基于机器学习的多变量时间序列预测方法，用于高随机性环境下的猪舍环境监测

《Computers and Electronics in Agriculture》：Machine learning-based multivariate time-series forecasting for environmental monitoring in pig houses under high stochasticity

　　

丹尼尔·亚历山大·门德斯（Daniel Alexander Méndez）| 玛尔塔·贾克-杜兰（Marta Jarque-Durán）| 萨尔瓦多·卡尔韦特（Salvador Calvet）

• •
  在噪声较大的传感器数据中，因果平滑预处理在性能上显著优于异常值去除方法。
• •
  因子设计表明数据质量是影响预测准确性的主要因素。
• •
  TiDE和D-Linear架构在短期预测中表现出更优的性能。
• •
  未来的天气协变量有助于提高时间融合变换器（Temporal Fusion Transformer）在长期预测中的稳定性。
• •
  经过优化的模型在氨气预测中的R2得分超过了0.89。