基于多层LSTM的海兰褐蛋鸡产蛋率回归模型

来源：核心期刊咨询网时间：12

摘要：摘要：目前雞蛋产量预测模型大多使用单一影响特征或者平均考虑各特征进行建模，存在精度低、抗干扰能力差等缺点。针对上述问题，利用多层LSTM神经网络结合日龄、最高舍温、最低舍温、体质量、饲料消耗量5项特征建立高精度海兰褐蛋鸡产蛋率回归模型，并将得到

　　摘要：目前雞蛋产量预测模型大多使用单一影响特征或者平均考虑各特征进行建模，存在精度低、抗干扰能力差等缺点。针对上述问题，利用多层LSTM神经网络结合日龄、最高舍温、最低舍温、体质量、饲料消耗量5项特征建立高精度海兰褐蛋鸡产蛋率回归模型，并将得到的模型与传统的SVM模型和单层LSTM模型结果进行对比。结果表明，本研究提出的利用多层LSTM模型预测鸡蛋产量均方误差更小，模型精度更高。

　　关键词：多层LSTM;海兰褐蛋鸡;产蛋率;多特征模型

　　作者：蒋敏兰

　　通信：吴沛伦

　　鸡蛋作为蛋类消费品的主导者，为人体提供丰富的蛋白质、脂肪、矿物质和各种维生素等，营养价值极高[1]。根据世界粮食与农业组织统计，近5年来，中国鸡蛋产量位居世界第一。据国家蛋鸡产业技术体系的调研数据显示，中国蛋鸡养殖的规模化程度已有较大提升，已达70%，蛋鸡养殖正朝着规模化、标准化、集约化的道路发展[2]。

　　蛋鸡产蛋率是一个受人为因素、环境因素、鸡自身因素等多种因素综合影响的变量，有着非线性的特点[3-4]。目前，对蛋鸡产蛋率研究大多使用单一影响因素进行分析、回归与建模，存在精度低、抗干扰能力差等缺点。近年来，随着计算机技术的快速发展及对深度学习领域不断地探索和研究，深度学习已经在语音识别[5]、图像识别[6]、自然语言[7]、回归预测等领域取得成功。相比于以概率统计学为理论基础对时间序列进行分析的方法，深度学习具有高效的非线性计算的能力以及对原始数据特征提取能力等特点，利用深度学习建立的模型具有高效、高精度的特点。

　　由于蛋鸡产蛋率具有明显的时间序列特征，通过对历史数据的分析，可以在一定程度上对长期或短期的未来数据进行精确预测，进而实现养鸡场利益最大化的同时给市场提供可预期的、稳定的鸡蛋供应，稳定市场。长短期记忆神经网络(LSTM)是一种改进的循环神经网络，在处理时序问题时有着明显的优势。根据以上特点，本研究利用蛋鸡产蛋率及5项影响因素构建基于LSTM的蛋鸡产蛋率预测模型。

　　[WTHZ]1多层LSTM

　　近年来，循环神经网络(RNN)在处理具有时序特征的数据时有着较强的优势，所有RNN神经网络都具有一种重复神经网络模块的链式结构，从图1可以看出，RNN的出现虽然解决了传统神经网络无法对时间序列建模的问题，但是存在长期依赖以及梯度消失的问题。LSTM是Hochreiter等提出的一种循环神经网络的扩展模型[8]，从图2可以看出，通过引入遗忘门、输出门、输入门使得网络结构上除了输出[WTHX]h在随时间的延长流动，细胞状态C也随时间的延长流动，Hochreiter等通过设计特殊的门结构解决了RNN网络中存在长期依赖的问题。图2中分别为LSTM的遗忘门、输入门及输出门。

　　如图2所示，数据在LSTM结构单元中的处理流程为：

　　第1步，利用公式(1)，即遗忘门[WTHX]ft丢弃不需要的信息：

　　2基于多层LSTM的蛋鸡产蛋率预测模型

　　2.1数据源及其预处理

　　本试验数据由浙江省金华市兰溪禽盛蛋鸡养殖场提供，记录了2批共19666羽(每批次9833羽)海兰褐蛋鸡从开始产蛋直至蛋鸡售出期间，蛋鸡每天产蛋率以及各项影响产蛋率特征的数据，根据张厚臣等研究，选择最高舍温、最低舍温、饲料消耗、体质量与日龄这5项特征来研究其与蛋鸡产蛋率之间的关系[9-11]，部分数据见表1。

　　试验数据要先进行预处理，步骤如下：

　　(1)由于蛋鸡体质量数据养殖场每周测量1次，本研究假设蛋鸡每天匀速增长，以此来补全缺失数据。

　　(2)利用公式(6)将补充完全的数据Min-Max归一化至[0，1]区间。

　　2.2多层LSTM产蛋率预测模型建立流程

　　多层LSTM蛋鸡产蛋率预测模型建立流程见图3，其主要流程为：(1)收集需要的数据并按“2.1”节所述对其进行预处理;(2)搭建LSTM网络，选择合适的模型参数并对其进行训练;(3)根据设置的均方误差获得需要的预测模型;(4)输入测试数据，获得预测结果，检验模型的精度和可靠性。

　　2.3多层LSTM产蛋率预测模型

　　2.3.2模型结构及参数选择建立合适的LSTM结构并设置合适的参数，对网络训练过程中训练时间和精度起到关键性的作用。本研究建立的多层LSTM产蛋率预测模型结构参数见表2。

　　除表2所列结构参数外，网络结构中还须要设置以下重要参数：(1)Timestep在本研究中设置为1，即每个预测结果只与当天输入的最低室温、最高室温、饲料消耗、体质量、日龄5项特征相关联;(2)BatchSize在本研究中设置为15，表示1次训练的样本数目为15个;(3)Optimizer在本研究中设置为Adam，表示使用Adam优化器来更新步长。

　　2.3.3评价指标均方误差(MSE)是用来评估回归模型拟合精度的重要指标，在深度学习中常采用MSE作为损失函数，本研究采用均方误差作为多层LSTM预测模型的评价指标，为公式(6)。

　　综上所述，本研究通过堆叠LSTM神经网络层，选定合适的Timestep、BatchSize和Optimizer参数，并且在最后一层使用全连接层(FC)得到预测结果，建立1个9层的LSTM神经网络产蛋率预测模型。

　　3预测结果与分析

　　本研究基于python3.7编程环境，所使用的深度学习框架为Keras框架，选择当天的最高舍温、最低舍温、饲料消耗、体质量、日龄5项特征作为LSTM的输入数据，产蛋率作为输出数据，对当天蛋鸡产蛋率进行预测，得到的回归模型预测曲线见图4，训练时每1次MSE见图5，预测时每1次MSE见图6。

　　推荐阅读：天津晋升农业正高级职称的条件

转载请注明来自：http://www.qikan2017.com/lunwen/nye/18749.html