[发明专利]基于最优延时去趋势和逐步回归的鸡舍生产预测方法

权利要求书

1.一种基于最优延时去趋势和逐步回归的鸡舍生产预测方法，其特征在于，包括如下步骤：

S1：鸡舍生产预测模型的建立：建立过程分为如下两个维度：

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；

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；

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：

S21：生产数据时间序列的DFA去趋势处理，包括如下小步：

建立鸡舍产蛋量新序列y(i)：

式中：x为原鸡舍生产序列的均值；x_k为k时刻鸡舍产蛋量；N为鸡舍生产序列的区间长度；

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；

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y_v(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：

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；

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)：

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；

S22：环境数据时间序列的SCCF分析最优延时，包括如下小步：

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：

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；

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；

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；

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；

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；

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。

2.根据权利要求1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，其特征在于，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。

3.根据权利要求1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，其特征在于，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：

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。

4.根据权利要求3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，其特征在于，所述步骤S21中，长度为N的序列需要被分为N_s＝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。

5.根据权利要求3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，其特征在于，所述步骤S21中，鸡舍生产信息局部趋势函数y_v(i)，其为一阶、二阶或者更高阶的多相式。