CN115859209B - 基于饲料消耗数据的畜牧业家禽养殖异常识别方法 - Google Patents
基于饲料消耗数据的畜牧业家禽养殖异常识别方法 Download PDFInfo
- Publication number
- CN115859209B CN115859209B CN202310077065.5A CN202310077065A CN115859209B CN 115859209 B CN115859209 B CN 115859209B CN 202310077065 A CN202310077065 A CN 202310077065A CN 115859209 B CN115859209 B CN 115859209B
- Authority
- CN
- China
- Prior art keywords
- data
- period
- feed consumption
- window
- acquiring
- 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.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Housing For Livestock And Birds (AREA)
Abstract
本发明公开了一种基于饲料消耗数据的畜牧业家禽养殖异常识别方法,涉及数据处理技术领域,包括获取家禽养殖过程中当前时刻之前一个时间段的饲料消耗数据;确定目标周期,根据目标周期将时间段的饲料消耗数据分为多个周期数据;获取每个周期数据的饲料消耗量的预测值;获取每个周期数据的窗口参数值;确定每个周期数据的窗口大小;获取每个周期数据的异常因子,并获取家禽养殖的当前周期数据;获取最后一个周期数据受每个窗口对应的周期数据异常因子的影响值;获取最后一个周期数据的异常程度;本发明解决了相关技术中,进行数据异常分析时由于使用固定窗口处理异常数据造成获得的异常程度偏差大的技术问题。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于饲料消耗数据的畜牧业家禽养殖异常识别方法。
背景技术
家禽养殖业是我国畜牧业的基础性产业,是我国农村经济主要支柱产业,主要为饲养家禽,如鸡、鸭和鹅等动物的养殖。随着自动化智能化技术的发展,在家禽养殖中的各种工序都可以实现自动化控制,比如饲料的投放,一般情况饲料的投放由家禽数量等决定,但是一般投放的饲料会有剩余,由此可以判断饲料的消耗数据。在家禽养殖过程中,可以通过分析饲料消耗数据的异常程度来判断饲料消耗数据是否异常,当饲料消耗数据存在异常时,对家禽养殖情况进行排查,并及时消除异常影响,比如对家禽发生疾病时,及时进行预防和治疗。
在使用现有技术对家禽养殖过程中饲料消耗数据进行异常分析时,首先需要计算窗口的大小,现有技术中进行异常分析时根据待处理数据确定一个固定大小的窗口,由此为了满足计算结果的准确性,往往会选择一个较大的窗口进行分析,而对于待处理数据中异常程度较小的数据,由于不需要过大的计算窗口,在使用固定的窗口分析时会造成大量的计算冗余,并且数据之间的异常程度差异越大,窗口计算冗余越大;但是在实际中,窗口计算数据存在异常时会影响到所计算的数据的异常程度,从而造成获得的异常程度偏差大。
发明内容
为了解决现有技术中由于使用固定窗口处理异常数据造成获得的异常程度偏差大的技术问题,本发明提供了一种基于饲料消耗数据的畜牧业家禽养殖异常识别方法,该方法通过获取过去时间段内的饲料消耗数据的异常性确定目标周期,根据目标周期将过去时间段的饲料消耗数据分为多个周期数据;获取每个周期数据的窗口大小;获取当前周期数据,获取当前周期数据受每个窗口对应的周期数据的影响值;根据当前周期数据的异常因子和当前周期数据受每个窗口对应的周期数据的影响值,获取当前周期数据的异常程度,根据异常程度判断当前周期数据是否异常;有鉴于此,本发明通过以下技术方案予以实现。
一种基于饲料消耗数据的畜牧业家禽养殖异常识别方法,包括以下步骤:
获取家禽养殖过程中当前时刻之前一个时间段内的饲料消耗数据;
根据所述时间段内的饲料消耗数据确定目标周期,根据所述目标周期将所述时间段内的饲料消耗数据分为多个周期数据;
获取每个周期数据对应的饲料消耗量,根据每个周期数据的饲料消耗量和该周期的饲料消耗量的预测值获取每个周期数据的窗口参数值;
设置预设窗口值,且该预设窗口值的大小至少能够包含一个周期数据内的所有数据;利用每个周期数据的窗口参数值及相邻周期的窗口参数值获取每个周期数据的预设窗口参数值;根据每个周期数据的预设窗口参数值和预设窗口值获取每个周期数据的窗口值大小;
获取饲料消耗数据中最后一个周期数据中的饲料消耗数据;获取最后一个周期数据所在的所有窗口,根据最后一个周期数据所在的所有窗口中每个窗口所对应的周期数据的异常因子,以及所述最后一个周期数据到最后一个周期数据所在的所有窗口的距离,得到最后一个周期数据受每个窗口对应的周期数据异常因子的影响值;
获取所述最后一个周期数据的异常因子;根据所述最后一个周期数据的异常因子和最后一个周期数据受每个窗口对应的周期数据异常因子的影响值,获取所述最后一个周期数据的异常程度;根据所述最后一个周期数据的异常程度判断所述最后一个周期数据是否为异常周期数据。
进一步的,根据所述最后一个周期数据的异常程度判断所述最后一个周期数据是否为异常周期数据的过程中,还包括设定异常程度阈值,当所述最后一个周期数据的异常程度大于所述异常程度阈值,所述最后一个周期数据为异常周期数据。
进一步的,所述异常程度阈值为0.8,当所述最后一个周期数据的异常程度大于0.8时,所述最后一个周期数据为异常周期数据。
进一步的,根据所述时间段内的饲料消耗数据确定目标周期的过程为:
先以1天为周期将所述时间段内的饲料消耗数分为多个周期数据,并获取每个周期数据之间饲料消耗量的第一差异程度;增大周期,以两天为周期将所述时间段内的饲料消耗数分为多个周期数据,并获取每个周期之间饲料消耗量的第二差异程度;继续增大周期,用该周期将所述时间段内的饲料消耗数分为多个周期,获取每个周期数据之间饲料消耗量的差异程度;根据差异程度获取所述时间段内的饲料消耗数据的目标周期。
进一步的,所述以1天为周期将所述时间段内的饲料消耗数分为多个周期数据后,每个周期数据之间饲料消耗量的第一差异程度通过下式确定:
式中,为以1天为周期将所述时间段内的饲料消耗数据分为多个周期数据后,每个周期数据之间饲料消耗量的第一差异程度;为以1天为周期将所述时间段内的饲料消耗数据分为周期数据的个数;为以1天为周期将所述时间段内的饲料消耗数据为多个周期数据后,第个周期数据的饲料消耗量;为以1天为周期将所述时间段内的饲料消耗数据分为多个周期后,第+1个周期数据的饲料消耗量,为以1天为周期将所述时间段内的饲料消耗数据分为多个周期数据后饲料消耗量。
进一步的,所述增大周期最大增大到7天。
进一步的,所述周期数据的窗口参数值通过下式确定:
式中,为第个周期数据的窗口参数值;表示时间段的周期长度;为第个周期数据的饲料消耗量;为第个周期数据的饲料消耗量的预测值;为第个周期数据饲料消耗量与第个周期数据饲料消耗量的差值;为第个周期数据的范围内的时间,表示范围的大小。
进一步的,所述每个周期数据的预设数据窗口参数值为每个周期数据所在的多个窗口对应的周期数据的窗口参数值中的最大值;所述预设窗口值为15。
进一步的,所述每个周期数据的窗口值通过下式确定:
式中,为第个周期数据的窗口值;为第个周期数据的窗口参数值;为第个周期数据的预设窗口值;为预设窗口参数值。
进一步的,所述当最后一个周期数据的异常程度由所述最后一个周期数据的异常因子与最后一个周期数据受每个窗口对应的周期数据异常因子的影响值进行求和得到。
与现有技术相比,本发明的有益效果是:
本发明提供了一种基于饲料消耗数据的畜牧业家禽养殖异常识别方法,该方法通过获取家禽养殖过程中当前时刻之前一个时间段内的饲料消耗数据,根据当前时刻之前一个时间段内的饲料消耗数据确定目标周期;根据目标周期将该时间段内的饲料消耗数据分为多个周期数据,可获得该时间段内的饲料消耗数据的最佳周期个数;获取每个周期数据对应的饲料消耗量,并获取每个周期数据的饲料消耗量的预测值;根据每个周期数据的饲料消耗量和饲料消耗量的预测值获取每个周期数据的窗口参数值;获取每个周期数据的预设窗口参数值,并设置预设窗口值;根据每个周期数据的预设窗口参数值和预设窗口值获取每个周期数据的窗口值,根据每个周期数据的窗口值确定每个周期数据的窗口大小;由此,可确定每个周期数据的最佳窗口大小;进一步地,获取每个周期数据的异常因子,并获取家禽养殖的当前周期数据;获取当前周期数据所在的多个窗口;根据每个窗口对应的周期数据的异常因子,以及当前周期数据到每个窗口对应的周期数据的距离,获取当前周期数据受每个窗口对应的周期数据异常因子的影响值;进一步地,获取当前周期数据的异常因子;根据当前周期数据的异常因子和当前周期数据受每个窗口对应的周期数据异常因子的影响值获取当前周期数据的异常程度;根据当前周期数据的异常程度判断当前周期数据是否为异常周期数据;当前周期数据存在异常时,及时对家禽养殖情况进行排查,并采取应对措施;本发明解决了相关技术中,进行数据异常分析时由于使用固定窗口处理异常数据造成获得的异常程度偏差大的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本实施例提供的家禽养殖异常识别方法的流程示意图。
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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本实施例提供了的基于饲料消耗数据的畜牧业家禽养殖异常识别方法,如图1所示,该方法包括:
S101,获取家禽在养殖过程中当前时刻之前一个时间段内的饲料消耗数据,根据该时间段内饲料消耗数据的异常性将该时间段内的饲料消耗数据分为多个周期数据;
本实施例中,家禽养殖中饲料数据反映了家禽的进食状态,所以在家禽的养殖过程中记录每1天的饲料消耗数据,然后对于当前时刻之前的一段时间内的饲料消耗数据作为家禽养殖异常识别的原始数据;在对饲料消耗数据的异常分析中,数据的异常性主要表现为数据之间的差异、数据的浮动程度和数据之间的相互影响程度;因此,本实施例中根据数据本身的特点,确定数据周期的大小以及异常分析涉及的计算窗口大小,然后获得当前周期饲料消耗数据的异常;
家禽养殖过程中饲料消耗量与家禽的数量有关,在家禽养殖过程中会存在多个时间点的买入与卖出,所以为了准确获得饲料消耗数据之间的关系,需要对家禽未进行买入与卖出时间段的数据进行分析,所以在本实施例中,首先需要获得家禽买入与卖出时间点,每一次饲料消耗数据分析的原始数据为相邻两个买入与卖出时间节点之间的饲料消耗数据;
根据时间段内的饲料消耗数据的差异程度将饲料消耗数据分为多个周期数据的过程为,以1天为周期将时间段内的饲料消耗数据分为多个周期数据,并获取每个周期数据之间饲料消耗量的第一差异程度;每个周期数据之间饲料消耗量的第一差异程度通过下式确定:
式中,为以1天为周期将饲料消耗数据分为多个周期数据后,每个周期数据之间饲料消耗量的第一差异程度;为以1天为周期将饲料消耗数据分为周期数据的个数;为以1天为周期将饲料消耗数据分为多个周期数据后,第个周期数据的饲料消耗量;为以1天为周期将饲料消耗数据分为多个周期后,第+1个周期数据的饲料消耗量,为以1天为周期将饲料消耗数据分为多个周期数据后饲料消耗量;
增大周期范围,以两天为周期将时间段内的饲料消耗数据分为多个周期数据,并获取每个周期数据之间饲料消耗量的第二差异程度;继续增大周期范围,获取每个周期范围对应的每个差异程度;
根据多个差异程度获取时间段内的饲料消耗数据的最佳周期,根据最佳周期将时间段分为多个周期;将最大差异程度作为目标差异程度,并将目标差异程度对应的周期范围作为时间段内的饲料消耗数据的最佳周期;并根据最佳周期将时间段内的饲料消耗数据分为多个周期;
需要说明的是,本实施例中在获取饲料消耗量的多个差异程度过程中,设定周期的长度范围为1至7;即只获取饲料消耗量的第一差异程度至饲料消耗量的第七差异程度,从第一差异程度至饲料消耗量的第七差异程度之间选取差异程度的最大值作为目标差异程度;并将该目标差异程度对应的周期作为最佳周期,根据最佳周期将时间段分为多个周期;
S102,获取每个周期数据的饲料消耗量和饲料消耗量的预测值,获取饲料消耗量的预测值的过程为,利用BP神经网络获取饲料消耗量的预测值,在BP神经网络中输入第j个周期周围长度2f范围内的其他数据,输出第j个周期的饲料消耗量的预测值;本实施例中设置f的值为10; 根据每个周期数据的饲料消耗量和饲料消耗量的预测值获取周期数据的窗口参数值;周期数据的窗口参数值通过下式确定:
式中,为第个周期数据的窗口参数值;表示时间段的周期长度;为第个周期数据的饲料消耗量;为第个周期数据的饲料消耗量的预测值;为第个周期数据饲料消耗量与第个周期数据饲料消耗量的差值;为第个周期数据的范围的时间,单位为天,表示范围的大小;表示第个周期周围的饲料消耗量差值的均值;越大,第个周期周围饲料消耗量越不稳定;
依次获取每个周期数据的预设数据窗口参数值和预设窗口值,根据每个周期数据的预设数据窗口参数值和预设窗口值,以及每个周期数据的窗口参数值,获取每个周期数据的窗口值;每个周期数据的窗口值通过下式确定:
式中,为第个周期数据的窗口值;为第个周期数据的窗口参数值;为预设窗口值;为预设窗口参数值;
需要说明的是,本实施例中,每个周期数据的预设数据窗口参数值为每个周期数据所在的多个窗口对应的周期数据的窗口参数值中的最大值;预设窗口值的大小至少能够包含一个周期数据内的所有数据,本实施例中根据具体实施条件设置预设窗口值为15,实施者可根据具体实施条件设置其他的数值为预设窗口值;通过本实施例中获得的窗口值可确定周期数据窗口的大小,对于第个周期数据来说,根据第个周期数据的窗口值可确定第个周期数据的窗口大小为;依次可确定每个周期数据的窗口的大小;
S103,获取每个周期数据的异常因子,并获取家禽养殖的当前周期数据;当前周期数据为多个周期数据中的最后一个周期数据;获取当前周期数据所在的多个窗口;根据每个窗口对应的周期数据的异常因子,以及当前周期数据到每个窗口对应的周期数据的距离,获取当前周期数据受每个窗口对应的周期数据异常因子的影响值;
在本实施例中,利用算法输入每个周期数据的饲料消耗量后,输出每个周期数据的异常因子;当前周期数据受每个窗口对应的周期数据异常因子的影响值通过下式确定:
式中,为当前周期数据受第个窗口对应的周期数据异常因子的影响值;为当前周期数据的异常因子;为当前周期数据与第个周期数据之间的距离;为第个周期数据的饲料消耗量;为第个周期数据的饲料预测值;式中越大,则第个周期数据对当前周期数据异常程度的影响越大,式中通过将的值转换到[0,1]区间;
对于当前周期数据受每个窗口对应的周期数据异常因子的影响值的总和通过下式确定:
式中,当前周期数据受每个窗口对应的周期数据异常因子的影响值的总和;为当前周期数据受第个窗口对应的周期数据异常因子的影响值;为当前周期所在的窗口总个数;
根据当前周期的异常因子和当前周期数据受每个窗口对应的周期数据异常因子的影响值的总和获取当前周期数据的异常程度;当前周期数据的异常程度通过下式确定:
式中,为当前周期数据的异常程度;为当前周期数据的异常因子;为当前周期数据受每个窗口对应的周期数据异常因子的影响值的总和;
本实施例中,当前周期为以步骤S101中当前时刻为起始时刻,向后获取一个目标周期的时间段内的家禽养殖的饲料消耗数据;
S104,设置异常程度阈值,根据异常程度阈值和当前周期数据的异常程度判断当前周期数据是否异常;当前周期数据存在异常时,对当家禽养殖情况进行排查,并根据排查情况及时采取应对措施;
需要说明的是,本实施例中,根据具体实施条件设置异常程度阈值为0.8;当前周期数的异常程度大于0.8时,当前周期数据为异常周期数据;然后通过人工对当前周期数据对应的时间段内家禽的养殖情况进行人工排查,当出现养殖异常情况时及时采取应对措施,对于养殖异常情况有家禽死亡或生病,可根据饲料消耗情况适当改变饲料的投放量,并及时采取预防和治疗措施。
综上,本实施例提供了基于饲料消耗数据的畜牧业家禽养殖异常识别方法,包括获取家禽养殖过程中当前时刻之前一个时间段内的饲料消耗数据;根据时间段内的饲料消耗数据确定目标周期,根据目标周期将时间段内的饲料消耗数据分为多个周期数据;获取每个周期数据对应的饲料消耗量,并获取每个周期数据饲料消耗量的预测值;根据每个周期数据的饲料消耗量和饲料消耗量的预测值获取每个周期数据的窗口参数值;获取每个周期数据的预设窗口参数值,并设置预设窗口值;根据每个周期数据的预设窗口参数值和预设窗口值获取每个周期数据的窗口值,并根据每个周期数据的窗口值确定每个周期数据的窗口大小;获取每个周期数据的异常因子;获取家禽养殖过程中当前周期的饲料消耗数据;获取当前周期数据所在的多个窗口,根据多个窗口对应的周期数据的异常因子,以及当前周期数据到每个窗口对应的周期数据的距离,获取当前周期数据受每个窗口对应的周期数据异常因子的影响值;获取当前周期数据的异常因子;根据当前周期数据的异常因子和当前周期数据受每个窗口对应的周期数据异常因子的影响值,获取当前周期数据的异常程度;根据当前周期数据的异常程度判断当前周期数据是否为异常周期数据;本实施例解决了相关技术中,进行数据异常分析时由于使用固定窗口处理异常数据造成获得的异常程度偏差大的技术问题。
以上仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于饲料消耗数据的畜牧业家禽养殖异常识别方法,其特征在于,包括以下步骤:
获取家禽养殖过程中当前时刻之前一个时间段内的饲料消耗数据;
根据所述时间段内的饲料消耗数据确定目标周期,根据所述目标周期将所述时间段内的饲料消耗数据分为多个周期数据;
获取每个周期数据对应的饲料消耗量,根据每个周期数据的饲料消耗量和该周期的饲料消耗量的预测值获取每个周期数据的窗口参数值;
所述周期数据的窗口参数值通过下式确定:
式中,为第个周期数据的窗口参数值;表示时间段的周期长度;为第个周期数据的饲料消耗量;为第个周期数据的饲料消耗量的预测值;为第个周期数据饲料消耗量与第个周期数据饲料消耗量的差值;为第个周期数据的范围内的时间,表示范围的大小;
设置预设窗口值,且该预设窗口值的大小至少能够包含一个周期数据内的所有数据;利用每个周期数据的窗口参数值及相邻周期的窗口参数值获取每个周期数据的预设窗口参数值;根据每个周期数据的预设窗口参数值和预设窗口值获取每个周期数据的窗口值大小;
所述每个周期数据的预设数据窗口参数值为每个周期数据所在的多个窗口对应的周期数据的窗口参数值中的最大值;所述预设窗口值为15;
所述每个周期数据的窗口值通过下式确定:
式中,为第个周期数据的窗口值;为第个周期数据的窗口参数值;为第个周期数据的预设窗口值;为预设窗口参数值;
获取饲料消耗数据中最后一个周期数据中的饲料消耗数据;获取最后一个周期数据所在的所有窗口,根据最后一个周期数据所在的所有窗口中每个窗口所对应的周期数据的异常因子,以及所述最后一个周期数据到最后一个周期数据所在的所有窗口的距离,得到最后一个周期数据受每个窗口对应的周期数据异常因子的影响值;
获取所述最后一个周期数据的异常因子;根据所述最后一个周期数据的异常因子和最后一个周期数据受每个窗口对应的周期数据异常因子的影响值,获取所述最后一个周期数据的异常程度;根据所述最后一个周期数据的异常程度判断所述最后一个周期数据是否为异常周期数据。
2.根据权利要求1所述的基于饲料消耗数据的畜牧业家禽养殖异常识别方法,其特征在于,根据所述最后一个周期数据的异常程度判断所述最后一个周期数据是否为异常周期数据的过程中,还包括设定异常程度阈值,当所述最后一个周期数据的异常程度大于所述异常程度阈值,所述最后一个周期数据为异常周期数据。
3.根据权利要求2所述的基于饲料消耗数据的畜牧业家禽养殖异常识别方法,其特征在于,所述异常程度阈值为0.8,当所述最后一个周期数据的异常程度大于0.8时,所述最后一个周期数据为异常周期数据。
4.根据权利要求1所述的基于饲料消耗数据的畜牧业家禽养殖异常识别方法,其特征在于,根据所述时间段内的饲料消耗数据确定目标周期的过程为:
先以1天为周期将所述时间段内的饲料消耗数分为多个周期数据,并获取每个周期数据之间饲料消耗量的第一差异程度;增大周期,以两天为周期将所述时间段内的饲料消耗数分为多个周期数据,并获取每个周期之间饲料消耗量的第二差异程度;继续增大周期,用该周期将所述时间段内的饲料消耗数分为多个周期,获取每个周期数据之间饲料消耗量的差异程度;根据差异程度获取所述时间段内的饲料消耗数据的目标周期。
5.根据权利要求4所述的基于饲料消耗数据的畜牧业家禽养殖异常识别方法,其特征在于,所述以1天为周期将所述时间段内的饲料消耗数分为多个周期数据后,每个周期数据之间饲料消耗量的第一差异程度通过下式确定:
式中,为以1天为周期将所述时间段内的饲料消耗数据分为多个周期数据后,每个周期数据之间饲料消耗量的第一差异程度;为以1天为周期将所述时间段内的饲料消耗数据分为周期数据的个数;为以1天为周期将所述时间段内的饲料消耗数据为多个周期数据后,第个周期数据的饲料消耗量;为以1天为周期将所述时间段内的饲料消耗数据分为多个周期后,第+1个周期数据的饲料消耗量,为以1天为周期将所述时间段内的饲料消耗数据分为多个周期数据后饲料消耗量。
6.根据权利要求5所述的基于饲料消耗数据的畜牧业家禽养殖异常识别方法,其特征在于,所述增大周期最大增大到7天。
7.根据权利要求1所述的基于饲料消耗数据的畜牧业家禽养殖异常识别方法,其特征在于,所述最后一个周期数据的异常程度由所述最后一个周期数据的异常因子与最后一个周期数据受每个窗口对应的周期数据异常因子的影响值进行求和得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310077065.5A CN115859209B (zh) | 2023-02-08 | 2023-02-08 | 基于饲料消耗数据的畜牧业家禽养殖异常识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310077065.5A CN115859209B (zh) | 2023-02-08 | 2023-02-08 | 基于饲料消耗数据的畜牧业家禽养殖异常识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115859209A CN115859209A (zh) | 2023-03-28 |
CN115859209B true CN115859209B (zh) | 2023-05-16 |
Family
ID=85657716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310077065.5A Active CN115859209B (zh) | 2023-02-08 | 2023-02-08 | 基于饲料消耗数据的畜牧业家禽养殖异常识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115859209B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106980874A (zh) * | 2017-03-13 | 2017-07-25 | 南京邮电大学 | 一种面向配网大数据的多时态维度数据融合方法 |
CN115221471A (zh) * | 2022-07-18 | 2022-10-21 | 山东云天安全技术有限公司 | 一种异常数据的识别方法、装置、存储介质及计算机设备 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7702401B2 (en) * | 2007-09-05 | 2010-04-20 | Fisher-Rosemount Systems, Inc. | System for preserving and displaying process control data associated with an abnormal situation |
US11257161B2 (en) * | 2011-11-30 | 2022-02-22 | Refinitiv Us Organization Llc | Methods and systems for predicting market behavior based on news and sentiment analysis |
CN106302487B (zh) * | 2016-08-22 | 2019-08-09 | 中国农业大学 | 农业物联网数据流异常实时检测处理方法及装置 |
CN111275307B (zh) * | 2020-01-16 | 2023-09-05 | 生态环境部华南环境科学研究所 | 一种水质自动在线站高频连续观测数据质量控制方法 |
CN111538897B (zh) * | 2020-03-16 | 2023-06-02 | 北京三快在线科技有限公司 | 推荐的异常检测方法、装置、电子设备及可读存储介质 |
CN112101658A (zh) * | 2020-09-14 | 2020-12-18 | 安徽工业大学 | 一种育肥猪养殖饲料消耗预测方法 |
CN115269241A (zh) * | 2022-07-20 | 2022-11-01 | 天翼云科技有限公司 | 一种对周期性数据进行异常检测的方法、装置及存储介质 |
CN115412455B (zh) * | 2022-07-28 | 2023-12-19 | 南京航空航天大学 | 一种基于时间序列的服务器多性能指标异常检测方法及装置 |
CN115643193A (zh) * | 2022-10-21 | 2023-01-24 | 杭州安恒信息技术股份有限公司 | 一种网络流量异常检测方法、装置、设备及介质 |
-
2023
- 2023-02-08 CN CN202310077065.5A patent/CN115859209B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106980874A (zh) * | 2017-03-13 | 2017-07-25 | 南京邮电大学 | 一种面向配网大数据的多时态维度数据融合方法 |
CN115221471A (zh) * | 2022-07-18 | 2022-10-21 | 山东云天安全技术有限公司 | 一种异常数据的识别方法、装置、存储介质及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115859209A (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kashiha et al. | Development of an early warning system for a broiler house using computer vision | |
Mertens et al. | Statistical control charts as a support tool for the management of livestock production | |
Huybrechts et al. | Early warnings from automatic milk yield monitoring with online synergistic control | |
CN112000051A (zh) | 一种基于物联网的畜牧养殖管理*** | |
CN114167922A (zh) | 一种基于多传感器数据采集的农牧智能分析的方法及*** | |
Mertens et al. | An intelligent control chart for monitoring of autocorrelated egg production process data based on a synergistic control strategy | |
CN112684838A (zh) | 一种基于卫生防疫的猪场环境控制*** | |
CN115859209B (zh) | 基于饲料消耗数据的畜牧业家禽养殖异常识别方法 | |
CN117786584A (zh) | 基于大数据分析的畜牧业水源污染监测预警方法及*** | |
CN116843085B (zh) | 淡水鱼生长监控方法、装置、设备及存储介质 | |
CN114372408A (zh) | 基于混沌麻雀搜索算法的短期电力负荷预测方法及装置 | |
CN109359624B (zh) | 基于神经网络的蛋鸡采食行为的预测方法及预测装置 | |
CN117350435A (zh) | 一种对虾工厂化养殖设备管理方法及*** | |
CN117016430A (zh) | 一种基于智能监测的肉鸡养殖*** | |
CN117482827A (zh) | 一种基于大数据分析的饲料在线生产监测*** | |
WO1997039389A1 (en) | Animal feed system | |
CN111815472A (zh) | 一种基于大数据的农业养殖环境监控***及环境分析方法 | |
CN111524023A (zh) | 温室调节方法及*** | |
Fernández et al. | Real-time modelling of individual weight response to feed supply for fattening pigs | |
CN115759789A (zh) | 一种基于ai算法的智慧养殖智能管理*** | |
CN109242219A (zh) | 蛋鸡采食行为的预测方法及蛋鸡采食行为的预测装置 | |
CN112633107A (zh) | 一种智慧林业监测方法、装置、设备以及存储介质 | |
CN110738351A (zh) | 一种智能监测装置、***及控制方法 | |
Quiniou et al. | Precision feeding with a decision support tool dealing with daily and individual pigs' body weight | |
Woudenberg et al. | Real-time adaptive problem detection in poultry |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |