猪舍氨气与二氧化碳浓度变化时序预测模型优化.pdf

2023年月第54卷第7 期农报业学机械doi:10.6041/j.issn.1000-1298.2023.07.038猪舍氨气与二氧化碳浓度变化时序预测模型优化谢秋菊1马超凡王圣超包军2.3刘洪贵2.4于海明（1.东北农业大学电气与信息学院，哈尔滨150 0 30；2.东北农业大学动物科技学院，哈尔滨150 0 30；3.农业农村部生猪养殖设施工程重点实验室，哈尔滨150 0 30；4.教育部北方寒区智能化繁育与养殖工程研究中心，哈尔滨150 0 30）摘要：NH，质量浓度和CO,质量浓度是猪舍环境精准控制的重要指标。由于畜禽舍气体浓度具有时变性、非线性耦合等特点，目前有害气体浓度预测模型存在预测精度低的问题。提出了基于门控制循环单元（Gatedrecurrentunit,GRU）、改进麻雀搜索算法（Improved sparrow searchalgorithm，ISSA）并融合差分整合移动平均自回归模型（A u t o r e g r e s s i v e i n t e g r a t e d mo v i n g a v e r a g e mo d e l,A RIM A）的有害气体浓度时序数据预测模型ISSA-GRUA RIM A。首先构建了GRU气体浓度时序预测模型，然后通过引入Tent混沌序列、混沌扰动和高斯变异增强ISSA算法的局部寻优能力，实现GRU模型超参数优化；然后利用统计学习ARIMA方法提取优化后的ISSA-CRU模型预测残差的线性特征，最终达到提升模型预测精度的目的。以采集的52 d猪舍环境的12 48 组数据对模型进行训练和测试。结果表明，ISSAG RU A RIM A 模型NH,质量浓度预测的均方根误差（RMSE）、平均绝对百分比误差（MAPE）和决定系数R分别为0.2 6 3mg/m、8.17 1%和0.9 2 8，C0，质量浓度预测的分别为55.36 1mg/m、4.6 33%和0.9 8 5。本文构建的ISSA-CRUA RIM A 模型具有较高的预测精度，可为猪舍有害气体浓度精准控制提供科学依据。关键词：猪舍空气质量；环境控制；时序预测；残差中图分类号：TP391文献标识码：A文章编号：10 0 0-12 9 8（2 0 2 3）0 7-0 38 1-11OSID：尚Optimal Prediction Model for Gas Concentrations of NH,andCO,Time-series in Pig HouseXIE QiujuMA ChaofanWANG ShengchaoBAO Jun2.3LIU Honggui?:2,4YU Haiming(1.College of Electrical and Information,Northeast Agricultural University,Harbin 150030,China2.College of Animal Science and Technology,Northeast Agricultural University,Harbin 150030,China3.Key Laboratory of Swine Facilities Engineering,Ministry of Agriculture and Rural Affairs,Harbin 150030,China4.Engineering Research Center of Pig Intelligent Breeding and Farming in Northeast Cold Region,MinistryofEducation,Harbin150030,China)Abstract:Concentrations of ammonia and carbon dioxide are important indicators for indoor environmentcontrol in pig house.Due to the time-varying and nonlinear coupling characteristics of gas concentration,the prediction accuracy of pig house environment prediction models is still relatively low.Aiming toachieve the precision control for gases concentration in pig house,a time-series data prediction modelnamed ISSA-GRU-ARIMA for harmful gas concentrations was proposed based on gated recurrent unit(GRU),improved sparrow search algorithm(ISSA)fused with autoregressive integrated moving averagemodel(ARIMA).Firstly,a GRU gas concentration time series prediction model was constructed,andTent chaotic sequence,chaotic disturbance and Gaussian mutation were introduced to enhance the localoptimization ability of ISSA algorithm and optimize the hyperparameters of GRU model;then the statisticallearning ARIMA method was used to extract the linear features of the optimized ISSA-GRU modelsprediction residuals in order to improve the prediction accuracy of the model.A dataset with 1 248收稿日期：2 0 2 3-0 4-2 1修回日期：2 0 2 3-0 5-11基金项目：国家自然科学基金面上项目（32 0 7 2 7 8 7）、东北农业大学东农学者计划项目（19 YJXC02）和黑龙江省博士后资助项目（LBHQ21070）作者简介：谢秋菊（19 7 6 一），女，教授，博士生导师，主要从事猪舍环境控制及智慧养殖关键技术研究，E-mail：x q j 19 7 6 10 16 3.c o m通信作者：于海明（19 7 3一），男，教授，主要从事智慧养殖设施工程技术研究，E-mail：y h m 19 7 3 16 3.c o m382农2023年机报学业械environment data that collected for 52 d was used for model training and testing.It was shown that theRMSE,MAPE and R?of ISSA-GRU-ARIMA model for ammonia concentration prediction were0.263 mg/m,8.171%and 0.928,respectively,and those for carbon dioxide concentration predictionwere 55.361 mg/m,4.633%and 0.985,respectively.The constructed ISSA-GRU-ARIMA had highpredictive performance,it can provide scientific basis for accurate control of harmful gases in pig house.Key words:air quality in pig house;environmental control;time-series prediction;residual0引言猪舍空气质量是影响生猪呼吸道健康的关键因素,是猪舍环境控制关注的热点之一。在生猪养殖过程中，猪呼吸产生的CO，、猪粪尿等排泄物和饲料残渣分解产生的NH3、H,S、CH 4等有害气体对猪的生长、繁殖、健康造成极大危害。其中NH,与CO,的气体浓度备受关注。因为NH,是一种无色具有刺激气味的有害气体，不同浓度的NH,会对猪的呼吸系统、黏膜等造成不同程度的损伤，并且NH,排放还会造成周围环境污染；猪舍中的CO,浓度是衡量猪舍内空气质量状况的重要标志，它主要来自于猪的呼吸，舍内CO,浓度过高不仅会造成猪头昏和生产性能下降，更有可能对猪造成生命威胁2 。因此，对猪舍中NH,和CO,这两种气体浓度进行监测与控制，是实现猪舍环境控制的重要任务。通过大量的现场实验得出，在猪舍内进行一系列控制，例如开启风机1h，舍内的温湿度、气体浓度会有较明显的变化。通过对舍内气体浓度变化进行预测，可以实现猪舍环境控制设备运行状态的提前调控，从而弥补在猪舍环境实际控制过程中的环境控制效果滞后的问题。目前，畜禽舍内有害气体浓度变化模型主要有两种，一种是基于理化统计的模型，这类模型通过对气体的产生机理或者不同影响因素进行分析构建预测模型，例如：文献3 在多种不同空气温度和空气湿度组合下连续测量多天粪便的NH,排放构建鸡粪NH,排放模型；文献4 通过对多种不同地板类型的猪舍的NH,排放进行检测和分析，得到不同地板类型猪舍的NH,排放系数。这些模型测量方法较复杂且受实际畜禽舍结构影响大，实用性较差。另一种是基于人工智能算法的预测模型，例如，基于支持向量回归机（Supportvctorregression，SVR）、随机森林（Ra n d o m f o r e s t,RF）、极限随机树（Extratree,ET）等传统机器学习算法构建的预测模型5-7 ，基于卷积神经网络（Convolutional neural networks,CNN）、G RU等深度学习算法构建的预测模型2.8-13,将自回归模型（Autoregressive model,AR）、A RIM A 等统计学习算法与机器学习算法互相结合的混合预测模型 5.14-15,与传统理化统计模型相比，基于人工智能算法的模型具有预测精度高，可更好地提取气体浓度变化特征的优点，已成为畜禽舍气体环境控制领域研究的热点畜禽舍内有害气体浓度随时间不断变化，具有典型的时序序列数据的特征9 。在众多的智能预测算法中，CRU模型不仅擅长提取时间序列中非线性长期依赖关系且训练速度较快。因此，许多学者关注CRU模型对时间序列数据的预测16-17 ，同时探索将CNN、注意力机制与GRU模型相融合的混合网络模型9 ,以提高时序序列数据的关键特征及信息提取能力。在时序序列数据预测神经网络模型中，超参数是影响模型性能的重要因素。然而，依据传统经验选取超参数往往较难取得良好效果。因此，学者们开始尝试使用麻雀搜索算法（Sparrowsearchalgorithm，SSA）、粒子群优化算法（Particleswarmoptimization，PSO）、灰狼优化算法（Greywolfoptimization，G W O）等优化算法进行神经网络超参数寻优2.18-2 4，来提升网络模型预测性能。研究表明，通过模拟麻雀种群觅食和躲避天敌的行为而提出的麻雀搜索算法2 1,其搜索精度和收敛速度均优于PSO、G W O 和遗传算法（Genetic algorithm，G A），但是SSA仍然存在容易陷人局部最优的问题2 3,进而导致模型预测精度低为了解决当前有害气体浓度预测模型存在的预测精度低的问题，本文构建基于ISSAG RU-ARIMA的猪舍有害气体浓度预测模型，该模型使用改进麻雀搜索算法对GRU模型超参数进行寻优，以提升CRU模型非线性拟合能力，同时融合ARIMA模型对时间序列模型的残差序列信息进一步提取以提高模型预测精度。1材料与方法1.1数据来源1.1.1猪舍结构本文数据来源于黑龙江省哈尔滨市尚志市亚布力惊哲养殖基地（44.7 8 N，12 8.47 E）的一个妊娠母猪舍，猪舍地面是水泥漏粪地板。猪舍尺寸为19.5m10.5m2.4m，限位栏尺寸为2.2 m0.65m1m。猪舍采用机械通风，一侧墙上安装了383谢秋菊等：猪舍氨气与二氧化碳浓度变化时序预测模型优化第7 期3个风机，风机1（fan1）和风机2（fan2）尺寸均为0.8m0.8m，额定功率为0.37 kW，风机3（fan3）尺寸为1m1m，额定功率为0.55kW。舍内饲养有37 头妊娠母猪，猪平均质量约为16 5kg，猪舍现场如图1所示，平面结构如图2 所示。图1养猪舍现场图Fig.1Scene drawing of pig house19.51.222,1312s90fan1fan2Zfan3单位：m墙上风机O环境监测点一限位栏图2猪舍平面结构图Fig.2Plane structure diagram of pig house1.1.2猪舍环境监测猪舍内安装了基于物联网系统的自动环境监测及控制器，该控制器以STM32F103VET6芯片为核心。在猪舍内设有3个环境监测点，每个监测点分别安装有温湿度、NH，质量浓度、CO,质量浓度传感器，传感器距离地面高度为1.6 m，将3个环境监测点监测数据的平均值作为舍内温湿度、NH，质量浓度、CO,质量浓度取值。舍外布置1个温湿度传感器对舍外温湿度进行实时监测，3个压差传感器分别布置在3个风机正上方，对墙上风机承受的压力差进行监测，环境数据采样时间间隔为1min，采集到的环境数据通过Wi-Fi模块上传至物联网云平台，传感器输出信号类型均为RS-485，通信协议为Modbus，传感器具体参数如表1所示。通风速率通过持续监测风机运行时间、风机承受的压差变化以及现场实验数据拟合线性方程2 5 计算得到，公式为V=(0.5342P,+112.9)e,+(0.5217P,+106.5)e+(0.626 8P,+213.6)e3(1)式中P,风机i所承受的压差,Pa，i=1,2,3e风机i在1min内运行的时间占比，%V-猪舍风机通风速率，m/min猪舍投喂饲料和清理粪便均采用人工的方式，其中，表1传感器技术参数Tab.1Sensor technical parameters检测指标量程精度传感器型号品牌温度/-40600.5VMS-3002-WS-N01威盟士相对湿度/%01003VMS-3002-WS-N01威盟士NH,质量浓度/(mg*m*3)0502.5VMS-3002-NH,-N01-50P-2威盟士CO2质量浓度/(mgm=3)010000300VMS-3002-CO2-N01威盟士压差/Pa-5005005CCY16星仪喂食时间为每日0 8：0 0 0 8：30 和14：0 0 14：30，清粪时间为每日0 8：30 0 9：0 0 和14：30 15：0 0。1.2模型开发环境本文模型开发硬件环境为Intelcorei712700H处理器，NvidiaRTX3070显卡，Windows1164位操作系统。模型算法开发采用Python3.7编程语言结合Tensorflow框架和sklearn框架。1.3气体浓度预测优化模型构建本文构建以GRU模型为核心的时序数据预测模型，提取猪舍环境数据的非线性特征，然后建立改进的麻雀搜索算法对GRU模型的超参数进行优化，提升CRU模型的非线性特征拟合能力，再利用ARIMA模型的线性数据拟合能力来提取残差数据的线性特征。建立的ISSAG RU A RI M A 模型结合了ISSA的寻优能力、GRU的非线性处理能力和ARIMA的线性处理能力，提升了模型的预测精度。将舍内温度、舍内相对湿度、舍外温度、舍外相对湿度、CO,质量浓度、NH,质量浓度、通风速率的数据序列作为ISSA-CRU-ARIMA模型输人，模型输出为2个值，分别是1h后的CO,质量浓度和NH质量浓度。优化模型构建过程如下：(1)将预处理后的环境数据划分为训练集1、训练集2 和测试集3部分，在训练集1上对CRU模型进行训练，然后通过ISSA算法对模型超参数进行寻优得到最优GRU模型，命名为ISSA-CRU模型（2）使用ISSA-GRU模型对训练集2 上的气体浓度进行预测，分别得到NH,质量浓度、CO,质量浓度的观测值与预测值之间的残差序列Du,和Dco2（3）以残差序列DNH,和Dco,作为数据集构建ARIMA模型，ARIMA模型可以提取DNH，和Dco,的384农2023年学机业报械变化规律。（4）构建ISSA-GRU-ARIMA模型对未来时刻的有害气体浓度进行预测，在测试集上对ISSA一GRU-ARIMA模型预测精度进行测试。1.3.1数据预处理及数据集划分选取从2 0 2 2 年8 月10 日到9 月30 日共52 d的环境数据（舍内温度、舍内相对湿度、舍外温度、舍外相对湿度、CO,质量浓度、NH,质量浓度、通风速率）作为实验数据。对于传感器采集的极个别时刻的缺失值采用线性插值法进行补全；然后采取拉伊达准则对数据进行处理剔除其中的异常值，异常值被替换为相邻数据的平均值。1h内环境因素变化较小，因此将时间间隔为1min的数据平均化处理为时间间隔为6 0 min的数据,共得到12 48 组数据。为了消除量纲的差异,将数据输入模型前需要进行归一化，模型预测结果需要进行反归一化。通过滑动窗口构建数据集，使用前3h的数据序列对后1h的有害气体质量浓度进行预测。将实验数据划分为训练集1、训练集2 和测试集3部分，各部分占比分别是7 0%、2 0.4%和9.6%。训练集1用于ISSA-GRU模型训练，训练集2 用于ISSA-GRU-ARIMA模型拟合，最后使用测试集对ISSA-GRU-ARIAM模型进行测试。1.3.2气体质量浓度预测CRU非线性模型猪舍环境具有时序性、非线性、相互耦合的特性8 ,尤其是舍内NH,质量浓度与CO,质量浓度受多因素条件影响，因此需要构建具有较强的非线性拟合能力和最大限度地提取时序数据特征的CRU神经网络模型来预测气体质量浓度变化。本文构建的GRU神经网络模型由输入层、隐藏层和全连接层3部分组成，其结构如图3所示。CRU层输出层输人层全连接层yco时间NHCO,YNH3图3CRU神经网络结构Fig.3Neural networkstructureof GRU输人层接收到舍内温度、舍内相对湿度、舍外温度、舍外相对湿度、CO,质量浓度、NH，质量浓度、通风速率时序数据，然后按照公式一Zmin(2)ZZmaxmin式中Z输入的环境数据一归一化后的环境数据Z输人环境数据最大值maxZmin输人环境数据最小值进行归一化，归一化后的数据直接传人隐藏层隐藏层由2 个CRU子层组成。两个CRU子层的神经元数量分别为48 6 和315，GRU神经网络单元使用更新门和重置门两个门来实现信息的记忆和传递16 】，如图4所示。更新门z，决定当前节点的新增历史信息比例,从而可以捕捉序列数据的短期依赖关系；重置门r，决定抛弃历史信息的比例，可以更好地提取序列数据的长期依赖关系。时序序列多环境因子之间依赖关系的计算公式为tanh图4GRU神经单元结构Fig.4Cell structure of GRUr,=g(W,ht-1,a,+b,)(3）z,=o(W,h,-1,a,+b,)(4)h,=tanh(W,r,ht-1,a,+bh)(5)h,=(1-z,)ht-1+z,h,(6)式中a,一一当前单元输人值h一上一神经单元状态h,一输出状态h当前隐藏状态W,、W、W 一一重置门、更新门、当前隐藏状态的权值Xworst全局最差位置其中385谢秋菊等：猪舍氨气与氧化碳浓度变化时序预测模型优化第7 期b,、b,b h重置门、更新门、当前隐藏状态的偏置值sigmod激活函数全连接层每一个结点都与GRU子层的所有结点相连，通过GRU子层学习到的特征传人全连接层。全连接层经过非线性变换提取数据之间的依赖关系并输出预测值，最后按照式（2）对输出进行反归一化，全连接层的输出为NH,质量浓度预测值和CO,质量浓度预测值。CRU神经网络使用均方误差（MSE）作为损失函数，通过MSE计算误差后反向传播，然后通过Adam优化器根据误差不断优化权重，最终得到预测精度较高的模型1.3.3改进麻雀搜索算法由于GRU预测模型的超参数众多，这些参数对网络模型的性能影响较大，因此需要对GRU网络模型超参数进行优化，以获得最佳的模型性能。SSA是一种模拟麻雀觅食和躲避天敌行为而提出的群智能优化算法2 1，具有较好的全局探索能力和较快的收敛速度2 2 ,有助于CRU预测模型对超参数进行寻优，但是SSA存在容易陷人局部最小值的问题。混沌序列具有规律性、遍历性和随机性，将其用于搜索算法可以有效提升寻优效果，在混沌序列中，Tent序列相比常用的Logistic序列分布更加均匀且收敛速度更快；Tent混沌序列可以用于种群初始化以提高种群多样性2 6 ,还可以对局部极值进行扰动以扩大搜索空间，从而有利于算法跳出局部最优2 4；高斯分布在期望附近概率最大，引入高斯变异可以对原始解周围进行重点搜索。因此，本文使用混沌序列、高斯变异和混沌扰动对麻雀搜索算法进行改进，来提升初始解分布的均匀性及局部寻优效果,得到改进的麻雀搜索算法。在ISSA中，一只麻雀代表一组解，包含时间窗口、学习率、批数目、第1层GRU子层神经元个数和第2 层GRU子层神经元个数这些需要搜索的超参数，麻雀个数代表解的个数。ISSA算法步骤如下：(1）使用公式Si+=(2S,)modl+rand(0,1)(7)式中0-粒子数量rand(0,1)一0,1 范围内的随机数产生Tent混沌序列S对种群进行初始化，然后使用公式X(u)=umin+（uax-umin)S.(8)newmax式中X（u)解序列的第u维变量new解序列第u维变量的最小值minS混沌序列的第u维变量解序列第u维变量的最大值max将其映射到原始解空间，产生的解维度为5，个数为10。（2）计算种群中所有个体的适应度fi,并对其进行排序，适应度是评判解优劣的指标，本实验适应度函数设置为均方误差，适应度越低表明优化算法搜索到的解越优秀。（3）根据适应度选出发现者和捕食者，然后分别按照公式Xi,jexp(R,ST)iter.(9)X,+QL(R,ST)(0,1)Sr=0.5,1R,=0,1式中t一一送代次数itermax最大送代次数随机数X.j一第i个解在第j维的位置信息ST预警值R2安全值，当R，f)X-X(11)Xworst+K(f=f.)f-fuorst+式中X全局最优位置f全局最佳适应度，f.f表示麻雀处于（6）当f；f a v g 时，使用公式8无限接近0 的常数分母出现0N.式中残差序列中第t个值386农2023年机报业学械边缘位置且容易被天敌发现，f，=f。表示警戒者发现了敌人，需要前往安全位置服从均值为0、方差为1的正态分布的随机数，用于控制步长K-随机数，表示麻雀移动的方向，取（-1,1)全局最差适应度worst对其进行更新。（5)在进行一轮迭代后，输出当前迭代的最小适应度，以及对应的GRU模型超参数寻优值，然后重新计算所有解的适应度f.和平均适应度g。g=x(1+N(0,1)(12)式中需要进行变异的解N随机数，均值为0，方差为1一高斯变异后的解进行高斯变异对此解周围区域进行重点搜索，然后将变异后的解与原始解进行比较，两者之中保留最优的解。当ff时，使用公式Xew=(X+Xnew)/2(13)new式中XTent混沌扰动后产生的解newX需要进行Tent混沌扰动的解X使用式（7）、（8）新产生的扰动量new对此解进行Tent混沌扰动，然后将扰动后的解与原始解进行比较，两者之中保留最优的解，（7）对种群进行更新后得到最优适应度以及最优位置。（8）当算法达到最大迭代次数时停止算法，未达到时返回步骤（3）1.3.4ARIMA残差预测模型ISSA-GRU模型的有害气体浓度预测精度虽然相比于单一GRU模型有所提升，但是通过本文实验研究发现，ISSA-CRU模型预测得到的残差序列仍然具备一定的规律，有必要对其进行进一步提取。ARIMA算法可以通过历史数据对未来值进行预测，不仅具有优秀的时间序列提取能力，更能精确反映时间序列发展规律14,因此使用ARIMA算法对历史气体质量浓度残差序列的有价值信息进行提取和挖掘，然后对未来气体质量浓度残差值进行预测，以获得更加精确的预测值。ARIMA(p,d,q）模型是由差分运算和自回归滑动平均模型（Autoregressivemovingaveragemodel,ARMA）模型组成,d指的是序列转化成平稳序列所需的差分次数ARMA（P,9）模型是由自回归项和移动平均项组成的，P指的是自回归项阶数，9 指的是移动平均项阶数，ARMA（P，9）模型为N,=+,N,-1+,N,-2+.+,N,-p+8,+018-1+0281-2+.+0,81-g(14)一自回归项系数移动平均项系数981白噪声序列中第t个值入一一常数ARIMA（p,d,q）模型建模步骤如下：(1)使用ISSACRU 模型对训练集2 进行预测，观测值序列与预测值序列的差值为残差序列,残差序列为ARIMA模型的输人。（2）由于ARIMA模型的输人序列必须为平稳序列，使用单位根检验对残差时序数据的平稳性进行检验，当P0.05拒绝原假设，该序列为平稳序列，否则该序列为非平稳序列，需要对序列进行差分直到序列平稳，方能通过平稳性检验。（3）对差分后的序列使用Ljung_Box检验进行白噪声检验，当P0.05拒绝原假设，该序列为非白噪声序列，否则该序列为白噪声序列，通过白噪声检验后进行下一步。（4）使用最小赤池信息准则（Akaikeinformationcriterion，A IC）确定p和q的参数，AIC取值最小的ARIMA模型为最优模型（5）使用最优的ARIMA（p,d,q）模型对残差值进行预测1.4模型评价指标采用均方根误差（RMSE）、平均绝对百分比误差（MAPE）和决定系数R对模型的性能进行评估。2结果与分析2.1猪舍环境因子监测结果及相关性分析选取2 0 2 2 年8 月10 日到9 月30 日共52 d的预处理后环境数据作为实验数据，猪舍环境因子变化曲线如图5所示；其统计结果如表2 所示。猪舍内有害气体浓度受猪舍内外温度、湿度等多环境因素的影响，构建有害气体浓度预测模型时加入外部影响因素可以使模型更加充分学习到预测目标的特征。使用Pearsons系数分析法（P0.05）对影响NH,质量浓度和CO,质量浓度的多环境因素进行相关性分析，如表3所示。猪舍内NH,质量浓度与CO,质量浓度具有较强的正相关性，相关系数为0.7 2。猪舍内NH,质量浓度与舍内、外温度和通风速率呈负相关性，相关系387谢秋菊等：猪舍氨气与二氧化碳浓度变化时序预测模型优化第7 期40008二氧化碳一氨气300062000410002008-1008-2309-0509-1810-01日期舍外相对湿度舍内相对湿度100r舍内温度舍外温度508040%./60402020100008-1008-2309-0509-1810-01日期500400300200100008-1008-2309-0509-1810-01日期图5环境因子变化曲线Fig.5Change curves of environmental factors表2 美猪舍环境数据统计Tab.2Statistical results of environmental dataof pig house环境因子最大值最小值平均值标准差NH,质量浓度/(mgm-3)7.60.32.21.2CO,质量浓度/(mgm-3)36818441457529舍外温度/37.83.117.77.0舍外相对湿度/%93.013.770.019.9舍内温度/27.917.020.72.4舍内相对湿度/%93.943.577.011.4通风速率/(mmin-1435.717.289.277.3表3皮尔森系数相关性分析Tab.3Pearson coefficient factor correlation analysis环境因素NH,质量浓度CO2质量浓度通风速率-0.36-0.48舍外相对湿度0.210.30舍外温度-0.58-0.81CO,质量浓度0.721NH,质量浓度10.72舍内相对湿度0.260.41舍内温度-0.49-0.62数分别为-0.49、-0.58 和-0.36；NH,质量浓度与舍内、外湿度具有正相关性，相关系数分别为0.2 6 和0.21。猪舍内CO,质量浓度与舍内、外相对湿度具有正相关性，相关系数分别为0.41和0.30；CO,质量浓度与舍内、外温度和通风速率具有较强的负相关性，相关系数分别为-0.8 1、-0.6 2 和-0.48。相关性分析的结果证明了猪舍内环境因子之间具有相关性，建模时加人外部影响因素可以减少模型预测误差。因此，本文选取通风速率、舍内温度、舍内相对湿度、舍外温度、舍外相对湿度、CO,质量浓度作为NH，质量浓度的外部影响因素；选取通风速率、舍内温度、舍内相对湿度、舍外温度、舍外相对湿度、NH，质量浓度作为CO,质量浓度的外部影响因素。2.2ISSA-GRU模型构建在使用优化算法对超参数进行寻优之前通过预实验确定CRU子层数目。实验结果如图6 所示，当CRU子层数目为1时，模型预测的RMSE分别为90.51mg/m和0.49 6 2 mg/m；当GRU子层数增加到2 时，模型预测的RMSE分别为8 3.15mg/m和0.381mg/m；当GRU子层数继续增加时，预测精度却下降，故本模型GRU子层数目设置为2。120r0.75CO,110+-NH0.651000.55900.45800.3512345678910CRU子层层数图6不同GRU层数时模型预测的均方根误差变化Fig.6RMSE variations of GRU prediction modelwith different numbers of sublayers使用ISSA算法对CRU神经网络的时间窗口、学习率、批数目、GRU子层1神经元个数、GRU子层2 神经元个数这5个超参数进行寻优，寻优范围如表4所示。ISSA对GRU模型超参数寻优过程中优化算法种群数目设置为10，迭代次数设置为50，预警值设置为0.8，发现者比例设置为8 0%，警戒者比例设置为2 0%。ISSA算法对GRU模型的超参数优化结果如表4所示，当时间窗口值为3，学习率为0.0 0 0 6，批数目为7 1,两个GRU子层的神经元数目分别为48 6 和315时模型预测精度最优。表4ISSA寻优参数Tab.4ISSA optimization parameters寻优参数寻优范围寻优结果时间窗口1103学习率0.00010.0010.000 6批数目3250071CRU子层1神经元个数1 600486GRU子层2 神经元个数1600315为了更好评估ISSA算法对CRU模型预测精度的优化，本文选取PSO算法、SSA算法和GWO算法进行对比。如图7 所示。随着迭代次数的增加4种388农机业2023年报学械0.0066ISSA-GRU-+-SSA-GRUPSO-CRU-0-CWO-CRU0.00630.00600.0057H0.005401020304050送代次数图74种不同算法适应度变化曲线Fig.7Variation curves of fitness values of fourdifferent algorithms算法都逐渐收敛，ISSA算法的适应度最低(0.0056),较PS0(0.0062)、SSA(0.0 0 59)和CWO(0.0060)3种算法的适应度分别降低9.6 8%、5.08%和6.6 7%，因此说明ISSA算法具有更高的搜索精度。2.3ARIMA模型构建以训练集2 为数据集，使用超参数优化后的ISSA-GRU模型对舍内NH,质量浓度、CO,质量浓度进行预测，得到的监测值与预测值的残差序列如图8 所示，使用残差序列构建ARIMA模型。1.5250NHCO,1.0100(e-w.u)/(e.Sul)/0.5-500-200-0.5-350-1.0-1.5-50009-1509-1709-1909-2109-2309-25日期图：残差变化曲线Fig.8Variation curves of errordata以NH,质量浓度残差序列为输人，对ARIMA模型输人序列的平稳性进行检验，P=8.8510-140.05，该序列通过平稳性检验，NH,质量浓度残差序列为平稳序列,因此d=O。NH,质量浓度残差序列的白噪声检验P=5.4410-40.05,NH,残差序列为非白噪声序列。以CO,质量浓度残差序列为输入，对ARIMA模型输人序列的平稳性进行检验，P=6.2710-130.05,该序列通过平稳性检验，CO,质量浓度残差序列为平稳序列，因此d=0。CO,质量浓度残差序列的白噪声检验P=1.6010-210.05,CO,质量浓度残差序列为非白噪声21序列。使用网格搜索法确定p和q的取值，当p取3且q取1时NH，质量浓度残差ARIMA预测模型AIC值最小，为447.2 32 2，此时ARIMA模型最优，NH质量浓度残差最优ARIMA模型为ARIMA（30,1），根据相同步骤可确定CO,质量浓度残差最优ARIMA模型为ARIMA(4,0,1)。2.4ISSA-GRU-ARIMA模型预测结果验证使用测试集对模型预测精度进行测试，如图9所示,ISSA-GRU-ARIMA模型对NH,质量浓度和CO,质量浓度的预测值变化趋势与观测值变化趋势都非常接近，呈现出周期性正弦或余弦曲线波动变化。NH,质量浓度观测值变化范围为0.9 5.4mg/m,ISSA-GRU-ARIMA模型预测值变化范围为0.8 5.5mg/m,预测值与观测值的最小误差为0 mg/m，最大误差为1mg/m，平均误差为0.2mg/m。CO，质量浓度观测值变化范围为983.52796.5mg/m,ISSA-GRU-ARIMA模型预测值变化范围为9 7 8.5 2 8 2 3.5mg/m；预测值与观测值的最小误差为1mg/m，最大误差为194mg/m,平均误差为41mg/m。一观测值6ISSA-GRU-ARIMA预测值4009-2609-2709-2809-2909-3010-01日期2900一观测值-ISSA-GRU-ARIMA2400预测值1900140090009-2609-2709-2809-2909-3010-01日期图9不同模型预测值对比Fig.9Comparison of predicted values of different models2.4.1不同模型预测结果对比为了进一步验证模型预测效果，使用CNN、GRU、SVR、RF、PSO -G RU、G W O -G RU、SSA -GRU、I SSA -G RU、I SSA -C NN、I SSA -C NN-ARIMA模型进行对比实验，与本文所提模型ISSA-CRUA RI M A 使用相同数据集，实验结果如表5所示。CNN、G RU、SVR、RF是常见基础模型,PSO-GRU、G W O-G RU、SSA-G RU 是使用其他优化算法对GRU模型进行优化，ISSA-CNN、I SSA-CNN-ARIMA是使用ISSA算法和ARIMA算法对CNN进行优化。如表5所示，本文模型ISSA-CRU-ARIMA预测精度最优，NH,质量浓度预测的RMSE、M A PE和R分别为0.2 6 3mg/m、8.17 1%和0.9 2 8,C0,质量浓度预测