一种融合机器学习的家禽饲料转化效率预测方法

本发明涉及家禽养殖智能化，具体为一种融合机器学习的家禽饲料转化效率预测方法。

背景技术：

1、家禽饲料转化效率是家禽养殖管理中用于评估饲料投入与增重产出关系的重要参数。现有技术中，家禽饲料转化效率预测通常通过采集个体或群体的采食量数据和增重数据，按时间窗口进行汇总，利用饲料转化率公式或线性回归模型得到预测结果，也有方法将采食量、增重及相关环境数据输入机器学习模型进行训练和预测，以获得对下一周期饲料转化效率的估计。

2、在实际养殖过程中，家禽个体间的采食行为差异明显，不同个体即使采食量总量相近，采食时间分布、采食频次和增重响应也可能存在较大区别，这种个体间行为差异对饲料转化效率具有影响。现有方法在特征构造阶段对个体间行为差异的表达不足，通常仅提取个体自身的采食统计量，如均值、累计值或方差，未利用个体间行为模式的距离关系对特征进行重组，导致预测模型难以捕捉群体内个体行为相似性和差异性带来的信息。饲料转化效率随养殖周期变化还存在连续性和波动性，历史周期的基础值包含趋势方向、持续时间和偏离程度等时序信息，现有方法对历史基础值的利用方式较为简单，多采用平均或直接外推，未将历史状态持续特征和当前周期偏离特征量化为修正因子，导致当前周期预测结果容易受到单周期随机波动影响。上述不足使得现有方法在复杂养殖环境下的饲料转化效率预测准确性和时序稳定性受到限制。

技术实现思路

1、针对现有家禽饲料转化效率预测方法中个体间采食行为差异信息利用不充分、历史转化效率时序状态对当前基础值修正不足的问题，本发明提供一种融合机器学习的家禽饲料转化效率预测方法，通过将采食量数据和增重数据构建为动态指标矩阵，利用个体间行为距离进行加权重组，对重排后的动态特征序列进行差分分解获得基础值，并依据历史周期转化效率时序关联因子修正基础值，得到家禽饲料转化效率预测结果。

2、为了实现上述目的，本发明提供如下技术方案：本发明提供一种融合机器学习的家禽饲料转化效率预测方法，包括：获取家禽养殖过程中采食量数据和增重数据，并按照预设时间窗口将所述采食量数据和所述增重数据对齐后组合为动态指标矩阵；根据所述动态指标矩阵的行向量间欧氏距离生成表征个体间采食行为差异的行为距离矩阵；通过所述行为距离矩阵对所述动态指标矩阵进行行加权重组，生成重排后的动态特征序列；对所述重排后的动态特征序列进行差分分解，提取稳态分量和波动分量，并根据所述稳态分量和所述波动分量计算当前周期的饲料转化效率基础值；获取当前周期之前多个历史周期的饲料转化效率基础值，并将所述当前周期的饲料转化效率基础值与所述多个历史周期的饲料转化效率基础值进行时序比对，生成转化效率时序关联因子；根据所述转化效率时序关联因子对所述饲料转化效率基础值进行修正，并利用修正后的数值生成家禽饲料转化效率预测结果。该方法通过动态指标矩阵构建、个体间行为距离加权、差分分解与时序关联修正的融合，能够提高家禽饲料转化效率预测的准确性和稳定性。

3、优选的，动态指标矩阵的构建方式为：以单个家禽个体为行索引，以预设时间窗口内的连续采样时刻为列索引，将采食量数据填充至采食量子矩阵，将增重数据填充至增重子矩阵；对采食量子矩阵中缺失值进行线性插补，对增重子矩阵中缺失值进行均值填补；将填补后的采食量子矩阵和增重子矩阵按行拼接为动态指标矩阵。这样能够将采食量和增重数据统一在同一动态指标框架内，减少数据缺失对后续行为距离计算和特征重排的干扰。

4、优选的，行为距离矩阵的生成方式为：计算动态指标矩阵中每两个行向量之间的欧氏距离，并以所计算出的欧氏距离构建初始距离方阵；对初始距离方阵的每一行进行归一化处理，使每一行元素之和等于预设常数；将归一化处理后的距离方阵作为行为距离矩阵。对初始距离方阵的每一行进行归一化处理时，采用softmax函数将每行元素转换为概率分布。归一化后的行为距离矩阵能够作为稳定的行为差异权重来源，使后续重组更关注行为相近个体。

5、优选的，行加权重组方式为：将行为距离矩阵的每一行作为权重向量，对动态指标矩阵的全部行向量进行加权求和，得到与每一行对应的重组行向量；将所有重组行向量按照对应的家禽个体编号依次排列，形成中间动态特征矩阵；对中间动态特征矩阵按照列方向进行滑动窗口均值滤波，将滤波结果作为重排后的动态特征序列。该过程引入个体间采食行为差异信息，并抑制动态特征序列中的高频噪声。

6、优选的，差分分解方式为：对重排后的动态特征序列按预设分解周期进行分段，对每个分段内的数据点进行一阶前向差分，得到每个分段对应的差分序列；将每个分段内差分序列的众数作为该分段的稳态分量，将每个分段内差分序列与稳态分量之差作为该分段的波动分量；将稳态分量与波动分量相加后除以预设参考系数，得到每个分段对应的转化效率子值，并将当前周期内全部分段的转化效率子值的均值作为饲料转化效率基础值。该方式将动态特征中的稳定变化趋势与短期波动分离，降低偶发波动对饲料转化效率基础值的影响。

7、作为本发明的一个技术方案，时序关联因子的生成方式为：以当前周期为基准，向前截取连续预设数量个历史周期所对应的饲料转化效率基础值，构建历史基础值序列；计算历史基础值序列中相邻两个周期之间的差值，得到差值序列，并对差值序列进行符号标记，生成符号标记序列；根据符号标记序列中相同符号的连续出现次数计算状态持续因子，并将当前周期的饲料转化效率基础值与历史基础值序列的末位值之差除以历史基础值序列的标准差，得到偏离指示值；组合状态持续因子和偏离指示值作为转化效率时序关联因子。相应的修正方式为：将状态持续因子和偏离指示值分别映射为第一修正系数和第二修正系数；将第一修正系数与饲料转化效率基础值相乘，得到第一修正值，将第二修正系数与第一修正值相加，得到第二修正值；将第二修正值乘以预设周期调整系数，得到家禽饲料转化效率预测结果。该方案利用历史趋势连续性和当前偏离程度对基础值进行修正，使预测结果对趋势延续和异常偏离均具有响应能力。

8、作为本发明的另一个技术方案，时序关联因子的生成方式为：获取当前周期之前连续预设数量个历史周期的饲料转化效率基础值，形成历史基础值序列；对历史基础值序列进行一阶差分，得到差分序列，并统计差分序列中正负符号的分布比例，根据分布比例生成趋势方向指示值；将当前周期的饲料转化效率基础值与历史基础值序列的末位值进行比较，生成偏差方向标识；组合趋势方向指示值和偏差方向标识作为转化效率时序关联因子。相应的修正方式为：根据趋势方向指示值的大小确定正向修正步长，根据偏差方向标识的取值确定负向修正步长；将正向修正步长与负向修正步长相加，得到综合修正步长；将饲料转化效率基础值与综合修正步长相加，得到修正后的基础值，并将修正后的基础值作为家禽饲料转化效率预测结果。该方案通过历史差分符号分布和当前偏差方向共同确定修正方向与幅度，使预测结果顺应历史趋势的同时兼顾当前周期波动。

9、在上述技术方案中，本发明提供的技术效果和优点：

10、采用动态指标矩阵行向量间欧氏距离构建行为距离矩阵，对行为距离矩阵每一行进行归一化处理，使每一行元素之和等于预设常数，并将每一行作为权重向量对动态指标矩阵的全部行向量加权求和，得到重组行向量，再对重组后的中间动态特征矩阵按列方向进行滑动窗口均值滤波，形成重排后的动态特征序列。行为距离矩阵以个体间行为模式的距离作为权重依据，使与目标个体行为模式相近的行向量获得较高权重，与目标个体行为模式差异较大的行向量获得较低权重，重组后的特征序列能够保留个体间采食行为差异中的有用信息，抑制无关波动，减少后续差分分解时的随机扰动，增强饲料转化效率基础值计算的稳定性。

11、对重排后的动态特征序列按预设分解周期分段并进行一阶前向差分，将每个分段内差分序列的众数作为稳态分量，将差分序列与稳态分量之差作为波动分量，计算当前周期饲料转化效率基础值；获取当前周期之前连续多个历史周期的饲料转化效率基础值构建历史基础值序列，对相邻周期差值进行符号标记并计算状态持续因子，将当前周期基础值与历史基础值序列末位值之差除以历史基础值序列标准差得到偏离指示值，组合为转化效率时序关联因子；将状态持续因子和偏离指示值分别映射为第一修正系数和第二修正系数，通过乘性修正和加性修正得到修正后的数值，再乘以预设周期调整系数生成预测结果。该方式将历史周期中的趋势持续状态和当前偏差幅度量化后作用于当前基础值，使预测结果能够跟随连续养殖周期中的趋势延续性，减小单周期随机波动对预测值的干扰，增强饲料转化效率预测的时序适应能力。