使用任务自适应GRU-Transformer模型的笼养肉鸡舍多季节环境预测

《Agriculture》：Multi-Season Environmental Prediction in Caged Broiler Houses Using a Task-Adaptive GRU–Transformer Model

　　

笼养肉鸡舍的环境调控要求严格控制温度、相对湿度和通风，因为异常室内条件可能对肉鸡健康和生产力产生不利影响。然而，现有研究对肉鸡舍内多个空间位置的环境变化关注不足，且部分研究仅关注单个饲养周期，未考虑室内饲养环境的季节差异。因此，本研究提出一种基于任务自适应融合的GRU-Transformer预测模型。通过整合多个室内温度传感器、中心相对湿度、室外环境条件、肉鸡日龄以及环境控制设备的控制信号，该模型预测中心温度、中心相对湿度以及舍内六个特定位置（前、后、左、右、上、下）的温度。此外，模型利用预测的中心温度和中心相对湿度计算温度-湿度指数（THI）。模型使用跨四个季节的多个完整饲养周期的环境数据进行训练，并在四个独立测试集上进行验证。验证结果表明，所提模型在中心温度、中心相对湿度和THI的12个单步任务中，有10个取得了最低平均绝对误差（MAE）。此外，模型在多位置预测中展现出相对稳定的预测性能。进一步进行了多步预测任务、消融实验和随机种子实验，以验证模型的跨季节泛化能力、鲁棒性和跟踪性能。未来，该模型可作为预测基础，支持基于模型预测控制（MPC）或强化学习（RL）框架的智能环境调控。

**论文解读：基于任务自适应GRU-Transformer模型的笼养肉鸡舍多季节环境预测方法**

**研究背景与问题**
肉鸡舍环境调控是保障肉鸡健康和生产性能的关键环节，要求严格控制温度、相对湿度和通风。然而，现有研究普遍存在两方面不足：一是对舍内多个空间位置（如前、后、左、右、上、下）的环境变化关注不足，多数研究仅依赖中心监测点；二是多数研究基于单一饲养周期数据，未考虑不同季节（春、夏、秋、冬）对室内环境的显著影响，导致模型跨季节泛化能力不足。此外，不同位置的环境参数具有不同的时序依赖模式，简单特征融合难以适应多输出任务间的差异。因此，研究人员提出一种任务自适应融合的GRU-Transformer双分支模型，旨在同时解决多季节变化、空间异质性和多输出预测问题，为后续基于模型预测控制（MPC）或强化学习（RL）的智能环境调控提供预测基础。该论文发表在《Agriculture》。

**主要关键技术方法**
研究人员从中国山东省某大型肉鸡场（24栋鸡舍，每批约6万只肉鸡）采集数据。室内环境数据通过相同型号的IoT传感器（JES，型号JES-CO2TR-AR1-C2P0）采集，覆盖7个温度监测点（中心、前、后、左、右、上、下）和中心相对湿度；室外气象数据来自当地气象站；环境控制设备信息来自鸡舍控制柜操作日志。数据预处理包括重采样为5分钟等间隔序列、线性插值处理无效值（0.164%的异常值）以及MinMax归一化。模型采用GRU-Transformer双分支架构：GRU分支捕获局部时序依赖，Transformer分支捕获全局上下文信息；核心创新在于任务自适应融合模块，为每个输出目标（中心温度、中心相对湿度、六个位置温度）独立生成融合权重，动态整合两分支特征。模型输入为过去12个时间步（60分钟）的多维特征，输出为单步（5分钟）或多步（15分钟、30分钟）预测值。评估指标包括平均绝对误差（MAE）、均方根误差（RMSE）和决定系数（R²）。

**研究结果**
**3.1 单步预测**：在春、夏、秋、冬四个独立测试集上，所提模型在中心温度、中心相对湿度和温度-湿度指数（THI）的12个单步任务中，有10个取得了最低MAE，尤其在中心相对湿度和THI预测上优势明显。多位置温度预测中，模型在春、夏、冬季所有六个位置均取得最低MAE，秋季在五个位置领先，显示了稳定的空间预测能力。
**3.2 多步预测**：随着预测步长增加（从5分钟到15分钟、30分钟），所有模型误差均上升，但所提模型在中心温度、中心相对湿度和THI上保持较低误差，尤其夏季和秋季环境下误差控制更优。多位置温度预测的雷达图显示，模型在30分钟预测步长下仍能保持较小的误差面积和更均衡的空间分布。
**3.3 消融实验**：对比直接拼接、共享权重融合和任务自适应融合三种策略，任务自适应融合在四季的平均MAE、RMSE和R²上均最优，夏季改善最显著（MAE降至0.052，R²达0.990）。在30分钟预测步长下，任务自适应融合对七个温度变量取得最低宏平均MAE（0.2976）和RMSE（0.4961），验证了其为不同输出任务动态分配信息的有效性。
**3.4 随机种子鲁棒性分析**：使用5个不同随机种子重复训练，模型在所有预测任务上的MAE、RMSE和R²的标准差极小（R²标准差接近0），表明训练结果稳定，非偶然性。
**3.5 时间序列预测轨迹可视化**：选取连续测试样本（5000-6000点）进行可视化，所提模型在温度缓慢变化和相对湿度剧烈波动时段均能紧密跟踪真实曲线，展现出良好的连续跟踪能力，尤其在高波动性变量（如相对湿度）上表现优于基线模型。

**讨论与结论**
讨论部分指出，所提模型的主要优势在于跨季节、多目标、多位置下的稳定误差控制能力，而非仅在单一指标上取得最优。任务自适应融合机制允许每个预测目标根据自身动态特性独立选择GRU和Transformer分支的信息，这在多输出任务中比共享权重或直接拼接更合理。模型可作为未来MPC或RL智能调控系统的环境预测模块。局限性包括：所有数据来自同一养殖场，不同区域、鸡舍结构、管理模式的泛化性待验证；未分析预测误差对肉鸡生产性能的影响；验证基于离线历史数据，未来需在线部署测试。结论部分翻译：本研究开发了一种基于任务自适应融合的GRU-Transformer笼养肉鸡舍环境预测模型。以室内环境信息、控制信息、室外条件和肉鸡日龄为输入，预测中心温度、中心相对湿度和多空间位置温度。与仅关注单一变量或监测点的传统方法不同，本研究将季节变化、空间异质性和多输出预测整合在统一框架中，并通过多个饲养周期和四季独立测试集进行验证。结果表明，该模型适用于不同变量和位置具有不同动态特征的复杂环境预测任务，任务自适应融合机制通过让不同目标从GRU和Transformer表示中提取特定信息，提升了多输出预测性能。从应用角度看，该模型可为未来智能肉鸡舍调控系统提供潜在的环境预测模块，支持主动预警和预测控制，并可与MPC或RL等先进调控策略集成。