CN107480775B - 一种基于数据修复的池塘溶解氧预测方法 - Google Patents

Abstract

本发明公开了一种基于数据修复的池塘溶解氧预测方法，该预测方法包括确定预测对象、定义气象综合指数、数据修复、GRNN神经网络模型构建、初始化GRNN神经网络和训练神经网络这几个步骤，本发明涉及到与池塘溶解氧预测相关的气象因子和水产养殖环境因子中的11个指标参数，将这11个指标参数作为输入量，基于气象环境数据和水质数据短时间的连续性，利用气象综合指数和线性插值法对传感器采集中丢失和发生异常的数据进行修复，将溶解氧浓度作为输出量，确定GRNN神经网络预测模型，GRNN 网络模型与传统 BP模型的溶解氧预测训练效果相比，GRNN算法相较于 BP 算法有更高的精度，能较好的反映一段时间内池塘溶解氧变化的基本趋势。

Description

一种基于数据修复的池塘溶解氧预测方法

技术领域

本发明涉及一种池塘溶解氧预测方法，尤其涉及一种基于数据修复的池塘溶解氧预测方法。

背景技术

集约化的水产养殖在未来的水产养殖中将占有重要地位。溶解氧的预测是水产养殖管理中一项非常重要的工作，如何在获取溶解氧浓度信息，并及时在低浓度溶氧发生之前采取增氧措施是集约化工厂化水产养殖过程中的重要问题。通过现代信息技术手段进行溶解氧预测能够为集约化工厂化养殖提供水质管理和控制的重要参考依据，从而达到降低养殖风险、提高经济效益的目的。

目前，现有技术中有使用遗传算法和BP神经网络从气压、气温、降雨量、光照强度，风速、风向和空气湿度等气象指标建立模型，预测池塘溶解氧浓度；有使用最小二乘支持向量回归机从预定时段内的水质指标和相关气象因子数据出发获取溶解氧浓度预测值；另外，还有使用利用蚁群算法优化最小二乘支持向量机的惩罚因子和核函数宽度参数从而建立溶解氧预测模型，各种预测方法在实际的溶解氧预测中仍然会存在一定的误差。

发明内容

为了解决现有技术中存在的不足，本发明提供了一种基于数据修复的池塘溶解氧预测方法，分析了池塘溶解氧与气象因子和水产养殖环境因子之间的关系，引入气象综合指数作为数据修复的参考依据，使用GRNN神经网络对池塘溶解氧进行预测，并取得了较好的效果。

本发明为实现上述目的，采用如下技术方案：

一种基于数据修复的池塘溶解氧预测方法，其特征在于包括以下几个步骤：

(1)确定预测对象，针对集约化、工厂化水产中的池塘溶解氧进行预测，定义气象因子和水产养殖环境因子两大影响因素，与两大影响因素相关的b个指标参数构成溶解氧预测的基本输入变量，将溶解氧浓度作为预测输出变量，b为正整数；

(2)定义气象综合指数，获得气象综合指数评价结果；

首先，定义m个气象因素作为气象综合指数的评价指标，确定因子分析法进行气象综合指数的评定，m为小于b的正整数；

其次，确定特征因子，并计算各得分因子的系数；采用因子分析法中的主成分分析为因子提取的方法，以特征值大于1的因子为公共因子，按照特征值大于1为准则，从多个气象综合指数的评价指标中提取j个公因子作为气象综合指数的评价；并定义它们分别为F₁，F₂，…,F_j；j为小于m的正整数；

通过式(1)计算j个公共因子的得分：

F_ij＝∑X_imia_mj (1)

式中：i表示评估气象综合指数的样本数，j表示提取的公共因子数，m代表指标体系的评价指标数，F_ij为第i组样本第j个因子得分，a_mj为第m个变量在第j因子上的得分系数，X_im为第j个因子在第m个变量上的数值；

最后，获得气象综合指数评价结果，确定光照特征因子F₁-F_j这几个公因子的方差贡献率作为公因子权重系数，通过加权法，获得池塘气象综合指数的评价结果，计算公式如下式：

式中：MI_i为气象综合指数得分，W_j为j个公共因子方差贡献率，F_ij为因子得分；

(3)数据修复与数据标准化处理，过程如下：

首先，对数据采集过程中前后时间间隔较小的丢失数据，使用线性插值法进行插补，公式如下：

式中，x_k和x_k+j分别为已知k时刻和k+j时刻的监测水质数据，x_k+i为k+i时刻丢失的水质监测数据值；当时间间隔较大时，选择气象综合指数差值最小的相同时刻的数据进行填补；

其次，若某时刻水质数据的浮动超过前后相邻时刻监测数据值的10％，则认为该数据为“脏”数据，选择气象综合指数差值最小的相同时刻的数据进行替换，并保证替换数据与前后相邻时刻差值不超过10％；

最后，对指标进行标准化处理，针对逆指标采取取负值的正向化方法，公式如下：

X′＝-X (4)

完成指标的正向化后，使用较为目前广泛使用的Z分值法作为标准化方法，标准化公式为：

式中：n为评价年份数；

为X_mn的均值；S_n为X_mn的标准差；原数据经标准化处理后，得到的标准化值Z_mn的均值为0，方差为1；

(4)GRNN神经网络模型构建，过程如下：

构建的GRNN网络结构包含输入层、模式层、求和层和输出层；设置输入变量为X＝[X₁,X₂,…,X_n]^T，输出层为Y＝[Y₁,Y₂,…,Y_k]^T，X_i,Y_i分别为神经网络的输入变量值和输出变量值，σ为高斯函数的宽度系数，也可称为光滑因子,评价年份数n作为为模式层神经元数目，各神经元对应不同的样本，则其模式层传递函数表达式为：

p_i＝exp[-(X-X_i)^T(X-X_i)/2σ²] i＝1,2,...,n (6)

在求和层中，求和方式是基于两种类型的神经元，在计算公式为

的一类中，它对所有模式层神经元的输出进行算数求和，其模式层与各神经元的连接权值为1，传递函数为：

在计算公式为

的这类中，它是对所有模式神经元进行加权求和，模式层中第i个神经元与求和层中第j个分子求和神经元之间的连接权值为第i个输出样本Y_i中的第j个元素，其传递函数为：

输出层中的神经元数目等于样本中输出向量维数k，将各神经元求和层的输出相除，即得到神经元j输出对应估计结果

的第j个元素：

y_j＝S_Nj/S_D (9)

(5)初始化GRNN神经网络：

确定神经网络输入层神经元n个，输出层神经元为1个，确定初始参数SPREAD＝0.1；GRNN神经网络输入表示为x₁，x₂,…,x_n，神经网络期望输出表示为y；

(6)训练神经网络：

基于数据处理的GRNN神经网络，采用线性插值法对丢失或发生异常的数据进行修复；以GRNN神经网络输出的误差为迭代依据，从而确定最优参数SPREAD值，再将参数用于GRNN网络，最终输出符合精度要求的结果。

其进一步特征在于：所述气象因子相关的指标参数包括CO₂含量、气温、气压、湿度、光合有效辐射、辐射照度、照度、风速、风向；水产养殖环境因子相关的指标参数包括PH值、水温。

进一步的：所述F₁，F₂，…,F_j，j＝4，分别定义为光照特征因子F₁、温湿度特征因子F₂、风级特征因子F₃和压强特征因子F₄。

本发明达到的有益效果是：本发明涉及到与池塘溶解氧预测相关的气象因子和水产养殖环境因子中的11个指标参数，将这11个指标参数作为输入量，基于气象环境数据和水质数据短时间的连续性，利用气象综合指数和线性插值法对传感器采集中丢失和发生异常的数据进行修复，将溶解氧浓度作为输出量，确定GRNN神经网络预测模型，

GRNN网络模型与传统BP模型的溶解氧预测训练效果相比，GRNN算法相较于BP算法有更高的精度，能较好的反映一段时间内池塘溶解氧变化的基本趋势。

附图说明

图1是本发明中池塘溶解氧预测流程图。

图2是池塘溶解氧在GRNN网络模型训练样本图。

图3是池塘溶解氧在BP网络模型下的训练样本图。

具体实施方式

以下结合附图和具体实施方式对本发明作进一步的详细描述：

如图1所示，一种基于数据修复的池塘溶解氧预测方法，该预测方法包括以下几个步骤：

步骤一：确定预测对象，针对集约化工厂化水产中的池塘溶解氧进行预测，定义气象因子和水产养殖环境因子两大影响因素，与两大影响因素相关的11个指标参数构成溶解氧预测的基本输入变量，将溶解氧浓度作为预测输出变量；

池塘溶解氧浓度往往与养殖水体和气候条件存在一定的关联性。然而，影响溶解氧浓度的因素无法全部列出并获取。鉴于相关研究人员和渔民最关心的几个方面，选择水质环境和气象环境两项作为溶解氧预测因子。本发明从水质环境和气象环境两个方面分析和研究溶解氧预测的基本输入输出模型。

水质环境：水质环境因子从水体的酸碱度和水体温度两项指标上得以体现。

气象环境：CO₂、气温、气压、湿度、光合有效辐射、辐射照度、照度、风速、风向等都是体现水产养殖气象环境的重要因素。

发明仅将上述两个方面中的11个因子组合在一起，构成池塘溶解氧基本输入输出模型，具体如表1所示：

表1池塘溶解氧预测输入输出模型

步骤二：定义气象综合指数，获得气象综合指数评价结果

首先，定义CO₂、气温、气压、湿度、光合有效辐射、辐射、光照强度、风速、风向等九个气象因素作为气象综合指数的评价指标，确定因子分析法进行气象综合指数的评定。

其次，确定特征因子，并计算各得分因子的系数。采用因子分析法中的主成分分析为因子提取的方法，以特征值大于1的因子为公共因子，按照特征值大于1为准则，确认从9个评价指标中提取4个公因子作为气象综合指数的评价是合理的；并定义它们分别为光照特征因子F₁、温湿度特征因子F₂、风级特征因子F₃和压强特征因子F₄。

通过式(1)计算4个公共因子的得分：

F_ij＝∑X_im·a_mj (1)

式中：i∈[1，1643]表示评估气象综合指数的样本数，j∈[1，4]表示提取的公共因子数，m∈[1，9]代表指标体系的9个指标变量，F_ij为第i组样本第j个因子得分，a_mj为第m个变量在第j因子上的得分系数，x_im为第j个因子在第m个变量上的数值；

最后，获得气象综合指数评价结果，确定光照特征因子F₁、温湿度特征因子F₂、风级特征因子F₃和压强特征因子F₄这4个公因子的方差贡献率作为公因子权重系数，通过加权法，获得池塘气象综合指数的评价结果，计算公式如下式：

式中：MI_i为气象综合指数得分，W_j为4个公共因子方差贡献率，F_ij为因子得分；

步骤三：数据修复与数据标准化处理，过程如下：

首先，对数据采集过程中前后时间间隔较小的丢失数据，使用线性插值法进行插补，公式如下：

式中，分别小x_k和x_k+j为已知k时刻和k+j时刻的监测水质数据，x_k+i为k+i时刻丢失的水质监测数据值。当时间间隔较大时，选择气象综合指数差值最小的相同时刻的数据进行填补。

其次，基于水质数据在时间序列上的连续性，相邻时刻的监测数据一般不会发生剧烈跳变，经分析，若某时刻水质数据的浮动超过前后相邻时刻监测数据值得10％，则认为该数据为“脏”数据，可选择气象综合指数差值最小的相同时刻的数据进行替换，并保证替换数据与前后相邻时刻差值不超过10％。

最后，对指标进行标准化处理，针对逆指标采取取负值的正向化方法，公式如下：

X'＝-X (4)完成指标的正向化后，使用较为目前广泛使用的Z分值法(Z－score法)作为标准化方法，标准化公式为：

式中：m为指标变量的个数；n为评价年份数；

为X_mn的均值；S_n为X_mn的标准差；原数据经标准化处理后，得到的标准化值Z_mn的均值为0，方差为1；

步骤四：GRNN神经网络模型构建，过程如下：

构建的GRNN网络结构包含输入层、模式层、求和层和输出层。设置输入变量为X＝[X₁,X₂,…,X_n]^T，输出层为Y＝[Y₁,Y₂,…,Y_k]^T，X_i,Y_i分别为神经网络的输入变量值和输出变量值，σ为高斯函数的宽度系数，也可称为光滑因子,评价年份数n作为为模式层神经元数目，各神经元对应不同的样本，则其模式层传递函数表达式为：

p_i＝exp[-(X-X_i)^T(X-X_i)/2σ²] i＝1,2,...,n (6)

在求和层中，求和方式是基于两种类型的神经元，在计算公式为

的一类中，它对所有模式层神经元的输出进行算数求和，其模式层与各神经元的连接权值为1，传递函数为：

在计算公式为

的这类中，它是对所有模式神经元进行加权求和，模式层中第i个神经元与求和层中第j个分子求和神经元之间的连接权值为第i个输出样本Y_i中的第j个元素，其传递函数为：

输出层中的神经元数目等于样本中输出向量维数k,将各神经元求和层的输出相除，即得到神经元j输出对应估计结果

的第j个元素：

y_j＝S_Nj/S_D (9)

本模型中选择2015年8月23日至10月31日期间采集的溶解氧数据进行预测。整个预测过程首先利用气象综合指数和线性插值法对数据采集过程中丢失和异常的数据进行修复，最终形成修复后的1643个数据集，确定前1619个溶解氧数据作为训练集，后24个数据作为测试集。再利用构建的GRNN神经网络模型进行训练。鉴于预测模型过程中的对比原则，本文选择BP神经网络对未经数据修复的数据集进行对比预测，实验结果显示本模型中的预测效果较好，能快速、有效地完成池塘溶解氧的预测和分析。

步骤五：初始化GRNN神经网络

确定神经网络输入层神经元n个，输出层神经元为1个，确定初始参数SPREAD＝0.1；GRNN神经网络输入表示为x₁，x₂,…,x_n，神经网络期望输出表示为y；

步骤六：训练神经网络：

基于数据处理的GRNN神经网络，采用线性插值法对丢失或发生异常的数据进行修复。以GRNN神经网络输出的误差为迭代依据，从而确定最优参数SPREAD值，再将参数用于GRNN网络，最终输出符合精度要求的结果。

本发明选取池塘溶解氧浓度作为预测评估的对象。在GRNN神经网络的模型中训练发现，由于溶解氧预测输入指标的量纲不一样，会在一定程度上对结果产生影响。本发明中引入数据标准化方法来消除不同指标量纲上的差异性。

如图2、图3所示，使用数据修复后的GRNN神经网络模型和传统BP网络模型分别进行样本的训练，在多次训练后均选择较好的训练结果，获得1614个溶解氧浓度的拟合结果图。其中，各图中的横坐标均为样本按顺序排列的序号，纵坐标为相应的浓度值。

综合GRNN神经网络模型的溶解氧预测的训练效果图，可以发现总体训练效果较好，能反应实际溶解氧变化趋势。模型在435-441号样本和1367-1373号样本之间的平均相对误差绝对值(MPE)要达到35％，但相较传统的BP神经网络模型，其MPE最大达到120％。通过对这些波动较大的点进行分析发现，这两段预测误差较大的连续样本点均出现在工作人员未及时清理溶解氧传感器的时间段中，另外其它较高误差点基本均出现在当天的3点到6点的时间段内，该时间段为溶解氧在一天24小时中最低的时间，溶解氧传感器的洁净程度和环境中废弃物在这种条件下极易造成较大的误差。

模型结果分析：

根据以上训练的网络模型对2015年10月31日24小时的溶解氧浓度进行预测，可以得到其对应的预测值和相对误差绝对值(APE)。为了校核该模型的准确性，将24组数据分别输入BP神经网络和GRNN神经网络两种模型中进行预测，对比结果见表2。

表2 GRNN和BP算法的池塘溶解氧预测结果对比

对比结果显示，使用GRNN网络模型预测时，预测的结果明显比BP网络模型要好。GRNN和BP神经网络模型的溶解氧预测平均相对误差绝对值分别为7.48％、22.39％，最大相对误差绝对值分别为24.13％、44.72％。溶解氧预测误差绝对值小于0.5mg/L^-1的准确率分别为70.83％、29.2％，溶解氧预测误差绝对值小于1mg/L^-1的准确率分别为87.5％、58.3％。。

本发明从池塘溶解氧历史数据出发，提出基于数据修复的GRNN神经网络算法对池塘溶解氧进行预测，利用因子分析法评估养殖环境的气象综合指数，使用线性插值法，对传感器采集过程中丢失和异常的数据进行修复，最终构建GRNN神经网络模型。该方法能有效地克服因数据采集过程中丢失数据或发生异常产生的问题，有效地提高GRNN神经网络训练和预测的精度。应用此模型对池塘溶解氧浓度进行预测，预测结果表明模型在精度和收敛速度上都得到了提高。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于数据修复的池塘溶解氧预测方法，其特征在于包括以下几个步骤：

(1)确定预测对象，针对集约化、工厂化水产中的池塘溶解氧进行预测，定义气象因子和水产养殖环境因子两大影响因素，与两大影响因素相关的b个指标参数构成溶解氧预测的基本输入变量，将溶解氧浓度作为预测输出变量，b为正整数；

(2)定义气象综合指数，获得气象综合指数评价结果；

首先，定义m个气象因素作为气象综合指数的评价指标，确定因子分析法进行气象综合指数的评定，m为小于b的正整数；

其次，确定特征因子，并计算各得分因子的系数；采用因子分析法中的主成分分析为因子提取的方法，以特征值大于1的因子为公共因子，按照特征值大于1为准则，从多个气象综合指数的评价指标中提取j个公因子作为气象综合指数的评价；并定义它们分别为F₁，F₂，…,F_j；j为小于m的正整数；

通过式(1)计算j个公共因子的得分：

F_ij＝∑X_imga_mj (1)

式中：i表示评估气象综合指数的样本数，j表示提取的公共因子数，m代表指标体系的评价指标数，F_ij为第i组样本第j个因子得分，a_mj为第m个变量在第j因子上的得分系数，X_im为第j个因子在第m个变量上的数值；

最后，获得气象综合指数评价结果，确定光照特征因子F₁-F_j这几个公因子的方差贡献率作为公因子权重系数，通过加权法，获得池塘气象综合指数的评价结果，计算公式如下式：

式中：MI_i为气象综合指数得分，W_j为j个公共因子方差贡献率，F_ij为因子得分；

(3)数据修复与数据标准化处理，过程如下：

首先，对数据采集过程中前后时间间隔小的丢失数据，使用线性插值法进行插补，公式如下：

式中，x_k和x_k+j分别为已知k时刻和k+j时刻的监测水质数据，x_k+i为k+i时刻丢失的水质监测数据值；当时间间隔大时，选择气象综合指数差值最小的相同时刻的数据进行填补；

其次，若某时刻水质数据的浮动超过前后相邻时刻监测数据值的10％，则认为该数据为“脏”数据，选择气象综合指数差值最小的相同时刻的数据进行替换，并保证替换数据与前后相邻时刻差值不超过10％；

最后，对指标进行标准化处理，针对逆指标采取取负值的正向化方法，公式如下：

X′＝-X (4)

完成指标的正向化后，使用Z分值法作为标准化方法，标准化公式为：

式中：n为评价年份数；

为X_mn的均值；S_n为X_mn的标准差；原数据经标准化处理后，得到的标准化值Z_mn的均值为0，方差为1；

(4)GRNN神经网络模型构建，过程如下：

构建的GRNN网络结构包含输入层、模式层、求和层和输出层；设置输入变量为X＝[X₁,X₂,…,X_n]^T，输出层为Y＝[Y₁,Y₂,…,Y_k]^T，X_i,Y_i分别为神经网络的输入变量值和输出变量值，σ为高斯函数的宽度系数，也可称为光滑因子,评价年份数n作为模式层神经元数目，各神经元对应不同的样本，则其模式层传递函数表达式为：

p_i＝exp[-(X-X_i)^T(X-X_i)/2σ²]i＝1,2,...,n (6)

在求和层中，求和方式是基于两种类型的神经元，在计算公式为

的一类中，它对所有模式层神经元的输出进行算数求和，其模式层与各神经元的连接权值为1，传递函数为：

在计算公式为

的这类中，它是对所有模式神经元进行加权求和，模式层中第i个神经元与求和层中第j个分子求和神经元之间的连接权值为第i个输出样本Y_i中的第j个元素，其传递函数为：

输出层中的神经元数目等于样本中输出向量维数k，将各神经元求和层的输出相除，即得到神经元j输出对应估计结果

的第j个元素：

y_j＝S_Nj/S_D (9)

(5)初始化GRNN神经网络：

确定神经网络输入层神经元n个，输出层神经元为1个，确定初始参数SPREAD＝0.1；GRNN神经网络输入表示为x₁，x₂,…,x_n，神经网络期望输出表示为y；

(6)训练神经网络：

基于数据处理的GRNN神经网络，采用线性插值法对丢失或发生异常的数据进行修复；以GRNN神经网络输出的误差为迭代依据，从而确定最优参数SPREAD值，再将参数用于GRNN网络，最终输出符合精度要求的结果。

2.根据权利要求1所述的基于数据修复的池塘溶解氧预测方法，其特征在于：所述气象因子相关的指标参数包括CO₂含量、气温、气压、湿度、光合有效辐射、辐射照度、照度、风速、风向；水产养殖环境因子相关的指标参数包括PH值、水温。

3.根据权利要求2所述的基于数据修复的池塘溶解氧预测方法，其特征在于：所述F₁，F₂，…,F_j，j＝4，分别定义为光照特征因子F₁、温湿度特征因子F₂、风级特征因子F₃和压强特征因子F₄。

Images