CN112215412B - 溶解氧预测方法及装置 - Google Patents
溶解氧预测方法及装置 Download PDFInfo
- Publication number
- CN112215412B CN112215412B CN202011036241.3A CN202011036241A CN112215412B CN 112215412 B CN112215412 B CN 112215412B CN 202011036241 A CN202011036241 A CN 202011036241A CN 112215412 B CN112215412 B CN 112215412B
- Authority
- CN
- China
- Prior art keywords
- longicorn
- water source
- dissolved oxygen
- measured
- training
- 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.)
- Active
Links
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 title claims abstract description 125
- 239000001301 oxygen Substances 0.000 title claims abstract description 125
- 229910052760 oxygen Inorganic materials 0.000 title claims abstract description 125
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000012549 training Methods 0.000 claims abstract description 138
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 114
- 230000006403 short-term memory Effects 0.000 claims abstract description 3
- 230000007787 long-term memory Effects 0.000 claims abstract 2
- 241001481710 Cerambycidae Species 0.000 claims description 119
- 230000006870 function Effects 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 11
- 241000254173 Coleoptera Species 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 6
- 229930002875 chlorophyll Natural products 0.000 claims description 6
- 235000019804 chlorophyll Nutrition 0.000 claims description 6
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 5
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 210000004027 cell Anatomy 0.000 description 8
- 238000009360 aquaculture Methods 0.000 description 4
- 244000144974 aquaculture Species 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种溶解氧预测方法及装置，所述方法包括：将溶解氧训练集以及训练标签输入至长短期记忆LSTM网络进行训练，以确定所述LSTM网络的超参数组合，并对所述超参数组合进行优化；根据优化后的超参数组合确定优化LSTM网络；将所述溶解氧训练集输入至所述优化LSTM网络进行训练，以预测待测水源的溶解氧。所述装置用于执行上述方法。本发明提供的溶解氧预测方法及装置，通过对所述LSTM网络超参数组合进行优化，根据优化后的超参数组合确定优化LSTM网络并对溶解氧训练集进行训练，可以有效提高对溶解氧预测的精度。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种溶解氧预测方法及装置。
背景技术
溶解氧是水生生物生存的重要因素之一，是水生生物生长状况、水质状况的重要指标，且易受温度，PH等因素的影响。溶解氧能反映出水质的好坏，而水质又能直接影响到水生生物生长及其品质，因此对溶解氧的预测就显得非常有必要。
现有的预测方法有很多，主要分为两种类型：第一类是传统的预测方法，把经典数学作为理论基础，包括时间序列预测法、回归分析法、马尔科夫模型以及水质模拟预测法等；第二类是基于人工智能的预测方法，包括灰色模型、人工神经网络预测法以及支持向量机回归预测法等。但是现有的预测方法均存在预测精度误差高，不满足水产养殖企业对水质短期预测的需求。
目前尚难有一种有效方法，可以及时准确掌握未来一段时间内溶解氧的变化规律，对溶解氧进行精准预测。
发明内容
本发明实施例提供的一种溶解氧预测方法及装置，用于克服现有技术中对溶解氧预测误差高的缺陷，能够及时准确掌握未来一段时间内溶解氧的变化规律，对溶解氧进行精准预测。
第一方面，本发明实施例提供的溶解氧预测方法，包括：
将溶解氧训练集以及训练标签输入至LSTM网络进行训练，以确定所述LSTM网络的超参数组合，并对所述超参数组合进行优化；
根据优化后的超参数组合确定优化LSTM网络；
将所述溶解氧训练集输入至所述优化LSTM网络进行训练，以预测待测水源的溶解氧；
其中，所述训练集包括：如下历史数据中的至少一种：待测水源电导率、待测水源PH值、待测水源氨氮含量、待测水源水温、待测水源水的浊度、待测水源叶绿素含量、待测水源环境大气湿度、待测水源环境大气温度、待测水源环境大气压力、待测水源环境风速、待测水源环境风向、待测水源环境太阳辐射量以及待测水源环境雨量；
所述训练标签为与所述训练集中的数据同时刻采集的待测水源的溶解氧。
进一步地，所述对所述超参数组合进行优化包括：
根据初始预设值确定天牛质心；
对所述天牛质心迭代更新直至天牛须收敛，以获取优化后的超参数组合。
进一步地，所述对所述天牛质心迭代更新直至所述天牛须收敛，包括：
将所述超参数组合按照天牛左须进行划分，获取天牛左须坐标；
根据所述天牛左须坐标以及适应度函数，获取天牛左须适应度值；
将所述超参数组合按照天牛右须进行划分，获取天牛右须坐标；
根据所述天牛右须坐标以及所述适应度函数，获取天牛右须适应度值；
根据所述天牛左须适应度值以及所述天牛右须适应度值，采用变步长法迭代更新所述天牛质心直至所述天牛须收敛。
进一步地，所述采用变步长法迭代更新所述天牛质心直至所述天牛须收敛，包括：
当满足预设条件时，采用变步长法迭代更新所述天牛质心直至所述天牛须收敛；
所述预设条件，包括：
第一预设条件：所述天牛左须适应度值小于所述天牛右须适应度值，且迭代次数不大于第一预设值；或
第二预设条件：所述天牛左须适应度值大于所述天牛右须适应度值，且迭代次数不大于第一预设值。
进一步地，
所述采用变步长法迭代更新所述天牛质心直至所述天牛须收敛，还包括：
当满足所述第一预设条件时，所述天牛质心向左须更新步长step；
当满足第二预设条件时，所述天牛质心向右须更新步长step；
其中，所述步长step由式step＝eta*step计算获取，T代表迭代次数，n代表目前已迭代次数。
进一步地，对所述溶解氧训练集以及所述训练标签进行预处理；
其中，所述预处理，包括：
采用线性插值法或三次样条插值法对所述溶解氧训练集以及所述训练标签的缺失数据进行填充；或
采用均值平滑法对所述溶解氧训练集以及所述训练标签的跳变数据进行修复。
进一步地，所述超参数组合包括：
时间窗口、学习率、隐藏层数以及每个隐藏层神经元节点数。
第二方面，本发明实施例还提供一种溶解氧预测装置，包括：
参数优化模块、预测网络建立模块以及训练模块；
所述参数优化模块，用于将溶解氧训练集以及训练标签输入至LSTM网络进行训练，以确定所述LSTM网络的超参数组合，并对所述超参数组合进行优化；
所述预测网络建立模块，用于根据优化后的超参数组合确定优化LSTM网络；
所述训练模块，用于将所述溶解氧训练集输入至所述优化LSTM网络进行训练，以预测待测水源的溶解氧；
其中，所述训练集包括：如下历史数据中的至少一种：待测水源电导率、待测水源PH值、待测水源氨氮含量、待测水源水温、待测水源水的浊度、待测水源叶绿素含量、待测水源环境大气湿度、待测水源环境大气温度、待测水源环境大气压力、待测水源环境风速、待测水源环境风向、待测水源环境太阳辐射量以及待测水源环境雨量；
所述训练标签为与所述训练集中的数据同时刻采集的待测水源的溶解氧。
第三方面，本发明实施例还提供一种电子设备，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，所述处理器执行所述程序时实现如上述任一种所述溶解氧预测方法的步骤。
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如上述任一种所述溶解氧预测方法的步骤。
本发明实施例提供的一种溶解氧预测方法及装置，由于提前通过溶解氧训练集以及训练标签对LSTM网络进行训练来获取优化后的超参数组合，并基于超参数组合获取优化LSTM网络，该优化LSTM网络相较于普通LSTM网络更适于预测溶解氧。因此，基于优化LSTM网络对溶解氧训练集进行训练以预测待测水源的溶解氧，可以显著提高溶解氧预测的精度。
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一种溶解氧预测方法的流程示意图；
图2为本发明实施例提供的一种溶解氧预测装置的结构示意图；
图3为本发明实施例提供的一种电子设备的结构示意图。
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。
图1为本发明实施例提供的一种溶解氧预测方法的流程示意图，如图1所示，所述方法包括：
S1、将溶解氧训练集以及训练标签输入至LSTM(Long Short-Term Memory，长短期记忆)网络进行训练，以确定LSTM网络的超参数组合，并对超参数组合进行优化；
S2、根据优化后的超参数组合确定优化LSTM网络；
S3、将溶解氧训练集输入至优化LSTM网络进行训练，以预测待测水源的溶解氧；
其中，训练集包括：如下历史数据中的至少一种：待测水源电导率、待测水源PH值、待测水源氨氮含量、待测水源水温、待测水源水的浊度、待测水源叶绿素含量、待测水源环境大气湿度、待测水源环境大气温度、待测水源环境大气压力、待测水源环境风速、待测水源环境风向、待测水源环境太阳辐射量以及待测水源环境雨量；
训练标签为与训练集中的数据同时刻采集的待测水源的溶解氧。
具体地，LSTM网络通过引入“门”结构巧妙地解决了传统循环神经络的梯度消失或梯度爆炸的问题，因此在处理时间序列预测方面，LSTM网络具有较强记忆能力，且能表现出明显的优势。
LSTM网络中有输入门，遗忘门，输出门和单元状态。其中单元状态C是最为关键的，通过遗忘门f和输入门i进行调节，来保持单元状态的记忆。遗忘门的作用是让细胞记住或忘记前一时刻的状态，输入门作用是允许或阻止传入信息更新单元状态，输出门作用是控制单元状态输出和传输到下一个单元格。其中每一单元格公式如下：
ft＝σ(Wf*[ht-1,xt]+bf)
it＝σ(Wi*[ht-1,xt]+bi)
Ct′＝tanh(WC*[ht-1,xt]+bC)
Ct＝ftCt-1+itCt′
ot＝σ(Wo*[ht-1，xt]+bo)
ht＝ottanh(Ct)
其中，x为LSTM输入向量；h为单元格输出向量；f，i，o分别为遗忘门，输入门，输出门；C表示单元状态；下标t表示时刻；σ，tanh分别为sigmoid和tanh激活函数；W和b分别表示权值和偏差矩阵。
需要说明的是，上述方法的执行主体可以是计算机设备。
本发明实施例提供的一种溶解氧预测方法，由于提前通过溶解氧训练集以及训练标签对LSTM网络进行训练来获取优化后的超参数组合，并基于超参数组合获取优化LSTM网络，该优化LSTM网络相较于普通LSTM网络更适于预测溶解氧。因此，基于优化LSTM网络对溶解氧训练集进行训练以预测待测水源的溶解氧，可以显著提高溶解氧预测的精度。
进一步地，在一个实施例中，步骤S1包括：
S11、根据初始预设值确定天牛质心；
S12、对天牛质心迭代更新直至天牛须收敛，以获取优化后的超参数组合。
具体地，初始化天牛质心，随机选择一个初始预设值，并将初始预设值作为天牛质心，按照迭代次数为T，对天牛质心进行迭代更新T次直至天牛须收敛，更新后的天牛质心可以表示为超参数组合的K维向量，获取优化后的超参数组合，其中K代表超参数组合的元素个数。
本发明实施例提供的一种溶解氧预测方法，通过对天牛质心迭代更新直至天牛须收敛，获取优化后的超参数组合，从而使得后续根据优化后的超参数组合确定优化LSTM网络，进而基于优化LSTM网络对溶解氧训练集进行训练，提高对溶解氧预测的精度。
进一步地，在一个实施例中，步骤S12可以具体包括：
S121、将超参数组合按照天牛左须进行划分，获取天牛左须坐标；
S122、根据天牛左须坐标以及适应度函数，获取天牛左须适应度值；
S123、将超参数组合按照天牛右须进行划分，获取天牛右须坐标；
S124、根据天牛右须坐标以及适应度函数，获取天牛右须适应度值；
S125、根据天牛左须适应度值以及天牛右须适应度值，采用变步长法迭代更新天牛质心直至天牛须收敛。
具体地，随机生成天牛须右须指向左须的一个K维的方向向量，并归一化：获得天牛左须坐标/>天牛右须坐标/>其中，d0代表天牛左右须之间的距离。
确定适应度函数，来推进天牛须在空间区域内的搜索，选用均方误差当作适应度函数f(x)，即其中，N是溶解氧训练集的样本数，yi'是第i个样本的预测值，yi是第i个样本的训练标签。
将溶解氧训练集以及训练标签输入至LSTM网络进行训练，根据获得的天牛左须坐标xl以及天牛右须坐标xr，获得天牛左须的适应度值fleft＝f(xl)以及天牛右须适应度值fright＝f(xr)。
根据获得的天牛左须适应度值fleft以及天牛右须适应度值fright，采用变步长法根据迭代次数T迭代更新天牛质心直至天牛须收敛。
本发明实施例提供的一种溶解氧预测方法，通过天牛须优化算法的主要思想，解决了现有的优化收敛算法依赖初始值的选取且容易收敛到局部最小值的问题，通过采用变步长法迭代更新天牛质心，使得天牛的步长成为一个可变的量，提高了天牛须算法的适用性。
进一步地，在一个实施例中，步骤S125可以具体包括：
S1251、当满足预设条件时，采用变步长法迭代更新天牛质心直至天牛须收敛；
预设条件，包括：
第一预设条件：天牛左须适应度值小于天牛右须适应度值，且迭代次数不大于第一预设值；或
第二预设条件：天牛左须适应度值大于天牛右须适应度值，且迭代次数不大于第一预设值。
进一步地，在一个实施例中，步骤S125还包括：
S1252、当满足所述第一预设条件时，天牛质心向左须更新步长step；
S1253、当满足第二预设条件时，天牛质心向右须更新步长step；
具体地，采用改进的变步长法更新天牛质心位置。利用改进eta衰减因子，令迭代初期eta较大，利于搜索大致范围，全局搜索能力强；迭代后期eta较小，精细搜索，收敛速度快。根据获得的天牛左右须适应度值、天牛左右须坐标，eta衰减因子以及步长来更新天牛下一步的位置，其公式如下：
其中，step＝eta*step，xn代表第n次天牛位置，step代表天牛步长，T代表迭代次数，n代表天牛目前已迭代次数。
判断天牛须是否收敛，若未收敛，则继续迭代直至达到迭代次数T，此时天牛须收敛，得到最优解，即获得优化后的超参数组合。
本发明实施例提供的一种溶解氧预测方法，通过改进eta衰减因子，进而使得天牛的步长成为一个可变的量，步长随着迭代次数的增加逐渐减小，初始时步长较大，全局搜索能力较强，随着目前已迭代次数的不断增大，最后步长较小，收敛速度加快。使得后续能够更为快速、精准的获得的优化后的超参数组合。
进一步地，在一个实施例中，步骤S1还包括：
S0、对溶解氧训练集以及训练标签进行预处理；
其中，预处理，包括：
采用线性插值法或三次样条插值法对溶解氧训练集以及训练标签的缺失数据进行填充；
具体地，对所采集的溶解氧训练集数据进行预处理，对于前后采样间隔不超过10h的缺失溶解氧训练集数据，可以采用线性插值法或三次样条差值法来对缺失的溶解氧训练集数据进行填充。其中，线性插值法公式如下：
xk和xk+j分别表示第k，k+j时刻溶解氧训练集数据，xk+s表示第k+s时刻所缺失的溶解氧训练集数据。
选取溶解氧训练集数据其中一个缺失片段为例，例如m与q时刻之间的片段的溶解氧训练集数据缺失，三次样条插值法公式为：
x(M)＝a+b(M-m)+c(M-m)2+d(M-m)3
其中a,b,c,d代表预设系数，M、m和q代表溶解氧训练集数量序号，x(M)为m与q时刻之间的缺失片段的溶解氧训练集数据的函数，q＞M＞m。
同样地，采用线性插值法或三次样条插值法对与训练集中的数据同时刻采集的待测水源的溶解氧，即训练标签的缺失数据进行填充。
或
采用均值平滑法对溶解氧训练集以及训练标签的跳变数据进行修复。
具体地，对于跳变的溶解氧训练集数据，则采用均值平滑法来修复数据。一般情况下，数据都有延续性，在一段时间内，数据不会发生很大的跳变，因此，若在一段时间内数据发生严重跳变，则用均值法进行水平处理。其公式如下：
当|xk-xk-1|＞θ1或|xk-xk+1|＞θ2
θ1和θ2分别表示相邻采样间隔的阈值，超过这个阈值代表数据有误。
通常来讲，前后几天的相同时刻会有相似数据，而若这期间某一天数据发生较大变化的话，则用均值法进行垂直处理。其公式如下：
其中，x(d,k)代表第d天的第k时刻的溶解氧训练集数据，x'代表相邻几天同时刻溶解氧训练集数据的平均值，θ3代表误差阈值。
同样地，采用均值平滑法对与训练集中的数据同时刻采集的待测水源的溶解氧，即训练标签的跳变数据进行修复。
本发明实施例提供的一种溶解氧预测方法，通过采用线性插值法以及三次样条插值法对溶解氧训练集以及训练标签进行处理，使得处理后的数据具有良好的收敛性以及稳定性，从而为水产养殖人员提供决策依据，降低养殖风险，提高养殖收益。
进一步地，在一个实施例中，超参数组合可以包括：
时间窗口、学习率、隐藏层数以及每个隐藏层神经元节点数。进一步地，在一个实施例中，步骤S2可以具体包括：
根据步骤S1获得的优化后的超参数组合确定优化LSTM网络。
具体地，LSTM网络中，时间窗口大小α，学习率β，隐藏层数χ，以及每个隐藏层中神经元节点数η这些超参数的确定，通常依赖于研究者经验或多次试验结果，具有不确定性，导致网络预测精度降低；
根据优化后的时间窗口、学习率、隐藏层数以及每个隐藏层数神经元节点数替换原LSTM网络中的时间窗口、学习率、隐藏层数以及每个隐藏层数神经元节点数，确定优化后的LSTM网络。
本发明实施例提供的一种溶解氧预测方法，现有技术中通常依赖于研究者经验或多次实验结果来确定超参数组合，使得超参数具有不确定性的，进而导致预测网络精度误差高，通过采用优化后的超参数组合确定LSTM网络，使得超参数组合的获得具有确定性的同时，提高了LSTM网络的预测精度。
进一步地，在一个实施例中，步骤S3可以具体包括：
将溶解氧训练集输入至根据步骤S2获得优化LSTM网络进行训练，预测待测水源的溶解氧。
例如，将2020年4月6日上午10点至2020年6月6日上午10点期间，每隔1小时采集到的训练集和训练标签输入至根据步骤S2获得的优化LSTM网络进行训练；
例如，将于2020年6月7日上午10点采集训练集输入至训练后的优化LSTM网络，以预测2020年6月7日上午10点之后未来时刻，比如2020年6月7日上午11点的待测水源的溶解氧。
本发明实施例提供的一种溶解氧预测方法，由于该优化LSTM网络相较于普通LSTM网络更适于预测溶解氧。因此，基于优化LSTM网络对溶解氧训练集进行训练以预测待测水源的溶解氧，可以显著提高溶解氧预测的精度。
图2为本发明实施例提供的一种溶解氧预测装置的结构示意图，如图2所示，所述装置包括：参数优化模块210，预测网络建立模块220，训练模块230，
参数优化模块210用于将溶解氧训练集以及训练标签输入至LSTM网络进行训练，以确定LSTM网络的超参数组合，并对超参数组合进行优化；
预测网络建立模块220用于根据优化后的超参数组合确定优化LSTM网络；
训练模块230用于将溶解氧训练集输入至优化LSTM网络进行训练，以预测待测水源的溶解氧；
其中，训练集包括：如下历史数据中的至少一种：待测水源电导率、待测水源PH值、待测水源氨氮含量、待测水源水温、待测水源水的浊度、待测水源叶绿素含量、待测水源环境大气湿度、待测水源环境大气温度、待测水源环境大气压力、待测水源环境风速、待测水源环境风向、待测水源环境太阳辐射量以及待测水源环境雨量；
训练标签为与训练集中的数据同时刻采集的待测水源的溶解氧。
本发明实施例提供的一种溶解氧预测装置，通过参数优化模块210确定构建预测网络建立模块220所需的超参数组合，基于超参数组合建立优化LSTM网络预测网络，进而通过训练模块230对溶解氧训练集进行训练，预测待测水源的溶解氧，该训练模块采用优化LSTM网络相较于普通LSTM网络更适于预测溶解氧。因此，基于优化LSTM网络对溶解氧训练集进行训练以预测待测水源的溶解氧，可以显著提高溶解氧预测的精度。
图3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3所示，该电子设备可以包括：处理器(processor)310、通信接口(communication interface)320、存储器(memory)330和总线(bus)340，其中，处理器310，通信接口320，存储器330通过总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行如下方法：
将溶解氧训练集以及训练标签输入至LSTM网络进行训练，以确定LSTM网络的超参数组合，并对超参数组合进行优化；
根据优化后的超参数组合确定优化LSTM网络；
将溶解氧训练集输入至优化LSTM网络进行训练，以预测待测水源的溶解氧。
此外，上述的存储器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)执行本发明各个实施例所述方法的全部或部分步骤。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。
进一步地，本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：
将溶解氧训练集以及训练标签输入至LSTM网络进行训练，以确定LSTM网络的超参数组合，并对超参数组合进行优化；
根据优化后的超参数组合确定优化LSTM网络；
将溶解氧训练集输入至优化LSTM网络进行训练，以预测待测水源的溶解氧。
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：
将溶解氧训练集以及训练标签输入至LSTM网络进行训练，以确定LSTM网络的超参数组合，并对超参数组合进行优化；
根据优化后的超参数组合确定优化LSTM网络；
将溶解氧训练集输入至优化LSTM网络进行训练，以预测待测水源的溶解氧。
以上所描述的装置实施例仅仅是示意性的，其中所述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所述的方法。
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 (8)
1.一种溶解氧预测方法，其特征在于，包括：
将溶解氧训练集以及训练标签输入至长短期记忆LSTM网络进行训练，以确定所述LSTM网络的超参数组合，并对所述超参数组合进行优化；
根据优化后的超参数组合确定优化LSTM网络；
将所述溶解氧训练集输入至所述优化LSTM网络进行训练，以预测待测水源的溶解氧；
其中，所述训练集包括：如下历史数据中的至少一种：待测水源电导率、待测水源PH值、待测水源氨氮含量、待测水源水温、待测水源水的浊度、待测水源叶绿素含量、待测水源环境大气湿度、待测水源环境大气温度、待测水源环境大气压力、待测水源环境风速、待测水源环境风向、待测水源环境太阳辐射量以及待测水源环境雨量；
所述训练标签为与所述训练集中的数据同时刻采集的待测水源的溶解氧；
所述对所述超参数组合进行优化包括：
根据初始预设值确定天牛质心；
对所述天牛质心迭代更新直至天牛须收敛，以获取优化后的超参数组合；
所述对所述天牛质心迭代更新直至所述天牛须收敛，包括：
将所述超参数组合按照天牛左须进行划分，获取天牛左须坐标；
根据所述天牛左须坐标以及适应度函数，获取天牛左须适应度值；
将所述超参数组合按照天牛右须进行划分，获取天牛右须坐标；
根据所述天牛右须坐标以及所述适应度函数，获取天牛右须适应度值；
根据所述天牛左须适应度值以及所述天牛右须适应度值，采用变步长法迭代更新所述天牛质心直至所述天牛须收敛。
2.根据权利要求1所述的溶解氧预测方法，其特征在于，所述采用变步长法迭代更新所述天牛质心直至所述天牛须收敛，包括：
当满足预设条件时，采用变步长法迭代更新所述天牛质心直至所述天牛须收敛；
所述预设条件，包括：
第一预设条件：所述天牛左须适应度值小于所述天牛右须适应度值，且迭代次数不大于第一预设值；或
第二预设条件：所述天牛左须适应度值大于所述天牛右须适应度值，且迭代次数不大于第一预设值。
3.根据权利要求2所述的溶解氧预测方法，其特征在于，所述采用变步长法迭代更新所述天牛质心直至所述天牛须收敛，还包括：
当满足所述第一预设条件时，所述天牛质心向左须更新步长step；
当满足第二预设条件时，所述天牛质心向右须更新步长step；
其中，所述步长step由式step=eta×step计算获取，，T代表迭代次数，n代表目前已迭代次数。
4.根据权利要求1所述的溶解氧预测方法，其特征在于，所述将溶解氧训练集以及训练标签输入至LSTM网络进行训练，之前，包括：
对所述溶解氧训练集以及所述训练标签进行预处理；
其中，所述预处理，包括：
采用线性插值法或三次样条插值法对所述溶解氧训练集以及所述训练标签的缺失数据进行填充；或
采用均值平滑法对所述溶解氧训练集以及所述训练标签的跳变数据进行修复。
5.根据权利要求1-4任一所述溶解氧预测方法，其特征在于，所述超参数组合包括：
时间窗口、学习率、隐藏层数以及每个隐藏层神经元节点数。
6.一种溶解氧预测装置，其特征在于，包括：参数优化模块、预测网络建立模块以及训练模块；
所述参数优化模块，用于将溶解氧训练集以及训练标签输入至LSTM网络进行训练，以确定所述LSTM网络的超参数组合，并对所述超参数组合进行优化；
所述预测网络建立模块，用于根据优化后的超参数组合确定优化LSTM网络；
所述训练模块，用于将所述溶解氧训练集输入至所述优化LSTM网络进行训练，以预测待测水源的溶解氧；
其中，所述训练集包括：如下历史数据中的至少一种：待测水源电导率、待测水源PH值、待测水源氨氮含量、待测水源水温、待测水源水的浊度、待测水源叶绿素含量、待测水源环境大气湿度、待测水源环境大气温度、待测水源环境大气压力、待测水源环境风速、待测水源环境风向、待测水源环境太阳辐射量以及待测水源环境雨量；
所述训练标签为与所述训练集中的数据同时刻采集的待测水源的溶解氧；
所述参数优化模块具体用于：
根据初始预设值确定天牛质心；
对所述天牛质心迭代更新直至天牛须收敛，以获取优化后的超参数组合；
所述参数优化模块具体用于：
将所述超参数组合按照天牛左须进行划分，获取天牛左须坐标；
根据所述天牛左须坐标以及适应度函数，获取天牛左须适应度值；
将所述超参数组合按照天牛右须进行划分，获取天牛右须坐标；
根据所述天牛右须坐标以及所述适应度函数，获取天牛右须适应度值；
根据所述天牛左须适应度值以及所述天牛右须适应度值，采用变步长法迭代更新所述天牛质心直至所述天牛须收敛。
7.一种电子设备，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5任一项所述的溶解氧预测方法的步骤。
8.一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5任一项所述的溶解氧预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011036241.3A CN112215412B (zh) | 2020-09-27 | 2020-09-27 | 溶解氧预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011036241.3A CN112215412B (zh) | 2020-09-27 | 2020-09-27 | 溶解氧预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112215412A CN112215412A (zh) | 2021-01-12 |
| CN112215412B true CN112215412B (zh) | 2023-12-22 |
Family
ID=74050785
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011036241.3A Active CN112215412B (zh) | 2020-09-27 | 2020-09-27 | 溶解氧预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112215412B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113219023A (zh) * | 2021-04-27 | 2021-08-06 | 大唐秦岭发电有限公司 | 一种在线溶解氧表传感器失效的监测方法及系统 |
| CN115028301B (zh) * | 2022-05-31 | 2024-04-26 | 河北工程大学 | 一种智能净化游泳池水循环再利用系统及方法 |
| CN115796057A (zh) * | 2023-02-06 | 2023-03-14 | 广东电网有限责任公司中山供电局 | 基于bas-lstm的电缆接头温度预测方法和系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109959123A (zh) * | 2019-03-11 | 2019-07-02 | 浙江工业大学 | 一种基于遗传算法和长短期记忆循环神经网络的空调节能方法 |
| CN110852902A (zh) * | 2019-11-14 | 2020-02-28 | 合肥工业大学 | 一种基于bas-bp的光伏发电功率预测方法 |
| EP3693902A1 (fr) * | 2019-02-08 | 2020-08-12 | Savoye | Procédé de séquencement de charges dans un système de distribution automatisé, avec réduction d'un désordre lors d'une collecte de charges sur un collecteur |
| CN111612535A (zh) * | 2020-05-19 | 2020-09-01 | 中南大学 | 一种解决样本量对药品需求预测准确度影响的gru-rvm集成模型 |
| CN111612733A (zh) * | 2020-04-02 | 2020-09-01 | 杭州电子科技大学 | 一种面向医学影像数据分析的卷积神经网络优化方法 |
| CN111651983A (zh) * | 2020-05-12 | 2020-09-11 | 哈尔滨工业大学 | 一种基于自训练与噪声模型的因果事件抽取方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA3068839A1 (en) * | 2019-01-23 | 2020-07-23 | Royal Bank Of Canada | System and method for time-dependnet machine learning architecture |
-
2020
- 2020-09-27 CN CN202011036241.3A patent/CN112215412B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| EP3693902A1 (fr) * | 2019-02-08 | 2020-08-12 | Savoye | Procédé de séquencement de charges dans un système de distribution automatisé, avec réduction d'un désordre lors d'une collecte de charges sur un collecteur |
| CN109959123A (zh) * | 2019-03-11 | 2019-07-02 | 浙江工业大学 | 一种基于遗传算法和长短期记忆循环神经网络的空调节能方法 |
| CN110852902A (zh) * | 2019-11-14 | 2020-02-28 | 合肥工业大学 | 一种基于bas-bp的光伏发电功率预测方法 |
| CN111612733A (zh) * | 2020-04-02 | 2020-09-01 | 杭州电子科技大学 | 一种面向医学影像数据分析的卷积神经网络优化方法 |
| CN111651983A (zh) * | 2020-05-12 | 2020-09-11 | 哈尔滨工业大学 | 一种基于自训练与噪声模型的因果事件抽取方法 |
| CN111612535A (zh) * | 2020-05-19 | 2020-09-01 | 中南大学 | 一种解决样本量对药品需求预测准确度影响的gru-rvm集成模型 |
Non-Patent Citations (3)
| Title |
|---|
| Cooperative Multi-task Assignment of Multiple UAVs with Improved Genetic Algorithm Based on Beetle Antennae Search;Ziye Wang, Bing Wang, Yali Wei, Pengfei Liu, Lan Zhang;《Proceedings of the 39th Chinese Control Conference, Shenyang, China》;1605~1610 * |
| Research on performance seeking control based on Beetle Antennae Search algorithm;Qiangang Zheng, Dewei Xiang, Juan Fang, Yong Wang, Haibo Zhang, Zhongzhi Hu;《Measurement & control》;第53卷(第7-8期);1440~1445 * |
| 基于BAS-BP 神经网络的多应力加速寿命试验预测方法;葛峰，韩建立，高松;《兵工自动化》;第39卷(第06期);5~9+41 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112215412A (zh) | 2021-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112215412B (zh) | 溶解氧预测方法及装置 | |
| Huan et al. | Prediction of dissolved oxygen in aquaculture based on gradient boosting decision tree and long short-term memory network: A study of Chang Zhou fishery demonstration base, China | |
| CN106022521B (zh) | 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法 | |
| CN110909926A (zh) | 基于tcn-lstm的太阳能光伏发电预测方法 | |
| US11080586B2 (en) | Neural network reinforcement learning | |
| CN106022954B (zh) | 基于灰色关联度的多重bp神经网络负荷预测方法 | |
| Yperman et al. | Bayesian optimization of hyper-parameters in reservoir computing | |
| CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
| CN116861202B (zh) | 基于长短期记忆神经网络的船舶运动包络预报方法及系统 | |
| CN114781692A (zh) | 短期电力负荷预测方法、装置及电子设备 | |
| CN116757313A (zh) | 水质预测模型的训练方法、水质预测方法与装置 | |
| CN115062528A (zh) | 一种针对工业过程时序数据的预测方法 | |
| CN108876038B (zh) | 大数据、人工智能、超算协同的材料性能预测方法 | |
| CN114330815A (zh) | 一种基于改进goa优化lstm的超短期风电功率预测方法与系统 | |
| CN111126758B (zh) | 一种学术团队影响力传播预测方法、设备和存储介质 | |
| CN110779526B (zh) | 一种路径规划方法、装置及存储介质 | |
| CN112990598A (zh) | 一种水库水位时间序列预测方法与系统 | |
| CN111066562A (zh) | 一种葡萄霜霉病预测方法及系统 | |
| CN115344927A (zh) | 基于工程历史数据的高拱坝施工仿真参数动态更新方法 | |
| CN113807005A (zh) | 基于改进fpa-dbn的轴承剩余寿命预测方法 | |
| CN114139783A (zh) | 基于非线性加权组合的风电短期功率预测方法及装置 | |
| CN109858127B (zh) | 基于递归时序深度置信网络的蓝藻水华预测方法 | |
| CN117784615B (zh) | 一种基于impa-rf的火控系统故障预测方法 | |
| CN114282614B (zh) | 基于随机森林和ifda优化cnn-gru的中长期径流预测方法 | |
| CN115242428B (zh) | 一种基于优化cw-rnn的网络安全态势预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |