基于时间序列和多元模型的集约化猪舍温度预测

目的 从挖掘猪舍历史环境参数数据时序信息角度出发，提出基于时间序列模型和多元模型序列的猪舍温度预测模型。方法 采取缺失部分环境因子统计预测，评估猪舍环境中相对湿度、二氧化碳浓度、氧气浓度等环境因子对温度预测的影响程度。针对猪舍温度时间序列进行数据预处理，滤除错误值和缺失值，采用时间序列模型构建基于门控循环单元网络(Gated recurrent unit，GRU)的猪舍温度预测模型，采用多元模型建立基于梯度提升决策树(Extreme gradient boosting，XGBoost)缺失值重要程度的猪舍温度预测模型。将该预测模型用于预测广东省某集约化猪场母猪分娩舍温度，并与循环神经网络(Recurrent neural network, RNN)模型、反向神经网络(Back propagation neural network, BPNN)模型进行对比试验。结果 对比温度预测值与实测值发现，基于GRU模型对应的猪舍温度均方根误差和平均绝对误差分别为0.25和0.19 ℃，平均绝对百分比误差为0.65%；基于XGBoost多元模型的猪舍温度均方根误差和平均绝对误差分别为1.21和0.71 ℃，平均绝对百分比误差为2.50%。在时间序列的温度预测模型中，GRU模型表现出更优的预测效果；在多元模型的温度预测中，XGBoost模型的预测效果更优。结论 本研究使用的GRU模型在时间维度上对母猪分娩舍温度的变化起到了预警作用，确定了各种环境参数对温度的影响程度，为养殖环境的精细调控提供了参考。

Temperature prediction of intensive pig house based on time series and multivariate models