基于PCA-SVR-ARMA 的獅頭鵝養殖禽舍氣溫組合預測模型

劉雙印，黃建德，徐龍琴，趙學華，李祥銅，曹 亮，溫寶琴，黃運茂

（1. 廣州市農產品質量安全溯源信息技術重點實驗室，廣州 510225；2. 石河子大學機械電氣工程學院，石河子 832000；3. 仲愷農業工程學院智慧農業創新研究院，廣州 510225；4. 廣東省高校智慧農業工程技術研究中心，廣州 510225；5. 深圳信息職業技術學院數字媒體學院，深圳 518172；6. 廣東省水禽健康養殖重點實驗室，廣州 510225；7.廣東省農產品安全大數據工程技術研究中心，廣州 510225）

0 引 言

中國飼養了世界75%以上的鴨，90%以上的鵝，是世界最大的水禽生產與消費國[1]。為滿足巨大的供需市場和國家環保管控政策要求，水禽養殖由傳統養殖模式向規模化、集約化、專業化、無害化的現代養殖模式轉型升級是水禽健康養殖的必然趨勢[2-3]。然而水禽集約化養殖環境調控不及時，易脅迫水禽正常生長與繁育、誘導水禽疾病爆發甚至大批量死亡。而氣溫是水禽養殖環境重要因素之一，氣溫過低或過高、會直接影響到水禽的健康和生產能力，傳統的經驗型養殖方法缺乏科學的理論支撐，容易錯過調控的關鍵時機，易對水禽養殖造成危害[2,4]。因此，對養殖環境氣溫預測方法研究，準確把握禽舍氣溫變化趨勢，進行養殖環境精準調控，對減少水禽生長與繁殖的環境脅迫影響、預防禽病害發生，優質水禽種質培育與開發具有重要的研究價值。

國內外對溫度預測模型已進行了大量的研究，并在水產養殖、海洋環境、河流等領域取得了一些研究成果[5-11]。如Xu 等[6]提出了改進人工蜂群優化熱力機理模型對對蝦養殖水溫進行預測；陳英義等[7]采用遺傳算法優化BP 神經網絡對河蟹養殖池塘水溫進行短期預測；徐龍琴等[8]提出了基于經驗模態分解和極限學習機的水溫組合預測方法對工廠化對蝦育苗水溫預測分析；Xiao 等[9]構建了基于卷積長短時記憶神經網絡方法預測了海洋表面溫度變化趨勢；Graf 等[10]將小波變換與人工神經網絡相結合，提出了基于小波神經網絡的河水溫度預測模型；Sahoo 等[11]將回歸分析、人工神經網絡和混沌非線性動態模型相結合，構建了河流水溫預測模型分析，預測河流水溫。上述的溫度預測機理模型雖然能夠表達溫度內部變化機制，但需要大量的精確數據作為支撐，且一些相關數據難以在線獲取，工作量繁重；基于人工神經網絡則需要大量的數據集進行訓練學習，存在過學習或欠學習，已陷入局部極值等不足，難以滿足水禽養殖實際生產中溫度精準調控的需要[12]。

支持向量回歸機是以結構風險最小化的統計學習理論為基礎的機器學習方法，在小樣本、高維數應用場景下不僅能克服傳統預測方法存在的問題，還具有更好的泛化性能和非線性擬合能力，使得支持向量回歸機在很多領域得到了廣泛應用[12-17]。如皮駿等[13]采用基于改進量子粒子群優化支持向量回歸機的預測方法，實現了航空發動機排氣溫度精準預測；Mathew 等[14]利用支持向量回歸機構建了地表溫度預測模型，為城市地表熱島評價提供良好的決策支持；郭霖等[15]構建了基于支持向量機的滴灌灌水器流量預測模型，實現了灌水器流量的高精度預測。目前將人工智能算法引入到水禽集約化養殖環境溫度預測的研究較少。

水禽養殖環境復雜，其關鍵因子溫度受多種外界環境因子交叉影響，若直接將所有因子直接輸入溫度預測模型中，不僅造成預測網絡結構復雜，還因環境因子可能存在冗余或信息重疊，則易導致養殖環境參數溫度預測精度低、可靠性差和計算復雜度高，計算進一步影響溫度的精準調控[18]。為此有必要在預測前對溫度進行關鍵影響因子篩選。

為解決傳統溫度預測方法對小樣本和非線性數據預測性能低、泛化能力差等不足，本研究在借鑒前人研究的基礎上，將主成分分析法（Principal Components Analysis，PCA）、支持向量回歸機（Support Vector Regression Machine，SVR）和自回歸滑動平均模型（Auto Regressive Moving Average，ARMA）相結合，提出基于PCA-SVR-ARMA 的獅頭鵝養殖禽舍氣溫組合預測模型。利用主成分分析法篩選獅頭鵝養殖禽舍氣溫關鍵影響因子，約簡預測模型網絡結構，通過支持向量回歸機和ARMA 方法構建獅頭鵝養殖禽舍氣溫非線性組合預測模型。將本模型應用于廣東省汕尾獅頭鵝養殖某基地養殖禽舍氣溫預測中，試證結果表明本模型預測結果能夠為獅頭鵝集約化養殖環境精準管控提供技術支撐。

1 材料與方法

1.1 試驗區域

本研究試驗數據區域為汕尾市海豐縣公平鎮獅頭鵝養殖某基地（23°15′N ，115°19′E），面積約 53.3 hm2，該基地是一個集獅頭鵝育種、種苗繁育、集約化養殖等多功能一體化的獅頭鵝綜合養殖基地。本試驗選取的半封閉式獅頭鵝養殖場按《畜禽養殖小區建設管理規范》進行設計，采用巖棉夾芯彩鋼板建造半封閉鵝舍（長25 m 寬16 m），使用水泥硬化的運動場（長25 m 寬45 m），洗浴池（長20 m 寬3 m 水深1 m），鵝舍采用自然通風，夏季輔以濕簾和風機進行降溫。該養殖場反季節養殖了1 000 只約200日齡處于產蛋期的成年獅頭鵝，參照《獅頭鵝健康養殖技術規程，DB440500/T167—2008》進行飼養管理。將多種傳感器在鵝舍中部呈“十字型”部署，以在線監測鵝舍養殖環境參數；在鵝舍兩端外墻上分別安裝風機和濕簾等溫度調控設備，通過調節鵝舍溫度，減少獅頭鵝對溫度的應激反應，確保獅頭鵝在適宜的環境下健康生長。此外，在鵝舍內還安裝了補光燈設備，通過調節光照時長來改進產蛋性能。其基于物聯網的獅頭鵝養殖環境監測平面示意圖（圖1）。

圖1 基于物聯網的獅頭鵝養殖環境監測平面示意圖 Fig.1 Schematic diagram of the lion-head goose breeding environment monitoring based on the Internet of Things

1.2 數據獲取與預處理

以汕尾市海豐縣獅頭鵝養殖某基地禽舍環境指標為研究對象，采用仲愷農業工程學院研制的水禽養殖環境監控物聯網云服務平臺每間隔60 min 在線采集禽舍的溫度、總懸浮顆粒物（Total Suspended Particulates，TSP）、二氧化碳、光照強度、相對濕度、硫化氫、氨氣等環境參數數據，其所使用的物聯網平臺拓撲架構如圖2 所示，其水禽養殖禽舍環境監控多參數傳感器性能指標如下：溫度傳感器測量范圍-10～70 ℃，測量精度±0.1 ℃；TSP 傳感器最小粒子檢測1 μm；二氧化碳傳感器測量范圍0～1 500 mg/m3，測量精度±5%；光照強度傳感器測量范圍0～200 000 lx，測量精度±5%；相對濕度傳感器測量范圍0～100%，測量精度±3%；硫化氫傳感器測量范圍0～20×10-6、測量精度±1%；氨氣傳感器測量范圍0～10×10-6，測量精度±1%。采集的獅頭鵝養殖禽舍環境部分原始數據如表1 所示。

表1 獅頭鵝養殖禽舍環境部分原始數據 Table 1 Part of experimental original data for lion-head goose breeding environment

在獅頭鵝養殖禽舍環境數據在線采集過程中，可能存在物聯網采集裝置電氣特性受外界電磁干擾、傳感器性能老化、線路故障等引起環境數據部分丟失、失真或奇異值等問題，為減少上述“不良數據”對預測性能的影響，本研究采用插值法、均值平滑法對數據進行修復預處理，得到高質量的數據集[18]。由于各數據單位、量綱有差異，為便于研究獅頭鵝養殖環境數據間的相關性，有必要對各數據項進行標準化處理，其標準化處理方法如式（1）所示

式中 yi'和ys分別為標準化后的數據和標準差，℃；yi和y 分別為獅頭鵝養殖禽舍氣溫真實值及其均值，℃。

圖2 平臺拓撲架構圖 Fig.2 Topology structure diagram of platform

1.3 獅頭鵝養殖禽舍氣溫關鍵影響因子篩選

獅頭鵝養殖禽舍內環境參數氣溫受多種因素影響，作用機理復雜，若把所有參數直接輸入到預測模型中，易造成模型網絡結構復雜，計算復雜高，執行效率低。為此，有必要消除獅頭鵝養殖環境參數數據間多重共線性，提取獅頭鵝養殖環境參數氣溫的關鍵影響因子，優化預測模型網絡結構，提高模型預測性能[19-20]。鑒于主成分分析法（Principal Component Analysis，PCA）在篩選關鍵影響因子方面的良好性能，本研究采用主成分分析法（PCA）和SPSS 統計分析軟件對溫度關鍵影響因子進行篩選，得到各主成分特征值及貢獻率示，解釋的總方差如表2 所示。其中，前2 個影響因子累計方差貢獻率88.973%，符合提取主成分的原則，故從多個特征中提取2 個主成分代替原變量。采用Kaiser 標準化正交旋轉法得到獅頭鵝養殖舍內環境因子對不同主成分的因子載荷，得到成分矩陣如表3 所示，對第1 主成分貢獻較大的有氣溫和相對濕度；對第2 主成分貢獻較大的有光照強度和總懸浮顆粒物（Total Suspended Particulates，TSP）。故研究篩選出關鍵影響因子有氣溫、相對濕度、光照強度和總懸浮顆粒物（TSP），也獲得水禽養殖領域專家的一致認可，以此構建獅頭鵝養殖禽舍氣溫預測模型的訓練集和測試集。

表2 特征值及主成分貢獻率 Table 2 Eigenvalues and principle component contribution rates

表3 成分矩陣 Table 3 Component matrix

2 獅頭鵝養殖禽舍氣溫組合預測模型構建

2.1 支持向量回歸機（SVR）

支持向量回歸機（Support Vector Regression，SVR）是以VC 維和結構風險最小化原則為基礎的新型機器學習方法，其目標是構建一個最優的超平面，使訓練樣本距離最優超平面誤差最小，以達到對未知樣本具有更好的擬合性能和泛化能力[19]。對于給定獅頭鵝養殖環境數據訓練樣本D={(x1，y1)，（x2，y2），…，(xm，ym)}，xi∈ Rm為輸入向量，yi∈R 為溫度預測目標輸出值，其SVR 對應的優化問題表示如式（2）和式（3）所示

式中w 和b 為分別為權重和偏置量，懲罰因子C >0，非負松弛變量ξi、?、ε 為不敏感損失函數參數，s.t.為約束條件。根據卡魯什·庫恩·塔克（Karush-Kuhn-Tucker，KKT）條件和引入Lagrangian 函數，可得到回歸表達式如式（4）所示

式中δ 為RBF 核函數的寬度參數，xi為任意一個輸入樣本向量，xj為高斯RBF 核函數中心。

2.2 自回歸滑動平均模型（ARMA）殘差修正模型

通過SVR 建立獅頭鵝養殖禽舍氣溫預測模型，雖然能夠利用歷史時間序列數據訓練SVR 預測模型得到較好的預測結果，但仍得到一系列誤差時間序列數據。該誤差時序數據具有一定的非純隨機性和自相關性，仍隱藏了有價值的信息有待進一步挖掘分析。因此需要采用適宜的算法構建殘差信息提取模型，以對SVR 預測結果進行修正，進一步提高整個模型的預測精度。

常用的殘差信息提取和修正方法有局部模擬近似值、向量誤差修正、周期外推法、貝葉斯向量法、自回歸滑動平均（Autoregressive Moving Average，ARMA）模型[21]。與其他方法相比，研究表明ARMA 時間序列法不僅能夠較好的描述隨機時間序列數據和進一步挖掘出有價值的信息，還具有結構有簡單、高效的優點。為此，針對SVR 未能有效提取的殘差時序數據有價值的信息，本研究首先對殘差時序進行平穩性和純隨機性檢驗，然后通過ARMA 模型提取殘差有價值的信息，再修正SVR模型預測值來提高預測精度。

ARMA 模型其表達式ARMA（p，q）如式（6）所示

式中p 和q 為ARMA 模型的階數；Ut（t=1,2,…）為白噪聲時間序列，滿足EUtyt-1=0，φi（i=1,2,…，p）和ψi（i=1,2,…，q）分別為自回歸參數和滑動平均參數。基于ARMA（p，q）模型殘差修正具體步驟如下：

步驟 1 ：通過增廣迪基- 福勒（ Augmented Dickey-Fuller，ADF）對獅頭鵝養殖禽舍氣溫預測殘差時序數據進行時序圖和單位根檢驗，判斷殘差時序變化是否平穩。若平穩則轉向步驟3，否則轉向步驟2。

步驟2：根據獅頭鵝養殖禽舍氣溫預測殘差時序數據非平穩特征，選擇對數變換法、分解法、平滑法和差分法等方法進行平穩化處理。

步驟3：計算獅頭鵝養殖禽舍氣溫預測殘差時序數據的自相關函數（Auto Correlation Function，ACF）和偏自相關函數（Partial Auto Correlation Function，PACF），確定對殘差預測模型為ARMA（p，q）模型。

步驟4：根據最小赤池信息準則（Akaike Information Criterion，AIC）值和貝葉斯信息準則（Bayesian Information Criterion，BIC）值，確定最優ARMA 模型階數p 和q。

步驟5：采用最小二乘法對模型的自回歸參數、滑動平均參數和待估參數進行估計，并使殘差和最小。

步驟6：分別進行模型顯著性和參數顯著性檢驗，判斷殘差時序是否為白噪聲序列，若不是，則轉向步驟2 循環執行，直到得到最優的ARMA（p，q）模型為止。

步驟7：采用構建的最優ARMA（p，q）模型進行殘差值預測。

2.3 基于主成分分析法-支持向量回歸機-自回歸滑動平均模型（PCA-SVR-ARMA）的氣溫組合預測模型

為了提高氣溫預測模型性能，將PCA、SVR 和ARMA模型有機結合，構建基于PCA-SVR-ARMA 的獅頭鵝養殖禽舍氣溫非線性組合預測模型，其基本思想為首先對獅頭鵝養殖環境數據進行修復和標準化處理，其次采用PCA 作為支持向量回歸機的前置預處理系統，篩選出獅頭鵝養殖禽舍氣溫的關鍵影響因子，簡化支持向量回歸機SVR 預測模型結構，隨后對PCA-SVR 的預測模型進行訓練和預測，最后再利用ARMA 殘差修正模型對PCA-SVR 預測誤差序列進行預測，以深度挖掘隱含在殘差中的重要信息，將ARMA 對殘差預測結果與PCA-SVR預測結果進行幾何求和，獲得最終預測結果，有效提高了組合模型預測精度。其氣溫非線性組合預測模型如圖3所示。

獅頭鵝養殖禽舍氣溫預測具體步驟如下：

步驟1：通過水禽養殖物聯網云平臺在線采集獅頭鵝養殖禽舍環境時間序列數據，并進行修復和標準化處理，劃分樣本訓練集和測試集。

步驟2：采用主成分分析法對獅頭鵝養殖禽舍氣溫關鍵影響因子篩選，消除多變量冗余信息，精簡預測模型結構。

步驟3：初始化PCA-SVR 預測模型參數，以樣本訓練集為基礎，通過試湊法和交叉驗證法訓練和優化PCA-SVR 模型，獲得最佳的SVR 預測模型。

步驟4：將測試集對PCA-SVR 模型性能進行預測測試，并通過ARM 殘差修正模型對預測殘差時序數據進行預測，將殘差預測結果和PAC-SVR 預測結果進行幾何求和，得到最終預測結果，將優化獲得PCA-SVR-ARMA模型應用于獅頭鵝養殖環境預測領域，實現對未來獅頭鵝養殖禽舍氣溫進行精準預測。

圖3 基于PCA-SVR-ARM 的氣溫預測模型流程圖 Fig.3 Air temperature prediction flow chart based on PCA-SVR-ARMA

2.4 模型性能評價

為評價獅頭鵝養殖禽舍氣溫預測模型性能，選用均方根誤差（Root Mean Square Error，RMSE）、平均絕對誤差（Mean Absolute Error，MAE）和平均絕對百分比誤差（Mean Absolute Percentage Error，MAPE）[19]。具體計算表達式分別如式（7）、式（8）和式（9）所示

式中yi和i分別為在線采集的獅頭鵝養殖禽舍氣溫真實值和預測值，℃；N 為測試樣本數量。

3 實例研究及結果分析

3.1 獅頭鵝養殖禽舍環境參數數據源

以汕尾市海豐縣獅頭鵝養殖某基地禽舍氣溫為研究對象，采用1.2 節的水禽養殖環境監控物聯網云服務平臺，采樣時間為2018 年7 月21 日至7 月30 日，每間隔60 min 在線采集禽舍氣溫、總懸浮顆粒物（TSP）、二氧化碳、光照強度、相對濕度等禽舍環境參數數據，共240個樣本，選取前6 d 的144 個樣本作為訓練集，后4 d 的96 個樣本作為測試集，對未來60 min 的獅頭鵝養殖禽舍氣溫進行組合預測。其獅頭鵝養殖禽舍氣溫原始數據如圖4 所示。其中，每天的養殖環境氣溫數據呈現周期性變化，具有非線性、周期性特征。

圖4 氣溫原始數據變化曲線圖 Fig.4 Variation curve of the original air temperature data

3.2 試驗環境與參數選擇

本試驗環境為：處理器Intel I5-5200U ，CPU 頻率2.2 GHz，內存8 GB，操作系統Window7（64-bit），程序設計語言python3.7（64-bit），集成開發環境Anaconda3、ARMA 和SVR 基于Anaconda 的Sklearn 程序包實現，BP 神經網絡基于Anaconda 的PyTorch 開發包完成編寫。采 用 留 一 法 交 叉 驗 證 網 格 搜 索 法（Leave-One-Out-Cross-Validation，LOOCV）優化SVR 模型參數，獲得最優參數對（C=1，δ=0.5），以此構建基于SVR 的獅頭鵝養殖禽舍氣溫預測模型。

3.3 基于主成分分析法-支持向量回歸機（PCA-SVR）的氣溫預測

采用最優的PCA-SVR 模型對獅頭鵝養殖禽舍氣溫進行預測，其氣溫擬合結果如圖5 所示，殘差變化曲線如圖6 所示。其中，氣溫真實值與預測值變化曲線雖然有較高的擬合度，但在氣溫急劇上升和下降時刻誤差較大，最大誤差為-2.89 ℃，因此有必要通過對殘差修正來進一步提高SVR 預測精度。

圖5 氣溫預測值與實測值比較 Fig.5 Comparison of temperature forecasting values and actual air temperature values

3.4 基于自回歸滑動平均模型（ARMA）的殘差修正

根據2.2 節的ARMA 殘差修正模型的步驟，以PCA-SVR 模型預測殘差時序數據為基礎，通過觀察自相關函數（Auto Correlation Function，ACF）和偏相關函數（Partial Correlation Function，PACF）對自回歸（Auto Regressive，AR）模型AR（p）和滑動平均（Moving Average，MA）模型MA（q）的平穩性進行分析。采用單位根檢驗法對殘差序列進行單位根檢驗，使用Eviews 10 軟件的檢驗結果如表4、表5 和表6 所示，可以看出增廣迪基-福勒（Augmented Dickey-Fuller test，ADF）值為-0.482 152，小于各顯著水平的臨界值，且P=0 遠>0.05 置信區間，殘差時序沒有通過平穩性檢驗。因此，需要對殘差時序數據進行一階差分的平穩性處理，對處理結果再進行平穩性檢驗，由表5 可知各項統計量均能推翻單位根假設，平穩性處理后的殘差時序數據可以建立ARMA 模型。

圖6 殘差變化曲線 Fig.6 Variation curve of the error data

由ACF 和PACF 函數確定p、q 的取值區間，再通過赤池信息準則（Akaike Information Criterion，AIC）和貝葉斯信息準則（Bayesian Information Criterions，BIC）比較，其對比結果如表7 所示。根據最小信息準則，取AIC 和BIC 值同時較小者，確定ARMA 模型階數p=2，q=2，殘差時序數據修正模型為ARMA（2，2）。

利用最小二乘法對ARMA 模型參數估計，得到基于ARMA 殘差修正表達式如式（10）所示

式中yt、yt-1和yt-2分別為t 時刻殘差值、t-1 時刻殘差值和t-2 時刻殘差值，Ut為t-1 和t-2 時刻的平均值，Ut-1為t-2和t-3 時刻的平均值。

3.5 結果分析

以最優的ARMA 模型對PCA-SVR 預測殘差進行預測，并將殘差預測結果與PCA-SVR 預測結果進行幾何相加，得到獅頭鵝養殖禽舍氣溫最終的預測結果。采用ARMA 模型修正前后的殘差時序變化曲線如圖7 所示。其中，修正后的殘差更加趨向于0，說明ARMA殘差修正模型能夠進一步提高PCA-SVR-ARMA 模型預測精度。

為了進一步檢驗PAC-SVR-ARMA 模型的預測性能，以相同原始樣本為基礎，分別選擇標準的SVR 模型、BP神經網絡、 PCA-BPNN 模型、 PCA-SVR 和PCA-BPNN-ARMA 進行對比分析。其6 種模型預測結果擬合曲線對比圖和預測性能對比統計結果分別如圖8 和表8 所示。

表4 殘差相關性檢驗 Table 4 Correlation test of error data

表5 增廣迪基-福勒（ADF）單位根檢驗結果 Table 5 Results of the Augmented Dickey-Fuller (ADF) unit root test

表6 平穩性處理后的單位根檢驗結果 Table 6 Results of unit root test after stationary treatment

表7 不同p 和q 值的赤池信息準則（AIC）和貝葉斯信息準則（BIC）結果 Table 7 Akaike Information Criterion (AIC) and Bayesian Information Criterions (BIC) results with different p and q values

圖7 預測殘差比較 Fig.7 Comparison of error forecasting values

圖8 不同模型的預測結果對比 Fig.8 Comparison of forecasting results with different models

表8 6 種模型預測結果精度分析 Table 8 Precision analysis of forecast results for six models

由圖8 可以看出，與標準BPNN、標準SVR、PCA-BPNN、PCA-SVR 和PCA-BPNN-ARMA 模型相比，本研究提出的基于PCA-SVR-ARMA 的非線性組合預測模型能更好的擬合獅頭鵝養殖禽舍氣溫非線性變化，預測效果較好。

由表8 模型性能評價統計結果可知，本研究提出的PCA-SVR-ARMA 組合預測模型的各項評價指標都優于其他預測模型，本模型預測性都有較大的提高。同種條件下PCA-SVR 與標準SVR 相比，評價指標 MAPE、RMSE 和MAE 分別降低了31.78%、15.89% 和29.45%；PCA-BPNN 與標準BPNN 相比，評價指標MAPE、RMSE和MAE 分別降低了10.34%、4.80%和7.98%，從而說明通過PCA 能夠提取溫度關鍵影響因子，實現了對獅頭鵝養殖環境數據降維，消除變量之間冗余信息的干擾，一定程度上提高預測精度。同種條件下PCA-SVR-ARMA 與PCA-SVR 相比，評價指標 MAPE、RMSE 和MAE 分別降低了29.59%、40.37%和60.75%；PCA-BPNN-ARMA 與 PCA-BPNN 相比，評價指標MAPE、RMSE 和MAE 分別降低了43.16%、30.63%和44.16%，從而說明通過ARMA 殘差修正模型能夠進一步提取隱藏在預測殘差序列中的有價值的信息，進一步優化模型預測性能。同種條件下PCA-SVR-ARMA 與PCA-BPNN-ARMA 相比，評價指標MAPE、RMSE 和MAE 分別降低了55.64%、35.66%和55.26%，說明在小樣本條件下，SVR 比BPNN 能更好的挖掘和擬合獅頭鵝養殖禽舍氣溫非線性變化規律。綜上所述，本研究提出的PCA-SVR-ARMA 模型不僅預測精度高、魯棒性強，較準確地刻畫獅頭鵝養殖禽舍氣溫未來變化趨勢，能夠為獅頭鵝養殖環境預警和適時調控提供技術支撐。

4 結 論

針對傳統溫度預測方法直接對非線性和非平穩的獅頭鵝養殖禽舍氣溫預測精度低和泛化能力差等不足，提出了基于主成分分析法-支持向量回歸機-自回歸滑動平均模型（PCA-SVR-ARMA）的氣溫組合預測模型，并在廣東汕尾市獅頭鵝養殖禽舍氣溫預測中應用，與其他模型進行對比分析，結果表明，1）主成分分析法（Principal Components Analysis，PCA）方法能夠篩選氣溫關鍵影響因子，不僅消除多變量間的信息冗余，精簡預測模型結構，促進提高SVR-ARMA 模型預測效果。2）在獅頭鵝養殖禽舍環境小樣本的條件下，支持向量回歸機（Support Vector Regression，SVR）較反向傳播神經網絡（Back Propagation Neural Network，BPNN）模型表現出較好的預測性能。3）自回歸滑動平均（Auto Regression Moving Average，ARMA）模型殘差修正模型能夠挖掘和提取隱藏在預測殘差時序數據中有價值的信息，與SVR 模型結合，進一步提高組合模型預測精度。本研究構建的氣溫組合預測模型不僅具有良好的預測精度和泛化性能，還可以為獅頭鵝養殖精準管控和種苗繁育提供重要的決策依據。