La predicción precisa y confiable de la humedad relativa (HR) tiene una gran importancia en el control efectivo del ciclo reproductivo y la optimización del rendimiento de producción de huevos en ambientes de crianza intensiva de aves de corral. Sin embargo, la investigación actual sobre la predicción de HR se centra principalmente en predicciones puntuales a corto plazo, lo cual no puede satisfacer la demanda de un control preciso de la HR en las granjas avícolas intensivas. Para compensar esta deficiencia, en este estudio se propone un modelo híbrido de predicción de HR a medio y largo plazo capaz de realizar predicciones puntuales e intervalos precisos. En primer lugar, se reduce la complejidad de la HR utilizando un método de eliminación de ruido de datos que combina la descomposición empírica en modo de conjunto completo con ruido adaptativo (CEEMDAN) y entropía de permutación. En segundo lugar, se seleccionan factores ambientales importantes a partir de la correlación de características y tendencias de cambio. En tercer lugar, basándose en los resultados de la eliminación de ruido de datos y la selección de características, se establece un modelo BiGRU-Attention que incorpora un mecanismo de atención para la predicción puntual de la HR a medio y largo plazo. Finalmente, se utiliza el método de estimación de densidad de núcleo gaussiano (KDE-Gaussiano) para ajustar el error de predicción puntual y se estima el intervalo de predicción de HR en diferentes niveles de confianza. Este método se aplicó para analizar la colección real de conjuntos de datos ambientales de aves acuáticas (gansos Magang) desde octubre de 2022 hasta marzo de 2023. Los resultados indican que el modelo CEEMDAN-FS-BiGRU-Attention propuesto en este estudio tiene un excelente rendimiento en la predicción puntual a medio y largo plazo. En comparación con LSTM, el error absoluto medio (MAE), el error cuadrático medio (RMSE) y el error porcentual absoluto medio (MAPE) se reducen en un 57,7%, 48,2% y 56,6%, respectivamente. Además, en diferentes niveles de confianza, el intervalo de predicción formado por el método KDE-Gaussiano es confiable y estable, lo que satisface la necesidad de un control preciso de la HR en entornos de crianza intensiva.