基于人工智能的种猪场饲料计划自动生成方法及系统与流程

本发明涉及种猪养殖，尤其涉及基于人工智能的种猪场饲料计划自动生成方法及系统。

背景技术：

1、种猪场是生猪养殖产业链的核心环节，场内猪群包括后备母猪、妊娠母猪、哺乳母猪、空怀母猪和种公猪等多个类别，各类猪只处于不同的生产阶段，并且处于持续变化之中，配种后经妊娠期进入分娩，分娩后经哺乳期进入断奶，断奶后经间隔期再次配种，同时后备猪不断补充进入生产群，低效母猪不断淘汰离群，部分妊娠期猪转为空怀、流产、返情状态。猪只状态不同、天龄不同，每日的标准采食量和饲喂品种也不同，这构成了饲料需求计划的核心难度。

2、目前，种猪场的饲料需求计划主要依赖以下方式：

3、（1）人工经验估算

4、由猪场管理人员根据存栏数量、经验用料标准，手工估算未来一段时间的饲料需求量。这种方式高度依赖个人经验，不同管理人员估算结果差异大。

5、（2）固定模板计算

6、部分猪场使用电子表格预设模板，按猪群类别和平均用料量进行粗略计算。但模板缺乏对每头猪状态变化的动态跟踪，计算结果与实际需求偏差较大。

7、（3）养殖管理软件的简单统计功能

8、部分商业化养殖管理软件提供存栏统计功能，但一般不包含对未来饲料需求的预测能力，仅停留在历史数据查询层面。

9、上述现有技术存在的问题

10、（1）缺乏逐头猪的精细化预测能力

11、种猪场的核心管理单元是每头猪。每头猪的生产状态（空怀、妊娠、哺乳等）和天龄（日龄）处于动态变化中，不同状态和天龄对应的标准料量不同。现有人工方式难以对每头猪逐头跟踪状态变化并计算饲料需求。

12、（2）缺乏状态演进的前瞻性预测

13、生产节奏天数（如妊娠期约114天、哺乳期约21-28天、断奶至配种间隔约5-7天等）决定了猪群状态的演进规律。现有方法无法利用这些规律对未来任意时间点的每头猪状态进行系统性预测。

14、（3）计划生成滞后，供应链响应被动

15、人工计算工作量大、耗时长，通常只能在临近上报截止时匆忙完成，计划准确性差，导致饲料采购和供应环节被动响应，容易造成饲料短缺或过量积压。

16、（4）缺乏理论值与实际上报值的自动核验

17、猪场上报的饲料需求量与系统推算的理论需求量之间往往存在偏差。现有方式缺乏自动化的偏差比对和预警机制，无法在上报环节自动完成偏差核验。

技术实现思路

1、本发明克服了现有技术的不足，提供了基于人工智能的种猪场饲料计划自动生成方法及系统。

2、为达上述目的，本发明采用的技术方案为：

3、本发明第一方面提供了基于人工智能的种猪场饲料计划自动生成方法，包括以下步骤：

4、读取猪只档案、标准料量、时间配置、返情比例、差异阈值基础数据，加载配种计划、转群计划、引种计划数据，校验并排除异常记录；

5、将配种计划、转群计划、引种计划数据转换为模型可接收的数值输入，通过注意力机制，使每头猪的个体生理特征动态与其所在生产线和对应日期的生产计划信号按注意力权重融合，所述融合在模型推理过程中直接参与每头猪状态概率的计算，利用时序深度神经网络，输出未来n天逐日状态序列，并利用确定性生理规则对模型输出进行后验修正；

6、将所述时序深度神经网络输出的逐头逐日状态预测结果汇总为中间结果集，遍历所述中间结果集的每条记录，按种猪性质、预测状态和天龄匹配标准料量表，获得饲料品种和采食量，按日期、猪舍、生产线、饲料品种四个维度汇总聚合；

7、汇总结果填入预设的计划模板，按目标格式输出计划文档。

8、进一步的，在基于人工智能的种猪场饲料计划自动生成方法中，读取猪只档案、标准料量、时间配置、返情比例、差异阈值基础数据，加载配种计划、转群计划、引种计划数据，校验并排除异常记录，具体为：

9、记录当前存栏中每头猪的身份信息和当前状态、不同生产状态和天龄区间的标准日采食量、猪群各状态转换的持续天数标准、每头猪历史生产经营中实际发生的状态变化事件、时间配置、返情比例以及差异阈值基础数据；

10、接收各日期的后备种猪配种数、断奶猪配种数、空返流配种数，构建配种计划，接收猪场填报在预设时间之内的转群类型、转群数量和上市数量，构建转群计划；

11、接收猪场填报在预设时间之内的引种品种、数量、天龄，构建引种计划，并对所述配种计划、转群计划、引种计划数据进行校验并排除异常记录。

12、进一步的，在基于人工智能的种猪场饲料计划自动生成方法中，通过交叉注意力机制使每头猪的个体生理特征与其所在生产线和对应日期的生产计划信号按注意力权重融合，具体为：

13、针对于配种计划数据，对于每条生产线和每个计划日期，将断奶转配种数、后备转配种数、空返流转配种数编码为三维向量，按日期展开为长度为n×3的时序向量，与对应生产线的猪只特征通过交叉注意力机制进行深度融合；

14、针对于转群计划数据，将转群类型、原生产线、目标生产线、转群数量、上市数量编码为结构化向量，按日期展开后与受影响的猪只特征融合；

15、针对于引种计划数据，将品种、数量、天龄编码后，在对应日期为模型新增预测单元，所述预测单元包括引种猪只的初始状态、品种和天龄。

16、进一步的，在基于人工智能的种猪场饲料计划自动生成方法中，时序深度神经网络的状态预测过程，具体为：

17、将模型可接收的数值输入映射为向量表示，与连续特征合并为统一特征向量，而生产计划信号经过独立编码后与猪只特征融合；

18、接收融合后的特征向量提取时序上下文，序列生成网络逐日自回归地输出未来每一天的状态预测，预测第t+1天时，第t天的预测状态反馈为下一时间步的输入，捕捉状态演进的时序依赖关系；

19、每个时间步通过全连接层和softmax映射为所有可能状态的概率分布，取最大概率状态作为预测结果，对于配种和空返流状态，额外输出二分类头预测返情事件的发生概率；

20、训练数据从历史状态变化记录表中构建，对于历史上每一头猪，选取任意时间点t，将该时间点的猪只状态特征以及同时期的生产计划信号作为模型输入，将t之后n天内真实发生的逐日状态序列作为监督标签；

21、模型输出未来n天逐日状态序列，利用确定性生理规则对模型输出进行后验修正。

22、进一步的，在基于人工智能的种猪场饲料计划自动生成方法中，利用确定性生理规则对模型输出进行后验修正，具体为：

23、状态演进必须遵循单向顺序：后备→配种→（空返流→配种）→分娩→断奶→配种，不可逆向跳转；

24、配种转分娩的天数不得超出时间配置表中定义的合理区间；

25、分娩转断奶的天数不得超出时间配置表中定义的合理区间；

26、若模型输出违反约束，自动修正为约束允许的最近似状态。

27、进一步的，在基于人工智能的种猪场饲料计划自动生成方法中，所述时序深度神经网络通过以下方式训练得到：

28、采用联邦学习策略，各猪场在本地训练模型并计算梯度，仅上传模型参数更新至中心服务器进行聚合，原始数据保留在本地不出场；

29、在联邦学习聚合过程中引入自适应参数加权算法，根据各猪场数据量及数据质量动态调整参数更新的权重，以解决各猪场数据非独立同分布的问题，生成具有泛化能力的基础模型；

30、模型以预测状态序列与真实状态序列之间的交叉熵损失为优化目标，对返情事件进行预测的二分类头额外计算二元交叉熵损失，总损失为两者加权和。

31、进一步的，在基于人工智能的种猪场饲料计划自动生成方法中，所述时序深度神经网络的训练还包括迁移学习与数据增强：

32、在多个猪场的数据上对基础模型进行预训练后，针对单个猪场的历史数据进行微调；

33、基于已知生理规则，在真实数据上进行小幅随机扰动生成增强样本，扩充训练样本的覆盖范围。

34、进一步的，在基于人工智能的种猪场饲料计划自动生成方法中，遍历中间结果集的每条记录，按种猪性质、预测状态和天龄匹配标准料量表，获得饲料品种和采食量，按日期、猪舍、生产线、饲料品种四个维度汇总聚合，具体为：

35、当需要生成饲料计划时，从猪只档案表中读取全部存栏猪只的当前数据，筛选离场类型为空的在群猪只，加载配种计划、转群计划、引种计划；

36、对每头猪构造输入特征，输入训练好的预测模型，得到未来n天的状态预测序列，并施加确定性约束修正，将全部猪只的预测结果汇总为中间结果集，每条记录包含：猪只标识、日期、预测状态、预测天龄、生产线、品种、胎次；

37、对全部猪只的计算结果进行按日期汇总、按日期+猪舍汇总、按日期+生产线汇总以及按日期+饲料品种汇总四个维度汇总聚合。

38、进一步的，在基于人工智能的种猪场饲料计划自动生成方法中，在输出计划文档时，还包括：

39、将汇总结果填入预设的计划模板，生成结构化的饲料需求计划表，所述模板包含：计划周期起止日期、猪场名称、生成时间总览信息、每日合计需求量和分品种需求量、各生产线逐日需求量明细、计划覆盖猪只总数及各状态分布；

40、饲料需求计划生成后，将理论需求量与实际填报量进行自动比对，按品种计算差异比例；

41、与差异阈值比对，超阈值时自动触发预警，作为计划生成后的可选辅助功能，并按目标格式输出计划文档。

42、本发明第二方面提供了基于人工智能的种猪场饲料计划自动生成系统，包括数据层、算法层和应用层：所述数据层包括猪只档案表、标准料量表、时间配置表、历史状态变化记录表、生产计划数据表和实际饲喂记录表，用于为所述算法层提供数据；所述算法层为状态预测引擎，包括：特征编码单元，用于将猪只的离散特征与连续特征向量化；特征提取与序列生成单元，用于时序建模并通过交叉注意力机制融合生产计划信号与猪只的个体生理特征、逐日自回归地输出未来n天状态预测序列；输出分类单元，用于通过softmax输出各状态的概率分布并取最大概率状态作为预测结果、以及输出返情事件的发生概率；确定性约束修正单元，用于以生理规则对预测结果进行兜底修正；所述应用层包括：饲料需求计算模块，用于对所述算法层输出的逐头逐日状态预测结果逐头匹配标准料量表，并按日期、猪舍、生产线、饲料品种四个维度汇总聚合；计划生成与偏差校验模块，用于将汇总结果填入计划模板并进行阈值比对与预警；多格式输出模块，用于按目标格式输出计划文档。

43、本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：

44、本发明将预测和计算的基本单元从群体下沉到每一头猪，从根本上消除了平均值偏差。其次，本发明利用时序模型从历史数据中自动学习多维特征的组合规律，这种组合数是指数级的，人工枚举规则无法穷举，从而实现对每头猪状态的精确预测。确定性生理约束规则仅作为安全边界兜底，预测主体始终是ai模型。本发明将配种计划、转群计划、引种计划作为模型的输入信号，通过注意力机制让每头猪动态匹配其所在生产线和日期的计划安排，使预测不仅反映生理节律，还能预判人为生产安排对猪群结构的影响。本发明从数据读取→状态预测→饲料需求量计算→计划生成→格式化输出，全流程由系统自动串联完成，无需人工干预。在存栏2000头的规模下，从发起计划到输出结果显著快于人工方式。最后，随着时间推移和历史数据积累，模型可通过多场联合训练或迁移学习持续优化，适应猪场生产节律的变化。计划生成后，系统可周期性地将预测需求量与实际消耗量（需接入实际饲喂记录表）进行比对，将偏差反馈至模型训练管道，形成预测→验证→优化的闭环。