CN117591989B - 一种针对畜禽活动的数据监控方法和系统 - Google Patents

一种针对畜禽活动的数据监控方法和系统 Download PDF

Info

Publication number
CN117591989B
CN117591989B CN202410077450.4A CN202410077450A CN117591989B CN 117591989 B CN117591989 B CN 117591989B CN 202410077450 A CN202410077450 A CN 202410077450A CN 117591989 B CN117591989 B CN 117591989B
Authority
CN
China
Prior art keywords
action
livestock
poultry
time
monitored
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.)
Active
Application number
CN202410077450.4A
Other languages
English (en)
Other versions
CN117591989A (zh
Inventor
韩雪
徐景峨
伍革民
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guizhou Institute Of Animal Husbandry And Veterinary Medicine
Original Assignee
Guizhou Institute Of Animal Husbandry And Veterinary Medicine
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guizhou Institute Of Animal Husbandry And Veterinary Medicine filed Critical Guizhou Institute Of Animal Husbandry And Veterinary Medicine
Priority to CN202410077450.4A priority Critical patent/CN117591989B/zh
Publication of CN117591989A publication Critical patent/CN117591989A/zh
Application granted granted Critical
Publication of CN117591989B publication Critical patent/CN117591989B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Agronomy & Crop Science (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本申请涉及动物健康技术领域，特别是涉及一种针对畜禽活动的数据监控方法和系统，通过对待监控畜禽活动行为所对应的活动行为发生日期、活动行为发生区域和动作当前饲养场景的饲养场景标识等数据进行检测，结合待监控畜禽上一次动作所对应的异常动作监控数据，确定待监控畜禽活动行为所对应的动作时间健康风险权重、动作发生区域健康风险权重、饲养场景更换健康风险权重和动作时间间隔健康风险权重，进而实现对待监控畜禽的活动行为进行健康风险监控。本发明充分考虑了与畜禽动作最相关的动作时间、动作发生区域、饲养场景更换和动作时间间隔的健康风险权重，提高了待监控畜禽动作健康风险判断的准确性。

Description

一种针对畜禽活动的数据监控方法和系统
技术领域
本申请涉及动物健康技术领域，特别是涉及一种针对畜禽活动的数据监控方法和系统。
背景技术
在家畜、家禽生产管理中，由于畜禽的状态与其疾病预防和生长状况息息相关，因此畜禽状态检测成为了畜禽养殖过程中至关重要的一步。
相关技术中，畜禽状态检测的手段主要通过对采集的牲畜动作信息进行特征提取，然后利用提取的畜禽特征对畜禽状态进行监测。
发明内容
基于此，有必要针对上述技术问题，提供一种针对畜禽活动的数据监控方法和系统。
根据本发明第一方面，本发明请求保护一种针对畜禽活动的数据监控方法，其特征在于，所述方法包括：
采集待监控畜禽实时动作对应的实时动作监控数据，所述动作监控数据包括所述待监控畜禽实时动作对应的实时动作发生日期、实时动作发生区域和动作实时饲养场景的实时饲养场景ID；
根据所述实时动作发生日期，基于与所述待监控畜禽对应的异常动作发生日期权重分布，确定所述待监控畜禽实时动作所对应的动作时间健康风险权重；
根据所述实时动作发生区域，基于所述待监控畜禽对应的异常动作发生区域分布，确定所述待监控畜禽实时动作所对应的动作发生区域健康风险权重；
根据所述待监控畜禽的实时动作与历史动作之间的动作时间间隔，基于所述待监控畜禽的异常动作时间间隔分布，确定所述待监控畜禽实时动作所对应的动作时间间隔健康风险权重；
采集待监控畜禽的历史动作匹配饲养场景的匹配饲养场景ID，基于与所述待监控畜禽对应的异常动作状态转移矩阵，并根据所述实时饲养场景ID和匹配饲养场景ID，确定实时动作表征从匹配饲养场景转移到实时饲养场景的饲养场景更换健康风险权重；
根据所述动作时间健康风险权重、动作发生区域健康风险权重、饲养场景更换健康风险权重和动作时间间隔健康风险权重，对所述待监控畜禽的实时动作进行健康风险监控。
进一步的，所述根据所述实时动作发生日期，基于与所述待监控畜禽对应的异常动作发生日期分布，确定所述待监控畜禽实时动作所对应的动作时间健康风险权重之前，还包括：
采集第一推荐治疗时间段内所述待监控畜禽的多个异常动作发生日期；其中，每个异常动作发生日期对应所述待监控畜禽的一次异常动作，所述第一推荐治疗时间段包括多个动作周期；
采用相同的划分原则，将所述第一推荐治疗时间段内的每个动作周期均划分为若干区间片段；其中，对于每个动作周期，均包含有与其他动作周期相同的若干区间片段；
对于每个区间片段，根据所述多个异常动作发生日期，统计所述第一推荐治疗时间段内，所述待监控畜禽在每个动作周期的同一区间片段的推荐治疗区间动作次数；
基于所述待监控畜禽在每个动作周期的同一区间片段的推荐治疗区间动作次数和所述若干区间片段，采集所述待监控畜禽的异常动作发生日期分布；
所述根据所述实时动作发生日期，基于与所述待监控畜禽对应的异常动作发生日期分布，确定所述待监控畜禽实时动作所对应的动作时间健康风险权重，包括：
根据实时动作发生日期在所述动作周期中所处的区间片段，并基于与所述待监控畜禽对应的异常动作发生日期分布，确定所述待监控畜禽的实时动作相对应的动作时间健康风险权重。
进一步的，所述基于所述待监控畜禽在每个动作周期的同一区间片段的推荐治疗区间动作次数和所述若干区间片段，采集所述待监控畜禽的异常动作发生日期分布，包括：
对于每个区间片段，统计所述待监控畜禽在每个动作周期的同一区间片段的推荐治疗区间动作次数，采集所述待监控畜禽在每个区间片段的推荐治疗区间动作总次数；
根据所述若干区间片段，以及每个区间片段对应的推荐治疗区间动作总次数，绘制所述待监控畜禽的异常动作发生日期权重参数分布；
对所述异常动作发生日期权重参数分布进行曲线拟合和归一化处理，得到异常动作发生日期分布；
根据所述实时动作发生区域，基于所述待监控畜禽对应的异常动作发生区域分布，确定所述待监控畜禽实时动作所对应的动作发生区域健康风险权重之前，还包括：
采集第二推荐治疗时间段内，所述待监控畜禽的多个异常动作发生区域，每个异常动作发生区域对应所述待监控畜禽的一次异常动作；
根据所述多个异常动作发生区域采集对应的多个异常动作距离；所述异常动作距离为每个异常动作发生区域与动作饲养场景地址之间的语义距离；
对所述多个异常动作距离进行空间聚类，得到多个动作距离区间；
统计所述第二推荐治疗时间段内，所述待监控畜禽在每个动作距离区间内的异常动作距离数量，采集异常动作发生区域分布；
根据所述实时动作发生区域，基于所述待监控畜禽对应的异常动作发生区域分布，确定所述待监控畜禽实时动作所对应的动作发生区域健康风险权重，包括：
对于所述待监控畜禽，根据所述实时动作发生区域与实时动作发生区域的上一动作发生区域，确定实时动作距离；
根据所述实时动作距离所属的动作距离区间，以及所述异常动作发生区域分布，确定所述待监控畜禽的实时动作相对应的动作发生区域健康风险权重。
进一步的，根据所述待监控畜禽的实时动作与历史动作之间的动作时间间隔，基于所述待监控畜禽的异常动作时间间隔分布，确定所述待监控畜禽实时动作所对应的动作时间间隔健康风险权重之前，还包括：
采集第三推荐治疗时间段内，所述待监控畜禽的多个异常动作发生日期；其中，每个异常动作发生日期对应所述待监控畜禽的一次异常动作；
根据所述多个异常动作发生日期采集多个异常动作时间间隔，所述异常动作时间间隔为所述待监控畜禽的每个动作与历史动作之间的时间间隔；
采集所述多个异常动作时间间隔的标准方差和平均值，根据所述标准方差和平均值，采集所述待监控畜禽的异常动作时间间隔分布；
所述根据所述待监控畜禽的实时动作与历史动作之间的动作时间间隔，基于所述待监控畜禽的异常动作时间间隔分布，确定所述待监控畜禽实时动作所对应的动作时间间隔健康风险权重，包括：
根据实时所述待监控畜禽的实时动作发生日期与上一动作时间之间的实时动作时间间隔，以及所述异常动作时间间隔分布，确定所述待监控畜禽的实时动作对应的连续动作时间间隔健康风险权重。
进一步的，所述采集待监控畜禽的历史动作匹配饲养场景的匹配饲养场景ID，基于与所述待监控畜禽对应的异常动作状态转移矩阵，并根据所述实时饲养场景ID和匹配饲养场景ID，确定实时动作表征从匹配饲养场景转移到实时饲养场景的饲养场景更换健康风险权重之前，还包括：
采集第四推荐治疗时间段内与所述待监控畜禽对应的多个异常动作饲养场景ID，每个异常动作的异常动作饲养场景对应一个异常动作饲养场景ID；
根据所述多个异常动作饲养场景ID，采集所述待监控畜禽两次连续的异常动作对应在一个目标异常动作饲养场景ID组之间发生动作转移的权重，采集初始动作状态转移矩阵；其中，每个目标异常动作饲养场景ID组中包含两个目标异常动作服务ID器，所述目标异常动作饲养场景ID包含在所述目标异常动作饲养场景ID集合中；
对所述初始动作状态转移矩阵进行归一化处理，采集异常动作状态转移矩阵。
根据本发明第二方面，本发明请求保护一种针对畜禽活动的数据监控系统，其特征在于，所述系统包括：
采集模块，用于采集待监控畜禽实时动作对应的实时动作监控数据，所述动作监控数据包括所述待监控畜禽实时动作对应的实时动作发生日期、实时动作发生区域和动作实时饲养场景的实时饲养场景ID；
第一计算模块，用于根据所述实时动作发生日期，基于与所述待监控畜禽对应的异常动作发生日期分布，确定所述待监控畜禽实时动作所对应的动作时间健康风险权重；
第二计算模块，用于根据所述实时动作发生区域，基于所述待监控畜禽对应的异常动作发生区域分布，确定所述待监控畜禽实时动作所对应的动作发生区域健康风险权重；
第三计算模块，用于根据所述待监控畜禽的实时动作与历史动作之间的动作时间间隔，基于所述待监控畜禽的异常动作时间间隔分布，确定所述待监控畜禽实时动作所对应的动作时间间隔健康风险权重；
第四计算模块，用于采集待监控畜禽的历史动作匹配饲养场景的匹配饲养场景ID，基于与所述待监控畜禽对应的异常动作状态转移矩阵，并根据所述实时饲养场景ID和匹配饲养场景ID，确定实时动作表征从匹配饲养场景转移到实时饲养场景的饲养场景更换健康风险权重；
健康风险监控模块，用于根据所述动作时间健康风险权重、动作发生区域健康风险权重、饲养场景更换健康风险权重和动作时间间隔健康风险权重，对所述待监控畜禽的实时动作进行健康风险监控。
进一步的，所述根据所述实时动作发生日期，基于与所述待监控畜禽对应的异常动作发生日期分布，确定所述待监控畜禽实时动作所对应的动作时间健康风险权重之前，还包括：
采集第一推荐治疗时间段内所述待监控畜禽的多个异常动作发生日期；其中，每个异常动作发生日期对应所述待监控畜禽的一次异常动作，所述第一推荐治疗时间段包括多个动作周期；
采用相同的划分原则，将所述第一推荐治疗时间段内的每个动作周期均划分为若干区间片段；其中，对于每个动作周期，均包含有与其他动作周期相同的若干区间片段；
对于每个区间片段，根据所述多个异常动作发生日期，统计所述第一推荐治疗时间段内，所述待监控畜禽在每个动作周期的同一区间片段的推荐治疗区间动作次数；
基于所述待监控畜禽在每个动作周期的同一区间片段的推荐治疗区间动作次数和所述若干区间片段，采集所述待监控畜禽的异常动作发生日期分布；
所述根据所述实时动作发生日期，基于与所述待监控畜禽对应的异常动作发生日期分布，确定所述待监控畜禽实时动作所对应的动作时间健康风险权重，包括：
根据实时动作发生日期在所述动作周期中所处的区间片段，并基于与所述待监控畜禽对应的异常动作发生日期分布，确定所述待监控畜禽的实时动作相对应的动作时间健康风险权重。
进一步的，所述基于所述待监控畜禽在每个动作周期的同一区间片段的推荐治疗区间动作次数和所述若干区间片段，采集所述待监控畜禽的异常动作发生日期分布，包括：
对于每个区间片段，统计所述待监控畜禽在每个动作周期的同一区间片段的推荐治疗区间动作次数，采集所述待监控畜禽在每个区间片段的推荐治疗区间动作总次数；
根据所述若干区间片段，以及每个区间片段对应的推荐治疗区间动作总次数，绘制所述待监控畜禽的异常动作发生日期权重参数分布；
对所述异常动作发生日期权重参数分布进行曲线拟合和归一化处理，得到异常动作发生日期分布；
所述根据所述实时动作发生区域，基于所述待监控畜禽对应的异常动作发生区域分布，确定所述待监控畜禽实时动作所对应的动作发生区域健康风险权重之前，还包括：
采集第二推荐治疗时间段内，所述待监控畜禽的多个异常动作发生区域，每个异常动作发生区域对应所述待监控畜禽的一次异常动作；
根据所述多个异常动作发生区域采集对应的多个异常动作距离；所述异常动作距离为每个异常动作发生区域与动作饲养场景地址之间的语义距离；
对所述多个异常动作距离进行空间聚类，得到多个动作距离区间；
统计所述第二推荐治疗时间段内，所述待监控畜禽在每个动作距离区间内的异常动作距离数量，采集异常动作发生区域分布；
所述根据所述实时动作发生区域，基于所述待监控畜禽对应的异常动作发生区域分布，确定所述待监控畜禽实时动作所对应的动作发生区域健康风险权重，包括：
对于所述待监控畜禽，根据所述实时动作发生区域与实时动作发生区域的上一动作发生区域，确定实时动作距离；
根据所述实时动作距离所属的动作距离区间，以及所述异常动作发生区域分布，确定所述待监控畜禽的实时动作相对应的动作发生区域健康风险权重。
进一步的，所述根据所述待监控畜禽的实时动作与历史动作之间的动作时间间隔，基于所述待监控畜禽的异常动作时间间隔分布，确定所述待监控畜禽实时动作所对应的动作时间间隔健康风险权重之前，还包括：
采集第三推荐治疗时间段内，所述待监控畜禽的多个异常动作发生日期；其中，每个异常动作发生日期对应所述待监控畜禽的一次异常动作；
根据所述多个异常动作发生日期采集多个异常动作时间间隔，所述异常动作时间间隔为所述待监控畜禽的每个动作与历史动作之间的时间间隔；
采集所述多个异常动作时间间隔的标准方差和平均值，根据所述标准方差和平均值，采集所述待监控畜禽的异常动作时间间隔分布；
所述根据所述待监控畜禽的实时动作与历史动作之间的动作时间间隔，基于所述待监控畜禽的异常动作时间间隔分布，确定所述待监控畜禽实时动作所对应的动作时间间隔健康风险权重，包括：
根据实时所述待监控畜禽的实时动作发生日期与上一动作时间之间的实时动作时间间隔，以及所述异常动作时间间隔分布，确定所述待监控畜禽的实时动作对应的连续动作时间间隔健康风险权重。
进一步的，所述采集待监控畜禽的历史动作匹配饲养场景的匹配饲养场景ID，基于与所述待监控畜禽对应的异常动作状态转移矩阵，并根据所述实时饲养场景ID和匹配饲养场景ID，确定实时动作表征从匹配饲养场景转移到实时饲养场景的饲养场景更换健康风险权重之前，还包括：
采集第四推荐治疗时间段内与所述待监控畜禽对应的多个异常动作饲养场景ID，每个异常动作的异常动作饲养场景对应一个异常动作饲养场景ID；
根据所述多个异常动作饲养场景ID，采集所述待监控畜禽两次连续的异常动作对应在一个目标异常动作饲养场景ID组之间发生动作转移的权重，采集初始动作状态转移矩阵；其中，每个目标异常动作饲养场景ID组中包含两个目标异常动作服务ID器，所述目标异常动作饲养场景ID包含在所述目标异常动作饲养场景ID集合中；
对所述初始动作状态转移矩阵进行归一化处理，采集异常动作状态转移矩阵。
本发明涉及的一种针对畜禽活动的数据监控方法和系统，通过待监控畜禽活动行为所对应的活动行为发生日期、活动行为发生区域和动作当前饲养场景的当前饲养场景标识等活动行为监控数据，结合待监控畜禽上一次动作所对应的异常动作监控数据，确定待监控畜禽活动行为所对应的动作时间健康风险权重、动作发生区域健康风险权重、饲养场景更换健康风险权重和动作时间间隔健康风险权重，对所述待监控畜禽的活动行为进行健康风险监控。其中，基于待监控畜禽的异常动作每个健康风险特征(动作时间、动作发生区域、饲养场景更换和动作时间间隔)所对应的特征曲线(分布)，充分考虑了与畜禽动作最相关的动作时间、动作发生区域、饲养场景更换和动作时间间隔的健康风险权重，提高了待监控畜禽动作健康风险判断的准确性。
附图说明
图1为本发明实施例所涉及的一种畜禽健康风险动作监控方法的工作流程图；
图2为本发明实施例所涉及的一种畜禽健康风险动作监控方法的第二工作流程图；
图3为本发明实施例所涉及的一种畜禽健康风险动作监控系统的结构模块图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种畜禽健康风险动作监控方法，包括以下步骤：
步骤S101，获取待监控畜禽活动行为对应的活动行为监控数据，动作监控数据包括待监控畜禽活动行为对应的活动行为发生日期、活动行为发生区域和动作当前饲养场景的当前饲养场景标识。
具体来说，对于待监控畜禽的一次具体动作，饲养场景会获取活动行为对应的动作监控数据，动作监控数据主要包括动作的时间、地点、动作的饲养场景等，用于描述畜禽当前的动作。
步骤S102，根据活动行为发生日期，基于与待监控畜禽对应的异常动作发生日期分布，确定待监控畜禽活动行为所对应的动作时间健康风险权重。
具体来说，对于确定的待监控畜禽来说，其动作具有一定的推荐治疗规律可循，基于异常动作，饲养场景可以对待监控畜禽的异常动作时间这一特征进行刻画，获得具体的规律，即待监控畜禽对应的异常动作发生日期分布。异常动作发生日期分布可以有效说明待监控畜禽在一个推荐治疗时间段内的异常动作时间规律，根据异常动作发生日期分布显示，可以确定待监控畜禽在一个具体的发生日期动作的权重，确定活动行为的动作时间健康风险权重；动作时间健康风险权重可以用于表征反应畜禽在生产后的异常等动作发生的时长，进而可以用于表示评估畜禽的生产后恢复健康风险。
步骤S103，根据活动行为发生区域，基于待监控畜禽对应的异常动作发生区域分布，确定待监控畜禽活动行为所对应的动作发生区域健康风险权重。
具体来说，对于确定的待监控畜禽来说，基于该待监控畜禽的异常动作，饲养场景可以对其在一段动作时间内的异常动作发生区域这一特征进行刻画，即异常动作发生区域分布，该分布显示了畜禽在一个具体的发生区域进行动作的权重，基于异常动作发生区域分布，可以确定待监控畜禽在一个具体的发生区域动作的权重，确定活动行为的动作发生区域健康风险权重。
在该实施例中，动作发生区域表征畜禽的疼痛发生部位，一般怀孕畜禽存在多种并发症，综合怀孕畜禽的并发症对于怀孕畜禽的疼痛发生部位进行定位匹配度确认，得到动作发生区域健康风险权重；动作发生区域健康风险权重可以用于表征怀孕畜禽的疼痛是否与并发症相匹配，反映出是否出现意外健康风险。
步骤S104，根据待监控畜禽的活动行为与历史动作之间的动作时间间隔，基于待监控畜禽的异常动作时间间隔分布，确定待监控畜禽活动行为所对应的动作时间间隔健康风险权重。
具体来说，对于确定的待监控畜禽来说，两次连续的动作之间的间隔也是对动作是否健康风险进行判断的重要因素之一。例如，对于具体的待监控畜禽来说，其过往的异常动作中从未出现过在小于一小时的时间内连续两次动作的情形，则当待监控畜禽的活动行为与上一次动作之间时间间隔小于1时，其健康风险权重较大。饲养场景通过对待监控畜禽的异常动作进行分析，可以确定其对应的异常动作时间间隔分布，基于这个分布，就可以确定待监控畜禽某一具体的动作时间间隔健康风险权重。
步骤S105，获取待监控畜禽的历史动作匹配饲养场景的匹配饲养场景标识，基于与待监控畜禽对应的异常动作状态转移矩阵，并根据当前饲养场景标识和匹配饲养场景标识，确定活动行为表征从匹配饲养场景转移到当前饲养场景的饲养场景更换健康风险权重。
具体来说，对于确定的待监控畜禽来说，动作的饲养场景之间具有一定的规律。饲养场景通过对待监控畜禽的异常动作进行分析，得到一个用于评估待监控畜禽在不同饲养场景之间进行更换的权重矩阵(异常动作状态转移矩阵)，即从上一次动作对应的饲养场景A跳转到下一动作对应的饲养场景B的权重，当需要对一个新的动作进行评估时，只要确定活动行为的上一动作的饲养场景，即可从异常动作状态转移矩阵中确定待监控畜禽从匹配饲养场景转移到当前饲养场景的饲养场景更换健康风险权重。
其中，异常动作状态转移矩阵是用矩阵的形式表示怀孕畜禽在生产之后的异常动作发生的状态转移情况，矩阵的各个要素为异常动作发生的时间、时长、疼痛强度信息；
饲养场景表明的是饲养人员和饲养病房信息，用于表征怀孕畜禽的病情稳定性，当怀孕畜禽病情较为稳定时，饲养场景不会频繁进行更换，否则需要经常发生更换，因此，饲养场景更换健康风险权重用于表征怀孕畜禽的健康稳定性。
步骤S106，根据动作时间健康风险权重、动作发生区域健康风险权重、饲养场景更换健康风险权重和动作时间间隔健康风险权重，对待监控畜禽的活动行为进行健康风险监控。
具体来说，对于确定的待监控畜禽来说，动作时间、动作发生区域、饲养场景更换和动作时间间隔分别属于一次动作的一个方面，都属于畜禽动作健康风险评估的影响因素，在对具体的畜禽动作进行健康风险评估时，需要分别确定动作时间健康风险权重、动作发生区域健康风险权重、饲养场景更换健康风险权重和动作时间间隔健康风险权重的权重比例。在一个实施例中，上述权重比例两两之间可以是相同的，也可以是互不不同的，本实施例中对此不作具体的限定。因此饲养场景需要对动作时间健康风险权重、动作发生区域健康风险权重、饲养场景更换健康风险权重和动作时间间隔健康风险权重进行综合考虑，才能对一个具体的动作是否健康风险进行准确评估，即根据需求确定每个影响因素对应的权重比例。
上述畜禽健康风险动作监控方法中，通过待监控畜禽活动行为所对应的活动行为发生日期、活动行为发生区域和动作当前饲养场景的当前饲养场景标识等活动行为监控数据，结合待监控畜禽上一次动作所对应的异常动作监控数据，确定待监控畜禽活动行为所对应的动作时间健康风险权重、动作发生区域健康风险权重、饲养场景更换健康风险权重和动作时间间隔健康风险权重，对待监控畜禽的活动行为进行健康风险监控。其中，基于待监控畜禽的异常动作每个健康风险特征(动作时间、动作发生区域、饲养场景更换和动作时间间隔)所对应的特征曲线(分布)，充分考虑了与畜禽动作最相关的动作时间、动作发生区域、饲养场景更换和动作时间间隔的健康风险权重，提高了待监控畜禽动作健康风险判断的准确性。
在一个实施例中，根据活动行为发生日期，基于与待监控畜禽对应的异常动作发生日期分布，确定待监控畜禽活动行为所对应的动作时间健康风险权重之前，方法还包括：获取第一推荐治疗时间段内待监控畜禽的多个异常动作发生日期；其中，每个异常动作发生日期对应待监控畜禽的一次异常动作，第一推荐治疗时间段包括多个动作周期；采用相同的划分原则，将第一推荐治疗时间段内的每个动作周期均划分为若干区间片段；其中，对于每个动作周期，均包含有与其他动作周期相同的若干区间片段；对于每个区间片段，根据多个异常动作发生日期，统计第一推荐治疗时间段内，待监控畜禽在每个动作周期的同一区间片段的推荐治疗区间动作次数；基于待监控畜禽在每个动作周期的同一区间片段的推荐治疗区间动作次数和若干区间片段，获取待监控畜禽的异常动作发生日期分布；根据活动行为发生日期，基于与待监控畜禽对应的异常动作发生日期分布，确定待监控畜禽活动行为所对应的动作时间健康风险权重，包括：根据活动行为发生日期在动作周期中所处的区间片段，并基于与待监控畜禽对应的异常动作发生日期分布，确定待监控畜禽的活动行为相对应的动作时间健康风险权重。
具体来说，为了获取确定的待监控畜禽在一段时间内的异常动作发生日期分布，本实施例中采取的方法是，饲养场景获取待监控畜禽在一个较长时间段(第一推荐治疗时间段，例如大于24小时)内的多个异常动作对应的异常动作发生日期，然后以一个较短的时间段(例如24小时)为周期，第一推荐治疗时间段内就包含有多个周期。对于每一个周期，都按照相同的划分规则，划分成相同的时间片段。由于存在多个周期，那么对于编号为1的片段，也存在多个。基于待监控畜禽在每个动作周期的同一区间片段的推荐治疗区间动作次数和区间片段，即可获取待监控畜禽的异常动作发生日期分布。当需要对一个具体的畜禽动作进行判断时，只需要将活动行为发生日期与异常动作发生日期分布进行比较，即可确定对应的动作时间健康风险权重。
在上述实施例中，将大量的畜禽动作在一个时间周期内进行刻画即为提高样本数量，可以有效提高最终异常动作发生日期分布的准确性，进而提高畜禽动作健康风险监控的准确性。
在一个实施例中，基于待监控畜禽在每个动作周期的同一区间片段的推荐治疗区间动作次数和若干区间片段，获取待监控畜禽的异常动作发生日期分布，包括：对于每个区间片段，统计待监控畜禽在每个动作周期的同一区间片段的推荐治疗区间动作次数，获取待监控畜禽在每个区间片段的推荐治疗区间动作总次数；根据若干区间片段，以及每个区间片段对应的推荐治疗区间动作总次数，绘制待监控畜禽的异常动作发生日期权重参数分布；对异常动作发生日期权重参数分布进行曲线拟合和归一化处理，得到异常动作发生日期分布。
具体来说，对于一个时间段来说，其中可能包括有多个周期，一个周期又包括多个时间片段。例如，对于一个周期中编号为1的时间片段，在绘制具体的异常动作发生日期分布时，需要基于异常动作发生日期，统计畜禽在整个时间段内的多个编号为1的时间片段里动作的总次数。最终可以获得每个编号片段所对应待监控畜禽动作次数，然后再基于各个时间片段和对应的待监控畜禽动作次数，就可以进行散点图绘制。本实施例中，还对其进行了进一步的曲线拟合和归一化处理，以获得最终的异常动作发生日期分布。
在上述实施例中，将大量的畜禽动作在一个时间周期内进行刻画即为提高样本数量，可以有效提高最终异常动作发生日期分布的准确性，进而提高畜禽动作健康风险监控的准确性。
在一个实施例中，根据活动行为发生区域，基于待监控畜禽对应的异常动作发生区域分布，确定待监控畜禽活动行为所对应的动作发生区域健康风险权重之前，方法还包括：获取第二推荐治疗时间段内，待监控畜禽的多个异常动作发生区域，每个异常动作发生区域对应待监控畜禽的一次异常动作；根据多个异常动作发生区域获取对应的多个异常动作距离；异常动作距离为每个异常动作发生区域与动作饲养场景地址之间的语义距离；对多个异常动作距离进行空间聚类，得到多个动作距离区间；统计第二推荐治疗时间段内，待监控畜禽在每个动作距离区间内的异常动作距离数量，获取异常动作发生区域分布；根据活动行为发生区域，基于待监控畜禽对应的异常动作发生区域分布，确定待监控畜禽活动行为所对应的动作发生区域健康风险权重，包括：对于待监控畜禽，根据活动行为发生区域与活动行为发生区域的上一动作发生区域，确定活动行为距离；根据活动行为距离所属的动作距离区间，以及异常动作发生区域分布，确定待监控畜禽的活动行为相对应的动作发生区域健康风险权重。
其中，在该实施例中，根据多个异常动作发生区域获取对应的多个异常动作距离；异常动作距离为每个异常动作发生区域与动作饲养场景地址之间的语义距离可以通过余弦距离计算方式，比如怀孕畜禽的并发症包括心脏病，异常动作发生区域为心脏，动作饲养场景地址为心内科，语义距离可以通过余弦距离计算方式得到。
具体来说，饲养场景通过异常动作发生区域分布来刻画待监控畜禽访问不同地理发生区域(基于动作目标标签)饲养场景的动作特征。其所采用的方式基于待监控畜禽动作的饲养场景标签距离，对待监控畜禽动作的多个目标饲养场景标签的进行空间划分(简单聚类)。饲养场景以畜禽动作所对应的标签地址与目标饲养场景标签地址之间的语义距离作为判断基础，对待监控畜禽的多个动作进行刻画，确定了畜禽在不同动作发生区域区间上的动作权重。
在上述实施例中，确定待监控畜禽在多个动作距离区间的权重值，可以对待监控畜禽的异常动作特征进行准确刻画，进而提高畜禽动作健康风险监控的准确性。
在一个实施例中，根据待监控畜禽的活动行为与历史动作之间的动作时间间隔，基于待监控畜禽的异常动作时间间隔分布，确定待监控畜禽活动行为所对应的动作时间间隔健康风险权重之前，方法还包括：获取第三推荐治疗时间段内，待监控畜禽的多个异常动作发生日期；其中，每个异常动作发生日期对应待监控畜禽的一次异常动作；根据多个异常动作发生日期获取多个异常动作时间间隔，异常动作时间间隔为待监控畜禽的每个动作与历史动作之间的时间间隔；获取多个异常动作时间间隔的标准方差和平均值，根据标准方差和平均值，获取待监控畜禽的异常动作时间间隔分布；根据待监控畜禽的活动行为与历史动作之间的动作时间间隔，基于待监控畜禽的异常动作时间间隔分布，确定待监控畜禽活动行为所对应的动作时间间隔健康风险权重，包括：根据当前待监控畜禽的活动行为发生日期与上一动作时间之间的活动行为时间间隔，以及异常动作时间间隔分布，确定待监控畜禽的活动行为对应的连续动作时间间隔健康风险权重。
具体来说，待监控畜禽连续两次动作所对应的时间间隔，也是其动作的重要特征之一。本实施例中，饲养场景首先获取一段时间(第三推荐治疗时间段)内的待监控畜禽连续动作时间间隔序列，然后对这个时间间隔序列进行建模，获取对应的权重密度曲线，归一化后获得用于描述待监控畜禽连续动作时间间隔特征的异常动作时间间隔分布，然后基于异常动作时间间隔分布确定活动行为对应的连续动作时间间隔健康风险权重。
在上述实施例中，确定待监控畜禽连续动作时间间隔特征，可以通过待监控畜禽的活动行为与前次异常动作之间的时间间隔，确定活动行为对应的连续动作时间间隔健康风险权重，进而提高畜禽动作健康风险监控的准确性。
在一个实施例中，获取待监控畜禽的历史动作匹配饲养场景的匹配饲养场景标识，基于与待监控畜禽对应的异常动作状态转移矩阵，并根据当前饲养场景标识和匹配饲养场景标识，确定活动行为表征从匹配饲养场景转移到当前饲养场景的饲养场景更换健康风险权重之前，方法还包括：获取第四推荐治疗时间段内与待监控畜禽对应的多个异常动作饲养场景标识，每个异常动作的异常动作饲养场景对应一个异常动作饲养场景标识；根据多个异常动作饲养场景标识，获取待监控畜禽两次连续的异常动作对应在一个目标异常动作饲养场景标识组之间发生动作转移的权重，获取初始动作状态转移矩阵；其中，每个目标异常动作饲养场景标识组中包含两个目标异常动作服务标识器，目标异常动作饲养场景标识包含在目标异常动作饲养场景标识集合中；对初始动作状态转移矩阵进行归一化处理，获取异常动作状态转移矩阵。
在上述实施例中，通过异常动作状态转移矩阵，饲养场景可以确定活动行为对应的饲养场景更换健康风险权重，充分评估饲养场景更换健康风险权重在待监控畜禽动作健康风险监控判断中的影响，提高待监控畜禽动作健康风险监控的准确性。
在一个实施例中，根据多个异常动作饲养场景标识，获取待监控畜禽两次连续的异常动作对应在一个目标异常动作饲养场景标识组之间发生动作转移的权重，获取初始动作状态转移矩阵，包括：对多个异常动作饲养场景标识去重，得到目标异常动作饲养场景标识集合；根据目标异常动作饲养场景标识集合，生成多个目标异常动作饲养场景标识组；根据待监控畜禽两次连续的异常动作分别对应的异常动作饲养场景标识，计算待监控畜禽按照先后顺序动作每个目标异常动作饲养场景标识组对应的两个异常动作饲养场景的异常动作饲养场景转移权重；基于多个目标异常动作饲养场景标识组和每个目标异常动作饲养场景标识组对应的异常动作饲养场景转移权重，生成初始动作状态转移矩阵。
具体来说，在异常动作状态转移矩阵中，矩阵的行数与列数相等，行列编号分别对应待监控畜禽先后动作的两个具体的异常动作饲养场景。通过对一段时间(第四推荐治疗时间段)内待监控畜禽的动作监控数据，可以具体确定矩阵中每个矩阵元素所对应的异常动作饲养场景转移权重，其中包括待监控畜禽在连续的两次动作中动作不同饲养场景和动作相同饲养场景的权重。由此获得的异常动作状态转移矩阵，可以全面反映畜禽在不同异常动作饲养场景之间发生转移的权重，并可以基于畜禽的多次异常动作，对畜禽动作在不同异常动作饲养场景之间发生动作转移的特征进行准确刻画。
其中，在该实施例中，参照附图2，根据多个异常动作饲养场景ID，采集待监控畜禽两次连续的异常动作对应在一个目标异常动作饲养场景ID组之间发生动作转移的权重，采集初始动作状态转移矩阵，包括：
步骤S201，对多个异常动作饲养场景ID去重，得到目标异常动作饲养场景ID集合；
步骤S202，根据目标异常动作饲养场景ID集合，生成多个目标异常动作饲养场景ID组；
步骤S203，根据待监控畜禽两次连续的异常动作分别对应的异常动作饲养场景ID，计算待监控畜禽按照先后顺序动作每个目标异常动作饲养场景ID组对应的两个异常动作饲养场景的异常动作饲养场景转移权重；
步骤S204，基于多个目标异常动作饲养场景ID组和每个目标异常动作饲养场景ID组对应的异常动作饲养场景转移权重，生成初始动作状态转移矩阵。
在上述实施例中，通过异常动作状态转移矩阵，饲养场景可以确定活动行为对应的饲养场景更换健康风险权重，充分评估饲养场景更换健康风险权重在待监控畜禽动作健康风险监控判断中的影响，提高待监控畜禽动作健康风险监控的准确性。
进一步地，上述实施例中，第一推荐治疗时间段、第二推荐治疗时间段、第三推荐治疗时间段、第四推荐治疗时间段可以相同也可以不相同。
进一步地，本实施例中，首先对畜禽动作特征进行了提取，包括：畜禽动作时间分布特征(异常动作发生日期分布)、畜禽动作空间分布特征(异常动作发生区域分布)、畜禽相邻动作时间间隔分布特征(异常动作时间间隔分布)、畜禽动作饲养场景的马尔可夫转移特征(异常动作状态转移矩阵)，然后基于上述特征，对待监控畜禽当前的动作健康风险进行监控，具体过程如下：
步骤1：获取畜禽动作时间分布特征；
刻画畜禽在不同时段的动作次数，学习一个权重密度曲线。对一个畜禽，以半小时为一个区间片段，一天被分为48个区间片段，以{I1，I2，...，I48}表示。用过去60天的异常动作数据相应地压缩在一天内，统计每一个区间片段Ii的动作次数，记为ni，用n表示一天内(60天的数据)的总动作次数。用一个光滑曲线0≤g(x)≤1拟合上述的离散点，使得
为保持各个模型持度一致，对g(x)进行均匀缩放，即找出常数λ＞0，使得T(x)＝λg(x)的最大值为1，即T(x)为该畜禽动作的时间分布的权重密度曲线。
步骤2：获取畜禽动作空间分布特征；
刻画畜禽访问不同地理发生区域(基于动作目标标签)饲养场景的动作特征。基于标签距离将目标饲养场景标签的进行空间划分(简单聚类)。
步骤3：畜禽相邻动作时间间隔分布特征；
步骤4：畜禽动作饲养场景的马尔可夫转移特征；
假设某个畜禽标签u(畜禽标签)动作饲养场景标签集合为{标签1,标签2,...,标签n}。将上述饲养场景标签集合理解为畜禽标签u的n个不同状态，因此畜禽动作不同饲养场景(含两次动作相同饲养场景，即状态自转移)的理解为畜禽的在不同状态之间的转移。根据马尔可夫性，畜禽当前状态只和过去最近一次状态有关，记为：
tij＝p(标签j|标签i)
表示畜禽在状态标签i的条件下，转移到状态标签j的权重，p(标签j|标签i)表示畜禽在状态标签i的条件下，转移到状态标签j的概率。于是获得对应的状态转移矩阵如下：
本实施例中，可以利用过去60天动作数据，利用极大似然估计确定上述的状态转移矩阵。为保持各个模型尺度一致，对上述的状态转移矩阵进行归一化处理，即
步骤5：建立畜禽健康风险动作组合监控模型；
利用畜禽特征，建立畜禽健康风险动作组合监控模型。
模型输入：畜禽标签u的属性，活动行为饲养场景的标签current和动作时间timecurrent，以及过去最近一次动作饲养场景的标签past和动作时间timepast；组合权重p1+p2+p3+p4＝1以及决策阈值λ＞0。
模型输出：畜禽标签u是否健康风险动作。
具体的畜禽健康风险动作组合监控推理过程如下：
(1)基于畜禽动作时间分布特征(异常动作发生日期分布)，确定动作时间健康风险权重Pt＝1-T(timecurrent)，T(timecurrent)表示动作时间timecurrent所占饲养时长的百分比。
(2)基于畜禽动作空间分布特征(异常动作发生区域分布)，确定动作发生区域健康风险权重：
利用步骤2中的简单聚类算法判断标签current所属的聚类类别，即：
标签current∈cluster_j；
计算动作发生区域健康风险权重Ps＝1-S(cluster_j)，S(cluster_j)表示聚类集合cluster_j的总健康风险权重。
(3)畜禽相邻动作时间间隔分布特征(异常动作时间间隔分布)，确定动作时间间隔健康风险权重：
计算时间间隔t_gap＝timecurrent-timepast；
计算动作时间间隔健康风险权重Pg＝1-G(t_gap)，G(t_gap)为时间间隔占全动作时长的百分比。
(4)基于畜禽动作饲养场景的马尔可夫转移特征(异常动作状态转移矩阵)确定饲养场景更换健康风险权重：
Pm＝1-t标签_past,标签_current＝1-p(标签_current|标签_past)。
(5)计算待监控畜禽的活动行为健康风险权重：
P＝p1·Pt+p2·Ps+p3·Pg+p4·Pm。
(6)监控待监控畜禽的活动行为是否健康风险：
如果P＞r，则畜禽标签u为否健康风险动作畜禽，其中r为预设的动作健康风险权重阈值，当待监控畜禽的活动行为健康风险权重超过预设的动作健康风险权重阈值时，即表征待监控畜禽的活动行为健康风险。
在一个实施例中，如图3所示，提供了一种畜禽健康风险动作监控系统，包括：获取模块301，第一计算模块302，第二计算模块303，第三计算模块304，第四计算模块305，健康风险监控模块306，其中：
获取模块301，用于获取待监控畜禽活动行为对应的活动行为监控数据，动作监控数据包括待监控畜禽活动行为对应的活动行为发生日期、活动行为发生区域和动作当前饲养场景的当前饲养场景标识。
第一计算模块302，用于根据活动行为发生日期，基于与待监控畜禽对应的异常动作发生日期分布，确定待监控畜禽活动行为所对应的动作时间健康风险权重。
第二计算模块303，用于根据活动行为发生区域，基于待监控畜禽对应的异常动作发生区域分布，确定待监控畜禽活动行为所对应的动作发生区域健康风险权重。
第三计算模块304，用于根据待监控畜禽的活动行为与历史动作之间的动作时间间隔，基于待监控畜禽的异常动作时间间隔分布，确定待监控畜禽活动行为所对应的动作时间间隔健康风险权重。
第四计算模块305，用于获取待监控畜禽的历史动作匹配饲养场景的匹配饲养场景标识，基于与待监控畜禽对应的异常动作状态转移矩阵，并根据当前饲养场景标识和匹配饲养场景标识，确定活动行为表征从匹配饲养场景转移到当前饲养场景的饲养场景更换健康风险权重。
健康风险监控模块306，用于根据动作时间健康风险权重、动作发生区域健康风险权重、饲养场景更换健康风险权重和动作时间间隔健康风险权重，对待监控畜禽的活动行为进行健康风险监控。
上述畜禽健康风险动作监控系统，通过待监控畜禽活动行为所对应的活动行为发生日期、活动行为发生区域和动作当前饲养场景的当前饲养场景标识等活动行为监控数据，结合待监控畜禽上一次动作所对应的异常动作监控数据，确定待监控畜禽活动行为所对应的动作时间健康风险权重、动作发生区域健康风险权重、饲养场景更换健康风险权重和动作时间间隔健康风险权重，对待监控畜禽的活动行为进行健康风险监控。其中，基于待监控畜禽的异常动作每个健康风险特征(动作时间、动作发生区域、饲养场景更换和动作时间间隔)所对应的特征曲线(分布)，充分考虑了与畜禽动作最相关的动作时间、动作发生区域、饲养场景更换和动作时间间隔的健康风险权重，提高了待监控畜禽动作健康风险判断的准确性。
其中，在该实施例中动作发生区域所对应的特征曲线(分布)为畜禽在进行具体的活动行为动作时的所在区域，依据时间为自变量，确定各个时间内的动作发生区域作为对应的特征曲线(分布)，依据该特征曲线(分布)可以对具体的养殖区域的特点进行分析决策；
所述饲养场景更换所对应的特征曲线(分布)为畜禽在进行具体的活动行为动作前预设时间内发生的饲养场景更换行为，依据时间为自变量，确定各个时间内的发生的饲养场景更换行为的频率次数作为对应的特征曲线(分布)，依据该特征曲线(分布)可以对畜禽的饲养环境更改提出意见；
在一个实施例中，第一计算模块，还用于：获取第一推荐治疗时间段内待监控畜禽的多个异常动作发生日期；其中，每个异常动作发生日期对应待监控畜禽的一次异常动作，第一推荐治疗时间段包括多个动作周期；采用相同的划分原则，将第一推荐治疗时间段内的每个动作周期均划分为若干区间片段；其中，对于每个动作周期，均包含有与其他动作周期相同的若干区间片段；对于每个区间片段，根据多个异常动作发生日期，统计第一推荐治疗时间段内，待监控畜禽在每个动作周期的同一区间片段的推荐治疗区间动作次数；基于待监控畜禽在每个动作周期的同一区间片段的推荐治疗区间动作次数和若干区间片段，获取待监控畜禽的异常动作发生日期分布；根据活动行为发生日期在动作周期中所处的区间片段，并基于与待监控畜禽对应的异常动作发生日期分布，确定待监控畜禽的活动行为相对应的动作时间健康风险权重。
在上述实施例中，将大量的畜禽动作在一个时间周期内进行刻画即为提高样本数量，可以有效提高最终异常动作发生日期分布的准确性。
在一个实施例中，第一计算模块，还用于：对于每个区间片段，统计待监控畜禽在每个动作周期的同一区间片段的推荐治疗区间动作次数，获取待监控畜禽在每个区间片段的推荐治疗区间动作总次数；根据若干区间片段，以及每个区间片段对应的推荐治疗区间动作总次数，绘制待监控畜禽的异常动作发生日期权重参数分布；对异常动作发生日期权重参数分布进行曲线拟合和归一化处理，得到异常动作发生日期分布。
在上述实施例中，将大量的畜禽动作在一个时间周期内进行刻画即为提高样本数量，可以有效提高最终异常动作发生日期分布的准确性。
在一个实施例中，第二计算模块，还用于：获取第二推荐治疗时间段内，待监控畜禽的多个异常动作发生区域，每个异常动作发生区域对应待监控畜禽的一次异常动作；根据多个异常动作发生区域获取对应的多个异常动作距离；异常动作距离为每个异常动作发生区域与动作饲养场景地址之间的语义距离；对多个异常动作距离进行空间聚类，得到多个动作距离区间；统计第二推荐治疗时间段内，待监控畜禽在每个动作距离区间内的异常动作距离数量，获取异常动作发生区域分布；对于待监控畜禽，根据活动行为发生区域与活动行为发生区域的上一动作发生区域，确定活动行为距离；根据活动行为距离所属的动作距离区间，以及异常动作发生区域分布，确定待监控畜禽的活动行为相对应的动作发生区域健康风险权重。
在上述实施例中，确定待监控畜禽在多个动作距离区间的权重值，可以对待监控畜禽的异常动作特征进行准确刻画。
在一个实施例中，第三计算模块，还用于：获取第三推荐治疗时间段内，待监控畜禽的多个异常动作发生日期；其中，每个异常动作发生日期对应待监控畜禽的一次异常动作；根据多个异常动作发生日期获取多个异常动作时间间隔，异常动作时间间隔为待监控畜禽的每个动作与历史动作之间的时间间隔；获取多个异常动作时间间隔的标准方差和平均值，根据标准方差和平均值，获取待监控畜禽的异常动作时间间隔分布；根据当前待监控畜禽的活动行为发生日期与上一动作时间之间的活动行为时间间隔，以及异常动作时间间隔分布，确定待监控畜禽的活动行为对应的连续动作时间间隔健康风险权重。
在上述实施例中，确定待监控畜禽连续动作时间间隔特征，可以通过待监控畜禽的活动行为与前次异常动作之间的时间间隔，确定活动行为对应的连续动作时间间隔健康风险权重，进而提高畜禽动作健康风险监控的准确性。
在一个实施例中，第四计算模块，还用于：获取第四推荐治疗时间段内与待监控畜禽对应的多个异常动作饲养场景标识，每个异常动作的异常动作饲养场景对应一个异常动作饲养场景标识；根据多个异常动作饲养场景标识，获取待监控畜禽两次连续的异常动作对应在一个目标异常动作饲养场景标识组之间发生动作转移的权重，获取初始动作状态转移矩阵；其中，每个目标异常动作饲养场景标识组中包含两个目标异常动作服务标识器，目标异常动作饲养场景标识包含在目标异常动作饲养场景标识集合中；对初始动作状态转移矩阵进行归一化处理，获取异常动作状态转移矩阵。
在上述实施例中，通过异常动作状态转移矩阵，饲养场景可以确定活动行为对应的饲养场景更换健康风险权重，充分评估饲养场景更换健康风险权重在待监控畜禽动作健康风险监控判断中的影响，提高待监控畜禽动作健康风险监控的准确性。
在一个实施例中，第四计算模块，还用于：对多个异常动作饲养场景标识去重，得到目标异常动作饲养场景标识集合；根据目标异常动作饲养场景标识集合，生成多个目标异常动作饲养场景标识组；根据待监控畜禽两次连续的异常动作分别对应的异常动作饲养场景标识，计算待监控畜禽按照先后顺序动作每个目标异常动作饲养场景标识组对应的两个异常动作饲养场景的异常动作饲养场景转移权重；基于多个目标异常动作饲养场景标识组和每个目标异常动作饲养场景标识组对应的异常动作饲养场景转移权重，生成初始动作状态转移矩阵。
在上述实施例中，通过异常动作状态转移矩阵，饲养场景可以确定活动行为对应的饲养场景更换健康风险权重，充分评估饲养场景更换健康风险权重在待监控畜禽动作健康风险监控判断中的影响，提高待监控畜禽动作健康风险监控的准确性。
本领域技术人员能够理解，本公开所披露的内容可以出现多种变型和改进。例如，以上所描述的各种设备或组件可以通过硬件实现，也可以通过软件、固件、或者三者中的一些或全部的组合实现。
本公开中使用了流程图用来说明根据本公开的实施例的方法的步骤。应当理解的是，前面或后面的步骤不一定按照顺序来精确的进行。相反，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中。
本领域普通技术人员可以理解上述方法中的全部或部分的步骤可通过计算机程序来指令相关硬件完成，程序可以存储于计算机可读存储介质中，如只读存储器、磁盘或光盘等。可选地，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地，上述实施例中的各模块/单元可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。本公开并不限制于任何特定形式的硬件和软件的结合。
除非另有定义，这里使用的所有术语具有与本公开所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
以上是对本公开的说明，而不应被认为是对其的限制。尽管描述了本公开的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本公开的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本公开范围内。应当理解，上面是对本公开的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本公开由权利要求书及其等效物限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (10)

1.一种针对畜禽活动的数据监控方法，其特征在于，所述方法包括：
采集待监控畜禽实时动作对应的实时动作监控数据，所述动作监控数据包括所述待监控畜禽实时动作对应的实时动作发生日期、实时动作发生区域和动作实时饲养场景的实时饲养场景ID；
根据所述实时动作发生日期，基于与所述待监控畜禽对应的异常动作发生日期分布，确定所述待监控畜禽实时动作所对应的动作时间健康风险权重；
根据所述实时动作发生区域，基于所述待监控畜禽对应的异常动作发生区域分布，确定所述待监控畜禽实时动作所对应的动作发生区域健康风险权重；
根据所述待监控畜禽的实时动作与历史动作之间的动作时间间隔，基于所述待监控畜禽的异常动作时间间隔分布，确定所述待监控畜禽实时动作所对应的动作时间间隔健康风险权重；
采集待监控畜禽的历史动作匹配饲养场景的匹配饲养场景ID，基于与所述待监控畜禽对应的异常动作状态转移矩阵，并根据所述实时饲养场景ID和匹配饲养场景ID，确定实时动作表征从匹配饲养场景转移到实时饲养场景的饲养场景更换健康风险权重；
根据所述动作时间健康风险权重、动作发生区域健康风险权重、饲养场景更换健康风险权重和动作时间间隔健康风险权重，对所述待监控畜禽的实时动作进行健康风险监控。
2.根据权利要求1所述的一种针对畜禽活动的数据监控方法，其特征在于，所述根据所述实时动作发生日期，基于与所述待监控畜禽对应的异常动作发生日期分布，确定所述待监控畜禽实时动作所对应的动作时间健康风险权重之前，还包括：
采集第一推荐治疗时间段内所述待监控畜禽的多个异常动作发生日期；其中，每个异常动作发生日期对应所述待监控畜禽的一次异常动作，所述第一推荐治疗时间段包括多个动作周期；
采用相同的划分原则，将所述第一推荐治疗时间段内的每个动作周期均划分为若干区间片段；其中，对于每个动作周期，均包含有与其他动作周期相同的若干区间片段；
对于每个区间片段，根据所述多个异常动作发生日期，统计所述第一推荐治疗时间段内，所述待监控畜禽在每个动作周期的同一区间片段的推荐治疗区间动作次数；
基于所述待监控畜禽在每个动作周期的同一区间片段的推荐治疗区间动作次数和所述若干区间片段，采集所述待监控畜禽的异常动作发生日期分布；
所述根据所述实时动作发生日期，基于与所述待监控畜禽对应的异常动作发生日期分布，确定所述待监控畜禽实时动作所对应的动作时间健康风险权重，包括：
根据实时动作发生日期在所述动作周期中所处的区间片段，并基于与所述待监控畜禽对应的异常动作发生日期分布，确定所述待监控畜禽的实时动作相对应的动作时间健康风险权重。
3.根据权利要求2所述的一种针对畜禽活动的数据监控方法，其特征在于，所述基于所述待监控畜禽在每个动作周期的同一区间片段的推荐治疗区间动作次数和所述若干区间片段，采集所述待监控畜禽的异常动作发生日期分布，包括：
对于每个区间片段，统计所述待监控畜禽在每个动作周期的同一区间片段的推荐治疗区间动作次数，采集所述待监控畜禽在每个区间片段的推荐治疗区间动作总次数；
根据所述若干区间片段，以及每个区间片段对应的推荐治疗区间动作总次数，绘制所述待监控畜禽的异常动作发生日期权重参数分布；
对所述异常动作发生日期权重参数分布进行曲线拟合和归一化处理，得到异常动作发生日期分布；
所述根据所述实时动作发生区域，基于所述待监控畜禽对应的异常动作发生区域分布，确定所述待监控畜禽实时动作所对应的动作发生区域健康风险权重之前，还包括：
采集第二推荐治疗时间段内，所述待监控畜禽的多个异常动作发生区域，每个异常动作发生区域对应所述待监控畜禽的一次异常动作；
根据所述多个异常动作发生区域采集对应的多个异常动作距离；所述异常动作距离为每个异常动作发生区域与动作饲养场景地址之间的语义距离；
对所述多个异常动作距离进行空间聚类，得到多个动作距离区间；
统计所述第二推荐治疗时间段内，所述待监控畜禽在每个动作距离区间内的异常动作距离数量，采集异常动作发生区域分布；
所述根据所述实时动作发生区域，基于所述待监控畜禽对应的异常动作发生区域分布，确定所述待监控畜禽实时动作所对应的动作发生区域健康风险权重，包括：
对于所述待监控畜禽，根据所述实时动作发生区域与实时动作发生区域的上一动作发生区域，确定实时动作距离；
根据所述实时动作距离所属的动作距离区间，以及所述异常动作发生区域分布，确定所述待监控畜禽的实时动作相对应的动作发生区域健康风险权重。
4.根据权利要求1所述的一种针对畜禽活动的数据监控方法，其特征在于，所述根据所述待监控畜禽的实时动作与历史动作之间的动作时间间隔，基于所述待监控畜禽的异常动作时间间隔分布，确定所述待监控畜禽实时动作所对应的动作时间间隔健康风险权重之前，还包括：
采集第三推荐治疗时间段内，所述待监控畜禽的多个异常动作发生日期；其中，每个异常动作发生日期对应所述待监控畜禽的一次异常动作；
根据所述多个异常动作发生日期采集多个异常动作时间间隔，所述异常动作时间间隔为所述待监控畜禽的每个动作与历史动作之间的时间间隔；
采集所述多个异常动作时间间隔的标准方差和平均值，根据所述标准方差和平均值，采集所述待监控畜禽的异常动作时间间隔分布；
所述根据所述待监控畜禽的实时动作与历史动作之间的动作时间间隔，基于所述待监控畜禽的异常动作时间间隔分布，确定所述待监控畜禽实时动作所对应的动作时间间隔健康风险权重，包括：
根据实时所述待监控畜禽的实时动作发生日期与上一动作时间之间的实时动作时间间隔，以及所述异常动作时间间隔分布，确定所述待监控畜禽的实时动作对应的连续动作时间间隔健康风险权重。
5.根据权利要求1所述的一种针对畜禽活动的数据监控方法，其特征在于，所述采集待监控畜禽的历史动作匹配饲养场景的匹配饲养场景ID，基于与所述待监控畜禽对应的异常动作状态转移矩阵，并根据所述实时饲养场景ID和匹配饲养场景ID，确定实时动作表征从匹配饲养场景转移到实时饲养场景的饲养场景更换健康风险权重之前，还包括：
采集第四推荐治疗时间段内与所述待监控畜禽对应的多个异常动作饲养场景ID，每个异常动作的异常动作饲养场景对应一个异常动作饲养场景ID；
根据所述多个异常动作饲养场景ID，采集所述待监控畜禽两次连续的异常动作对应在一个目标异常动作饲养场景ID组之间发生动作转移的权重，采集初始动作状态转移矩阵；其中，每个目标异常动作饲养场景ID组中包含两个目标异常动作服务ID器，所述目标异常动作饲养场景ID包含在所述目标异常动作饲养场景ID集合中；
对所述初始动作状态转移矩阵进行归一化处理，采集异常动作状态转移矩阵。
6.一种针对畜禽活动的数据监控系统，其特征在于，所述系统包括：
采集模块，用于采集待监控畜禽实时动作对应的实时动作监控数据，所述动作监控数据包括所述待监控畜禽实时动作对应的实时动作发生日期、实时动作发生区域和动作实时饲养场景的实时饲养场景ID；
第一计算模块，用于根据所述实时动作发生日期，基于与所述待监控畜禽对应的异常动作发生日期分布，确定所述待监控畜禽实时动作所对应的动作时间健康风险权重；
第二计算模块，用于根据所述实时动作发生区域，基于所述待监控畜禽对应的异常动作发生区域分布，确定所述待监控畜禽实时动作所对应的动作发生区域健康风险权重；
第三计算模块，用于根据所述待监控畜禽的实时动作与历史动作之间的动作时间间隔，基于所述待监控畜禽的异常动作时间间隔分布，确定所述待监控畜禽实时动作所对应的动作时间间隔健康风险权重；
第四计算模块，用于采集待监控畜禽的历史动作匹配饲养场景的匹配饲养场景ID，基于与所述待监控畜禽对应的异常动作状态转移矩阵，并根据所述实时饲养场景ID和匹配饲养场景ID，确定实时动作表征从匹配饲养场景转移到实时饲养场景的饲养场景更换健康风险权重；
健康风险监控模块，用于根据所述动作时间健康风险权重、动作发生区域健康风险权重、饲养场景更换健康风险权重和动作时间间隔健康风险权重，对所述待监控畜禽的实时动作进行健康风险监控。
7.根据权利要求6所述的一种针对畜禽活动的数据监控系统，其特征在于，所述根据所述实时动作发生日期，基于与所述待监控畜禽对应的异常动作发生日期分布，确定所述待监控畜禽实时动作所对应的动作时间健康风险权重之前，还包括：
采集第一推荐治疗时间段内所述待监控畜禽的多个异常动作发生日期；其中，每个异常动作发生日期对应所述待监控畜禽的一次异常动作，所述第一推荐治疗时间段包括多个动作周期；
采用相同的划分原则，将所述第一推荐治疗时间段内的每个动作周期均划分为若干区间片段；其中，对于每个动作周期，均包含有与其他动作周期相同的若干区间片段；
对于每个区间片段，根据所述多个异常动作发生日期，统计所述第一推荐治疗时间段内，所述待监控畜禽在每个动作周期的同一区间片段的推荐治疗区间动作次数；
基于所述待监控畜禽在每个动作周期的同一区间片段的推荐治疗区间动作次数和所述若干区间片段，采集所述待监控畜禽的异常动作发生日期分布；
所述根据所述实时动作发生日期，基于与所述待监控畜禽对应的异常动作发生日期分布，确定所述待监控畜禽实时动作所对应的动作时间健康风险权重，包括：
根据实时动作发生日期在所述动作周期中所处的区间片段，并基于与所述待监控畜禽对应的异常动作发生日期分布，确定所述待监控畜禽的实时动作相对应的动作时间健康风险权重。
8.根据权利要求7所述的一种针对畜禽活动的数据监控系统，其特征在于，所述基于所述待监控畜禽在每个动作周期的同一区间片段的推荐治疗区间动作次数和所述若干区间片段，采集所述待监控畜禽的异常动作发生日期分布，包括：
对于每个区间片段，统计所述待监控畜禽在每个动作周期的同一区间片段的推荐治疗区间动作次数，采集所述待监控畜禽在每个区间片段的推荐治疗区间动作总次数；
根据所述若干区间片段，以及每个区间片段对应的推荐治疗区间动作总次数，绘制所述待监控畜禽的异常动作发生日期权重参数分布；
对所述异常动作发生日期权重参数分布进行曲线拟合和归一化处理，得到异常动作发生日期分布；
所述根据所述实时动作发生区域，基于所述待监控畜禽对应的异常动作发生区域分布，确定所述待监控畜禽实时动作所对应的动作发生区域健康风险权重之前，还包括：
采集第二推荐治疗时间段内，所述待监控畜禽的多个异常动作发生区域，每个异常动作发生区域对应所述待监控畜禽的一次异常动作；
根据所述多个异常动作发生区域采集对应的多个异常动作距离；所述异常动作距离为每个异常动作发生区域与动作饲养场景地址之间的语义距离；
对所述多个异常动作距离进行空间聚类，得到多个动作距离区间；
统计所述第二推荐治疗时间段内，所述待监控畜禽在每个动作距离区间内的异常动作距离数量，采集异常动作发生区域分布；
所述根据所述实时动作发生区域，基于所述待监控畜禽对应的异常动作发生区域分布，确定所述待监控畜禽实时动作所对应的动作发生区域健康风险权重，包括：
对于所述待监控畜禽，根据所述实时动作发生区域与实时动作发生区域的上一动作发生区域，确定实时动作距离；
根据所述实时动作距离所属的动作距离区间，以及所述异常动作发生区域分布，确定所述待监控畜禽的实时动作相对应的动作发生区域健康风险权重。
9.根据权利要求8所述的一种针对畜禽活动的数据监控系统，其特征在于，所述根据所述待监控畜禽的实时动作与历史动作之间的动作时间间隔，基于所述待监控畜禽的异常动作时间间隔分布，确定所述待监控畜禽实时动作所对应的动作时间间隔健康风险权重之前，还包括：
采集第三推荐治疗时间段内，所述待监控畜禽的多个异常动作发生日期；其中，每个异常动作发生日期对应所述待监控畜禽的一次异常动作；
根据所述多个异常动作发生日期采集多个异常动作时间间隔，所述异常动作时间间隔为所述待监控畜禽的每个动作与历史动作之间的时间间隔；
采集所述多个异常动作时间间隔的标准方差和平均值，根据所述标准方差和平均值，采集所述待监控畜禽的异常动作时间间隔分布；
所述根据所述待监控畜禽的实时动作与历史动作之间的动作时间间隔，基于所述待监控畜禽的异常动作时间间隔分布，确定所述待监控畜禽实时动作所对应的动作时间间隔健康风险权重，包括：
根据实时所述待监控畜禽的实时动作发生日期与上一动作时间之间的实时动作时间间隔，以及所述异常动作时间间隔分布，确定所述待监控畜禽的实时动作对应的连续动作时间间隔健康风险权重。
10.根据权利要求9所述的一种针对畜禽活动的数据监控系统，其特征在于，所述采集待监控畜禽的历史动作匹配饲养场景的匹配饲养场景ID，基于与所述待监控畜禽对应的异常动作状态转移矩阵，并根据所述实时饲养场景ID和匹配饲养场景ID，确定实时动作表征从匹配饲养场景转移到实时饲养场景的饲养场景更换健康风险权重之前，还包括：
采集第四推荐治疗时间段内与所述待监控畜禽对应的多个异常动作饲养场景ID，每个异常动作的异常动作饲养场景对应一个异常动作饲养场景ID；
根据所述多个异常动作饲养场景ID，采集所述待监控畜禽两次连续的异常动作对应在一个目标异常动作饲养场景ID组之间发生动作转移的权重，采集初始动作状态转移矩阵；其中，每个目标异常动作饲养场景ID组中包含两个目标异常动作服务ID器，所述目标异常动作饲养场景ID包含在所述目标异常动作饲养场景ID集合中；
对所述初始动作状态转移矩阵进行归一化处理，采集异常动作状态转移矩阵。
CN202410077450.4A 2024-01-19 2024-01-19 一种针对畜禽活动的数据监控方法和系统 Active CN117591989B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410077450.4A CN117591989B (zh) 2024-01-19 2024-01-19 一种针对畜禽活动的数据监控方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410077450.4A CN117591989B (zh) 2024-01-19 2024-01-19 一种针对畜禽活动的数据监控方法和系统

Publications (2)

Publication Number Publication Date
CN117591989A CN117591989A (zh) 2024-02-23
CN117591989B true CN117591989B (zh) 2024-03-19

Family

ID=89922336

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410077450.4A Active CN117591989B (zh) 2024-01-19 2024-01-19 一种针对畜禽活动的数据监控方法和系统

Country Status (1)

Country Link
CN (1) CN117591989B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004017066A1 (en) * 2002-08-16 2004-02-26 Lattec I/S A system and a method for observing and predicting physiological state of an animal
CN102016745A (zh) * 2008-01-23 2011-04-13 加州大学评议会 用于行为监测及校正的系统和方法
CN107065984A (zh) * 2017-02-14 2017-08-18 江苏财经职业技术学院 基于物联网的水产养殖水质监测和预警系统
CN109900280A (zh) * 2019-03-27 2019-06-18 浙江大学 一种基于自主导航的畜禽信息感知机器人与地图构建方法
WO2020079066A1 (en) * 2018-10-16 2020-04-23 Five AI Limited Autonomous vehicle planning and prediction
CN113436295A (zh) * 2021-06-25 2021-09-24 平安科技（深圳）有限公司 活体养殖监控轨迹绘制方法、装置、设备及存储介质
CN114167922A (zh) * 2021-11-22 2022-03-11 郑州宝诺电子科技有限公司 一种基于多传感器数据采集的农牧智能分析的方法及系统
CN116092175A (zh) * 2021-11-03 2023-05-09 上海协牧电子科技有限公司 一种牲畜打架行为识别及预警方法、装置、介质及电子设备
CN116430920A (zh) * 2023-03-22 2023-07-14 淮阴工学院 畜禽养殖温度物联网智能调节方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170202185A1 (en) * 2016-01-18 2017-07-20 Dinklage Feed Yards, Inc. Unmanned livestock monitoring system and methods of use
US11369088B2 (en) * 2020-09-23 2022-06-28 International Business Machines Corporation Industrial livestock management leveraging digital twin computing

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004017066A1 (en) * 2002-08-16 2004-02-26 Lattec I/S A system and a method for observing and predicting physiological state of an animal
CN102016745A (zh) * 2008-01-23 2011-04-13 加州大学评议会 用于行为监测及校正的系统和方法
CN107065984A (zh) * 2017-02-14 2017-08-18 江苏财经职业技术学院 基于物联网的水产养殖水质监测和预警系统
WO2020079066A1 (en) * 2018-10-16 2020-04-23 Five AI Limited Autonomous vehicle planning and prediction
CN109900280A (zh) * 2019-03-27 2019-06-18 浙江大学 一种基于自主导航的畜禽信息感知机器人与地图构建方法
CN113436295A (zh) * 2021-06-25 2021-09-24 平安科技（深圳）有限公司 活体养殖监控轨迹绘制方法、装置、设备及存储介质
CN116092175A (zh) * 2021-11-03 2023-05-09 上海协牧电子科技有限公司 一种牲畜打架行为识别及预警方法、装置、介质及电子设备
CN114167922A (zh) * 2021-11-22 2022-03-11 郑州宝诺电子科技有限公司 一种基于多传感器数据采集的农牧智能分析的方法及系统
CN116430920A (zh) * 2023-03-22 2023-07-14 淮阴工学院 畜禽养殖温度物联网智能调节方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A nonstatistical approach to estimating confidence intervals about model parameters: application to respiratory mechanics;J.H.T. Bates等;IEEE Transactions on Biomedical Engineering;19910131;第39卷(第1期);94 - 100 *
基于GIS的规模化畜禽养殖场空间布局适宜性评价研究;阎波杰;王笔钦;李亚星;;环境污染与防治;20160515(05);80-85 *
基于交通违法事件的道路交通安全风险研究;李昀轩;中国博士学位论文全文数据库工程科技Ⅰ辑;20220215(第2期);B026-17 *
大气污染与防治的过去、现在及未来;黄顺祥;;科学通报;20180410(10);27-51 *
视频监控下的异常事件检测方法研究;杨先斌;中国优秀硕士学位论文全文数据库信息科技辑;20220215(第2期);I136-524 *

Also Published As

Publication number Publication date
CN117591989A (zh) 2024-02-23

Similar Documents

Publication Publication Date Title
CN109828869A (zh) 预测硬盘故障发生时间的方法、装置及存储介质
JP2012221508A (ja) 患者予後を予測するシステムおよびコンピュータ可読媒体
US20160267254A1 (en) System and method for classifying respiratory and overall health status of an animal
JP2020036633A (ja) 異常判別プログラム、異常判別方法および異常判別装置
CN112445690B (zh) 信息获取方法、装置及电子设备
CN111913999A (zh) 基于多组学与临床数据的统计分析方法、系统和存储介质
CN110738272B (zh) 一种输电线路通道可视化机械类连续告警样本的标注方法
CN116843085B (zh) 淡水鱼生长监控方法、装置、设备及存储介质
CN117591989B (zh) 一种针对畜禽活动的数据监控方法和系统
KR20200108199A (ko) 이상 감지를 이용한 모니터링 자동화 방법 및 장치
US20130281871A1 (en) System and method for classifying the respiratory health status of an animal
CN110995461B (zh) 网络故障诊断方法
JP2021192155A (ja) 異常検知支援プログラム、異常検知支援方法および異常検知支援システム
CN112365269A (zh) 风险检测方法、装置、设备以及存储介质
CN115468598A (zh) 一种猪舍环境智慧监控方法及系统
CN113068657B (zh) 一种智能化高效养猪方法及系统
CN114330136A (zh) 基于水表用水生活状态监测方法、系统、装置及存储介质
CN114528942A (zh) 工程机械的数据样本库的构建、故障预测方法及工程机械
CN106681791A (zh) 一种基于对称邻居关系的增量式虚拟机异常检测方法
Georgatzis et al. Discriminative switching linear dynamical systems applied to physiological condition monitoring
CN116595389B (zh) 识别异常客户端的方法、装置、计算机设备和存储介质
CN116504354B (zh) 一种基于智慧医疗的智能化服务推荐方法及系统
CN116189896B (zh) 一种基于云端的糖尿病健康数据预警方法及系统
CN116994652B (zh) 基于神经网络的信息预测方法、装置及电子设备
CN116579508B (zh) 一种鱼类预测方法、装置、设备及存储介质

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
GR01 Patent grant
GR01 Patent grant