CN116579508A - 一种鱼类预测方法、装置、设备及存储介质 - Google Patents
一种鱼类预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116579508A CN116579508A CN202310858328.6A CN202310858328A CN116579508A CN 116579508 A CN116579508 A CN 116579508A CN 202310858328 A CN202310858328 A CN 202310858328A CN 116579508 A CN116579508 A CN 116579508A
- Authority
- CN
- China
- Prior art keywords
- historical
- time point
- data
- fish
- culture
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 241000251468 Actinopterygii Species 0.000 claims abstract description 105
- 230000004083 survival effect Effects 0.000 claims abstract description 58
- 238000012549 training Methods 0.000 claims abstract description 58
- 230000002159 abnormal effect Effects 0.000 claims description 32
- 230000008859 change Effects 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000013145 classification model Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 10
- 238000009313 farming Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 241000894007 species Species 0.000 claims description 3
- 238000009360 aquaculture Methods 0.000 description 7
- 244000144974 aquaculture Species 0.000 description 7
- 238000009395 breeding Methods 0.000 description 7
- 230000001488 breeding effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 241000252073 Anguilliformes Species 0.000 description 2
- 241000252230 Ctenopharyngodon idella Species 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012377 drug delivery Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
Abstract
本发明提供的一种鱼类预测方法、装置、设备及存储介质,包括步骤:获取某一鱼类的多组历史养殖数据集;对于每一组历史养殖数据集,任取第一时间点的历史存活数量作为输出数据,并形成训练数据集;将训练数据集根据不同时间间隔进行划分,根据不同时间间隔的训练数据集训练生成不同时间间隔的鱼类数量预测模型;计算当前时间点到预测时间点的时间间隔,获取并将待预测养殖区域的待预测养殖数据以及从当前时间点到预测时间点的预报气候参数输入到同一时间间隔的鱼类数量预测模型,以得到待预测养殖区域在预测时间点的鱼类预测数量。本发明能提高养殖区域内鱼类预测数量的适用范围、准确性和稳定性。
Description
技术领域
本发明涉及鱼群计数技术领域,特别涉及一种鱼类预测方法、装置、设备及存储介质。
背景技术
在养殖水产行业中,对于养殖物的数量进行统计是非常有必要的,其需要根据养殖物数量还进行养殖、运输、销售等多方面的管理。具体到鱼群数量统计来说,目前的鱼群数量统计都是实时统计,比如通过人工估算数量,或者是鱼群计数器来对流过的鱼群进行逐一统计,又或者是通过养殖区域的图像识别来进行整个养殖区域的鱼群计数等等。
但是,现有关于未来时间节点的鱼群数量预测都是在海域上用于预设鱼群资源的丰富区域以确定捕捞或者,并不适用于现有养殖区域的鱼群数量预测。
发明内容
为了解决现有技术的上述问题,本发明提供一种鱼类预测方法、装置、设备及存储介质,能够对养殖区域内的鱼群数量进行准确预测。
为了达到上述目的,本发明采用的技术方案为:
第一方面,本发明提供一种鱼类预测方法,包括步骤:
获取某一鱼类的多组历史养殖数据集,所述历史养殖数据集为在养殖过程中不同时间点的历史养殖数据,每一个所述历史养殖数据均包括历史养殖参数、历史气候参数和历史存活数量;
对于每一组历史养殖数据集,任取第一时间点的历史存活数量作为输出数据,将所述第一时间点的历史气候参数以及所述第一时间点之前的历史养殖数据进行组合生成输入数据,以形成训练数据集;
将所述训练数据集根据不同时间间隔进行划分,根据不同时间间隔的训练数据集训练生成不同时间间隔的鱼类数量预测模型,所述时间间隔为这一输入数据中最后一个历史存活数量的时间点和第一时间点之间的间隔;
计算当前时间点到预测时间点的时间间隔,获取并将待预测养殖区域的待预测养殖数据以及从当前时间点到预测时间点的预报气候参数输入到同一时间间隔的所述鱼类数量预测模型,以得到所述待预测养殖区域在所述预测时间点的鱼类预测数量。
本发明的有益效果在于:通过将第一时间点的历史存活数量作为输出数据,将第一时间点的历史气候参数以及第一时间点之前的历史养殖数据进行组合生成输入数据,以形成训练数据集,从而丰富了训练样本量,解决了因训练数据的样本量不足而导致的预测结果不准确的问题。通过将训练数据集根据不同时间间隔进行划分,以生成不同时间间隔的鱼类数量预测模型,之后根据预测时间点与当前时间点的时间间隔对待预测养殖区域进行预测,以得到鱼类预测数量,一方面能满足用户对于不同时间点进行预测的需求,另一方面也解决了不同时间跨度对于预测结果的影响问题,提高了预测数量的准确性和稳定性。
可选地,所述输入数据的生成包括步骤:
获取需要生成的第一时间间隔;
获取与所述第一时间点之前相距第一时间间隔的第二时间点;
获取所述第二时间点至第一时间点的历史气候参数、与所述第二时间点的最近时间点的历史养殖数据以及在最近时间点之前任选出在最低数据量阈值之上的历史养殖数据进行组合生成多组输入数据;
依次完成所有时间间隔的输入数据生成。
根据上述描述可知,依据用户所需要生成的时间间隔进行输入数据的处理,从而生成不同时间间隔所对应的输入数据,以满足不同时间间隔的鱼类数量预测模型的训练需求。同时,在最低数据量阈值的前提下,对历史养殖数据进行组合能丰富训练样本量,且对于需要预测的场景存在数据不全时有较好的准确性提高效果。
可选地,在选取第一时间点时,所述第一时间点之前的历史养殖参数、历史气候参数和历史存活数量至少为最低数据量阈值。
可选地,所述鱼类包括不同种类但聚类分析为同一簇的鱼。
根据上述描述可知,对于鱼的不同种类进行聚类分析之后形成不同簇的鱼类,能增大训练样本量,并减少训练所需的模型,以及时准确的完成模型的训练和生成。
可选地,所述历史养殖参数中包括能够改变养殖环境的养殖措施,则还包括步骤:
从所述历史养殖数据中筛选出历史存活数量变化超过第一比例的异常数据,将每一个异常数据所在的历史养殖数据集作为历史异常数据集;
按照所述存活数量在所述异常数据之后的存活数量变化最小作为训练目标,将所述历史异常数据集输入至多分类模型中进行训练,以得到训练完成的养殖措施建议模型;
当所述待预测养殖区域的待预测养殖数据中的当前存活数量相较于前一存活数量的变化超过第一比例,则将所述待预测养殖数据输入到养殖措施建议模型,得到所述养殖措施建议模型输出的建议养殖措施。
根据上述描述可知,本发明不仅进行存活数量的预测,也能根据存活数量的变化进行养殖异常检测,并且通过历史养殖措施的效果来训练生成一养殖措施建议模型,使得后续遇到养殖异常状况时能够通过养殖措施建议模型得到建议养殖措施。
可选地,所述将所述历史异常数据集输入至多分类模型中进行训练包括以下步骤:
获取所述历史异常数据集中异常数据所在的第三时间点;
根据所述历史异常数据集中第三时间点之后有进行对应养殖措施的存活数量变化对所述历史异常数据集进行对应养殖措施效果的打标;
将打标后的所述历史异常数据集输入至多分类模型中进行训练。
根据上述描述可知,养殖措施实施之后的存活数量变化来进行养殖措施效果的自动打标,以快速准确的实现数据打标。
可选地,在进行养殖措施之后的预设时间区间内,缩短其养殖数据的采集周期。
第二方面,本发明提供一种鱼类预测装置,包括:
数据获取模块,用于获取某一鱼类的多组历史养殖数据集,所述历史养殖数据集为在养殖过程中不同时间点的历史养殖数据,每一个所述历史养殖数据均包括历史养殖参数、历史气候参数和历史存活数量;
数据集生成模块,用于对于每一组历史养殖数据集,任取第一时间点的历史存活数量作为输出数据,将所述第一时间点的历史气候参数以及所述第一时间点之前的历史养殖数据进行组合生成输入数据,以形成训练数据集;
训练模块,用于将所述训练数据集根据不同时间间隔进行划分,根据不同时间间隔的训练数据集训练生成不同时间间隔的鱼类数量预测模型,所述时间间隔为这一输入数据中最后一个历史存活数量的时间点和第一时间点之间的间隔;
预测模块,用于计算当前时间点到预测时间点的时间间隔,获取并将待预测养殖区域的待预测养殖数据以及从当前时间点到预测时间点的预报气候参数输入到同一时间间隔的所述鱼类数量预测模型,以得到所述待预测养殖区域在所述预测时间点的鱼类预测数量。
第三方面,本发明提供一种电子设备,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计算机程序时实现第一方面的一种鱼类预测方法。
第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被执行时,实现第一方面的一种鱼类预测方法。
其中,第二方面所提供的一种鱼类预测装置、第三方面所提供的一种电子设备和第四方面所提供的一种计算机可读存储介质所对应的技术效果参照第一方面所提供的一种鱼类预测方法的相关描述。
附图说明
图1为本发明实施例一的一种鱼类预测方法的主要流程示意图;
图2为本发明实施例二的一种鱼类预测方法的主要流程示意图;
图3为本发明实施例三的一种鱼类预测装置的结构示意图;
图4为本发明实施例四的一种电子设备的结构示意图。
具体实施方式
为了更好的理解上述技术方案,下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更清楚、透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
实施例一
请参照图1,一种鱼类预测方法,包括步骤:
步骤100,获取某一鱼类的多组历史养殖数据集,历史养殖数据集为在养殖过程中不同时间点的历史养殖数据,每一个历史养殖数据均包括历史养殖参数、历史气候参数和历史存活数量;
其中,鱼类包括不同种类但聚类分析为同一簇的鱼。根据聚类分析的结果,一个鱼类可能对应一种种类的鱼,也可以对应多种种类的鱼。
其中,在一个养殖区域中,从购买鱼苗进行养殖开始到最后上市的整个过程记为一个养殖过程,整个养殖过程中所记录的历史养殖数据作为一组历史养殖数据集。其中,在养殖过程中的不同时间点可以根据不同鱼类的养殖周期进行设定,比如鳗鱼的养殖周期在一年左右,而草鱼的养殖周期在三年左右,因此,鳗鱼的两个时间点的差值要小于草鱼的两个时间点的差值。
其中,历史养殖参数中的养殖参数包括鱼类所在养殖区域的水质参数,比如水的颜色、浑浊程度、PH以及不同微生物含量等等。其中,历史气候参数的气候参数包括鱼类所在养殖区域的环境参数,比如温度、湿度等等。
即步骤101,对于每一组历史养殖数据集,任取第一时间点的历史存活数量作为输出数据,将第一时间点的历史气候参数以及第一时间点之前的历史养殖数据进行组合生成输入数据,以形成训练数据集;
在本实施例中,在选取第一时间点时,第一时间点之前的历史养殖参数、历史气候参数和历史存活数量至少为最低数据量阈值。其中,最低数量阈值为[3,100],即至少要有一定的数据量来作为数据变化趋势以进行模型的特征识别,如果数据采集周期比较短,则最低数量阈值可以较大。
具体地,输入数据的生成包括步骤:
步骤1010、获取需要生成的第一时间间隔;
其中,根据需要预测的时间间隔,在所有需要预测的时间间隔依次进行输入数据的生成,比如是一周、一个月、一个季度等等。
步骤1011、获取与第一时间点之前相距第一时间间隔的第二时间点;
其中,在选取第一时间点之后,获取到相距第一时间间隔的第二时间点作为一个数据选取的时间点,比如在2022年5月3日这一第一时间点,第一时间间隔为1个月,则第二时间点为2022年4月3日。
步骤1012、获取第二时间点至第一时间点的历史气候参数、与第二时间点的最近时间点的历史养殖数据以及在最近时间点之前任选出在最低数据量阈值之上的历史养殖数据进行组合生成多组输入数据;
其中,由于不同的历史养殖数据集之间的数据采集周期不尽相同,因此,选取与第二时间点的最近时间点的数据即可。在本实施例中,则为2022年4月3日至2022年5月3日的历史气候参数、2022年4月3的历史养殖数据以及在2022年4月3日之前任选出在最低数据量阈值之上的历史养殖数据进行组合。
对于输入数据的生成过程中涉及到的组合,本实施例中不同组合之间的数据重复率要低于某一个设定的阈值,该阈值视数据量的多少而定。
其中,提供以下一个实例进行解释说明:
以某一组历史养殖数据集中数据采集周期为1天、整个养殖周期为2021年12月23日至2023年1月5日,最低数量阈值为8,第一时间间隔为1个月即30天,此时,第一时间点为2022年5月3日,第二时间点为2022年4月3日则每一个输入数据中均包括有2022年4月3日至2022年5月3日的历史气候参数、2022年4月3的历史养殖数据,而2022年4月3日之前的历史养殖数据有100组,由于数据采集周期较短,数据量较多,则可以考虑数据重复率为20%,由此可以组合生成多组的输入数据。
在一些场景中,在满足数据重复率的情况下,若某一个历史养殖数据集生成的输入数据过多,则可以再允许的输入数据组量范围内生成一随机数序列,以根据随机数序列从这一个历史养殖数据集生成的所有输入数据进行提取。比如随机数序列为1、2、8、11、27……,则在这一个历史养殖数据集生成的所有输入数据提取出位于1、2、8、11、27……的输入数据。
由此,在最低数据量阈值的前提下,对历史养殖数据进行组合能丰富训练样本量,以解决了数据量过少导致的预测结果不准确的问题,且对于需要预测的场景存在数据不全时有较好的准确性提高效果。同时,对于过多组合的输入数据进行数据重复率和随机数序列的设定,也解决了数据量过多导致的训练过程过长的问题。
步骤1013、依次完成所有时间间隔的输入数据生成。
其中,重复执行步骤1011和步骤1012即可实现所有时间间隔的输入数据生成。
步骤102,将训练数据集根据不同时间间隔进行划分,根据不同时间间隔的训练数据集训练生成不同时间间隔的鱼类数量预测模型,时间间隔为这一输入数据中最后一个历史存活数量的时间点和第一时间点之间的间隔;
其中,由于在步骤101中已经生成了不同时间间隔的训练数据集,因此,在进行训练某一个时间间隔的鱼类数量预测模型,就使用该时间间隔的训练数据集即可,这样就得到了不同时间间隔的鱼类数量预测模型,以满足不同时间间隔的鱼类数量预测模型的训练需求。
而因为在生成输入数据时,已经限定了第二时间点的历史养殖数据,因此,第二时间点的历史养殖数据中的历史存活数据即为最后一个历史存活数量,其与第一时间点之间的间隔即为对应的时间间隔一个月。
步骤103,计算当前时间点到预测时间点的时间间隔,获取并将待预测养殖区域的待预测养殖数据以及从当前时间点到预测时间点的预报气候参数输入到同一时间间隔的鱼类数量预测模型,以得到待预测养殖区域在预测时间点的鱼类预测数量。
其中,从当前时间点到预测时间点的预报气候参数可以通过接入天气预报接口进行获取。其中,待预测养殖数据包括到当前时间点的养殖过程中的养殖参数、气候参数和存活数量。
其中,对于养殖区域中的存活数量的统计,本实施例中具体包括:
通过个体特征的相似度对比,在养殖区域中自动寻找个体特征差异大的鱼进行图像标记;
在每一个采集周期内,获取鱼群图像,从鱼群图像中统计的所有鱼的第一数量n以及带有人工标记和图像标记的第二数量m;
获取上一个采集周期时带有人工标记和图像标记的第三数量M,则得到当前存活数量N=n*M/m。
其中,个体特征差异大为根据一个时期内的鱼群个体照片进行个体特征的相似度对比,找到相似度与其他鱼相差数值在前M1个的鱼,M1的数量取决于养殖区域中的数量。而随着时间的变化,鱼的个体特征发生了变化,但相邻采集周期的变化较小,因此,鱼特征识别数据在每一次采集周期之后都进行更新。
其中人工标记为人工在养殖过程中对鱼进行的易于被识别到的标记。
应当说明的是,上述的存活数量统计应用了概率统计方法,因此无需对整个养殖区域都进行统计,也无需对不同图像的鱼数量是否重复进行判断删除。同时,本实施例通过图像标记来和人工标记进行综合考虑,能减少人工标记所带来的偶然性误差,能有效提高存活数量的计算精度。同时,通过个体特征差异大的鱼进行标记,也能提高图像识别过程中对于图像标记的鱼的识别准确度,解决了现有水下环境中鱼个体识别准确度较低的问题。
在本实施例中,假设时间间隔有一周、一个月、一个季度。则用户至少可以得到一周、一个月、一个季度后的鱼类预测数量。若当前时间点到预测时间点的时间间隔与任意一个鱼类数量预测模型的时间间隔的数值最大,则根据时间相邻的两个鱼类数量预测模型的鱼类预测数量以及与相距时长进行换算后取整,比如10天,则与一周相距时长3天,对应鱼类预测数量为208,与一个月相距时长20天,对应鱼类预测数量为203,则(208*20+203*3)/23后取整为207只。
由此,通过将训练数据集根据不同时间间隔进行划分,以生成不同时间间隔的鱼类数量预测模型,之后根据预测时间点与当前时间点的时间间隔对待预测养殖区域进行预测,以得到鱼类预测数量,一方面能满足用户对于不同时间点进行预测的需求,另一方面也解决了不同时间跨度对于预测结果的影响问题,提高了预测数量的准确性和稳定性。
实施例二
请参照图1,一种鱼类预测方法,在上述实施例一的步骤100至步骤103之上,还包括步骤:
步骤200,从历史养殖数据中筛选出历史存活数量变化超过第一比例的异常数据,将每一个异常数据所在的历史养殖数据集作为历史异常数据集;
其中,历史养殖参数中包括能够改变养殖环境的养殖措施,比如水温调节、饲料投放、医疗药物投放等等。而在进行养殖措施之后的预设时间区间内,缩短其养殖数据的采集周期。当然,若数据采集周期本身就已经为1天的最小采集周期,则可以考虑不进行缩短。
在本实施例中,历史存活数量变化为8%,其可选范围在2%至20%之间,可以依据数据采集周期和实际存活数量来定。其中,历史存活数量变化有最低变化阈值,最低变化阈值和采集周期中选最大值即可,比如最低变化阈值有3天,而采集周期为1天,则历史存活数量变化是每三天来计算变化的。
步骤201,按照存活数量在异常数据之后的存活数量变化最小作为训练目标,将历史异常数据集输入至多分类模型中进行训练,以得到训练完成的养殖措施建议模型;
在本实施例,将历史异常数据集输入至多分类模型中包括以下步骤:
步骤2010,获取历史异常数据集中异常数据所在的第三时间点;
步骤2011,根据历史异常数据集中第三时间点之后有进行对应养殖措施的存活数量变化对历史异常数据集进行对应养殖措施效果的打标;
步骤2012,将打标后的历史异常数据集输入至多分类模型中进行训练。
在本实施例中,若异常数据所在的第三时间点进行了某一养殖措施之后,其存活数量变化的趋势减缓,则为正面效果,而趋势增加,则为反面效果,而根据趋势变化的多少对应有数值的变化,比如0.2、-0.4此类的,也就是说每一个历史异常数据集中实施某一个养殖措施,会对其效果进行打分,这个打分在多分类模型中作为一个重要指标进行综合考虑以最终提供出分数最高的养殖措施作为分类结果进行输出。
其中,多分类模型包括决策树模型、随机森林模型等等。
步骤202,当待预测养殖区域的待预测养殖数据中的当前存活数量相较于前一存活数量的变化超过第一比例,则将待预测养殖数据输入到养殖措施建议模型,得到养殖措施建议模型输出的建议养殖措施。
由此,本实施例根据存活数量的变化进行养殖异常检测,并且通过历史养殖措施的效果来训练生成一养殖措施建议模型,使得后续遇到养殖异常状况时能够通过养殖措施建议模型得到建议养殖措施。
实施例三
请参照图3,一种鱼类预测装置,包括:
数据获取模块300,用于获取某一鱼类的多组历史养殖数据集,历史养殖数据集为在养殖过程中不同时间点的历史养殖数据,每一个历史养殖数据均包括历史养殖参数、历史气候参数和历史存活数量;
数据集生成模块301,用于对于每一组历史养殖数据集,任取第一时间点的历史存活数量作为输出数据,将第一时间点的历史气候参数以及第一时间点之前的历史养殖数据进行组合生成输入数据,以形成训练数据集;
训练模块302,用于将训练数据集根据不同时间间隔进行划分,根据不同时间间隔的训练数据集训练生成不同时间间隔的鱼类数量预测模型,时间间隔为这一输入数据中最后一个历史存活数量的时间点和第一时间点之间的间隔;
预测模块303,用于计算当前时间点到预测时间点的时间间隔,获取并将待预测养殖区域的待预测养殖数据以及从当前时间点到预测时间点的预报气候参数输入到同一时间间隔的鱼类数量预测模型,以得到待预测养殖区域在预测时间点的鱼类预测数量。
实施例四
请参照图4,一种电子设备,包括存储器401、处理器400及存储在存储器401上并可在处理器400上运行的计算机程序,所述处理器400执行所述计算机程序时实现上述实施例一或二中的方法。
实施例五
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被执行时,实现上述实施例一或二中的方法。
由于本发明上述实施例所描述的系统/装置,为实施本发明上述实施例的方法所采用的系统/装置,故而基于本发明上述实施例所描述的方法,本领域所属技术人员能够了解该系统/装置的具体结构及变形,因而在此不再赘述。凡是本发明上述实施例的方法所采用的系统/装置都属于本发明所欲保护的范围。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例,或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。
应当注意的是,在权利要求中,不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的权利要求中,这些装置中的若干个可以是通过同一个硬件来具体体现。词语第一、第二、第三等的使用,仅是为了表述方便,而不表示任何顺序。可将这些词语理解为部件名称的一部分。
此外,需要说明的是,在本说明书的描述中,术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述,是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已描述了本发明的优选实施例,但本领域的技术人员在得知了基本创造性概念后,则可对这些实施例作出另外的变更和修改。所以,权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也应该包含这些修改和变型在内。
Claims (10)
1.一种鱼类预测方法,其特征在于,包括步骤:
获取某一鱼类的多组历史养殖数据集,所述历史养殖数据集为在养殖过程中不同时间点的历史养殖数据,每一个所述历史养殖数据均包括历史养殖参数、历史气候参数和历史存活数量;
对于每一组历史养殖数据集,任取第一时间点的历史存活数量作为输出数据,将所述第一时间点的历史气候参数以及所述第一时间点之前的历史养殖数据进行组合生成输入数据,以形成训练数据集;
将所述训练数据集根据不同时间间隔进行划分,根据不同时间间隔的训练数据集训练生成不同时间间隔的鱼类数量预测模型,所述时间间隔为这一输入数据中最后一个历史存活数量的时间点和第一时间点之间的间隔;
计算当前时间点到预测时间点的时间间隔,获取并将待预测养殖区域的待预测养殖数据以及从当前时间点到预测时间点的预报气候参数输入到同一时间间隔的所述鱼类数量预测模型,以得到所述待预测养殖区域在所述预测时间点的鱼类预测数量。
2.根据权利要求1所述的一种鱼类预测方法,其特征在于,所述输入数据的生成包括步骤:
获取需要生成的第一时间间隔;
获取与所述第一时间点之前相距第一时间间隔的第二时间点;
获取所述第二时间点至第一时间点的历史气候参数、与所述第二时间点的最近时间点的历史养殖数据以及在最近时间点之前任选出在最低数据量阈值之上的历史养殖数据进行组合生成多组输入数据;
依次完成所有时间间隔的输入数据生成。
3.根据权利要求1所述的一种鱼类预测方法,其特征在于,在选取第一时间点时,所述第一时间点之前的历史养殖参数、历史气候参数和历史存活数量至少为最低数据量阈值。
4.根据权利要求1所述的一种鱼类预测方法,其特征在于,所述鱼类包括不同种类但聚类分析为同一簇的鱼。
5.根据权利要求1所述的一种鱼类预测方法,其特征在于,所述历史养殖参数中包括能够改变养殖环境的养殖措施,则还包括步骤:
从所述历史养殖数据中筛选出历史存活数量变化超过第一比例的异常数据,将每一个异常数据所在的历史养殖数据集作为历史异常数据集;
按照所述存活数量在所述异常数据之后的存活数量变化最小作为训练目标,将所述历史异常数据集输入至多分类模型中进行训练,以得到训练完成的养殖措施建议模型;
当所述待预测养殖区域的待预测养殖数据中的当前存活数量相较于前一存活数量的变化超过第一比例,则将所述待预测养殖数据输入到养殖措施建议模型,得到所述养殖措施建议模型输出的建议养殖措施。
6.根据权利要求5所述的一种鱼类预测方法,其特征在于,所述将所述历史异常数据集输入至多分类模型中进行训练包括以下步骤:
获取所述历史异常数据集中异常数据所在的第三时间点;
根据所述历史异常数据集中第三时间点之后有进行对应养殖措施的存活数量变化对所述历史异常数据集进行对应养殖措施效果的打标;
将打标后的所述历史异常数据集输入至多分类模型中进行训练。
7.根据权利要求1至6任一项所述的一种鱼类预测方法,其特征在于,在进行养殖措施之后的预设时间区间内,缩短其养殖数据的采集周期。
8.一种鱼类预测装置,其特征在于,包括:
数据获取模块,用于获取某一鱼类的多组历史养殖数据集,所述历史养殖数据集为在养殖过程中不同时间点的历史养殖数据,每一个所述历史养殖数据均包括历史养殖参数、历史气候参数和历史存活数量;
数据集生成模块,用于对于每一组历史养殖数据集,任取第一时间点的历史存活数量作为输出数据,将所述第一时间点的历史气候参数以及所述第一时间点之前的历史养殖数据进行组合生成输入数据,以形成训练数据集;
训练模块,用于将所述训练数据集根据不同时间间隔进行划分,根据不同时间间隔的训练数据集训练生成不同时间间隔的鱼类数量预测模型,所述时间间隔为这一输入数据中最后一个历史存活数量的时间点和第一时间点之间的间隔;
预测模块,用于计算当前时间点到预测时间点的时间间隔,获取并将待预测养殖区域的待预测养殖数据以及从当前时间点到预测时间点的预报气候参数输入到同一时间间隔的所述鱼类数量预测模型,以得到所述待预测养殖区域在所述预测时间点的鱼类预测数量。
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计算机程序时实现以下权利要求1至7中任一项所述的一种鱼类预测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被执行时,实现如权利要求1至7中任一项所述的一种鱼类预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310858328.6A CN116579508B (zh) | 2023-07-13 | 2023-07-13 | 一种鱼类预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310858328.6A CN116579508B (zh) | 2023-07-13 | 2023-07-13 | 一种鱼类预测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116579508A true CN116579508A (zh) | 2023-08-11 |
CN116579508B CN116579508B (zh) | 2023-10-13 |
Family
ID=87536403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310858328.6A Active CN116579508B (zh) | 2023-07-13 | 2023-07-13 | 一种鱼类预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116579508B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180057785A (ko) * | 2016-11-22 | 2018-05-31 | 주식회사 글로비트 | 영상분석을 통한 어류 개체수 측정 시스템 및 그 측정방법 |
CN109034466A (zh) * | 2018-07-16 | 2018-12-18 | 浙江师范大学 | 一种基于支持向量机回归的蛋鸡产蛋率预测方法 |
CN109376938A (zh) * | 2018-11-01 | 2019-02-22 | 大连理工大学 | 一种淡水养殖鱼类产量预测方法 |
CN112200360A (zh) * | 2020-09-30 | 2021-01-08 | 北京百度网讯科技有限公司 | 植物生长重量预测方法、模型训练方法及装置 |
CN112418521A (zh) * | 2020-11-23 | 2021-02-26 | 青岛科技大学 | 一种短时海洋鱼群和鱼量的预测方法 |
CN112990585A (zh) * | 2021-03-20 | 2021-06-18 | 江苏天成蛋业有限公司 | 一种基于LSTM-Kalman模型的蛋鸡产蛋率预测方法 |
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 |
CN114386682A (zh) * | 2021-12-28 | 2022-04-22 | 中国农业大学 | 一种基于环境建模的鱼类生长率预测方法及系统 |
CN114444819A (zh) * | 2022-04-11 | 2022-05-06 | 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) | 一种渔业资源预测方法、装置、存储介质以及电子设备 |
-
2023
- 2023-07-13 CN CN202310858328.6A patent/CN116579508B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180057785A (ko) * | 2016-11-22 | 2018-05-31 | 주식회사 글로비트 | 영상분석을 통한 어류 개체수 측정 시스템 및 그 측정방법 |
CN109034466A (zh) * | 2018-07-16 | 2018-12-18 | 浙江师范大学 | 一种基于支持向量机回归的蛋鸡产蛋率预测方法 |
CN109376938A (zh) * | 2018-11-01 | 2019-02-22 | 大连理工大学 | 一种淡水养殖鱼类产量预测方法 |
CN112200360A (zh) * | 2020-09-30 | 2021-01-08 | 北京百度网讯科技有限公司 | 植物生长重量预测方法、模型训练方法及装置 |
CN112418521A (zh) * | 2020-11-23 | 2021-02-26 | 青岛科技大学 | 一种短时海洋鱼群和鱼量的预测方法 |
CN112990585A (zh) * | 2021-03-20 | 2021-06-18 | 江苏天成蛋业有限公司 | 一种基于LSTM-Kalman模型的蛋鸡产蛋率预测方法 |
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 |
CN114386682A (zh) * | 2021-12-28 | 2022-04-22 | 中国农业大学 | 一种基于环境建模的鱼类生长率预测方法及系统 |
CN114444819A (zh) * | 2022-04-11 | 2022-05-06 | 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) | 一种渔业资源预测方法、装置、存储介质以及电子设备 |
Non-Patent Citations (1)
Title |
---|
王靓,: ""西北太平洋主要小型中上层鱼类资源量对大尺度气候-海洋环境变化的响应研究"", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN116579508B (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
De Cáceres et al. | A framework for estimating niche metrics using the resemblance between qualitative resources | |
Brunel et al. | Estimating age at maturation and energy-based life-history traits from individual growth trajectories with nonlinear mixed-effects models | |
CN115240060A (zh) | 一种海星灾害预警方法及系统 | |
CN114493680B (zh) | 一种基于流刺网调查的渔业资源统计方法及系统 | |
Zimmerman et al. | Estimating allowable take for an increasing bald eagle population in the United States | |
CN109711590B (zh) | 渔业水质分析监测方法、装置和系统 | |
CN116579508B (zh) | 一种鱼类预测方法、装置、设备及存储介质 | |
CN111339285B (zh) | 基于bp神经网络的企业简历筛选方法和系统 | |
Chadœuf et al. | Modelling unbiased dispersal kernels over continuous space by accounting for spatial heterogeneity in marking and observation efforts | |
CN116630080A (zh) | 基于图像识别的水产集约化养殖饲料容量确定方法及系统 | |
Wilde et al. | Dynamic sensitivity to resource availability influences population responses to mismatches in a shorebird | |
CN114419432B (zh) | 一种鱼群摄食强度评估方法及装置 | |
Anderson et al. | A model for estimating the minimum number of offspring to sample in studies of reproductive success | |
Oosthuizen et al. | Reproductive phenology is a repeatable, heritable trait linked to the timing of other life-history events in a migratory marine predator | |
Brunner et al. | Bertalanffy-Pütter models for avian growth | |
CN113888318A (zh) | 风险检测方法及系统 | |
Winiarski et al. | Effects of photo and genotype-based misidentification error on estimates of survival, detection and state transition using multistate survival models | |
CN112734736B (zh) | 一种基于计算机视觉的蜂群群势精准测算方法及装备 | |
Henderson | Optimizing the use of wildlife monitoring resources | |
CN117745036B (zh) | 一种基于特征识别及近场通信的牲畜信息管理方法及系统 | |
Butler | Estimation of survival of the Atlantic horseshoe crab, Limulus polyphemus, by analysis of mark-recapture data with tag loss | |
Langseth et al. | Distinguishing species-specific targeting practices within the main Hawaiian Islands Deep 7 bottomfish fishery | |
Sipahutar et al. | Determining fish features decision support system (DSS) with oreste method | |
CN117974343A (zh) | 水产养殖控制方法、智能设备及存储介质 | |
CN114842423A (zh) | 一种鳜鱼的智能养殖方法 |
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 |