一种家庭牧场养殖效益分析系统的制作方法
本发明具体涉及一种家庭牧场养殖效益分析系统。
背景技术：
如今，畜牧业得到了很大的发展，但是，牧民的对自己前期的投入的回报不能有很好的估算，所以急需一种家庭牧场养殖效益系统。
家庭牧场养殖效益分析针对每个家庭牧场量身打造养殖效益分析系统，使盈亏分析模型变得更加准确，从大的方向来看，收入＝体重×价格–养殖成本，所以要想让模型变得更加准确，就需要让体重、价格、成本变得更加准确，如果牵涉到指导牧民销售，则需要让体重、价格预测更加准确，养殖成本计算合理。
所以，现在需要一种集合体重预测与价格预测的家庭牧场养殖效益系统。
技术实现要素：
本申请的目的是针对现有技术存在不能精确预测牧场养殖效益的问题，提供一种家庭牧场养殖效益分析系统。
本申请的目的是通过以下技术方案解决的：
一种家庭牧场养殖效益分析系统，所述家庭牧场养殖效益分析系统包括计算模块、体重预测系统、价格预测系统。
进一步的，一种家庭牧场养殖效益分析系统，所述计算模块的计算式为收入＝体重×价格–养殖成本。
进一步的，一种家庭牧场养殖效益分析系统，所述体重采用体重预测系统进行预测。
进一步的，一种家庭牧场养殖效益分析系统，所述价格采用价格预测系统进行预测。
进一步的，一种家庭牧场养殖效益分析系统，所述体重预测系统的体重预测方法包括如下步骤：
步骤一：获取体重数据和气象数据；
步骤二：体重和气象数据的预处理；
步骤三：灰色关联分析；
步骤四：线性、指数引入气象因子；
步骤五：构建生长模型；
步骤六：结果分析；
步骤七：结果验证。
进一步的，一种家庭牧场养殖效益分析系统，所述灰色关联分析包括以下步骤：
s10：确定参考序列和比较序列；
s11：无量纲化处理；
s12：计算关联系数；
s13：计算关联度；
s14：关联度排序。
进一步的，一种家庭牧场养殖效益分析系统，所述价格预测系统的价格预测方法包括以下步骤：
s1：获取原始数据；
s2：数据预处理；
s3：特征选择；
s4：引入气象因子建立价格预测模型；
s5：模型评估。
进一步的，一种家庭牧场养殖效益分析系统，所述原始数据包括价格数据、气象数据、羊肉产量、羊肉进口量、羊肉需求量、人均可支配收入以及影响因素数据，所述价格数据作为输出变量，所述影响因素数据作为输入变量。
进一步的，一种家庭牧场养殖效益分析系统，所述价格数据为日或月度变化数据，所述气象数据包括降水量、温度、湿度、气压、风速、pm2.5。
进一步的，一种家庭牧场养殖效益分析系统，所述数据预处理包含两个部分：一是转换数据的格式以适合分析处理，二是对异常或缺失数据做一定处理，如果数据量足够大，包含缺失值或异常值的数据行可以直接剔除，否则使用平均值或中位数加以替换，以满足样本量的需求。
本申请相比现有技术有如下优点：
本申请主要针对羊的养殖进行养殖效益分析，系统集合计算模块、体重预测、价格预测模块，可以精确快速的进行养殖效益分析。
附图说明
附图1为本申请价格预测流程图；
附图2为本申请灰色关联分析流程图；
附图3为本申请神经网络结构图；
附图4为本申请神经网络计算流程；
附图5为本申请体重预测的构建生长模型的流程图；
附图6为本申请一种家庭牧场养殖效益分析系统的结构图。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更加全面的描述，附图中给出了本发明的若干实施例，但是本发明可以通过不同的形式来实现，并不限于文本所描述的实施例，相反的，提供这些实施例是为了使对本发明公开的内容更加透彻全面。
需要说明的时，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上也可以存在居中的元件，当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件，本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常连接的含义相同，本文中在本发明的说明书中所使用的术语知识为了描述具体的实施例的目的，不是旨在于限制本发明，本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
如图1至图6所示，一种家庭牧场养殖效益分析系统，所述家庭牧场养殖效益分析系统包括计算模块、体重预测系统、价格预测系统。
进一步的，一种家庭牧场养殖效益分析系统，所述计算模块的计算式为收入＝体重×价格–养殖成本。
进一步的，一种家庭牧场养殖效益分析系统，所述体重采用体重预测系统进行预测。
进一步的，一种家庭牧场养殖效益分析系统，所述价格采用价格预测系统进行预测。
进一步的，一种家庭牧场养殖效益分析系统，所述体重预测系统的体重预测方法包括如下步骤：
步骤一：获取体重数据和气象数据；
步骤二：体重和气象数据的预处理；
步骤三：灰色关联分析；
步骤四：线性、指数引入气象因子；
步骤五：构建生长模型；
步骤六：结果分析；
步骤七：结果验证。
进一步的，一种家庭牧场养殖效益分析系统，所述灰色关联分析包括以下步骤：
s10：确定参考序列和比较序列；
s11：无量纲化处理；
s12：计算关联系数；
s13：计算关联度；
s14：关联度排序。
进一步的，一种家庭牧场养殖效益分析系统，所述价格预测系统的价格预测方法包括以下步骤：
s1：获取原始数据；
s2：数据预处理；
s3：特征选择；
s4：引入气象因子建立价格预测模型；
s5：模型评估。
进一步的，一种家庭牧场养殖效益分析系统，所述原始数据包括价格数据、气象数据、羊肉产量、羊肉进口量、羊肉需求量、人均可支配收入以及影响因素数据，所述价格数据作为输出变量，所述影响因素数据作为输入变量。
进一步的，一种家庭牧场养殖效益分析系统，所述价格数据为日或月度变化数据，所述气象数据包括降水量、温度、湿度、气压、风速、pm2.5。
进一步的，一种家庭牧场养殖效益分析系统，所述数据预处理包含两个部分：一是转换数据的格式以适合分析处理，二是对异常或缺失数据做一定处理，如果数据量足够大，包含缺失值或异常值的数据行可以直接剔除，否则使用平均值或中位数加以替换，以满足样本量的需求。
本申请相比现有技术有如下优点：
本申请主要针对羊的养殖进行养殖效益分析，系统集合计算模块、体重预测、价格预测模块，可以精确快速的进行养殖效益分析。
实施例二
如图1至图4所示，实施例具体介绍本申请计算式中的价格预测系统，所述价格预测系统的价格预测方法包括以下步骤：
s1：获取原始数据；
s2：数据预处理；
s3：特征选择；
s4：引入气象因子建立价格预测模型；
s5：模型评估。
进一步的，所述原始数据包括价格数据、气象数据、羊肉产量、羊肉进口量、羊肉需求量、人均可支配收入以及影响因素数据。
进一步的，所述价格数据为日或月度变化数据。
进一步的，所述气象数据包括降水量、温度、湿度、气压、风速、pm2.5。
进一步的，所述价格数据作为输出变量。
进一步的，所述影响因素数据作为输入变量。
进一步的，所述数据预处理包含两个部分：一是转换数据的格式以适合分析处理，二是对异常或缺失数据做一定处理。如果数据量足够大，包含缺失值或异常值的数据行可以直接剔除，否则使用平均值或中位数加以替换，以满足样本量的需求。
进一步的，所述特征选择采用灰色关联分析法对所有输入变量按照与价格的关联度情况进行筛选。
进一步的，所述灰色关联分析法包括五个步骤：
s10：确定参考序列和比较序列；
s11：无量纲化处理；
s12：计算关联系数；
s13：计算关联度；
s14：关联度排序。
进一步的，所述参考序列是价格，所述比较序列是价格影响因子。
价格预测是指对价格变化趋势做预见性测算和判断。其过程是从过去和现在已知的价格状况出发，利用一定的方法和技巧模拟未知的中间过程，推断出未来的结果。从时间上划分，有长期(五年以上)价格预测，中期(一至五年)价格预测，短期(计划年度)价格预测；从范围上划分，有宏观价格预测和微观价格预测。
价格预测对经济的健康平稳运行具有重要作用。它不但可以及时准确的将市场信息反馈给生产者，使他们及时根据市场需求调整生产规模以及产品上市时间，减少市场剧烈变动对生产者收入的影响，而且可以为管理者提供决策依据，促进企业效益最大化的实现。
农畜产品的价格状况一直都是企业管理者和各政府的关注重点。近几年羊肉价格大幅度、普遍的下降一度让农牧民束手无策，羊肉价格的波动不仅能影响农牧民的生产积极性，也会对农牧民的生活水平产生重要的影响。因此，本项目从农牧民的实际情况出发，探讨羊肉价格变动的真实原因，并分析羊肉价格波动而产生的一些影响，不仅可以达到有效稳定羊肉价格的目的，还有益于保障农牧民的生活水平，并对促进地区社会、经济、生态的协调发展也具有重要的意义。
价格预测模型的基本框图如图1所示，包含获取原始数据、数据预处理、特征选择、引入气象因子建立价格预测模型和模型评估五个过程。
所述原始数据，在做价格预测之前，首先需要获取所需要的原始数据，包含价格日或月度变化数据、气象数据(降水量、温度、湿度、气压、风速、pm2.5等)、羊肉产量、羊肉进口量、羊肉需求量、人均可支配收入等，其中价格数据作为输出变量，其他影响因素作为输入变量。
所述数据预处理，刚获取到的原始数据往往都是无法使用的，需要对其做一定的处理，变成可用来分析的数据。它主要包含两个部分：一是转换数据的格式以适合分析处理，二是对异常或缺失数据做一定处理。如果数据量足够大，包含缺失值或异常值的数据行可以直接剔除，否则使用平均值或中位数加以替换，以满足样本量的需求。
所述特征选择，在实际应用过程中往往会发现影响价格的因素非常多，如果都将其考虑进来可能会有上百个，因此为了简化模型，需要控制输入变量的个数，此时就需要用到特征选择。常用的特征选择方法包括相关分析、灰色关联分析、决策树、随机森林等。在本项目中，将采用灰色关联分析法对所有输入变量按照与价格的关联度情况进行筛选。灰色关联分析法的流程图如图2所示，包含确定参考和比较序列、无量纲化处理、计算关联系数、计算关联度和关联度排序五个过程。
所述参考序列是指反映系统行为特征的序列，所述比较序列是指影响该行为特征的序列。在申请中，参考序列是价格，比较序列是价格影响因子。
所述无量纲化处理：由于系统中各因素所代表的物理含义不同，导致量纲不一致，因此为了便于比较，提高分析的可信度，有必要在计算关联系数之前对所有数据做无量纲化处理。常见的无量纲化处理方法包括min-max标准化、z-score标准化等，本项目采用min-max标准化方法，具体公式如下所示：
x'＝(x-xmin)/(xmax-xmin)
式中，x'为样本标准化之后的值，x为实际值，xmax为最大值，xmin为最小值。由于该方法对样本异常值非常敏感，所以在使用该方法之前，需根据字段含义及经验提前对异常值进行处理。
所述计算关联系数：记xi＝{xi(k)|k＝1,2,λ,n},i＝1,2,λ,m为比较序列，y＝{y(k)|k＝1,2,λ,n}为参考序列，则关联系数的计算方法如下所示：
式中，ρ为分辨系数，取0.5，
所述计算关联度：关联度的计算方法如下所示：
式中，n为样本点个数。
所述关联度排序：通过对关联度进行排序，可以快速判断出各影响因子对参考序列的影响程度，从而展开进一步分析。
所述建立价格预测模型，在实际养殖过程中，羊群的生长会很大程度上受制于环境因素，比如说今年突然大旱，草地生长状况很差，那么此时羊群的生长缓慢，牧民需要增大补饲量来满足羊只正常的生长发育需求，此时成本增加，羊肉肉质不好，势必会影响羊肉价格走势，因此为了使预测结果更加准确，需要在此阶段引入气象因子，如图3所示，本申请使用神经网络来建立价格预测模型。
神经网络一共包含三层，即输入层，隐含层和输出层。这里的输入层是价格影响因素，分别记为x1,x2,xn，输入层和隐含层之间是权重值，需要不断进行调整以获取期望输出，输出层这里是指价格。
如图4所示，神经网络的学习算法是一种迭代算法，通常称为误差反向传播算法，一次学习过程由误差的反向传播和输入数据的正向传播两个过程组成。正向传播使输入信息在相应的权阈值和激活函数下传输到输出层，当输出误差大于给定精度时，则转入误差反向传播，在误差返回过程中，网络修正各层权重值，如此反复迭代直到达到给定的精度。
模型评估是在建模完成之后，需要对模型进行评估。如果能达到预期的要求，则该模型是有效的。常用的模型评价指标有平均绝对误差(mae)、均方误差(mse)、均方根误差(rmae)和平均绝对百分误差(mape)等。
养殖总成本包含以下几个部分：
第一个是补饲费用，其包含羔羊和种羊的补饲费用，补饲包括干草和精料两部分。基础种羊培育费：一只羔羊培育成种羊所花的费用÷5年(种羊的使用期限)医药水电费：按一年10元/只折算。棚圈等固定资产折旧费：75000(150平米)/13年(使用期限)雇佣牧工费用：4500元/月，一个牧工可以管理300只羊。
为了使养殖户的成本合乎实际，在所有的输入参数中，养殖成本补饲费用(补饲量×饲料价格)中的饲料价格、棚圈等固定资产折旧费、雇佣牧工费用均可以根据自己的实际情况实时输入。
本实施例相比现有技术有如下优点：
(1)本实施例采用灰色关联分析法进行价格预测，比现有技术更精准。
(2)本申请采用神经网络进行价格预测，在速度上提升明显。
实施例二
如图5至图6所示，本实施例具体介绍本申请计算式中的体重预测系统，所述体重预测系统的体重预测方法包括如下步骤：
步骤一：获取体重数据和气象数据；
步骤二：体重和气象数据的预处理；
步骤三：灰色关联分析；
步骤四：线性、指数引入气象因子；
步骤五：构建生长模型；
步骤六：结果分析；
步骤七：结果验证。
作为进一步优选的，所述体重为0-7月龄的苏尼特羊的体重。
作为进一步优选的，所述苏尼特羊在3月初出生且相差时间不超过48h，在1月龄断奶，饲养方式为自由放牧。
作为进一步优选的，所述气象数据为试验地平均气象数据。
作为进一步优选的，所述气象数据来源于内蒙古气象台。
作为进一步优选的，所述灰色关联分析出关联度最大的气象因子后，将该气象因子分别以线性、指数的方式引入到传统的生长模型中，并将改进模型和传统模型进行比对分析。
作为进一步优选的，所述灰色关联分析包括以下步骤：
s10：确定参考序列和比较序列；
s11：无量纲化处理；
s12：计算关联系数；
s13：计算关联度；
s14：关联度排序。
作为进一步优选的，在步骤s3中，所述最大影响因子为温度和/或风速和/或日照和/或降水和/或气压和/或湿度。
作为进一步优选的，在步骤s10中，所述参考序列是价格。
作为进一步优选的，在步骤s10中，所述比较序列是价格影响因子。
本申请采用灰色关联分析法筛选出影响苏尼特羊体重变化的最大气象因子，其次将该因子以线性、指数方式加在传统的gompertz、brody、negativeexponential、logistic、vonbertalanffy生长模型之中，分析各传统模型和改进模型拟合优劣情况，最后采用相近一年的体重和气象数据进行结果验证。
本申请的试验区概况，本申请所选试验区为内蒙古自治区锡林郭勒盟苏尼特左旗某牧户草场，位于北纬43.469515°，东经114.3368017°，平均海拔约1000m。该地区属于半干旱大陆性气候，降水稀少且主要集中在5-8月份，日照时数长，春季风大雨少，蒸发量大；夏季日照充沛，且雨热同期；秋季干旱，温度骤降；冬季漫长而寒冷[13]。牧区草原类型属于荒漠草原，植被多以菊科、禾本科为主，土壤主要为典型栗钙土，草场于5月初开始返青，10月末枯黄。
本申请的体重和气象数据来源，分别于2011年3-10月、2012年3-10月在内蒙古自治区锡林郭勒盟苏尼特左旗某牧户中选取25只、35只苏尼特耳标羊(包含公母羊)作为试验材料，年龄为0～7月龄。试验羊只均经过统一编号处理，于3月初出生且相差时间不超过48h，在1月龄断奶，饲养方式为自由放牧，每隔一个月对试验羊只进行空腹称重一次并将称重数据存入表中，试验地平均气象数据来源于内蒙古气象台。根据平均体重和平均气象数据进行灰色关联、生长发育规律分析。
绝对生长公式为：g＝(w1-w0)/(t1-t0)式中，w1表示后一次测量体重，w0为前一次测量体重；t1表示后一次测量月龄，t0为前一次测量月龄。
相对生长率公式为：r＝2(w1-w0)/(w1+w0)×100％式中，w1表示后一次测量体重，w0为前一次测量体重；t1表示后一次测量月龄，t0为前一次测量月龄。
记xi＝{xi(k)|k＝1,2,λ,n},i＝1,2,λ,m为比较序列，y＝{y(k)|k＝1,2,λ,n}为参考序列，则关联系数的计算公式为：
传统生长模型在得到相关参数之后，不同月龄的估计值就唯一确定，并不会随着其他因素的变化而变化。但是在实际生产过程中，外界因素比如说饲养条件、环境因素等都会对动物的生长发育情况产生很大影响，因此传统模型有待进一步改进。本申请在使用灰色关联分析法得出关联度最大的气象因子以后，将该气象因子分别以线性、指数的方式引入到传统的生长模型中，并将改进模型和传统模型进行比对分析，具体模型表达式见下表1，为了对模型进行区分，线性引入加入后缀linear，指数引入加入后缀exp。下列表达式中，a为体重极限参数，b为调节参数，k为瞬时相对生长率，t为月龄，c为常数，mete为气象因子(本申请是风速)。
表1传统模型和改进模型表达式
在误差分析方面，误差平方和为：
设计思路上，本申请构建一个更为准确的生长模型，对揭示动物的生长发育规律具有重要意义。其实现的基本思路如图5所示，包括获取体重和气象数据，对体重和气象数据预处理，灰色关联分析，构建生长模型、结果分析和结果验证等环节。在构建生长模型过程中，使用spss24.0以残差平方和最小为目标函数进行非线性拟合，迭代出a,b,c,k的最优值，根据判决系数(r2)评判模型优劣，即r2越接近于1，拟合效果越好。除去结果验证部分，其余数据均采用2011年的数据。
在生长发育指标分析上，根据采集到的2011年苏尼特羊体重数据，对苏尼特羊不同月龄的平均体重，绝对生长和相对生长率进行统计分析，分析结果如下表2所示。从表2可以看出，苏尼特羊前中期平均体重增长速度相对较快，特别是在3-5月龄平均增长速度能达到5～6kg/月，但在6月龄以后平均体重增长却相对缓慢；平均日增重刚开始逐渐增加，4月龄时达到最大值200g/d，此后逐渐减少，并在6月龄时出现骤降；而相对生长率则是在1月龄达到最大值，随后逐渐下降，在2月龄时下降速度最快，7月龄时轻微上升。
表2苏尼特羊不同月龄平均体重和生长指标
灰色关联分析，自由放牧条件下，动物的生长发育规律与其所处的外界环境存在着密切联系，因此适宜的外界环境是决定自由放牧羊正常生长发育的关键。为了探究不同气象因素对苏尼特羊体重变化的影响程度，本申请将温度、风速、日照、降水、气压、湿度等气象因素作为比较序列，苏尼特羊月增重作为参考序列进行灰色关联分析，分析结果如下表3所示。
从表3可知，不同气象因素对苏尼特羊月增重变化的影响程度排序为：风速＞降水＞温度＞日照＞湿度＞气压，其中关联度最高的气象因素是风速，为0.704，其余气象因素如降水、温度、日照、湿度和气压的关联度分别为0.651，0.647，0.630，0.600，0.520。这些气象因素共同作用从而影响苏尼特羊的月增重变化。
表3苏尼特羊月增重变化与各气象因素的关联系数和关联度
生长曲线模型选取，根据上述灰色关联分析结果可知，风速对苏尼特羊体重变化的影响最大，故本申请将该气象因子以线性、指数方式引入到传统的gompertz、brody、negativeexponential、logistic、vonbertalanffy生长模型中，对比分析传统模型和改进模型拟合程度的好坏，具体模型表达式见表1，拟合结果见表4。
根据表4数据可知，传统模型拟合度(r2)均在0.97以上，5种生长模型都具有较好的拟合效果，但是logistic模型的r2最大，为传统模型中的最佳模型；线性改进模型除logistic_linear之外，其余模型拟合度均在0.97以上，拟合效果较好，其中拟合效果最好的gompertz_linear模型相对于传统logistic模型稍差；指数改进模型r2均在0.98以上，也都具有较好拟合效果，并且logistic_exp在传统模型、线性改进模型、指数改进模型中具有最佳的拟合度，高达0.999。综上所述，在引入风速气象因子以后，logistic_exp模型拟合的准确度相比传统模型更高，更符合苏尼特羊的生长发育规律。
表4传统模型和线性、指数改进模型参数估计值及拟合度
模型验证，从表4可知，改进后的logistic_exp模型比传统模型具有更好的拟合效果。为了进一步验证模型的准确性，本申请使用2012年的实际数据进行结果验证，验证方法就是计算rss和ras的值，改进后的logistic_exp模型和传统最佳logistic模型误差分析结果如下表5所示。从表中可知，改进后的logistic_exp模型不管是ras还是rss值都比传统的logistic模型更小，拥有更高的准确度，更能揭示苏尼特羊的生长发育规律。
表5logistic_exp模型和logistic模型误差对比
生长发育指标，从表2可知，苏尼特羊在3～5月龄期间生长速度较快，这是因为3～5月龄对应于6-8月份，此时草场长势良好，苏尼特羊体重明显增加；6月龄以后生长速度较为缓慢，因为此时进入草场枯黄期且气温明显下降，导致羊只进食量不足、草料营养缺乏，同时还需要燃烧体内脂肪来抵御外界寒冷，从而使得苏尼特羊在此期间体重增长缓慢。
灰色关联分析，气象因子作为放牧条件下无法避免的客观因素，会直接或间接影响到动物的生长发育状况。本申请通过灰色关联分析法，得出影响苏尼特羊体重变化的主要气象因子是风速，其次是降水和温度，这与史激光等[14]对影响锡林郭勒盟草原放牧绵羊体质量动态变化的气象因子研究(温度>风速>气压>湿度>日照>降水)、刘金祥[15]等对影响草原放牧绵羊日增重的气象因子研究(降水>温度>日照>湿度>气压>风速)相比存在轻微差异。风速通过增大苏尼特羊在食草和奔跑过程中的前进阻力，以消耗更多能量的方式直接影响苏尼特羊的生长情况，而降水和温度则通过影响草地生产力，羊只的采食情况间接作用于苏尼特羊。
生长模型选择，本申请通过引入气象因子，对改进模型和传统模型对比分析，结果发现所有模型(除logistic_linear外)对苏尼特羊的生长发育状况均有较好的拟合效果，且r2均在0.97以上，但引入气象因子后的改进模型logistic_exp，r2为0.999，拟合效果最佳。并且根据2012年数据验证结果，logistic_exp模型估计值和实际值最为接近，误差更小，精确度更高，具有更高的拟合准确度。
综上所述，苏尼特羊在中期生长迅速，风速、降水、温度、日照、湿度和气压等气象因素共同作用影响苏尼特羊的月增重。将最大影响因子风速以线性、指数方式引入到传统生长模型中，改进模型logistic_exp和其他模型相比拥有更高的拟合度，0.999，且模型估计值和实际值误差最小，拟合精度更高。
以上实施例仅为说明本申请的技术思想，不能以此限定本申请的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内；本申请未涉及的技术均可通过现有技术加以实现。
- 还没有人留言评论。精彩留言会获得点赞！