一个基于深度学习的新预测模型,用于猪舍环境

科学领域:

• 农业工程 农业工程
• 人工智能在农业中的应用
• 环境监测 环境监测

背景情况:

• 准确预测室内猪舍的环境参数 (温度,湿度,CO2,NH3) 对于动物福利和有效的农场管理至关重要.
• 现有的预测模型经常与复杂的环境动态作斗争,并实现高预测准确度.

研究的目的:

• 为猪舍环境开发一个先进的预测模型,使用贝叶斯优化 (BO),挤压激发卷积神经网络 (SE-CNN) 和封闭循环单元 (GRU) 的组合.
• 提高关键环境参数的预测准确性和稳定性,从而支持积极的环境控制和改善动物福利.

主要方法:

• 提出了一个混合模型,集成BO用于超参数调,SE-CNN用于特征提取,GRU用于序列建模.
• SE-CNN 块提取本地特征,SE 块优化特征频道权重以改善歧视.
• GRU捕捉了环境数据序列中的长期依赖性,以预测未来的价值.

主要成果:

• 与CNN-LSTM,CNN-BiLSTM和CNN-GRU模型相比,BO-SE-CNN-GRU模型在预测温度,湿度,CO2和NH3度方面表现优异.
• 实现了高预测准确度,由0.9883的确定系数 (R2) 证明,0.03243的平均绝对误差 (MSE) 和0.01536的氨预测的平均绝对百分比误差 (MAPE).
• 该模型在预测准确性和稳定性方面表现出显著的优势,提供可靠的决策支持.

结论:

• 开发的BO-SE-CNN-GRU模型为预测室内猪环境提供了高度准确和稳定的解决方案.
• 这种先进的预测能力使得及时的干预和控制措施成为可能,大大有助于改善动物福利和优化农场管理.
• 该模型的有效性凸显了将先进的人工智能技术集成到精密畜牧业的潜力.