基于RF-LSTM的鸡舍恶臭气体预测研究

以鸡舍氨气为研究对象,对鸡舍氨气预测模型进行了研究.首先,利用随机森林算法（RF）对影响鸡舍氨气浓度的环境变量进行重要性排序,选取温度、湿度、光照、气象温度、降雨量作为模型的输入变量;在此基础上,构建了基于长短时记忆神经网络（LSTM）的鸡舍氨气浓度预测模型,并将提出的预测模型应用于江苏省宜兴市某养鸡场的氨气浓度预测中,并与LSTM模型、RF-Elman模型和RF-BP模型进行了对比实验,结果表明,基于RF-LSTM模型的预测效果最好,其平均绝对误差（MAE）、平均绝对百分误差（MAPE）和均方根误差（RMSE）分别为0.9183、4.9637%和1.4262;同时,为了验证该模型的性能,本文还实现了不同时间尺度的鸡舍氨气浓度预测,提前2h、3h、4h、5h氨气预测的平均绝对误差（MAE）分别为1.6218、2.1991、2.8553和3.0677.本文提出的预测模型提高了鸡舍氨气浓度的预测精度,可为减少鸡舍恶臭气体排放提供科学依据.     

基于ARIMA和BP神经网络的猪舍氨气浓度预测

为了从源头减少生猪养殖过程中的氨气排放,降低猪舍氨气浓度,提出了基于ARIMA-BP神经网络的猪舍氨气浓度组合预测方法,分别从最优权重和残差优化角度对基于ARIMA-BP神经网络的组合预测方法进行了对比研究.将该预测方法应用于江苏省宜兴市某养猪场的氨气浓度预测中,预测结果表明：基于ARIMA-BP神经网络残差优化组合预测方法的预测精度最高,与BP神经网络、ARIMA预测方法和基于ARIMA-BP神经网络最优权重组合预测方法对比分析,评价指标MAE、MAPE和RMSE分别为0.0319、0.1580%和0.0365.本文提出的氨气预测方法可以为猪舍环境精准化调控管理提供科学依据以减小猪舍氨气排放对生态环境的污染.