ABSTRACT

It has always been a difficult problem that is accurate prediction of breeding environment in waterfowl breeding industry. Taking the outdoor culture environment parameters such as temperature, humidity, wind direction and solar radiation as the research object, this paper proposed a linear prediction model of egg duck culture environment with high efficiency, and high precision by using the parallel vector autoregressive time series VAR(2) (Vector Autoregressive (2)) model prediction method which realizes a accurate prediction, early warning and control of the healthy culture environment of egg duck.

Keywords:Breeding Environment, Multivariate Time Series Analysis, Test of Predictive Model

基于平行向量自回归时间序列VAR(2)的蛋鸭室外养殖环境预测模型

曹亮^1,2,3，郭鹏飞^2,3,4*，刘双印^1,2,3，徐龙琴^1,2,3，张垒^1,2,3，黄运茂^3,5，刘文俊^3,5，李湘丽^1,2,3，徐浩根^2,3

¹仲恺农业工程学院，信息科学与技术学院，广东 广州

²仲恺农业工程学院，广东省高校智慧农业工程研究中心，广东 广州

³仲恺农业工程学院，广东省水禽健康养殖重点实验室，广东 广州

⁴仲恺农业工程学院，计算科学学院，广东 广州

⁵仲恺农业工程学院，动物科技学院，广东 广州

收稿日期：2019年5月22日；录用日期：2019年6月6日；发布日期：2019年6月13日

摘 要

养殖环境的精准预测一直是水禽养殖业亟需解决的棘手难题。本文以温度、湿度、风向和太阳辐射等室外养殖环境参数为研究对象，通过平行向量自回归时间序列VAR(2) (Vector Autoregressive (2))模型预测方法，优化具有效率高、精度高的蛋鸭养殖环境线性预测模型，实现了蛋鸭健康养殖环境精准预测、预警与控制。

关键词 :养殖环境，多元时序分析，预测模型检验

Copyright © 2019 by author(s) and Hans Publishers Inc.

This work is licensed under the Creative Commons Attribution International License (CC BY).

http://creativecommons.org/licenses/by/4.0/

1. 引言

水禽业在我国是一个颇具民族特色的产业，如何建立蛋鸭养殖生产中的环境变化趋势并保持良好养殖环境对日趋规模化发展的蛋鸭产业至关重要 [1] 。养殖环境的变化对蛋鸭的生长繁育有着很大影响，因此研究养殖环境因子之间的相互作用机制，建立蛋鸭养殖环境预测预警模型，是实现蛋鸭智能化健康养殖亟待解决的核心问题之一。研究蛋鸭健康养殖环境是为了给出一个可以在不同季节、不同天气下，动态操控的一系列蛋鸭养殖环境因素的组合。即对蛋鸭产蛋量产生影响的环境因素不是单一确定的，而是养殖环境的多个因素共同作用的结果，对于综合结果的评价是目前蛋鸭养殖业中一个非常重要的课题 [2] [3] [4] [5] [6] 。

随着大数据分析和深度学习方法的蓬勃发展和农业信息化的普及，通过对农业生产的数据收集和分析指导农业生产成为了一种势不可挡的趋势。在这些大数据分析和统计学习方法中，时间序列分析方法显得尤为突出。在畜牧学方面，刘双印等人通过基于时间序列的支持向量机算法实现了河蟹福利养殖水质在线预测，为集约化水产养殖水质精准调控提供研究基础 [7] ；徐龙琴等人通过基于时间序列的WA-ABC-WLSSVR给出了南美白对虾工厂化育苗溶解氧预测模型，为南美白对虾工厂化育苗水质中溶解氧的预警调控提供了理论指导 [8] ；王萍等人通过时间序列模型建立新城疫风险预测模型，实现了动物新城疫风险短时局部预警 [9] ；巫伟峰等人运用时间序列分析法对广东生猪价格波动产生的原因进行了分析，并为广东生猪价格波动提出有针对性的建议 [10] 。本文通过平行向量自回归时间序列VAR(2)模型预测方法，分析了具有效率高、精度高的蛋鸭室外养殖环境线性预测模型，实现了蛋鸭室外养殖环境精准预测、预警与控制。

2. 材料方法

2.1. 数据

以山麻鸭养殖环境为研究对象，通过蛋鸭环境物联网在线监测平台，收集了温度、太阳辐射、气压、湿度、降雨量、风速和风向等环境参数数据。根据平行向量自回归时间序列VAR(2)模型的要求，选区了广州市钟村蛋鸭养殖基地室外2018年2月环境因子数据作为建模原始数据。

2.2. 模型建立

本文采用如下平行向量自回归VAR(p)建模方法，具体步骤如下：

1) 模型的识别：明确输入环境因子数据与预测环境因子数据之间的平行向量自回归VAR(p)模型表达式；

2) 模型的参数估计与检验；

3) 模型的诊断分析。

2.3. 预测结果评价方法

选用Mean Squared Error (MSE)和Root Mean Squared Error (RMSE)来评价模型的精准度。

3. 结果

3.1. 广州番禺钟村室外蛋鸭养殖环境的VAR(2)模型

设输入向量 $z_t^1$ 各分量为广州番禺钟村室外蛋鸭养殖环境核心指标空气温度、空气湿度、太阳辐射、气压、风速、风向。那么，广州番禺钟村室外蛋鸭养殖环境VAR(2)模型对应的参数估计矩阵形式为：

$Z=X\beta +A$ (3)

其中 $Z={\left[z_{\text{3}},z_{\text{4}},\cdots ,z_N\right]}^{\text{T}}$ 为 $\left(N-\text{2}\right)\times \text{6}$ 阶预测矩阵； $X={\left[x_{\text{3}},x_{\text{4}},\cdots ,x_N\right]}^{\text{T}}$ 为 $\left(N-\text{2}\right)\times \text{6}$ 阶输入矩阵； $A={\left[a_{\text{3}},a_{\text{4}},\cdots ,a_N\right]}^{\text{T}}$ 为 $\left(N-\text{2}\right)\times \text{6}$ 阶白噪音矩阵。由极大似然估计法可得模型参数 $\beta$ 与白色噪音序列 $a_t$ 的协方差矩阵 ${\Sigma }_{aML}$ 如表1：

表1. 广州番禺钟村室外蛋鸭养殖环境VAR(2)模型参数β

白色噪音序列 $a_t$ 的协方差矩阵为：

${\Sigma }_{aML}=\left(\begin{array}{cccccc}0.010409& 0.51356& 1.938531& -0.00381& -0.03442& 0.000177\\ 0.51356& 420.9221& 334.5371& -1.71332& -0.13921& 0.045674\\ 1.938531& 334.5371& 8307.817& 18.94704& -84.5386& 0.100586\\ -0.00381& -1.71332& 18.94704& 0.178217& -0.58644& 0.000404\\ -0.03442& -0.13921& -84.5386& -0.58644& 4.504998& 0.000733\\ 0.000177& 0.045674& 0.100586& 0.000404& 0.000733& 0.000353\end{array}\right)$

模型参数的显著性通过t-检验给出，上述广州番禺钟村室外蛋鸭养殖环境VAR(2)模型的参数检验的t-ratio值如表2：

表2. 广州番禺钟村室外蛋鸭养殖环境VAR(2)模型t-ratio

由上述表格中模型参数的t-ratio值，可以看到广州番禺钟村室外蛋鸭养殖环境VAR(2)模型对应于温度、湿度、风速、气压参数的显著性较好，而对于风向、太阳辐射的显著性不够理想。

3.2. 预测结果

由于数据量相对较大，针对广州番禺钟村室外蛋鸭养殖环境影响核心指标建立的基于平行向量自回归时间序列的蛋鸭健康养殖环境VAR(2)预测模型的预测值与真实值的对比由图1~6给出。

图1. 广州番禺钟村室外蛋鸭养殖环境VAR(2)模型风速预测图

图2. 广州番禺钟村室外蛋鸭养殖环境VAR(2)模型风向预测图

图3. 广州番禺钟村室外蛋鸭养殖环境VAR(2)模型气压预测图

图4. 广州番禺钟村室外蛋鸭养殖环境VAR(2)模型湿度预测图

图5. 广州番禺钟村室外蛋鸭养殖环境VAR(2)模型太阳辐射预测图

图6. 广州番禺钟村室外蛋鸭养殖环境VAR(2)模型温度预测图

广州番禺钟村室外蛋鸭养殖环境VAR(2)模型的评价指标结果见表3：

表3. 广州番禺钟村室外蛋鸭养殖环境VAR(2)模型的评价结果

从图表中可以看出广州番禺钟村室外蛋鸭养殖环境VAR(2)模型对风速、温度、湿度、气压的预测精确度较高，对风向和太阳辐射预测值的变化趋势与输入值比较一致，但精确度较低。

4. 讨论

平行向量自回归模型是一种多元时间序列分析模性，它具备处理隐藏于具有对应时间和横截面相关性多维度量信息的能力，可以很好地理解变量之间的动态关系，因而适合于蛋鸭养殖环境的预测。本研究对广州番禺钟村室外的蛋鸭养殖环境进行了VAR(2)方法建模，结果发现VAR(2)模型对室外环境因子风速、温度、湿度、气压的预测精度较高。这一现象反映出了温度、湿度、气压等养殖环境相关因子之间实际变化的连续性和较强的线性相关性，而风向及太阳辐射表现出了较强的非线性。这些都与蛋鸭养殖环境的实际情况较吻合。

将平行向量自回归模型引入水禽养殖环境的预测，结果表明是可行的，对养殖环境因子的预测也取得了很好的效果。平行向量自回归模型与ARIMA等一元时间序列模型不同，ARIMA等一元时间序列模型只考虑了单变量随时间变换的关系，而平行向量自回归模型在对多变量预测的同时揭示了各变量之间的动态关系，对蛋鸭环境各因子之间关系的描述更加系统化。与多元线性回归模型相比，平行向量自回归模型不仅给出了蛋鸭环境各因子之间的动态关系，而且揭示了蛋鸭环境因子具有一定延续性的时间依赖关系。由于蛋鸭饮食和下蛋对关键环境因子变化有着比较迅速的反应，本文提出在保证精度条件下效率较高的线性模型更能够及时应对蛋鸭环境因子的变化。

综上所述，养殖环境的精准预测一直是水禽养殖业亟需解决的棘手难题。本文通过分析广州番禺钟村室外蛋鸭养殖环境因素，构建了基于平行向量自回归时间序列的广州番禺钟村室外蛋鸭养殖环境因素VAR(2)模型预测方法，并且优化后得到自适应精度高的蛋鸭室外养殖环境线性预测模型，可以在实际生产中尝试使用。随着环境因子数据量的增加，不断修正模型，完善模型的精确度，进而实现蛋鸭健康养殖环境精准预测、预警与控制。

基金项目

本项目由如下基金支持：国家自然科学基金(61871475, 61471133, 61571444, 61473331)，广东省科技计划(2017B010126001, 2017A070712019, 2016A040402043, 2015A070709015, 2015A020209171, 2016B010125004, 2014B040404070, 2015A040405014, 2016A070712020)，广东省教育厅科研项目(2017GCZX001, 2016GCZX001, 2017KTSCX094, 2017KTSCX095, 2017KQNCX098, 2018GXJK072)，广州市科技计划(201707010221, 201903010043, 201905010006)。

文章引用

曹 亮,郭鹏飞,刘双印,徐龙琴,张 垒,黄运茂,刘文俊,李湘丽,徐浩根. 基于平行向量自回归时间序列VAR(2)的蛋鸭室外养殖环境预测模型
The Prediction Model of Egg Duck Outdoor Culture Environment Based on Parallel[J]. 统计学与应用, 2019, 08(03): 495-502. https://doi.org/10.12677/SA.2019.83055

参考文献