一个基于GRU和LSTM的机器学习模型,用于预测层房中的环境参数,以CO2度为例
Xiaoyang Chen1,2,3, Lijia Yang1, Hao Xue1,2,3
1College of Mechanical and Electrical Engineering, Hebei Agricultural University, Baoding 071001, China.
Sensors (Basel, Switzerland)
|January 11, 2024
概括
层屋中的高二氧化碳水平会损害家禽的健康和产量. 这项研究开发了一种使用GRU和LSTM的机器学习模型,用于准确的二氧化碳预测,改善家禽养殖条件.
科学领域:
- 农业工程 农业工程
- 环境科学 环境科学
- 机器学习 机器学习
背景情况:
- 禽舍中二氧化碳 (CO2) 含量较高会损害层的健康和生产力.
- 保持最佳的二氧化碳水平对于预防慢性二氧化碳中毒和确保动物福利至关重要.
- 对二氧化碳度的预测建模对于大规模层级农场的积极环境控制至关重要.
研究的目的:
- 使用机器学习开发和评估层房的二氧化碳预测模型.
- 评估门式反复单元 (GRU) 和长期短期存储器 (LSTM) 网络在二氧化碳预测方面的性能.
- 确定影响家禽环境中二氧化碳动态的关键环境因素.
主要方法:
- 使用了从实验层房 (2023年6月至7月) 收集的温度,湿度和二氧化碳数据.
- 应用数据预处理技术,包括标准化,对22,000个时间序列数据点.
- 构建和训练GRU和LSTM模型,在测试集上评估它们的预测准确性.
主要成果:
- 无论是GRU和LSTM模型都表现出良好的概括性,稳定性,以及对二氧化碳水平的高预测准确性.
- 与GRU模型相比,LSTM模型的稳定性更高,但预测准确度和速度较低.
- 格鲁模型的平均绝对误差 (MAE) 为70.8077126.7029ppm,预测时间为15,00017,000个数据点,预测时间为1624ms.
结论:
- 机器学习模型,特别是GRU和LSTM,对于预测层房中的二氧化碳度是有效的.
- 准确的二氧化碳预测可以及时调整通风,这对于保持最佳家禽养条件至关重要.
- 该研究强调了人工智能驱动的环境监测在提高家禽健康和生产效率方面的潜力.
