基于優(yōu)化的長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)牧群采食量估測(cè)模型

孟云琪，宣傳忠, 2*，張蒙秦，樊先濤，布 庫(kù)

基于優(yōu)化的長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)牧群采食量估測(cè)模型

孟云琪1，宣傳忠1, 2*，張蒙秦1，樊先濤1，布 庫(kù)3

(1. 內(nèi)蒙古農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院，呼和浩特 010018；2. 內(nèi)蒙古自治區(qū)草業(yè)與養(yǎng)殖業(yè)智能裝備工程技術(shù)研究中心，呼和浩特 010018；3. 中國(guó)農(nóng)業(yè)科學(xué)院草原研究所，呼和浩特 010010)

為了能夠較為精準(zhǔn)的估測(cè)牧群的采食量信息，提出一種基于遺傳算法(genetic algorithm, GA)和長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（long short-term memory，LSTM）的牧群采食量估測(cè)模型。首先通過(guò)皮爾森系數(shù)法分析得出影響牧群的采食量的主要影響因子，以減少輸入維度并解決信息冗余問(wèn)題。在此基礎(chǔ)上，構(gòu)建基于 LSTM 神經(jīng)網(wǎng)絡(luò)算法的牧群采食量估測(cè)模型，并引入遺傳算法來(lái)優(yōu)化LSTM 神經(jīng)網(wǎng)絡(luò)模型參數(shù)來(lái)增加模型的可靠性。最后，利用該模型對(duì)牧群采食量進(jìn)行估測(cè)。試驗(yàn)結(jié)果表明：該采食量估測(cè)模型各評(píng)價(jià)指標(biāo)平均絕對(duì)誤差(mean absolute error，)、平均絕對(duì)百分比誤差(mean absolute percentage error，)、以及均方根誤差（root mean square error，）分別為2.982、9.85%和6.108。與單一的LSTM神經(jīng)網(wǎng)絡(luò)以及GRU神經(jīng)網(wǎng)絡(luò)模型相比，均優(yōu)于其他模型；且該模型具有較好的估測(cè)性能和較強(qiáng)的泛化能力，能夠?yàn)楹侠磔喣撂峁┛茖W(xué)指導(dǎo)，對(duì)草地保護(hù)有一定的應(yīng)用價(jià)值。

放牧羊；采食量估測(cè)；LSTM；遺傳算法優(yōu)化；軌跡數(shù)據(jù)

草地畜牧業(yè)是農(nóng)業(yè)的重要組成部分，在我國(guó)國(guó)民經(jīng)濟(jì)中占有極其重要的地位[1]，21世紀(jì)初，受牧民長(zhǎng)期過(guò)度放牧等因素的影響，中國(guó)近90％的草地出現(xiàn)了不同程度的退化，這不僅影響了畜牧業(yè)的發(fā)展，而且嚴(yán)重威脅中國(guó)的生態(tài)安全[2]。因此，能夠大范圍、快速評(píng)估放牧羊群采食量信息并制定出相應(yīng)的劃區(qū)輪牧[3]、輕牧還草[4]、草原生態(tài)補(bǔ)償[5-6]、圍欄封育[7]等科學(xué)決策是必不可少的?，F(xiàn)有的放牧羊群采食量估測(cè)方法有畜牧業(yè)工作者直接通過(guò)人工觀察法進(jìn)行估測(cè)[8]，也可以通過(guò)給試驗(yàn)羊只佩戴相關(guān)傳感器監(jiān)測(cè)采集放牧羊只采食信號(hào)，進(jìn)而估測(cè)采食量數(shù)據(jù)[9]。以及利用GPS技術(shù)與網(wǎng)格分析方法分析放牧軌跡獲得放牧分布，并通過(guò)網(wǎng)格疊加法得到給定時(shí)空范圍內(nèi)的牧群采食量模型[10]。但人工觀察法勞動(dòng)強(qiáng)度大，工作效率低；而傳感器監(jiān)測(cè)法操作復(fù)雜，同時(shí)傳感器的佩戴會(huì)對(duì)試驗(yàn)羊只的采食行為造成影響，并不適合長(zhǎng)時(shí)間牧群采食量的采集與估測(cè)；GPS技術(shù)結(jié)合網(wǎng)格分析法雖可以大范圍的估測(cè)牧群的采食量分布，但估測(cè)精度不足。

隨著機(jī)器學(xué)習(xí)的深入研究，以卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）為代表的深度學(xué)習(xí)網(wǎng)絡(luò)得到了廣泛的發(fā)展和應(yīng)用[11]，同時(shí)，在對(duì)文本序列的非線性特征學(xué)習(xí)上具有一定優(yōu)勢(shì)的循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network, RNN)逐漸發(fā)展起來(lái)[12]，LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)能夠較好地保存早期的信息以便后面使用，從而防止較早期的信號(hào)在處理過(guò)程中逐漸消失[13]，可較好地處理以時(shí)間序列為引導(dǎo)的文本數(shù)據(jù)。

因此本研究提出GA-LSTM(genetic algorithm long short-term memory)模型估測(cè)牧群采食量，通過(guò)利用遺傳算法選取最優(yōu)LSTM網(wǎng)絡(luò)參數(shù)，來(lái)提高LSTM模型估測(cè)精度，并進(jìn)一步評(píng)估模型性能，驗(yàn)證模型的可靠性，方便牧群采食量的估測(cè)以及相關(guān)科學(xué)決策的制定。

1 材料與方法

1.1 試驗(yàn)地點(diǎn)及對(duì)象

試驗(yàn)選取內(nèi)蒙古自治區(qū)鄂爾多斯市阿爾巴斯絨山羊?yàn)檠芯繉?duì)象，于鄂爾多斯市鄂托克旗烏蘭鎮(zhèn)勝利隊(duì)當(dāng)?shù)啬翀?chǎng)進(jìn)行試驗(yàn)。該試驗(yàn)?zāi)翀?chǎng)地表面積約為4.993 7 km2，牧場(chǎng)有1個(gè)羊舍、1個(gè)飲水區(qū)，羊只共計(jì)325只。羊只于7:00—20:00時(shí)間段處于全牧區(qū)自由放牧狀態(tài)，其余時(shí)間可在羊舍自由活動(dòng)。

1.2 原始數(shù)據(jù)來(lái)源

通過(guò)GPS衛(wèi)星定位系統(tǒng)和傳感器監(jiān)測(cè)設(shè)備共同采集放牧羊群試驗(yàn)數(shù)據(jù)。試驗(yàn)時(shí)，隨機(jī)選取大、中、小體型羊各一只，并將太陽(yáng)能定位追蹤器寬松捆綁在試驗(yàn)羊背部，對(duì)試驗(yàn)羊只進(jìn)行自由放牧。并設(shè)置定位器以3 min為單位時(shí)間上傳定位點(diǎn)信息，定位追蹤器采集所得信號(hào)通過(guò)GPRS無(wú)線傳輸模塊傳輸?shù)綌?shù)據(jù)云存儲(chǔ)平臺(tái)進(jìn)行保存。為保證不影響試驗(yàn)個(gè)體的正常牧食活動(dòng)，試驗(yàn)人員遠(yuǎn)距離跟蹤觀察，通過(guò)望遠(yuǎn)鏡觀察記錄試驗(yàn)羊只單位時(shí)間內(nèi)的采食口數(shù)，通過(guò)應(yīng)用模擬采食法[14]合理估測(cè)試驗(yàn)羊只采食量。并實(shí)時(shí)采集風(fēng)速、風(fēng)向、空氣溫度、空氣濕度、氣壓以及試驗(yàn)羊只所處地形植被情況。

本課題試驗(yàn)時(shí)間為2020年6月1日到2020年11月30日，試驗(yàn)數(shù)據(jù)有效記錄天數(shù)合計(jì)85 d，其中6月記錄了10 d數(shù)據(jù)，7、8、9月份各記錄了16 d數(shù)據(jù)，11月記錄了11天數(shù)據(jù)?？偨Y(jié)整理有效定位點(diǎn)信息共計(jì)9 846條，大、中、小3種不同體型試驗(yàn)羊只分別獲取有效定位點(diǎn)信息分別為3 956、3739和2 151條。

1.3 數(shù)據(jù)預(yù)處理

為了方便試驗(yàn)羊只采食量標(biāo)定、提高采食量數(shù)據(jù)的可靠性，本研究通過(guò)創(chuàng)建線追蹤間隔將相鄰時(shí)間2個(gè)軌跡點(diǎn)P、P（0<<）連接形成軌跡段L，使用軌跡段L內(nèi)采食量數(shù)據(jù)取代單個(gè)定位點(diǎn)的采食量數(shù)據(jù)。同時(shí)，軌跡段L所包含的兩點(diǎn)之間的距離l、時(shí)間間隔T以及羊只行進(jìn)速度V等信息也可作為采食量估測(cè)模型的影響因子，有助于提高模型的泛化性。

按照天數(shù)比例隨機(jī)抽取大、中體型試驗(yàn)羊只軌跡段信息各2 151條并與小體型試驗(yàn)羊只軌跡段信息共同組成試驗(yàn)樣本數(shù)據(jù)集，該試驗(yàn)樣本集包含 6 453條數(shù)據(jù)，每條試驗(yàn)樣本包括羊只體型編號(hào)、軌跡起始點(diǎn)P、P的經(jīng)緯度坐標(biāo)、定位時(shí)間、高程、坡度、坡向、所處位置植被覆蓋度、軌跡段距離、軌跡段時(shí)間間隔、羊只行進(jìn)速度、空氣溫度、空氣濕度、風(fēng)速、風(fēng)向、氣壓以及軌跡段內(nèi)采食量標(biāo)定數(shù)據(jù)。

由于采集到的數(shù)據(jù)具有不同的維度和量綱，同時(shí)數(shù)據(jù)差距過(guò)大會(huì)對(duì)模型的估測(cè)造成較大的誤差。因此，需要將輸入數(shù)據(jù)進(jìn)行歸一化處理來(lái)調(diào)整到合理的范圍內(nèi)。本研究選用z-score (zero-mean normalization)標(biāo)準(zhǔn)化方法完成標(biāo)準(zhǔn)化，其標(biāo)準(zhǔn)化處理的表達(dá)式為

式中為輸入?yún)?shù)；該輸入?yún)?shù)的均值；該輸入?yún)?shù)的標(biāo)準(zhǔn)差；*為該輸入?yún)?shù)標(biāo)準(zhǔn)化后的數(shù)據(jù)。

由1.2節(jié)可知，本試驗(yàn)收集了大量的試驗(yàn)樣本數(shù)據(jù)，若將采集到的試驗(yàn)樣本數(shù)據(jù)直接輸入模型中，模型會(huì)變得非常復(fù)雜，極易出現(xiàn)無(wú)法收斂、收斂速度慢等問(wèn)題[15]。因此，本研究采用皮爾森相關(guān)系數(shù)法篩選影響采食量的關(guān)鍵因子，通過(guò)減少輸入維度來(lái)達(dá)到解決信息冗余的目的。

由采食量與部分影響因子之間的皮爾森相關(guān)系數(shù)（表1）可知，不同影響因子對(duì)于采食量所占影響權(quán)重排序?yàn)橹脖桓采w度、軌跡段距離、軌跡時(shí)間間隔、羊只體型、溫度、高程、坡度、坡向、坡位和風(fēng)速。本試驗(yàn)選取前6個(gè)影響因子作為采食量估測(cè)模型的輸入樣本，以降低數(shù)據(jù)維度和復(fù)雜度。

表1 采食量與部分影響因子的皮爾森系數(shù)

1.4 試驗(yàn)方法

圖1為羊只牧食信號(hào)采集處理架構(gòu)圖。圖中虛線框?yàn)樵诜?wù)器上運(yùn)行的訓(xùn)練集、驗(yàn)證集和測(cè)試集劃分與采食量估測(cè)模型創(chuàng)建流程，具體流程為將已標(biāo)定好采食量的試驗(yàn)數(shù)據(jù)分為訓(xùn)練集、驗(yàn)證集與測(cè)試集，并將訓(xùn)練集數(shù)據(jù)輸入到GA-LSTM神經(jīng)網(wǎng)絡(luò)中進(jìn)行采食量估測(cè)訓(xùn)練，并使用驗(yàn)證集進(jìn)行驗(yàn)證，得到具有泛化能力和記憶性的采食量估測(cè)模型。然后將準(zhǔn)備好的測(cè)試集數(shù)據(jù)輸入到訓(xùn)練好的采食量估測(cè)模型中，進(jìn)行模型性能的評(píng)估。

1.試驗(yàn)羊只；2.太陽(yáng)能GPS定位器；3.GPRS網(wǎng)絡(luò)通訊；4.GPS信號(hào)接收平臺(tái)；5.服務(wù)器；6.數(shù)據(jù)集；7.平穩(wěn)進(jìn)食的羊只。

Figure 1 Structure diagram of sheep grazing signal acquisition and processing

1.5 基于GA_LSTM神經(jīng)網(wǎng)絡(luò)的采食量估測(cè)模型

由于本課題研究數(shù)據(jù)是以時(shí)間序列為引導(dǎo)的文本數(shù)據(jù)，而具有長(zhǎng)短時(shí)記憶的LSTM神經(jīng)網(wǎng)絡(luò)(long short-term memory)擅長(zhǎng)處理具有長(zhǎng)時(shí)間間隔的時(shí)間序列預(yù)測(cè)問(wèn)題[16]，因此，選用LSTM神經(jīng)網(wǎng)絡(luò)能夠較好地提高模型的估測(cè)精度，而神經(jīng)網(wǎng)絡(luò)參數(shù)的選取對(duì)模型準(zhǔn)確度具有較大的影響。因此，為了避免人工選取的主觀性和隨機(jī)性，通過(guò)遺傳算法（genetic algorithm, GA）[17]篩選并設(shè)定最優(yōu)神經(jīng)網(wǎng)絡(luò)參數(shù)可提升LSTM模型的可靠性。

本課題將GA算法與LSTM神經(jīng)網(wǎng)絡(luò)相結(jié)合，構(gòu)建了基于GA_LSTM的采食量估測(cè)模型。模型估測(cè)流程主要包括牧群采食量數(shù)據(jù)的獲取與預(yù)處理、影響采食量關(guān)鍵因子的篩選、基于GA_LSTM神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練以及模型的驗(yàn)證與應(yīng)用。其估測(cè)流程如圖2所示，具體實(shí)施步驟如下。

（1）通過(guò)GPS定位系統(tǒng)和環(huán)境與采食量監(jiān)測(cè)系統(tǒng)獲取試驗(yàn)羊只時(shí)空軌跡、氣象、采食量和地形數(shù)據(jù)，并對(duì)其進(jìn)行修正和歸一化預(yù)處理。

（2）利用皮爾森相關(guān)系數(shù)篩選影響試驗(yàn)羊只采食量的關(guān)鍵影響因子，以降低模型輸入的維度和復(fù)雜度，并劃分相應(yīng)的樣本訓(xùn)練集、驗(yàn)證集和測(cè)試集。

（3）初始化GA參數(shù)：種群數(shù)量為20、DNA個(gè)數(shù)為2、每條DNA的長(zhǎng)度為8、DNA的交叉率為0.5、變異率為0.01以及遺傳迭代次數(shù)為40。

（4）設(shè)定并初始化DNA參數(shù)：本研究GA算法中的DNA參數(shù)主要表現(xiàn)在DNA所含基因上，其中每個(gè)DNA所含基因依次表示LSTM堆疊層的層數(shù)、Dense堆疊層的層數(shù)、每個(gè)LSTM堆疊層所包含神經(jīng)元的個(gè)數(shù)以及每個(gè)Dense堆疊層所包含神經(jīng)元的個(gè)數(shù)。

（5）設(shè)置GA適應(yīng)度函數(shù)：GA適應(yīng)度函數(shù)用來(lái)評(píng)價(jià)LSTM估測(cè)模型的性能。當(dāng)LSTM模型的訓(xùn)練誤差越小，模型的性能越好。

因此，定義GA適應(yīng)度函數(shù)為：

式（2）中，為驗(yàn)證集樣本數(shù)，Y為模擬采食法估測(cè)的采食量，y為模型估測(cè)的采食量。

（6）采食量估測(cè)與結(jié)果分析：通過(guò)GA算法完成遺傳迭代計(jì)算，選取GA適應(yīng)度最高時(shí)的DNA參數(shù)代入LSTM采食量估測(cè)模型，建立GA_LSTM神經(jīng)網(wǎng)絡(luò)采食量估測(cè)模型，然后將測(cè)試樣本集輸入到新建立的模型中進(jìn)行采食量的估測(cè)，并與其他估測(cè)模型進(jìn)行模型性能對(duì)比，并對(duì)結(jié)果進(jìn)行分析。

圖2 GA_LSTM估測(cè)流程圖

Figure 2 Flow chart of GA-LSTM

1.6 試驗(yàn)運(yùn)行平臺(tái)與軟硬件環(huán)境

試驗(yàn)所使用計(jì)算機(jī)的配置如下：處理器為Xeon(R) Gold 6130雙處理器，CPU 頻率為 2 GHz；內(nèi)存為 128 GB；操作系統(tǒng)為 Windows10下64位操作系統(tǒng)；GPU為Inter(R) 4塊NVIDIA GetForce Rtx2080 Ti顯卡。代碼編寫(xiě)語(yǔ)言為 python3.7，集成開(kāi)發(fā)環(huán)境為Anaconda3 ，并基于tensorflow2.2.2框架下在Jupyter Notebook中完成GA-LSTM 模型的實(shí)現(xiàn)。

2 結(jié)果與分析

2.1 模型性能評(píng)估指標(biāo)

為了驗(yàn)證GA-LSTM采食量估測(cè)模型的估測(cè)性能，本研究分別選用平均絕對(duì)誤差（）、平均絕對(duì)百分比誤差（mean absolute percentage error，）、以及均方根誤差（root mean square error，）[18]作為估測(cè)模型的損失函數(shù)對(duì)GA-LSTM估測(cè)模型進(jìn)行訓(xùn)練和測(cè)試。如下所示，公式(3)為平均絕對(duì)誤差的計(jì)算公式，公式(4)為平均絕對(duì)百分比誤差的計(jì)算公式，公式(5)為均方根誤差的計(jì)算公式。

式中，為訓(xùn)練集和樣本集的總數(shù)量，Y為模擬采食法估測(cè)的采食量，f為模型估測(cè)的采食量。、和的值越低，模型的估測(cè)效果越好。

2.2 模型對(duì)比分析

GA-LSTM模型需要與不同的估測(cè)模型進(jìn)行對(duì)比，進(jìn)而評(píng)估GA-LSTM模型的性能。本研究除了與單一的LSTM估測(cè)模型進(jìn)行對(duì)比外，還將GA-LSTM模型與GRU（gated recurrent unit）門控循環(huán)網(wǎng)絡(luò)進(jìn)行估測(cè)性能的對(duì)比。

圖3 GA_LSTM模型估測(cè)值散點(diǎn)圖

Figure 3 Scatter plot of GA_LSTM estimated value

圖4 GA_LSTM模型的估測(cè)誤差

Figure 4 Estimation error of GA_LSTM

為保證數(shù)據(jù)可靠性，同時(shí)提高模型訓(xùn)練速度，本試驗(yàn)使用1.3節(jié)所創(chuàng)建的試驗(yàn)樣本數(shù)據(jù)集對(duì)模型精度進(jìn)行評(píng)估。首先通過(guò)1.5節(jié)描述的方法構(gòu)建GA-LSTM采食量估測(cè)模型，模型訓(xùn)練迭代次數(shù)設(shè)定3 000次、模型優(yōu)化函數(shù)選用可自主調(diào)節(jié)學(xué)習(xí)率的Adam算法。經(jīng)GA優(yōu)化處理得出LSTM最優(yōu)參數(shù)組合為L(zhǎng)STM層數(shù)為3層：第1個(gè)LSTM層神經(jīng)元個(gè)數(shù)為166個(gè)；第2個(gè)LSTM層神經(jīng)元個(gè)數(shù)為47個(gè)；第3個(gè)LSTM層神經(jīng)元個(gè)數(shù)為56個(gè)。dense層數(shù)為2層：第1個(gè)dense層神經(jīng)元個(gè)數(shù)為218個(gè)；第2個(gè)dense層神經(jīng)元個(gè)數(shù)為1個(gè)，并利用該參數(shù)組合進(jìn)行模型的訓(xùn)練與驗(yàn)證。圖3和圖4為訓(xùn)練GA-LSTM模型得到的估測(cè)值散點(diǎn)圖和估測(cè)誤差。

圖5和圖6分別為通過(guò)單一的LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)和GRU（gated recurrent unit）門控循環(huán)網(wǎng)絡(luò)估測(cè)模型得到的估測(cè)誤差。從圖中可以直觀地看出，GA-LSTM神經(jīng)網(wǎng)絡(luò)的估測(cè)值和通過(guò)觀察法得到的估測(cè)值誤差最小，預(yù)測(cè)效果較為理想，單一的LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)次之，GRU神經(jīng)網(wǎng)絡(luò)效果最為一般。并且 GA-LSTM神經(jīng)網(wǎng)絡(luò)模型的誤差波動(dòng)較小。

圖5 單一的LSTM模型的估測(cè)誤差

Figure 5 Estimation error of simple LSTM

圖6 GRU模型的估測(cè)誤差

Figure 6 Estimation error of GRU

表 2 模型估測(cè)結(jié)果分析

為了更加直觀比較GA-LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的誤差值，表2為試驗(yàn)后得到的GA-LSTM模型、單一的 LSTM 模型和GRU神經(jīng)網(wǎng)絡(luò)模型的平均絕對(duì)誤差、平均絕對(duì)百分誤差和均方根誤差的值。由表2可知，GA-LSTM模型的整體預(yù)測(cè)精度較為理想，、和分別達(dá)到了2.982、9.85%和6.108，與單一的 LSTM 模型相比，、和分別提高了13.52%、1.24%和9.55%，由此可以直觀地發(fā)現(xiàn)，利用遺傳算法極大地提升了LSTM 模型的估測(cè)精度和穩(wěn)定性。除此之外，與GRU神經(jīng)網(wǎng)絡(luò)模型相比，GA-LSTM神經(jīng)網(wǎng)絡(luò)模型明顯優(yōu)于GRU神經(jīng)網(wǎng)絡(luò)模型。

3 結(jié)論

本研究引入遺傳算法(GA)來(lái)優(yōu)化長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)(LSTM)，建立了自由放牧狀態(tài)下牧群采食量的非線性估測(cè)模型，得出了以下結(jié)論。

（1）采用皮爾森系數(shù)法確定影響因子對(duì)采食量估測(cè)的影響權(quán)重，進(jìn)而篩選出影響采食量的關(guān)鍵因子，減少模型輸入的維度，提高模型工作效率，避免了非關(guān)鍵因子對(duì)模型的干擾，提高了模型的估測(cè)精度。

（2）通過(guò)遺傳算法(GA)來(lái)優(yōu)化長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)(LSTM)參數(shù)選取，合理的避免了LSTM模型參數(shù)選取的盲目性，減少了人工選擇參數(shù)的主觀影響。

（3）將本研究提出的GA-LSTM模型與單一的LSTM模型、GRU神經(jīng)網(wǎng)絡(luò)模型進(jìn)行估測(cè)性能對(duì)比。GA-LSTM模型估測(cè)結(jié)果最為精確，擬合效果較為理想，能夠較大程度上解決傳統(tǒng)采食量估測(cè)方法估測(cè)精度低，泛化性差等問(wèn)題，同時(shí)具有可以快速、大范圍地進(jìn)行牧群采食量估測(cè)的優(yōu)點(diǎn)。

本研究所得采食量估測(cè)模型在試驗(yàn)?zāi)翀?chǎng)采食量估測(cè)中具有優(yōu)良的估測(cè)性能，但對(duì)于其他類型的牧場(chǎng)和不同種類的試驗(yàn)個(gè)體還需進(jìn)行進(jìn)一步試驗(yàn)與討論。同時(shí)，需不斷對(duì)模型進(jìn)行完善，提升模型估測(cè)性能，為劃區(qū)輪牧、圍欄封育等決策的制定提供科學(xué)的指導(dǎo)意義。

[1] 趙青山, 侯向陽(yáng), 段俊杰, 等. 混播人工草地不同方式放牧蘇尼特羊生產(chǎn)效益趨勢(shì)[J]. 中國(guó)草地學(xué)報(bào), 2019, 41(3): 130-135.

[2] NUMATA I, ROBERTS D A, CHADWICK O A, et al. Characterization of pasture biophysical properties and the impact of grazing intensity using remotely sensed data[J]. Remote Sens Environ, 2007, 109(3): 314-327.

[3] CAMPOS D P, ABATTI P J, BERTOTTI F L, et al. Short-term fibre intake estimation in goats using surface electromyography of the masseter muscle[J]. Biosyst Eng, 2019, 183: 209-220.

[4] PITTARELLO M, PROBO M, PEROTTI E, et al. Grazing Management Plans improve pasture selection by cattle and forage quality in sub-alpine and alpine grasslands[J]. J Mt Sci, 2019, 16(9): 2126-2135.

[5] YU H Q, LI Y, OSHUNSANYA S O, et al. Re-introduction of light grazing reduces soil erosion and soil respiration in a converted grassland on the Loess Plateau, China[J]. Agric Ecosyst Environ, 2019, 280: 43-52.

[6] HU Y N, HUANG J K, HOU L L. Impacts of the grassland ecological compensation policy on household livestock production in China: an empirical study in Inner Mongolia[J]. Ecol Econ, 2019, 161: 248-256.

[7] LIU J K, BIAN Z, ZHANG K B, et al. Effects of different fencing regimes on community structure of degraded desert grasslands on Mu Us desert, China[J]. Ecol Evol, 2019, 9(6): 3367-3377.

[8] 江興美, 宋德榮, 張祥奎, 等. 貴州黑山羊秋季牧食行為觀察[J]. 貴州畜牧獸醫(yī), 2015, 39(1): 3-5.

[9] 王奎, 武佩, 宣傳忠, 等. 放牧家畜牧食信息監(jiān)測(cè)的研究進(jìn)展[J]. 南京農(nóng)業(yè)大學(xué)學(xué)報(bào), 2020, 43(3): 403-413.

[10] 汪傳建, 王偉強(qiáng), 魯為華, 等. 基于放牧?xí)r空軌跡數(shù)據(jù)的牧群采食量分布模型[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2016, 32(13): 125-130.

[11] 許德剛, 王露, 李凡. 深度學(xué)習(xí)的典型目標(biāo)檢測(cè)算法研究綜述[J]. 計(jì)算機(jī)工程與應(yīng)用, 2021, 57(8): 10-25.

[12] LECUN Y, BENGIO Y, HINTON G. Deep learning[J]. Nature, 2015, 521(7553): 436-444.

[13] GAVAHI K, ABBASZADEH P, MORADKHANI H. DeepYield: a combined convolutional neural network with long short-term memory for crop yield forecasting[J]. Expert Syst Appl, 2021, 184:115511.

[14] 郭強(qiáng), 殷國(guó)梅, 趙和平, 等. 放牧綿羊牧食行為及采食量研究[J]. 中國(guó)草地學(xué)報(bào), 2011, 33(4): 95-98, 110.

[15] SHI P, LI G H, YUAN Y M, et al. Prediction of dissolved oxygen content in aquaculture using Clustering-based Softplus Extreme Learning Machine[J]. Comput Electron Agric, 2019, 157: 329-338.

[16] SHAHID F, ZAMEER A, MUNEEB M. A novel genetic LSTM model for wind power forecast[J]. Energy, 2021, 223: 120069.

[17] 墨蒙, 趙龍章, 龔嬡雯, 等. 基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)研究應(yīng)用[J]. 現(xiàn)代電子技術(shù), 2018, 41(9): 41-44.

[18] 陳英義, 程倩倩, 方曉敏, 等. 主成分分析和長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)水產(chǎn)養(yǎng)殖水體溶解氧[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2018, 34(17): 183-191.

Estimation model of feed intake in herding sheep based on optimized long short-term memory neural network

MENG Yunqi1, XUAN Chuanzhong1,2, ZHANG Mengqin1, FAN Xiantao1, BU Ku3

(1. College of Mechanical and Electrical Engineering, Inner Mongolia Agricultural University, Hohhot 010018; 2. Inner Mongolia Engineering Research Center for Intelligent Facilities in Grass and Livestock Breeding, Hohhot 010018; 3. Grassland Research Institute, Chinese Academy of Agricultural Sciences, Hohhot 010010)

In order to accurately estimate the feed intake information of herds, a herd feed intake estimation model based on genetic algorithm (GA) and long short-term memory neural network (LSTM) was proposed. Firstly, the main influencing factors affecting the feed intake of herds were analyzed by Pearson coefficient method to reduce the input dimension and solve the problem of information redundancy. On this basis, a herd feed intake estimation model based on LSTM neural network algorithm was constructed, and genetic algorithm was introduced to optimize the parameters of LSTM neural network model to increase the reliability of the model. Finally, the model was used to estimate the feed intake of herds. The results showed that the mean absolute error (), mean absolute percentage error () and root mean square error () of the evaluation indexes of the feed intake estimation model were 2.982, 9.85% and 6.108, respectively. Compared with the single LSTM neural network and GRU neural network model, they were better than other models; the model had a good estimation performance and strong generalization ability, which can provide a scientific guidance for reasonable rotational grazing, and it has a certain application value for grassland protection.

grazing sheep; estimation of feed intake; LSTM; neural network improved GA; trajectory data

S826; S818.9

A

1672-352X (2022)05-0832-06

10.13610/j.cnki.1672-352x.20221111.008

2022-11-14 10:55:50

[URL] https://kns.cnki.net/kcms/detail/34.1162.S.20221111.1112.016.html

2021-12-03

國(guó)家自然科學(xué)基金（31860666）資助。

孟云琪，碩士研究生。E-mail：984097201@qq.com

宣傳忠，博士，教授。E-mail：xcz@imau.edu.cn