摘要： 【目的】針對環(huán)控設(shè)備調(diào)控滯后導(dǎo)致的密閉豬舍內(nèi)溫濕度波動大問題，提出合適的多元時間序列溫濕度預(yù)測模型?！痉椒ā坎捎闷栠d相關(guān)性分析確定采集到的12 種環(huán)境因子的相關(guān)性，初步篩選模型的輸入特征。對已篩選的輸入特征歸一化，消除數(shù)據(jù)尺度的影響，選取DDGCRN、長短期記憶網(wǎng)絡(luò)、支持向量回歸和隨機森林模型，對模型預(yù)測結(jié)果實例驗證，篩選出性能最好的模型?！窘Y(jié)果】篩選確定了溫濕度預(yù)測模型的輸入特征。經(jīng)對比驗證，DDGCRN 模型預(yù)測精度最高，其預(yù)測溫度和濕度的平均絕對誤差分別為0.079 和0.458，均方根誤差分別為0.134 和0.719，平均絕對百分比誤差分別為0.392% 和0.675%。模型輸入配置比較分析表明，過多的輸入特征并不能使得模型的預(yù)測能力提高，反而可能降低，且不同類型的模型以及不同的預(yù)測目標(biāo)都有不同的合適的輸入特征?！窘Y(jié)論】使用DDGCRN 溫濕度預(yù)測模型對舍內(nèi)的溫濕度變換可以起到提前警告作用，為精準(zhǔn)控制養(yǎng)殖環(huán)境溫濕度提供參考。

關(guān)鍵詞： 多環(huán)境因素；密閉豬舍；溫濕度；預(yù)測模型；相關(guān)性分析

中圖分類號： S818.9；S828 文獻(xiàn)標(biāo)志碼： A 文章編號： 1001-411X（2024）05-0709-13

隨著2020 年我國《數(shù)字農(nóng)業(yè)農(nóng)村發(fā)展規(guī)劃（2019—2025 年）》（農(nóng)規(guī)發(fā)「2019」33 號） 的發(fā)布，明確了進(jìn)一步推進(jìn)人工智能等數(shù)字技術(shù)向農(nóng)業(yè)農(nóng)村滲透，加快建設(shè)數(shù)字農(nóng)業(yè)標(biāo)準(zhǔn)體系，推進(jìn)現(xiàn)代化數(shù)字畜牧業(yè)的發(fā)展，標(biāo)志著智能工廠化養(yǎng)殖已成為我國畜牧產(chǎn)業(yè)發(fā)展的必然趨勢。目前，工廠化養(yǎng)殖場均為全封閉式大空間豬舍，封閉養(yǎng)殖空間中的環(huán)境質(zhì)量是影響?zhàn)B豬生產(chǎn)發(fā)展的關(guān)鍵因素之一。當(dāng)前密閉豬舍內(nèi)的環(huán)境因子主要包含溫濕度、粉塵、氣體和風(fēng)速。其中溫度影響豬的體溫平衡，低溫會導(dǎo)致豬的食物消耗增加，增加飼料成本，高溫會導(dǎo)致食欲減退，減緩生長，降低生產(chǎn)效益；高濕度會增加豬患熱應(yīng)激的風(fēng)險，也有可能會引發(fā)呼吸道問題[1]；當(dāng)粉塵濃度增加時會降低豬的生長速率，減少飼料轉(zhuǎn)化率，同時由于呼吸系統(tǒng)疾病和膿腫引起豬的發(fā)病率和死亡率增加[2]；豬舍內(nèi)對豬只影響較大氣體為氨氣和硫化氫，氨氣濃度過高會造成豬只免疫力下降，易染疾病，甚至危及生命，硫化氫易溶附呼吸道黏膜和眼結(jié)膜上，當(dāng)硫化氫濃度高時豬只畏光、流淚，易發(fā)生結(jié)膜炎、角膜潰病、咽喉灼傷等疾病[3]。準(zhǔn)確合理的環(huán)境因子監(jiān)測可以為養(yǎng)殖場管理者提供準(zhǔn)確的數(shù)據(jù)，以便制定合理的飼養(yǎng)管理策略、環(huán)境調(diào)控措施等，從而提高飼料利用率、豬只生長速度和繁殖效率等，增加養(yǎng)殖效益，這對于現(xiàn)代畜牧業(yè)的可持續(xù)發(fā)展至關(guān)重要。

現(xiàn)有的豬舍溫濕度控制算法有解耦控制、模糊控制、比例?積分?微分（Proportional-integral-derivativecontrol， PID） 控制、模糊PID 控制等，這些算法反應(yīng)速度快，能夠在一定程度上緩解高溫高濕環(huán)境對豬只健康的影響。然而，由于豬舍內(nèi)的熱濕環(huán)境根據(jù)舍內(nèi)氣流而逐漸改變，而上述控制算法參數(shù)不能自動調(diào)整以適應(yīng)環(huán)境變化[4-5]，這就造成環(huán)境調(diào)控滯后、環(huán)控設(shè)備運行銜接不及時和運行效率降低等問題[1]，導(dǎo)致豬舍內(nèi)溫濕度波動大。

若采用溫濕度預(yù)測的方法提前對溫濕度進(jìn)行調(diào)控，減小舍內(nèi)溫濕度波動，能夠進(jìn)一步降低環(huán)境對豬只的影響。現(xiàn)階段國內(nèi)外關(guān)于密閉空間內(nèi)溫濕度預(yù)測的方法有3 類：1） 基于物理建模的方法。此類方法借助模擬工具[6] 建模并借助計算流體力學(xué)預(yù)測溫濕度[ 7 - 8 ] ，研究[ 7 ] 采用多孔介質(zhì)、物種傳輸、κ-ε 湍流和離散相模型開發(fā)了一個三維瞬態(tài)計算流體動力學(xué)模型（Computational fluid dynamics，CFD） 來預(yù)測室內(nèi)溫濕度，試驗結(jié)果表明CFD 結(jié)果與試驗數(shù)據(jù)有較高的一致性。這類模型雖然精度高，效果好，但建模過程耗時耗力且靈活性低。2） 基于統(tǒng)計理論的方法。一般采用回歸模型、自回歸移動平均模型以及其改進(jìn)模型開展預(yù)測[9-12]，研究[12] 提出一種融合模型，該模型將自回歸模型與長短期記憶網(wǎng)絡(luò)（Long short-term memory，LSTM）[13]模型相結(jié)合，實現(xiàn)了更準(zhǔn)確的室內(nèi)溫度預(yù)測，但這類模型只適用于線性且平穩(wěn)的時間序列數(shù)據(jù)。3） 基于機器學(xué)習(xí)的方法。采用LSTM[13]、GRU[14]、Transformer[15]、圖卷積神經(jīng)網(wǎng)絡(luò)（Graph convolutionalnetwork，GCN）[16] 等模型分析時序數(shù)據(jù)歷史特征從而預(yù)測未來數(shù)據(jù)變化，研究[13] 利用多環(huán)境因素構(gòu)建了LSTM 豬舍溫濕度預(yù)測模型，預(yù)測性能較優(yōu)，解決了豬舍環(huán)境控制滯后問題。此類模型因具有較好的非線性數(shù)據(jù)的擬合和泛化能力，其不僅可用于溫濕度預(yù)測，亦被研究者應(yīng)用于天氣[17]、交通[18]、股票[19] 等時序數(shù)據(jù)的預(yù)測。

DDGCRN[20]（Decomposition dynamic graphconvolutional recurrent network） 模型是一種GCN，GCN 能夠利用圖的拓?fù)浣Y(jié)構(gòu)來捕捉節(jié)點之間的關(guān)系和連接模式，而不僅僅是捕捉節(jié)點的特征。這使得 GCN 在處理具有復(fù)雜拓?fù)浣Y(jié)構(gòu)的數(shù)據(jù)時具有優(yōu)勢，因此，DDGCRN 首次提出時被應(yīng)用于交通流量預(yù)測，而利用GCN 特性的其他應(yīng)用還有室內(nèi)環(huán)境預(yù)測[21]、社交網(wǎng)絡(luò)分析[22]、推薦系統(tǒng)[23]、分析分子結(jié)構(gòu)、蛋白質(zhì)相互作用[16， 24] 等。

本文利用DDGCRN 模型結(jié)合傳感器監(jiān)測的環(huán)境數(shù)據(jù)建立溫濕度預(yù)測模型，提前預(yù)測10 min 后的溫濕度，使得現(xiàn)場環(huán)控設(shè)備能夠提前調(diào)控，降低溫濕度波動，并與基于支持向量回歸（Support vectorregression，SVR）、隨機森林（Randomforest，RF）、LSTM 模型構(gòu)建的溫濕度預(yù)測模型開展對比研究，為豬舍養(yǎng)殖環(huán)境調(diào)控提供參考。

1 材料與方法

1.1 試驗區(qū)域

本研究數(shù)據(jù)區(qū)域為重慶琪金榮昌豬遠(yuǎn)覺養(yǎng)殖場（29°56′N，105°32′E），西北朝向，占地面積40 畝，該豬場是一個集保種、擴繁、育肥等多功能一體化的生豬養(yǎng)殖基地。本試驗選取封閉式育肥豬舍，尺寸70.24 m×36.84 m×4.96 m（長×寬×高），豬舍沿屋脊方向設(shè)置一道墻體，將豬舍劃分為2 個相互獨立的飼養(yǎng)區(qū)域，試驗選擇其中1 個區(qū)域（圖1 上半部分）。試驗期間門窗緊閉，門僅在人員進(jìn)出時開啟10～20 s，豬舍兩端使用負(fù)壓風(fēng)機通風(fēng)，包含直徑為167 cm 的 1.2 kW 風(fēng)機 3 臺，直徑為120 cm 的0.55 kW變速風(fēng)機2 臺，并配備有降溫濕簾及卷簾，濕簾通風(fēng)面積開啟情況為下午開啟30%，早晚開啟15%，舍內(nèi)采用全漏縫地板，地板尺寸為3 000 mm×1 200mm，漏縫尺寸為1 300 mm×29 mm，糞污清理方式為水泡糞，糞溝寬度與豬舍同寬，高度距離漏縫地板0.5 m。舍內(nèi)圈欄尺寸為6.85 m×3.50 m （長×寬），每欄飼養(yǎng)育肥豬19 頭，共計760 頭，飼料采用液態(tài)料，每天喂料3 次。將多種傳感器分布在豬舍內(nèi)以在線監(jiān)測舍內(nèi)養(yǎng)殖環(huán)境參數(shù)。

1.2 監(jiān)測方法及儀器

監(jiān)測期為1 年，監(jiān)測指標(biāo)包含溫度（測量范圍為?40～120 ℃）；濕度（測量范圍為0～100%）、二氧化碳（CO2，測量體積分?jǐn)?shù)為0～0.5%）；氧氣（O2，測量體積分?jǐn)?shù)為0～30%）；總懸浮顆粒物（Total suspendedparticulates，TSP，測量范圍為0～20 000 μg/m3）；氨氣（NH3，測量體積分?jǐn)?shù)為0～0.005%）；PM10（10-micrometer particulate matter，測量范圍為0～1 000μg/m3）；PM2.5（2.5-micrometer particulate matter，測量范圍為0～1 000 μg/m3 ）；風(fēng)速（測量范圍為0～60m/s）；總揮發(fā)性有機化合物（Total volatile organiccompounds，TVOC，測量體積分?jǐn)?shù)為0～0.006%）。監(jiān)測設(shè)備布置方式如圖2 所示。舍內(nèi)傳感器采集間隔時間為10 min，采集點位共計6 個，包括5 個室內(nèi)點位、1 個室外點位，所有點位設(shè)置2 個采樣高度，其中高點距地面1.8 m，低點距地面1.0 m。

1.3 數(shù)據(jù)獲取與預(yù)處理

試驗豬舍采用物聯(lián)網(wǎng)云平臺結(jié)構(gòu)如圖3 所示，其由終端、WIoTa 無線網(wǎng)關(guān)與服務(wù)器構(gòu)成，舍內(nèi)環(huán)境數(shù)據(jù)通過多個終端無線傳輸?shù)絎IoTa 無線網(wǎng)關(guān)，網(wǎng)關(guān)再將數(shù)據(jù)傳到服務(wù)器，服務(wù)器利用內(nèi)置模型計算預(yù)測溫濕度后，再通過無線網(wǎng)關(guān)傳輸?shù)浇K端，再由終端控制風(fēng)機、水簾等設(shè)備動作。

在數(shù)據(jù)采集過程中，存在斷電、斷網(wǎng)以及人為干預(yù)的情況，這使得原始數(shù)據(jù)中會產(chǎn)生缺失值和異常值，為防止異常數(shù)據(jù)對模型預(yù)測結(jié)果造成影響，本研究數(shù)據(jù)中的異常值和缺失值采用平均值替換以及插值的方法來處理。另外，為了去除數(shù)據(jù)尺度對模型的影響，加快模型收斂速度，提高模型的性能和穩(wěn)定性，本研究使用了最大最小值標(biāo)準(zhǔn)化方法對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理：

式中，X 為轉(zhuǎn)換前的值，X′為轉(zhuǎn)換后的值，Xmax為數(shù)據(jù)中的最大值，Xmin為數(shù)據(jù)中的最小值。

2 大空間密封型豬舍溫濕度預(yù)測模型構(gòu)建

2.1 模型開發(fā)環(huán)境

本文模型開發(fā)硬件環(huán)境為： C P U 為A M DRyzen 9 7950X，GPU 為NVIDIA GeForce RTX 4090，內(nèi)存64 GB，軟件開發(fā)環(huán)境：操作系統(tǒng)Windows 10，程序設(shè)計語言Python 3.9，SVR 和隨機森林使用Sklearn 實現(xiàn)， LSTM 以及DDGCRN 源碼基于Pytorch 2.0 實現(xiàn)。

2.2 DDGCRN 模型

DDGCRN 是一種基于GCN 的多變量時間序列預(yù)測網(wǎng)絡(luò)，其可以利用本研究中多點位的環(huán)境因子數(shù)據(jù)構(gòu)建出圖，在空間上建模，即其不僅可以利用時間信息，亦可利用空間信息來提升預(yù)測的精準(zhǔn)度。其模型結(jié)構(gòu)（圖4） 由多個基本單元組成，每個基本單元主要包含：時空嵌入生成器（Spatiotemporalembedding generator，STE generator）、節(jié)點自適應(yīng)參數(shù)學(xué)習(xí)模塊（Node adaptive parameterlearning，NAPL）、動態(tài)圖卷積循環(huán)模塊（Dynamicgraph convolution recurrent module，DGCRM）。

STE generator 用于生成動態(tài)圖來獲取傳感器數(shù)據(jù)中的動態(tài)空間依賴關(guān)系，其過程是將當(dāng)前的輸入數(shù)據(jù)與其對應(yīng)的日周期嵌入TDp以及每周周期嵌入TWp提取出后與空間嵌入E做逐元素乘積，得到時空嵌入Estp，該過程可表示為：

Estp = E ⊙TDp⊙TWp ， （2）

式中，TDp和TWp表示時間步p=[t?p+1，…，t]的日周期嵌入和周周期嵌入，⊙代表逐元素乘積。對于1 個時間步t，當(dāng)前輸入xt通過1 個MLP 層來提取動態(tài)信號，之后將動態(tài)信號與時空嵌入Estt做逐元素乘積得到動態(tài)圖嵌入Edt，該過程可表示為：

具體步驟如下：

1） 通過物聯(lián)網(wǎng)云平臺收集豬舍內(nèi)環(huán)境因子的時間序列數(shù)據(jù)，對原始數(shù)據(jù)缺失部分進(jìn)行插值，之后進(jìn)行歸一化并劃分訓(xùn)練集和測試集；

2） 計算多種環(huán)境因子之間的相關(guān)性，篩選出對溫濕度影響較大的環(huán)境因子，對于影響較大的環(huán)境因子，構(gòu)建多種輸入組合；

3） 將5 個觀測點位的不同輸入組合的數(shù)據(jù)輸入4 種模型進(jìn)行訓(xùn)練，對于SVR、RF 和LSTM 模型，5 個點位需構(gòu)建5 個模型，對于DDCGRN 模型，5 個點位的數(shù)據(jù)對應(yīng)圖神經(jīng)網(wǎng)絡(luò)中的5 個節(jié)點，即5 個點位共用1 個模型；

4） 在測試集驗證模型性能，選出每個模型的最佳輸入組合，對于SVR、RF 和LSTM 模型，指標(biāo)計算使用5 個模型的平均值，DDCGRN 采用5 個點位預(yù)測值的平均值；

5） 優(yōu)化模型超參數(shù)；

6） 采用性能最優(yōu)模型進(jìn)行預(yù)測。

2.4 模型性能評價

為評價各預(yù)測模型性能，本研究采用了3 個評價指標(biāo)，分別為：均方根誤差（Root mean squareerror，RMSE）、平均絕對誤差（Mean absolute error，MAE） 和平均絕對百分比誤差（Mean absolutepercentage error，MAPE）。計算方法如下：

式中，yi和y?i分別為溫濕度數(shù)據(jù)的真實值和預(yù)測值，N 為樣本數(shù)量。這3 種指標(biāo)的數(shù)值越小，說明模型的性能越好。

3 試驗結(jié)果

3.1 豬舍環(huán)境參數(shù)數(shù)據(jù)源及時間序列驗證

以重慶市某育肥豬舍溫濕度為研究對象，使用“1.3”節(jié)的物聯(lián)網(wǎng)平臺，由于豬舍改造使得數(shù)據(jù)大量缺失，本試驗選取2023 年上半年數(shù)據(jù)缺失較少的3 月1 日—3 月30 日作為試驗數(shù)據(jù)，采樣間隔為1 0 m i n ， 5 個點位共計2 1 6 0 0 個樣本，取前80% 的樣本為訓(xùn)練集，后20% 的樣本為測試集。舍內(nèi)溫濕度原始數(shù)據(jù)如圖6、7 所示，其溫濕度變化呈非線性且具有一定周期性。

對時間序列進(jìn)行平穩(wěn)性檢驗和白噪聲檢驗關(guān)系到數(shù)據(jù)是否適合做時間序列建模，針對溫度和濕度進(jìn)行統(tǒng)計，得到其平穩(wěn)性檢驗、一階差分序列平穩(wěn)性和一階差分序列白噪聲檢驗的P 值分別為溫度：2.02×10? 1 7、5.59×10? 2 6、0，濕度：1.14×10? 1 3、5.59×10?26、0，當(dāng)平穩(wěn)性和白噪聲檢驗的P 值小于0.05 時，說明該數(shù)據(jù)平穩(wěn)且非白噪聲，適合進(jìn)行時間序列建模。

3.2 輸入特征篩選

密閉豬舍內(nèi)溫濕度受到通風(fēng)情況、外部氣候條件等多種因素的影響，探究哪些因素對溫濕度影響最大，挑選合適的環(huán)境因子，可以幫助模型更精準(zhǔn)地預(yù)測溫濕度。本研究測量了豬舍的12 種環(huán)境因子，通過對其做皮爾遜相關(guān)性分析，篩選出對溫濕度影響較強的環(huán)境因子，皮爾遜相關(guān)性分析結(jié)果如圖8 所示。

由圖8 可知，舍內(nèi)溫度與舍外溫度、風(fēng)速以及TVOC濃度有較強的正相關(guān)性，與舍內(nèi)相對濕度、舍外相對濕度、NH3 濃度以及CO2 濃度有較強的負(fù)相關(guān)性。舍內(nèi)相對濕度與舍外相對濕度、NH3 濃度、CO2濃度、PM10 濃度、PM2.5 濃度有較強的正相關(guān)性，與舍內(nèi)溫度、舍外溫度有較強的負(fù)相關(guān)性。因此選取舍內(nèi)溫度、舍外溫度、舍內(nèi)相對濕度、舍外相對濕度、NH3 濃度、CO2 濃度為溫濕度預(yù)測模型的輸入特征。

3.3 預(yù)測結(jié)果實例驗證

3.3.1 模型輸入配置比較分析

特征選取對模型性能影響較大，過少的特征可能導(dǎo)致模型無法捕捉數(shù)據(jù)的復(fù)雜性和變化，過多的特征可能導(dǎo)致過擬合，為了平衡模型的預(yù)測性能和特征的復(fù)雜性，本研究根據(jù)皮爾遜相關(guān)性分析的結(jié)果設(shè)定了多種輸入方案來確定最佳的輸入特征。

使用表1 的輸入方案，得到的結(jié)果如表2 所示，表中MAE、RMSE、MAPE 3 種指標(biāo)數(shù)值越小代表模型精度越高。從表2 可看出在預(yù)測溫度時：D D G C R N 模型使用T 5 精度最優(yōu)，其M A E 、RMSE、MAPE 為0.084、0.137 和0.416%；SVR 模型使用T5 精度最優(yōu)，其MAE、RMSE、MAPE 為0.099、0.166、0.999%；LSTM 模型使用T6 精度最優(yōu)，其M A E 、R M S E 、M A PE 為0 . 2 1 7 、0 . 3 7 8 、1 . 1 0 8 % ； RF 模型使用T 3 精度最優(yōu)，其M A E 、RMSE、MAPE 為0.121、0.191、0.999%。在預(yù)測濕度時：DDGCRN 模型使用R5 精度最優(yōu)，其MAE、RMSE、MAPE 為0.463、0.719、0.676%；SVR 模型使用R3 精度最優(yōu)，其MAE、RMSE、MAPE 為0.523、0.833、0.999%；LSTM 模型使用R6 精度最優(yōu)，其M A E 、R M S E 、M A PE 為1 . 0 2 7 、1 . 5 3 0 、1 . 5 3 7 % ； RF 模型使用R 3 精度最優(yōu)，其M A E 、RMSE、MAPE 為0.654、1.033、0.999%。上述結(jié)果表明過多的輸入特征并不能使得模型的預(yù)測能力提高，反而可能降低，且不同類型的模型以及不同的預(yù)測目標(biāo)都有不同的合適的輸入特征。

3.3.2 模型超參數(shù)優(yōu)化

在確定了模型的輸入特征后，對模型的超參數(shù)進(jìn)行優(yōu)化，包含數(shù)據(jù)輸入的批量大?。˙atch size），DDGCRN 模型隱藏層單元數(shù)量（Units），模型學(xué)習(xí)率（Learning rate，lr）。在“3.3.1”節(jié)使用的默認(rèn)超參數(shù)為：Batch size=64，Units=64，lr 使用余弦退火算法[25] 自動優(yōu)化。為充分利用現(xiàn)代GPU 的并行計算能力，本文將Batchsize 設(shè)置為8 的倍數(shù)并篩選出最佳Batch size。

不同的Batch size 的溫濕度預(yù)測模型在測試集上的結(jié)果如圖9 所示。溫度預(yù)測模型在B a t c hsize=8 時其預(yù)測性能最好，MAE 為0.079，濕度預(yù)測模型在Batch size=32 時其預(yù)測性能最好，MAE為0.462。

不同Units 的溫濕度預(yù)測模型在測試集上的結(jié)果如圖10 所示。溫度預(yù)測模型在Units=64 時其預(yù)測性能最好， M A E 為0 . 0 7 9 ，濕度預(yù)測模型在Units=16 時其預(yù)測性能最好，MAE 為0.458。綜上，溫度預(yù)測模型在Batch size=8、Units=64 時預(yù)測性能最好， 濕度預(yù)測模型在B a t c h s i z e = 3 2 、Units=16 時預(yù)測性能最好。2 種模型在訓(xùn)練過程中使用余弦退火算法自動調(diào)整學(xué)習(xí)率的過程如圖11所示。

3.3.3 溫濕度預(yù)測驗證

4 種模型使用“3.3.1”節(jié)的最佳輸入得到的結(jié)果如圖12、13 所示。圖12和圖13 為4 種模型在相同測試集上的測試結(jié)果，圖中每隔40 個樣本展示1 個點。由圖12 可以看出在預(yù)測溫度時，DDGCRN 和SVR 在圖中展示出的幾個樣本點的真實值和預(yù)測值的重合度相對于其他模型較高，尤其是在樣本數(shù)量為400 附近時，L S TM 和RF 模型都有明顯的偏離， D D G C R N和SVR 仍然保持有較高的重合度。從表3 的各模型指標(biāo)對比結(jié)果可以看出，DDGCRN 模型相對于其他模型有更好的性能， 其M A E 、R M S E 、MAPE 分別為0.079、0.134、0.392%。從圖13 可看出在預(yù)測濕度時，DDGCRN 和RF 模型表現(xiàn)較好，尤其在樣本數(shù)量為800 附近時，DDGCRN 和RF 相對于其他模型其真實值與預(yù)測值有較高的重合度。從表3 的指標(biāo)可看出DDGCRN 優(yōu)于其他模型，其MAE、RMSE、MAPE 分別為0.458、0.719、0.675%。

3.3.4 模型泛用性驗證

為驗證模型泛用性，使用根據(jù)遠(yuǎn)覺養(yǎng)殖場數(shù)據(jù)訓(xùn)練的模型在重慶市榮昌區(qū)雙河豬營養(yǎng)與環(huán)境調(diào)控基地育肥豬舍進(jìn)行驗證，2 個豬舍有相似的環(huán)境及傳感器布置。采用2024 年3 月1 日—3 月7 日這7 d 的數(shù)據(jù)進(jìn)行驗證，驗證可視化結(jié)果如圖14、15 所示，指標(biāo)結(jié)果如表4 所示。

從可視化結(jié)果可看出，在預(yù)測溫度時，DDGCRN模型預(yù)測值和真實值的重合度較高，LSTM 模型在樣本數(shù)量為40 附近預(yù)測溫度過低；RF 模型雖然沒有過低或過高地預(yù)測溫度，但其整體重合度較低；SVR 模型在樣本數(shù)量為40、125 附近預(yù)測溫度過低，150 附近過高。在預(yù)測濕度時，DDGCRN 和RF 模型預(yù)測值和真實值的重合度較高，LSTM 模型整體重合度較低， S VR 模型在樣本數(shù)量為4 0 、125 處預(yù)測濕度值較高。從指標(biāo)結(jié)果中亦可看出DDGCRN 模型有最好的預(yù)測性能，預(yù)測溫度時其MAE、RMSE、MAPE 分別為0.363、0.834、1.967%，預(yù)測濕度時其MAE、RMSE、MAPE 分別為1.407、1.962、2.461%。

4 討論與結(jié)論

4.1 討論

本文對比了4 種算法的溫濕度預(yù)測性能，其中，DDGCRN 優(yōu)于其他模型，其將動態(tài)圖卷積循環(huán)神經(jīng)網(wǎng)絡(luò)與基于RNN 的模型相結(jié)合，根據(jù)時變環(huán)境數(shù)據(jù)生成動態(tài)圖，使得模型可以提取空間和時間特征，提升了預(yù)測準(zhǔn)確度。國內(nèi)外研究針對畜禽舍內(nèi)溫濕度或氣體構(gòu)建了不同的預(yù)測模型。例如謝秋菊等[1] 提出基于LSTM 的密閉豬舍溫濕度預(yù)測模型，該模型經(jīng)過參數(shù)優(yōu)化，溫度預(yù)測MAE 為0.5，濕度預(yù)測MAE 為2.3。曾志雄等[26] 提出GRU 豬舍溫度預(yù)測模型，其溫度預(yù)測MAE 為0.25。劉雙印等[27]提出PCA-SVR-ARMA 溫度預(yù)測模型，該模型通過PCA 方法篩選溫度關(guān)鍵影響因子，消除了SVR 模型的輸入多變量間的信息冗余，然后將SVR 模型與ARMA 模型結(jié)合，通過ARMA 模型挖掘和提取隱藏在預(yù)測殘差時序數(shù)據(jù)中有價值的信息，進(jìn)一步提升模型預(yù)測精度，其MAE 為0.183 2。這些模型對溫度預(yù)測的MAE 范圍在0.18～0.50，DDGCRN模型的MAE 為0.079，優(yōu)于上述研究的模型，且在泛用性驗證時，DDGCRN 模型MAE 為0.363，亦可達(dá)到上述經(jīng)優(yōu)化過的模型的相似水平。而在上述3 個示例中，LSTM 模型和GRU 模型屬于同類型模型，這2 種模型主要處理時間上的依賴關(guān)系，對于空間上節(jié)點的連接和關(guān)系沒有直接建模的能力，且這2 種模型在處理長序列時，計算和內(nèi)存消耗較大，容易出現(xiàn)梯度消失或爆炸問題。 DDGCRN 模型通過圖卷積能夠自然地處理節(jié)點之間的空間依賴關(guān)系，捕捉圖結(jié)構(gòu)中的局部和全局特征，且其通過圖卷積操作，可以有效減少參數(shù)數(shù)量，提升計算效率，并且能夠在較淺的網(wǎng)絡(luò)結(jié)構(gòu)中捕捉到復(fù)雜的關(guān)系。PCA-SVR-ARMA 雖然將PCA、SVR 與ARMA 模型相結(jié)合形成互補，但無法充分捕捉輸入數(shù)據(jù)中復(fù)雜的高階關(guān)系，且SVR 雖然可以處理非線性關(guān)系，但整體對強非線性關(guān)系的建模能力有限。DDGCRN 通過圖卷積操作，可以自然地處理節(jié)點之間的高階關(guān)系，能夠捕捉到數(shù)據(jù)中更復(fù)雜的依賴模式，通過多層卷積操作，可以捕捉到更復(fù)雜的非線性模式。本研究可為豬舍溫濕度預(yù)測及均勻控制提供方法。

4.2 結(jié)論

1） 通過皮爾遜相關(guān)性分析剔除了相關(guān)性小的特征并選擇了合適的輸入特征為：舍內(nèi)溫度、舍外溫度、舍內(nèi)相對濕度、舍外相對濕度、氨氣濃度以及二氧化碳濃度。通過平穩(wěn)性檢驗以及白噪聲檢驗，驗證了本文使用數(shù)據(jù)適合做時間序列建模。

2） 通過模型輸入配置比較分析選出了DDGCRN模型的最佳輸入特征，其溫度模型輸入為舍內(nèi)溫度、舍外溫度，濕度模型輸入為舍內(nèi)相對濕度、舍外相對濕度。通過超參數(shù)優(yōu)化，得出DDGCRN 模型在預(yù)測溫度時最佳Batch size 和Units 分別為8 和64，在預(yù)測濕度時最佳Batch size 和Units 分別為32 和16。

3） 通過溫濕度預(yù)測驗證篩選出預(yù)測精度最高的溫濕度預(yù)測模型為DDGCRN，其溫度預(yù)測模型MAE、RMSE、MAPE 為0.079、0.134 和0.392%，濕度預(yù)測模型MAE、RMSE、MAPE 為0.458、0.719、0.675%，通過泛用性驗證預(yù)測精度最高的溫濕度預(yù)測模型為亦為DDGCRN，且保持了較高的精度，可為密閉豬舍內(nèi)溫濕度預(yù)測及其均勻控制提供參考。

參考文獻(xiàn)：

[1]謝秋菊， 鄭萍 ， 包軍， 等. 基于深度學(xué)習(xí)的密閉式豬舍內(nèi)溫濕度預(yù)測模型[J]. 農(nóng)業(yè)機械學(xué)報， 2020， 51（10）： 353-361.

[2]DRUMMOND J G， CURTIS S E， SIMON J， et al. Effectsof aerial ammonia on growth and health of youngpigs[J]. Journal of Animal Science， 1980， 50（6）： 1085-1091.

[3]陳強. 基于PLC 和組態(tài)王的豬舍環(huán)境控制系統(tǒng)開發(fā)與應(yīng)用[D]. 揚州： 揚州大學(xué)， 2020.

[4]DE SOUZA GRANJA BARROS J， ROSSI L A， MENEZESDE SOUZA Z， et al. PID temperature controllerin pig nursery： Spatial characterization of thermal environment[J]. International Journal of Biometeorology，2018， 62（5）： 773-781.

[5]楊洪濤， 于曉周， 沈梅， 等. 基于ISSA-PID 試驗箱溫度控制算法的研究[J]. 環(huán)境技術(shù)， 2023， 41（9）： 140-147.

[6]CRAWLEY D B， HAND J W， KUMMERT M， et al.Contrasting the capabilities of building energy performancesimulation programs[J]. Building and Environment，2008， 43（4）： 661-673.

[7]BAI Z， GUO D， LI S， et al. Analysis of temperature andhumidity field in a new bulk tobacco curing barn basedon CFD[J]. Sensors， 2017， 17（2）： 279.

[8]ALBATAYNEH A， ALTERMAN D， PAGE A W， et al.Warming issues associated with the long term simulationof housing using CFD analysis[J]. Journal of GreenBuilding， 2016， 11（2）： 57-74.

[9]KRAMERR， VAN SCHIJNDEL J， SCHELLEN H. Simplifiedthermal and hygric building models： A literaturereview[J]. Frontiers of Architectural Research， 2012，1（4）： 318-325.

[10]RUIZ L G B， CUELLAR M P， CALVO-FLORES M， etal. An application of non-linear autoregressive neural networksto predict energy consumption in publicbuildings[J]. Energies， 2016， 9（9）： 684.

[11]DELCROIX B， LE NY J， BERNIER M， et al. Autoregressiveneural networks with exogenous variables for indoortemperature prediction in buildings[J]. BuildingSimulation， 2021， 14（1）： 165-178.

[12]KUMARS S， KUMAR A， AGARWAL S， et al. Forecastingindoor temperature for smart buildings with ARIMA，SARIMAX， and LSTM： A fusion approach[C]//2022 9thInternational Conference on Electrical Engineering，Computer Science and Informatics （EECSI）. Jakarta， Indonesia：IEEE， 2022： 186-192.

[13]GREFF K， SRIVASTAVAR K， KOUTNIK J， et al.LSTM： A search space odyssey[J]. IEEE Transactions onNeural Networks and Learning Systems， 2017， 28（10）：2222-2232.

[14]CHO K， VAN M B， BAHDANAU D， et al. On the propertiesof neural machine translation： Encoder-decoder approaches[J]. arXiv： 1409.1259， 2014. https：//arxiv.org/abs/1409.1259.

[15]VASWANI A， SHAZEER N， PARMAR N， et al. Attentionis all you need[J]. Advances in Neural InformationProcessing Systems， 2017， 30： 5998-6008.

[16]KIPFT N， WELLING M. Semi-supervised classificationwith graph convolutional networks[J]. arXiv： 1609.02907， 2016. https：//arxiv.org/abs/1609.02907.

[17]SHI X， CHEN Z， WANG H， et al. Convolutional LSTMnetwork： A machine learning approach for precipitationnowc asting[J]. Advances in Neural Information ProcessingSystems， 2015， 28： 802-810.

[18]ZHANG J， CHEN F， CUI Z， et al. Deep learning architecturefor short-term passenger flow forecasting in urbanrail transit[J]. IEEE Transactions on Intelligent TransportationSystems， 2021， 22（11）： 7004-7014.

[19]MEHTAB S， SEN J， DUTTA A. Stock price predictionusing machine learning and LSTM-based deep learningmodels[C]//Machine Learning and Metaheuristics Algorithms，and Applications： Second Symposium， SoMMA2020. Chennai， India： Springer Singapore， 2021： 88-106.

[20]WENG W， FAN J， WU H， et al. A decomposition dynamicgraph convolutional recurrent network for trafficforecasting[J]. Pattern Recognition， 2023， 142： 109670.

[21]ZHANG J， XIAO F， LI A， et al. Graph neural networkbasedspatio-temporal indoor environment prediction andoptimal control for central air-conditioning systems[J].Building and Environment， 2023， 242： 110600.

[22]WU L， SUN P， HONG R， et al. Socialgcn： An efficientgraph convolutional network based model for social recommendation[J]. arXiv： 1811.02815， 2018. https：//arxiv.org/abs/1811.02815.

[23]DHAWAN S， SINGH K， RABAEA A， et al. ImprovedGCN：An efficient and accurate recommendationsystem employing lightweight graph convolutional networksin social media[J]. Electronic Commerce Researchand Applications， 2022， 55： 101191.

[24]ZHANG X M， LIANG L， LIU L， et al. Graph neural networksand their current applications in bioinformatics[J].Frontiers in Genetics， 2021， 12： 690049.

[25]LOSHCHILOV I， HUTTER F. SGDR： Stochastic gradientdescent with warm restarts[J]. arXiv： 1608.03983，2016. https：//arxiv.org/abs/1608.03983.

[26]曾志雄， 羅毅智， 余喬東， 等. 基于時間序列和多元模型的集約化豬舍溫度預(yù)測[J]. 華南農(nóng)業(yè)大學(xué)學(xué)報， 2021，42（3）： 111-118.

[27]劉雙印， 黃建德， 徐龍琴， 等. 基于 PCA-SVR-ARMA 的獅頭鵝養(yǎng)殖禽舍氣溫組合預(yù)測模型[J]. 農(nóng)業(yè)工程學(xué)報，2020， 36（11）： 225-233.

[27]【責(zé)任編輯 莊 延】

基金項目：“十四五”國家重點研發(fā)計劃（2021YFD2000803）