CN115166176B - 一种基于tcn模型的池塘溶解氧浓度预测方法 - Google Patents
一种基于tcn模型的池塘溶解氧浓度预测方法 Download PDFInfo
- Publication number
- CN115166176B CN115166176B CN202210728083.0A CN202210728083A CN115166176B CN 115166176 B CN115166176 B CN 115166176B CN 202210728083 A CN202210728083 A CN 202210728083A CN 115166176 B CN115166176 B CN 115166176B
- Authority
- CN
- China
- Prior art keywords
- dissolved oxygen
- imf
- model
- residual
- sequence
- 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 76
- 229910052760 oxygen Inorganic materials 0.000 title claims abstract description 76
- 239000001301 oxygen Substances 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 17
- 230000003044 adaptive effect Effects 0.000 claims abstract description 7
- 238000000513 principal component analysis Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 18
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 12
- 230000001364 causal effect Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 8
- 230000001186 cumulative effect Effects 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000015556 catabolic process Effects 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 239000011800 void material Substances 0.000 claims 1
- 238000003672 processing method Methods 0.000 abstract description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000009395 breeding Methods 0.000 description 4
- 230000001488 breeding effect Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 241000251468 Actinopterygii Species 0.000 description 2
- 206010021143 Hypoxia Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007954 hypoxia Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000005276 aerator Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000002650 habitual effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
- G01N33/1806—Biological oxygen demand [BOD] or chemical oxygen demand [COD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Emergency Medicine (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于TCN模型的池塘溶解氧浓度预测方法，属于专门适用于预测目的的数据处理方法技术领域，用于溶解氧浓度的预测，包括对原始溶解氧时间序列进行预处理，采用线性插值方法对原始溶解氧时间序列进行补全操作，得到预处理后的溶解氧时间序列{Xt}；对{Xt}使用改进的自适应噪声完备集合经验模态分解方法进行分解，得到一系列的平稳分量{IMFn}和残差{Rn}；对所有平稳分量使用TCN模型进行预测，得到所有平稳分量对应的预测结果；使用主成分分析确定所有平稳分量对原始溶解氧时间序列的贡献率，根据贡献率确定所有预测结果对应的权重，得到最终预测结果。
Description
技术领域
本发明公开了一种基于TCN模型的池塘溶解氧浓度预测方法，属于专门适用于预测目的的数据处理方法技术领域。
背景技术
水体中的溶解氧是水中生物赖以生存的重要物质，它与水中生物的生存、生长关系密切。因此对池塘溶解氧进行精准预测，及时准确掌握未来池塘内溶解氧浓度的变化情况，对于实现池塘溶解氧浓度准确及时的调控、提高养殖效益具有重要意义。池塘溶解氧传感器采集到的溶解氧数据一般为时间序列数据，时间序列数据是指数据按照时间发生先后进行排列组成的数据，具有很强的时间相关性，其预测方法是通过捕捉历史时序数据之间的规律预测数据的长期发展趋势。
目前溶解氧的预测模型都是基于统计学习、机器学习算法和深度学习等算法。其中深度学习算法在处理时间序列上有优越性，具有较好的预测精度，主要包括循环神经网络(Recurrent Neural Network,RNN)及其改进算法包括长短期记忆网络(Long ShortTerm Memory,LSTM)等。其中，RNN模型在训练长序列时，会发生梯度爆炸和梯度消失的问题从而增加了模型训练的难度，而LSTM模型由于需要设置多个参数，存在过学习的风险。
发明内容
本发明公开一种基于TCN模型的池塘溶解氧浓度预测方法，以解决现有技术中模型训练过程比较复杂的问题。
一种基于TCN模型的池塘溶解氧浓度预测方法，包括：
S1：对池塘中溶解氧传感器采集到的原始溶解氧时间序列进行预处理，采用线性插值方法对原始溶解氧时间序列进行补全操作，得到预处理后的溶解氧时间序列{Xt}；溶解氧传感器设在池塘中，每隔15分钟对池溏中的溶解氧浓度进行一次采集，累计采集24小时溶解氧浓度数据作为原始溶解氧时间序列；
S2：对{Xt}使用改进的自适应噪声完备集合经验模态分解方法进行分解，得到一系列的平稳分量{IMFn}和残差{Rn}；
S3：TCN模型为时域卷积网络模型，对步骤S2得到的所有平稳分量使用TCN模型进行预测，使用二次回归模型预测{Rn}，得到所有平稳分量对应的预测结果；
S4：使用主成分分析确定所有平稳分量对原始溶解氧时间序列的贡献率，根据贡献率确定所有预测结果对应的权重，将步骤S3得到的所有预测结果按照对应的权重进行加权，得到1小时后的溶解氧浓度最终预测结果。
优选地，步骤S2中改进的自适应噪声完备集合经验模态分解方法包括以下步骤：
S2.1：在S1中的{Xt}中加入1组高斯白噪声后构建新的序列{S1}，EMD表示经验模态分析方法，使用EMD分解计算{S1}的局部均值，得到第一阶残差R1和{IMFn}的第一个分量IMF1；
S1＝Xt+γ0E1(ω(i))
R1＝<M(S1)>
IMF1＝S1-R1
算子En(·)为进行EMD分解得到的第n个模态，M(·)表示满足{IMFn}判定条件的包络线局部均值的算子，ω(i)表示均值和单位方差分别为0和1的高斯白噪声，且i＝1，2，……，n，
表示高斯白噪声系数，用于调整添加的噪声与添加噪声后的残差之间所需的信噪比，当n>1时，γn＝ε0std(Rn)，ε0表示高斯白噪声的幅值，设为0.2，std(·)为标准差算子，<·>代表进行平均值计算；
S2.2：在R1中加入1组高斯白噪声，构建待分解序列{S2}，通过经验模态分析方法分解{S2}，计算{S2}的局部均值，得到第二阶残差R2和{IMFn}的第二个分量IMF2：
R2＝<M(R1+γ1E2(ω(i)))>
IMF2＝S2-R2
S2.3：重复S2.2，在Rn中加入1组高斯白噪声，构建待分解序列{Sn}，通过经验模态分析方法分解{Sn}，计算{Sn}的局部均值，得到第二阶残差Rn和{IMFn}的第二个分量IMFn；
Rn＝<M(Rn-1+γn-1En(ω(i)))>
IMFn＝Sn-Rn
S2.4：当第n阶残差Rn为单调函数时，停止计算，记录获得的所有平稳分量{IMFn}和所有残差{Rn}。
优选地，2.1中的EMD包括以下步骤：
S2.1.1：通过三次样条插值法获得{Xt}的上包络线和下包络线，将上包络线和下包络线的幅值相加并进行平均，获得局部均值，在{Xt}中减去局部均值，得到新的数据序列{ht}；
S2.1.2：根据{IMFn}判定条件判断{ht}是否属于{IMFn}，若是，则记录为IMF1；若不是，则将ht作为新的序列重复S2.1.1，直到ht满足判定条件，计算残差R1＝{Xt}-ht；
S2.1.3：将残差R1作为新的原始序列替代S2.1.1中的{Xt}，重复步骤S2.1.1至S2.1.2，重复n次，得到n个{IMFn}的分量，当最终残差Rn为一单调函数或者常数时，停止计算。
优选地，所述{IMFn}判定条件为：极值点数目和过零点数目是否相等或最多相差1个，局部均值为0。
优选地，所述TCN模型包括因果卷积、空洞卷积和残差块；
所述因果卷积中的数据遵循时间顺序，具有一对一的因果关系，对于t时刻的值只依赖于t时刻之前的信息；
所述空洞卷积对输入序列进行跳步操作的卷积运算，通过对卷积的输入进行间隔采样，等同于跳过部分输入来改变卷积核的大小，以扩展TCN模型的感受野，间隔采样的采样频率由空洞系数d决定。
优选地，所述空洞卷积的计算公式为：F(i)为对{Xt}中第i个元素的卷积结果；h(j)为卷积核，对f维序列其卷积核大小为K＝f×k，d＝2l-1，其中l为卷积核的层数，K为卷积核的大小，k为可调参数，j＝0,1,2,……,k-1。
优选地，所述残差块通过引入一个跳过一层或多层的“跳连接”解决深度学习网络的退化问题；
假设X是残差块的输入，残差块的输出o是经过线性变化并通过激活函数映射的输出结果，如下：o＝Activation(X+G(X))，Activation表示激活函数；
G(X)具体为：对X依次执行两轮以下步骤：因果空洞卷积、权重归一化、加入激活函数ReLe、执行深度学习中的dropout。
优选地，所述二次回归模型为：b0为常数项，bi、bii、为回归系数，输入为Xi，输出为Y。
优选地，所述主成分分析包括：
S4.1：通过分解得到的所有平稳分量构造标准化矩阵Xmxn；
S4.2：对Xmxn求协方差矩阵R；
S4.3：求解得R的特征值为λ1≥λ2≥…≥λn>0，特征值对应的特征向量为：
β1＝[β11,β21,...,βn1]T,β2＝[β12,β22,...,βn2]T,…,βn＝[β1n,β2n,...,βnn]Tβnn表示特征向量的一个分量；
S4.4：计算贡献率τ与累计贡献率η：
优选地，设定前p个主成分的特征值的累计贡献率高于一定阈值时，即认为这p个主成分可以表示原来n个变量，且前p个主成分对应的特征值和特征向量分别为αi和βi，每个主成分中对应指标的系数为σ：
σ＝(σ1,σ2,…,σi)，/>表示βi的一个分量；
利用主成分的贡献率确定各分量在综合得分模型中的系数将指标权重归一化，得到各个分量所对应的权重/>将各分量对应的预测结果按照权重相加得到最终预测结果。
本发明的主要优点为：通过对原始序列的分解处理，尽可能避免不同时间尺度信息间的相互耦合，更深层次的捕捉溶解氧时间序列的原始特性和内部关联特性等有效信息，进一步提取具有代表性的潜在特征，进而高精度地追踪序列变化趋势。其次对所有数据并行处理，极大地降低了训练模型的内存占用及训练难度，提高了模型梯度稳定性，避免了过度学习的风险，从而提高了模型的训练速度和溶解氧浓度的预测精度。
附图说明
图1为本发明的基于TCN模型的池塘溶解氧浓度预测方法的流程图；
图2为TCN模型的结构图；
图3为溶解氧浓度预测效果示意图。
具体实施方式
下面结合具体实施例对本发明的具体实施方式做进一步说明：
一种基于TCN模型的池塘溶解氧浓度预测方法，如图1，包括：
S1：对池塘中溶解氧传感器采集到的原始溶解氧时间序列进行预处理，采用线性插值方法对原始溶解氧时间序列进行补全操作，得到预处理后的溶解氧时间序列{Xt}；采集过程通过将山东科技大学自研的水质监测系统部署在青岛市即墨区某公司养虾基地的养殖池塘中，水质监测系统包括温度传感器和溶解氧传感器，其中溶解氧传感器置于水深35cm处，每隔15分钟对养殖池溏中的溶解氧浓度进行一次采集，累计采集24小时96个溶解氧浓度数据作为原始溶解氧时间序列。
S2：对{Xt}使用改进的自适应噪声完备集合经验模态分解方法进行分解，得到一系列的平稳分量{IMFn}和残差{Rn}；
S3：TCN模型为时域卷积网络模型，其具体结构如图2，对步骤S2得到的所有平稳分量使用TCN模型进行预测，使用二次回归模型预测{Rn}，得到所有平稳分量对应的预测结果；
S4：使用主成分分析确定所有平稳分量对原始溶解氧时间序列的贡献率，根据贡献率确定所有预测结果对应的权重，将步骤S3得到的所有预测结果按照对应的权重进行加权，得到一定时间后的溶解氧浓度最终预测结果。
步骤S2中改进的自适应噪声完备集合经验模态分解方法包括以下步骤：
S2.1：在S1中的{Xt}中加入1组高斯白噪声后构建新的序列{S1}，EMD表示经验模态分析方法，使用EMD分解计算{S1}的局部均值，得到第一阶残差R1和{IMFn}的第一个分量IMF1；
S1＝Xt+γ0E1(ω(i))
R1＝<M(S1)>
IMF1＝S1-R1
算子En(·)为进行EMD分解得到的第n个模态，M(·)表示满足{IMFn}判定条件的包络线局部均值的算子，ω(i)表示均值和单位方差分别为0和1的高斯白噪声，且i＝1，2，……，n，
表示高斯白噪声系数，用于调整添加的噪声与添加噪声后的残差之间所需的信噪比，当n>1时，γn＝ε0std(Rn)，ε0表示高斯白噪声的幅值，设为0.2，std(·)为标准差算子，<·>代表进行平均值计算；
S2.2：在R1中加入1组高斯白噪声，构建待分解序列{S2}，通过经验模态分析方法分解{S2}，计算{S2}的局部均值，得到第二阶残差R2和{IMFn}的第二个分量IMF2：
R2＝<M(R1+γ1E2(ω(i)))>
IMF2＝S2-R2
S2.3：重复S2.2，在Rn中加入1组高斯白噪声，构建待分解序列{Sn}，通过经验模态分析方法分解{Sn}，计算{Sn}的局部均值，得到第二阶残差Rn和{IMFn}的第二个分量IMFn；
Rn＝<M(Rn-1+γn-1En(ω(i)))>
IMFn＝Sn-Rn
S2.4：当第n阶残差Rn为单调函数时，停止计算，记录获得的所有平稳分量{IMFn}和所有残差{Rn}。
2.1中的EMD包括以下步骤：
S2.1.1：通过三次样条插值法获得{Xt}的上包络线和下包络线，将上包络线和下包络线的幅值相加并进行平均，获得局部均值，在{Xt}中减去局部均值，得到新的数据序列{ht}；
S2.1.2：根据{IMFn}判定条件判断{ht}是否属于{IMFn}，若是，则记录为IMF1；若不是，则将ht作为新的序列重复S2.1.1，直到ht满足判定条件，计算残差R1＝{Xt}-ht；
S2.1.3：将残差R1作为新的原始序列替代S2.1.1中的{Xt}，重复步骤S2.1.1至S2.1.2，重复n次，得到n个{IMFn}的分量，当最终残差Rn为一单调函数或者常数时，停止计算。
所述{IMFn}判定条件为：极值点数目和过零点数目是否相等或最多相差1个，局部均值为0。
所述TCN模型包括因果卷积、空洞卷积和残差块；
所述因果卷积中的数据遵循时间顺序，具有一对一的因果关系，对于t时刻的值只依赖于t时刻之前的信息；
所述空洞卷积对输入序列进行跳步操作的卷积运算，通过对卷积的输入进行间隔采样，等同于跳过部分输入来改变卷积核的大小，以扩展TCN模型的感受野，间隔采样的采样频率由空洞系数d决定。
所述空洞卷积的计算公式为：F(i)为对{Xt}中第i个元素的卷积结果；h(j)为卷积核，对f维序列其卷积核大小为K＝f×k，d＝2l-1，其中l为卷积核的层数，K为卷积核的大小，k为可调参数，j＝0,1,2,……,k-1。
所述残差块通过引入一个跳过一层或多层的“跳连接”解决深度学习网络的退化问题；
假设X是残差块的输入，残差块的输出o是经过线性变化并通过激活函数映射的输出结果，如下：o＝Activation(X+G(X))，Activation表示激活函数；
G(X)具体为：对X依次执行两轮以下步骤：因果空洞卷积、权重归一化、加入激活函数ReLe、执行深度学习中的dropout。
所述二次回归模型为：b0为常数项，bi、bii为回归系数，输入为Xi，输出为Y。
所述主成分分析包括：
S4.1：通过分解得到的所有平稳分量构造标准化矩阵Xmxn；
S4.2：对Xmxn求协方差矩阵R；
S4.3：求解得R的特征值为λ1≥λ2≥…≥λn>0，特征值对应的特征向量为：
β1＝[β11,β21,...,βn1]T,β2＝[β12,β22,...,βn2]T,…,βn＝[β1n,β2n,...,βnn]T
βnn表示特征向量的一个分量；
S4.4：计算贡献率τ与累计贡献率η：
设定前p个主成分的特征值的累计贡献率高于一定阈值时，即认为这p个主成分可以表示原来n个变量，且前p个主成分对应的特征值和特征向量分别为αi和βi，每个主成分中对应指标的系数为σ：
σ＝(σ1,σ2,…,σi)，/>表示βi的一个分量；
利用主成分的贡献率确定各分量在综合得分模型中的系数将指标权重归一化，得到各个分量所对应的权重/>将各分量对应的预测结果按照权重相加得到最终预测结果。
采集过程通过将山东科技大学自研的水质监测系统部署在青岛市即墨区某公司养虾基地的养殖池塘中，水质监测系统包括温度传感器和溶解氧传感器，其中溶解氧传感器置于水深35cm处，每隔15分钟对养殖池溏中的溶解氧浓度进行一次采集，累计采集24小时97个溶解氧浓度数据作为原始溶解氧时间序列。实施例中，将累计24小时的溶解氧浓度数据，按照步长为4输入到训练好的溶解氧浓度预测模型中，即可得到1小时后的溶解氧浓度。如图3，根据20:00-20:00的溶解氧浓度预测21:00的溶解氧浓度数据。表1为图3中的具体数值，结合表1和图3，实测浓度为10.9mg/L，预测浓度为10.6mg/L。
表1溶解氧浓度数据
现阶段的养殖用户大多是依据传统的经验来判断池塘是否缺氧，比如鱼浮头、天闷或者习惯性的在晚上9点左右开增氧机，增氧机等设备是用来预防缺氧的但大多时候被用来救急了，当池塘已经缺氧的情况下再开增氧机对增加池塘溶氧是很有限的，另外，在不缺氧的情况下额外的开启增氧机也会给养殖用户带来额外的经济开支。通过对池塘一小时后的溶氧浓度进行预测，养殖用户可以参考预测数据提前判断池塘是否会缺氧，以便可以在合适的时间开启增氧机，最大化养殖用户的经济效益
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。
Claims (9)
1.一种基于TCN模型的池塘溶解氧浓度预测方法，其特征在于，包括：
S1：对池塘中溶解氧传感器采集到的原始溶解氧时间序列进行预处理，采用线性插值方法对原始溶解氧时间序列进行补全操作，得到预处理后的溶解氧时间序列{Xt}；
溶解氧传感器设在池塘中，每隔15分钟对池溏中的溶解氧浓度进行一次采集，累计采集24小时溶解氧浓度数据作为原始溶解氧时间序列；
S2：对{Xt}使用改进的自适应噪声完备集合经验模态分解方法进行分解，得到一系列的平稳分量{IMFn}和残差{Rn}；
S3：TCN模型为时域卷积网络模型，对步骤S2得到的所有平稳分量使用TCN模型进行预测，使用二次回归模型预测{Rn}，得到所有平稳分量对应的预测结果；
S4：使用主成分分析确定所有平稳分量对原始溶解氧时间序列的贡献率，根据贡献率确定所有预测结果对应的权重，将步骤S3得到的所有预测结果按照对应的权重进行加权，得到1小时后的溶解氧浓度最终预测结果
步骤S2中改进的自适应噪声完备集合经验模态分解方法包括以下步骤：
S2.1：在S1中的{Xt}中加入1组高斯白噪声后构建新的序列{S1}，EMD表示经验模态分析方法，使用EMD分解计算{S1}的局部均值，得到第一阶残差R1和{IMFn}的第一个分量IMF1；
S1＝Xt+γ0E1(ω(i))
R1＝<M(S1)>
IMF1＝S1-R1
算子En(·)为进行EMD分解得到的第n个模态，M(·)表示满足{IMFn}判定条件的包络线局部均值的算子，ω(i)表示均值和单位方差分别为0和1的高斯白噪声，且i＝1，2，……，n，
表示高斯白噪声系数，用于调整添加的噪声与添加噪声后的残差之间所需的信噪比，当n>1时，γn＝ε0std(Rn)，ε0表示高斯白噪声的幅值，设为0.2，std(·)为标准差算子，<·>代表进行平均值计算；
S2.2：在R1中加入1组高斯白噪声，构建待分解序列{S2}，通过经验模态分析方法分解{S2}，计算{S2}的局部均值，得到第二阶残差R2和{IMFn}的第二个分量IMF2：
R2＝<M(R1+γ1E2(ω(i)))>
IMF2＝S2-R2
S2.3：重复S2.2，在Rn中加入1组高斯白噪声，构建待分解序列{Sn}，通过经验模态分析方法分解{Sn}，计算{Sn}的局部均值，得到第二阶残差Rn和{IMFn}的第二个分量IMFn；
Rn＝<M(Rn-1+γn-1En(ω(i)))>
IMFn＝Sn-Rn
S2.4：当第n阶残差Rn为单调函数时，停止计算，记录获得的所有平稳分量{IMFn}和所有残差{Rn}。
2.如权利要求1所述的一种基于TCN模型的池塘溶解氧浓度预测方法，其特征在于，S2.1中的EMD包括以下步骤：
S2.1.1：通过三次样条插值法获得{Xt}的上包络线和下包络线，将上包络线和下包络线的幅值相加并进行平均，获得局部均值，在{Xt}中减去局部均值，得到新的数据序列{ht}；
S2.1.2：根据{IMFn}判定条件判断{ht}是否属于{IMFn}，若是，则记录为IMF1；若不是，则将ht作为新的序列重复S2.1.1，直到ht满足判定条件，计算残差R1＝{Xt}-ht；
S2.1.3：将残差R1作为新的原始序列替代S2.1.1中的{Xt}，重复步骤S2.1.1至S2.1.2，重复n次，得到n个{IMFn}的分量，当最终残差Rn为一单调函数或者常数时，停止计算。
3.如权利要求2所述的一种基于TCN模型的池塘溶解氧浓度预测方法，其特征在于，所述{IMFn}判定条件为：极值点数目和过零点数目是否相等或最多相差1个，局部均值为0。
4.如权利要求3所述的一种基于TCN模型的池塘溶解氧浓度预测方法，其特征在于，所述TCN模型包括因果卷积、空洞卷积和残差块；
所述因果卷积中的数据遵循时间顺序，具有一对一的因果关系，对于t时刻的值只依赖于t时刻之前的信息；
所述空洞卷积对输入序列进行跳步操作的卷积运算，通过对卷积的输入进行间隔采样，等同于跳过部分输入来改变卷积核的大小，以扩展TCN模型的感受野，间隔采样的采样频率由空洞系数d决定。
5.如权利要求4所述的一种基于TCN模型的池塘溶解氧浓度预测方法，其特征在于，所述空洞卷积的计算公式为：F(i)为对{Xt}中第i个元素的卷积结果；h(j)为卷积核，对f维序列其卷积核大小为K＝f×k，d＝2l-1，其中l为卷积核的层数，K为卷积核的大小，k为可调参数，j＝0,1,2,……,k-1。
6.如权利要求5所述的一种基于TCN模型的池塘溶解氧浓度预测方法，其特征在于，所述残差块通过引入一个跳过一层或多层的“跳连接”解决深度学习网络的退化问题；
假设X是残差块的输入，残差块的输出o是经过线性变化并通过激活函数映射的输出结果：o＝Activation(X+G(X))，Activation表示激活函数；
G(X)具体为：对X依次执行两轮以下步骤：因果空洞卷积、权重归一化、加入激活函数ReLe、执行深度学习中的dropout。
7.如权利要求6所述的一种基于TCN模型的池塘溶解氧浓度预测方法，其特征在于，所述二次回归模型为：b0为常数项，bi、bii、为回归系数，输入为Xi，输出为Y。
8.如权利要求7所述的一种基于TCN模型的池塘溶解氧浓度预测方法，其特征在于，所述主成分分析包括：
S4.1：通过分解得到的所有平稳分量构造标准化矩阵Xmxn；
S4.2：对Xmxn求协方差矩阵R；
S4.3：求解得R的特征值为λ1≥λ2≥…≥λn>0，特征值对应的特征向量为：
β1＝[β11，β21，...，βn1]T，β2＝[β12，β22，...，βn2]T，…，βn＝[β1n，β2n，...，βnn]T
βnn表示特征向量的一个分量；
S4.4：计算贡献率τ与累计贡献率η：
9.如权利要求8所述的一种基于TCN模型的池塘溶解氧浓度预测方法，其特征在于，设定前p个主成分的特征值的累计贡献率高于一定阈值时，即认为这p个主成分可以表示原来n个变量，且前p个主成分对应的特征值和特征向量分别为αi和βi，每个主成分中对应指标的系数为σ：
表示βi的一个分量；
利用主成分的贡献率确定各分量在综合得分模型中的系数将指标权重归一化，得到各个分量所对应的权重/>将各分量对应的预测结果按照权重相加得到最终预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210728083.0A CN115166176B (zh) | 2022-06-24 | 2022-06-24 | 一种基于tcn模型的池塘溶解氧浓度预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210728083.0A CN115166176B (zh) | 2022-06-24 | 2022-06-24 | 一种基于tcn模型的池塘溶解氧浓度预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115166176A CN115166176A (zh) | 2022-10-11 |
| CN115166176B true CN115166176B (zh) | 2024-03-26 |
Family
ID=83487247
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210728083.0A Active CN115166176B (zh) | 2022-06-24 | 2022-06-24 | 一种基于tcn模型的池塘溶解氧浓度预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115166176B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107016453A (zh) * | 2016-12-08 | 2017-08-04 | 中国农业大学 | 一种水产养殖溶解氧预测方法及装置 |
| CN111898673A (zh) * | 2020-07-29 | 2020-11-06 | 武汉大学 | 一种基于emd与lstm的溶解氧含量预测方法 |
| CN112526212A (zh) * | 2020-11-12 | 2021-03-19 | 山东科技大学 | 一种可补偿环境变化的电导率测量装置及测量方法 |
| CN112785051A (zh) * | 2021-01-14 | 2021-05-11 | 武汉纺织大学 | 一种基于emd和tcn相结合的云资源预测方法 |
| CN113222234A (zh) * | 2021-04-30 | 2021-08-06 | 中国石油天然气股份有限公司 | 基于集成模态分解的用气需求预测方法及其系统 |
| JP2021140523A (ja) * | 2020-03-06 | 2021-09-16 | 株式会社明電舎 | 汚水処理施設の運転操作量導出装置及び運転操作量導出方法 |
| CN113409072A (zh) * | 2021-05-31 | 2021-09-17 | 河北科技师范学院 | 一种经验模态分解和分布式gru神经网络及价格预测方法 |
| CN113780664A (zh) * | 2021-09-15 | 2021-12-10 | 辽宁工程技术大学 | 基于tdt-ssa-bp的时间序列预测方法 |
| CN114595617A (zh) * | 2022-05-10 | 2022-06-07 | 山东科技大学 | 一种微脉冲激光雷达光路参数拓扑结构的设计方法 |
-
2022
- 2022-06-24 CN CN202210728083.0A patent/CN115166176B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107016453A (zh) * | 2016-12-08 | 2017-08-04 | 中国农业大学 | 一种水产养殖溶解氧预测方法及装置 |
| JP2021140523A (ja) * | 2020-03-06 | 2021-09-16 | 株式会社明電舎 | 汚水処理施設の運転操作量導出装置及び運転操作量導出方法 |
| CN111898673A (zh) * | 2020-07-29 | 2020-11-06 | 武汉大学 | 一种基于emd与lstm的溶解氧含量预测方法 |
| CN112526212A (zh) * | 2020-11-12 | 2021-03-19 | 山东科技大学 | 一种可补偿环境变化的电导率测量装置及测量方法 |
| CN112785051A (zh) * | 2021-01-14 | 2021-05-11 | 武汉纺织大学 | 一种基于emd和tcn相结合的云资源预测方法 |
| CN113222234A (zh) * | 2021-04-30 | 2021-08-06 | 中国石油天然气股份有限公司 | 基于集成模态分解的用气需求预测方法及其系统 |
| CN113409072A (zh) * | 2021-05-31 | 2021-09-17 | 河北科技师范学院 | 一种经验模态分解和分布式gru神经网络及价格预测方法 |
| CN113780664A (zh) * | 2021-09-15 | 2021-12-10 | 辽宁工程技术大学 | 基于tdt-ssa-bp的时间序列预测方法 |
| CN114595617A (zh) * | 2022-05-10 | 2022-06-07 | 山东科技大学 | 一种微脉冲激光雷达光路参数拓扑结构的设计方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115166176A (zh) | 2022-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110163433B (zh) | 一种船舶流量预测方法 | |
| CN108710974B (zh) | 一种基于深度置信网络的水体氨氮预测方法及装置 | |
| CN110852515B (zh) | 基于混合长短时记忆神经网络的水质指标预测方法 | |
| CN108469507B (zh) | 一种基于自组织rbf神经网络的出水bod软测量方法 | |
| CN112561148A (zh) | 基于一维卷积神经网络和lstm的船舶轨迹预测方法及系统 | |
| CN110889085A (zh) | 基于复杂网络多元在线回归的废水智能监控方法及系统 | |
| CN106022954B (zh) | 基于灰色关联度的多重bp神经网络负荷预测方法 | |
| CN113095550B (zh) | 基于变分递归网络和自注意力机制的空气质量预测方法 | |
| CN112884056A (zh) | 基于优化的lstm神经网络的污水水质预测方法 | |
| CN111931983B (zh) | 一种降水量预测方法及系统 | |
| CN112989704B (zh) | 一种基于de算法的irfm-cmnn出水bod浓度预测方法 | |
| CN113723007A (zh) | 基于DRSN和麻雀搜索优化BiLSTM的机械设备剩余寿命预测方法 | |
| CN116822920B (zh) | 一种基于循环神经网络的流程预测方法 | |
| CN111693667A (zh) | 一种基于门控递归阵列水质检测系统及方法 | |
| CN114219139A (zh) | 基于注意力机制的dwt-lstm电力负荷预测方法 | |
| CN115166176B (zh) | 一种基于tcn模型的池塘溶解氧浓度预测方法 | |
| CN115456245A (zh) | 一种感潮河网区溶解氧预测方法 | |
| CN115098999A (zh) | 一种多模态融合的燃料电池系统性能衰减预测方法 | |
| CN114692963A (zh) | 一种基于长短期记忆神经网络的滑坡位移预测方法 | |
| CN113111576B (zh) | 一种基于混合编码粒子群-长短期记忆神经网络出水氨氮软测量方法 | |
| CN112949894B (zh) | 一种基于简化型长短期记忆神经网络的出水bod预测方法 | |
| Xiao et al. | Csq: Growing mixed-precision quantization scheme with bi-level continuous sparsification | |
| CN112149355A (zh) | 基于半监督动态反馈堆栈降噪自编码器模型的软测量方法 | |
| CN110542748B (zh) | 一种基于知识的鲁棒型出水氨氮软测量方法 | |
| CN115687322A (zh) | 基于编码器-解码器和自回归生成对抗网络的水质时间序列缺失数据补全方法 |
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 |