基于時(shí)間序列和多元模型的集約化豬舍溫度預(yù)測

曾志雄，羅毅智，余喬?hào)|，蔡 任，呂恩利，夏晶晶,2

(1 華南農(nóng)業(yè)大學(xué) 工程學(xué)院，廣東 廣州 510642； 2 廣東機(jī)電職業(yè)技術(shù)學(xué)院，廣東 廣州 510515)

集約化豬舍是一個(gè)復(fù)雜的小氣候環(huán)境，受內(nèi)、外部環(huán)境的影響，豬舍內(nèi)部溫度具有波動(dòng)、滯后、強(qiáng)干擾、多耦合等特征。而溫度是養(yǎng)豬生產(chǎn)過程中的重要影響因素[1]。豬舍內(nèi)部環(huán)境過熱、過冷、潮濕等不良環(huán)境條件，可導(dǎo)致豬體不適、生產(chǎn)能力下降、成活率降低，甚至誘發(fā)感冒、腹瀉或呼吸道疾病等[2]。據(jù)美國國家研究委員會(huì) (National research council,NRC)報(bào)道，在一定范圍內(nèi)，氣溫每升高1 ℃，豬采食量減少 40 g；在持續(xù)高溫 (28～35 ℃)環(huán)境下，生豬日采食量較常溫下降14%，日增質(zhì)量下降21%，料重比增加0.23。為降低能耗、減少飼料消耗、優(yōu)化豬舍環(huán)境，前人研究了生豬養(yǎng)殖環(huán)境下相對(duì)濕度、二氧化碳濃度、氧氣濃度、氨氣濃度、硫化氫濃度等環(huán)境因子對(duì)溫度預(yù)測的影響[3-4]，進(jìn)而精準(zhǔn)預(yù)測豬舍溫度，并提出環(huán)境調(diào)控與預(yù)警方案[5-6]，提高了生豬養(yǎng)殖存活率，對(duì)我國養(yǎng)豬產(chǎn)業(yè)具有重要的實(shí)際意義。

目前，國內(nèi)外學(xué)者主要從理化統(tǒng)計(jì)模型和算法分析2個(gè)方面對(duì)養(yǎng)殖場溫度預(yù)測進(jìn)行相關(guān)研究[7-14]。Norton等[15]和Andonov等[16]探索了自然通風(fēng)下畜舍溫度的變化規(guī)律，但受限于應(yīng)用場景，模型穩(wěn)定性尚不明確，預(yù)測精度還不能滿足應(yīng)用。隨著計(jì)算機(jī)性能的發(fā)展，算法分析展現(xiàn)其穩(wěn)定性和預(yù)測精度高的特點(diǎn)。楊柳[17]提出基于歷史溫濕度序列進(jìn)行多尺度分析，得到溫濕度的變化規(guī)律曲線，并通過支持向量機(jī)回歸預(yù)測出下一時(shí)刻豬舍內(nèi)溫濕度值，該算法發(fā)揮了支持向量機(jī)對(duì)線性數(shù)據(jù)的擬合特性，但是對(duì)溫度的預(yù)測精度及準(zhǔn)確性較低。前人基于模糊方法技術(shù)，利用組態(tài)軟件研究了豬舍內(nèi)環(huán)境因子的相互影響規(guī)律[18-21]，但模型并未對(duì)環(huán)境因素進(jìn)行針對(duì)性調(diào)控[22]。陳昕等[23]基于神經(jīng)網(wǎng)絡(luò)和二次聚類，進(jìn)一步對(duì)溫室溫度進(jìn)行二次預(yù)測，相比于未聚類的BP神經(jīng)算法，提高了溫度預(yù)測的準(zhǔn)確度。楊亮等[24]和Rodriguez等[25]提出基于EMD-LSTM的豬舍氨氣濃度預(yù)測模型，將氨氣進(jìn)行尺度分解，能夠較好地?cái)M合豬舍內(nèi)環(huán)境參數(shù)與氨氣濃度之間的關(guān)系。

本文采用時(shí)間序列模型[20]，預(yù)測未來10 min的溫度數(shù)據(jù)；基于多元模型，研究環(huán)境因素中的各個(gè)特征對(duì)溫度的影響程度，同時(shí)添加BP神經(jīng)網(wǎng)絡(luò)模型[26]、循環(huán)神經(jīng)網(wǎng)絡(luò)[27]等，開展對(duì)比研究。結(jié)合豬舍多點(diǎn)多源環(huán)境監(jiān)測系統(tǒng)，建立基于時(shí)間序列和多元模型的豬舍溫度預(yù)測模型，為豬舍環(huán)境的精細(xì)調(diào)控提供參考。

1 研究方法

1.1 門控循環(huán)單元網(wǎng)絡(luò)算法

門控循環(huán)單元網(wǎng)絡(luò) (Gated recurrent unit，GRU)內(nèi)部結(jié)構(gòu)如圖1a所示。GRU是一種在長短期神經(jīng)網(wǎng)絡(luò) (Long short-term memory，LSTM)基礎(chǔ)上進(jìn)行改進(jìn)的循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent neural network，RNN) 算法[28-29]，圖 1b為隨時(shí)間展開的 RNN單元，該算法能夠克服傳統(tǒng)RNN算法梯度消失的問題。與LSTM相比，減少了訓(xùn)練所需的參數(shù)、降低模型復(fù)雜度、提升訓(xùn)練效率。

圖 1 循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1 Cyclic neural network structure diagram

GRU算法具體公式如下：

式中，Ur和Wr分別是各個(gè)門的隱藏狀態(tài)權(quán)重和輸入變量權(quán)重，⊙是Hadamard積，h(t)表示t時(shí)刻的隱藏狀態(tài)，(t)為重置后的數(shù)據(jù)，x(t)為t時(shí)刻的輸入，y(t)是t時(shí)刻的輸出，同時(shí)也作為t+1時(shí)刻的輸入。

1.2 極端梯度提升

極端梯度決策樹 (Extreme gradient boosting，XGBoost)是梯度提升 (Gradient boosting)的一種高效系統(tǒng)實(shí)現(xiàn)，其對(duì)梯度提升決策樹(Gradient boosting decision tree，GBDT)進(jìn)行了優(yōu)化改進(jìn)，能夠并行計(jì)算、近似建樹和對(duì)稀疏數(shù)據(jù)進(jìn)行有效處理，對(duì) CPU 和內(nèi)存的使用進(jìn)行了優(yōu)化，使其在機(jī)器學(xué)習(xí)領(lǐng)域展現(xiàn)了很好的效果[30]。其目標(biāo)函數(shù)為

1.3 基于時(shí)間序列和多元模型的集約化豬舍溫度預(yù)測模型

豬舍溫度數(shù)據(jù)序列受豬舍內(nèi)其他環(huán)境因子影響，例如相對(duì)濕度、空間位置、氧氣濃度、二氧化碳濃度等。本研究在同一時(shí)刻，探討環(huán)境因子缺失對(duì)豬舍溫度數(shù)據(jù)預(yù)測的影響，構(gòu)建基于時(shí)間序列與多元模型的豬舍溫度預(yù)測模型(圖2)。

圖 2 基于時(shí)間序列和溫度序列的豬舍溫度預(yù)測流程圖Fig.2 A flow chart of temperature prediction of piggery based on time series and temperature series

具體步驟如下：

1)數(shù)據(jù)采集與處理。利用無線多點(diǎn)多源遠(yuǎn)程監(jiān)測系統(tǒng)[31]，采集母豬分娩舍內(nèi)溫度、氧氣濃度、二氧化碳濃度、相對(duì)濕度等參數(shù)，然后對(duì)系統(tǒng)采集的數(shù)據(jù)進(jìn)行預(yù)處理，去除錯(cuò)誤值，最后歸一化，并對(duì)數(shù)據(jù)進(jìn)行預(yù)處理分析。

2)基于GRU時(shí)間序列豬舍溫度預(yù)測模型的可靠性檢測。采用GRU算法，構(gòu)建基于溫度的時(shí)間序列預(yù)測模型，模型的輸入?yún)?shù)是分娩母豬舍二氧化碳濃度、相對(duì)濕度和氧氣濃度，模型的輸出參數(shù)是分娩母豬舍未來10 min的舍內(nèi)溫度值。首先，初始化GRU預(yù)測模型參數(shù)；隨后，不斷優(yōu)化調(diào)整預(yù)測模型參數(shù)，提高分娩舍內(nèi)溫度預(yù)測的準(zhǔn)確度。

3)基于單變量缺失的模型評(píng)估檢測。刪減單個(gè)環(huán)境因子，構(gòu)建缺失單個(gè)變量的模型，采用步驟2)的方法預(yù)測分娩舍內(nèi)溫度，定義評(píng)價(jià)單變量缺失模型的評(píng)價(jià)指標(biāo)，根據(jù)評(píng)價(jià)指標(biāo)，得到各個(gè)環(huán)境因子的重要程度。首先，基于GRU溫度預(yù)測模型，將模型的輸入?yún)?shù)刪減某一個(gè)環(huán)境因子，模型的輸出參數(shù)是分娩舍未來10 min的舍內(nèi)溫度預(yù)測值；其次，根據(jù)評(píng)價(jià)指標(biāo)，計(jì)算該環(huán)境因子對(duì)豬舍溫度預(yù)測模型的影響程度；最后，根據(jù)統(tǒng)計(jì)結(jié)果，分析各個(gè)環(huán)境因子的重要程度。

1.4 集約化豬舍溫度預(yù)測試驗(yàn)

1.4.1 數(shù)據(jù)采集 以廣東省云浮市某集約化種豬場的母豬分娩舍作為研究對(duì)象，該豬舍長度1 990 cm、寬度1 100 cm，屋頂采用平頂式設(shè)計(jì)，地板類型為半漏縫式地板，通風(fēng)方式為機(jī)械通風(fēng)。利用無線多點(diǎn)多源遠(yuǎn)程監(jiān)測系統(tǒng)進(jìn)行數(shù)據(jù)采集[32]，采集頻率為每10 min采集1次。該場區(qū)豬舍配備降溫濕簾、屋頂小窗及側(cè)墻負(fù)壓風(fēng)機(jī)等環(huán)控設(shè)施。試驗(yàn)開始前，提前進(jìn)入豬舍內(nèi)進(jìn)行勘察踩點(diǎn)，詳細(xì)記錄豬舍的豬只類型和數(shù)量、建筑尺寸、通風(fēng)方式、環(huán)控原理等。繪制豬舍平面布局圖并進(jìn)行監(jiān)測區(qū)域劃分，為節(jié)點(diǎn)設(shè)備的合理布置提供參考。試驗(yàn)時(shí)間為2018年7月15—17日，除去設(shè)備布置、清理節(jié)點(diǎn)、電池充電等耗時(shí)，總有效測試時(shí)長約72 h。選取舍內(nèi)41臺(tái)無線監(jiān)測節(jié)點(diǎn)(下文統(tǒng)稱“節(jié)點(diǎn)”)采集到的16 981條有效環(huán)境信息數(shù)據(jù)作為原始試驗(yàn)數(shù)據(jù)，包括溫度、相對(duì)濕度、二氧化碳濃度、氧氣濃度、數(shù)據(jù)包上傳時(shí)間、節(jié)點(diǎn)號(hào)等各類試驗(yàn)環(huán)境信息。試驗(yàn)完成后，下載試驗(yàn)數(shù)據(jù)并分類編排整理，對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理，剔除異常數(shù)據(jù)包，進(jìn)行統(tǒng)計(jì)學(xué)分析并繪圖。

1.4.2 節(jié)點(diǎn)工作原理 圖3為無線多點(diǎn)多源遠(yuǎn)程監(jiān)測系統(tǒng)工作原理的拓?fù)浣Y(jié)構(gòu)，舍內(nèi)各個(gè)節(jié)點(diǎn)測得的環(huán)境數(shù)據(jù)經(jīng)DTU上傳至服務(wù)器，工作人員可登錄網(wǎng)站或者移動(dòng)端查看。

圖 3 監(jiān)測系統(tǒng)工作原理Fig.3 The operating principle of monitoring system

1.4.3 節(jié)點(diǎn)布置方法為避免產(chǎn)后母豬的應(yīng)激反應(yīng)對(duì)哺乳仔豬造成影響，在豬場管理人員的許可下進(jìn)行了產(chǎn)前分娩舍的試驗(yàn)測試。試驗(yàn)分娩舍內(nèi)存有妊娠期107 d(產(chǎn)前7 d)的待產(chǎn)母豬共30頭。建筑外墻一側(cè)設(shè)置有降溫濕簾，舍內(nèi)通風(fēng)采用屋頂小窗進(jìn)風(fēng)，側(cè)墻負(fù)壓風(fēng)機(jī)排風(fēng)方式。屋頂小窗為橫向排列，每排5個(gè)小窗共2排。側(cè)墻負(fù)壓風(fēng)機(jī)為縱向排列，風(fēng)機(jī)包括1臺(tái)變頻風(fēng)機(jī)(80 cm)和3臺(tái)恒速風(fēng)機(jī) (100 cm)。試驗(yàn)豬舍長度 1 990 cm、寬度 1 100 cm、高度260 cm，過道寬度104 cm；每個(gè)哺乳母豬欄單格長度 240 cm、寬度 182 cm，總計(jì) 30 格。單格內(nèi)限位欄寬度70 cm，僅容納1頭哺乳母豬。豬舍地面下方為水泡糞地溝，溝內(nèi)設(shè)有地溝風(fēng)機(jī)進(jìn)行排風(fēng)。

試驗(yàn)分娩舍內(nèi)部空間適中，待產(chǎn)母豬的限位欄間隔較寬，3排欄體單格均為縱向排列。母豬頭對(duì)頭、尾對(duì)尾分布，待產(chǎn)母豬腹部一側(cè)留有仔豬活動(dòng)空間。根據(jù)實(shí)地勘察結(jié)果，結(jié)合豬只分布及舍內(nèi)通風(fēng)特點(diǎn)，選取部分限位欄單格內(nèi)的母豬及仔豬豬頭區(qū)域作為節(jié)點(diǎn)設(shè)備的主要監(jiān)測點(diǎn)，并選取舍內(nèi)出風(fēng)口區(qū)域及舍外區(qū)域作為試驗(yàn)對(duì)照組。

將節(jié)點(diǎn)設(shè)備進(jìn)行合理布置劃分，以研究試驗(yàn)分娩舍內(nèi)各環(huán)境因素的分布特性。為此，將舍內(nèi)監(jiān)測區(qū)域詳細(xì)劃分為母豬呼吸區(qū)域高度平面(0.70 m)、仔豬呼吸區(qū)域高度平面(0.35 m)、出風(fēng)口區(qū)域高度平面 (0.70 m)及舍外區(qū)域，分別掛設(shè) 15、9、3和2臺(tái)從節(jié)點(diǎn)設(shè)備，設(shè)置每10 min采集1次數(shù)據(jù)。主節(jié)點(diǎn)置于入口信號(hào)較好區(qū)域，確認(rèn)主、從節(jié)點(diǎn)位置編號(hào)并開啟電源進(jìn)行72 h不間斷監(jiān)測。試驗(yàn)過程中通過后臺(tái)定時(shí)查看各節(jié)點(diǎn)設(shè)備數(shù)據(jù)上傳記錄。試驗(yàn)分娩舍平面結(jié)構(gòu)圖及監(jiān)測區(qū)域主、從節(jié)點(diǎn)分布如圖4所示。

圖 4 試驗(yàn)分娩舍側(cè)、俯視圖及各區(qū)域節(jié)點(diǎn)分布Fig.4 Side and top views of test farrowing pig house and node distribution in each region

1.4.4 數(shù)據(jù)預(yù)處理 參照文獻(xiàn) [33]對(duì)系統(tǒng)采集到的數(shù)據(jù)進(jìn)行預(yù)處理，分為3個(gè)步驟：

1)異常數(shù)據(jù)處理。本次采集到的數(shù)據(jù)中，數(shù)據(jù)異常情況主要為缺失值和錯(cuò)誤值2種。因間歇斷電造成的數(shù)據(jù)異常、少數(shù)數(shù)據(jù)丟失，即為缺失值；本試驗(yàn)中數(shù)據(jù)的錯(cuò)誤值主要是指溫度或者相對(duì)濕度值，小于或等于0的數(shù)據(jù)，由試驗(yàn)條件可知顯然這是不合理的數(shù)據(jù)。對(duì)這2類異常數(shù)據(jù)使用拉格朗日插值法，以異常點(diǎn)兩側(cè)的正常數(shù)據(jù)取平均值填充，計(jì)算公式如下：

式中，Error為異常值，Value為正常值，Xn和分別為異常數(shù)據(jù)值及替代值，n表示樣本所在的時(shí)刻序列號(hào)。

2)按節(jié)點(diǎn)劃分?jǐn)?shù)據(jù)集進(jìn)行時(shí)間序列化處理。由于時(shí)間序列的試驗(yàn)需要在同一觀測節(jié)點(diǎn)，因此按節(jié)點(diǎn)將數(shù)據(jù)分成了41組，并根據(jù)時(shí)間形成序列。根據(jù)程序設(shè)定，按照時(shí)間序以2∶1的比例劃分為訓(xùn)練集和預(yù)測集。

3)歸一化處理。由于數(shù)據(jù)中各種變量的量綱不同，為提高預(yù)測的準(zhǔn)確性，本文對(duì)數(shù)據(jù)進(jìn)行歸一化處理，計(jì)算公式如下：

式中，X?為歸一化后的數(shù)值，Xn為觀測值，Xmax和Xmin分別表示最大值和最小值。

1.4.5 結(jié)果評(píng)價(jià)指標(biāo)為了判斷時(shí)間序列是否具有預(yù)測價(jià)值，基于統(tǒng)計(jì)學(xué)方法對(duì)時(shí)間序列進(jìn)行平穩(wěn)性檢驗(yàn)和白噪聲檢驗(yàn)，指標(biāo)為單位根檢驗(yàn)P值，當(dāng)平穩(wěn)性檢驗(yàn)的P小于0.05時(shí)，該序列是平穩(wěn)序列，反之為非平穩(wěn)序列；當(dāng)白噪聲檢驗(yàn)的P小于0.05時(shí)，該序列是非白噪聲序列，反之為白噪聲序列。從而判斷該組時(shí)間序列是否具有預(yù)測價(jià)值。

為了比較不同預(yù)測方法的預(yù)測結(jié)果，采用3種誤差指標(biāo)：平均絕對(duì)誤差 (Mean absolute error,MAE)、平均絕對(duì)百分比誤差 (Mean absolute percent error, MAPE)和均方根誤差 (Root mean square error, RMSE)來衡量各模型的預(yù)測結(jié)果，指標(biāo)數(shù)值越小，預(yù)測方法的精度越高，說明預(yù)測效果越好[34]。三者的表達(dá)式如下：

式中，Observedt和 Predictedt分別表示第t個(gè)觀測值和預(yù)測值，n表示樣本規(guī)模。

選取最優(yōu)多元模型，采用單變量缺失預(yù)測溫度。分別使用XGBoost、反向傳播神經(jīng)網(wǎng)絡(luò)(Back propagation neural network，BPNN)[35]和線性回歸(Linear regression，LR)[36]建立多元模型，構(gòu)建缺失單個(gè)變量的模型(以下稱為“缺失變量預(yù)測模型”)，該模型誤差越大，說明對(duì)應(yīng)的缺失變量對(duì)預(yù)測結(jié)果的誤差越大，定義某一自變量對(duì)預(yù)測結(jié)果的貢獻(xiàn)度得分為Scorei, Sc orei越高，對(duì)應(yīng)的缺失變量對(duì)預(yù)測結(jié)果越重要。計(jì)算公式如下：

式中，MAPEi指的是第i個(gè)缺失變量的MAPE。

1.4.6 對(duì)比模型為了評(píng)估GRU模型和XGBoost模型的效果，基于時(shí)間序列模型，添加RNN模型[37]進(jìn)行對(duì)比；基于多元模型，添加BPNN和LR模型進(jìn)行對(duì)比。

2 結(jié)果與分析

2.1 基于GRU時(shí)間序列的豬舍溫度預(yù)測模型可靠性測試結(jié)果

針對(duì)豬舍溫度時(shí)間序列數(shù)據(jù)特點(diǎn)，采取基于GRU檢驗(yàn)溫度時(shí)間序列，驗(yàn)證其是否具有預(yù)測價(jià)值。首先，基于統(tǒng)計(jì)學(xué)方法對(duì)時(shí)間序列進(jìn)行平穩(wěn)性檢驗(yàn)和白噪聲檢驗(yàn)[38]；然后，采用基于GRU神經(jīng)網(wǎng)絡(luò)算法對(duì)模型進(jìn)行訓(xùn)練和測試，預(yù)測未來10 min分娩舍溫度的數(shù)值；最后，添加RNN模型，選取最優(yōu)模型。

對(duì)分娩舍溫度時(shí)間序列數(shù)據(jù)集進(jìn)行統(tǒng)計(jì)，得出其原始序列平穩(wěn)性檢驗(yàn)、一階差分序列平穩(wěn)性值和一階差分序列白噪聲檢驗(yàn)的P值分別為0.13、2.07×10?15和 2.77×10?49。可見，溫度的一階差分序列為平穩(wěn)非白噪聲序列，該時(shí)間序列的一階差分序列有較強(qiáng)的短期相關(guān)性，可對(duì)其進(jìn)行時(shí)間序列建模。使用GRU和RNN預(yù)測模型進(jìn)行對(duì)比分析，得到對(duì)應(yīng)模型的MAE、MAPE和RMSE 3個(gè)指標(biāo)，結(jié)果見圖5。圖5a、5b和5c的結(jié)果表明，相對(duì)于RNN模型，GRU模型的RMSE、MAE和MAPE均較??；圖5d可以看出，相比于RNN模型，GRU模型的數(shù)據(jù)預(yù)測值曲線與觀測值曲線更加接近。

圖 5 GRU和RNN時(shí)間序列模型溫度預(yù)測結(jié)果對(duì)比Fig.5 Comparison of temperature prediction results of GRU and RNN time series models

基于上述試驗(yàn)結(jié)果，對(duì)每個(gè)模型的3項(xiàng)指標(biāo)進(jìn)行計(jì)算，得到全部節(jié)點(diǎn)的指標(biāo)平均值，結(jié)果見表1。由表1可見，對(duì)于不同的誤差指標(biāo)(RMSE、MAE和MAPE)，GRU模型取得的值都比RNN模型的要小。表明在時(shí)間序列預(yù)測試驗(yàn)中，GRU模型的性能優(yōu)于RNN模型。所以，選取GRU模型，進(jìn)行基于單變量缺失模型的評(píng)估檢測。

表 1 溫度預(yù)測試驗(yàn)中GRU和RNN時(shí)間序列模型的指標(biāo)1)Table 1 Indexes of GRU and RNN time series models in temperature prediction test

2.2 基于單變量缺失模型評(píng)估檢測結(jié)果

為研究環(huán)境因子缺失對(duì)豬舍溫度預(yù)測的影響，采用單變量缺失的多元模型和GRU預(yù)測模型，得到溫度預(yù)測的結(jié)果，進(jìn)而得到該環(huán)境因子對(duì)豬舍溫度預(yù)測的貢獻(xiàn)度。首先，選取經(jīng)過預(yù)處理的數(shù)據(jù)集，在不區(qū)分節(jié)點(diǎn)的情況下，按照2∶1的比例隨機(jī)劃分為訓(xùn)練集和測試集；然后，選取BPNN和LR等回歸模型，進(jìn)行對(duì)比分析，模型的輸出是溫度序列，模型的輸入是剩余的環(huán)境因子。測試集驗(yàn)證結(jié)果(表2)表明，XGBoost和BPNN模型的3項(xiàng)指標(biāo)均優(yōu)于LR模型。XGBoost模型的MAPE和MAE最低，XGBoost模型的RMSE(1.21 ℃)略高于BPNN模型(0.89 ℃)，這可能是因?yàn)镽MSE對(duì)于個(gè)別離群點(diǎn)的敏感性以及較小的數(shù)據(jù)量對(duì)預(yù)測結(jié)果造成了影響。

表 2 溫度預(yù)測試驗(yàn)中多元模型的指標(biāo)1)Table 2 Indexes of multivariate model in temperature prediction test

由表2可知，XGBoost和BPNN模型相比LR模型較為可靠，為了避免單個(gè)模型的預(yù)測結(jié)果的偶然性，選擇這兩者同時(shí)用于構(gòu)建缺失變量預(yù)測模型，結(jié)果如表3所示。由表3可知，根據(jù)XGBoost和BPNN模型的預(yù)測結(jié)果，變量重要程度(Score)排名得出了相同的結(jié)果，2個(gè)模型的Score排序由高到低均為節(jié)點(diǎn)編號(hào)(即空間位置)>相對(duì)濕度>二氧化碳濃度>氧氣濃度。XGBoost和BPBN的模型得到的結(jié)果基本一致，保證了該方法和排名結(jié)果的可靠性。

表 3 溫度預(yù)測試驗(yàn)中變量缺失的XGBoost和BPNN多元模型的Score值Table 3 Score values of XGBoost and BPNN multivariate models with missing variables in temperature prediction test

3 結(jié)論

針對(duì)母豬分娩舍的溫度預(yù)測問題，提出了基于時(shí)間序列模型的縱向預(yù)測融合多元模型的橫向預(yù)測方法。1)基于時(shí)間序列模型，對(duì)豬舍溫度序列進(jìn)行縱向預(yù)測，試驗(yàn)結(jié)果表明GRU模型優(yōu)于RNN模型，MAPE分別為2.50和.031，在分娩舍的實(shí)際環(huán)境參數(shù)調(diào)控管理中屬于可接受的誤差范圍，在時(shí)間維度上對(duì)分娩舍溫度的變化起到了預(yù)警作用。2)基于多元模型，對(duì)豬舍溫度序列進(jìn)行橫向預(yù)測，本文從環(huán)境因素之間相互影響這一事實(shí)出發(fā)研究其他因素對(duì)溫度的影響，提出一種基于XGBoost模型的豬舍溫度預(yù)測方法，并與BPNN和LR模型的效果進(jìn)行對(duì)比。結(jié)果表明，XGBoost和BPNN模型優(yōu)于LR模型，但在不同的評(píng)價(jià)指標(biāo)上，XGBoost和BPNN模型性能各有優(yōu)劣。從RMSE來看，BPNN模型的誤差小于XGBoost模型；但從MAE和MAPE來看，XGBoost模型的誤差小于BPNN模型。從RMSE、MAE和MAPE的公式來看，RMSE受離群點(diǎn)的影響較大，本文的數(shù)據(jù)集也存在著部分的噪點(diǎn)且采集的數(shù)據(jù)不夠多等問題，這些因素對(duì)預(yù)測結(jié)果造成了影響?？傮w來看，XGBoost模型有較大的應(yīng)用潛力。3)在探究某一自變量對(duì)預(yù)測結(jié)果貢獻(xiàn)度的試驗(yàn)中，確定了各種環(huán)境參數(shù)對(duì)溫度的影響程度。其中，節(jié)點(diǎn)對(duì)試驗(yàn)結(jié)果影響最大，即空間位置對(duì)溫度影響最大，建議在豬舍溫度的調(diào)控中，可以在不同的空間位置采用不同措施，精細(xì)化調(diào)控養(yǎng)殖環(huán)境。

本研究試驗(yàn)數(shù)據(jù)在時(shí)間和空間的數(shù)量不足，今后應(yīng)采用有線數(shù)據(jù)采集系統(tǒng)補(bǔ)充全年度全過程的數(shù)據(jù)，同時(shí)研究季節(jié)性變化對(duì)于分娩母豬豬舍溫度變化的影響，并根據(jù)機(jī)器學(xué)習(xí)預(yù)測模型，補(bǔ)充溫度調(diào)控的試驗(yàn)。