CN113033890A - 一种基于向量自回归模型的蛋鸡产性能分析方法 - Google Patents
一种基于向量自回归模型的蛋鸡产性能分析方法 Download PDFInfo
- Publication number
- CN113033890A CN113033890A CN202110299017.1A CN202110299017A CN113033890A CN 113033890 A CN113033890 A CN 113033890A CN 202110299017 A CN202110299017 A CN 202110299017A CN 113033890 A CN113033890 A CN 113033890A
- Authority
- CN
- China
- Prior art keywords
- laying
- data
- temperature
- model
- performance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 40
- 230000000694 effects Effects 0.000 claims abstract description 19
- 241000287828 Gallus gallus Species 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 230000004044 response Effects 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 235000013601 eggs Nutrition 0.000 claims description 36
- 230000017448 oviposition Effects 0.000 claims description 22
- 235000021050 feed intake Nutrition 0.000 claims description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 13
- 230000036750 egg laying performance Effects 0.000 claims description 11
- 230000004083 survival effect Effects 0.000 claims description 9
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000009395 breeding Methods 0.000 abstract description 8
- 230000001488 breeding effect Effects 0.000 abstract description 8
- 238000013135 deep learning Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 5
- 235000021316 daily nutritional intake Nutrition 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 4
- 238000007418 data mining Methods 0.000 description 3
- 230000001976 improved effect Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 210000003608 fece Anatomy 0.000 description 2
- 239000010871 livestock manure Substances 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 235000012000 cholesterol Nutrition 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 230000001584 effect on egg Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 235000012631 food intake Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000013112 stability test Methods 0.000 description 1
- 230000002311 subsequent effect Effects 0.000 description 1
- 238000001744 unit root test Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
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。
Description
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。
优选的，所述蛋鸡采水量的采集方法为：以蛋鸡每天的总采水量 除以蛋鸡的存活数，得到每只蛋鸡每天的采水量。
优选的，所述温度的采集方法为：采集当天鸡舍的最高温度，最 低温度和平均温度，所述湿度的采集方法为：采集当天鸡舍的最高湿 度、最低湿度和平均湿度。
优选的，所述S2具体为：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，对不稳定的数据进行差分处理，直至数 据平稳。
优选的，所述S3具体为：在建立VAR模型前需要确定滞后阶数 p，依据AIC、FPEC、HQC检测准则，确定滞后阶数，建立无约束的 VAR模型，通过计算残差累计和来检验模型的稳定性，累若计残差和 在稳定区间内波动，结果表明模型稳定，将得到的预测值通过逆差分 处理后则得到最后的预测结果。
优选的，所述S4具体为：对得到的模型进行脉冲相应和方差分 解分析，将得到的结果通过绘图制表等方式可视化，将各个影响因素 对产蛋性能的影响程度与时延效果直观的呈现给养殖者。
优选的，所述室内温度通过传感器进行采集，传感器的数量为5 个，5个传感器分别对室内的五个位置的温度进行采集，五个传感器 采集的数据均传输至控制中心，对数据进行分析，提取出最高的五个 温度数据和最低的五个温度数据，若每个最高的温度数据之间的差不 大于2℃，则取最高的温度数据中的最大值为最高温度，同理，取五 个最低温度数据中的最低值为最低温度数据，若数据差大于2℃，则 取五个最高温度数据的平均值为最高温度，取五个最低温度数据的平 均值为最低温度，进而提高数据采集的精度，湿度数据可以采用同样 的方式完成采集。
优选的，所述五个位置分别为四周和中央位置，将5个传感器分 别布置在这五个位置，同时对5个传感器进行标记，控制中心在接收 传感器传输的数据时，同时根据标记对数据进行分类，将数据分为五 组，对同一时间采集的数据进行分析，制定温度曲线图，用于观察温 度变化。
与现有技术相比，本发明的有益效果在于：
本发明基于向量自回归模型，将历史产蛋率和影响因素作为VAR 的输入样本，估计模型并分析，得到未来一天的各项数据，首次建立 并提出了基于向量自回归的蛋鸡产蛋率预测模型，并通过该模型对产 蛋率进行预测，分析历史数据中各个影响因素对产蛋性能的影响程度 和时延效果，为了进一步评估VAR产蛋率预测模型的性能，本方案分 别建立了ARIMA(1，1)模型、BP神经网络模型和决策树回归模型与其 进行对比。VAR模型的精度高于ARIMA、BP神经网络和决策树回归模 型，综上，VAR模型能更好的模拟各变量与产蛋性能的关系。
本发明具有对蛋鸡的产蛋率良好的预测性能和对影响因素影响 的量化解析性能，具有可信度和推广价值。
附图说明
图1为本发明提出的一种基于向量自回归模型的蛋鸡产性能分 析方法的流程图；
图2为本发明提出的一种基于向量自回归模型的蛋鸡产性能分 析方法的脉冲相应结果图；
图3为本发明提出的一种基于向量自回归模型的蛋鸡产性能分 析方法的方差分解结果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方 案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部 分实施例，而不是全部的实施例。
参照图1-3，一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性能数据和历史产蛋率影响 因素数据。产蛋性能包括产蛋率与平均蛋重；蛋鸡产蛋性能的影响因 素包括蛋鸡采食量、采水量、蛋鸡鸡龄(天)、室内温度、室内湿度、 光照时长和光照强度。申请人与江苏省南通市天成现代农业科技有限 公司合作。该公司养殖采用现代化养殖模式，全自动喂料饮水、自动 捡蛋。从每批次蛋鸡开始产蛋直至淘汰，将整个产蛋周期蛋鸡的产蛋 数据以及外界的影响因素通过传感器实时上传数据与人工核对的方 式进行记录与分析。
由于每个鸡舍蛋鸡的数目皆不同，且在调研的过程中，蛋鸡存在 自然死亡，因此产蛋率的采集方法为，以蛋鸡每天的总产蛋量除以当 日蛋鸡的存活数，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。 蛋鸡采食量的采集方法为，以蛋鸡每天的总采食量除以当日蛋鸡的存 活数，得到日只均采食量。蛋鸡采水量的采集方法为，以蛋鸡每天的 总采水量除以当日蛋鸡的存活数，得到日只均采水量。由于鸡舍光照 条件按照养殖标准维持不变，本申请忽略光照强度这一影响产蛋率的 因素。鸡舍内温度的采集方法为，通过温度传感器记录每2分钟鸡舍内的温度，通过统计得到最高温度、最低温度与平均温度。鸡舍内湿 度的采集方法为，通过湿度传感器记录每2分钟鸡舍内的湿度，通过 统计得到最高湿度、最低湿度与平均湿度。以上为所有需要的数据， 室内温度通过传感器进行采集，传感器的数量为5个，5个传感器分别对室内的五个位置的温度进行采集，五个传感器采集的数据均传输 至控制中心，对数据进行分析，提取出最高的五个温度数据和最低的 五个温度数据，若每个最高的温度数据之间的差不大于2℃，则取最 高的温度数据中的最大值为最高温度，同理，取五个最低温度数据中 的最低值为最低温度数据，若数据差大于2℃，则取五个最高温度数 据的平均值为最高温度，取五个最低温度数据的平均值为最低温度， 五个位置分别为四周和中央位置，将5个传感器分别布置在这五个位 置，同时对5个传感器进行标记，控制中心在接收传感器传输的数据 时，同时根据标记对数据进行分类，将数据分为五组，对同一时间采 集的数据进行分析，制定温度曲线图，用于观察温度变化。
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。 根据模型对数据平稳性的要求，选用单位根检验 (AugmentedDickey-Fuller，ADF)对以上变量进行稳定性检验。经ADF 检验，原始数据均不平稳，为了消除数据的剧烈波动，对数据进行差 分处理。所有数据一阶差分后均在10％的显著水平下拒绝原假设达到 平稳。
S3、估计VAR模型，对未来产蛋率进行预测：在建立VAR模型前 需要确定滞后阶数p。增大p值可以保证VAR模型的残差不存在自相 关。滞后阶数增大会导致待估参数增多，这将直接影响到模型参数估 计的有效性。通过无约束的VAR模型，依据AIC、FPEC、HQC检测准则，不同滞后阶数的模型预测结果如表1所示(*为最佳结果)。因此， 可以确定滞后阶数为2。
表1不同滞后阶数的VAR模型的预测结果：
构建VAR(2)模型进行分析，通过计算残差累计和来检验模型的 稳定性，累计残差和在稳定区间内波动，结果表明模型稳定，产蛋率 和各变量之间存在长期均衡关系。进一步进行变量外生性检验，结果 显示VAR各分解方程的整体格兰杰检验均在10％的显著水平下拒绝原 假设，表明变量的组合与产蛋率存在因果关系。实验采用天成5号商 品鸡7月到11月的数据建模，对12月的产蛋性能进行预测。为了进 一步评估VAR产蛋率预测模型的性能，本文分别建立了ARIMA(1，1) 模型、BP神经网络模型和决策树回归模型与其进行对比。实验选取 平均绝对百分比误差(MeanAbsolutePercentageError，MAPE)和均方 误差(MeanSquareError，MSE)作为评价标准。结果如表2所示，VAR 模型的精度高于ARIMA、BP神经网络和决策树回归模型，说明VAR模 型能更好的模拟各变量与产蛋性能的关系。
表2不同模型的预测结果
S4、脉冲响应与方差分解分析：为了研究各因素对平均蛋重的影 响情况，将产蛋率更换为平均蛋重，重复上述过程，构建一个以平均 蛋重为主要输出的VAR模型来分析各因素对其的持续性影响，图2为 两个模型的脉冲响应结果图。由图2可知，室内最高温度对产蛋率影 响效果最为显著，该因素的增大对蛋鸡产蛋率的影响整体呈负面，影 响效果在第1天到达高峰，持续时间为3-4天，其影响将逐渐减弱。 室内最高温度升高对平均蛋重总体也呈负影响，影响效果在第1天到 达高峰，持续时间为4-5天，往后影响逐渐减弱。鸡舍室内最高湿度 与蛋鸡产蛋率和平均蛋重总体都呈负相关，但影响效果与最高温度和 进食量相比较小，对产蛋率影响仅持续1-2天，对蛋重影响约持续5 天。日均进食量对平均蛋重影响效果最为显著，日均进食量的增加对 平均蛋重总体呈正影响，在第1天对产蛋率的影响达到高峰，影响持 续4-5天，后续影响逐渐减弱。日均进食量的增加对蛋鸡产蛋率总体 呈正影响，在第1天对产蛋率的影响达到高峰，影响仅持续1-2天，
方差分解的结果如图3所示。由图3可知，各因素的贡献率在第 6天基本达到稳定，除产蛋率自身的贡献率(约100％～90％)外，贡献 度从大到小依次为日最高温度(约0％～3％)，日均进食量(约0％～2％)， 日均饮水量(约0％～2％)以及日最高湿度(约0％～1.2％)。在温湿度环 境因素中，温度对产蛋率的影响要远高于湿度对产蛋率的影响。采食饮水对产蛋率的影响程度较为相近。四个因素中，温度对产蛋率的影 响最大，因此，控制鸡舍温度非常重要。对蛋重，除蛋重自身的贡献 率(约100％～90％)除外，贡献度从大到小依次为日均进食量(约 0％～1.6％)，日均饮水量(约0％～1.3％)，日最高温度(约0％～0.2％)以 及日最高湿度(约0％～0.1％)。饮食因素对蛋重的影响远大于环境因 素。因此，提高饲料的营养对于提升鸡蛋品质更有帮助。
综上，基于向量自回归蛋鸡产蛋率预测模型具有良好的预测性 能，并且可以量化分析各因素对产蛋性能的影响，通过分析可为养殖 者提供有价值的建议。
利用建立的基于向量自回归蛋鸡产蛋率预测分析方法，根据影响 因素对蛋鸡的未来的产蛋率进行预测和分析，获得蛋鸡的产蛋率指标 的未来变化以及各个因素对产蛋性能的影响程度与时延效果。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范 围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技 术范围内，根据本发明的技术方案及其发明构思加以等同替换或改 变，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于向量自回归模型的蛋鸡产性能分析方法，其特征在于，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。
2.根据权利要求1所述的一种基于向量自回归模型的蛋鸡产性能分析方法，其特征在于，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。
3.根据权利要求2所述的一种基于向量自回归模型的蛋鸡产性能分析方法，其特征在于，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。
4.根据权利要求2所述的一种基于向量自回归模型的蛋鸡产性能分析方法，其特征在于，所述蛋鸡采水量的采集方法为：以蛋鸡每天的总采水量除以蛋鸡的存活数，得到每只蛋鸡每天的采水量。
5.根据权利要求2所述的一种基于向量自回归模型的蛋鸡产性能分析方法，其特征在于，所述温度的采集方法为：采集当天鸡舍的最高温度，最低温度和平均温度，所述湿度的采集方法为：采集当天鸡舍的最高湿度、最低湿度和平均湿度。
6.根据权利要求1所述的一种基于向量自回归模型的蛋鸡产性能分析方法，其特征在于，所述S2具体为：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，对不稳定的数据进行差分处理，直至数据平稳。
7.根据权利要求1所述的一种基于向量自回归模型的蛋鸡产性能分析方法，其特征在于，所述S3具体为：在建立VAR模型前需要确定滞后阶数p，依据AIC、FPEC、HQC检测准则，确定滞后阶数，建立无约束的VAR模型，通过计算残差累计和来检验模型的稳定性，累若计残差和在稳定区间内波动，结果表明模型稳定，将得到的预测值通过逆差分处理后则得到最后的预测结果。
8.根据权利要求1所述的一种基于向量自回归模型的蛋鸡产性能分析方法，其特征在于，所述S4具体为：对得到的模型进行脉冲相应和方差分解分析，将得到的结果通过绘图制表等方式可视化，将各个影响因素对产蛋性能的影响程度与时延效果直观的呈现给养殖者。
9.根据权利要求2所述的一种基于向量自回归模型的蛋鸡产性能分析方法，其特征在于，所述室内温度通过传感器进行采集，传感器的数量为5个，5个传感器分别对室内的五个位置的温度进行采集，五个传感器采集的数据均传输至控制中心，对数据进行分析，提取出最高的五个温度数据和最低的五个温度数据，若每个最高的温度数据之间的差不大于2℃，则取最高的温度数据中的最大值为最高温度，同理，取五个最低温度数据中的最低值为最低温度数据，若数据差大于2℃，则取五个最高温度数据的平均值为最高温度，取五个最低温度数据的平均值为最低温度。
10.根据权利要求9所述的一种基于向量自回归模型的蛋鸡产性能分析方法，其特征在于，所述五个位置分别为四周和中央位置，将5个传感器分别布置在这五个位置，同时对5个传感器进行标记，控制中心在接收传感器传输的数据时，同时根据标记对数据进行分类，将数据分为五组，对同一时间采集的数据进行分析，制定温度曲线图，用于观察温度变化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110299017.1A CN113033890A (zh) | 2021-03-20 | 2021-03-20 | 一种基于向量自回归模型的蛋鸡产性能分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110299017.1A CN113033890A (zh) | 2021-03-20 | 2021-03-20 | 一种基于向量自回归模型的蛋鸡产性能分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113033890A true CN113033890A (zh) | 2021-06-25 |
Family
ID=76472076
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110299017.1A Pending CN113033890A (zh) | 2021-03-20 | 2021-03-20 | 一种基于向量自回归模型的蛋鸡产性能分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113033890A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114593411A (zh) * | 2022-02-28 | 2022-06-07 | 中国大唐集团科学技术研究院有限公司西北电力试验研究院 | 基于向量自回归水煤比寻优直流炉给水控制方法及*** |
| CN115979339A (zh) * | 2022-12-07 | 2023-04-18 | 吉林农业科技学院 | 一种基于大数据分析的蛋鸡养殖环境智能监管*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106872658A (zh) * | 2017-01-22 | 2017-06-20 | 华南理工大学 | 一种基于向量时间序列模型的污水cod负荷预测的方法 |
| RU2648149C1 (ru) * | 2017-01-10 | 2018-03-22 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Кубанский государственный аграрный университет имени И.Т. Трубилина" | Способ прогнозирования яичной продуктивности кур |
| CN109034466A (zh) * | 2018-07-16 | 2018-12-18 | 浙江师范大学 | 一种基于支持向量机回归的蛋鸡产蛋率预测方法 |
| CN111191193A (zh) * | 2020-01-17 | 2020-05-22 | 南京工业大学 | 一种基于自回归滑动平均模型的长期土壤温湿度高精度预测方法 |
| CN111985714A (zh) * | 2020-08-19 | 2020-11-24 | 山东省齐鲁大数据研究院 | 一种基于相关性分析和机器学习的猪肉价格预测方法及*** |
-
2021
- 2021-03-20 CN CN202110299017.1A patent/CN113033890A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2648149C1 (ru) * | 2017-01-10 | 2018-03-22 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Кубанский государственный аграрный университет имени И.Т. Трубилина" | Способ прогнозирования яичной продуктивности кур |
| CN106872658A (zh) * | 2017-01-22 | 2017-06-20 | 华南理工大学 | 一种基于向量时间序列模型的污水cod负荷预测的方法 |
| CN109034466A (zh) * | 2018-07-16 | 2018-12-18 | 浙江师范大学 | 一种基于支持向量机回归的蛋鸡产蛋率预测方法 |
| CN111191193A (zh) * | 2020-01-17 | 2020-05-22 | 南京工业大学 | 一种基于自回归滑动平均模型的长期土壤温湿度高精度预测方法 |
| CN111985714A (zh) * | 2020-08-19 | 2020-11-24 | 山东省齐鲁大数据研究院 | 一种基于相关性分析和机器学习的猪肉价格预测方法及*** |
Non-Patent Citations (2)
| Title |
|---|
| 中国票据研究中心: "《中国票据市场》", 31 July 2020, 中国金融出版社, pages: 27 - 30 * |
| 孙万鑫，薛镇: "基于VAR 模型分析GDP 对钢材产量的影响", 特区经济, pages 118 - 120 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114593411A (zh) * | 2022-02-28 | 2022-06-07 | 中国大唐集团科学技术研究院有限公司西北电力试验研究院 | 基于向量自回归水煤比寻优直流炉给水控制方法及*** |
| CN114593411B (zh) * | 2022-02-28 | 2024-03-29 | 中国大唐集团科学技术研究院有限公司西北电力试验研究院 | 基于向量自回归水煤比寻优直流炉给水控制方法及*** |
| CN115979339A (zh) * | 2022-12-07 | 2023-04-18 | 吉林农业科技学院 | 一种基于大数据分析的蛋鸡养殖环境智能监管*** |
| CN115979339B (zh) * | 2022-12-07 | 2023-08-15 | 吉林农业科技学院 | 一种基于大数据分析的蛋鸡养殖环境智能监管*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107480775B (zh) | 一种基于数据修复的池塘溶解氧预测方法 | |
| CN113033890A (zh) | 一种基于向量自回归模型的蛋鸡产性能分析方法 | |
| CN111639823B (zh) | 一种基于特征集构建的建筑冷热负荷预测方法 | |
| Mertens et al. | Statistical control charts as a support tool for the management of livestock production | |
| CN111325522B (zh) | 一种基于物联网的智能渔业养殖管理方法和*** | |
| CN114169638A (zh) | 一种水质预测方法及装置 | |
| CN114862032B (zh) | 一种基于XGBoost-LSTM的电网负荷预测方法及装置 | |
| CN117540908B (zh) | 基于大数据的农业资源整合方法和*** | |
| CN107238638A (zh) | 基于大曲各成分理化指标与产酒量和酒质联系的测定方法 | |
| CN110119767A (zh) | 一种基于lvq神经网络的黄瓜温室温度智能化检测装置 | |
| CN113888011A (zh) | 基于灰色关联分析和层次分析法的鸡舍内环境评价方法 | |
| CN112801388A (zh) | 一种基于非线性时间序列算法的电力负荷预测方法及*** | |
| CN115456245A (zh) | 一种感潮河网区溶解氧预测方法 | |
| CN113962819A (zh) | 一种基于极限学习机的工厂化水产养殖溶解氧预测方法 | |
| CN117314266A (zh) | 一种基于超图注意力机制的新型科技人才智能评价方法 | |
| CN116579504A (zh) | 基于机器学习的池塘海水养殖水温的预测方法 | |
| CN116484193A (zh) | 一种作物产量的预测方法、***、设备及介质 | |
| CN116579873A (zh) | 基于高温干旱气象评估作物灾害减产情况的方法及*** | |
| CN116247658A (zh) | 一种基于dlrm深度学习模型的光伏发电量预测方法 | |
| Qu et al. | Application of Deep Neural Network on Net Photosynthesis Modeling | |
| CN113935542A (zh) | 一种基于气候适宜度的棉花单产预测方法 | |
| Kaburlasos et al. | Intelligent clustering techniques for prediction of sugar production | |
| CN113919600A (zh) | 一种居民负荷超短期预测方法 | |
| CN111401727A (zh) | 一种雪灾对草地畜牧经济传导效应的直观表达方法 | |
| Huang et al. | Seasonal Broiler Growth Performance Prediction Based on Observational Study. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |