农业工程学报

作者：李大鹏,严格齐,刘玮,郝丹,王云超,李福伟,

关键词：温度预测, 蛋鸡舍, 深度学习, 经验模态分解, 长短期记忆网络, 注意力机制, 环境控制

基金：42

针对蛋鸡舍环境温度序列中存在的非线性特征和多尺度动态变化问题，该研究构建了一种融合经验模态分解（empirical mode decomposition，EMD）、长短期记忆网络（long short-term memory，LSTM）与注意力（Attention）机制的EMD-LSTM-Attention模型。该模型首先利用EMD将原始温度时间序列分解为多个本征模态函数，并将各分量作为多通道输入引入LSTM-Attention网络，以增强模型对不同时间尺度特征的表征能力。基于蛋鸡舍全年环境温度数据，在统一试验条件下，将所提出模型与多种主流时序模型进行了对比评估，并系统分析了输入序列长度和预测时长对模型性能的影响。结果表明，在输入序列长度为4.0 h、预测间隔为10.0 min的条件下，EMD-LSTM-Attention模型在全年测试集上的平均绝对误差（mean absolute percentage error，MAPE）为1.43%，均方根误差（root mean squared error，RMSE）为0.291 ℃，决定系数（italic>R/italic>su2/su）为0.952，整体性能优于各对比模型。该模型在春、夏、秋、冬各季节数据集上均保持较低预测误差，表现出良好的稳定性。参数敏感性分析表明，在该研究测试范围内，当历史输入窗口为1.0 h时，模型预测误差进一步降低，相较于4.0 h输入窗口，全年MAPE由1.43%降至0.76%。随着预测时长由0.5 h延长至2.5 h，模型误差整体呈上升趋势，但仍保持较高预测精度。该研究结果表明，EMD与深度学习模型的有效结合能够提升蛋鸡舍环境温度短期预测的准确性与稳定性，可为预测型智能环境调控系统的开发提供方法支持。/

来源：2026年第5期

《农业工程学报》期刊编辑部

查看农业工程学报杂志2026年第5期