基于羊群大數據軌跡的自適應畜牧業云計算系統

張 生 福

(青海民族大學計算機學院 青海 西寧 810007)

0 引 言

如何提高畜牧業資源管理效率[1]、獲取畜禽群定位信息[2]及其生理規律信息和捕獲牧區[3]幾何特性，以便實現畜禽群[4]的實時跟蹤和牧區資源的智能管理，成為畜牧業信息化和智能化[5]的熱點問題之一。

文獻[6]采用定點數據研究了南極洲一個農場畜牧區的表面映射問題。文獻[7]詳細介紹了一種基于記憶卡的開源、低成本和低功耗解決長期放牧牲畜的方法。文獻[8]從云計算信任管理的角度出發，設計了能夠計算用戶評價可信度的方案，并將信任結果作為可信權重。文獻[9]從現代畜牧業管理的實際需要出發，將云計算、網絡和數據庫等技術有機結合，搭建了一體化畜牧業營銷管理信息系統。文獻[10]從云計算的大數據分流需求出發，設計了能夠識別并優化大數據聚類和模式的解決方案。

在上述研究基礎上，從牧區羊群定位大數據采集，軌跡相關與分割出發，通過自適應云計算控制，提出了一種羊群大數據軌跡的自適應畜牧業云計算系統。

1 羊群大數據軌跡挖掘模型

本文在以羊群為主的牧區中部署大規模定位傳感器，同時羊群隨身附帶定位信號發生器。這樣，處于放牧狀態的羊群所攜帶的傳感器周期性與牧區定位傳感器建立無線連接，頻繁交互數據。為了提高定位精度和數據傳輸效率，將整個牧區分為多個子牧區。在羊群所攜帶的傳感器發送的數據幀中增加子牧區標識。每個子牧區由一個或多個匯聚定位點轉發該區域的羊群定位數據到服務器。圖1給出了羊群牧區軌跡獲取網絡拓撲。

圖1 羊群牧區軌跡定位拓撲

該牧區的定位數據可由式(1)得到：

(1)

式中：函數f(t)表示時域上統計每個子牧區的羊群定位傳感器發送的數據，函數F(t)表示服務器端收到的定位數據，t表示統計時間。此外，α表示羊群大數據冗余度，x1和x2分別表示2個不同時刻的定位大數據，R(x1,x2)表示x1和x2的數據相關函數，R1表示數據相似門限值。參數m表示子牧區個數，n表示高度相似的定位數據發生時刻。

圖1所示牧區周期性將羊群定位數據匯聚到服務器，如何存儲這些定位數據和從中挖掘信息形成實時、可靠的羊群大數據軌跡成為關鍵問題。同時，羊群的分割大數據軌跡容易混淆羊群定位信息，降低定位精度。而且，大數據定位高冗余度信息會導致羊群軌跡的可信度和有效性的降低。

因此，從羊群大數據定位信息維度和軌跡源數據冗余度出發，結合牧區基本網絡度、子牧區羊群軌跡、軌跡相交與分隔以及子牧區特征化等過程，實現自適應軌跡挖掘。

定義1牧區基本網絡度LTN=(m,n)，準確反映了牧區羊群的子區域劃分情況和軌跡冗余大數據集。

定義2子牧區羊群軌跡Ts=(LL,NL,SL,ZL)。參數LL表示子牧區定位編號，NL表示對應子牧區的羊群規模，SL表示羊群在子牧區內覆蓋面積，ZL表示該子牧區的軌跡大數據規模。在空間上，通過羊群覆蓋面積與估計幾何特征相結合，基于子牧區幾何特征，將該子牧區內的羊群軌跡進行線性化處理，將動態的軌跡歸一化為靜態幾何空間域。

圖2給出了三維空間域上，三條羊群軌跡相交的情況。

圖2 軌跡相交與分隔

圖2中共有4個交點，分別是O1、O2、O3和O4。軌跡相交描述如公式所示：

(2)

式中：L1、L2和L3表示三條羊群軌跡。

通過基于離散趨勢的軌跡分隔，將4個交點分別映射到對應三維坐標軸上，如公式所示：

(3)

式中:函數I表示離散與坐標軸相切分隔過程。映射點I1、I2、I3和I4位于同xy平面，映射點I5位于z坐標軸。

因此，羊群大數據軌跡移動點集合向量O的時空特性即時域向量TO和空域向量SO如式(4)所示。根據時域和空域的互相關性、結合羊群移動軌跡的大數據挖掘門限值以及軌跡分割后的三維空間移動點映射關系，按照牧區分割域實現移動軌跡的重定位。

(4)

該模型的難點在于獲取圖2所示的多條羊群軌跡的相交判斷。當軌跡Fk(t)與Fk+1(t)滿足式(5)所示關系，則表明它們具有至少1個交點。

(5)

2 自適應畜牧業云計算系統

基于羊群大數據軌跡的畜牧業管理系統由羊群軌跡數據采集、軌跡相交與分割、軌跡幾何特征分析、牧區羊群定位信息融合、大數據存儲與羊群信息云計算等模塊組成。該云計算系統的每個模塊對應一組或多組算法，以畜牧業云計算為核心，多個模塊的算法進行自適應規劃與調度，如圖3所示。其中，因為羊群大數據具有動態的冗余度和不規則軌跡，針對定位數據進行多維融合，并行執行多個模塊算法，在降低冗余度的同時提高羊群大數據軌跡精確度。

圖3 云計算系統模塊架構

基于羊群大數據軌跡的畜牧業云計算系統的多模塊自適應工作流程描述如下：

模塊1：采集羊群大數據軌跡。

輸入：LTN=(m,n)，R1。

輸出：Ts=(LL,NL,SL,ZL)。

While(t<=n){

x1=f(t1);

x2=f(t2);

If(R(x1,x2)>R1)

ZL(t)=f(t1);

};

為每個子牧區分配定位編號LL=random(m);

根據定位信息分析每個子牧區的羊群規模并賦值給NL；

獲取每個子牧區部署的大規模傳感器信息；

分析每個子牧區內覆蓋面積并賦值給SL;

將Ts轉發給模塊2。

模塊2：軌跡相交與分割。

輸入：羊群軌跡維度，SL和ZL。

輸出：幾何特征和統計特征。

獲取羊群所有軌跡集合FT；

While(i

If (Li∩Li+1≠?){

降維映射獲取Oi的坐標軸點集合Ai；

多維映射獲取Oi的平面點集合Bi；

將Ai和Bi進行幾何劃分;

}

獲取軌跡分割后統計信息的期望E(FT)和方差D(FT);

分析軌跡幾何特征，返回交點的映射點幾何；

返回冗余度

}

模塊3：降低冗余度和提高軌跡精度。根據式(6)降低牧區羊群定位大數據的冗余度，并經式(7)提高整個牧區的羊群軌跡精度。

(6)

式中：f1(t)表示根據降維之前的冗余相關獲得大數據集，f2(t)表示全局定位大數據去冗余后軌跡幾何，α1表示基于幾何劃分和特征提取以及降維后的冗余度。

(7)

式中：β1表示圖3中“高精度羊群軌跡”模塊算法執行后結果，β表示三維空間域上的羊群軌跡精度。

結合式(3)和式(6)可知，α1遠小于α，同時β1明顯高于β。

模塊4：信息融合。參照式(8)對牧區羊群信息進行融合處理。

(8)

模塊5：畜牧業云計算管理。為畜牧業管理提供與計算平臺、算法和決策依據。

上述模塊中，羊群大數據軌跡的采集通過部署定位傳感器節點獲得，軌跡相交與分割算法通過MATLAB實現，信息融合與畜牧業云計算管理通過MATLAB與C++混合編程實現。

云計算系統設計的難點在于平滑前文所建立的羊群大數據軌跡挖掘模型提供的大數據，有效消除數據抖動，可參考式(9)：

(9)

式中：函數K用于消除抖動。S(f(t))獲得羊群對軌跡f(t)的數據規模。

3 算法性能分析

本文所提出的基于羊群大數據軌跡的自適應畜牧業云計算系統記為ACBT，其性能主要體現在軌跡定位精度、大數據存儲管理與云計算結果精度等方面。本文在形如圖1所示的牧區中部署了表1所述的實驗環境，并采用表1所述的服務器作為云計算服務器端，統計上述幾方面性能。羊群實際統計方法描述如下：(1) 羊群軌跡由人工提前設定；(2) 羊群由引導車帶領按照預定軌跡行動；(3) 羊群移動速度隨機變化；(4) 引導車在實驗過程中負責統計羊群軌跡信息。性能結果與實際統計結果進行對比。

表1 實驗環境

續表1

圖4給出了1個羊群的實際移動軌跡(實線表示)與基于ACBT系統分析結果得到的羊群軌跡(虛線表示)的對比結果。可以發現，ACBT系統的羊群軌跡與實際情況非常相近，最大誤差1.05米，最小誤差精確到0.56米。這是因為ACBT系統從羊群的分割大數據軌跡混淆現象和大數據定位高冗余度出發，從基本網絡度、子牧區羊群軌跡、軌跡相交與分隔以及子牧區幾何特征等多角度出發，特別是多維映射、降維映射和幾何劃分等模塊算法，有效提高了羊群軌跡定位精度。

圖4 ACBT的羊群軌跡精度對比

隨著子牧區激活個數增加，圖5分析了兩種不同羊群規模下，ACBT系統運行過程中的羊群軌跡大數據信息的存儲空間利用率。該性能反映了ACBT系統的大數據存儲管理能力。從圖5可以看出，1個羊群與5個羊群下，ACBT系統的數據存儲空間利用率相差不大，在2.5%左右，且整體變化趨勢相近。結果表明，ACBT系統對于羊群規模不敏感，可以有效管理軌跡大數據信息。這主要得益于ACBT系統的模塊4即信息融合，服務器只管理融合處理后的羊群信息。

圖5 存儲空間利用率

圖6分析了在羊群移動速度遞增的情況下，ACBT系統的云計算結果與實際統計結果的誤差率對比情況。對比發現，ACBT系統的誤差率要小于實際統計方案。結果表明，ACBT系統的云計算可以準確地得出用于畜牧業管理的決策依據。這是因為ACBT系統的云計算系統模塊之間按照自適應工作流程有序地運行，而且時間復雜度明顯低于實際統計方案。

圖6 誤差率

4 結 語

畜牧業的智能化進程中面臨著牧區資源管理難、畜禽群跟蹤難和數據存儲效率低等一系列問題。為了解決上述問題基于羊群大數據軌跡模型，提出了畜牧業實時云計算系統。以降低羊群大數據信息維度和消除軌跡源數據的高冗余度為目標，一方面通過定義牧區羊群定位信息采集網絡度等基本元素，設計羊群軌跡獲取及其相交與分隔算法。結合牧區幾何特征分析，提出了多維度牧區羊群大數據軌跡挖掘模型。另一方面，設計了基于羊群大數據軌跡的畜牧業云計算系統的多模塊自適應控制算法。該算法包括羊群軌跡數據采集、軌跡相交與分割、軌跡幾何特征分析、牧區羊群定位信息融合、大數據存儲與羊群信息云計算等多個模塊。在牧區進行了一系列實驗，該云計算系統與實際統計方案相比，在羊群軌跡定位精度、大數據存儲管理水平與云計算結果精度等方面具有明顯優勢。

參 考 文 獻

[1] 王國剛,王明利,楊春.中國畜牧業地理集聚特征及其演化機制[J].自然資源學報,2014,29(12):2137-2146.

[2] 熊本海,楊振剛,楊亮,等.中國畜牧業物聯網技術應用研究進展[J].農業工程學報,2015,31(S1):237-246.

[3] 魏秀娟.大數據時代畜牧業信息化建設芻議[J].中國畜牧雜志,2014,50(10):38-41.

[4] 何東健,劉冬,趙凱旋.精準畜牧業中動物信息智能感知與行為檢測研究進展[J].農業機械學報,2016,47(5):231-244.

[5] 張鎖良,宋宇軒.我國畜牧業存在的問題、對策以及未來的發展趨勢[J].家畜生態學報,2014,35(11):6-10.

[6] Reyes R D,Munoz A R,Radic S S.Mapping of the affected surface by the presence of Hieracium pilosella in a livestock farm of the region de Magallanes y Antarctica Chilena, using Sentinel-2 data[C]//First IEEE International Symposium of Geoscience and Remote Sensing.IEEE,2017:1-4.

[7] Mazhar S,Gul J,Mueen F,et al.Design of a memory-card based low-cost GPS data-logger for livestock monitoring[C]//IEEE Sensors Conference 2015,Busan,Korea,1-4 Nov 2015.

[8] 廖子淵,陳明志,鄧輝.基于評價可信度的云計算信任管理模型研究[J].信息網絡安全,2016(2):33-39.

[9] 謝秋波,孟祥寶,黃家懌,等.基于云計算的現代畜牧業營銷管理信息系統[J].現代農業裝備,2014(3):67-73.

[10] 姜明月.云計算平臺下的大數據分流系統的設計與優化[J].現代電子技術,2016,39(2):28-32.