Un método para predecir la concentración de masa de CO en establos de ovejas basado en el modelo RF-PSO-LSTM
Autores: Cen, Honglei; Yu, Longhui; Pu, Yuhai; Li, Jingbin; Liu, Zichen; Cai, Qiang; Liu, Shuangyin; Nie, Jing; Ge, Jianbing; Guo, Jianjun; Yang, Shuo; Zhao, Hangxing; Wang, Kang
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Un método para predecir la concentración de masa de CO en establos de ovejas basado en el modelo RF-PSO-LSTM
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Zootecnia
Palabras clave
Crianza de ovejas a gran escala
Concentración de CO
Cobertizos para ovejas
Método de predicción
Modelo RF-PSO-LSTM
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 9
Citaciones: Sin citaciones
En la cría de ovejas para carne a gran escala, altas concentraciones de CO en los establos de ovejas pueden provocar estrés y perjudicar el crecimiento saludable de las ovejas, por lo que una comprensión oportuna y precisa de la tendencia de la concentración de CO y una regulación temprana son esenciales para garantizar la seguridad ambiental de los establos y el bienestar de las ovejas. Para comprender y regular con precisión las concentraciones de CO en los establos de ovejas, proponemos un método de predicción basado en el modelo RF-PSO-LSTM. El enfoque que proponemos tiene cuatro partes principales. Primero, para abordar los problemas de pérdida de paquetes de datos, distorsión, valores singulares y diferencias en la magnitud de los datos de calidad del aire ambiental recolectados de los establos de ovejas, realizamos un preprocesamiento de datos utilizando suavizado por media, interpolación lineal y normalización de datos. Segundo, para abordar los problemas de los muchos tipos de parámetros de calidad del aire ambiental en los establos de ovejas y la posible redundancia o información superpuesta, utilizamos un algoritmo de bosques aleatorios (RF) para filtrar y clasificar las características que afectan la concentración de masa de CO y seleccionamos las cuatro características principales (intensidad de luz, humedad relativa del aire, temperatura del aire y concentración de masa de PM2.5) como entrada del modelo para eliminar información redundante entre las variables. Luego, para abordar el problema de depurar manualmente los hiperparámetros del modelo de memoria a corto y largo plazo (LSTM), que consume tiempo y mano de obra, así como potencialmente subjetivo, utilizamos un algoritmo de optimización por enjambre de partículas (PSO) para obtener la combinación óptima de parámetros, evitando las desventajas de seleccionar hiperparámetros basados en la experiencia subjetiva. Finalmente, entrenamos el modelo LSTM utilizando los parámetros optimizados obtenidos por el algoritmo PSO para obtener el modelo propuesto en este documento. Los resultados experimentales muestran que nuestro modelo propuesto tiene un error cuadrático medio (RMSE) de 75.422 g·m, un error absoluto medio (MAE) de 51.839 g·m y un coeficiente de determinación (R) de 0.992. La curva de predicción del modelo está cerca de la curva real y tiene un buen efecto de predicción, lo que puede ser útil para la predicción y regulación precisas de la concentración de CO en los establos de ovejas en la cría de ovejas para carne a gran escala.
Descripción
En la cría de ovejas para carne a gran escala, altas concentraciones de CO en los establos de ovejas pueden provocar estrés y perjudicar el crecimiento saludable de las ovejas, por lo que una comprensión oportuna y precisa de la tendencia de la concentración de CO y una regulación temprana son esenciales para garantizar la seguridad ambiental de los establos y el bienestar de las ovejas. Para comprender y regular con precisión las concentraciones de CO en los establos de ovejas, proponemos un método de predicción basado en el modelo RF-PSO-LSTM. El enfoque que proponemos tiene cuatro partes principales. Primero, para abordar los problemas de pérdida de paquetes de datos, distorsión, valores singulares y diferencias en la magnitud de los datos de calidad del aire ambiental recolectados de los establos de ovejas, realizamos un preprocesamiento de datos utilizando suavizado por media, interpolación lineal y normalización de datos. Segundo, para abordar los problemas de los muchos tipos de parámetros de calidad del aire ambiental en los establos de ovejas y la posible redundancia o información superpuesta, utilizamos un algoritmo de bosques aleatorios (RF) para filtrar y clasificar las características que afectan la concentración de masa de CO y seleccionamos las cuatro características principales (intensidad de luz, humedad relativa del aire, temperatura del aire y concentración de masa de PM2.5) como entrada del modelo para eliminar información redundante entre las variables. Luego, para abordar el problema de depurar manualmente los hiperparámetros del modelo de memoria a corto y largo plazo (LSTM), que consume tiempo y mano de obra, así como potencialmente subjetivo, utilizamos un algoritmo de optimización por enjambre de partículas (PSO) para obtener la combinación óptima de parámetros, evitando las desventajas de seleccionar hiperparámetros basados en la experiencia subjetiva. Finalmente, entrenamos el modelo LSTM utilizando los parámetros optimizados obtenidos por el algoritmo PSO para obtener el modelo propuesto en este documento. Los resultados experimentales muestran que nuestro modelo propuesto tiene un error cuadrático medio (RMSE) de 75.422 g·m, un error absoluto medio (MAE) de 51.839 g·m y un coeficiente de determinación (R) de 0.992. La curva de predicción del modelo está cerca de la curva real y tiene un buen efecto de predicción, lo que puede ser útil para la predicción y regulación precisas de la concentración de CO en los establos de ovejas en la cría de ovejas para carne a gran escala.