基于轻量级CNN-LSTM-Transformer混合模型的猪舍氨气浓度精准预测研究

为解决猪舍环境中氨气(NH3)浓度动态监测难题，东北农业大学团队创新性地提出轻量级CNN-LSTM-Transformer混合模型。该研究通过可分离卷积层替代前馈网络，并采用全局平均池化(GAP)取代位置编码，在保持预测精度的同时显著降低21.1%内存占用和29.7%训练耗时，最终实现RMSE 0.3994、R2 0.9260的优异性能，为畜禽养殖环境智能监测提供高效解决方案。

　　

在现代化畜禽养殖领域，猪舍环境中的氨气(NH₃)浓度控制始终是困扰业界的重大难题。这种无色刺激性气体不仅会引发猪群呼吸道疾病、降低免疫力，更会导致养殖场周边环境污染。传统预测方法如排放因子法存在动态适应性差的问题，而标准Transformer模型又面临计算复杂度高、训练耗时长等瓶颈，严重制约了实时监测系统的应用。

针对这一技术痛点，东北农业大学电气与信息学院的研究团队在《Smart Agricultural Technology》发表创新成果，提出了一种革命性的轻量级CNN-LSTM-Transformer混合模型。该研究巧妙融合了卷积神经网络(CNN)的空间特征提取能力、长短期记忆网络(LSTM)的时序建模优势，以及改进的Transformer全局依赖捕捉机制，通过三大技术创新实现了预测精度与计算效率的双重突破。

研究团队首先采用多传感器采集了哈尔滨江北区某养猪场26天的环境参数时序数据，包括温度、湿度和NH₃浓度等关键指标。在方法学层面，主要运用了可分离卷积替代标准前馈网络、全局平均池化(GAP)取代传统位置编码等关键技术，并构建了包含多头自注意力机制(MHSA)的轻量级Transformer模块。通过对比CNN、LSTM等基准模型，系统评估了预测性能和计算效率。

研究结果显示，在模型架构方面，提出的轻量级设计将内存占用从6.21MB降至4.9MB，降幅达21.1%。训练时间对比更具突破性，标准Transformer需7.11分钟完成的训练任务，新模型仅需5分钟即可完成，效率提升29.7%。在预测精度指标上，该模型RMSE为0.3994，较标准模型降低5.99%；决定系数R2达到0.9260，提升1.08%。特别值得注意的是，在NH₃浓度剧烈波动时段，新模型展现出更优的跟踪能力，这归功于可分离卷积对局部特征的强化提取以及GAP对时序特征的稳健聚合。

讨论部分强调，该研究首次将深度可分离卷积与Transformer架构相结合应用于农业环境预测领域，其创新性体现在三个方面：一是通过参数共享机制大幅降低模型复杂度；二是采用GAP实现了无需额外参数的时序特征编码；三是构建的混合架构有效平衡了局部特征与全局依赖的建模。这些突破不仅为畜禽养殖环境监测提供了切实可用的技术方案，其轻量级设计思路更为边缘计算设备部署时序预测模型开辟了新途径。未来研究可进一步探索多模态数据融合策略，以应对更复杂的农业环境预测挑战。