基于羊群大数据轨迹的自适应畜牧业云计算系统

张 生 福

(青海民族大学计算机学院 青海 西宁 810007)

0 引 言

如何提高畜牧业资源管理效率[1]、获取畜禽群定位信息[2]及其生理规律信息和捕获牧区[3]几何特性，以便实现畜禽群[4]的实时跟踪和牧区资源的智能管理，成为畜牧业信息化和智能化[5]的热点问题之一。

文献[6]采用定点数据研究了南极洲一个农场畜牧区的表面映射问题。文献[7]详细介绍了一种基于记忆卡的开源、低成本和低功耗解决长期放牧牲畜的方法。文献[8]从云计算信任管理的角度出发，设计了能够计算用户评价可信度的方案，并将信任结果作为可信权重。文献[9]从现代畜牧业管理的实际需要出发，将云计算、网络和数据库等技术有机结合，搭建了一体化畜牧业营销管理信息系统。文献[10]从云计算的大数据分流需求出发，设计了能够识别并优化大数据聚类和模式的解决方案。

在上述研究基础上，从牧区羊群定位大数据采集，轨迹相关与分割出发，通过自适应云计算控制，提出了一种羊群大数据轨迹的自适应畜牧业云计算系统。

1 羊群大数据轨迹挖掘模型

本文在以羊群为主的牧区中部署大规模定位传感器，同时羊群随身附带定位信号发生器。这样，处于放牧状态的羊群所携带的传感器周期性与牧区定位传感器建立无线连接，频繁交互数据。为了提高定位精度和数据传输效率，将整个牧区分为多个子牧区。在羊群所携带的传感器发送的数据帧中增加子牧区标识。每个子牧区由一个或多个汇聚定位点转发该区域的羊群定位数据到服务器。图1给出了羊群牧区轨迹获取网络拓扑。

图1 羊群牧区轨迹定位拓扑

该牧区的定位数据可由式(1)得到：

(1)

式中：函数f(t)表示时域上统计每个子牧区的羊群定位传感器发送的数据，函数F(t)表示服务器端收到的定位数据，t表示统计时间。此外，α表示羊群大数据冗余度，x1和x2分别表示2个不同时刻的定位大数据，R(x1,x2)表示x1和x2的数据相关函数，R1表示数据相似门限值。参数m表示子牧区个数，n表示高度相似的定位数据发生时刻。

图1所示牧区周期性将羊群定位数据汇聚到服务器，如何存储这些定位数据和从中挖掘信息形成实时、可靠的羊群大数据轨迹成为关键问题。同时，羊群的分割大数据轨迹容易混淆羊群定位信息，降低定位精度。而且，大数据定位高冗余度信息会导致羊群轨迹的可信度和有效性的降低。

因此，从羊群大数据定位信息维度和轨迹源数据冗余度出发，结合牧区基本网络度、子牧区羊群轨迹、轨迹相交与分隔以及子牧区特征化等过程，实现自适应轨迹挖掘。

定义1牧区基本网络度LTN=(m,n)，准确反映了牧区羊群的子区域划分情况和轨迹冗余大数据集。

定义2子牧区羊群轨迹Ts=(LL,NL,SL,ZL)。参数LL表示子牧区定位编号，NL表示对应子牧区的羊群规模，SL表示羊群在子牧区内覆盖面积，ZL表示该子牧区的轨迹大数据规模。在空间上，通过羊群覆盖面积与估计几何特征相结合，基于子牧区几何特征，将该子牧区内的羊群轨迹进行线性化处理，将动态的轨迹归一化为静态几何空间域。

图2给出了三维空间域上，三条羊群轨迹相交的情况。

图2 轨迹相交与分隔

图2中共有4个交点，分别是O1、O2、O3和O4。轨迹相交描述如公式所示：

(2)

式中：L1、L2和L3表示三条羊群轨迹。

通过基于离散趋势的轨迹分隔，将4个交点分别映射到对应三维坐标轴上，如公式所示：

(3)

式中:函数I表示离散与坐标轴相切分隔过程。映射点I1、I2、I3和I4位于同xy平面，映射点I5位于z坐标轴。

因此，羊群大数据轨迹移动点集合向量O的时空特性即时域向量TO和空域向量SO如式(4)所示。根据时域和空域的互相关性、结合羊群移动轨迹的大数据挖掘门限值以及轨迹分割后的三维空间移动点映射关系，按照牧区分割域实现移动轨迹的重定位。

(4)

该模型的难点在于获取图2所示的多条羊群轨迹的相交判断。当轨迹Fk(t)与Fk+1(t)满足式(5)所示关系，则表明它们具有至少1个交点。

(5)

2 自适应畜牧业云计算系统

基于羊群大数据轨迹的畜牧业管理系统由羊群轨迹数据采集、轨迹相交与分割、轨迹几何特征分析、牧区羊群定位信息融合、大数据存储与羊群信息云计算等模块组成。该云计算系统的每个模块对应一组或多组算法，以畜牧业云计算为核心，多个模块的算法进行自适应规划与调度，如图3所示。其中，因为羊群大数据具有动态的冗余度和不规则轨迹，针对定位数据进行多维融合，并行执行多个模块算法，在降低冗余度的同时提高羊群大数据轨迹精确度。

图3 云计算系统模块架构

基于羊群大数据轨迹的畜牧业云计算系统的多模块自适应工作流程描述如下：

模块1：采集羊群大数据轨迹。

输入：LTN=(m,n)，R1。

输出：Ts=(LL,NL,SL,ZL)。

While(t<=n){

x1=f(t1);

x2=f(t2);

If(R(x1,x2)>R1)

ZL(t)=f(t1);

};

为每个子牧区分配定位编号LL=random(m);

根据定位信息分析每个子牧区的羊群规模并赋值给NL；

获取每个子牧区部署的大规模传感器信息；

分析每个子牧区内覆盖面积并赋值给SL;

将Ts转发给模块2。

模块2：轨迹相交与分割。

输入：羊群轨迹维度，SL和ZL。

输出：几何特征和统计特征。

获取羊群所有轨迹集合FT；

While(i

If (Li∩Li+1≠∅){

降维映射获取Oi的坐标轴点集合Ai；

多维映射获取Oi的平面点集合Bi；

将Ai和Bi进行几何划分;

}

获取轨迹分割后统计信息的期望E(FT)和方差D(FT);

分析轨迹几何特征，返回交点的映射点几何；

返回冗余度

}

模块3：降低冗余度和提高轨迹精度。根据式(6)降低牧区羊群定位大数据的冗余度，并经式(7)提高整个牧区的羊群轨迹精度。

(6)

式中：f1(t)表示根据降维之前的冗余相关获得大数据集，f2(t)表示全局定位大数据去冗余后轨迹几何，α1表示基于几何划分和特征提取以及降维后的冗余度。

(7)

式中：β1表示图3中“高精度羊群轨迹”模块算法执行后结果，β表示三维空间域上的羊群轨迹精度。

结合式(3)和式(6)可知，α1远小于α，同时β1明显高于β。

模块4：信息融合。参照式(8)对牧区羊群信息进行融合处理。

(8)

模块5：畜牧业云计算管理。为畜牧业管理提供与计算平台、算法和决策依据。

上述模块中，羊群大数据轨迹的采集通过部署定位传感器节点获得，轨迹相交与分割算法通过MATLAB实现，信息融合与畜牧业云计算管理通过MATLAB与C++混合编程实现。

云计算系统设计的难点在于平滑前文所建立的羊群大数据轨迹挖掘模型提供的大数据，有效消除数据抖动，可参考式(9)：

(9)

式中：函数K用于消除抖动。S(f(t))获得羊群对轨迹f(t)的数据规模。

3 算法性能分析

本文所提出的基于羊群大数据轨迹的自适应畜牧业云计算系统记为ACBT，其性能主要体现在轨迹定位精度、大数据存储管理与云计算结果精度等方面。本文在形如图1所示的牧区中部署了表1所述的实验环境，并采用表1所述的服务器作为云计算服务器端，统计上述几方面性能。羊群实际统计方法描述如下：(1) 羊群轨迹由人工提前设定；(2) 羊群由引导车带领按照预定轨迹行动；(3) 羊群移动速度随机变化；(4) 引导车在实验过程中负责统计羊群轨迹信息。性能结果与实际统计结果进行对比。

表1 实验环境

续表1

图4给出了1个羊群的实际移动轨迹(实线表示)与基于ACBT系统分析结果得到的羊群轨迹(虚线表示)的对比结果。可以发现，ACBT系统的羊群轨迹与实际情况非常相近，最大误差1.05米，最小误差精确到0.56米。这是因为ACBT系统从羊群的分割大数据轨迹混淆现象和大数据定位高冗余度出发，从基本网络度、子牧区羊群轨迹、轨迹相交与分隔以及子牧区几何特征等多角度出发，特别是多维映射、降维映射和几何划分等模块算法，有效提高了羊群轨迹定位精度。

图4 ACBT的羊群轨迹精度对比

随着子牧区激活个数增加，图5分析了两种不同羊群规模下，ACBT系统运行过程中的羊群轨迹大数据信息的存储空间利用率。该性能反映了ACBT系统的大数据存储管理能力。从图5可以看出，1个羊群与5个羊群下，ACBT系统的数据存储空间利用率相差不大，在2.5%左右，且整体变化趋势相近。结果表明，ACBT系统对于羊群规模不敏感，可以有效管理轨迹大数据信息。这主要得益于ACBT系统的模块4即信息融合，服务器只管理融合处理后的羊群信息。

图5 存储空间利用率

图6分析了在羊群移动速度递增的情况下，ACBT系统的云计算结果与实际统计结果的误差率对比情况。对比发现，ACBT系统的误差率要小于实际统计方案。结果表明，ACBT系统的云计算可以准确地得出用于畜牧业管理的决策依据。这是因为ACBT系统的云计算系统模块之间按照自适应工作流程有序地运行，而且时间复杂度明显低于实际统计方案。

图6 误差率

4 结 语

畜牧业的智能化进程中面临着牧区资源管理难、畜禽群跟踪难和数据存储效率低等一系列问题。为了解决上述问题基于羊群大数据轨迹模型，提出了畜牧业实时云计算系统。以降低羊群大数据信息维度和消除轨迹源数据的高冗余度为目标，一方面通过定义牧区羊群定位信息采集网络度等基本元素，设计羊群轨迹获取及其相交与分隔算法。结合牧区几何特征分析，提出了多维度牧区羊群大数据轨迹挖掘模型。另一方面，设计了基于羊群大数据轨迹的畜牧业云计算系统的多模块自适应控制算法。该算法包括羊群轨迹数据采集、轨迹相交与分割、轨迹几何特征分析、牧区羊群定位信息融合、大数据存储与羊群信息云计算等多个模块。在牧区进行了一系列实验，该云计算系统与实际统计方案相比，在羊群轨迹定位精度、大数据存储管理水平与云计算结果精度等方面具有明显优势。

参 考 文 献

[1] 王国刚,王明利,杨春.中国畜牧业地理集聚特征及其演化机制[J].自然资源学报,2014,29(12):2137-2146.

[2] 熊本海,杨振刚,杨亮,等.中国畜牧业物联网技术应用研究进展[J].农业工程学报,2015,31(S1):237-246.

[3] 魏秀娟.大数据时代畜牧业信息化建设刍议[J].中国畜牧杂志,2014,50(10):38-41.

[4] 何东健,刘冬,赵凯旋.精准畜牧业中动物信息智能感知与行为检测研究进展[J].农业机械学报,2016,47(5):231-244.

[5] 张锁良,宋宇轩.我国畜牧业存在的问题、对策以及未来的发展趋势[J].家畜生态学报,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] 廖子渊,陈明志,邓辉.基于评价可信度的云计算信任管理模型研究[J].信息网络安全,2016(2):33-39.

[9] 谢秋波,孟祥宝,黄家怿,等.基于云计算的现代畜牧业营销管理信息系统[J].现代农业装备,2014(3):67-73.

[10] 姜明月.云计算平台下的大数据分流系统的设计与优化[J].现代电子技术,2016,39(2):28-32.