BP神经网络模型用于气象因素对PRRS发病预测的研究

1１BP神经网络模型用于气象因素对PRRS发病预测的研究陈欣，肖建华，栾培贤，徐强，王洪斌（东北农业大学动物医学学院，哈尔滨150030）摘要：对气象数据和猪蓝耳病发病率进行相关性分析，结合动物流行病学理论确定影响猪蓝耳病发病的关键气象因素。利用Matlab软件进行BP（Back-propagation）神经网络预测模型构建，计算预测值与实际发病率的误差绝对值和决定系数R2对所建预测模型进行检验。结果表明将13种气象因素作为预测研究的关键气象因子，BP神经网络模型其决定系数R2=0.821，证实预测效果较好。初步构建出猪蓝耳病发病的神经网络预测模型，探索性地将BP神经网络理论在动物疫病预测研究领域中运用，为进一步展开动物疫病预测的研究提供理论参考。关键词：猪蓝耳病；预测模型；BP神经网络；气象因素Studyonmeteorologicalfactors-basedBPNeuralNetworkofPredictionofPorcineReproductiveandRespiratorySyndromeXin-Chen,JianhuaXiao,PeixianLuan,QiangXu,HongbinWang(CollegeofveterinanryMedicine，NortheastAgriculturalUniversity，Harbin150030)Abstract:ThepurposeofthispaperistoinvestigatethecorrelationbetweenmeteorologicalfactorsandPorcineReproductiveandRespiratorySyndromemorbidity,andtodeterminethekeyfactorsthataffectPorcineReproductiveandRespiratorySyndrome.HavingbuiltBPneuralnetworkforecastingmodelbyMatlab7.0software,wetestedtheperformanceofthemodelaccordingtothecoefficientofdetermination(R2)andabsolutevaluesofthedifferencebetweenpredictivevalueandpracticalmorbidity.Theresultsshowedthat13kindsofmeteorologicalfactorsweredetermined,andthemodel’scoefficientofdeterminationwas0.821,andtheperformanceofthemodelwasverygood.Finally,webuiltPorcineReproductiveandRespiratorySyndromeforecastingmodel,andappliedBPneuralnetworktheoryinanimaldiseaseforecastingresearch.Keywords:PorcineReproductiveandRespiratorySyndrome;forecastingmodel;BPneuralnetwork;meteorologicalfactors蓝耳病全称猪繁殖与呼吸综合征（PorcineReproductiveandRespiratorySyndrome，PRRS），是由猪繁殖与呼吸综合征病毒（PorcineReproductiveandRespiratorySyndromeVirus，PRRSV）引起的一种高度传染性疾病，以怀孕母猪流产、早产、死胎和木乃伊胎等繁殖障碍以及仔猪和育肥猪的呼吸道症状为特征。2006年5月份开始，南方地区发生猪无名高热病，大部分发病猪场患病发病率在50%以上，死亡率高达50%—90%，给养猪生产造成了数十亿的经济损失[1]。2007年初，国家农业部正式定性为高致病性蓝耳病，虽然仍然列为二类动物疫病，但是对其重视程度已不亚于高致病性禽流感。因此，PRRS发病预测模型的建立对于蓝耳病的防控具有重要的意义。本研究结合PRRS发病特点，借鉴已有的传染病预测研究理基金项目：哈尔滨市科技创新人才研究专项资金（2007RFXXN0040）作者简介：陈欣（1985—），女，黑龙江齐齐哈尔人，硕士，主要从事畜牧兽医信息技术研究，哈尔滨东北农业大学动物医学学院，150030，E-mail：[e-mail]，电话：[phone]*通讯作者：王洪斌，（1958-），内蒙古赤峰人，教授，博导，主要从事兽医信息学、动物麻醉和动物用腹腔镜方面的研究。哈尔滨东北农业大学动物医学学院，150030，E-mail：[e-mail]2论，利用各种关键气象因素数据对我国南方地区某省的PRRS发病率和发病趋势进行预测研究，建立BP神经网络预测模型，探讨利用气象因素预测PRRS发病率和发病趋势的方法。1内容与方法1.1资料来源选择我国南方地区某省作为预测模型研究对象，该省区2005—2007年气象数据资料来自中国气象局，同期该地区PRRS发病数据源自中国农业部《兽医公报》，猪饲养量数据参考《中国畜牧业年鉴》。由于《中国畜牧业年鉴》中各省养猪量数据为年报，所以计算PRRS发病率时在模型中将每年度猪存栏量作为每月猪饲养量，以统一计算方法。发病率计算公式：PRRS月发病率=PRRS月发病数/当年年底猪存栏量1.2研究方法1.2.1气象因素与PRRS发病率相关性分析大量研究表明PRRS发病与季节变化、免疫、饲养方式、野毒侵袭和人员接触以及机体由于应激而造成免疫功能降低等原因有关。本研究将当月气象数据作为自变量，将次月PRRS发病率作为因变量，利用SPSS13.0统计学软件对二者进行相关性分析，分析与PRRS发病关系密切的气象因子，以便为预测模型的建立提供依据。1.2.2BP神经网络预测模型建立（1）神经网结构的确定本研究采用log-sigmoid函数的三层前向BP人工神经网络，参考公式N2=sqrt（N1+M）+a确定隐含层单元N2的数量范围，其中N1为输入单元数，M为输出单元数，a为1~10的常数[2]。在确定N1与M的数值以后，通过改变a的数值来改变隐含层N2的单元个数，对BP神经网络进行训练和调整，直到神经网络训练误差达到预先设定的误差最小值为止。最后通过检验组数据来考核网络训练拟合程度是否能够满足预测要求，根据最佳预测结果来确定BP神经网络的结构。（2）数据分组和归一化处理本次研究将所获得数据分为训练和检验2个数据组。将2004年12月～2007年5月该省气象数据作为输入层，2005年1月～2007年6月该地区PRRS发病率数据作为期望输出层。当网络结构确定后，可将2007年6月—11月的气象数据带入预测网络中来验证所构建的网络预测模型的准确性。为了满足人工神经网络节点函数的条件和提高神经网络的训练速度，需将样本进行归一化处理，将输入层数据归一化范围为[—1，1]，公式为：X’=（X-Xmin）/（Xmax-Xmin）×2-1，输出层数据归一化范围为[0.1，0.9]，公式为：Y′=（Y-Ymin）/（Ymax-Ymin）×0.8+0.1（3）人工神经网络的建立、训练和仿真采用BP神经网络，并通过Matlab7.0软件编程实现[3]。net=newff(minmax(p1n),[n,1],{'logsig','logsig'},'trainlm')；其中minmax(p1n)为网络输入p1n的取值范围，p1n为气象数据p经过归一化处理后的数据。网络采用3层网络结构，n为隐单元数，由于输出变量只有PRRS发病率一项，故输出单元数为1，logsig为BP神经网络各层之间的激活函数，trainlm为训练函数。net=train(net,p1n,t1n);其中p1n为输入向量，t1n为目标向量。设定网络训练精度为1×10-5，最大训练步数为5000。t2n=sim(net,p2n);进行PRRS发病预测，检验t2值与PRRS实际发病率值拟合程度是否令人满意。（4）人工神经网络模型的预测效果评价方法预测效果评价指标采用决定系数R2以检验模型的拟合程度，其值越接近1说明方程或者模型拟合效果越好，预测越准确，并结合实际值与预测值误差绝对值对模型效果做出综合评价。决定系数R2=(corrcoef(A,T))2，数值上等于实际发病率与预测值相关系数的平方，表示自3变量能正确预测因变量变化的百分比[4]。2结果与分析2.1气象因素与PRRS发病率相关性分析由PRRS月发病率与气象因子相关分析结果可知，PRRS发病率与月平均气压、极端最高气压、极端最低气压呈显著正相关，与月平均气温、平均最低气温、平均最高气温、极端最低气温、极端最高气温、平均相对湿度、降水量、最大风速、极大风速、平均水汽压呈显著性负相关。其中，发病率与月平均气温、平均最低气温、平均最高气温、极端最低气温、极端最高气温、平均气压、极端最高气压、平均水汽压的相关系数分别为-0.4930、-0.4944、-0.4943、-0.4761、-0.5085、0.4930、0.4890、-0.487，相关性差异极显著；发病率与平均相对湿度、降水量、最大风速、极大风速、极端最低气压的相关系数分别为-0.3360、-0.3340、-0.4060、0.4890、0.4150，相关性差异显著。2.2BP神经网络结构确定及预测结果通过多次反复调试最终在众多网络结构中确定出网络隐含层单元数为5时最适宜预测。网络输入层的神经元为13个，即13个月平均气象指标；输出层的神经元为1个，即PRRS发病率，因此神经网络结构确定为13—5—1。预测网络模型经过34次训练以后达到预先设定的最小误差值1×10-5，训练情况见图1，预测发病率与实际发病率对照见表1。图1BP神经网络训练曲线2.3预测模型效果评价将检验数据输入建立好的预测模型后，得到相应的PRRS发病率预测结果（见表1）。求得预测模型决定系数R2=0.821，说明模型预测性能较好。表1预测发病率与实际发病率对照年/月预测值（1×10-6）实际值（1×10-6）误差绝对值（1×10-6）2007/0719.229.810.52007/0841.842.81.02007/090.823.022.22007/10-3.31.64.92007/1149.039.7-9.42007/1247.954.86.9另外，由表1可知，2007年7～12月预测发病率与实际发病率之间误差不大，其中2007年9月模型预测值和实际发病率值的误差绝对值为22.2×10-6，尽管这个月发病率预测数据相对误差较大，但是在畜牧业生产中畜禽存栏量每年都可达几千万只，相比而言预测误差仍4然可以接受。预测模型的决定系数R2=0.821，说明拟合程度较好，发病率预测比较准确，所以从实际预测需求来讲这样的结果仍然可以满足预测要求。3讨论3.1气象条件对PRRS发生的影响PRRSV的主要传播方式是易感猪与病毒携带猪的密切接触，尤其在猪群规模大和饲养密度高的情况下，这种危险性更大[5]。蚊虫和家蝇也可使PRRSV在易感动物间传播。空气传播是导致PRRS流行的一个重要的因素，虽然对于空气传播的距离仍然存在争论，但在欧洲有许多研究认为本病可以通过空气传播[6，7]。本研究通过对气象数据和PRRS发病率进行相关分析可知，温度相对较低可能更有利于病毒在外界环境中生存，且该病的发生可能受气温骤变的影响。气压发生变化时，动物体内的腔窝扩大，会对疾病的发生产生影响，气压与发病率呈负相关也可能与温度的影响有关。在空气流通越快的空间内病毒含量越少，PRRS发生的可能性也就越低。Komijn等认为蓝耳病在荷兰最初快速传播的一个原因是风向和冬季的天气状况导致，较低的温度，较高的相对湿度和较低的风速有利于病毒的传播[8]。本研究结果显示，