(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111465159.7 (22)申请日 2021.12.0 3 (71)申请人 青岛科创信达科技有限公司 地址 266000 山东省青岛市城阳区山河路 702号绿天使创业园40号楼B座3 04室 (72)发明人 王福宝　赵雅坤　金鑫　 (74)专利代理 机构 青岛发思特专利商标代理有 限公司 37212 代理人 赵伟敏 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/02(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 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 (57)摘要 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。 权利要求书3页 说明书9页 附图2页 CN 114118606 A 2022.03.01 CN 114118606 A 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,Dm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， Am‑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， Am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， am‑1为A 经过m‑1次单支重构后的序列， am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， Dm＝HAm‑1       (1)， Am＝GAm‑1           (2)， am‑1＝H*Am+G*Dm            (3)， A0＝d1+d2+…+dm+am          (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)， ht＝H(WxhXt+Whhht‑1+bh)             (5)， yt＝Whyht+by           (6)；权　利　要　求　书 1/3 页 2 CN 114118606 A 2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： it＝σ(Wxixt+Whiht‑1+Wcict‑1+bi)        (7)， ft＝σ(Wxfxt+Whfht‑1+Wcfct‑1+bf)           (8)， ct＝ftct‑1+itg(Wxcxt+Whcht‑1+bc)           (9)， ot＝σ(Wxoxt+Whoht‑1+Wcoct‑1+bo)     (10)， ht＝oth       (11)， σ(x)为标准逻辑 函数： 其中， t为时间， W为鸡舍环境权重系数矩阵， b为环境隐藏层的偏置向量， i为LSTM网络 输入门的输入， it为LSTM网络的输入门输出， Wxi为输入门中输入层序列xt的权重系数， Xt 为LSTM网络输入层的输入， Whi为输入门中隐藏层权重系数， Wci为输入门中神经元序列权 重系数， ht ‑1为LSTM隐藏层序列， ct ‑1为LSTM神经元序列， b i为输入门偏置参数， ft为遗忘 门输出序列， Wx f为遗忘门中输入层Xt的权重系数， Whf为遗忘门中隐藏层的权重系数， Wcf 为遗忘门中神经元的权重系数， bf为遗忘门偏置参数， ct为LSTM网络神经元输出序列， g() 为逻辑函数， g()与隐藏层函数h()中心对称， Wxc为LSTM网络中输入层Xt的权重系数， Whc 为LSTM网络中神经元中隐藏层的权重系数， bc为LSTM网络中神经元的偏置参数， ot为输出 门的输出值， Wxo为LSTM网络输出门中输入层Xt的权重矩阵， Who为LSTM网络中输出门中 隐 藏层的权 重系数， Wco 为LSTM网络中的神经 元的权重系数， bo 为输出门的偏置参数。 5.根据权利要求1所述的方法， 其特 征在于， 所述方法还 包括： 检验所述温度预测结果时间序列和所述湿度预测结果时间序列的精度， 检验公式为： 其中， δMAPE为平均绝对百分误差， δRMSE为均方根误差， CTIC为希尔不等系数， f为原始环境 数据函数， 为环境数据预测结果函数， fi为原始环境数据时间序列， f1代表原始温度时间 序列， f2代表原始湿度时间序列， 为原始环境数据预测 结果时间数据序列， 为温度预 测结果时间序列， 为湿度预测结果时间序列， n 为数据点总数， i 为温度、 湿度的标号。 6.一种基于小 波分解和LSTM的鸡舍温度湿度预测装置， 其特 征在于， 包括：权　利　要　求　书 2/3 页 3 CN 114118606 A 3