基于多源养殖数据挖掘的肉牛体况预测方法、装置及系统

1.本发明涉及数据挖掘技术领域，尤其涉及一种基于多源养殖数据挖掘的肉牛体况预测方法、装置及系统。


背景技术：

2.随着我国科技、经济水平不断提高，人们对于牛肉品质需求越来越大，行业内对于肉牛良种的呼声越来越高。按照特定的标准用量化型的分数表示肉牛的体况现已成为评价畜群生产力检验的重要指标。研究表明，适当地控制肉牛的营养水平，使其维持一定的体况，不使其生长过肥或过瘦，既可保证其良好的繁殖性能，又可降低饲养成本，取得理想的养殖经济效益。
3.在实际生产中，商业育肥独特方法与部分核心数据属于养殖场的商业机密，相同品种不同养殖厂之间、不同地域之间的商业养殖数据难互通，因此形成了各种各样的数据孤岛与数据屏障。单一养殖场所产生的数据限制了模型训练的效率和产出的结果。理论上，将各养殖场的数据整合到一起有利于更好的训练模型。但是因为数据安全问题，各方都不愿意共享核心数据。所以，如何在根据更多的真实迭代数据进行样本填充与模型优化，是目前业界亟待解决的重要课题


技术实现要素：

4.本发明提供一种基于多源养殖数据挖掘的肉牛体况预测方法、装置及系统，用以解决现有技术中个养殖场不同共享数据所导致的预测精度低的缺陷。
5.本发明提供一种基于多源养殖数据挖掘的肉牛体况预测方法，包括：
6.获取目标养殖场内各肉牛的体况数据；
7.以所述体况数据作为训练样本，训练出目标本地模型的第一模型参数，并将所述第一模型参数上传至服务器端；
8.基于所述服务器端下发的第二模型参数，更新所述目标本地模型，以利用更新后的目标本地模型对所述体况数据进行预测，获取体况预测数据；
9.其中，所述目标本地模型与所述目标养殖场一一对应；所述第二模型参数是所述服务器端基于横向联邦学习方法，对所有养殖场的本地模型进行聚合训练，所得到的全局模型的模型参数。
10.根据本发明提供的一种基于多源养殖数据挖掘的肉牛体况预测方法，在所述获取体况预测数据之后，还包括：
11.基于所述体况预测数据，确定体况指数，以供目标养殖场根据所述体况指数确定预设时段后的养殖数据；
12.其中，所述体况预测数据包括体深预测数据、腹宽预测数据、头长预测数据、体斜长预测数据、胸围预测数据、体高预测数据中的至少一种。
13.根据本发明提供的一种基于多源养殖数据挖掘的肉牛体况预测方法，所述获取目
标养殖场内各肉牛的体况数据，包括：
14.基于肉牛的种类标识和日龄，获取第一特征数据和第二特征数据；
15.基于所述第一特征数据和所述第二特征数据，获取所述体况数据，以基于长短时记忆网络对所述体况数据进行训练，获取所述目标本地模型。
16.本发明还提供一种基于多源养殖数据挖掘的肉牛体况预测方法，包括：
17.接收目标养殖场所上传的本地模型的第一模型参数；
18.基于横向联邦学习方法，对各养殖场的本地模型进行聚合训练，获取全局模型的第二模型参数；
19.将所述第二模型参数下发至所述目标养殖场，供所述目标养殖场更新所述本地模型，以基于更新后的本地模型进行体况预测。
20.根据本发明提供的一种基于多源养殖数据挖掘的肉牛体况预测方法，所述基于横向联邦学习方法，对各养殖场的本地模型进行聚合训练，获取全局模型的第二模型参数，包括：
21.以各所述第一模型参数与目标损失函数，重新训练各所述本地模型的第一模型参数；
22.基于所有更新后的第一模型参数加权平均，获取所述第二模型参数。
23.本发明还提供一种基于多源养殖数据挖掘的肉牛体况预测装置，包括：
24.本地数据获取模块，用于获取目标养殖场内各肉牛的体况数据；
25.本地模型训练模块，用于以所述体况数据作为训练样本，训练出目标本地模型的第一模型参数，并将所述第一模型参数上传至服务器端；
26.本地模型更新模块，用于基于所述服务器端下发的第二模型参数，更新所述目标本地模型，以利用更新后的目标本地模型对所述体况数据进行预测，获取体况预测数据；
27.其中，所述目标本地模型与所述目标养殖场一一对应；所述第二模型参数是所述服务器基于横向联邦学习方法，对所有养殖场的本地模型进行聚合训练，所得到的全局模型的模型参数。
28.本发明还提供一种基于多源养殖数据挖掘的肉牛体况预测装置，包括：
29.模型获取模块，用于接收目标养殖场所上传的本地模型的第一模型参数；
30.聚合训练模块，用于基于横向联邦学习方法，对各养殖场的本地模型进行聚合训练，获取全局模型的第二模型参数；
31.模型发布模块，用于将所述第二模型参数下发至所述目标养殖场，供所述目标养殖场更新所述本地模型，以基于更新后的本地模型进行体况预测。
32.本发明还提供一种基于多源养殖数据挖掘的肉牛体况预测系统，包括一个设置在远程的服务器端节点的基于多源养殖数据挖掘的肉牛体况预测装置，以及设置在多个养殖场节点的基于多源养殖数据挖掘的肉牛体况预测装置。
33.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于多源养殖数据挖掘的肉牛体况预测方法。
34.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于多源养殖数据挖掘的肉牛体况预测方
法。
35.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于多源养殖数据挖掘的肉牛体况预测方法。
36.本发明提供的基于多源养殖数据挖掘的肉牛体况预测方法、装置及系统，在不同养殖场利用本地存储的肉牛的体况数据，构建不同的本地模型，基于目标模型训练出的第一模型参数在服务器端中利用联邦学习进行更新与聚合，通过满足全局收敛的第二模型参数更新目标本地模型，基于更新后的目标本地模型对本地体况数据进行预测，获取体况预测数据。能够结合肉牛在预设时段内不同日龄生长变化趋势，设计出与养殖场对应的本地模型，保证本地数据单独训练与权重更新，并结合联邦学习的权重累计机制，保证预测结果属于全局最优解，提高预测精度。
附图说明
37.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
38.图1是本发明提供的基于多源养殖数据挖掘的肉牛体况预测方法的流程示意图之一；
39.图2是本发明提供的基于多源养殖数据挖掘的肉牛体况预测方法的流程示意图之二；
40.图3是本发明提供的基于多源养殖数据挖掘的肉牛体况预测装置的结构示意图之一；
41.图4是本发明提供的基于多源养殖数据挖掘的肉牛体况预测装置的结构示意图之二；
42.图5是本发明提供的基于多源养殖数据挖掘的肉牛体况预测系统的结构示意图；
43.图6是本发明提供的电子设备的结构示意图。
具体实施方式
44.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
45.本技术中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。
46.应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
47.术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
48.图1是本发明提供的基于多源养殖数据挖掘的肉牛体况预测方法的流程示意图之一。如图1所示，本发明实施例提供的基于多源养殖数据挖掘的肉牛体况预测方法，包括：步骤101、获取目标养殖场内各肉牛的体况数据。
49.需要说明的是，目标养殖场为待执行体况预测任务的养殖场，多个目标养殖场与远程的服务器端可以组成一个组网群。
50.本发明实施例提供的基于多源养殖数据挖掘的肉牛体况预测方法的执行主体为与目标养殖场对应的基于多源养殖数据挖掘的肉牛体况预测装置，本发明实施例提供的基于多源养殖数据挖掘的肉牛体况预测方法的应用情景为目标养殖场通过电子设备向服务器端体况请求预测业务，各目标养殖场将服务器端响应反馈的模型参数部署在本地模型中，并以该养殖场的各肉牛在某一预设时段内的体况数据作为输入，预测出该预设时段后的各肉牛的体况。
51.上述电子设备可以以各种形式来实施。例如，本技术实施例中描述的电子设备可以包括诸如移动电话、智能电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、导航装置、智能手环、智能手表等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。下面，假设电子设备是移动终端。然而，本领域技术人员将理解的是，除了特别用于移动目的的元件之外，根据本技术实施例的构造也能够应用于固定类型的终端。
52.需要说明的是，在目标养殖场内，可以在设置多种感知设备，以周期性地收集牛只个体在日常生产中的核心生产数据，本发明实施例对此不作具体限定。
53.可选地，感知设备可以牛只个体所佩戴的穿戴式智能装备，包括但不限于计步装备、感知反刍动作的项圈装备以及其他智能监测装备，本发明对此不作具体限定。
54.可选地，可以预先将养殖厂内的牛舍划分为休息区、饲料区、活动区、饮水区等多个核心区域，感知设备则为在各核心区域固定设置，以采集牛只个体在不同区域的活动情况。
55.具体地，在步骤101中，目标养殖场所对应的基于多源养殖数据挖掘的肉牛体况预测装置，可以获取目标养殖场内各肉牛在预设时段内，由各感知设备采集并反馈的体况数据。
56.其中，对于任一肉牛牛只个体，其体况数据反映了该个体在预设时段内，按照该养殖场的育肥方案中所指示的养殖方法进行牛只养育，其体型变化趋势。
57.步骤102、以体况数据作为训练样本，训练出目标本地模型的第一模型参数，并将第一模型参数上传至服务器端。
58.其中，目标本地模型与目标养殖场一一对应。
59.具体地，在步骤102中，目标养殖场所对应的基于多源养殖数据挖掘的肉牛体况预测装置可以对步骤101中获取的体况数据作为样本，并根据一定比例划分出训练样本和测试样本，利用训练样本和测试样本对目标本地模型进行有监督的训练学习，将训练好的本地模型的第一模型参数上传至服务器端。
60.其中，本地模型可以是一种人工智能模型，其初始训练出的第一模型参数包括该
模型中各神经元的权重和偏置，本发明实施例对模型类型不作具体限定。
61.可选地，本地模型是一种神经网络模型，神经网络的结构和参数包括但不限于神经网络的输入层，隐含层和输出层的层数，以及每一层的权重参数等。本发明实施例对神经网络的种类和结构不作具体限定。
62.输入层在整个网络的最前端部分，直接接收肉牛在预设时段内的体况数据。
63.隐含层通过自身的神经元，对输入的关于行为的体况数据进行加权求和计算。
64.输出层是最后一层，用来输出肉牛体况的预测结果，这个值可以是一个分类向量值，也可以是一个类似线性回归那样产生的连续的值，还可以是别的复杂类型的值或者向量，本发明实施例对此不作具体限定。
65.需要说明的是，本发明实施例对训练样本和测试样本的划分比例不作具体限定。示例性地，可以以7：3或者8：2的比例进行样本划分。
66.可以理解的是，由于各监测设备的生产厂商不同，其内置的采集模式也不同，多种感知设备采集的传感数据在时间维度上会存在缺失值，所以需要根据目标养殖场所处的地区或者国家的时区作为时间维度，对各种传感数据进行统一。当统一后发现在某一时刻出现数据缺失时，可找出与采样周期邻近的体况数据进行均值化，以填充缺失值的。
67.步骤103、基于服务器端下发的第二模型参数，更新目标本地模型，以利用更新后的目标本地模型对体况数据进行预测，获取体况预测数据。
68.其中，第二模型参数是服务器端基于横向联邦学习方法，对所有养殖场的本地模型进行聚合训练，所得到的全局模型的模型参数。
69.需要说明的是，目标养殖场所对应的基于多源养殖数据挖掘的肉牛体况预测装置将本地模型的第一模型参数上传至服务器端后，服务器端将所接收到的所有目标养殖场上传的本地模型及其第一模型数据，协调完成多轮联邦学习以得到最终的全局模型。
70.其中，在每一轮开始时，服务器端将本轮的全局模型的第二模型参数发送给参与学习的目标养殖场。每个目标养殖场根据其本地存储的体况数据训练所接收到的全局模型，训练完毕后将更新后的模型参数返回服务器端。服务器端收集到所有目标养殖场反馈的更新后的模型参数，对全局模型进行一次更新，进而结束本轮更新。直至满足全局收敛后，将最后一轮的第二模型参数下发至组网中的各目标养殖场。
71.具体地，在步骤103中，每个目标养殖场所对应的基于多源养殖数据挖掘的肉牛体况预测装置向服务器端发送预测请求。
72.服务器端接收并响应于该预测请求，进行模型查新，若本轮的全局模型满足全局收敛，且本次多轮联邦学习的第二模型数据与上一次多轮联邦学习不同时，说明本次多轮联邦学习的全局模型为一个新模型，则将第二模型参数反馈给对应的目标养殖场，该目标养殖场所对应的基于多源养殖数据挖掘的肉牛体况预测装置将接收到的第二模型参数部署在其本地模型中，并从存储在本地的体况数据抽取出待预测的肉牛体况数据，并输入至该模型进行预测，获取待预测的肉牛在预设时段后的体况预测数据。如若全局模型收敛后，其模型参数与上一次多轮联邦学习所收敛的模型参数一样的话，则继续沿用原始第二模型参数部署本地模型进行相关预测。
73.若本轮的全局模型不满足全局收敛，则将本轮的第二模型参数反馈给对应的目标养殖场，该目标养殖场所对应的基于多源养殖数据挖掘的肉牛体况预测装置将接收到的第
二模型参数部署在其本地模型中，以存储在本地的体况数据作为训练样本的测试样本进行本地模型的训练，并将新的第一模型参数上传至服务器端进行下一轮的联邦学习。
74.本发明实施例在不同养殖场利用本地存储的肉牛的体况数据，构建不同的本地模型，基于目标模型训练出的第一模型参数在服务器端中利用联邦学习进行更新与聚合，通过满足全局收敛的第二模型参数更新目标本地模型，基于更新后的目标本地模型对本地体况数据进行预测，获取体况预测数据。能够结合肉牛在预设时段内不同日龄生长变化趋势，设计出与养殖场对应的本地模型，保证本地数据单独训练与权重更新，并结合联邦学习的权重累计机制，保证预测结果属于全局最优解，提高预测精度。
75.在上述任一实施例的基础上，在获取体况预测数据之后，还包括：基于体况预测数据，确定体况指数，以供目标养殖场根据体况指数确定预设时段后的养殖数据。
76.其中，体况预测数据包括体深预测数据、腹宽预测数据、头长预测数据、体斜长预测数据、胸围预测数据、体高预测数据中的至少一种。
77.需要说明的是，利用模型参数为第二模型参数的目标本地模型对体况数据进行预测，其所获取的体况预测数据包括预设时段后的体深预测数据、腹宽预测数据、头长预测数据、体斜长预测数据、胸围预测数据和体高预测数据中的一种或者多种。
78.具体地，在步骤103之后，目标养殖场所对应的基于多源养殖数据挖掘的肉牛体况预测装置利用步骤103中获取到的体况预测数据，结合不同的数学模型进行计算，获取对应的体况指数。
79.本发明实施例对体况指数及其计算方式不作具体限定。
80.示例性地，体况指数可以为体长指数，其对应的计算方式为某一肉牛的体斜长预测值与体高预测值之间的比值。
81.其中，体长指数表征了体长与体高发育情况，用于通过与预设阈值的比较，若该肉牛的体长指数大于或者平均值(即预设阈值)，说明该牛只个体在胚胎期发育不良，存在一些先天性的缺陷，可以及早放弃对其的后期培育。若肉牛的体长指数小于于平均值(即预设阈值)，说明该牛只个体生后发育受阻，引导目标养殖场为其设置相应的养殖数据，以在后续阶段中通过新的养殖方式改善该肉牛的生长情况。
82.示例性地，体况指数可以为体躯指数，其对应的计算方式为胸围预测值与体斜长预测值之间的比值。
83.其中，体躯指数表示躯干容量发育程度，其与体长指数的作用类似，也可以用于通过与预设阈值的比较，决策后续对该只牛个体的处理方式。
84.示例性地，体况指数可以为胸围指数，其对应的计算方式为胸围预测值与体高预测值之间的比值。
85.其中，胸围指数表示乳腺容量发育程度，其与体长指数的作用类似，也可以用于通过与预设阈值的比较，判断该牛只个体是否为肉乳兼用牛，并根据只牛个体的类型决策后续对该只牛个体的处理方式。
86.示例性地，体况指数可以为头长指数，其对应的计算方式为头长预测值与体斜长预测值之间的比值。
87.其中，头长指数表示头部发育程度，其与胸围指数的作用类似，也可以用于通过与预设阈值的比较，若头长指数大于或者等于0.34，认定该只牛个体为长头肉牛，引导目标养
殖场为其设置与长头肉牛对应的相关养殖数据，以在后续阶段中通过新的养殖方式改善该肉牛的生长情况。若头长指数小于0.26，认定该只牛个体为短头肉牛，引导目标养殖场为其设置与短头肉牛对应的相关养殖数据，以在后续阶段中通过新的养殖方式改善该肉牛的生长情况。
88.优选地，目标养殖场所对应的基于多源养殖数据挖掘的肉牛体况预测装置可以利用体深预测数据、腹宽预测数据、头长预测数据、体斜长预测数据、胸围预测数据和体高预测数据，计算出至少三个体况指数，以全方位的构建出肉牛个体的生长特性与趋势，进而精准指导后续的育肥方式。
89.本发明实施例基于任务需求，利用体况预测数据计算出对应的体况指数。能够利用体况指数参照行业标准进行分级，引导目标养殖场决策确定对应的养殖参数，该养殖参数应用于目标养殖场后，在预设时段后提高肉牛生产效益，提高牛场养殖效率。
90.在上述任一实施例的基础上，获取目标养殖场内各肉牛的体况数据，包括：基于肉牛的种类标识和日龄，获取第一特征数据和第二特征数据。
91.需要说明的是，根据行业标准，在目标养殖场的本地端中预先存储肉牛品种与其种类标识的对应关系。
92.具体地，在步骤101中，目标养殖场所对应的基于多源养殖数据挖掘的肉牛体况预测装置利用肉牛的种类标识和日龄，结合预先存储的对应关系，从目标养殖场内的各种传感数据中抽取不同种类的肉牛在不同日龄下的核心生产数据，并依次对其进行预处理，获取第一特征数据和第二特征数据。
93.其中，第一特征数据，是与养殖方式相关的特征数据，其包括但不限于饲喂特征数据、饮水特征数据、日照特征数据等，本发明实施例对此不作具体限定。
94.示例性地，第一特征数据可以为饲喂特征数据a
feed
，用于表征肉牛个体平均饲喂稳定性，其计算公式如下：
[0095][0096]
其中，预设时段内的日龄为n，x1为在预设时段内第一天的舍内饲喂量，以此类推，xn为在预设时段内第n天的舍内饲喂量。由于肉牛的养殖方式，其多为批次化养殖，因此针对只牛个体的饲喂量数据获取可能存在不精确情况，因此取其在预设时段下的平均值
[0097]afeed
的取值范围为[0,1]，其值越趋近于1，说明饲喂状态越稳定。
[0098]
示例性地，第一特征数据可以为日照特征数据a
sunl
，用于表征肉牛个体平均日照时长稳定性，其计算公式如下：
[0099][0100]
其中，s1为在预设时段内第一天的日照时长或户外活动时长，以此类推，sn为在预设时段内第n天的日照时长或户外活动时长。s为在预设时段下的日照时长的平均值。
[0101]asunl
的取值范围为[0,1]，其值趋近于1，说明日照活动状态越稳定。
[0102]
示例性地，第一特征数据可以为饮水特征数据a
drink
，用于表征肉牛个体平均饮水量稳定性，其计算公式如下：
[0103]
[0104]
其中，d1为在预设时段内第一天的饮水量，以此类推，dn为在预设时段内第n天的饮水量。为在预设时段下的饮水量平均值。
[0105]adrink
的取值范围为[0,1]，其值趋近于1，说明饮水状态越稳定。
[0106]
第二特征数据，是与肉牛体尺相关的特征数据，其包括但不限于预设时段内各日龄对应的体深数据、腹宽数据、头长数据、体斜长数据、胸围数据、体高数据等体尺数据，本发明实施例对此不作具体限定。
[0107]
可以理解的是，由于个体疫病存在对个体体况影响，本发明实施例中所有数据采用健康牛只的日常数据。
[0108]
基于第一特征数据和第二特征数据，获取体况数据，以基于循环神经网络对体况数据进行训练，获取目标本地模型。
[0109]
具体地，目标养殖场所对应的基于多源养殖数据挖掘的肉牛体况预测装置以肉牛的种类标识和日龄作为数据标识，将第一特征数据和第二特征数据进行特征拼接，获取不同肉牛在不同日龄下的体况数据x
t
，其公式如下：
[0110][0111]
其中，typeid为肉牛的种类标识，age肉牛的生长日龄，下标t为预设时段下的不同日龄，中的元素依次为预设时段下的日龄t所对应的体深数据、腹宽数据、头长数据、体斜长数据、胸围数据、体高数据。
[0112]
进而，将不同肉牛在不同日龄下的体况数据x
t
抽取出训练样本，输入至循环神经网络，以对本地模型进行训练。
[0113]
其中，循环神经网路包括但不限于长短时记忆网络(long short-term memory，lstm)、门控循环单元(gated recurrent unit，gru)以及lstm的各种变体，本发明实施例对此不作具体限定。
[0114]
示例性地，下面给出一个采用lstm的变体训练本地模型，使用原有特性控制选择性输出与输入结果，减少了模型的计算力，保证养殖场客户端机器运算模型的效率，同时为减少客户端(即目标养殖场)与服务器端之间的数据传递，减少控制参数，模型各状态集中于同一个状态中，并把此状态进行回传保证系统响应效率。其具体实施过程如下：
[0115]
客户端计算模型中，输入为步骤1中的特征选择，其中包括两部分，一部分是影响计算参数的特征，包括饲喂状态、日照时间，另一部分是影响体尺特征输入。
[0116]
其训练过程中，是体况数据x
t
中t日龄的第i个第二特征数据，i∈[1,6]。
[0117]
对体况数据x
t
进行特征提取，对于任一个当前日龄节点所输入的特征和上一日龄节点传递下来的隐状态这个隐状态包含了之前节点的相关信息。
[0118]
结合和本地模型会得到当前隐藏节点的输出和传递给下一个节点的隐状态
[0119]
通过上一个传输下来的状态和当前节点输入的来获取两个门控状态，门控
状态和所输入的体况数据x
t
中饲喂特征数据、日照特征数据、饮水特征数据有关，两个门的控制内容为肉牛体尺各类型参数在下一日龄节点所要保留内容。
[0120]
得到门控信号之后，即获取要保留的肉牛体尺连续性信息后，使用重置门控来得到“重置”之后的数据再将与输入进行拼接，再通过一个激活函数将数据放缩到-1至1的范围内。
[0121][0122][0123][0124]ht
＝(1-z)
⊙ht-1
+z
⊙h′
[0125][0126]
其中，wr为重置门的权重，r为重置系数，wz为更新门的权重，z为更新系数，w为本地模型的初始权重，α为本地模型的第一模型参数，该参数除了含有w，还包括各神经元的偏置，为养殖权重系数，k为肉牛的体况数据的数量。
[0127]
运算符([
·
],[
·
])表示任两个向量拼接相连，运算符表示两个矩阵的乘积，运算符
⊙
两个标识向量之间运算。
[0128]
(1-z)
⊙ht-1
，表示对原本隐藏状态的选择性“遗忘”。这里的1-z可以理解成抛弃h
t-1
维度中一些不重要的信息。其中，h
t-1
包含所有
[0129]z⊙h′
，表示对包含当前节点信息的h
′
进行选择性“记忆”。z会剔除h
′
维度中的一些不重要的信息。或者看做是对h
′
维度中的某些信息进行选择。其中，h
′
包含所有
[0130]ht
＝(1-z)
⊙ht-1
+z
⊙h′
，结合上述，这一步的操作就是忘记传递下来的h
t-1
中的某些维度信息，并加入当前节点输入的某些维度信息。
[0131]
可以理解的是，对体况数据x
t
进行特征提取，将当前日龄节点的体况数据所包含所有的特征一同输入至循环神经网络中(例如：lstm、gru、lstm变体等)，不仅在当前状态和历史状态之间建立线性依赖关系，还在特征与特征之间建立关联关系，控制某一特征在当前时刻的状态依赖于该特征上一时刻的状态、关联特征上一时刻的状态、关联特征当前时刻的状态。
[0132]
本发明实施例基于肉牛的种类标识和日龄，对日常数据整合并提取出核心的第一特征数据和第二特征数据，通过二者的结合建立体况数据，并将其作为训练样本进行本地模型的训练。能够减少控制参数，模型各状态集中于同一个状态中，并把此状态进行回传保证算力，进而提高预测效率。
[0133]
在上述任一实施例的基础上，图2是本发明提供的基于多源养殖数据挖掘的肉牛体况预测方法的流程示意图之二。如图2所示，本发明实施例提供的基于多源养殖数据挖掘的肉牛体况预测方法，包括：步骤201、接收目标养殖场所上传的本地模型的第一模型参数。
[0134]
需要说明的是，本发明实施例提供的基于多源养殖数据挖掘的肉牛体况预测方法的执行主体为与服务器端对应的基于多源养殖数据挖掘的肉牛体况预测装置，本发明实施例提供的基于多源养殖数据挖掘的肉牛体况预测方法的应用情景为服务器端接收并响应于多个养殖场的业务请求，向各养殖场将服务器端反馈全局收敛的模型参数，以供养殖场将该参数部署在本地模型中，并以该养殖场的各肉牛在某一预设时段内的体况数据作为输入，预测出该预设时段后的各肉牛的体况。
[0135]
上述电子设备可以以各种形式来实施。例如，本技术实施例中描述的电子设备可以包括诸如移动电话、智能电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、导航装置、智能手环、智能手表等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。下面，假设电子设备是移动终端。然而，本领域技术人员将理解的是，除了特别用于移动目的的元件之外，根据本技术实施例的构造也能够应用于固定类型的终端。
[0136]
具体地，在步骤201中，服务器端多对应的基于多源养殖数据挖掘的肉牛体况预测装置接收所有养殖场上传的本地模型及其第一模型数据。
[0137]
其中，每个本地模型据能满足本地收敛，但由于本地是样本数据量较少其模型训练精度较差，故交由服务器端进行全局训练。
[0138]
步骤202、基于横向联邦学习方法，对各养殖场的本地模型进行聚合训练，获取全局模型的第二模型参数。
[0139]
具体地，在步骤202中，服务器端多对应的基于多源养殖数据挖掘的肉牛体况预测装置协调完成多轮联邦学习，对各养殖场的本地模型进行聚合和更新，获取全局收敛的全局模型。
[0140]
其中，在每一轮开始时，服务器端将本轮的全局模型的第二模型参数发送给参与学习的目标养殖场。每个目标养殖场根据其本地存储的体况数据训练所接收到的全局模型，训练完毕后将更新后的模型参数返回服务器端。服务器端收集到所有目标养殖场反馈的更新后的模型参数，对全局模型进行一次更新，进而结束本轮更新。直至满足全局收敛。
[0141]
步骤203、将第二模型参数下发至目标养殖场，供目标养殖场更新本地模型，以基于更新后的本地模型进行体况预测。
[0142]
具体地，在步骤203中，服务器端所对应的基于多源养殖数据挖掘的肉牛体况预测装置接收并响应于各养殖场发送的预测请求，进行模型查新，若本轮的全局模型满足全局收敛，且本次多轮联邦学习的第二模型数据与上一次多轮联邦学习不同时，说明本次多轮联邦学习的全局模型为一个新模型，则将第二模型参数反馈给对应的养殖场。
[0143]
养殖场所对应的基于多源养殖数据挖掘的肉牛体况预测装置将接收到的第二模型参数部署在其本地模型中，并从存储在本地的体况数据抽取出待预测的肉牛体况数据，并输入至该模型进行预测，获取待预测的肉牛在预设时段后的体况预测数据。如若全局模型收敛后，其模型参数与上一次多轮联邦学习所收敛的模型参数一样的话，则继续沿用原始第二模型参数部署本地模型进行相关预测。
[0144]
若本轮的全局模型不满足全局收敛，则将本轮的第二模型参数反馈给对应的目标养殖场，该目标养殖场所对应的基于多源养殖数据挖掘的肉牛体况预测装置将接收到的第二模型参数部署在其本地模型中，以存储在本地的体况数据作为训练样本的测试样本进行
本地模型的训练，并将新的第一模型参数上传至服务器端进行下一轮的联邦学习。
[0145]
本发明实施例基于目标模型训练出的第一模型参数在服务器端中利用联邦学习进行更新与聚合，获取满足全局收敛的第二模型参数，以更新目标本地模型，并对本地体况数据进行预测，获取体况预测数据。能够结合肉牛在预设时段内不同日龄生长变化趋势，设计出与养殖场对应的本地模型，保证本地数据单独训练与权重更新，并结合联邦学习的权重累计机制，保证预测结果属于全局最优解，提高预测精度。
[0146]
在上述任一实施例的基础上，基于横向联邦学习方法，对各养殖场的本地模型进行聚合训练，获取全局模型的第二模型参数，包括：以各第一模型参数与目标损失函数，重新训练各本地模型的第一模型参数。
[0147]
具体地，在步骤202中，服务器端多对应的基于多源养殖数据挖掘的肉牛体况预测装置在每一轮联邦学习开始时，从选择养殖场的本地模型参与本轮培训，对参与的本地模型以及本地模型所包含的第一模型参数进行随机采样，对于每一个随机采样的本地模型，集合目标损失函数进行前向传播，使其损失最小的第一模型参数。
[0148]
其中，目标损失函数是指与每个养殖场对应的正则化损失函数，本发明实施例对此不作具体限定。
[0149]
示例性地，下面给出一个服务器端进行联邦学习的具体实施方式：
[0150]
由于服务器端和客户端(即养殖场)的网络连接是有限的，在任何时刻，可能都只有部分客户端节点参与训练。在实际应用中是存在部分养殖场的设备以及数据异构的，针对这个问题，适当的增加客户端的训练，减少通信成本，然而客户端增加训练的轮数、迭代次数过多不仅可能使一些受限于算力的设备无法完成训练，还容易使设备的本地模型偏离全局模型，影响全局收敛。
[0151]
所以，采用联邦学习，在服务器端利用不同客户端对应的损失函数对本地模型进行重新训练，使其满足目标损失函数最小。
[0152]
其中，目标损失函数为每个养殖场使用l2范数的正则化损失函数，其具体公式如下所示：
[0153][0154]
其中，fj(θj)表示第j个养殖场的本地模型，θj为该本地模型的第一模型参数，λ为正则化参数，用于表示控制不同养殖场的本地模型的损失强度。为全局模型满足全局收敛的第二模型参数。
[0155]
本发明实施例对正则化参数的设置不作具体限定。
[0156]
可选地，正则化参数λ可以选择虽然较大的数值，以保证θj和尽可能相似，可以从丰富的养殖数据聚合中受益于大量的其他非常规数据。
[0157]
可选地，正则化参数λ可以选择虽然较小的数值，以帮助拥有足够多日常数据的养殖场优先进行个性化设置。同时不会偏离每个养殖场都贡献所得到的参考点
[0158]
基于所有更新后的第一模型参数加权平均，获取第二模型参数。
[0159]
具体地，服务器端多对应的基于多源养殖数据挖掘的肉牛体况预测装置利用采样更新后的第一模型参数进行加权平均，以使得在参与联邦学习的个本地模型满足自身损失
最小的同时，还能保证全局整体的损失同样小，则整个模型网络的训练截止条件与核心参数的聚合表达为：
[0160][0161]
其中，n为加入本轮联邦学习的养殖场总数，为编号是j的养殖场的达到全局收敛的全局模型。
[0162]
本发明实施例基于第一模型参数与目标损失函数进行全局模型的聚合和训练，获取满足全局收敛的第二模型参数。能够通过服务器端调整本地模型的最优结构即满足全局收敛条件，满足最小的损失，保证不同养殖场的个性化数据训练不影响全局最优。
[0163]
在上述任一实施例的基础上，图3是本发明提供的基于多源养殖数据挖掘的肉牛体况预测装置的结构示意图之一。如图3所示，本发明实施例提供的基于多源养殖数据挖掘的肉牛体况预测装置，包括本地数据获取模块310、本地模型训练模块320和本地模型更新模块330，其中：
[0164]
本地数据获取模块310，用于获取目标养殖场内各肉牛的体况数据。
[0165]
本地模型训练模块320，用于以体况数据作为训练样本，训练出目标本地模型的第一模型参数，并将第一模型参数上传至服务器端。
[0166]
本地模型更新模块330，用于基于服务器端下发的第二模型参数，更新目标本地模型，以利用更新后的目标本地模型对体况数据进行预测，获取体况预测数据。
[0167]
其中，目标本地模型与目标养殖场一一对应；第二模型参数是服务器基于横向联邦学习方法，对所有养殖场的本地模型进行聚合训练，所得到的全局模型的模型参数。
[0168]
具体地，本地数据获取模块310、本地模型训练模块320和本地模型更新模块330顺次电连接。
[0169]
本地数据获取模块310可以获取目标养殖场内各肉牛在预设时段内，由各感知设备采集并反馈的体况数据。
[0170]
本地模型训练模块320可以对体况数据作为样本，并根据一定比例划分出训练样本和测试样本，利用训练样本和测试样本对目标本地模型进行有监督的训练学习，将训练好的本地模型的第一模型参数上传至服务器端。
[0171]
本地模型更新模块330向服务器端发送预测请求，并将反馈的第二模型参数部署在其本地模型中，并从存储在本地的体况数据抽取出待预测的肉牛体况数据，并输入至该模型进行预测，
[0172]
可选地，该装置还包括指数确定模块，其中：
[0173]
指数确定模块，用于基于体况预测数据，确定体况指数，以供目标养殖场根据体况指数确定预设时段后的养殖数据。
[0174]
其中，体况预测数据包括体深预测数据、腹宽预测数据、头长预测数据、体斜长预测数据、胸围预测数据、体高预测数据中的至少一种。
[0175]
可选地，本地数据获取模块310包括特征提取单元和特征整合单元，其中：
[0176]
特征提取单元，用于基于肉牛的种类标识和日龄，获取第一特征数据和第二特征数据。
[0177]
特征整合单元，用于基于第一特征数据和第二特征数据，获取体况数据，以基于长短时记忆网络对体况数据进行训练，获取目标本地模型。
[0178]
本发明实施例提供的基于多源养殖数据挖掘的肉牛体况预测装置，用于执行本发明上述基于多源养殖数据挖掘的肉牛体况预测方法，其实施方式与本发明提供的基于多源养殖数据挖掘的肉牛体况预测方法的实施方式一致，且可以达到相同的有益效果，此处不再赘述。
[0179]
本发明实施例在不同养殖场利用本地存储的肉牛的体况数据，构建不同的本地模型，基于目标模型训练出的第一模型参数在服务器端中利用联邦学习进行更新与聚合，通过满足全局收敛的第二模型参数更新目标本地模型，基于更新后的目标本地模型对本地体况数据进行预测，获取体况预测数据。能够结合肉牛在预设时段内不同日龄生长变化趋势，设计出与养殖场对应的本地模型，保证本地数据单独训练与权重更新，并结合联邦学习的权重累计机制，保证预测结果属于全局最优解，提高预测精度。
[0180]
在上述任一实施例的基础上，图4是本发明提供的基于多源养殖数据挖掘的肉牛体况预测装置的结构示意图之二。如图4所示，本发明实施例提供的基于多源养殖数据挖掘的肉牛体况预测装置，包括模型获取模块410、聚合训练模块420和模型发布模块430，其中：
[0181]
模型获取模块410，用于接收目标养殖场所上传的本地模型的第一模型参数。
[0182]
聚合训练模块420，用于基于横向联邦学习方法，对各养殖场的本地模型进行聚合训练，获取全局模型的第二模型参数。
[0183]
模型发布模块430，用于将第二模型参数下发至目标养殖场，供目标养殖场更新本地模型，以基于更新后的本地模型进行体况预测。
[0184]
具体地，模型获取模块410、聚合训练模块420和模型发布模块430顺次电连接。
[0185]
模型获取模块410接收所有养殖场上传的本地模型及其第一模型数据。
[0186]
聚合训练模块420协调完成多轮联邦学习，对各养殖场的本地模型进行聚合和更新，获取全局收敛的全局模型。
[0187]
模型发布模块430接收并响应于各养殖场发送的预测请求，进行模型查新，若本轮的全局模型满足全局收敛，且本次多轮联邦学习的第二模型数据与上一次多轮联邦学习不同时，说明本次多轮联邦学习的全局模型为一个新模型，则将第二模型参数反馈给对应的养殖场。
[0188]
可选地，聚合训练模块420包括训练单元和聚合单元，其中：
[0189]
训练单元，用于以各第一模型参数与目标损失函数，重新训练各本地模型的第一模型参数。
[0190]
聚合单元，用于基于所有更新后的第一模型参数加权平均，获取第二模型参数。
[0191]
本发明实施例提供的基于多源养殖数据挖掘的肉牛体况预测装置，用于执行本发明上述基于多源养殖数据挖掘的肉牛体况预测方法，其实施方式与本发明提供的基于多源养殖数据挖掘的肉牛体况预测方法的实施方式一致，且可以达到相同的有益效果，此处不再赘述。
[0192]
本发明实施例基于目标模型训练出的第一模型参数在服务器端中利用联邦学习进行更新与聚合，获取满足全局收敛的第二模型参数，以更新目标本地模型，并对本地体况数据进行预测，获取体况预测数据。能够结合肉牛在预设时段内不同日龄生长变化趋势，设
计出与养殖场对应的本地模型，保证本地数据单独训练与权重更新，并结合联邦学习的权重累计机制，保证预测结果属于全局最优解，提高预测精度。
[0193]
在上述任一实施例的基础上，图5是本发明提供的基于多源养殖数据挖掘的肉牛体况预测系统的结构示意图。如图5所示，本发明实施例提供的基于多源养殖数据挖掘的肉牛体况预测系统包括一个设置在远程的服务器端节点的基于多源养殖数据挖掘的肉牛体况预测装置，以及设置在多个养殖场节点的基于多源养殖数据挖掘的肉牛体况预测装置。
[0194]
具体地，基于多源养殖数据挖掘的肉牛体况预测系统是由设置在远程的服务器端节点的基于多源养殖数据挖掘的肉牛体况预测装置510，以及设置在多个养殖场节点的基于多源养殖数据挖掘的肉牛体况预测装置520，基于以b/s架构体系，利用无线通信技术进行二者之间请求和响应的信令传输，支持养殖场节点的使用者通过应用程序(application)、浏览器等形式进行服务运算，并实时返回运算结果。
[0195]
本发明实施例在不同养殖场利用本地存储的肉牛的体况数据，构建不同的本地模型，基于目标模型训练出的第一模型参数在服务器端中利用联邦学习进行更新与聚合，通过满足全局收敛的第二模型参数更新目标本地模型，基于更新后的目标本地模型对本地体况数据进行预测，获取体况预测数据。能够结合肉牛在预设时段内不同日龄生长变化趋势，设计出与养殖场对应的本地模型，保证本地数据单独训练与权重更新，并结合联邦学习的权重累计机制，保证预测结果属于全局最优解，提高预测精度。
[0196]
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(communications interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行基于多源养殖数据挖掘的肉牛体况预测方法，该方法包括：获取目标养殖场内各肉牛的体况数据；以体况数据作为训练样本，训练出目标本地模型的第一模型参数，并将第一模型参数上传至服务器端；基于服务器端下发的第二模型参数，更新目标本地模型，以利用更新后的目标本地模型对体况数据进行预测，获取体况预测数据；其中，目标本地模型与目标养殖场一一对应；第二模型参数是服务器端基于横向联邦学习方法，对所有养殖场的本地模型进行聚合训练，所得到的全局模型的模型参数。还可以执行基于多源养殖数据挖掘的肉牛体况预测方法，该方法包括：接收目标养殖场所上传的本地模型的第一模型参数；基于横向联邦学习方法，对各养殖场的本地模型进行聚合训练，获取全局模型的第二模型参数；将第二模型参数下发至目标养殖场，供目标养殖场更新本地模型，以基于更新后的本地模型进行体况预测。
[0197]
此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0198]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机
程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的基于多源养殖数据挖掘的肉牛体况预测方法，该方法包括：获取目标养殖场内各肉牛的体况数据；以体况数据作为训练样本，训练出目标本地模型的第一模型参数，并将第一模型参数上传至服务器端；基于服务器端下发的第二模型参数，更新目标本地模型，以利用更新后的目标本地模型对体况数据进行预测，获取体况预测数据；其中，目标本地模型与目标养殖场一一对应；第二模型参数是服务器端基于横向联邦学习方法，对所有养殖场的本地模型进行聚合训练，所得到的全局模型的模型参数。还可以执行基于多源养殖数据挖掘的肉牛体况预测方法，该方法包括：接收目标养殖场所上传的本地模型的第一模型参数；基于横向联邦学习方法，对各养殖场的本地模型进行聚合训练，获取全局模型的第二模型参数；将第二模型参数下发至目标养殖场，供目标养殖场更新本地模型，以基于更新后的本地模型进行体况预测。
[0199]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于多源养殖数据挖掘的肉牛体况预测方法，该方法包括：获取目标养殖场内各肉牛的体况数据；以体况数据作为训练样本，训练出目标本地模型的第一模型参数，并将第一模型参数上传至服务器端；基于服务器端下发的第二模型参数，更新目标本地模型，以利用更新后的目标本地模型对体况数据进行预测，获取体况预测数据；其中，目标本地模型与目标养殖场一一对应；第二模型参数是服务器端基于横向联邦学习方法，对所有养殖场的本地模型进行聚合训练，所得到的全局模型的模型参数。还可以执行基于多源养殖数据挖掘的肉牛体况预测方法，该方法包括：接收目标养殖场所上传的本地模型的第一模型参数；基于横向联邦学习方法，对各养殖场的本地模型进行聚合训练，获取全局模型的第二模型参数；将第二模型参数下发至目标养殖场，供目标养殖场更新本地模型，以基于更新后的本地模型进行体况预测。
[0200]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0201]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0202]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。