CN107169621A - 一种水体溶解氧预测方法及装置 - Google Patents

Abstract

本发明提供的一种水体溶解氧预测方法及装置，该方法包括：获取溶解氧数据与水质数据、气象数据以及生物量数据之间各自的相关系数，并根据该相关系数选取模板样本；通过K‑means聚类法按照第一预设时间段对该模板样本进行分类，并在分类的模板样本中识别出与预测样本相似的模板样本作为训练样本；对训练样本进行训练和预测，以建立预测模型；将预测样本输入到预测模型，以获得预测时刻后第一预设时间段内的溶解氧预测值。该预测方法具有较高的预测精度及较强的适应度，并且在预测稳定性和精度上，有较好的鲁棒性和复杂线性映射能力，特别适合于易受环境等外界因素影响的鱼菜共生系统的水体溶解氧预测。

Description

一种水体溶解氧预测方法及装置

技术领域

本发明涉及水处理技术领域，更具体地，涉及一种水体溶解氧预测方法及装置。

背景技术

溶解氧作为水质的一项重要参数，在工厂化水产养殖、日光温室水培种养中扮演着重要的角色，它很大程度上决定了鱼类的生长状态，所以预测溶解氧的变化趋势可以为养殖人员的决策提供重要参考，减小养种植风险。

水体溶解氧受到很多因素影响，包括：物理、化学、生物和人为因素。而一些复杂的水循环系统，例如，鱼菜共生系统，包括水产养殖、水处理和水培三部分，是一种鱼、菜和生物菌三者共生的复合种养系统，该系统不仅对溶解氧的要求很高，而且还极易受到气象环境、水质参数和生物量的综合影响。因此，溶解氧的预测极为困难，十分迫切的需要可以应对复杂多变的循环水系统水体溶解氧预测的解决方案。

现有的水体溶解氧预测方法包括：步骤1、获取并存储一个时间段内的鱼菜共生系统的环境数据及溶解氧数据；步骤2、用归一化方法对所述环境数据进行数据标准化预处理，获得模糊神经网络溶解氧预测控制模型的训练数据集；步骤3、根据训练数据集，获取模糊神经网络溶解氧预测控制模型；步骤4、将当前溶解氧含量的实时数据输入模糊神经网络溶解氧预测控制模型，得到水中的溶解氧含量的预测结果。

但是现有的水体溶解氧预测方法存在预测收敛速度慢、预测精度低以及效率低等问题，而且无法精准快速的处理因环境等外界因素所带来的数据波动大等问题。

发明内容

针对上述的技术问题，本发明提供一种水体溶解氧预测方法及装置。

第一方面，本发明提供一种水体溶解氧预测方法，包括：将预测样本输入通过训练基于K-means聚类法分类识别的训练样本建立的预测模型，获得未来第一预设时间段内的溶解氧预测值。

其中，所述方法进一步包括：S1，获取水质数据、气象数据及生物量数据各自与溶解氧数据的相关系数，并根据所述相关系数选取模板样本；S2，通过K-means聚类法按照所述第一预设时间段对所述模板样本进行分类，在所述分类的模板样本中识别出与所述预测样本相似的模板样本作为训练样本；S3，对所述训练样本进行训练，以建立预测模型。

其中，在所述S1之前还包括S0，采集并存储第二预设时间段内的溶解氧数据、水质数据、气象数据以及生物量数据。

其中，在所述S0之后、所述S1之前包括：采用线性插值法对所述水质数据进行处理，采用均值平滑法对所述生物量数据进行处理，以及采用小波变化法对所述气象数据进行处理。

其中，在所述S0之后、所述S1之前还包括：对处理后的所述水质数据、所述气象数据以及所述生物量数据分别进行归一化处理。

其中，所述S1进一步包括：根据皮尔森相关系数法获取所述水质数据、所述气象数据及所述生物量数据各自与所述溶解氧数据的相关系数。

其中，所述S2中在所述分类的模板样本中识别出与所述预测样本相似的模板样本作为训练样本进一步包括：根据基于欧式距离和夹角余弦原理获取的相似度，在所述分类的模板样本中识别出与所述预测样本相似的模板样本作为训练样本。

其中，所述S3中对所述训练样本进行训练进一步包括：采用模糊神经网络对所述训练样本进行训练。

第二方面，本发明提供一种水体溶解氧预测装置，包括：预测模块，用于将预测样本输入通过训练基于K-means聚类法分类识别的训练样本建立的预测模型，获得未来第一预设时间段内的溶解氧预测值。

其中，所述装置还包括：获取模块，用于获取水质数据、气象数据以及生物量数据各自与溶解氧数据的相关系数，并根据所述相关系数选取模板样本；处理模块，用于通过K-means聚类法按照所述第一预设时间段对所述模板样本进行分类，在所述分类的模板样本中识别出与所述预测样本相似的模板样本作为训练样本；模型建立模块，用于对所述训练样本进行训练，以建立预测模型。

本发明提供的一种水体溶解氧预测方法及装置，采用相关系数选取模板样本，然后采用K-means聚类法按照第一预设时间段对模板样本进行分类，并在分类的模板样本中识别出与预测样本相似的模板样本作为训练样本，再对训练样本进行训练和预测，以建立预测模型，最后将预测样本输入预测模型，以获得预测时刻后一段时间内的溶解氧预测值。该预测方法具有较高的预测精度及较强的适应度，并且在预测稳定性和精度上，有较好的鲁棒性和复杂线性映射能力，特别适合于易受环境等外界因素影响的鱼菜共生系统的水体溶解氧预测。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的水体溶解氧预测方法的流程图；

图2为图1中所述通过K-means聚类法对所述模板样本进行分类的流程图；

图3为本发明另一实施例提供的水体溶解氧预测方法中模糊神经网络的拓扑结构示意图；

图4为本发明实施例提供的水体溶解氧预测装置的结构图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明实施例提供的水体溶解氧预测方法的流程图，如图1所示，该方法包括：S1，获取水质数据、气象数据及生物量数据各自与溶解氧数据的相关系数，并根据所述相关系数选取模板样本；S2，通过K-means聚类法按照第一预设时间段对所述模板样本进行分类，在所述分类的模板样本中识别出与所述预测样本相似的模板样本作为训练样本；S3，对所述训练样本进行训练，以建立预测模型；S4，将预测样本输入所述预测模型，获得未来第一预设时间段内的溶解氧预测值。

其中，相关系数是用以反映变量之间相关关系密切程度的统计指标。

其中，K-means聚类法是硬聚类算法，是典型的基于原型的目标函数聚类方法的代表，它是数据点到原型的某种距离作为优化的目标函数，利用函数求极值的方法得到迭代运算的调整规则。K-means算法以欧式距离作为相似度测度，它是求对应某一初始聚类中心向量V最优分类，使得评价指标J最小。

在本发明实施例中将该水体溶解氧预测方法应用于鱼菜共生系统，但并不用于限制本发明的保护范围。具体地，在预测鱼菜共生系统中水体的溶解氧时，先获取水质数据、气象数据及生物量数据各自与溶解氧数据的相关系数，例如，溶解氧与鱼菜共生系统中水温的相关系数为0.43、溶解氧与鱼菜共生系统中气温的相关系数为0.34、溶解氧与鱼菜共生系统中鱼的质量的相关系数为0.21等等。然后将获取到的相关系数按照大小进行排列，根据需要选取靠前的影响因子作为模板样本，例如，选取前6种或者8种影响因子作为模板样本。这样在保证准确性的基础上，可以提高溶解氧的预测效率。

鱼菜共生系统属于循环水系统，受水质变化影响较大，因此加水对系统的影响与其他因素的影响不在同一量级，所以需要将加水率单独算作一个重要影响因子权重。加水率会对溶解氧数据的规律带来较为明显的变化，为了避免预测时这种多变情况导致溶解氧的预测精度下降、收敛速度变慢等问题，采用了K-means聚类方法按照第一预设时间段将模板样本进行智能化分类，例如，将第一预设时间段设置为一天。如图2所示，S201，任意指定n个模板样本中的s个模板样本作为簇中心；S202，计算模板样本与所有簇中心之间的相似度；S203，确定模板样本的归属，当相似度大于阈值则形成新簇；S204，重新计算聚类后新簇的簇中心，重复步骤S202-S203直到每个簇不再发生变化为止。通过K-means聚类的方法，将模板样本按不同等级的相似度分为n个类型，每个类型中有s组数据。将模板样本进行分类可以优化模板样本的结构性，将模板样本优化成几种不同相似度的类型，例如，划分为蓄水初期、蓄水中期和蓄水后期几种类型。便于选取与预测样本具有高相似度的模板样本作为后续训练的训练样本，从而提高预测的精准度。

按照上面获取模板样本的方法获取预测时刻前第一预设时间段内的数据作为预测样本，例如，预测时刻为2017年3月30日12点30分，则可以获取2017年3月30日12点30分前一天的数据作为预测样本。然后在分类后的模板样本中识别出与预测样本相似的模板样本作为训练样本，并对该训练样本进行训练以建立预测模型。最后将预测样本输入到预测模型中，从而获得预测时刻后第一预设时间段内的溶解氧预测值，例如，获得2017年3月30日12点30分后一天的溶解氧预测值。

本发明实施例与现有技术相比，采用相关系数选取模板样本，然后采用K-means聚类法按照第一预设时间段对模板样本进行分类，并在分类的模板样本中识别出与预测样本最为相似的模板样本作为训练样本，再对训练样本进行训练以建立预测模型，最后将预测样本输入预测模型，以获得未来第一预设时间段内的溶解氧预测值。该预测方法具有较高的预测精度及较强的适应度，并且在预测稳定性和精度上，有较好的鲁棒性和复杂线性映射能力，特别适合于易受环境等外界因素影响的鱼菜共生系统的水体溶解氧预测。

在上述实施例的基础上，在所述S1之前还包括S0，采集并存储第二预设时间段内系统中的溶解氧数据、水质数据、气象数据以及生物量数据。所述水质数据包括：电导率、pH值、水温和氨氮；所述气象数据包括：气温、湿度、光照强度和二氧化碳；所述生物量数据包括：系统中鱼的质量、菜的质量以及投喂量。

具体地，在对水体溶解氧进行预测时，首先要采集与溶解氧有关的数据，即对第二预设时间段内的溶解氧数据、水质数据、气象数据以及生物量数据进行采集，例如，可以采集2017年3月1日12:00至2017年3月30日12:00这一段时间的数据。选取某鱼菜共生系统，系统外围搭建有远程无线监控系统，用来监测鱼菜共生系统水质周边的气象数据，监控系统中的环境监测传感器对气象数据进行实时数据采集，采集到的气象数据包括：气温、湿度、光照强度和二氧化碳。

鱼菜共生系统中安装有有线水质参数采集装置，采集装置中的水质监测传感器用于在线实时对水质参数进行全方位监测，采集到的水质数据包括：电导率、pH值、水温和氨氮。使用鱼菜标记法和生物量测量仪对生物每段时间的生物量数据进行记录，记录的生物量数据包括：鱼的质量、菜的质量以及投喂量。并对采集到的溶解氧数据、水质数据、气象数据以及生物量数据进行存储，以供后续对溶解氧进行预测。例如，可以每隔30分钟采集一次数据，并将各个点位采集到的数据通过可靠的通讯手段汇总并储存到汇聚节点处，以实现对系统全方位数据采集工作，保证了数据技术方案的科学严谨性，降低因考虑不周全而导致的系统参数预测准确性。

在上述实施例的基础上，在所述S0之后、所述S1之前包括：采用线性插值法对所述水质数据进行处理，采用均值平滑法对所述生物量数据进行处理，以及采用小波变化法对所述气象数据进行处理。

由于采集设备侵蚀导致传感器老化、性能下降、数据传输线路故障等原因；人为因素如增氧、清理系统杂物等，常常会给采集设备所采集的数据带来干扰，甚至数据丢失的情况，使得监测到的水质数据、气象数据出现异常波动。鱼菜共生系统是一个复杂多变的系统，多参数会相互影响，作用机理复杂，噪声和水质数据混杂交织，难以区分。上述原因导致采集到的数据中常有部分丢失和不可无视的噪声。若使用监测采集的原始数据直接用于溶解氧预测，将严重影响预测精度和可靠性，甚至完全误判。为此本发明实施例采用了几种快速有效的方法来数据进行修复处理。

使用线性插值法对水质数据进行修复处理，其具体公式如下：

式中X_k和X_k+j分别为已知k时刻和k+j时刻监测的水质数据，X_k+i为第k+i时刻缺失的水质数据值。若采集的水质数据丢失较多或采集时间间隔较大时，可以采用天气类型相同或相近的同时刻数据进行填补。

生物量数据具有时序性和延续性的特点，前后相邻时刻数据正常情况不会发生剧烈跳变，因此可以采用均值平滑法对生物量数据进行平滑处理，保证数据的连续完整。

由于气象数据变化幅度大，且传输距离长，空气介质不稳定，因此，采用信号处理中常使用到的小波变换法来剔除冗余信息和噪声数据的干扰，本发明实施例中采取对连续变量a，b和t施加不同的离散化条件，使连续小波及其变换进行离散化处理，具体如下：

则得到所对应的离散簇表达式定义为：

使用比较典型的小波变化法对采集到的气象数据进行数据修复和数据降噪处理，进一步增加数据的可靠性。

然后计算处理后的水质数据、气象数据和生物量数据各自与溶解氧的相关系数，然后根据计算得到的相关系数选取合适的模板样本。

在本发明实施例中，通过采用线性插值法对所述水质数据进行处理，采用均值平滑法对所述生物量数据进行处理，以及采用小波变化法对所述气象数据进行处理，提高模板样本的可靠性，进而提高溶解氧预测的准确性。

在上述实施例的基础上，在所述S0之后、所述S1之前还包括：对处理后的所述水质数据、所述气象数据以及所述生物量数据分别进行归一化处理。

为避免各种数据的量级差异，先采样归一化方法对处理后的水质数据、气象数据以及生物量数据进行无量纲化处理，将其归一映射在[0，1]的区间内，利用公式：

式中x′、x_min和x_max分别为输入数据、输入数据中的最小值和输入数据中的最大值，x为归一化后的值。这样可以保证模板样本中数据的量级统一，形成同量级数据。

然后将归一化后的水质数据、气象数据以及生物量数据各自对溶解氧求取相关系数，根据相关系数的大小关系，选取合适的数据作为模板样本，这样可以提高溶解氧的预测效率。

在上述实施例的基础上，所述S1进一步包括：根据皮尔森相关系数法获取所述水质数据、所述气象数据及所述生物量数据各自与所述溶解氧数据的相关系数。

其中，皮尔森相关系数(Pearson correlation coefficient)也称皮尔森积矩相关系数(Pearson product-moment correlation coefficient)，是一种线性相关系数。皮尔森相关系数是用来反映两个变量线性相关程度的统计量。相关系数用r表示，其中n为样本量，分别为两个变量的观测值和均值。r描述的是两个变量间线性相关强弱的程度。r的绝对值越大表明相关性越强。

具体地，在对采集到的水质数据、气象数据及生物量数据进行归一化处理后，则需要获取水质数据、气象数据及生物量数据各自与溶解氧数据的相关系数，在本发明实施例中采用皮尔森相关系数法获取相关系数，将水质数据、气象数据及生物量数据分别代入如下公式，

式中x_i、y_i表示向量x和y中第i个元素；分别为向量x和y中元素的平均值。经计算可以获得各数据参数与溶解氧之间的相关系数。

然后参照计算出的各数据参数与溶解氧的相关系数值，对数据进行筛选，本发明实施例中选取前六种数据参数作为模板样本数据，例如选取的前六种数据为湿度、氨氮、光照强度、水温、气温和投喂量。再根据选取的模板样本对水体溶解氧进行预测，这样可以提高溶解氧预测的效率。

以下对本发明实施例进行举例说明，但并不用于限制本发明的保护范围。以采集的2017年3月1日12:00至2017年3月30日12:00的数据作为第二预设时间内采集的数据，这里的数据包括：溶解氧数据、水质数据、气象数据以及生物量数据，以每30分钟采集的数据作为一组数据。水质数据包括电导率、pH值、水温和氨氮；所述气象数据包括：气温、湿度、光照强度和二氧化碳；所述生物量数据包括：系统中鱼的质量、菜的质量以及投喂量。并采用线性插值法对所述水质数据进行处理，采用均值平滑法对所述生物量数据进行处理，以及采用小波变化法对所述气象数据进行处理，提高数据的准确性和稳定性。再对处理后的所述水质数据、所述气象数据以及所述生物量数据分别进行归一化处理，以便后续进行相关系数的计算。

然后采用皮尔森相关系数法获取溶解氧数据与水质数据、气象数据以及生物量数据之间各自的相关系数。将水质数据、气象数据及生物量数据分别代入如下公式，

经计算得到其各自与溶解氧的相关系数值，结果如下表：

数据参数与溶解氧的相关系数

表1

然后参照计算出的各数据参数与溶解氧的相关系数表，对数据进行筛选，本发明实施例中选取前六种数据参数作为模板样本数据，即前六种数据为湿度、氨氮、光照强度、水温、气温和投喂量，那么模板样本中包含有每隔30分钟采集一次的湿度、氨氮、光照强度、水温、气温和投喂量这六种数据，总共采集30天，即模板样本中共有8640个数据，每组数据有6个数据参数，因此构成1440组数。

再通过K-means聚类法按照第一预设时间段对得到的模板样本进行分类，例如这里的第一预设时间段为一天，采用一天共48组数据量为一簇，即U＝{x₁，x₂，…，x_n}，U为8640个总数据，x_n为第n天的样本数据。每天48个时刻的采集数据构成一天的样本数据x，同时每个样本数据中有6种参数，为此可以使用数据矩阵表示为：

其中x_i为第i天的样本，m为数据参数，t为采集时刻，其中t＝48。任意指定这1440组数中的一个48组数作为簇中心；计算模板样本与所有簇中心之间的相似度(距离)；确定模板样本归属，当相似度大于阈值则形成新簇；重新计算聚类后所得簇的簇中心，重复步骤2～3直到每个簇不再发生变化为止。这样按不同的相似度值进行分类，得到不同的聚类结果，即分为几种不同相似度的类型，例如，划分为：加水区类型、趋于稳定区的类型、稳定区的类型等。

按照获取模板样本的方法获取预测时刻前第一预设时间段内的预测样本，例如，获取2017年3月30日12:00前一天的数据作为预测样本。然后在分类后的模板样本中识别出于预测样本最为相似的模板样本作为训练样本，再对训练样本进行训练以建立预测模块，再将预测样本输入建立好的预测模型中，则输出2017年3月30日12:00后一天的水体溶解氧预测结果。

在上述实施例的基础上，所述S2中在所述分类的模板样本中识别出与所述预测样本相似的训练样本进一步包括：根据基于欧式距离和夹角余弦原理获取的相似度，在所述分类的模板样本中识别出与所述预测样本相似的训练样本。

其中，欧氏距离(euclidean metric)(也称欧几里得度量)是一个通常采用的距离定义，指在m维空间中两个点之间的真实距离，或者向量的自然长度(即该点到原点的距离)。在二维和三维空间中的欧氏距离就是两点之间的实际距离。

具体地，在采用K-means聚类法对得到的模板样本进行分类后，各聚类后的模板样本中心按照平均公式计算：

式中第i类模板样本包括p个样本数据。为了综合考虑历史数据中的数值信息和趋势信息，本发明实施例采取了一种新型相似度计量，计算公式如下：

D_xy＝αd_xy+βD_{cos xy}

式中样本x和样本y在i时刻、j数据参数的数值分别用x_ij、y_ij表示，且x_ij和y_ij均在[0，1]之间。样本中第j个数据参数的权值用σ_j表示；α和β为欧式距离d_xy和夹角余弦D_{cos xy}的权重系数，相似度统计量由值系数和形系数两项共同决定。α+β＝1，不同蓄水时间段的取值会不同，大量新水加入时，α应取1，否则接近0。然后按照欧式距离和夹角余弦计算得到相似度，再按照相似度选取与预测样本(即，预测时刻前第一预设时间段内的预测样本)最相似的模板样本作为训练样本，并对该训练样本进行训练和预测，以建立预测模型。最后将预测样本输入到建立好的预测模型中，即可输出预测时刻后一段时间的水体溶解氧预测结果，例如，预测时刻后一天的溶解氧预测结果。

在本发明实施例中，通过采用欧式距离及夹角余弦原理和中心点计算公式来识别出与预测样本相似的模板样本作为训练样本，可以精确地在模板样本中识别出与预测样本相似的模板样本，提高水体溶解氧预测的精确性。

在上述实施例的基础上，所述S3中对所述训练样本进行训练进一步包括：采用模糊神经网络对所述训练样本进行训练。

其中，模糊神经网络就是模糊理论同神经网络相结合的产物，它汇集了神经网络与模糊理论的优点，集学习、联想、识别、信息处理于一体。

具体地，在采用模糊神经网络对训练样本进行训练和预测时，需要先建立模糊神经网络系统，在本发明实施例中选定模糊神经网络系统为三层，包括：输入层，隐含层和输出层，网络的拓扑结构如图3所示；由于本发明实施例的训练样本中包括6个数据参数，故输入层采用6维输入模式；输出层采用一个单输出模式；隐含层神经元14个，输入层和隐含层之间的激活函数为f。

对与预测样本相似的模板样本进行划分，取其五分之四作为训练数据，剩下的五分之一作为预测数据，利用模糊神经网路对训练数据进行训练，训练后通过预测数据进行反向修正；取1440组数据中的前五分之四组数据作为训练数据，即取前1152组数据作为训练数据，剩余288组作为预测数据。将与预测样相似的模板样本按照系统构建的六维输入模式放入模糊神经网络系统的输入层；将与之对应的溶解氧数据样本放入系统构建的单输出模式的输出层。然后通过模糊神经网络对1152组数据进行训练，不断反馈循环修正参数；利用288组数据进行预测仿真，检验预测结果的准确性；最终训练出成型的神经网络模型。

将预测时刻前第一预设时间段内的预测样本，例如，2017年3月30日12:00前一天内的数据作为预测样本，即预测样本有48组数据，将这48组数据输入建立好的神经网络模型中，即可输出2017年3月30日12:00后一天的水体溶解氧预测结果。

在本发明实施例中，通过采用模糊神经网络对所述训练样本进行训练以建立预测模型，再将预测样本输入预测模型中，即可输出未来一段时间的溶解氧预测结果，以达到能够准确预测水体溶解氧的目的。

图4为本发明实施例提供的水体溶解氧预测装置的结构图，如图4所示，该装置包括：获取模块401、处理模块402、模型建立模块403和预测模块404。获取模块401用于获取水质数据、气象数据及生物量数据各自与溶解氧数据的相关系数，并根据所述相关系数选取模板样本；处理模块402用于通过K-means聚类法按照第一预设时间段对所述模板样本进行分类，并在所述分类的模板样本中识别出与所述预测样本相似的模板样本作为训练样本；模型建立模块403用于对所述训练样本进行训练，以建立预测模型；预测模块404用于将所述预测样本输入所述预测模型，以获得未来第一预设时间段内的溶解氧预测值。

在本发明实施例中将该水体溶解氧预测装置应用于鱼菜共生系统中，但并不用于限制本发明的保护范围。具体地，在预测鱼菜共生系统中水体的溶解氧时，先通过获取模块401获取水质数据、气象数据及生物量数据各自与溶解氧数据的相关系数，例如，溶解氧与鱼菜共生系统中水温的相关系数为0.43、溶解氧与鱼菜共生系统中气温的相关系数为0.34、溶解氧与鱼菜共生系统中鱼的质量的相关系数为0.21等等。然后将获取到的相关系数按照大小进行排列，获取模块401根据需要选取靠前的影响因子作为模板样本，例如，选取前6种或者8种影响因子作为模板样本。这样在保证准确性的基础上，可以提高溶解氧的预测效率。

鱼菜共生系统属于循环水系统，受水质变化影响较大，因此加水对系统的影响与其他因素的影响不在同一量级，所以需要将加水率单独算一重要影响因子权重。加水率会对溶解氧数据的变化规律带来较为明显的变化，为了避免预测时这种多变情况导致溶解氧的预测精度下降、收敛速度变慢等问题，处理模块402采用K-means聚类方法按照第一预设时间段将模板样本进行智能化分类，例如，第一预设时间段为一天，如图2所示。将模板样本进行分类可以优化模板样本的结构性，将模板样本优化成几种不同相似度的类型，便于处理模块402在分类的模板样本中识别出与预测样本具有高相似度的模板样本作为后续训练的训练样本，从而提高预测的精准度。

获取模块401还用于获取预测时刻前第一预设时间段内的预测样本，例如，预测时刻为2017年3月30日12点30分，则可以获取2017年3月30日12点30分前一天的数据作为预测样本。然后处理模块402在分类好的模板样本中识别出与预测样本相似的模板样本作为训练样本，模型建立模块403在对该训练样本进行训练和预测，以建立预测模型。最后预测模块404将预测样本输入到预测模型中，从而获得预测时刻后第一预设时间段内的溶解氧预测值，例如，获得2017年3月30日12点30分后一天的溶解氧预测值。

本发明实施例与现有技术相比，通过获取模块采用相关系数选取模板样本，然后处理模块采用K-means聚类法按照第一预设时间段对模板样本进行分类，在分类的模板样本中识别出与预测样本最为相似的模板样本作为训练样本，模型建立模块再对训练样本进行训练以建立预测模型，最后预测模块将预测样本输入预测模型，以获得未来第一预设时间段内的溶解氧预测值。该预测装置具有较高的预测精度及较强的适应度，并且在预测稳定性和精度上，有较好的鲁棒性和复杂线性映射能力，特别适合于易受环境等外界因素影响的鱼菜共生系统的水体溶解氧预测。

上述各实施例提供的水体溶解氧预测方法及装置，采用相关系数选取模板样本，这是利用了主成分分析的方法，提高溶解氧的预测效率。然后采用K-means聚类法对模板样本进行智能化分类，优化模板样本的结构性，将模板样本优化成几种不同相似度的类型。之后采用欧式距离及夹角余弦原理和中心点计算公式来完成预测样本的分类识别功能，精确地在模板样本中寻找出与预测样本相似的模板样本最为训练样本，降低了因外界不可抗逆的条件对系统带来的误差因素，从而提高了预测的适应性和精准度。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种水体溶解氧预测方法，其特征在于，包括：

将预测样本输入通过训练基于K-means聚类法分类识别的训练样本建立的预测模型，获得未来第一预设时间段内的溶解氧预测值。

2.根据权利要求1所述的方法，其特征在于，进一步包括：

S1，获取水质数据、气象数据及生物量数据各自与溶解氧数据的相关系数，并根据所述相关系数选取模板样本；

S2，通过K-means聚类法按照所述第一预设时间段对所述模板样本进行分类，在所述分类的模板样本中识别出与所述预测样本相似的模板样本作为训练样本；

S3，对所述训练样本进行训练，以建立预测模型。

3.根据权利要求2所述的方法，其特征在于，在所述S1之前还包括S0，采集并存储第二预设时间段内的溶解氧数据、水质数据、气象数据以及生物量数据。

4.根据权利要求3所述的方法，其特征在于，在所述S0之后、所述S1之前包括：

采用线性插值法对所述水质数据进行处理，采用均值平滑法对所述生物量数据进行处理，以及采用小波变化法对所述气象数据进行处理。

5.根据权利要求4所述的方法，其特征在于，在所述S0之后、所述S1之前还包括：

对处理后的所述水质数据、所述气象数据以及所述生物量数据分别进行归一化处理。

6.根据权利要求2所述的方法，其特征在于，所述S1进一步包括：

根据皮尔森相关系数法获取所述水质数据、所述气象数据及所述生物量数据各自与所述溶解氧数据的相关系数。

7.根据权利要求2所述的方法，其特征在于，所述S2中在所述分类的模板样本中识别出与所述预测样本相似的模板样本作为训练样本进一步包括：

根据基于欧式距离和夹角余弦原理获取的相似度，在所述分类的模板样本中识别出与所述预测样本相似的模板样本作为训练样本。

8.根据权利要求2所述的方法，其特征在于，所述S3中对所述训练样本进行训练进一步包括：

采用模糊神经网络对所述训练样本进行训练。

9.一种水体溶解氧预测装置，其特征在于，包括：

预测模块，用于将预测样本输入通过训练基于K-means聚类法分类识别的训练样本建立的预测模型，获得未来第一预设时间段内的溶解氧预测值。

10.根据权利要求9所述的装置，其特征在于，还包括：

获取模块，用于获取水质数据、气象数据以及生物量数据各自与溶解氧数据的相关系数，并根据所述相关系数选取模板样本；

处理模块，用于通过K-means聚类法按照所述第一预设时间段对所述模板样本进行分类，在所述分类的模板样本中识别出与所述预测样本相似的模板样本作为训练样本；

模型建立模块，用于对所述训练样本进行训练，以建立预测模型。