基于DA-RNN的畜禽舍内环境多步滚动预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115456240A(43)申请公布日2022.12.09(21)申请号202210932628.X(22)申请日2022.08.04(71)申请人江苏省农业科学院地址211225江苏省南京市孝陵卫钟灵街50号申请人南京农业大学(72)发明人任守纲张景旭应诗家赵鑫源(74)专利代理机构北京思创大成知识产权代理有限公司11614专利代理师高爽(51)Int.Cl.G06Q10/04(2012.01)G06Q50/02(2012.01)G06N3/04(2006.01)G01D21/02(2006.01)权利要求书3页说明书7页附图1页(54)发明名称基于DA-RNN的畜禽舍内环境多步滚动预测方法(57)摘要本发明提供一种基于DA‑RNN的畜禽舍内环境多步滚动预测方法，该方法基于畜禽舍内的环境影响因素和舍内环境温湿度的历史数据进行训练，建立DA‑RNN神经网络模型；通过DA‑RNN神经网络模型对从开始时刻到当前时刻T采样的T条环境影响因素数据和舍内环境温湿度数据行处理，获取自现在起待预测的τ组舍内环境温湿度。该方法通过对固定窗口的已知时间序列特征进行提取，借助上下文信息指导滚动多步预测，有效提高了畜禽舍内环境变化多步预测的精度。CN115456240ACN115456240A权利要求书1/3页1.一种基于DA‑RNN的畜禽舍内环境多步滚动预测方法，其特征是该方法基于畜禽舍内的环境影响因素和舍内环境温湿度的历史数据进行训练，建立DA‑RNN神经网络模型；通过DA‑RNN神经网络模型对从开始时刻到当前时刻T采样的T条环境影响因素数据{x1，x2，...，xT}和舍内环境温湿度数据{y1，y2，...，yT}进行处理，获取自现在起待预测的τ组舍内环境温湿度{yT+1，yT+2，...，yT+τ}，处理步骤具体包括：S1、采用编码器对输入对从开始时刻到当前时刻T采样的T条环境影响因素数据{x1，x2，...，xT}和舍内环境温湿度数据{y1，y2，...，yT}进行编码，获取舍内环境温湿度数据的趋势性信息，并编码到隐状态中，获取T组编码隐状态数据；S2、采用解码器对神经网络学习后的T组隐状态数据进行解码，取出其中包含的时序趋势信息作为上下文信息；将解码隐状态和上下文信息共同作为预测网络的输入，生成单步预测结果；S3、根据解码隐状态和上下文信息计算预测头数据yT+1；S4、根据环境影响因素数据{x1，x2，...，xT}编码隐状态信息，将一次预测结果即预测头数据与舍内环境温湿度数据{y1，y2，...，yT}拼接并抽取最后的T个数据，得到(y2，...，yT，yT+1)，将此信息输入模型即返回S1，经过处理得到yT+2；重复上述步骤，完成yT+τ的预测。2.根据权利要求1所述的基于DA‑RNN的畜禽舍内环境多步滚动预测方法，其特征在于：畜禽舍内环境影响因素包括室外环境因素和舍内设备运行状态；所述的室外环境因素包括天气预报，所述的舍内设备运行状态包括设备开关状态。3.根据权利要求1所述的基于DA‑RNN的畜禽舍内环境多步滚动预测方法，其特征在于：通过样本自相关系数ACF确定模型输入所需的时间序列长度为T，即获取T组采样数据。4.根据权利要求1所述的基于DA‑RNN的畜禽舍内环境多步滚动预测方法，其特征在于步骤S1具体包括：S11、对于从开始时刻至当前时刻T采样的环境影响因素数据{x1，x2，...，xT}和舍内环境温湿度数据{y1，y2，...，yT}进行处理，采用下述公式获取某一时刻t的隐状态数据：ht＝G(ht‑1，xt)(1)其中：ht代表t时刻的隐状态，h0表示隐状态初始值，取值为0，代表t时刻环境影响因素数据，n表示环境影响因素的个数；G示编码运算，采用LSTM模型；S12、选择空间注意力模块，实现环境影响因素数据的重组，令代表第k个环境影响因素k∈(1，n)，计算第k个环境影响因素在t时刻编码中所占有的注意力比重和注意力权重其中：由对进行归一化得到，We、Ue为学习得到的参数，We、Ue矩阵用于将输入的隐状态ht，细胞状态st和环境影响因素xt进行数据对齐。用于对齐和激活后的特征融合。[ht‑1；st‑1]为编码器前一次输出的隐状态，式5本质为softmax函数，使用幂变换提供注意力模块输入的非线性拟合能力；2CN115456240A权利要求书2/3页S13、采用下述公式对t时刻的环境影响因素进行修正，得到t时刻修正后的环境影响因素数据其中：表示t时刻环境影响因素序列的第k个特征，表示第k个环境影响因素在t时刻编码中所占有的权重；S14、LSTM模型对执行编码运算，获得编码隐状态ht和编码细胞状态St：依次记录T个时刻的编码隐状态ht，t∈(1，T)，构建出编码器的最