【基于机器学习的蛋鸡产蛋率预测模型分析案例7300字】

1基于机器学习的蛋鸡产蛋率预测模型分析案例 1.1引言 11.2基于随机森林的特征重要度分析 1.4基于BP神经网络的蛋鸡产蛋率预测模型研究 4 8随着科技以及制造业的快速发展，我国的蛋鸡养殖设备也不断健全，并且养殖规模也是向标准化看齐。但与一些发达国家相比，中国的鸡蛋产业依然缺少许多养殖企业还是主要依靠人工养殖为主。对于蛋鸡的养殖企业来说，鸡蛋产量是他们最为重视的。而蛋鸡产蛋率预测模型的研究的意义就在于它可以帮助企业实现精准供蛋，还能帮助企业查看养殖人员对蛋鸡的饲养水平。所以建立预测模型并实现对产蛋率预测对蛋鸡养殖预测结果较好的产蛋率预测模型。近些年，已经有很多的学者开始研究家禽领域，对蛋鸡产蛋率预测方面的研究也有了一定的成果。但是还存在一些缺陷，因为蛋鸡产蛋率是受多种影响因素因素如蛋鸡自身因素、环境因素以及人工因素，所以想要用特定的关系表达式来描述蛋鸡产蛋率预测是呈非线性变化的，所以在建立预测模型时也要采取非线性的方法来解应用。建立了两种蛋鸡产蛋率预测模型，支持向量回归的产蛋率预测模型以及BP神经网络在采集完数据后需要对数据进行处理，使用随机森林算法对影响产蛋率的因素进行重要性评价，从温度、湿度、二氧化碳浓度、日龄、蛋重、喂料、光照等影响因素对产蛋率的影2响程度进行重要性评价。部分采集数据如表3-1所示。日龄(天)温度(℃)湿度(%)CO₂浓度喂料(g)蛋重(g)光照(h)产蛋率(%)随机森林对于特征变量重要性的评判常用到的有两种方式50,一种是Gini不纯度进行排序而另一种是袋外误差(OOB误差),本文的研究选取了第一种Gini不纯度进行排序，并对已经整理好的特征因素进行特征重要性评价。其中为了方便用VIM来替换变量重要性的评Gini指数的计算公式如公式3-4所示。是说节点m在分枝前与分支后的Gini指数差值为VIMj=Glm-Gl-GIr公式(3-5)其中，公式(3-5)中的GI₁和GI它们分别代表分枝后产生的两个新节点的Gim指数。当特征x;在决策树里出现的节点是集合M,那x;在第i颗树的重要性为假设RF中共有n颗树，那么公式(3-6)公式(3-7)通过随机森林对各影响因素做出重要性分析，各影响因素对于产蛋率的重要性评价如图3通过随机森林重要性评价得出本次研究蛋鸡日龄对于产蛋率的重要性所占比重最大占全因素所占比重为0,通过查看历史数据得出原因是因为光照时间始终为14小时，故光照时间这一影响因素对于产蛋率的影响可以忽略。各详细重要性比重如表3-2所示。日龄温度湿度蛋重CO₂浓度光照0蛋鸡产蛋率预测模型所需数据是在烟台某公司采集，采集数据主要是鸡舍环境数据(温度、二氧化碳浓度、湿度)以及蛋鸡饲养生产数据(蛋鸡日龄、日喂料、蛋重、蛋鸡产蛋率)。在蛋鸡的养殖过程中一部分蛋鸡会因为死亡或其它因素被饲养员淘汰。这些都是普遍存在的现象且不可避免的。蛋鸡产蛋率预测模型使用蛋鸡的产蛋率作为系统输出，这样做主要是避4免因为蛋鸡数量的变化而影响数据的准确性。蛋鸡产蛋率计算方式就是用鸡舍内所有蛋鸡一天内产的鸡蛋除以鸡舍内所有蛋鸡的总数。研究所采集的六种蛋鸡产蛋率影响因素样本也加以处理：(1)蛋鸡喂料量，就是用每天总的喂料量除以鸡舍内总的蛋鸡数；(2)蛋鸡蛋重，(3)温度，即鸡舍内的日平均温度。(4)湿度，即鸡舍内的平均湿度。(5)二氧化碳浓度，即鸡舍内的日平均二氧化碳浓度。(6)日龄，即蛋鸡的日年龄。在整理数据时会出现数据缺失的现象，故采用Lagrange插值法估计出缺失的数据，将模型所需数据整理好。表3-3产蛋率及其影响因素的原始数据(部分)湿度(%)CO₂浓度喂料(g)蛋重(g)产蛋率(%)蛋鸡产蛋率能够帮助企业更好的分析蛋鸡的生产状况，并为鸡蛋的供应提供参考。养殖人员还能够根据蛋鸡的产蛋率分析蛋鸡的喂养情况做出及时的调整。前面已经利用随机森林湿度、日喂料、日龄等因素对于蛋鸡产蛋率都有很大的影响。本小节就是利用BP神经网络5测精度。当隐含层的数目变多时，往往是可以提升网络的预测准确性，减小预测的误差，隐神经网络结构一般不会太多，大多数都会是三层也有的是四层，隐含层数为一到两个。现在也已经有理论可以证明，如果隐含层节点数特明隐含层数量的选择，但是以往建立的三层神经网络都是选择只有一个隐含层，并在隐含层里的节点数也是很少，根据自己实验想到预测效果逐渐增加隐藏层中节点的数目，如果仅仅依靠增加节点数不能够解决问题，可以考虑增加隐藏层的层数来解决。综上所述，从网络的实际应用以及其训练效率方面衡量，本研究的BP神经网络最终选择一个隐藏层来进行模型输入层中的节点个数与模型训练时间是息息相关的。当节点数目过多时训练的时间也会随之变长，这是由于节点的增加会使神经网络计算量增大。所以在进行建模训练时，首先要考虑输入量的数目，把一些不必要的输入进行舍弃，从而提高模型训练的效率。前面通过随机森林算法已经对影响蛋鸡产蛋率因素进行了特征重要性分析，最终选取了温度、蛋重、二(2)隐含层节点数设置隐含层节点设置对于模型的预测准确性至关重要。对于隐含层节点数目的设置也没有明确的规定，所以节点的选取也有一定的难度。如果节点数设置的过多时，会使网络更加复杂增加计算量，那么训练消耗的时间也会增多，最终不仅消耗大量时间而且还达不到好的预测结果；当节点设置较少时虽然训练时间会加快但是建立模型的适用性会降低误差也可能会增大。故节点的选取不能过多也不能过少，经过查阅文献资料以及他人研究得出一个经常使用式中，我们要设置的隐藏层节点个数就是m,输入层节点数就是公式3-8中的i,输出层节点数即为上式中的j,c则是个常数，并且它的可以是1到10的任意整数。通过公式3-8我们可以得出要设置隐含层节点数目的范围，按照有小大的顺序逐渐增的试验最终模型选择的节点数目为8。(3)传递函数的选取6图这三种传递函数的表达式分别如式3-9、式3-10和式3-11所示。purelin(x)=x公式(3-11)模型的隐含层选择logsig函数，而输出层选择Purelin函数。(4)蛋鸡产蛋率预测模型建立使用BP神经网络建立蛋鸡产蛋率预测模型的流程主要包括：通过BP神经网络对蛋鸡产蛋率进行预测，预测结果以及实际的产蛋率如表3-4所示。7日龄(天)温度(℃)湿度(%)CO₂浓度率(%)率(%)通过BP神经网络对蛋鸡产蛋率预测结果如图3-2所示。图3-2中红色曲线表示的实际的产蛋率，绿色曲线则表示的预测的产蛋率。由图中两种曲线我们可以看到使用该模型的效果较好，预测的曲线走势与实际产蛋率走势基本一致，也符合实际的生产状况。这也表明该模型能够很好的实现对蛋鸡的产蛋率预测网络建立的蛋鸡产达率预测模型决定系数为0.97,均方差为2.03,平均绝对误差为1.45。81.5基于支持向量回归的蛋鸡产蛋率预测模型f(x)=w·φ(x)+b公式(3-12)公式(3-13)公式(3-14)一公式(3-15)公式(3-16)9公式(3-17)公式(3-20)假设{yi}是蛋鸡产蛋率的以往数据，i=1,2,…,n,蛋鸡第i天产蛋率即yi,Xi=yi=f(xi),i=1,2,…,n公式(3-22)优化上述核函数参数，蛋鸡产蛋率预测模型的参数优化主要利用了网格搜索法以及K折交差网格搜索法以及K折交叉验证的思路都比较简单，网格搜索法一般是利用通过排列组合的方式对所有的参数都运行一遍，为了评判哪组参数效果更好就需要制定一个通用的评判标准，比如分类模型一般是将分类精度作为评判标准，而预测拟合模型则是选择均方误差或决定系数来作为评判好坏的标准，当所有的参数组合都运行完成后，再根据前面的评判标准对各组参数组合进行对比，找出最好的参数组合。利用网格搜索法进行找寻也缺乏可靠性以及严谨性。所以要多次的反复进行试验验证，然后把性能最稳定、平均结果对应最好的参数组合选出来。期间用K折交叉验证法，要把训练数据划分为K份。这K份里面随机选取一份作为验证集，而其余的则被作为训练样本加以训练，该过程共进行K次，其效果最好的参数组合，就是我们想要得到的最优参数组合。通过查看相关文献以及实验，最后选择10折的交叉验证来寻找最好的参数组合。查找的多项式核函数和高斯核函数的结果如下表3-5。核函数参数惩罚因子(C)1gamma参数(g)84通过两种核函数使用同样的数据，建模后的预测结果如表3-6所示。其中预测产蛋率1指的是使用高斯核函数的预测模型得出的蛋鸡产蛋率的值，预测产蛋率2指的是使用多项式 表3-6高斯核函数与多项式核函数产蛋率预测值日龄温度湿度CO₂浓度喂料蛋重蛋率(%)蛋鸡产蛋率预测模型以及数据的处理都是基项式核函数以及高斯核函数预测结果如图3-3、3-预测结果图产蛋日龄1图3-3、3-4中红色曲线是蛋鸡产蛋率的实际值，蓝色曲线是蛋鸡产蛋率的预测值。通过两图我们可以清楚的看出，使用高斯核函数的蛋鸡产蛋率预测模型的预测结果与实际值的更为贴近，而且曲线起伏较为平缓符合实际生产状况，而使用多项式核函数起伏较大，所以使用高斯核函数的蛋鸡产蛋率预测模型在蛋鸡产蛋率预测更好。其中使用高斯核函数的支持向量回归模型的决定系数为0.99,均方差为1.18,平均绝对误差为0.85,使用多项式核函数的支持向量回归模型的决定系数为0.92,均方差为5.24,平均绝对误差为1.77。产蛋率预测模型共使用了两种模型，一种是利用BP神经网络建立的型，另一种则是基于支持向量回归的预测模型。其中基于支持向量回归的预测模型前面我们神经网络建立的蛋鸡产蛋率预测模型与使用高斯核函数的支持向量机建立的预测模型哪种效图3-5、3-6中红色曲线均表示蛋鸡产蛋率的真实值，图3-5中的蓝色曲线是使用高斯核函