CN114662790A - 一种基于多维数据的海参养殖水温预测方法 - Google Patents

Abstract

本发明公开了一种基于多维数据的海参养殖水温预测方法，涉及智慧渔业技术领域；该方法首先对实地数据进行采集并整理，利用线性插值法和数据归一化法有效地对数据样本进行预处理，得到更加精确的数据样本。通过相关性分析方法，获取了海参养殖环境各影响因子与水温的相关关系，在正确筛选出与水温显著相关的环境因子后，利用GA‑BP水温预测模型有效地克服BP神经网络自身易陷入局部极值的缺陷，同时结合多维数据，充分发掘了海参养殖水温变化的多尺度特征，进一步提高了水温预测模型的泛化能力和预测性能，实现对海参养殖水温的精准预测，从而为海参养殖预测水温变化提供了科学依据。

Description

一种基于多维数据的海参养殖水温预测方法

技术领域

本发明涉及智慧渔业技术领域，具体涉及一种基于多维数据的海参养殖水温预测方法。

背景技术

我国是水产养殖大国，随着经济技术的快速进步，海水养殖业得到了迅速的发展。近十年来，我国海参养殖业规模不断扩大，已经成为了我国重要的水产养殖品种。海参养殖形式以海参池养殖、近海围堰养殖等为主，其受自然环境影响大,如高温、缺氧、雨水少、溶氧量低等因素均会导致海参大面积死亡。多数海参养殖户依靠养殖经验进行人工诊断、决策、调整，因此不能及时、准确地掌控海参养殖环境的生态指标，易使海参无法在适宜的环境条件生长,明显降低产量和质量。海水水温是影响海参健康生长至关重要的因素之一，海参养殖的最佳海水温度为16℃，当水温低于10℃或高于20℃都容易导致海参慢生长或死亡。

目前关于水质水温的研究大多集中于淡水领域，对海水水质水温的研究较少。海水养殖水温检测技术第一阶段尚停留在人工检验，主要依靠经验来判断养殖水温的变化趋势。而第二阶段则是使用传统的各类水温检测仪器监测水温变化，再通过数据的可视化对水温变化趋势进行判断，但该方法带有大量人为影响因素，而且十分费时费力。

发明内容

本发明的目的在于，提供一种基于多维数据的海参养殖水温预测方法，其省时省力，可以更精确的预测海参养殖水温，提高海参养殖产量和质量。

为实现上述目的，本申请提出一种基于多维数据的海参养殖水温预测方法，包括：

搭建物联网数据采集系统，对海参养殖基地的气象和水体数据进行实地采集；

将实地采集的所述气象和水体数据进行分析与筛选；

分析与筛选后的多维影响因子数据作为GA-BP水温预测模型的输入，所述GA-BP水温预测模型的输出为未来时段海参养殖环境水温。

进一步的，所述气象和水体数据包括空气温度、空气湿度、相对气压、风速、风向、阵风、降雨量、盐分、溶解氧、PH值、水温。

进一步的，将实地采集的气象和水体数据进行分析与筛选，具体为：

对实地采集的气象和水体数据进行收集整理，使用线性内插法来内插缺失的数据，并剔除异常的数据；

利用数据归一化处理方法将气象和水体数据对应的分子描述符统一表示为[0,1]之间的数值，其归一化公式为：

式中：x'_ij为分子描述符变量X_i中第j个值，x_ij为其归一化后的值，x'_iMax表示X_i中的最大值，x'_iMin表示X_i中的最小值；

利用Pearson相关性分析方法对归一化后的空气温度、空气湿度、相对气压、风速、风向、阵风、降雨量、盐分、溶解氧、PH值与水温相关性进行分析。

进一步的，对实地采集的气象和水体数据进行分析与筛选，还包括：将与水温相关的各影响因子权重进行累积，若权重积不为0，则证明式中所有影响因子权重皆不为0，即与相关性分析结果吻合；其公式为：

式中：W为所有权重的乘积，n为相关性分析的影响因子总个数，ω_i为各影响因子变量权重。

进一步的，所述GA-BP水温预测模型利用GA算法优化BP神经网络，根据所述BP神经网络的结构初始化权值和阈值，并通过遗传算法对BP神经网络进行训练，以获取最优权值和阈值，具体为：

根据BP神经网络的初始权值和阈值，得到每个影响因子输入向量到水温输出向量的适应度函数：

(90≤k≤110∩k≠100)

式中：n为BP神经网络输出节点数，y_i为BP神经网络第i个水温的实际输出，o_i为第i个水温的预测输出，k为系数；

根据适应度函数，利用选择函数筛选出种群中各个水温影响因子向量到水温输出向量的优秀参数个体：

式中：m表示种群规模，

表示各个种群个体的适应度，p_i表示该个体被选中的概率；

对种群中各个影响因子输入向量到水温输出向量的参数路径进行交叉操作以及变异操作，以产生新的优秀参数个体，扩大种群规模；

其交叉操作为：

式中：c_kj为第k个染色体在j位置的基因，c_lj为第l个染色体在j位置上的基因，b是[0,1]上的随机数；

其变异操作为：以一定概率产生变异基因数，使用随机选取方法选取变异基因。若基因编码为0则翻转成1，反正，则变为0。

进一步的，所述GA-BP水温预测模型根据气象和水体数据的影响因子确定隐含层节点数，公式为：

其中，m和n分别为输入层节点数和输出层节点数，a为0-10的常数。

进一步的，通过平均绝对百分比误差MAPE、均方根误差MSE和平均绝对误差MAE三个评价指标对GA-BP水温预测模型进行性能评价，其评价指标公式如下：

平均绝对误差MAE：

平均绝对百分比误差MAPE：

均方根误差MSE：

其中，N表示测试集样本数，y_i表示实际值，

表示预测值。

本发明采用的以上技术方案，与现有技术相比，具有的优点是：本发明首先对实地数据进行采集并整理，利用线性插值法和数据归一化法有效地对数据样本进行预处理，得到更加精确的数据样本。通过相关性分析方法，获取了海参养殖环境各影响因子与水温的相关关系，在正确筛选出与水温显著相关的环境因子后，利用GA-BP水温预测模型有效地克服BP神经网络自身易陷入局部极值的缺陷，同时结合多维数据，充分发掘了海参养殖水温变化的多尺度特征，进一步提高了水温预测模型的泛化能力和预测性能，实现对海参养殖水温的精准预测，从而为海参养殖预测水温变化提供了科学依据。

附图说明

图1为物联网数据采集系统结构图；

图2为GA-BP水温预测模型获取过程图；

图3为基于不同维度数据的GA-BP水温预测模型效果对比图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请，即所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。

因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

实施例1

如图1所示，本申请提供一种基于多维数据的海参养殖水温预测方法，具体包括：

步骤一：搭建物联网数据采集系统，对海参养殖基地的气象和水体数据进行实地采集；

具体的，通过搭建物联网数据采集系统对海参养殖基地进行实地的气象和水体数据采集并远程上传，其中气象和水体数据包括海水水体环境因子以及各种气象环境因子，具体为空气温度、空气湿度、相对气压、风速、风向、阵风、降雨量、盐分、溶解氧、PH值、水温等。所述物联网数据采集系统包括感知层、网络层和应用层，如图1所示，感知层采用温度传感器、PH值传感器、溶解氧传感器和盐度传感器等水体传感器以及气象站设备对海参养殖环境水体和气象环境数据进行采集。网络层采用NB-IoT通信模块进行数据传输，将感知层采集到的数据传输给应用层。

步骤二：将实地采集的所述气象和水体数据进行分析与筛选，具体的：

S21.通过物联网数据采集系统所采集的数据存在缺失值及异常值。若直接使用所采集数据进行预测，容易造成较大误差。因此收集整理后的数据利用线性内插法对缺失值进行插补，并去除显著异常值；

S22.为消除不同类别分子描述符数量差距对建模的影响，利用数据归一化处理方法将气象和水体数据对应的分子描述符统一表示为[0,1]之间的数值，将不同维度的表达式转换成同一维度表达式，取消维度数据之间的数量级差异，解决数据的可比性；其归一化公式为：

式中：x'_ij为分子描述符变量X_i中第j个值，x_ij为其归一化后的值，x'_iMax表示X_i中的最大值，x'_iMin表示X_i中的最小值；

S23.利用Pearson相关性分析方法对归一化后的空气温度、空气湿度、相对气压、风速、风向、阵风、降雨量、盐分、溶解氧、PH值等参数数据进行分析，探究其分别与水温间的相关关系。剔除与海参养殖水温变化不相关的环境参数，降低参数相互的关联性以及冗余成分。

相关性分析结果如表1所示：在各环境因素中与水温呈显著相关的有空气气温、空气湿度、相对气压、风速、阵风、降雨量、溶解氧、盐分、PH值，而风向对水温变化无影响。通过熵权法得到各个环境因素的权重ω₁＝0.79％，ω₂＝16.21％，ω₃＝3.38％，ω₄＝51.17％，ω₅＝5.43％，ω₆＝5.76％，ω₇＝7.40％，ω₈＝2.43％，ω₉＝7.43％，结合权重积可知W≠0，则表明各环境影响因子与水温间的相关关系权重皆不为0，与相关性分析结果一致。故选用与水温呈显著相关的9个环境变量作为模型输入。

表1相关性分析结果

对相关性分析结果进行进一步验证，利用权重积验证其结果的准确性。将与水温显著相关的各环境因子权重进行累积操作，若权重积不为0，则证明式中各环境因子权重皆不为0，即与相关性分析结果吻合；其公式为：

式中：W为所有权重的乘积，n为相关性分析的环境因素总个数，ω_i为各环境因素变量权重。

上述以海参养殖基地实地采集的数据为样本，利用线性插值法，数据归一化方法对数据预处理，通过相关性分析方法成功得出了各气象与水体环境因子对海参养殖水温变化的影响，获取了各环境因子与水温间的显著相关程度，并对可靠性进行验证，有效提取了与水温显著相关的环境变量。

步骤三：分析与筛选后的多维影响因子数据作为GA-BP水温预测模型的输入，所述GA-BP水温预测模型的输出为未来时段海参养殖环境水温。

具体的，GA-BP水温预测模型根据海参养殖水温的环境影响因素确定网络层节点数，将气温、空气湿度、风速、降雨量、阵风、PH值、盐分、溶解氧、相对气压等9个多维数据作为GA-BP预测模型的输入节点，将未来时段的海参养殖环境水温作为GA-BP预测模型输出节点。根据GA-BP模型中输入节点数为9，输出节点数为1，由隐含层节点数公式

确定隐含层节点数。

所述GA-BP水温预测模型利用GA算法优化BP神经网络，根据所述BP神经网络的结构初始化权值和阈值，并通过遗传算法对BP神经网络进行训练，以获取最优权值和阈值，如图2所示，具体为：

根据BP神经网络的初始权值和阈值，得到每个影响因子输入向量到水温输出向量的适应度函数：

(90≤k≤110∩k≠100)

式中：n为BP神经网络输出节点数，y_i为BP神经网络第i个水温的实际输出，o_i为第i个水温的预测输出，k为系数。

根据适应度函数，利用选择函数筛选出种群中各个水温影响因子向量到水温输出向量的优秀参数个体：

式中：m表示种群规模，

表示各个种群个体的适应度，p_i表示该个体被选中的概率。

对种群中各个影响因子输入向量到水温输出向量的参数路径进行交叉操作以及变异操作，以产生新的优秀参数个体，扩大种群规模；

其交叉操作为：

式中：c_kj为第k个染色体在j位置的基因，c_lj为第l个染色体在j位置上的基因，b是[0,1]上的随机数。

其变异操作为：以一定概率产生变异基因数，使用随机选取方法选取变异基因。若基因编码为0则翻转成1，反正，则变为0。

将GA算法获取的最优参数对BP神经网络初始权值和阈值进行赋值，通过BP神经网络不断训练，更新阈值和权值，获取最优解。

为验证GA-BP水温预测模型预测效果，设置遗传算法的进化代数为50，种群规模为50，依据多次运行均方误差最小的原则，确定遗传算法的交叉概率0.3，同时，经过不断实验设置变异概率为0.1，设定GA-BP水温预测模型各影响因子输入向量为：空气气温、空气湿度、风速、降雨量、阵风、PH值、盐分、溶解氧、相对气压，分别用x_1n、x_2n、x_3n、x_4n、x_5n、x_6n、x_7n、x_8n、x_9n表示，输出向量水温用y_1n表示，根据隐含层公式确定隐含层节点数为13，即BP神经网络的初始结构为9-13-1。根据初始结构确定BP神经网络的初始权值和阈值。将初始权值和阈值赋给遗传算法，经过模拟遗传操作后不断迭代权值和阈值，最终生成最优权值和阈值并将其赋给BP神经网络，最后通过BP神经网络进行训练，得出水温预测值y_1n。

同样的设定基于气象数据的GA-BP水温预测模型各影响因子输入向量为：空气气温、空气湿度、风速、降雨量、阵风、相对气压，分别用I_1n、I_2n、I_3n、I_4n、I_5n、I_6n表示，输出向量水温用O_1n表示，根据隐含层公式确定隐含层节点数为9，即BP神经网络的初始结构为6-9-1，通过模型训练最终得出水温预测值。

由图3可以明显看出基于多维数据的GA-BP水温预测模型预测效果更加显著，相较于基于气象环境数据的GA-BP水温预测模型更接近真实值，预测异常值较少，预测效果更加稳定。

分别比较模型评价指标MAE、MAPE和MSE。对比结果如表2所示，基于多维数据的GA-BP预测精度达到了98.71％，而基于气象参数的GA-BP预测精度为97.96％。基于多维数据的GA-BP水温预测模型的MAE、MAPE、MSE分别为0.3146、0.0129、0.1741，与基于气象参数的GA-BP水温预测模型相比，MAE、MAPE、MSE分别降低了36.48％、36.76％和49.97％。

表2模型对比结果

综上可得，本发明综合考虑海参养殖环境的气象环境因子和水体环境因子，以多维数据作为GA-BP水温预测模型的输入，可以充分发掘水温数据的变化特性，有效的提高预测模型精度，相比于仅以气象为输入的GA-BP水温预测模型，其MSE、MAPE、MSE均取得了一定程度的降低。本发明为海参养殖户预测水温提供了一种预测方法，避免因无法及时的预测调节水温而导致海参产量降低，为其产业化发展提供技术保障。

前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。

Claims (7)

1.一种基于多维数据的海参养殖水温预测方法，其特征在于，包括：

搭建物联网数据采集系统，对海参养殖基地的气象和水体数据进行实地采集；

将实地采集的所述气象和水体数据进行分析与筛选；

分析与筛选后的多维影响因子数据作为GA-BP水温预测模型的输入，所述GA-BP水温预测模型的输出为未来时段海参养殖环境水温。

2.根据权利要求1所述一种基于多维数据的海参养殖水温预测方法，其特征在于，所述气象和水体数据包括空气温度、空气湿度、相对气压、风速、风向、阵风、降雨量、盐分、溶解氧、PH值、水温。

3.根据权利要求1所述一种基于多维数据的海参养殖水温预测方法，其特征在于，将实地采集的气象和水体数据进行分析与筛选，具体为：

对实地采集的气象和水体数据进行收集整理，使用线性内插法来内插缺失的数据，并剔除异常的数据；

利用数据归一化处理方法将气象和水体数据对应的分子描述符统一表示为[0,1]之间的数值，其归一化公式为：

式中：x'_ij为分子描述符变量X_i中第j个值，x_ij为其归一化后的值，x'_iMax表示X_i中的最大值，x'_iMin表示X_i中的最小值；

利用Pearson相关性分析方法对归一化后的空气温度、空气湿度、相对气压、风速、风向、阵风、降雨量、盐分、溶解氧、PH值与水温相关性进行分析。

4.根据权利要求1或3所述一种基于多维数据的海参养殖水温预测方法，其特征在于，对实地采集的气象和水体数据进行分析与筛选，还包括：将与水温相关的各影响因子权重进行累积，若权重积不为0，则证明式中所有影响因子权重皆不为0，即与相关性分析结果吻合；其公式为：

式中：W为所有权重的乘积，n为相关性分析的影响因子总个数，ω_i为各影响因子变量权重。

5.根据权利要求1所述一种基于多维数据的海参养殖水温预测方法，其特征在于，所述GA-BP水温预测模型利用GA算法优化BP神经网络，根据所述BP神经网络的结构初始化权值和阈值，并通过遗传算法对BP神经网络进行训练，以获取最优权值和阈值，具体为：

根据BP神经网络的初始权值和阈值，得到每个影响因子输入向量到水温输出向量的适应度函数：

(90≤k≤110∩k≠100)

式中：n为BP神经网络输出节点数，y_i为BP神经网络第i个水温的实际输出，o_i为第i个水温的预测输出，k为系数；

根据适应度函数，利用选择函数筛选出种群中各个水温影响因子向量到水温输出向量的优秀参数个体：

式中：m表示种群规模，

表示各个种群个体的适应度，p_i表示该个体被选中的概率；

对种群中各个影响因子输入向量到水温输出向量的参数路径进行交叉操作以及变异操作，以产生新的优秀参数个体，扩大种群规模；

其交叉操作为：

式中：c_kj为第k个染色体在j位置的基因，c_lj为第l个染色体在j位置上的基因，b是[0,1]上的随机数；

其变异操作为：以一定概率产生变异基因数，使用随机选取方法选取变异基因；若基因编码为0则翻转成1，反正，则变为0。

6.根据权利要求1所述一种基于多维数据的海参养殖水温预测方法，其特征在于，所述GA-BP水温预测模型根据气象和水体数据的影响因子确定隐含层节点数，公式为：

其中，m和n分别为输入层节点数和输出层节点数，a为0-10的常数。

7.根据权利要求1所述一种基于多维数据的海参养殖水温预测方法，其特征在于，通过平均绝对百分比误差MAPE、均方根误差MSE和平均绝对误差MAE三个评价指标对GA-BP水温预测模型进行性能评价，其评价指标公式如下：

平均绝对误差MAE：

平均绝对百分比误差MAPE：

均方根误差MSE：

其中，N表示测试集样本数，y_i表示实际值，

表示预测值。

Images