基于小波分解和LSTM的鸡舍温度湿度预测方法、装置、产品及存储介质制造方法及图纸

本申请涉及预测技术领域，公开一种基于小波分解和LSTM的鸡舍温度湿度预测方法，包括：获取鸡舍原始温度时间序列x(1)和原始湿度时间序列x(2)；通过小波分解处理所述原始温度时间序列x(1)的数据和所述原始湿度时间序列x(2)的数据获得重构后的温度时间序列的数据和重构后的湿度时间序列的数据；根据所述重构后的温度时间序列的数据和所述重构后的湿度时间序列的数据通过LSTM算法获得鸡舍温度预测结果y(1)和湿度预测结果y(2)。该方法提高了整体预测模型的抗噪性，能够获得更加准确的鸡舍内部的温度和湿度。本申请还公开一种基于小波分解和LSTM的鸡舍温度湿度预测装置、产品及存储介质。储介质。储介质。

【技术实现步骤摘要】
基于小波分解和LSTM的鸡舍温度湿度预测方法、装置、产品及存储介质


[0001]本申请涉及预测
，例如涉及一种基于小波分解和LSTM的鸡舍温度湿度预测方法、装置、产品及存储介质。

技术介绍

[0002]随着自动化程度不断提高和相关技术的不断进步和完善，畜禽的饲养量、畜禽产品量、畜禽品种有了明显的提高，作为畜牧业中家禽养殖中的一类，当前鸡生产行业的技术和现代化水平已走在畜牧行业的最前列，现代养殖鸡具有生产性能好、成活率高等优点，鸡舍内部温度湿度的舒适与否直接关系到鸡的健康、进食量和产蛋量等因素，因此对于鸡舍管理的要求也越来越高。
[0003]由于鸡舍内温度、湿度时序序列具有非线性和波动性，有关鸡舍环境预测方面的技术还不是很完善。现有的预测技术主要为根据原有数据，通过分析拟合的方法进行预测。
[0004]在实现本公开实施例的过程中，发现相关技术中至少存在如下问题：
[0005]目前，还没有适合的预测鸡舍环境的方法。只是单纯的拟合实现对未来温度湿度的预测，并为对鸡舍环境内部的波动进行分析。

技术实现思路

[0006]为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括。所述概括不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细说明的序言。
[0007]本公开实施例提供了一种基于小波分解和LSTM的鸡舍温度湿度预测方法、装置、产品及存储介质，以解决缺乏完善的预测鸡舍环境的方法的技术问题。
[0008]在一些实施例中，所述方法包括：
[0009]获取鸡舍原始温度时间序列和原始湿度时间序列；
[0010]通过小波分解处理所述原始温度时间序列的数据和所述原始湿度时间序列的数据获得重构后的温度时间序列的数据和重构后的湿度时间序列的数据；
[0011]根据所述重构后的温度时间序列的数据和所述重构后的湿度时间序列的数据通过LSTM算法获得鸡舍温度预测结果时间序列y(1)和湿度预测结果时间序列y(2)。
[0012]具体的，所述获取鸡舍原始温度时间序列和原始湿度时间序列的方法为：
[0013]通过鸡舍内部的温度传感器和湿度传感器每分钟测试一次鸡舍的温度和湿度；
[0014]将测得的所述温度和湿度的数据收集起来组成鸡舍原始温度时间序列和原始湿度时间序列；
[0015]具体的，所述通过小波分解处理所述原始温度时间序列的数据和原始湿度时间序列的数据获得重构后的温度时间序列的数据和重构后的湿度时间序列的数据的方法包括：
[0016]使用小波分解对所述原始温度时间序列的数据和所述原始湿度时间序列的数据
进行小波分解和单支重构，公式(1)和公式(2)为小波分解过程公式，公式(3)和公式(4)为单支重构过程公式，其中，D为所述原始温度时间序列的数据和所述原始湿度时间序列的数据经过小波分解后的包含误差信号的高频信号，A为所述原始温度时间序列的数据和所述原始湿度时间序列的数据经过小波分解后的包含主要信息的低频信号，H和G分别为正交镜像滤波器中具有低通和高通特性的滤波器，m为小波分解次数，a为A经过单支重构后的序列，d为D经过单支重构后的序列，H
*
和G
*
分别为H和G的对偶算子,D
m
为所述原始温度时间序列的数据和所述原始湿度时间序列的数据经过m次小波分解后的包含误差信号的高频信号，A0为所述原始温度时间序列的数据和所述原始湿度时间序列的数据未经过小波分解后的包含主要信息的低频信号，A
m
‑1为所述原始温度时间序列的数据和所述原始湿度时间序列的数据经过m
‑
1次小波分解后的包含主要信息的低频信号，A
m
为所述原始温度时间序列的数据和所述原始湿度时间序列的数据经过m次小波分解后的包含主要信息的低频信号，a
m
‑1为A经过m
‑
1次单支重构后的序列，a
m
为A经过m次单支重构后的序列，d1为D经过1次单支重构后的序列，d2为D经过2次单支重构后的序列，dm为D经过m次单支重构后的序列，
[0017]D
m
＝HA
m
‑1ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)，
[0018]A
m
＝GA
m
‑1ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)，
[0019]a
m
‑1＝H
*
A
m
+G
*
D
m
ꢀꢀꢀꢀꢀꢀꢀꢀ
(3)，
[0020]A0＝d1+d2+
…
+d
m
+a
m
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)。
[0021]具体的，所述根据所述重构后的温度时间序列的数据和所述重构后的湿度时间序列的数据通过LSTM算法获得鸡舍温度预测结果时间序列y(1)和湿度预测结果时间序列y(2)的方法包括：
[0022]采用隐藏层函数h()迭代公式(5)和预测结果函数y()迭代公式(6)获得鸡舍温度预测结果时间序列y(1)和湿度预测结果时间序列y(2)，
[0023]h
t
＝H(W
xh X
t
+W
hh h
t
‑1+b
h
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)，
[0024]y
t
＝W
hy
h
t
+b
y
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)；
[0025]所述LSTM算法的输入门i、遗忘门f、神经元c和输出门o的计算公式为：
[0026]i
t
＝σ(W
xi
x
t
+W
hi
h
t
‑1+W
ci
c
t
‑1+b
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)，
[0027]f
t
＝σ(W
xf
x
t
+W
hf
h
t
‑1+W
cf
c
t
‑1+b
f
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)，
[0028]c
t
＝f
t
c
t
‑1+i
t
g(W
xc
x
t
+W
hc
h
t
‑1+b
c
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)，
[0029]o
t
＝σ(W
xo
x
t本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小波分解和LSTM的鸡舍温度湿度预测方法，其特征在于，包括：获取鸡舍原始温度时间序列和原始湿度时间序列；通过小波分解处理所述原始温度时间序列的数据和所述原始湿度时间序列的数据获得重构后的温度时间序列的数据和重构后的湿度时间序列的数据；根据所述重构后的温度时间序列的数据和所述重构后的湿度时间序列的数据通过LSTM算法获得鸡舍温度预测结果时间序列和温度预测结果时间序列。2.根据权利要求1所述的方法，其特征在于，所述获取鸡舍原始温度时间序列和原始湿度时间序列的方法为：通过鸡舍内部的温度传感器和湿度传感器每分钟测试一次鸡舍的温度和湿度；将测得的所述温度和湿度的数据收集起来组成鸡舍原始温度时间序列和原始湿度时间序列。3.根据权利要求1所述的方法，其特征在于，所述通过小波分解处理所述原始温度时间序列的数据和原始湿度时间序列的数据获得重构后的温度时间序列的数据和重构后的湿度时间序列的数据的方法包括：使用小波分解对所述原始温度时间序列的数据和所述原始湿度时间序列的数据进行小波分解和单支重构，公式(1)和公式(2)为小波分解过程公式，公式(3)和公式(4)为单支重构过程公式，其中，D为所述原始温度时间序列的数据和所述原始湿度时间序列的数据经过小波分解后的包含误差信号的高频信号，A为所述原始温度时间序列的数据和所述原始湿度时间序列的数据经过小波分解后的包含主要信息的低频信号，H和G分别为正交镜像滤波器中具有低通和高通特性的滤波器，m为小波分解次数，a为A经过单支重构后的序列，d为D经过单支重构后的序列，H
*
和G
*
分别为H和G的对偶算子,D
m
为所述原始温度时间序列的数据和所述原始湿度时间序列的数据经过m次小波分解后的包含误差信号的高频信号，A0为所述原始温度时间序列的数据和所述原始湿度时间序列的数据未经过小波分解后的包含主要信息的低频信号，A
m
‑1为所述原始温度时间序列的数据和所述原始湿度时间序列的数据经过m
‑
1次小波分解后的包含主要信息的低频信号，A
m
为所述原始温度时间序列的数据和所述原始湿度时间序列的数据经过m次小波分解后的包含主要信息的低频信号，a
m
‑1为A经过m
‑
1次单支重构后的序列，a
m
为A经过m次单支重构后的序列，d1为D经过1次单支重构后的序列，d2为D经过2次单支重构后的序列，dm为D经过m次单支重构后的序列，D
m
＝HA
m
‑1ꢀꢀꢀꢀꢀꢀꢀ
(1)，A
m
＝GA
m
‑1ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)，a
m
‑1＝H
*
A
m
+G
*
D
m
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)，A0＝d1+d2+
…
+d
m
+a
m
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)。4.根据权利要求1所述的方法，其特征在于，所述根据所述重构后的温度时间序列的数据和所述重构后的湿度时间序列的数据通过LSTM算法获得鸡舍温度预测结果时间序列y(1)和湿度预测结果时间序列y(2)的方法包括：采用隐藏层函数h()迭代公式(5)和预测结果函数y()迭代公式(6)获得鸡舍温度预测结果时间序列y(1)和湿度预测结果时间序列y(2)，h
t
＝H(W
xh
X
t
+W
hh
h
t
‑1+b
h
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)，y
t
＝W
hy
h
t
+b
y
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)；
所述LSTM算法的输入门i、遗忘门f、神经元c和输出门o的计算公式为：i
t
＝σ(W
xi
x
t
+W
hi
h
t
‑1+W
ci
c
t
‑1+b
i...

【专利技术属性】
技术研发人员：王福宝，赵雅坤，金鑫，
申请(专利权)人：青岛科创信达科技有限公司，
类型：发明
国别省市：