The present invention provides a method, system and device for water quality prediction. The method includes: processing missing data and normalizing corresponding meteorological parameters of the target water body, obtaining standard meteorological parameters and standard water quality parameters, and based on the standard meteorological parameters and standard water quality parameters. The predicted water quality index of the target water body is obtained by using the trained self-encoder and the long-short-term memory network fusion prediction model, wherein the self-encoder and the long-short-term memory network fusion prediction model utilize the standard sample water quality parameters of the target water body and the corresponding standard sample meteorological parameters in advance. The initial self encoder and the initial long memory network model are trained in turn. The invention can effectively excavate the interaction relationship among the multi-parameters of the water body, thus effectively predict the water quality of the water body and reveal the key law of the change of the water quality factors.
【技术实现步骤摘要】
一种水体水质预测方法、系统及装置
本专利技术涉及信息处理
,更具体地,涉及一种水体水质预测方法、系统及装置。
技术介绍
伴随水产养殖规模的日益壮大,集约化养殖正逐渐成为主要的水产养殖生产方式。养殖密度的增加,用药、施饵不科学等均会破坏水质,导致养殖病害频发,影响水产养殖经济效益。另一方面,养殖水体自身净化能力差,养殖过程中长期积累的氮、磷酸盐及有机物残留等无法与外界交换与扩散,容易造成污染物沉积和水体富营养化,污染生态环境。通过对水体水质的有效预测,可以对养殖产品进行状态判断,从而避免不必要的损失和对生态环境的破坏。水质参数主要包括温度、溶解氧、pH值、氨氮、亚硝酸盐和硝酸盐等,而各影响因子之间相互具有复杂的影响关系,使水体环境具有复杂、多变及非线性等特点,因此很难实现水质的精准预测。水质精准预测的难点主要在于:多变量非线性水质参数时间序列数据之间的隐含关系学习;处理大量非线性的混沌数据,从中挖掘出适用于预测的水质参数数据特征;以及学习到时间数据间的长期依赖关系,从而预测更长时间的水质变化等。现有方案多采用传统机器学习方法对水质进行预测,难以发现水体多参数之间的相互作用关系,不足以揭示水质因子变化的关键规律。例如,以气象参数以及淡水养殖中使用的增氧机开关时间作为输入变量,利用遗传算法和3层BP神经网络预测淡水养殖水质的溶解氧变化情况。但是,遗传算法优化的BP神经网络难以学习水体多参数之间的相互作用关系,不足以揭示水质因子变化的关键规律,特别是无法学习时间数据间的长期依赖关系。
技术实现思路
为了克服上述问题或者至少部分地解决上述问题,本专利技术提供一种水 ...
【技术保护点】
1.一种水体水质预测方法,其特征在于,包括:分别对目标水体的水质参数和对应的气象参数进行缺失数据处理和归一化处理,获取标准气象参数和标准水质参数;基于所述标准气象参数和标准水质参数,利用训练好的自编码器与长短时记忆网络融合预测模型,获取所述目标水体的预测水质指标;其中,所述自编码器与长短时记忆网络融合预测模型为,预先利用所述目标水体的标准样本水质参数和对应的标准样本气象参数,依次对构建的初始自编码器和初始长短时记忆网络模型进行训练获取的。
【技术特征摘要】
1.一种水体水质预测方法,其特征在于,包括:分别对目标水体的水质参数和对应的气象参数进行缺失数据处理和归一化处理,获取标准气象参数和标准水质参数;基于所述标准气象参数和标准水质参数,利用训练好的自编码器与长短时记忆网络融合预测模型,获取所述目标水体的预测水质指标;其中,所述自编码器与长短时记忆网络融合预测模型为,预先利用所述目标水体的标准样本水质参数和对应的标准样本气象参数,依次对构建的初始自编码器和初始长短时记忆网络模型进行训练获取的。2.根据权利要求1所述的方法,其特征在于,在所述基于所述标准气象参数和标准水质参数,利用训练好的自编码器与长短时记忆网络融合预测模型,获取所述目标水体的预测水质指标的步骤之前,还包括:分别对所述目标水体的多组样本水质参数,以及数据采集时刻的样本气象参数,进行缺失数据处理和归一化处理,获取多组所述标准样本水质参数和对应的所述标准样本气象参数;基于所述标准样本水质参数和对应的所述标准样本气象参数,构建所述初始自编码器,并利用各组所述标准样本水质参数和对应的所述标准样本气象参数,对所述初始自编码器进行迭代训练,获取基于水质参数和气象参数的特征表示,并确定目标自编码器;基于所述目标自编码器,构建所述初始长短时记忆网络模型,并将所述目标自编码器和所述初始长短时记忆网络模型进行模型融合,获取初始融合模型;利用所述标准样本水质参数和对应的所述标准样本气象参数,对所述初始融合模型进行迭代训练,获取目标长短时记忆网络模型参数,并确定所述自编码器与长短时记忆网络融合预测模型。3.根据权利要求2所述的方法,其特征在于,所述初始自编码器具体为初始稀疏自编码器;相应的,所述目标自编码器具体为目标稀疏自编码器。4.根据权利要求3所述的方法,其特征在于,所述利用各组所述标准样本水质参数和对应的所述标准样本气象参数,对所述初始自编码器进行迭代训练,获取基于水质参数和气象参数的特征表示,并确定目标自编码器的步骤进一步包括:将所述标准样本水质参数和对应的所述标准样本气象参数输入所述初始稀疏自编码器,进行前向计算,获取损失函数;基于所述初始稀疏自编码器的各隐含层激活输出,定义稀疏性参数;在所述损失函数中加入惩罚因子,并利用所述稀疏性参数,对包含惩罚因子的损失函数进行稀疏性调整;利用误差数据的反向传播,通过对所述稀疏性调整后的损失函数的最小化运算,获取反向修正的网络参数;根据所述反向修正的网络参数,获取所述基于水质参数和气象参数的特征表示,并确定所述目标自编码器。5.根据权利要求2所述的方法,其特征在于,所述基于所述目标自编码器,构建所述初始长短时记忆网络模型,并将所述目标自编码器和所述初始长短时记忆网络模型进行模型...
【专利技术属性】
技术研发人员:李振波,彭芳,苗政,钮冰姗,李光耀,吴静,岳峻,李道亮,
申请(专利权)人:中国农业大学,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。