1.一种基于神经网络的蛋鸡采食行为的预测方法，其特征在于，所述预测方法包括：基于预设神经网络算法获取对应的预测模型；

对所述预测模型进行优化，以获得优化后模型；

获取所述采食行为的行为参数，并对所述行为参数进行处理以获得处理后参数；

将所述处理后参数结合所述优化后模型对所述蛋鸡的采食行为进行预测，以获得预测结果。

2.根据权利要求1所述的预测方法，其特征在于，所述预设神经网络算法为循环神经网络算法，所述预测模型为长短期记忆模型，所述对所述预测模型进行优化，以获得优化后模型，包括：前向计算所述长短期记忆模型中每个神经元的输出值；

基于所述输出值反向计算所述长短期记忆模型中每个神经元的误差项；

基于所述误差项计算出对应的权重的梯度信息；

基于适应性动量算法对所述梯度信息进行优化以获得优化后模型。

3.根据权利要求1所述的预测方法，其特征在于，所述行为参数包括采食量、采食时间以及采食间隔中的至少一者，所述对所述行为参数进行处理以获得处理后参数，包括：获取预设数据长度值；

基于所述预设数据长度值获取对应的待学习行为参数；

对所述待学习行为参数进行归一化处理，以获得处理后参数。

4.根据权利要求2所述的预测方法，其特征在于，所述将所述处理后参数结合所述优化后模型对所述蛋鸡的采食行为进行预测，以获得预测结果，包括：获取与所述优化后模型对应的窗口长度信息、批次大小信息、迭代次数信息以及隐层神经元个数信息；

基于网格搜索算法对所述窗口长度信息以及所述隐层神经元个数信息进行优化，以获得优化后窗口长度信息以及优化后隐层神经元个数信息；

基于所述优化后窗口长度信息、所述优化后隐层神经元个数信息、所述批次大小信息以及所述迭代次数信息生成最终预测模型；

基于所述处理后参数结合所述最终预测模型对所述蛋鸡的采食行为进行预测，以获得预测结果。

5.根据权利要求4所述的预测方法，其特征在于，所述基于网格搜索算法对所述窗口长度信息以及所述隐层神经元个数信息进行优化，以获得优化后窗口长度信息以及优化后隐层神经元个数信息，包括：按照预设要求对所述窗口长度信息、批次大小信息、迭代次数信息以及隐层神经元个数信息分别取不同的值，并获得对应的不同学习模型；

获取所述不同学习模型基于所述处理后参数生成的不同预测信息；

获取与所述行为参数对应的实际采食行为信息；

基于所述实际采食行为信息对所述不同预测信息进行评估，以获得最佳预测信息；

基于所述最佳预测信息获得对应的最佳学习模型，并将所述最佳学习模型的窗口长度信息以及隐层神经元个数信息分别作为优化后窗口长度信息以及优化后隐层神经元个数信息。

6.一种基于神经网络的蛋鸡采食行为的预测装置，其特征在于，所述预测装置包括：处理器，用于：

基于预设神经网络算法获取对应的预测模型；

对所述预测模型进行优化，以获得优化后模型；

获取所述采食行为的行为参数，并对所述行为参数进行处理以获得处理后参数；

将所述处理后参数结合所述优化后模型对所述蛋鸡的采食行为进行预测，以获得预测结果。

7.根据权利要求6所述的预测装置，其特征在于，所述预设神经网络算法为循环神经网络算法，所述预测模型为长短期记忆模型，所述对所述预测模型进行优化，以获得优化后模型，包括：前向计算所述长短期记忆模型中每个神经元的输出值；

基于所述输出值反向计算所述长短期记忆模型中每个神经元的误差项；

基于所述误差项计算出对应的权重的梯度信息；

基于适应性动量算法对所述梯度信息进行优化以获得优化后模型。

8.根据权利要求6所述的预测装置，其特征在于，所述行为参数包括采食量、采食时间以及采食间隔中的至少一者，所述对所述行为参数进行处理以获得处理后参数，包括：获取预设数据长度值；

基于所述预设数据长度值获取对应的待学习行为参数；

对所述待学习行为参数进行归一化处理，以获得处理后参数。

9.根据权利要求7所述的预测装置，其特征在于，所述将所述处理后参数结合所述优化后模型对所述蛋鸡的采食行为进行预测，以获得预测结果，包括：获取与所述优化后模型对应的窗口长度信息、批次大小信息、迭代次数信息以及隐层神经元个数信息；

基于网格搜索算法对所述窗口长度信息以及所述隐层神经元个数信息进行优化，以获得优化后窗口长度信息以及优化后隐层神经元个数信息；

基于所述优化后窗口长度信息、所述优化后隐层神经元个数信息、所述批次大小信息以及所述迭代次数信息生成最终预测模型；

基于所述处理后参数结合所述最终预测模型对所述蛋鸡的采食行为进行预测，以获得预测结果。

10.根据权利要求9所述的预测装置，其特征在于，所述基于网格搜索算法对所述窗口长度信息以及所述隐层神经元个数信息进行优化，以获得优化后窗口长度信息以及优化后隐层神经元个数信息，包括：按照预设要求对所述窗口长度信息、批次大小信息、迭代次数信息以及隐层神经元个数信息分别取不同的值，并获得对应的不同学习模型；

获取所述不同学习模型基于所述处理后参数生成的不同预测信息；

获取与所述行为参数对应的实际采食行为信息；

基于所述实际采食行为信息对所述不同预测信息进行评估，以获得最佳预测信息；

基于所述最佳预测信息获得对应的最佳学习模型，并将所述最佳学习模型的窗口长度信息以及隐层神经元个数信息分别作为优化后窗口长度信息以及优化后隐层神经元个数信息。