随着中国家禽业迅速向标准化和规模化发展,大型养殖场的高产家禽品种对环境变化尤为敏感。温度和湿度是影响家禽健康和生产效率的核心因素:温度过高或过低会减缓生长并降低饲料转化率,而湿度异常则可能增加病原体传播风险。目前,大多数禽舍环境控制系统依靠将传感器实时数据与预设阈值进行比较来启动设备。然而,设备响应存在延迟,难以应对动态环境变化。如何准确预测未来的温度和湿度,并提前优化控制策略,已成为提高家禽养殖效率的关键问题。

由中国农业大学水利与土木工程学院滕光辉教授带领的研究团队开发了一种名为“GFF-transformer”的温湿度多步预测模型。该模型创新性地将“门控特征融合(GFF)模块”与 transformer 架构相结合,通过提取多尺度时间特征并捕捉长期依赖关系,实现了对禽舍未来 6、12、18 或 24 小时温度和湿度的高精度预测。相关研究发表于Frontiers of Agricultural Science and Engineering (DOI:10.15302/J-FASE-2025603)。

传统预测模型(如 LSTM 和 GRU)能够处理时间序列数据,但在捕捉全局信息和计算效率方面存在局限性。尽管 transformer 模型擅长长序列分析,但难以有效提取局部关键特征。GFF-transformer 模型通过并行处理机制解决了这一矛盾:GFF 模块使用三组组数不同(1、2、4)的 1D 卷积层,分别捕捉短期、中期和长期环境特征,并通过类似 LSTM 的门控机制筛选关键信息;transformer 编码器则通过自注意力机制对变量间的复杂相关性进行建模。两个组件提取的特征经过融合后,通过全连接层输出预测结果。

实验数据表明,在 20.1–31.5 ℃ 的温度范围内,该模型的决定系数(R2) 为 0.88–0.92,平均绝对误差(MAE)为 0.48–0.62 ℃,对于 6–24 小时的预测,均方根误差(RMSE)为 0.68–0.85 ℃。在 18%–97% 的湿度范围内,R2 达到 0.86–0.94,MAE 为 2.9%–4.7%,RMSE 为 4.3%–6.4%。与 LSTM、GRU 和传统 transformer 模型相比,GFF-transformer 模型的温度预测R2 提高了 0.01–0.08,MAE 降低了 0.05–0.24 ℃;对于湿度预测,该模型提高了R2 乘以 0.03–0.08,并将 MAE 降低 0.81%–1.43%,显示出稳定的性能,尤其是在 24 小时的长期预测中。

研究表明,该模型的优势在于能够同时处理多源环境数据(包括温度、湿度、CO2 和静态气压),并通过变量间的相互作用提高预测的稳健性。例如,夏季通风增强会导致 CO2 浓度降低——模型有效捕捉了这一相关性特征,从而提高了温度和湿度预测的准确性。此外,该模型训练耗时 504 秒(约 8.4 分钟),单次预测耗时 0.25 秒,可满足禽舍环境控制的实时要求。

这项研究为禽舍环境的智能管理提供了一种实用工具。通过提前 6–24 小时准确预测温度和湿度,养殖场可以动态调整通风和温控设备的运行策略,并优化环境控制策略。