(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (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 1 1614 专利代理师 高爽 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/02(2012.01) G06N 3/04(2006.01) G01D 21/02(2006.01) (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。 权利要求书3页 说明书7页 附图1页 CN 115456240 A 2022.12.09 CN 115456240 A 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；权　利　要　求　书 1/3 页 2 CN 115456240 A 2S13、 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)， 构建出编码器的最终编码结果H： H＝(h1， h2， ...， hT)T    (5)。 5.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S2中解码器采用时间注意力和LSTM结合的方式进行解码， 具体包括： S21、 采用注意力方法计算t时刻的空间注意力比重 和权重 其中： dt‑1、 s′t‑1是解码器LSTM单 元的解码隐状态和解码细胞状态， Wd、 Ud是需要学习 得到的参数， Wd、 Ud矩阵用于将输入的解码隐状态dt， 解码细胞状态s ′t进行数据对齐； 用 于对齐和激活后的特征融合； m表示模型通过学习 得到的空间注意力数量， i表示空间注意 力编号， 表示在时间维度上 学习得到t时刻第i个权 重值； S22、 采用下述公式对编码器的隐状态进行重组得到t时刻的上下文信息ct， 实现从隐状 态空间到时间的映射： S23、 采用线性投影构造方法对上下文信息ct进行处理， 获得舍内环境温湿度数据的修 正系数 其中： 表示线性投影构造方法， yt表示t时刻舍内环境温湿度数据， 表示偏置； S24、 采用解码器更新 解码隐状态， 作为已知序列的趋势信息； 其中d0＝s′0＝0： 其中： dt和s′t分别表示 LSTM单元对t时刻数据处 理得到的解码隐状态和解码细胞状态。 6.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 S3具体为： 根据舍内环境温湿度数据的上下文信息， 采用 下述公式计算预测头， 得到yT+1的预测 值：权　利　要　求　书 2/3 页 3 CN 115456240 A 3