殖环境对外界气候的依赖， 我国的鸡舍类型也由最初的开放式鸡舍基本转变为密闭式层叠式鸡 舍。随着蛋鸡养殖规模的扩大，蛋鸡养殖户所面对的风险也更大，产 蛋效益低下和蛋鸡疫病都会给蛋鸡养殖户带来大幅的经济损失，数据 挖掘是指从大量的数据中通过算法搜索隐藏于其中信息的过程。数据 挖掘是人工智能和数据库领域研究的热点问题，所谓数据挖掘是指从 大量数据中揭示出隐含的、先前未知的并有潜在价值的信息的非平凡 过程。数据挖掘是一种决策支持过程，高度自动化地分析企业的数据， 作出归纳性的推理，从中挖掘出潜在的模式，帮助决策者调整市场策 略，减少风险，作出正确的决策。

时间序列预测是一种回归预测方法，属于定量预测，其基本原理 是:一方面承认事物发展的延续性，运用过去的时间序列数据进行统 计分析，推测出事物的发展趋势；另一方面充分考虑到由于偶然因素 影响而产生的随机性，为了消除随机波动产生的影响，利用历史数据 进行统计分析，并对数据进行适当处理，进行趋势预测。

上世纪以来研究者发展了众多时间序列预测模型，典型的有 ARMA，GARCH，ETS，SSM等线性模型，在工程控制、金融等领域应用 广泛。近年来，随着深度学习研究的发展，许多学者将时间序列预测 问题转换为监督学习问题，采用bp神经网络模型进行预测，也得到了不错的效果，但深度学习对于数据量的要求较高，不适用于小样本 时间序列的预测。

发明内容

本发明的目的是为了解决现有技术中存在深度学习对于数据量 的要求较高，不适用于小样本时间序列的预测的缺点，而提出的一种 基于向量自回归模型的蛋鸡产性能分析方法。

为了实现上述目的，本发明采用了如下技术方案：

一种基于向量自回归模型的蛋鸡产性能分析方法，包括以下步 骤：

S1、采集现代化鸡舍蛋鸡的历史产蛋数据和历史产蛋影响因素数 据；

S2、对数据进行预处理；

S3、估计VAR模型，对未来产蛋率进行预测；

S4、通过脉冲响应与方差分解分析影响因素对产蛋性能的影响程 度和时延效果。

优选的，所述S1中，产蛋产蛋数据包括产蛋率与平均蛋重，影 响因素包括蛋鸡采食量、蛋鸡采水量、蛋鸡日龄、室内温度和室内湿 度，产蛋率的采集方法为：以蛋鸡每天的总产蛋量除以蛋鸡的存活数， 得到日只均产蛋率，平均蛋重的采集方法为，以蛋鸡每天的合格鸡蛋 的总重量除以合格鸡蛋的个数，得到日平均蛋重。

优选的，所述蛋鸡采食量的采集方法为：以蛋鸡每天的总采食量 除以蛋鸡的存活数，得到每只蛋鸡每天的采食量。