随着2020年我国《数字农业农村发展规划(2019—2025年)》(农规发「2019」33 号)的发布，明确了进一步推进人工智能等数字技术向农业农村渗透，加快建设数字农业标准体系，推进现代化数字畜牧业的发展，标志着智能工厂化养殖已成为我国畜牧产业发展的必然趋势。目前，工厂化养殖场均为全封闭式大空间猪舍，封闭养殖空间中的环境质量是影响养猪生产发展的关键因素之一。当前密闭猪舍内的环境因子主要包含温湿度、粉尘、气体和风速。其中温度影响猪的体温平衡，低温会导致猪的食物消耗增加，增加饲料成本，高温会导致食欲减退，减缓生长，降低生产效益；高湿度会增加猪患热应激的风险，也有可能会引发呼吸道问题^[1]；当粉尘浓度增加时会降低猪的生长速率，减少饲料转化率，同时由于呼吸系统疾病和脓肿引起猪的发病率和死亡率增加^[2]；猪舍内对猪只影响较大气体为氨气和硫化氢，氨气浓度过高会造成猪只免疫力下降，易染疾病，甚至危及生命，硫化氢易溶附呼吸道黏膜和眼结膜上，当硫化氢浓度高时猪只畏光、流泪，易发生结膜炎、角膜溃病、咽喉灼伤等疾病^[3]。准确合理的环境因子监测可以为养殖场管理者提供准确的数据，以便制定合理的饲养管理策略、环境调控措施等，从而提高饲料利用率、猪只生长速度和繁殖效率等，增加养殖效益，这对于现代畜牧业的可持续发展至关重要。

现有的猪舍温湿度控制算法有解耦控制、模糊控制、比例−积分−微分(Proportional-integral-derivative control, PID)控制、模糊PID控制等，这些算法反应速度快，能够在一定程度上缓解高温高湿环境对猪只健康的影响。然而，由于猪舍内的热湿环境根据舍内气流而逐渐改变，而上述控制算法参数不能自动调整以适应环境变化^[4-5]，这就造成环境调控滞后、环控设备运行衔接不及时和运行效率降低等问题^[1]，导致猪舍内温湿度波动大。

若采用温湿度预测的方法提前对温湿度进行调控，减小舍内温湿度波动，能够进一步降低环境对猪只的影响。现阶段国内外关于密闭空间内温湿度预测的方法有3类：1)基于物理建模的方法。此类方法借助模拟工具^[6]建模并借助计算流体力学预测温湿度^[7-8]，研究^[7]采用多孔介质、物种传输、κ-ε湍流和离散相模型开发了一个三维瞬态计算流体动力学模型(Computational fluid dynamics，CFD)来预测室内温湿度，试验结果表明CFD结果与试验数据有较高的一致性。这类模型虽然精度高，效果好，但建模过程耗时耗力且灵活性低。2)基于统计理论的方法。一般采用回归模型、自回归移动平均模型以及其改进模型开展预测^[9-12]，研究^[12]提出一种融合模型，该模型将自回归模型与长短期记忆网络(Long short-term memory，LSTM)^[13]模型相结合，实现了更准确的室内温度预测，但这类模型只适用于线性且平稳的时间序列数据。3)基于机器学习的方法。采用LSTM^[13]、GRU^[14]、Transformer^[15]、图卷积神经网络(Graph convolutional network，GCN)^[16]等模型分析时序数据历史特征从而预测未来数据变化，研究^[13]利用多环境因素构建了LSTM猪舍温湿度预测模型，预测性能较优，解决了猪舍环境控制滞后问题。此类模型因具有较好的非线性数据的拟合和泛化能力，其不仅可用于温湿度预测，亦被研究者应用于天气^[17]、交通^[18]、股票^[19]等时序数据的预测。

DDGCRN^[20](Decomposition dynamic graph convolutional recurrent network)模型是一种GCN，GCN能够利用图的拓扑结构来捕捉节点之间的关系和连接模式，而不仅仅是捕捉节点的特征。这使得 GCN 在处理具有复杂拓扑结构的数据时具有优势，因此，DDGCRN首次提出时被应用于交通流量预测，而利用GCN特性的其他应用还有室内环境预测^[21]、社交网络分析^[22]、推荐系统^[23]、分析分子结构、蛋白质相互作用^{[16, 24]}等。

本文利用DDGCRN模型结合传感器监测的环境数据建立温湿度预测模型，提前预测10 min后的温湿度，使得现场环控设备能够提前调控，降低温湿度波动，并与基于支持向量回归(Support vector regression，SVR)、随机森林(Randomforest，RF)、LSTM模型构建的温湿度预测模型开展对比研究，为猪舍养殖环境调控提供参考。

1.   材料与方法

1.1   试验区域

本研究数据区域为重庆琪金荣昌猪远觉养殖场(29°56′N，105°32′E)，西北朝向，占地面积40亩，该猪场是一个集保种、扩繁、育肥等多功能一体化的生猪养殖基地。本试验选取封闭式育肥猪舍，尺寸70.24 m×36.84 m×4.96 m(长×宽×高)，猪舍沿屋脊方向设置一道墙体，将猪舍划分为2个相互独立的饲养区域，试验选择其中1个区域(图1上半部分)。试验期间门窗紧闭，门仅在人员进出时开启10~20 s，猪舍两端使用负压风机通风，包含直径为167 cm的 1.2 kW风机 3台，直径为120 cm的0.55 kW变速风机2台，并配备有降温湿帘及卷帘，湿帘通风面积开启情况为下午开启30%，早晚开启15%，舍内采用全漏缝地板，地板尺寸为3000 mm×1200 mm，漏缝尺寸为1300 mm×29 mm，粪污清理方式为水泡粪，粪沟宽度与猪舍同宽，高度距离漏缝地板0.5 m。舍内圈栏尺寸为6.85 m×3.50 m (长×宽)，每栏饲养育肥猪19头，共计760头，饲料采用液态料，每天喂料3次。将多种传感器分布在猪舍内以在线监测舍内养殖环境参数。

图  1  传感器分布图

Figure  1.  Sensor distribution map

下载: 全尺寸图片 幻灯片

1.2   监测方法及仪器

监测期为1年，监测指标包含温度(测量范围为−40~120 ℃)；湿度(测量范围为0~100%)、二氧化碳(CO₂，测量体积分数为0~0.5%)；氧气(O₂，测量体积分数为0~30%)；总悬浮颗粒物(Total suspended particulates，TSP，测量范围为0~20000 μg/m³)；氨气(NH₃，测量体积分数为0~0.005%)；PM₁₀(10-micrometer particulate matter，测量范围为0~1000 μg/m³)；PM_2.5(2.5-micrometer particulate matter，测量范围为0~1000 μg/m³)；风速(测量范围为0~60 m/s)；总挥发性有机化合物(Total volatile organic compounds，TVOC，测量体积分数为0~0.006%)。监测设备布置方式如图2所示。舍内传感器采集间隔时间为10 min，采集点位共计6个，包括5个室内点位、1个室外点位，所有点位设置2个采样高度，其中高点距地面1.8 m，低点距地面1.0 m。

图  2  传感器布置方式

Figure  2.  Sensor layout

下载: 全尺寸图片 幻灯片

1.3   数据获取与预处理

试验猪舍采用物联网云平台结构如图3所示，其由终端、WIoTa无线网关与服务器构成，舍内环境数据通过多个终端无线传输到WIoTa无线网关，网关再将数据传到服务器，服务器利用内置模型计算预测温湿度后，再通过无线网关传输到终端，再由终端控制风机、水帘等设备动作。

图  3  物联网平台结构

Figure  3.  IoT platform architecture

下载: 全尺寸图片 幻灯片

在数据采集过程中，存在断电、断网以及人为干预的情况，这使得原始数据中会产生缺失值和异常值，为防止异常数据对模型预测结果造成影响，本研究数据中的异常值和缺失值采用平均值替换以及插值的方法来处理。另外，为了去除数据尺度对模型的影响，加快模型收敛速度，提高模型的性能和稳定性，本研究使用了最大最小值标准化方法对数据进行标准化处理：

式中，X为转换前的值，$ {X}' $为转换后的值，$ {{X}}_{\mathrm{m}\mathrm{a}\mathrm{x}} $为数据中的最大值，$ {{X}}_{\mathrm{m}\mathrm{i}\mathrm{n}} $为数据中的最小值。

2.   大空间密封型猪舍温湿度预测模型构建

2.1   模型开发环境

本文模型开发硬件环境为：CPU为AMD Ryzen 9 7950X，GPU为NVIDIA GeForce RTX 4090，内存64 GB，软件开发环境：操作系统Windows 10，程序设计语言Python 3.9，SVR和随机森林使用Sklearn实现，LSTM以及DDGCRN源码基于Pytorch 2.0实现。

2.2   DDGCRN模型

DDGCRN是一种基于GCN的多变量时间序列预测网络，其可以利用本研究中多点位的环境因子数据构建出图，在空间上建模，即其不仅可以利用时间信息，亦可利用空间信息来提升预测的精准度。其模型结构(图4)由多个基本单元组成，每个基本单元主要包含：时空嵌入生成器(Spatio-temporal embedding generator，STE generator)、节点自适应参数学习模块(Node adaptive parameter learning，NAPL)、动态图卷积循环模块(Dynamic graph convolution recurrent module，DGCRM)。

图  4  DDGCRN结构

$ {x}_{p} $：模型输入；$ {E}_{p}^{\mathrm{s}\mathrm{t}} $：时空嵌入；$ {x}_{{p}}^{l} $：模型第l块的输入；$ {H}^{l} $：模型第l块的DGCRM模块的输出；$ {\hat {{y}}}^{{l}} $：Forecast线性层输出；$ {x}_{\mathrm{b}}^{l} $：Backcast线性层输出；$ {x}_{\mathrm{p}}^{l+1} $：模型第l+1块的输入；Forecast：前向预测线性层；Backcast：反向预测线性层

Figure  4.  DDGCRN structure

$ {x}_{p} $: Model input; $ {E}_{p}^{\mathrm{s}\mathrm{t}} $: Spatiotemporal embedding; $ {x}_{{p}}^{l} $: Input of the model’s l-th block; $ {H}^{l} $: Output of the DGCRM module of the model’s l-th block; $ {\hat {{y}}}^{{l}} $: Forecast linear layer output; $ {x}_{\mathrm{b}}^{l} $: Backcast linear layer output; $ {x}_{{p}}^{l+1} $: Input of the model’s block l+1; Forecast: Forward prediction linear layer; Backcast: Backward prediction linear layer

下载: 全尺寸图片 幻灯片

STE generator用于生成动态图来获取传感器数据中的动态空间依赖关系，其过程是将当前的输入数据与其对应的日周期嵌入$ {T}_{p}^{\mathrm{D}} $以及每周周期嵌入$ {T}_{p}^{\mathrm{W}} $提取出后与空间嵌入E做逐元素乘积，得到时空嵌入$ {E}_{p}^{{\mathrm{st}}} $，该过程可表示为：

式中，$ {T}_{p}^{\mathrm{D}} $和$ {T}_{p}^{\mathrm{W}} $表示时间步p=[t−p+1，…，t]的日周期嵌入和周周期嵌入，$ \odot $代表逐元素乘积。对于1个时间步t，当前输入$ {x}_{t} $通过1个MLP层来提取动态信号，之后将动态信号与时空嵌入$ {E}_{t}^{\mathrm{s}\mathrm{t}} $做逐元素乘积得到动态图嵌入$ {E}_{t}^{\mathrm{d}} $，该过程可表示为：

根据研究^[16]，图卷积运算可以近似为1个一阶切比雪夫多项式，其可表示为：

式中，$ {{\boldsymbol{I}}}_{N} $代表N维单位矩阵，A代表图结构，D为A的度矩阵，X和Z为GCN的输入和输出，$ \omega $和b代表权重和偏置。之后通过将$ {E}_{t}^{{\rm{d}}} $与其转置相乘来推断节点间的空间依赖关系。为满足切比雪夫多项式的需求，生成的动态图变换为：

式中，$ {A}_{t}^{{\mathrm{d}}} $为时间步t的动态图，公式(4)可变换为：

式中，Z_t为时间步t时GCN的输出。NAPL模块对GCN进行优化，使得网络中每个节点的独特模式(例如某点位距离出口较近，开门、关门都会对该节点附近的环境因子造成较大影响)能够被模型学习。经优化后的GCN可表示为：

式中，$ {{{\boldsymbol{E}}}}_{\text{g}} $为节点参数矩阵，$ {{\boldsymbol{W}}}_{\text{g}} $和$ {{{\boldsymbol{b}}}}_{\text{g}} $为权重矩阵。

DGCRM模块负责捕获环境数据中的时间相关性，由多个动态图卷积循环单元(Dynamic graph convolution recurrent unit，DGCRU)组成，该单元由门控循环单元(Gated recurrent unit，GRU)改进得到，其将GRU中的矩阵乘法替换为动态图卷积方法和NAPL模块的组合。该单元可表示为：

式中，$ {r}_{t} $、$ {u}_{t} $和$ {\hat {h}}_{t} $分别代表GRU中的重置门(Reset gate)、更新门(Update gate)和候选隐藏状态(Candidate hidden state)，$ {x}_{t} $和$ {H}_{t} $表示时间步t的输入和输出，$ \sigma $代表sigmod激活函数，$ \phi $代表动态图生成，$ \parallel $代表拼接操作，W和b代表可学习参数，不同的下标代表其为GRU不同结构中的可学习参数，E是所有DGCRM共享的参数矩阵。在DGCRM之后包含1个线性层，其输出为预测输出$ {\hat {y}}^{l} $以及反向预测Backcast线性层输出$ {x}_{\mathrm{b}}^{l} $，分别代表第l个块利用$ {x}_{{p}}^{l} $的预测输出以及反向预测输出。模型最终输出可表示为：

式中，y为模型输出，即所有块的前向预测输出的总和。$ {x}_{p}^{l} $和${x}_{p}^{l+1} $分别为时间步p模型第l块和第l+1块的输出。

2.3   基于多元时间序列的大空间密闭型猪舍温湿度预测模型

猪舍温湿度受多种环境因子影响，本研究挑选了多种环境因子的输入组合，构建基于多元时间序列模型的密闭猪舍温湿度预测模型，模型预测流程如图5所示。

图  5  基于多元时间序列模型的密闭猪舍温湿度预测模型预测流程图

Figure  5.  Predictive process flowchart of closed pig barn temperature and humidity forecast model based on multivariate time series model

下载: 全尺寸图片 幻灯片

具体步骤如下：

1)通过物联网云平台收集猪舍内环境因子的时间序列数据，对原始数据缺失部分进行插值，之后进行归一化并划分训练集和测试集；

2)计算多种环境因子之间的相关性，筛选出对温湿度影响较大的环境因子，对于影响较大的环境因子，构建多种输入组合；

3)将5个观测点位的不同输入组合的数据输入4种模型进行训练，对于SVR、RF和LSTM模型，5个点位需构建5个模型，对于DDCGRN模型，5个点位的数据对应图神经网络中的5个节点，即5个点位共用1个模型；

4)在测试集验证模型性能，选出每个模型的最佳输入组合，对于SVR、RF和LSTM模型，指标计算使用5个模型的平均值，DDCGRN采用5个点位预测值的平均值；

5)优化模型超参数；

6)采用性能最优模型进行预测。

2.4   模型性能评价

为评价各预测模型性能，本研究采用了3个评价指标，分别为：均方根误差(Root mean square error，RMSE)、平均绝对误差(Mean absolute error，MAE)和平均绝对百分比误差(Mean absolute percentage error，MAPE)。计算方法如下：

式中，$ {y}_{i} $和$ {\hat {y}}_{i} $分别为温湿度数据的真实值和预测值，N为样本数量。这3种指标的数值越小，说明模型的性能越好。

3.   试验结果

3.1   猪舍环境参数数据源及时间序列验证

以重庆市某育肥猪舍温湿度为研究对象，使用“1.3”节的物联网平台，由于猪舍改造使得数据大量缺失，本试验选取2023年上半年数据缺失较少的3月1日—3月30日作为试验数据，采样间隔为10 min，5个点位共计21600个样本，取前80%的样本为训练集，后20%的样本为测试集。舍内温湿度原始数据如图6、7所示，其温湿度变化呈非线性且具有一定周期性。

图  6  温度原始数据变化曲线

Figure  6.  Temperature raw data variation curve

下载: 全尺寸图片 幻灯片

图  7  湿度原始数据变化曲线

Figure  7.  Humidity raw data variation curve

下载: 全尺寸图片 幻灯片

对时间序列进行平稳性检验和白噪声检验关系到数据是否适合做时间序列建模，针对温度和湿度进行统计，得到其平稳性检验、一阶差分序列平稳性和一阶差分序列白噪声检验的P值分别为温度：2.02×10⁻¹⁷、5.59×10⁻²⁶、0，湿度：1.14×10⁻¹³、5.59×10⁻²⁶、0，当平稳性和白噪声检验的P值小于0.05时，说明该数据平稳且非白噪声，适合进行时间序列建模。

3.2   输入特征筛选

密闭猪舍内温湿度受到通风情况、外部气候条件等多种因素的影响，探究哪些因素对温湿度影响最大，挑选合适的环境因子，可以帮助模型更精准地预测温湿度。本研究测量了猪舍的12种环境因子，通过对其做皮尔逊相关性分析，筛选出对温湿度影响较强的环境因子，皮尔逊相关性分析结果如图8所示。

图  8  12种环境因子的皮尔逊相关性分析

θ和θ_O分别表示舍内和舍外温度，RH和RH_O分别表示舍内和舍外相对湿度，v_w表示风速

Figure  8.  Pearson correlation analysis of 12 environmental factors

θ and θ_O represent temperatures inside and outside the barn respectively, RH and RH_O represent relative humidity inside and outside the barn respectively, and v_w represents wind speed

下载: 全尺寸图片 幻灯片

由图8可知，舍内温度与舍外温度、风速以及TVOC浓度有较强的正相关性，与舍内相对湿度、舍外相对湿度、NH₃浓度以及CO₂ 浓度有较强的负相关性。舍内相对湿度与舍外相对湿度、NH₃浓度、CO₂浓度、PM₁₀浓度、PM_2.5浓度有较强的正相关性，与舍内温度、舍外温度有较强的负相关性。因此选取舍内温度、舍外温度、舍内相对湿度、舍外相对湿度、NH₃浓度、CO₂ 浓度为温湿度预测模型的输入特征。

3.3   预测结果实例验证

3.3.1   模型输入配置比较分析

特征选取对模型性能影响较大，过少的特征可能导致模型无法捕捉数据的复杂性和变化，过多的特征可能导致过拟合，为了平衡模型的预测性能和特征的复杂性，本研究根据皮尔逊相关性分析的结果设定了多种输入方案来确定最佳的输入特征。

使用表1的输入方案，得到的结果如表2所示，表中MAE、RMSE、MAPE 3种指标数值越小代表模型精度越高。从表2可看出在预测温度时：DDGCRN模型使用T5精度最优，其MAE、RMSE、MAPE为0.084、0.137和0.416%；SVR模型使用T5精度最优，其MAE、RMSE、MAPE为0.099、0.166、0.999%；LSTM模型使用T6精度最优，其MAE、RMSE、MAPE为0.217、0.378、1.108%；RF模型使用T3精度最优，其MAE、RMSE、MAPE为0.121、0.191、0.999%。在预测湿度时：DDGCRN模型使用R5精度最优，其MAE、RMSE、MAPE为0.463、0.719、0.676%；SVR模型使用R3精度最优，其MAE、RMSE、MAPE为0.523、0.833、0.999%；LSTM模型使用R6精度最优，其MAE、RMSE、MAPE为1.027、1.530、1.537%；RF模型使用R3精度最优，其MAE、RMSE、MAPE为0.654、1.033、0.999%。上述结果表明过多的输入特征并不能使得模型的预测能力提高，反而可能降低，且不同类型的模型以及不同的预测目标都有不同的合适的输入特征。

表  1  模型输入方案

Table  1.  Model input scheme

编号 Code	输入1) Input	输出 Output
T1	θ、θO、RH、RHO、NH3、CO2	温度 Temperature
T2	θ、θO、RH、RHO、NH3
T3	θ、θO、RH、RHO
T4	θ、θO、RH
T5	θ、θO
T6	θ
R1	RH、RHO、θ、θO、NH3、CO2	相对湿度 Relative humidity
R2	RH、RHO、θ、θO、NH3
R3	RH、RHO、θ、θO
R4	RH、RHO、θ
R5	RH、RHO
R6	RH
1)θ和θO分别表示舍内和舍外温度，RH和RHO分别表示舍内和舍外相对湿度 　1)θ and θO represent temperatures inside and outside the barn respectively, while RH and RHO represent relative humidity inside and outside the barn respectively

下载: 导出CSV 

| 显示表格

3.3.2   模型超参数优化

在确定了模型的输入特征后，对模型的超参数进行优化，包含数据输入的批量大小(Batch size)，DDGCRN模型隐藏层单元数量(Units)，模型学习率(Learning rate，lr)。在“3.3.1”节使用的默认超参数为：Batch size=64，Units=64，lr使用余弦退火算法^[25]自动优化。为充分利用现代GPU的并行计算能力，本文将Batch size设置为8的倍数并筛选出最佳Batch size。

表  2  多种模型不同输入组合验证结果

Table  2.  Results of validation with different input combinations of multiple models

输出 Output	编号 Code	DDGCRN				SVR				LSTM				RF
		MAE	RMSE	MAPE/%		MAE	RMSE	MAPE/%		MAE	RMSE	MAPE/%		MAE	RMSE	MAPE/%
温度 Temperature	T1	0.648	1.004	3.423		0.109	0.173	0.998		2.330	2.741	12.257		0.127	0.192	0.999
	T2	0.167	0.227	0.844		0.108	0.171	0.998		0.610	0.794	3.206		0.126	0.194	0.999
	T3	0.091	0.149	0.452		0.109	0.170	0.998		0.532	0.688	2.801		0.121	0.191	0.999
	T4	0.159	0.226	0.817		0.102	0.167	0.999		0.548	0.697	2.881		0.124	0.193	0.999
	T5	0.084	0.137	0.416		0.099	0.166	0.999		0.250	0.408	1.287		0.128	0.194	1.000
	T6	0.086	0.141	0.431		0.105	0.169	0.999		0.217	0.378	1.108		0.123	0.197	1.000
相对湿度 Relative humidity	R1	1.052	1.459	1.499		0.528	0.833	0.999		4.094	5.488	5.825		0.664	1.035	1.000
	R2	0.473	0.738	0.696		0.530	0.840	0.999		1.314	1.852	1.912		0.664	1.030	0.999
	R3	0.464	0.722	0.681		0.523	0.833	0.999		1.298	1.824	1.898		0.654	1.033	0.999
	R4	0.464	0.721	0.679		0.523	0.841	0.999		1.380	1.849	1.996		0.653	1.038	0.999
	R5	0.463	0.719	0.676		0.566	0.931	0.999		1.087	1.597	1.624		0.693	1.062	0.999
	R6	0.476	0.753	0.701		0.578	0.980	1.000		1.027	1.530	1.537		0.661	1.056	1.000

下载: 导出CSV 

| 显示表格

不同的Batch size的温湿度预测模型在测试集上的结果如图9所示。温度预测模型在Batch size=8时其预测性能最好，MAE为0.079，湿度预测模型在Batch size=32时其预测性能最好，MAE为0.462。

图  9  不同Batch size的温湿度预测模型在测试集上的结果

Figure  9.  The results of temperature and humidity prediction models with different batch sizes on the test set

下载: 全尺寸图片 幻灯片

不同Units的温湿度预测模型在测试集上的结果如图10所示。温度预测模型在Units=64时其预测性能最好，MAE为0.079，湿度预测模型在Units=16时其预测性能最好，MAE为0.458。综上，温度预测模型在Batch size=8、Units=64时预测性能最好，湿度预测模型在Batch size=32、Units=16时预测性能最好。2种模型在训练过程中使用余弦退火算法自动调整学习率的过程如图11所示。

图  10  不同Units的温湿度预测模型在测试集上的结果

Figure  10.  The results of temperature and humidity prediction models with different units on the test set

下载: 全尺寸图片 幻灯片

图  11  温湿度预测模型学习率变化过程

Figure  11.  The learning rate variation process of temperature and humidity prediction models

下载: 全尺寸图片 幻灯片

3.3.3   温湿度预测验证

4种模型使用“3.3.1”节的最佳输入得到的结果如图12、13所示。图12和图13为4种模型在相同测试集上的测试结果，图中每隔40个样本展示1个点。由图12可以看出在预测温度时，DDGCRN和SVR在图中展示出的几个样本点的真实值和预测值的重合度相对于其他模型较高，尤其是在样本数量为400附近时，LSTM和RF模型都有明显的偏离，DDGCRN和SVR仍然保持有较高的重合度。从表3的各模型指标对比结果可以看出，DDGCRN模型相对于其他模型有更好的性能，其MAE、RMSE、MAPE分别为0.079、0.134、0.392%。从图13可看出在预测湿度时，DDGCRN和RF模型表现较好，尤其在样本数量为800附近时，DDGCRN和RF相对于其他模型其真实值与预测值有较高的重合度。从表3的指标可看出DDGCRN优于其他模型，其MAE、RMSE、MAPE分别为0.458、0.719、0.675%。

图  12  各模型温度预测结果对比

Figure  12.  Comparison of temperature prediction results of various models

下载: 全尺寸图片 幻灯片

表  3  不同模型温湿度预测指标对比

Table  3.  Comparison of temperature and humidity prediction indicators of different models

模型 Model	温度 Temperature				相对湿度 Relative humidity
	MAE	RMSE	MAPE/%		MAE	RMSE	MAPE/%
DDGCRN	0.079	0.134	0.392		0.458	0.719	0.675
SVR	0.099	0.166	0.999		0.523	0.833	0.999
LSTM	0.217	0.378	1.108		1.027	1.530	1.537
RF	0.121	0.191	0.999		0.661	1.056	1.001

下载: 导出CSV 

| 显示表格

图  13  各模型湿度预测结果对比

Figure  13.  Comparison of humidity prediction results of various models

下载: 全尺寸图片 幻灯片

3.3.4   模型泛用性验证

为验证模型泛用性，使用根据远觉养殖场数据训练的模型在重庆市荣昌区双河猪营养与环境调控基地育肥猪舍进行验证，2个猪舍有相似的环境及传感器布置。采用2024年3月1日—3月7日这7 d的数据进行验证，验证可视化结果如图14、15所示，指标结果如表4所示。

图  14  温度预测模型泛用性验证结果可视化

Figure  14.  Visualization of the universality verification results of the temperature prediction model

下载: 全尺寸图片 幻灯片

表  4  温湿度预测模型泛用性验证结果

Table  4.  Verification results of the universality of the temperature and humidity prediction models

模型 Model	温度 Temperature				湿度 Relative humidity
	MAE	RMSE	MAPE/%		MAE	RMSE	MAPE/%
DDGCRN	0.363	0.834	1.967		1.407	1.962	2.461
SVR	0.478	1.085	1.003		1.421	2.058	0.999
LSTM	0.543	1.127	3.003		1.455	2.064	1.001
RF	0.424	0.904	1.004		2.039	2.909	3.601

下载: 导出CSV 

| 显示表格

图  15  湿度预测模型泛用性验证结果可视化

Figure  15.  Visualization of the universality verification results of the humidity prediction model

下载: 全尺寸图片 幻灯片

从可视化结果可看出，在预测温度时，DDGCRN模型预测值和真实值的重合度较高，LSTM模型在样本数量为40附近预测温度过低；RF模型虽然没有过低或过高地预测温度，但其整体重合度较低；SVR模型在样本数量为40、125附近预测温度过低，150附近过高。在预测湿度时，DDGCRN和RF模型预测值和真实值的重合度较高，LSTM模型整体重合度较低，SVR模型在样本数量为40、125处预测湿度值较高。从指标结果中亦可看出DDGCRN模型有最好的预测性能，预测温度时其MAE、RMSE、MAPE分别为0.363、0.834、1.967%，预测湿度时其MAE、RMSE、MAPE分别为1.407、1.962、2.461%。

4.   讨论与结论

4.1   讨论

本文对比了4种算法的温湿度预测性能，其中，DDGCRN优于其他模型，其将动态图卷积循环神经网络与基于RNN的模型相结合，根据时变环境数据生成动态图，使得模型可以提取空间和时间特征，提升了预测准确度。国内外研究针对畜禽舍内温湿度或气体构建了不同的预测模型。例如谢秋菊等^[1]提出基于LSTM的密闭猪舍温湿度预测模型，该模型经过参数优化，温度预测MAE为0.5，湿度预测MAE为2.3。曾志雄等^[26]提出GRU猪舍温度预测模型，其温度预测MAE为0.25。刘双印等^[27]提出PCA-SVR-ARMA温度预测模型，该模型通过PCA方法筛选温度关键影响因子，消除了SVR模型的输入多变量间的信息冗余，然后将SVR模型与ARMA模型结合，通过ARMA模型挖掘和提取隐藏在预测残差时序数据中有价值的信息，进一步提升模型预测精度，其MAE为0.1832。这些模型对温度预测的MAE范围在0.18~0.50，DDGCRN模型的MAE为0.079，优于上述研究的模型，且在泛用性验证时，DDGCRN模型MAE为0.363，亦可达到上述经优化过的模型的相似水平。而在上述3个示例中，LSTM模型和GRU模型属于同类型模型，这2种模型主要处理时间上的依赖关系，对于空间上节点的连接和关系没有直接建模的能力，且这2种模型在处理长序列时，计算和内存消耗较大，容易出现梯度消失或爆炸问题。 DDGCRN模型通过图卷积能够自然地处理节点之间的空间依赖关系，捕捉图结构中的局部和全局特征，且其通过图卷积操作，可以有效减少参数数量，提升计算效率，并且能够在较浅的网络结构中捕捉到复杂的关系。PCA-SVR-ARMA虽然将PCA、SVR与ARMA模型相结合形成互补，但无法充分捕捉输入数据中复杂的高阶关系，且SVR虽然可以处理非线性关系，但整体对强非线性关系的建模能力有限。DDGCRN通过图卷积操作，可以自然地处理节点之间的高阶关系，能够捕捉到数据中更复杂的依赖模式，通过多层卷积操作，可以捕捉到更复杂的非线性模式。本研究可为猪舍温湿度预测及均匀控制提供方法。

4.2   结论

1)通过皮尔逊相关性分析剔除了相关性小的特征并选择了合适的输入特征为：舍内温度、舍外温度、舍内相对湿度、舍外相对湿度、氨气浓度以及二氧化碳浓度。通过平稳性检验以及白噪声检验，验证了本文使用数据适合做时间序列建模。

2)通过模型输入配置比较分析选出了DDGCRN模型的最佳输入特征，其温度模型输入为舍内温度、舍外温度，湿度模型输入为舍内相对湿度、舍外相对湿度。通过超参数优化，得出DDGCRN模型在预测温度时最佳Batch size和Units分别为8和64，在预测湿度时最佳Batch size和Units分别为32和16。

3)通过温湿度预测验证筛选出预测精度最高的温湿度预测模型为DDGCRN，其温度预测模型MAE、RMSE、MAPE为0.079、0.134和0.392%，湿度预测模型MAE、RMSE、MAPE为0.458、0.719、0.675%，通过泛用性验证预测精度最高的温湿度预测模型为亦为DDGCRN，且保持了较高的精度，可为密闭猪舍内温湿度预测及其均匀控制提供参考。