基于小样本迁移学习的跨地点菇房温度预测模型研究

来源：农业机械学报杂志2026年第2期北京时间：

作者：胡瑾，刘行行，孙大虎，张莹，杨永霞，雷文晔

单位：西北农林科技大学;农业农村部农业物联网重点实验室,农业农村部农业物联网重点实验室;西北农林科技大学,农业农村部农业物联网重点实验室;西北农林科技大学,西北农林科技大学,西北农林科技大学;农业农村部农业物联网重点实验室,农业农村部农业物联网重点实验室;西北农林科技大学,

摘要：菇房温度精准预测是保证食用菌工厂化高效生产的关键，现有预测模型在面向不同地点菇房实际应用中缺乏普适性。本文考虑菇房设备对环境变化的扰动影响，融合设备运行状态特征建立一种基于时序卷积网络和长短期记忆网络（Temporal convolution network-long short-term memory，TCN-LSTM）的菇房温度时序预测模型，采用TCN在时间维度上提取特征局部信息，利用LSTM捉时序数据的长期依赖关系。与未融合设备工作状态特征的模型相比，当预测时长为1、2、3h时，TCN-LSTM模型MSE分别降低17.1%、35.7%、44.1%，MAE分别降低4.3%、28.0%、38.0%；结果表明考虑融合设备工作状态提升了模型预测性能。与其他不同浅层和深度学习模型相比，TCN-LSTM模型在不同预测时长下均具有最佳的预测精度，当预测时长为小于，3h模型R2不小于0.982、MSE和MAE不大于0.57℃，可满足菇房环境调控对温度预测精度和时长要求。基于迁移学习的预训练及微调方式在小样本数据集中调整网络参数，实现面向不同地点的菇房温度预测模型快速构建。结果表明，当预测时长为1、2、3h时，以不同地点数据作为目标域建立的预测模型在测试集中R2不小于0.912，MSE不大于4.02℃，MAE不大于2.01℃，因此，在小样本条件下基于迁移学习构建的面向不同地点模型可实现不同步长下温度精准预测。

关键词：菇房;温度;时序预测模型;迁移学习;小样本

基金资助：陕西省重点研发计划项目（2024NC-ZDCYL-05-07）