融合统计学习与深度学习的猪舍环境预测模型

作者：马超凡; 谢秋菊^*; 王圣超; 李佳龙; 郑萍; 包军; 刘洪贵

来源：山西农业大学学报(自然科学版), 2022, 42(06): 24-32.

DOI：10.13842/j.cnki.issn1671-8151.202210019

• 空气质量
• 温度
• ARIMA
• GRU
• 残差优化

[目的]猪舍内温度、氨气与二氧化碳浓度是影响猪生长与健康的重要环境因子，对猪舍环境因子进行预测可以为舍内环境精准控制提供参考。但是，目前猪舍环境因子预测方法普遍针对单一环境因子，且存在预测精度低的问题。[方法]本文提出了基于整合移动平均自回归模型-门控制循环单元(ARIMA-GRU)混合模型的猪舍境因子预测优化模型，该模型融合了ARIMA处理线性序列和GRU处理非线性序列的能力，首先使用ARIMA对环境因子时间序列中的线性关系进行拟合和分析，然后GRU对ARIMA预测后产生的残差进行预测，最后将2模型预测结果结合起来以实现复杂的氨气浓度、二氧化碳浓度和温度时间序列预测优化。[结果]ARIMA-GRU预测模型在氨气浓度预测上具有最好的预测拟合效果，RMSE、MAPE和R2分别为0.432 7、0.023 3和0.913 8，二氧化碳预测效果次之，RMSE、MAPE和R2分别为182.912 8、0.038 6和0.874 8，在温度预测上具有最差的预测效果，RMSE、MAPE和R2分别为0.229 0、0.011 1和0.819 9；混合模型与GRU环境因子预测模型相比，RMSE和MAPE分别平均降低了11.35%和13%,R2平均提升了3.8%；与ARIMA环境因子预测模型相比，RMSE和MAPE分别平均降低56.42%和61.58%,R2平均提升了661.02%[结论]因此，本文提出的ARIMA-GRU环境因子预测模型优化了对环境因子时间序列的预测性能，可为猪舍环境控制提供一定的参考。

• 单位
  东北农业大学; 动物科技学院