CN111080464A - 一种池塘养殖水质关键因子预测方法及装置 - Google Patents
一种池塘养殖水质关键因子预测方法及装置 Download PDFInfo
- Publication number
- CN111080464A CN111080464A CN201911185312.3A CN201911185312A CN111080464A CN 111080464 A CN111080464 A CN 111080464A CN 201911185312 A CN201911185312 A CN 201911185312A CN 111080464 A CN111080464 A CN 111080464A
- Authority
- CN
- China
- Prior art keywords
- parameters
- network model
- neural network
- water quality
- key factor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 101
- 230000007613 environmental effect Effects 0.000 claims abstract description 86
- 238000003062 neural network model Methods 0.000 claims abstract description 73
- 230000000306 recurrent effect Effects 0.000 claims abstract description 58
- 239000013598 vector Substances 0.000 claims abstract description 58
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 description 16
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 9
- 229910052760 oxygen Inorganic materials 0.000 description 9
- 239000001301 oxygen Substances 0.000 description 9
- 238000009360 aquaculture Methods 0.000 description 5
- 244000144974 aquaculture Species 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 241000251468 Actinopterygii Species 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 208000035240 Disease Resistance Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 235000012631 food intake Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Agronomy & Crop Science (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种池塘养殖水质关键因子预测方法及装置，该方法包括：将环境参数的时间序列，输入至预设的循环神经网络模型；根据所述循环神经网络模型的输出结果，确定预设时长之后的关键因子预测值；其中，所述循环神经网络模型，根据样本时间序列的训练集作为输入，标签向量作为输出标签进行训练后得到；样本时间序列是包括多个环境参数的序列，并将环境参数的序列作为训练集，将待预测的关键因子结果作为标签向量；所述预设时长根据标签向量和训练集的时间差值确定；所述环境参数包括水质参数和气象参数。该方法能够实现高效率的关键因子预测，有效提高输入的环境参数时间序列和关键因子之间的关联性，从而提高输出结果的准确性。
Description
技术领域
本发明涉及池塘养殖水质调控领域，尤其涉及一种池塘养殖水质关键因子预测方法及装置。
背景技术
目前，水产品产量一直有较大的规模。池塘养殖是水产养殖主导模式，池塘养殖面积约占养殖总面积的35％左右，而其产量约占总产量的65％以上。池塘养殖水环境是水产品赖以生存的栖息地，“养鱼先养水”，恶劣的养殖环境将直接影响水产品的健康生长和发育，甚至导致水产品疾病的爆发和大面积死亡，对养殖户造成不可估量的损失。为此，对养殖水质关键因子进行预测，适时调控水质，是严防水质恶化、疾病爆发、降低养殖风险、确保水产品健康生长的关键。
池塘养殖环境复杂，既包括溶解氧、水温、pH、电导率和浊度等水质因子，也包括大气温度、大气湿度、气压、太阳辐射等气象因子。养殖水质的好坏直接影响养殖水产品的摄食量、饵料转化率和抗病能力，是造成养殖鱼类减产和病害的最重要因素。恶劣的养殖环境会对养殖水产品的正常生长造成不利影响，甚至导致水产品大面积死亡，对养殖户造成不可估量的损失，也不利于整个水产养殖行业的健康发展。
如何对池塘养殖水质关键因子进行预测，是一个亟待解决的问题。
发明内容
为了解决上述问题，本发明实施例提供一种池塘养殖水质关键因子预测方法及装置。
第一方面，本发明实施例提供一种池塘养殖水质关键因子预测方法，包括：将环境参数的时间序列，输入至预设的循环神经网络模型；根据所述循环神经网络模型的输出结果，确定预设时长之后的关键因子预测值；其中，所述循环神经网络模型，根据样本时间序列的训练集作为输入，标签向量作为输出标签进行训练后得到；样本时间序列是包括多个环境参数的序列，并将环境参数的序列作为训练集，将待预测的关键因子结果作为标签向量；所述预设时长根据标签向量和训练集的时间差值确定；所述环境参数包括水质参数和气象参数。
进一步地，所述将环境参数的时间序列，输入至预设的循环神经网络模型之前，还包括：获取序列长度为q的环境参数样本；根据预设的错开位数s，将1至q-s的序列作为训练集，s+1至q的序列中关键因子的结果作为标签向量；利用所述训练集和标签向量，对所述循环神经网络模型进行训练。
进一步地，所述将环境参数的时间序列，输入至预设的循环神经网络模型之前，还包括：根据训练集中环境参数与标签向量中关键因子的相关系数，确定每一环境参数的权重；将训练集中每一环境参数进行加权后，结合标签向量，对所述循环神经网络模型进行训练。
进一步地，所述循环神经网络模型为门控循环网络模型。
进一步地，所述将环境参数的时间序列，输入至预设的循环神经网络模型之前，还包括：随机初始化循环神经网络模型的超参数，并计算模型训练的总开销；根据预设的迭代次数，重复初始化超参数、计算模型训练开销的过程；将迭代次数内，模型训练总开销最小的超参数，作为模型训练时超参数的初始值。
进一步地，所述将环境参数的时间序列，输入至预设的循环神经网络模型之前，还包括：根据格拉布斯准则，采用小波去噪，对采集的环境参数中的异常数据进行检测剔除，并进行异常数据的填补。
进一步地，所述将环境参数的时间序列，输入至预设的循环神经网络模型之前，还包括：对环境参数进行归一化处理。
第二方面，本发明实施例提供一种池塘养殖水质关键因子预测装置，包括：输入模块，用于将环境参数的时间序列，输入至预设的循环神经网络模型；处理模块，用于根据所述循环神经网络模型的输出结果，确确定预设时长之后的关键因子预测值；其中，所述循环神经网络模型，根据样本时间序列的训练集作为输入，标签向量作为输出标签进行训练后得到；样本时间序列是包括多个环境参数的序列，并将环境参数的序列作为训练集，将待预测的关键因子结果作为标签向量；所述预设时长根据标签向量和训练集的时间差值确定；所述环境参数包括水质参数和气象参数。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现本发明第一方面池塘养殖水质关键因子预测方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明第一方面池塘养殖水质关键因子预测方法的步骤。
本发明实施例提供的池塘养殖水质关键因子预测方法及装置，通过将环境参数的时间序列，输入至预设的循环神经网络模型。环境参数的时间序列中包含了关键因子的历史变化和未来变化趋势的特征，预设的循环神经网络模型根据样本时间序列训练后得到，能够提取出关键因子变化趋势的特征，从而实现关键因子的预测。通过训练后的循环神经网络模型，能够实现高效率、高精度和高鲁棒性的关键因子预测。另外，样本时间序列的训练集作为输入，标签向量作为输出标签进行训练，考虑到了关键因子随时间变化的关联性，模型输入输出长度可变，相较于其他处理时序数据的神经网络需要更小的内存训练，模型的预测精度和灵活性更高。
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池塘养殖水质关键因子预测方法流程图；
图2为本发明另一实施例提供的池塘养殖水质关键因子预测方法流程图；
图3为本发明又一实施例提供的池塘养殖水质关键因子预测方法流程图；
图4为本发明实施例提供的池塘养殖水质关键因子预测装置结构图；
图5为本发明实施例提供的一种电子设备的实体结构示意图。
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、完整地描述，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作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。
在对池塘水质关键因子进行预测的过程中，如何有效区分对关键因子变化影响较大的参数、如何降低预测模型复杂度、如何选取网络模型构建所需的超参数、如何满足对不同预测时长和多种关键因子的实际生产需求，均是亟待解决的问题。
本发明的目的是提供一种池塘养殖水质关键因子预测方法。该方法能有效提取水质预测参数，实现对不同时长的多种水质关键因子准确预测，为池塘养殖水质及时预警和精准调控，推动池塘养殖信息化发展提供有力支持。
图1为本发明实施例提供的池塘养殖水质关键因子预测方法流程图，如图1所示，本发明实施例提供一种池塘养殖水质关键因子预测方法，包括：
101、将环境参数的时间序列，输入至预设的循环神经网络模型。
在101中，首先是环境参数的采集，环境参数包括水质参数和气象参数。其中，水质参数包括水的溶解氧、水温、水的pH、水的电导率和水的浊度等水质因子，气象参数包括大气温度、大气湿度、气压、太阳辐射等气象因子。关键因子是环境参数中对池塘水质影响最明显的参数，因此我们希望能够预测关键因子的变化。例如，需求预测的关键因子为溶解氧或水温，或者需求预测的关键因子为溶解氧和水温。关键因子在未来某一时刻的值，不仅与该因子的历史值相关，与环境参数中的其他参数也相关。
输入神经网络的是环境参数随时间变化的序列。例如，每半小时采集一次环境参数，将10小时采集的环境参数序列输入循环神经网络模型。
102、根据循环神经网络模型的输出结果，确定环境参数时间序列输入之后，预设时长的关键因子预测值；
在102中，预设的循环神经网络模型模型，是根据样本时间序列的训练集作为输入，样本时间序列的标签向量作为输出标签进行训练后得到。而样本时间序列，是包括多个环境参数的序列，并将环境参数的序列作为训练集，将待预测的关键因子结果作为标签向量而建立的。也就是说，标签也是一组关键因子的时间序列。
为了提高关键因子预测时各环境参数的相关性，本发明实施例根据环境参数时间序列样本作为输入，多个待预测的关键因子作为标签向量进行训练。
样本时间序列中的关键因子值是已知的。将该结果作为预设的循环神经网络模型的标签，样本时间序列为输入，对预设的循环神经网络模型进行训练，通过大量的此类样本时间序列对循环神经网络模型进行训练，训练完成后，对于输入预设的循环神经网络模型的环境参数的时间序列，便可得到相同的预设时长后的关键因子的预测值。需要说明的是，该标签向量也可以是一维的，即只有一个元素。举例说明如下
例如，第01:00至第10:00时刻，每小时的环境参数(溶解氧、水温、水的pH、水的电导率、大气温度、大气湿度、气压、太阳辐射，等8个参数)采样值构成时间序列，为10个长度的时间序列(每个时刻有8个参数)，将10个长度的时间序列作为训练集。预设时长为1个小时，预测的是10:00之后1个小时，也就是11:00的关键因子(例如溶解氧浓度)的预测值。此情况下，即标签集为一个元素(11:00的溶解氧浓度)。另外，也可以是通过5个长度的序列，预测输入后1小时的关键因子。从而可以实现01:00至第10:00时刻的10个输入序列，分别预测06:00到11:00的5个序列长度的关键因子。此情况下，训练集不变为10个长度的时间序列(8个参数)，标签集变为06:00到11:00共5个确定结果的溶解氧浓度，即标签集有5个元素。
预设时长根据标签向量和训练集的差值确定，例如上述第一种情况，则预测的是输入10个长度的序列后，1小时的关键因子值，预设时长为1小时。对于第二种情况，则是输入5个长度的序列后，预测1个小时的关键因子值，预设时长也是1小时。
本发明实施例提供的池塘养殖水质关键因子预测方法，通过将环境参数的时间序列，输入至预设的循环神经网络模型。环境参数的时间序列中包含了关键因子的历史变化和未来变化趋势的特征，预设的循环神经网络模型根据样本时间序列训练后得到，能够提取出关键因子变化趋势的特征，从而实现关键因子的预测。通过训练后的循环神经网络模型，能够实现高效率、高精度和高鲁棒性的关键因子预测。另外，样本时间序列的训练集作为输入，标签向量作为输出标签进行训练，考虑到了关键因子随时间变化的关联性，模型输入输出长度可变，相较于其他处理时序数据的神经网络需要更小的内存训练，模型的预测精度和灵活性更高。
基于上述实施例的内容，作为一种可选实施例，环境参数的时间序列为相隔周期T的序列，预设时长为：时间序列最后一个环境参数输入后，相隔时间nT的时长，n为正整数。
例如，在水产物联网中，水质参数的采集频率是每10-15分钟一次，而气象参数采集频率为30分钟一次。且多数水质参数在30分钟之内变化很小，因此，每30分钟生成环境参数时间序列的一个点，也就是周期T＝30。预测的是接下来第n个30分钟的关键因子值。也就是n×T时长后的预测值，n为正整数。
对于参数采样周期的不一致性，可通过取平均值的方式，将采集的水质参数数据转换为半个小时内的平均值，为每一组水质数据匹配最近一次采集的气象数据，将两者进行整合。即上述的两个15分钟进行平均处理，得到30分钟的采样值。
基于上述实施例的内容，作为一种可选实施例，将环境参数的时间序列，输入至预设的门控循环单元网络模型之前，还包括：获取序列长度为q的环境参数样本；根据预设的错开位数s，将1至q-s的序列作为训练集，s+1至q的序列中关键因子的结果作为标签向量；利用训练集和标签向量，对门控循环单元网络模型进行训练。相应地，确定环境参数时间序列输入之后，预设时长的关键因子预测值，可以为：确定环境参数时间序列输入之后，每一s×T时间后的关键因子预测值。s、q均为正整数，且q大于s。
为了提高关键因子预测时各环境参数的相关性，本发明实施例根据环境参数时间序列样本作为输入，多个预设时长的预测值作为标签进行训练。具体如下：
首先，通过输入输出样本错位构造数据集，计算公式如下：
其中，q为时间序列长度，p为参数个数，s为错开位数，X为特征向量组成的训练集，Y为训练集标签，称为标签向量。
将1至q-s的序列作为样本，得到上述训练集X，s+1至q的关键因子值作为标签，得到标签向量Y。将X作为输入，Y作为标签，对预设的循环神经网络模型进行训练，则训练完成后的循环神经网络模型能够根据输入的环境参数时间序列得到对应的预测值。相应的，在该方案中，得到的可以是当前时刻S×T时长后的关键因子预测值。
本发明实施例提供的池塘养殖水质关键因子预测方法。根据预设的错开位数s，将1至q-s的序列作为训练集，s+1至q的序列中关键因子的结果作为标签向量，采用输入输出样本错位的方式构建数据集，可以灵活选取不同预测时长的多种水质关键因子进行预测，能更好的用于实际生产过程中。同时，能够有效提高输入的环境参数时间序列和关键因子之前的关联性，提高输出结果的准确性。
基于上述实施例的内容，作为一种可选实施例，将环境参数的时间序列，输入至预设的循环神经网络模型之前，还包括：根据训练集中环境参数与标签向量中关键因子的相关系数，确定每一环境参数的权重；将训练集中每一环境参数进行加权后，结合标签向量，对循环神经网络模型进行训练。
考虑到不同环境参数对关键因子的影响程度不同，本实施例对不同的环境参数进行加权处理，具体如：
对原始时间序列进行处理，计算不同环境参数与关键因子的相关系数,其计算公式如下：
其中，Cov(Xi,Y)为Xi与Y的协方差，Var[Xi]为Xi的方差，Var[Y]为Y的方差，Xi为矩阵X的第i列向量，i＝1、2、…p。
在得到不同环境参数与关键因子相关系数之后，计算各个因子的权重，得到权重向量V。计算公式如下：
其中，vi为参数i的权重，ri为参数i与关键因子的相关系数，计算方式如上，p为总的参数个数。
将原始参数矩阵与权重向量相乘，得到新的输入矩阵I＝X*V，也就是新的训练集，结合上述标签向量Y，对循环神经网络模型进行训练，从而实现对环境参数进行加权后的，关键因子的预测。
相应地，将环境参数的时间序列，输入至预设的循环神经网络模型进行检测时，也采用相同的权重进行加权。
本发明实施例提供的池塘养殖水质关键因子预测方法，根据训练集中环境参数与标签向量中关键因子的相关系数，确定每一环境参数的权重，从而得到每个环境参数对关键因子的影响程度；将训练集中每一环境参数进行加权后，结合标签向量，对循环神经网络模型进行训练，可以灵活选择与关键因子变化关系密切的环境参数加权，通过选择与关键因子变化相关的参数进行加权处理，可以针对不同的水质关键因子灵活选择预测参数，将相关性较大的参数赋予较大的权重，避免对其变化影响较小的因子影响模型的准确度，提高模型预测精度。
基于上述实施例的内容，作为一种可选实施例，所述循环神经网络模型为门控循环网络模型。
门控循环网络(Gated Recurrent Unit，GRU)模型是对LSTM的门机制进行改进得到的，是一种比LSTM网络更简单的循环神经网络。GRU网络对LSTM网络的改进有两个方面1、将遗忘门和输入门合并为一个门：更新门，此外另一门叫做重置门。2、不引入额外的内部状态c，直接在当前状态ht和历史状态ht-1之间引入线性依赖关系。关于GRU的其他相关部分为现有技术，此处不再赘述。
基于上述实施例的内容，作为一种可选实施例，将环境参数的时间序列，输入至预设的循环神经网络模型之前，还包括：随机初始化循环神经网络模型的超参数，并计算模型训练的总开销；根据预设的迭代次数，重复初始化超参数、计算模型训练开销的过程；将迭代次数内，模型训练总开销最小的超参数，作为模型训练时超参数的初始值。
对不同的关键因子预测时，需要的超参数包括学习率、迭代次数、隐含层的数目和单元数等不同。为此，采用随机搜索算法对超参数进行优化，图2为本发明另一实施例提供的池塘养殖水质关键因子预测方法流程图，其计算过程如上述描述和图2所示。本发明实施例根据不同的预测因子不同的特性灵活选择超参数，内存使用更低且不存在梯度消失和爆炸问题。例如，在对溶解氧进行预测时，有效选取模型超参数，提高模型预测准确度。
基于上述实施例的内容，作为一种可选实施例，将环境参数的时间序列，输入至预设的循环神经网络模型之前，还包括：根据格拉布斯准则，采用小波去噪，对采集的环境参数中的异常数据进行检测剔除，并进行异常数据的填补。
首先依据格拉布斯准则对物联网采集的水质参数和气象参数中的异常数据进行了检测，异常数据剔除后，可采用该参数时间序列前后时刻的平均值对错误数据进行填补。为了避免错误无效的数据干扰影响预测模型的精确度，采用小波去噪的阈值计算方法，对不同的时间序列数据采用自适应阈值计算方法进行去噪。采用如下公式：
wλ＝αws+βwh
α+β＝1
式中，ws和wb分别表示软阈值和硬阈值计算下得到的小波系数，wλ表示自适应阈值得到的小波系数。
基于上述实施例的内容，作为一种可选实施例，将环境参数的时间序列，输入至预设的循环神经网络模型之前，还包括：对环境参数进行归一化处理。
对水质参数的序列进行归一化，得到归一化水质参数序列。多维水质参数序列是一个m*n的矩阵M，m是水质参数个数，n是每个水质参数序列的长度，对M进行归一化处理，归一化的计算公式如下：
式中，x是归一化后的值，x’是原始数值，xmin是原始数值中的最小值，xmax是原始数值中的最大值。
基于上述各实施例的内容，图3为本发明又一实施例提供的池塘养殖水质关键因子预测方法流程图，如图3所示，图中的RW算法为本发明实施例提出的：获取序列长度为q的环境参数样本；根据预设的错开位数s，将1至q-s的序列作为训练集，s+1至q的序列中关键因子的结果作为标签向量；利用所述训练集和标签向量，对所述循环神经网络模型进行训练。根据训练集中环境参数与标签向量中关键因子的相关系数，确定每一环境参数的权重；将训练集中每一环境参数进行加权后，结合标签向量，对所述循环神经网络模型进行训练。详情可参见上述各实施例，此处不再赘述。
图4为本发明实施例提供的池塘养殖水质关键因子预测装置结构图，如图4所示，该池塘养殖水质关键因子预测装置包括：输入模块401和处理模块402。其中，输入模块401用于将环境参数的时间序列，输入至预设的循环神经网络模型；处理模块402用于根据循环神经网络模型的输出结果，确定预设时长后的关键因子预测值；其中，循环神经网络模型，根据样本时间序列的训练集作为输入，标签向量作为输出标签进行训练后得到；样本时间序列是包括多个环境参数的序列，并将环境参数的序列作为训练集，将待预测的关键因子结果作为标签向量；预设时长根据标签向量和训练集的时间差值确定；环境参数包括水质参数和气象参数。
本发明实施例提供的装置实施例是为了实现上述各方法实施例的，具体流程和详细内容请参照上述方法实施例，此处不再赘述。
本发明实施例提供的池塘养殖水质关键因子预测装置，通过将环境参数的时间序列，输入至预设的循环神经网络模型。环境参数的时间序列中包含了关键因子的历史变化和未来变化趋势的特征，预设的循环神经网络模型根据样本时间序列训练后得到，能够提取出关键因子变化趋势的特征，从而实现关键因子的预测。通过训练后的循环神经网络模型，能够实现高效率、高精度和高鲁棒性的关键因子预测。另外，样本时间序列的训练集作为输入，标签向量作为输出标签进行训练，考虑到了关键因子随时间变化的关联性，模型输入输出长度可变，相较于其他处理时序数据的神经网络需要更小的内存训练，模型的预测精度和灵活性更高。
图5为本发明实施例提供的一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)501、通信接口(Communications Interface)502、存储器(memory)503和总线504，其中，处理器501，通信接口502，存储器503通过总线504完成相互间的通信。通信接口502可以用于电子设备的信息传输。处理器501可以调用存储器503中的逻辑指令，以执行包括如下的方法：将环境参数的时间序列，输入至预设的循环神经网络模型；根据循环神经网络模型的输出结果，确定预设时长之后的关键因子预测值；其中，循环神经网络模型，根据样本时间序列的训练集作为输入，标签向量作为输出标签进行训练后得到；样本时间序列是包括多个环境参数的序列，并将环境参数的序列作为训练集，将待预测的关键因子结果作为标签向量；预设时长根据标签向量和训练集的时间差值确定；环境参数包括水质参数和气象参数。
此外，上述的存储器503中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明上述各方法实施例的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：将环境参数的时间序列，输入至预设的循环神经网络模型；根据循环神经网络模型的输出结果，确定预设时长之后的关键因子预测值；其中，循环神经网络模型，根据样本时间序列的训练集作为输入，标签向量作为输出标签进行训练后得到；样本时间序列是包括多个环境参数的序列，并将环境参数的序列作为训练集，将待预测的关键因子结果作为标签向量；预设时长根据标签向量和训练集的时间差值确定；环境参数包括水质参数和气象参数。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
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)
1.一种池塘养殖水质关键因子预测方法，其特征在于，包括：
将环境参数的时间序列，输入至预设的循环神经网络模型；
根据所述循环神经网络模型的输出结果，确定预设时长之后的关键因子预测值；
其中，所述循环神经网络模型，根据样本时间序列的训练集作为输入，标签向量作为输出标签进行训练后得到；样本时间序列是包括多个环境参数的序列，并将环境参数的序列作为训练集，将待预测的关键因子结果作为标签向量；所述预设时长根据标签向量和训练集的时间差值确定；所述环境参数包括水质参数和气象参数。
2.根据权利要求1所述的池塘养殖水质关键因子预测方法，其特征在于，所述将环境参数的时间序列，输入至预设的循环神经网络模型之前，还包括：
获取序列长度为q的环境参数样本；
根据预设的错开位数s，将1至q-s的序列作为训练集，s+1至q的序列中关键因子的结果作为标签向量；
利用所述训练集和标签向量，对所述循环神经网络模型进行训练。
3.根据权利要求1-2任一项所述的池塘养殖水质关键因子预测方法，其特征在于，所述将环境参数的时间序列，输入至预设的循环神经网络模型之前，还包括：
根据训练集中环境参数与标签向量中关键因子的相关系数，确定每一环境参数的权重；
将训练集中每一环境参数进行加权后，结合标签向量，对所述循环神经网络模型进行训练。
4.根据权利要求1所述的池塘养殖水质关键因子预测方法，其特征在于，所述循环神经网络模型为门控循环网络模型。
5.根据权利要求1所述的池塘养殖水质关键因子预测方法，其特征在于，所述将环境参数的时间序列，输入至预设的循环神经网络模型之前，还包括：
随机初始化循环神经网络模型的超参数，并计算模型训练的总开销；
根据预设的迭代次数，重复初始化超参数、计算模型训练开销的过程；
将迭代次数内，模型训练总开销最小的超参数，作为模型训练时超参数的初始值。
6.根据权利要求1所述的池塘养殖水质关键因子预测方法，其特征在于，所述将环境参数的时间序列，输入至预设的循环神经网络模型之前，还包括：
根据格拉布斯准则，采用小波去噪，对采集的环境参数中的异常数据进行检测剔除，并进行异常数据的填补。
7.根据权利要求1所述的池塘养殖水质关键因子预测方法，其特征在于，所述将环境参数的时间序列，输入至预设的循环神经网络模型之前，还包括：
对环境参数进行归一化处理。
8.一种池塘养殖水质关键因子预测装置，其特征在于，包括：
输入模块，用于将环境参数的时间序列，输入至预设的循环神经网络模型；
处理模块，用于根据所述循环神经网络模型的输出结果，确定预设时长之后的关键因子预测值；
其中，所述循环神经网络模型，根据样本时间序列的训练集作为输入，标签向量作为输出标签进行训练后得到；样本时间序列是包括多个环境参数的序列，并将环境参数的序列作为训练集，将待预测的关键因子结果作为标签向量；所述预设时长根据标签向量和训练集的时间差值确定；所述环境参数包括水质参数和气象参数。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述池塘养殖水质关键因子预测方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述池塘养殖水质关键因子预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911185312.3A CN111080464A (zh) | 2019-11-27 | 2019-11-27 | 一种池塘养殖水质关键因子预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911185312.3A CN111080464A (zh) | 2019-11-27 | 2019-11-27 | 一种池塘养殖水质关键因子预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111080464A true CN111080464A (zh) | 2020-04-28 |
Family
ID=70311944
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911185312.3A Pending CN111080464A (zh) | 2019-11-27 | 2019-11-27 | 一种池塘养殖水质关键因子预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111080464A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111693667A (zh) * | 2020-05-06 | 2020-09-22 | 杭州电子科技大学 | 一种基于门控递归阵列水质检测系统及方法 |
| CN112308289A (zh) * | 2020-09-29 | 2021-02-02 | 北京农业信息技术研究中心 | 水稻产量预测方法及装置 |
| CN112380486A (zh) * | 2020-10-29 | 2021-02-19 | 中国农业大学 | 用于海水观赏鱼养殖状态的动态监测评估方法及系统 |
| CN113126490A (zh) * | 2021-04-02 | 2021-07-16 | 中国农业大学 | 智能变频增氧控制方法及装置 |
| CN113238014A (zh) * | 2021-04-19 | 2021-08-10 | 中国农业大学 | 一种基于鱼群行为的水质溶解氧预测方法及装置 |
| CN113240152A (zh) * | 2021-03-30 | 2021-08-10 | 广州朗国电子科技有限公司 | 智能笼舍的活禽喂养的环境监测方法、设备以及介质 |
| CN113504348A (zh) * | 2021-05-08 | 2021-10-15 | 中国农业大学 | 溶解氧的估测方法、装置、设备和存储介质 |
| CN113791186A (zh) * | 2021-08-12 | 2021-12-14 | 北京金水永利科技有限公司 | 一种选择水质异常报警监测因子的方法及其系统 |
| CN114022305A (zh) * | 2021-10-29 | 2022-02-08 | 中国地质环境监测院(自然资源部地质灾害技术指导中心) | 地下水动态监测方法及装置 |
| CN114169638A (zh) * | 2021-12-23 | 2022-03-11 | 中国农业大学 | 一种水质预测方法及装置 |
| CN114417740A (zh) * | 2022-03-30 | 2022-04-29 | 青岛杰瑞工控技术有限公司 | 一种深海养殖态势感知方法 |
| CN114543279A (zh) * | 2022-01-21 | 2022-05-27 | 青岛海尔空调器有限总公司 | 基于穿衣指数的空调的提示方法、装置和智能空调 |
| CN117436354A (zh) * | 2023-12-21 | 2024-01-23 | 北京捷世智通科技股份有限公司 | 一种称重抄网 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102183621A (zh) * | 2011-02-28 | 2011-09-14 | 中国农业大学 | 水产养殖溶解氧浓度在线预测方法及系统 |
| CN107480775A (zh) * | 2017-08-14 | 2017-12-15 | 中国水产科学研究院淡水渔业研究中心 | 一种基于数据修复的池塘溶解氧预测方法 |
| CN108665106A (zh) * | 2018-05-15 | 2018-10-16 | 中国农业大学 | 一种水产养殖溶解氧预测方法及装置 |
| CN108710974A (zh) * | 2018-05-18 | 2018-10-26 | 中国农业大学 | 一种基于深度置信网络的水体氨氮预测方法及装置 |
| CN108717586A (zh) * | 2018-05-10 | 2018-10-30 | 江南大学 | 一种基于长短时记忆网络的水产养殖环境溶解氧预测方法 |
| CN110070144A (zh) * | 2019-04-30 | 2019-07-30 | 云南师范大学 | 一种湖泊水质预测方法及系统 |
| CN110276556A (zh) * | 2019-06-26 | 2019-09-24 | 中国环境科学研究院 | 一种基于多策略的环境承载力指标权重计算方法及装置 |
-
2019
- 2019-11-27 CN CN201911185312.3A patent/CN111080464A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102183621A (zh) * | 2011-02-28 | 2011-09-14 | 中国农业大学 | 水产养殖溶解氧浓度在线预测方法及系统 |
| CN107480775A (zh) * | 2017-08-14 | 2017-12-15 | 中国水产科学研究院淡水渔业研究中心 | 一种基于数据修复的池塘溶解氧预测方法 |
| CN108717586A (zh) * | 2018-05-10 | 2018-10-30 | 江南大学 | 一种基于长短时记忆网络的水产养殖环境溶解氧预测方法 |
| CN108665106A (zh) * | 2018-05-15 | 2018-10-16 | 中国农业大学 | 一种水产养殖溶解氧预测方法及装置 |
| CN108710974A (zh) * | 2018-05-18 | 2018-10-26 | 中国农业大学 | 一种基于深度置信网络的水体氨氮预测方法及装置 |
| CN110070144A (zh) * | 2019-04-30 | 2019-07-30 | 云南师范大学 | 一种湖泊水质预测方法及系统 |
| CN110276556A (zh) * | 2019-06-26 | 2019-09-24 | 中国环境科学研究院 | 一种基于多策略的环境承载力指标权重计算方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| 张嘉勇等: "《煤矿灾害事故评价方法》", 31 January 2018, 冶金工业出版社 * |
| 陈英义等: ""主成分分析和长短时记忆神经网络预测水产养殖水体溶解氧"", 《农业工程学报》 * |
| 陈英义等: ""基于改进深度信念网络的池塘养殖水体氨氮预测模型研究"", 《农业工程学报》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111693667A (zh) * | 2020-05-06 | 2020-09-22 | 杭州电子科技大学 | 一种基于门控递归阵列水质检测系统及方法 |
| CN112308289A (zh) * | 2020-09-29 | 2021-02-02 | 北京农业信息技术研究中心 | 水稻产量预测方法及装置 |
| CN112380486B (zh) * | 2020-10-29 | 2023-09-19 | 中国农业大学 | 用于海水观赏鱼养殖状态的动态监测评估方法及系统 |
| CN112380486A (zh) * | 2020-10-29 | 2021-02-19 | 中国农业大学 | 用于海水观赏鱼养殖状态的动态监测评估方法及系统 |
| CN113240152A (zh) * | 2021-03-30 | 2021-08-10 | 广州朗国电子科技有限公司 | 智能笼舍的活禽喂养的环境监测方法、设备以及介质 |
| CN113126490A (zh) * | 2021-04-02 | 2021-07-16 | 中国农业大学 | 智能变频增氧控制方法及装置 |
| CN113238014A (zh) * | 2021-04-19 | 2021-08-10 | 中国农业大学 | 一种基于鱼群行为的水质溶解氧预测方法及装置 |
| CN113504348A (zh) * | 2021-05-08 | 2021-10-15 | 中国农业大学 | 溶解氧的估测方法、装置、设备和存储介质 |
| CN113791186A (zh) * | 2021-08-12 | 2021-12-14 | 北京金水永利科技有限公司 | 一种选择水质异常报警监测因子的方法及其系统 |
| CN114022305A (zh) * | 2021-10-29 | 2022-02-08 | 中国地质环境监测院(自然资源部地质灾害技术指导中心) | 地下水动态监测方法及装置 |
| CN114169638A (zh) * | 2021-12-23 | 2022-03-11 | 中国农业大学 | 一种水质预测方法及装置 |
| CN114169638B (zh) * | 2021-12-23 | 2024-09-17 | 中国农业大学 | 一种水质预测方法及装置 |
| CN114543279A (zh) * | 2022-01-21 | 2022-05-27 | 青岛海尔空调器有限总公司 | 基于穿衣指数的空调的提示方法、装置和智能空调 |
| CN114417740A (zh) * | 2022-03-30 | 2022-04-29 | 青岛杰瑞工控技术有限公司 | 一种深海养殖态势感知方法 |
| CN114417740B (zh) * | 2022-03-30 | 2022-06-24 | 青岛杰瑞工控技术有限公司 | 一种深海养殖态势感知方法 |
| CN117436354A (zh) * | 2023-12-21 | 2024-01-23 | 北京捷世智通科技股份有限公司 | 一种称重抄网 |
| CN117436354B (zh) * | 2023-12-21 | 2024-02-20 | 北京捷世智通科技股份有限公司 | 一种称重抄网 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111080464A (zh) | 一种池塘养殖水质关键因子预测方法及装置 | |
| Duong et al. | Automated fruit recognition using EfficientNet and MixNet | |
| Xu et al. | Comparative functional responses predict the invasiveness and ecological impacts of alien herbivorous snails | |
| Punt et al. | How well can FMSY and BMSY be estimated using empirical measures of surplus production? | |
| Vabø et al. | Automatic interpretation of salmon scales using deep learning | |
| US20220067930A1 (en) | Systems and methods for predicting growth of a population of organisms | |
| Guo et al. | A hybrid model for the prediction of dissolved oxygen in seabass farming | |
| CN113592144A (zh) | 一种中长期径流概率预报方法及系统 | |
| Honsey et al. | Accurate estimates of age at maturity from the growth trajectories of fishes and other ectotherms | |
| Tan et al. | Cephalopod species identification using integrated analysis of machine learning and deep learning approaches | |
| CN114004433A (zh) | 一种养殖鱼类生长环境调控方法及装置 | |
| He et al. | Modeling variation in mass-length relations and condition indices of lake trout and Chinook salmon in Lake Huron: a hierarchical Bayesian approach | |
| CN112835884B (zh) | 一种海洋渔场渔情预报系统中的缺失数据填补方法及系统 | |
| CN109359624B (zh) | 基于神经网络的蛋鸡采食行为的预测方法及预测装置 | |
| CN112308289A (zh) | 水稻产量预测方法及装置 | |
| CN116307879A (zh) | 一种斑节对虾虾苗高效培育方法、系统及介质 | |
| McGarvey et al. | Estimating length-transition probabilities as polynomial functions of premoult length | |
| Esmaeili et al. | Prediction of shrimp growth using an artificial neural network and regression models | |
| CN114821337B (zh) | 基于时相一致性伪标签的半监督sar图像建筑区提取方法 | |
| McGilliard et al. | Assessment of the flathead sole-bering flounder stock in the Bering Sea and Aleutian Islands | |
| Cinar | Detection of Chicken Diseases from Fecal Images with the Pre-Trained Places365-GoogLeNet Model | |
| Amin et al. | Comparative Analysis of Data Driven Prediction Modeling Strategies for Aquaculture Healthcare | |
| Fitzgerald et al. | Evaluating management options for two fisheries that conflict through predator–prey interactions of target species | |
| CN117290792B (zh) | 一种基于机器学习的气压预报系统及方法 | |
| Spanou et al. | Walleye (Sander vitreus, Mitchill 1818) age and sex classification using innovative supervised and unsupervised machine learning and soft computing methodologies |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200428 |
|
| RJ01 | Rejection of invention patent application after publication |