CN108805176A - 一种基于随机森林回归的鱼饲料投喂量预测方法 - Google Patents
一种基于随机森林回归的鱼饲料投喂量预测方法 Download PDFInfo
- Publication number
- CN108805176A CN108805176A CN201810489966.4A CN201810489966A CN108805176A CN 108805176 A CN108805176 A CN 108805176A CN 201810489966 A CN201810489966 A CN 201810489966A CN 108805176 A CN108805176 A CN 108805176A
- Authority
- CN
- China
- Prior art keywords
- feeding volume
- fish meal
- random forest
- fish
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 43
- 235000019733 Fish meal Nutrition 0.000 title claims abstract description 35
- 239000004467 fishmeal Substances 0.000 title claims abstract description 34
- 241000251468 Actinopterygii Species 0.000 claims abstract description 46
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 23
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 16
- 229910052760 oxygen Inorganic materials 0.000 claims description 16
- 239000001301 oxygen Substances 0.000 claims description 16
- 238000003066 decision tree Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 10
- 238000009395 breeding Methods 0.000 abstract description 6
- 230000001488 breeding effect Effects 0.000 abstract description 6
- 230000037396 body weight Effects 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 241000157468 Reinhardtius hippoglossoides Species 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 6
- 238000009360 aquaculture Methods 0.000 description 5
- 244000144974 aquaculture Species 0.000 description 5
- 238000012417 linear regression Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000012258 culturing Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 235000021050 feed intake Nutrition 0.000 description 1
- 235000013332 fish product Nutrition 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000008188 pellet Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于随机森林回归的鱼饲料投喂量预测方法,包括以下步骤:采集养殖过程中影响饲料投喂量的若干因素指标和实际投喂量,构建样本数据集;根据样本数据特征对因素指标数据进行归一化预处理;根据一定比例将样本集数据随机分配到训练样本集和测试样本集中;根据训练样本集,建立基于随机森林回归的投喂量预测模型;随机抽取测试样本输入到投喂量预测模型,得到投喂量预测值,并评估预测精度。本发明提供了一种基于随机森林回归的鱼饲料投喂量预测方法,目的在于建立养殖环境、鱼体体重和鱼饲料投喂量的模型,以便在生产实践中根据养殖场环境和鱼体体重预测出养殖过程中合理的饲料投喂量,为养殖过程的自动化奠定基础。
Description
技术领域
本发明涉及鱼饲料投喂量的预测方法,具体是指一种基于随机森林回归的鱼饲料投喂量预测方法。
背景技术
近年来,水产养殖业发展迅速,特别是鱼类养殖产业规模不断扩大,使得鱼类养殖过程中饲料浪费的问题越来越凸显,论文“池塘养鱼的科学投饲技术”指出,在完全依赖投喂配合饲料养殖水产动物的生产方式下,只有大约饲料总量的30%的饲料用于增加水产动物的体重,饲料在投喂过程中因损失而进入养殖水体,不仅会造成饲料的浪费,也会污染水体环境,所以科学合理地投喂饲料在养殖过程中显得尤为重要。
自动投饵机已经在现代化的养殖场中逐渐兴起,其工作方式主要有两种:一是人工设置投饵时间;二是人工设置投喂量,无论投饵机是何种工作方式,投饵量主要由工人的经验决定,而自动投饵机的升级产品——智能自动投饵机,目前还处于研发阶段,智能投饵的关键是投饵量的自动计算,因而鱼饲料投喂量的预测研究具有很重要的应用价值。
随机森林是一个由随机决策森林演变而来的机器学习算法,基于随机森林回归的鱼饲料投喂量预测方法是通过使用多棵决策树构建随机森林,取每棵决策树的预测结果平均值作为投喂量的预测结果。
发明内容
本发明的目的是使用随机森林的算法根据鱼的体重以及外部生长环境因素预测鱼饲料最佳的投喂量,为鱼类的养殖提供科学合理的支撑。
为实现上述目的,本发明采取的技术方案是:一种基于随机森林回归的鱼饲料投喂量预测方法,包括构建样本数据集,对样本数据进行归一化预处理,对样本数据集进行分配,随机森林模型构建,测试模型并评估预测精度等过程。
所述构建样本数据集过程主要是采集影响鱼摄食的环境因素数据、鱼的体重数据以及饲料合理投喂量数据;所述归一化预处理过程是将数据进行归一化处理;所述样本数据集分配过程是将样本数据分为训练样本集和测试样本集;所述随机森林构建过程是建立环境参数、鱼体重和饲料投喂量的随机森林回归模型从而预测鱼饲料投喂量;所述测试模型并评估预测精度过程是抽取测试样本输入到投喂量预测模型,得到投喂量预测值,并评估预测精度的过程。
所述构建样本数据集过程是对水体温度、水中溶解氧水平等环境因素数据的采集和鱼塘中鱼的平均体重数据以及饲料投喂量数据的采集。获取样本数据有两种途径,一种是通过实验,得到数据;另一种方法是通过企业公布的资料获得数据。
通过养殖实验采集数据的方法是选择经验丰富的工人对驯化后的鱼定时、定点投喂,投喂的标准是饲料投喂量能保证鱼健康生长的情况下剩料最少的最佳投喂量。投喂方法因鱼品种不同而有所差异,以工厂化养殖的大菱鲆为例,投喂前20分钟开灯,使鱼在短时间内起水、集群,刚开始投料时,撒料要有力,砸出响声和水花,吸引鱼起水抢食,鱼起水后,快速水平方向投撒,使起水的鱼在水中、水面均匀摄食,当只有少量鱼起水的时,即可停止投喂。记录投喂量的同时,需要利用温度计得到养殖池温度,用溶解氧仪测定水中的溶解氧。养殖池中的鱼体重是通过抽样的方法估算的,根据养殖池中鱼的数目,随机抽取一定数目的鱼,称量后得到鱼的平均体重,为了提高准确性,可以重复抽样2-3次,计算鱼体重的算数平均值最为养殖池中鱼的平均体重。
对于养殖时间比较长的鱼种,如果已经形成了足够多的数据资料,就不需要再进行实验采集了。通常,饲料公司会不定期将内部的养殖实验结果公布出来以促进养殖户科学投喂,这些企业数据常常是以统计表格的形式发布,表中的鱼体重、温度和溶解氧都是一个范围量,是模糊值,而投喂量是对应条件下的统计平均值,是确定数值。
两种途径得到的数据形式不同,但都反映了饲料投喂量与鱼体大小、水温和溶解氧的关系,其中体现的养殖规律是稳定,都可以作为建立随机森林回归模型的训练数据,利用这些数据建立预测模型之前,需要对数据进行归一化处理。
所述归一化预处理过程是对水体温度、水中溶解氧水平和鱼的平均体重的归一化处理,对于具有确定数值的因素指标数据,直接归一化到0和1之间;对于模糊的因素指标数据进行取区间中值的处理,然后将取中值后的数据归一化到0和1之间,进而消除不同量纲的影响,详细介绍如下:
步骤(1):假设影响鱼类的投喂量的因素中的一个模糊取值位于区间(ai,bi),记中值ci为ai和bi的算术平均,即为公式(1):
(1)
步骤(2):对于步骤(1)处理后的数据ci,取其最大数值记为vmax、最小值记为vmin,该因素的所有数据中任一个数值为ci、归一化数值记为ci'。归一化的过程如公式(2):
(2)
所述样本数据分配过程是将样本数据分成训练样本集和测试样本集的过程,更具体的是将收集来的数据按照一定的比例分为随机森林的训练样本数据和测试样本数据,这里取二者比例为α:(1-α),其中分配系数α∈(0,1)。
假设收集的样本数据共有N个,α是数据分配系数,则用于训练的样本数据为其中表示取整函数,其含义是不大于α.N的最大整数;记其中任意一个样本记为Mi=(Xi;Yi),Xi=(Xi1,Xi2,…,XiK)表示第i个样本中影响投喂的因素参数,其中共有K个影响因素,Yi表示第i个样本的实际投喂量。
所述随机森林构建过程包括决策树构建以及使用决策树构成随机森林预测鱼饲料投喂量的算法过程,具体基于随机森林回归的鱼饲料投喂量预测算法构建过程如下:
步骤(1):从M个训练样本中采用有放回的方式随机选取M个样本数据,每选取一次后将所选数据放回。
步骤(2):在决策树的根部是随机选取的M个训练样本数据,记每一个样本中的特征数为K,分裂前随机选择K个特征中的k(k<<K)个特征,在k个特征中选择选最优的特征来决定左右子树的分裂,分裂的原则是能够使得分裂后的两部分残差平方和的和最小。在分裂后的两个结点处,分别随机选择k个特征按照相同原则分裂,直到叶子结点无法分裂,或者里面的样本都属于同一类,这样就生成一棵完整的决策树。
步骤(3):将以上步骤(1)和步骤(2)重复m次得到m棵决策树,所有的决策树共同构成随机森林。
所述测试模型并评估预测精度是利用随机森林回归模型预测鱼饲料投喂量并评估预测精确度的过程,从测试样本集中随机取出n个测试样本,依次输入到m棵决策树中,得到每棵树的预测实数结果,所有树的预测结果取平均值就是某个样本对应的预测投喂量。取预测投喂量和测试样本的实际投喂量对比,评估预测的性能。本发明采用平均误差衡量预测精度,预测平均误差的定义如公式(3):
(3)
其中Perr表示预测的平均误差,n表示测试中使用的总样本数,xi表示第i个数据中鱼饲料投喂量的真实值,yi表示利用第i个数据中环境参数和鱼体重预测出的投喂量。
本发明具有如下有益效果:基于随机森林回归算法根据鱼的体重和外部环境因素等相关数据进行鱼的最佳投喂量预测,实现鱼类的科学投喂和养殖。
附图说明
图1是本发明一种基于随机森林回归的鱼饲料投喂量预测的原理图。
图2为本发明一种基于随机森林回归的鱼饲料投喂量预测的实现流程图。
具体实施方式
下面结合附图对本发明做进一步的详细说明。
一种基于随机森林回归的鱼饲料投喂量预测方法,具体选用的鱼种为大菱鲆,整个处理原理如图1所示,包括构建样本数据集过程、归一化预处理过程、样本数据集分配过程、随机森林构建过程和测试模型并评估预测精度过程。
所述构建样本数据集过程,首先分析影响大菱鲆鱼饲料投喂量的内因和外部环境因素,得出影响大菱鲆鱼饲料投喂量的因素包括鱼的体重、水中溶氧水平以及水的温度,得到表1示例数据。
表1原始示例数据
溶解氧(mg/(L·h)) | 体重(g) | 水温(℃) | 投喂量(g) |
4~6 | 5~10 | 10~12 | 0.92 |
4~6 | 25~50 | 16~18 | 1.42 |
6~8 | 10~25 | 12~14 | 1.34 |
6~8 | 50~100 | 14~16 | 1.21 |
8~10 | 25~50 | 14~16 | 1.70 |
8~10 | 100~200 | 18~20 | 1.05 |
所述归一化预处理过程,首先将每个影响因素通过式(1)进行取中值处理,处理后的数据如表2所示:
表2示例数据取中值处理
溶解氧(mg/(L·h)) | 体重(g) | 水温(℃) | 投喂量(g) |
5 | 7.50 | 11 | 0.92 |
5 | 37.5 | 17 | 1.42 |
7 | 17.5 | 13 | 1.34 |
7 | 75.0 | 15 | 1.21 |
9 | 37.5 | 15 | 1.70 |
9 | 150.0 | 19 | 1.05 |
将所有处理的中值归一化到0和1之间,这里的极值是正常养殖的一个经验范围,因而将模糊数据和具体的数据取相同极值归一处理。
对于溶氧量这一影响因素,其极大值和极小值分别是vmax=10、vmin=4;鱼的体重这一影响因素,其极大值和极小值分别是vmax=500、vmin=3;温度因素,其极大值和极小值分别是vmax=22、vmin=8。对于体重超出500g的鱼,在其它因素不变的情况下,体重的增加对摄食影响不到,所以,体重超出500g的鱼按照体重是500g处理,归一化后体重是1,其它因素数据如果有超出极值的情况,先近似成极值后归一化处理。
使用式(2)进行归一化处理,得到表3预处理结果。
表3示例数据预处理结果
所述样本数据集分配过程,采集的数据样本共有N个,这里取分配系数α为0.75,即用于训练的样本数据占样本总量的比重为75%、测试精确度的样本数据占样本总量的比重为25%。总的样本数据被分为训练样本以及测试样本两部分。
所述随机森林构建过程,训练样本集为记任一个样本为Mi=(Xi;Yi),,Xi=(Xi1,Xi2,…,XiK)表示第i个样本中的养殖状态变量,其中共有K个影响因素,Yi表示第i个样本中的投喂量。这里影响鱼饲料投喂的因素数有三个,Xi1、Xi2和Xi3分别表示第i个样本中的溶氧量、体重和温度等影响因素的取值,Yi表示第i个样本实际的投喂量。
从M个训练样本中采用有放回的方法随机选取M个样本数据,每选取一次后将所选数据放回后重新选取。
训练开始时,所有随机样本都聚集在根结点,因为影响鱼饲料投喂的因素数是3,所以样本的特征数K为3;对M个样本随机选择K个特征中的k(k=1)个特征和阈值比较,按照大小关系分裂得到两个分支结点,分裂的原则是能够使得分裂后的两部分残差平方和的和最小;对新生成的结点继续用相同方法分裂,直到叶子结点无法分裂,或者里面的样本都属于同一类时分裂结束,决策树生成。
重复进行50次数据的选择和决策树的生成,建立起由50棵决策树组成的随机森林。
所述测试模型并评估预测精度过程,包括两个内容:一是给出溶氧量、体重和温度等影响因素,利用随机森林预测最佳的投喂量,对比实际饲料投喂量;二是收集不同料号(即不同直径)饲料的投喂情况,利用随机森林回归、线性回归以及贝叶斯线性回归预测不同料号饲料的投喂量,统计分析不同方法对不同料号饲料的预测精度。
所述检验投喂量预测精度的方法是从个测试数据中,有放回地选取一组样本数据作为测试数据,将这些数据中的溶氧量、体重和温度等影响因素输入到随机森林中,得到每棵树的预测结果,将所有决策树的预测结果取平均值就是预测的最佳投喂量,其中一部分对比数据如表4所示。
表4预测投喂量和实际投喂量数据对比
溶解氧(mg/(L·h)) | 体重(g) | 水温(℃) | 实际饲料投喂量(g) | 预测投喂量(g) |
5 | 77.5 | 9 | 0.41 | 0.41 |
7 | 275 | 13 | 0.65 | 0.67 |
5 | 7.5 | 19 | 2.37 | 2.36 |
9 | 77.5 | 13 | 1.06 | 1.03 |
9 | 37.5 | 13 | 1.25 | 1.25 |
统计分析不同料号饲料的预测精度目的是评估基于随机森林的投喂量预测模型对饲料不同直径变化的适应性。
评估不同料号饲料的预测精度方法是收集不同料号饲料的投喂量数据及其对应的水温、溶解氧和鱼的体重数据,将不同料号数据输入到基于随机森林回归的鱼饲料投喂量预测模型,计算出相应的合理投喂量,通过式(3)计算预测误差,这里选择八种不同直径的颗粒饲料,分别标号为#1、#2、…、#8。为了评估随机森林预测模型的性能,使用了线性回归的算法以及贝叶斯线性回归的算法进行对比,从上表5中的对比数据,可以看出随机森林预测误差数值最小,预测精确度最高。
三种方法预测得到的预测误差如下表5所示。
表5不同料号的预测误差
料号 | 饲料直径(mm) | 样本数目 | 随机森林回归(g) | 线性回归(g) | 贝叶斯线性回归(g) |
#1 | 1.9 | 1474 | 0.0030078 | 0.0658712 | 0.0658519 |
#2 | 2.5 | 1433 | 0.0109795 | 0.4934266 | 0.4933861 |
#3 | 3.2 | 1525 | 0.0140772 | 1.9104456 | 1.9112988 |
#4 | 4.2 | 2185 | 0.0189312 | 6.3308087 | 6.3285913 |
#5 | 5.2 | 2887 | 0.0269135 | 12.0821961 | 12.0823677 |
#6 | 6.3 | 3142 | 0.0509549 | 27.5835019 | 27.5852460 |
#7 | 7.8 | 2555 | 0.1671066 | 54.5473844 | 54.5241796 |
#8 | 9.5 | 1450 | 0.1044149 | 81.4577652 | 81.4539443 |
虽然具体实施方式选用一种具体的鱼类(即大菱鲆鱼),但是需要指出的是大菱鲆鱼的选用只是为了阐述本发明进行预测鱼饲料投喂量应使用一种鱼类进行预测,并不是局限于该鱼类,对于其它鱼类也可以使用相同的方法进行预测,其次,本技术领域的普通技术人员,在本发明的范围内,进行的任何非本质的变形及应用均属于本发明的保护范围。
Claims (6)
1.一种基于随机森林回归的鱼饲料投喂量预测方法,其特征在于:包括采集投喂过程中影响鱼饲料投喂量的若干因素指标,并获取相应指标下实际饲料投喂量,建立样本集;
分析影响鱼饲料投喂量的若干因素指标的数据变化范围,进行归一化预处理;
根据一定比例将样本集数据随机分配到训练样本集和测试样本集中;
根据训练集中的影响鱼饲料投喂量的若干因素指标和对应的实际饲料投喂量,建立一种基于随机森林回归的鱼饲料投喂量预测模型,如下式:
y=f(x1,…,xM)
其中,xi(i=1,…,M)表示影响鱼饲料投喂量的若干因素指标;y表示养殖中饲料的实际投喂量;
从测试样本集中随机选取影响鱼饲料投喂量的一组因素指标,输入到鱼饲料投喂量预测模型,得到对应的预测投喂量,并评估预测精度。
2.根据权利要求1所述的一种基于随机森林回归的鱼饲料投喂量预测方法,其特征在于:所述若干影响因素指标包括:水温、水中溶解氧水平和鱼塘中鱼的平均体重。
3.根据权利要求1所述的一种基于随机森林回归的鱼饲料投喂量预测方法,其特征在于:所述归一化预处理,对于模糊的因素指标数据用区间中值代替模糊数据,然后将中值归一化到0和1之间;对于具有确定数值的因素指标数据,直接归一化到0和1之间。
4.根据权利要求1所述的一种基于随机森林回归的鱼饲料投喂量预测方法,其特征在于:所述训练样本集和测试样本集的使用是有放回地选取样本数据参与训练和测试。
5.根据权利要求1所述的一种基于随机森林回归的鱼饲料投喂量预测方法,其特征在于:所述建立基于随机森林预测模型包括决策树构建以及使用决策树构成随机森林预测鱼饲料投喂量的算法过程。
6.根据权利要求1所述的一种基于随机森林回归的鱼饲料投喂量预测方法,其特征在于:所述测试模型并评估预测精度是随机抽取测试样本输入到投喂量预测模型,得到投喂量预测值,并评估预测精度的过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810489966.4A CN108805176A (zh) | 2018-05-21 | 2018-05-21 | 一种基于随机森林回归的鱼饲料投喂量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810489966.4A CN108805176A (zh) | 2018-05-21 | 2018-05-21 | 一种基于随机森林回归的鱼饲料投喂量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108805176A true CN108805176A (zh) | 2018-11-13 |
Family
ID=64091242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810489966.4A Withdrawn CN108805176A (zh) | 2018-05-21 | 2018-05-21 | 一种基于随机森林回归的鱼饲料投喂量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108805176A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242219A (zh) * | 2018-11-14 | 2019-01-18 | 浙江农林大学 | 蛋鸡采食行为的预测方法及蛋鸡采食行为的预测装置 |
CN110318327A (zh) * | 2019-06-10 | 2019-10-11 | 长安大学 | 一种基于随机森林的路面平整度预测方法 |
CN110889645A (zh) * | 2019-12-05 | 2020-03-17 | 中国农业科学院草原研究所 | 一种牧场牲畜饲养管理方法、系统和计算机可读存储介质 |
CN110956310A (zh) * | 2019-11-14 | 2020-04-03 | 佛山科学技术学院 | 基于特征选取和支持向量的鱼饲料投量预测方法及系统 |
CN111325522A (zh) * | 2020-02-24 | 2020-06-23 | 浪潮天元通信信息系统有限公司 | 一种基于物联网的智能渔业养殖管理方法和系统 |
CN112101658A (zh) * | 2020-09-14 | 2020-12-18 | 安徽工业大学 | 一种育肥猪养殖饲料消耗预测方法 |
CN115358157A (zh) * | 2022-10-20 | 2022-11-18 | 正大农业科学研究有限公司 | 个体窝产活仔数的预测分析方法、装置及电子设备 |
CN116228455A (zh) * | 2023-05-10 | 2023-06-06 | 临沂大学 | 一种叶尔羌高原鳅流水养殖试验数据处理方法 |
-
2018
- 2018-05-21 CN CN201810489966.4A patent/CN108805176A/zh not_active Withdrawn
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242219A (zh) * | 2018-11-14 | 2019-01-18 | 浙江农林大学 | 蛋鸡采食行为的预测方法及蛋鸡采食行为的预测装置 |
CN109242219B (zh) * | 2018-11-14 | 2021-03-30 | 浙江农林大学 | 蛋鸡采食行为的预测方法及蛋鸡采食行为的预测装置 |
CN110318327A (zh) * | 2019-06-10 | 2019-10-11 | 长安大学 | 一种基于随机森林的路面平整度预测方法 |
CN110956310A (zh) * | 2019-11-14 | 2020-04-03 | 佛山科学技术学院 | 基于特征选取和支持向量的鱼饲料投量预测方法及系统 |
CN110956310B (zh) * | 2019-11-14 | 2023-04-28 | 佛山科学技术学院 | 基于特征选取和支持向量的鱼饲料投量预测方法及系统 |
CN110889645A (zh) * | 2019-12-05 | 2020-03-17 | 中国农业科学院草原研究所 | 一种牧场牲畜饲养管理方法、系统和计算机可读存储介质 |
CN111325522A (zh) * | 2020-02-24 | 2020-06-23 | 浪潮天元通信信息系统有限公司 | 一种基于物联网的智能渔业养殖管理方法和系统 |
CN111325522B (zh) * | 2020-02-24 | 2022-12-06 | 浪潮通信信息系统有限公司 | 一种基于物联网的智能渔业养殖管理方法和系统 |
CN112101658A (zh) * | 2020-09-14 | 2020-12-18 | 安徽工业大学 | 一种育肥猪养殖饲料消耗预测方法 |
CN115358157A (zh) * | 2022-10-20 | 2022-11-18 | 正大农业科学研究有限公司 | 个体窝产活仔数的预测分析方法、装置及电子设备 |
CN115358157B (zh) * | 2022-10-20 | 2023-02-28 | 正大农业科学研究有限公司 | 个体窝产活仔数的预测分析方法、装置及电子设备 |
CN116228455A (zh) * | 2023-05-10 | 2023-06-06 | 临沂大学 | 一种叶尔羌高原鳅流水养殖试验数据处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108805176A (zh) | 一种基于随机森林回归的鱼饲料投喂量预测方法 | |
da Silva et al. | Disentangling the correlates of species and site contributions to beta diversity in dung beetle assemblages | |
CN101793887B (zh) | 大菱鲆养殖水质评价的模糊神经网络专家系统的构建方法 | |
Stribling et al. | Data quality, performance, and uncertainty in taxonomic identification for biological assessments | |
Walsh et al. | Relationships between Pacific salmon and aquatic and terrestrial ecosystems: implications for ecosystem‐based management | |
CN111047073B (zh) | 一种基于神经网络的水产养殖水质预测方法及系统 | |
Brunel et al. | Estimating age at maturation and energy-based life-history traits from individual growth trajectories with nonlinear mixed-effects models | |
CN109711590B (zh) | 渔业水质分析监测方法、装置和系统 | |
Diaz-Real et al. | Repeatability of feather mite prevalence and intensity in passerine birds | |
Wang et al. | Digital image processing technology under backpropagation neural network and K-Means Clustering algorithm on nitrogen utilization rate of Chinese cabbages | |
Arepalli et al. | Water quality prediction for salmon fish using gated recurrent unit (GRU) model | |
Basset et al. | Towards a functional classification of poorly known tropical insects: The case of rhinoceros beetles (Coleoptera, Dynastinae) in Panama | |
Richards et al. | Optimisation of competition indices using simulated annealing and artificial neural networks | |
Sigourney et al. | Size‐independent growth in fishes: patterns, models and metrics | |
West | Use of the Lorenz curve to measure size inequality and growth dominance in forest populations | |
CN109409590A (zh) | 一种用于淡水水生生物水质基准预测的系统 | |
Guo et al. | Characterization of the effects of inter-tree competition on source–sink balance in Chinese pine trees with the GreenLab model | |
Maksimović et al. | Multi-attribute analysis of orchard according to the integrated production concept | |
Esmaeili et al. | Prediction of shrimp growth using an artificial neural network and regression models | |
Ruiz-Velazco et al. | Evaluating partial harvesting strategies for whiteleg shrimp Litopenaeus (Penaeus) vannamei semi-intensive commercial production: profitability, uncertainty, and economic risk | |
CN109799326B (zh) | 一种估算不同食性土壤线虫生物量的方法 | |
Chen et al. | Evaluating the performances of size‐frequency‐based methods for estimating fishing mortality of Pholis fangi | |
CN110033187B (zh) | 一种基于环境数据的指标数据获取方法 | |
Zuidhof et al. | Smart poultry nutrition | |
Sahu et al. | Statistical inference |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20181113 |
|
WW01 | Invention patent application withdrawn after publication |