一种基于LSTM的渔场预报方法技术

一种基于LSTM的渔场预报方法，包括生成预测模型和预报未来时段渔场信息两部分，该生成预测模型包括：1)对设定经纬度范围内的历史捕捞数据和海洋环境数据进行数据匹配，形成历史渔场数据，并对其进行归一化处理；2)利用归一化的历史渔场数据训练LSTM模型，时间步长为1天，输入维度为5，获得基于LSTM的渔场预报模型；该预报未来时段渔场信息包括：将归一化的当日渔场数据输入渔场预报模型，设置预测步数为1，输出未来一天的预测结果，输出维度为5，对输出结果进行反归一化处理得到渔场预报。本发明专利技术能够挖掘数据之间的长短时间依赖关系，更符合鱼类在渔场中存在洄游等长周期性活动的规律，可取得更好的预测效果。

A fishing ground prediction method based on LSTM

A fishery forecasting method based on LSTM is presented, which consists of two parts: one is to match the historical fishing data and the marine environment data in the range of longitude and latitude, the other is to normalize the historical fishery data. The normalized historical fishery data train LSTM model, the time step is 1 day, the input dimension is 5, and the fishery forecast model based on LSTM is obtained. The dimension is 5, and the output result is normalized to get the fishing ground forecast. The invention can mine the long-short time dependence relationship between the data, more in line with the law of fish migration and other long-term periodic activities in the fishing ground, and can achieve better prediction effect.

【技术实现步骤摘要】
一种基于LSTM的渔场预报方法
：本专利技术涉及渔场预报领域，特别是涉及一种基于LSTM递归神经网络模型的渔场预报方法。
技术介绍
：鱼类在海洋中的分布是由其自身生物学特性和外界环境条件共同决定的，影响因子包括鱼类集群和洄游习性，外界环境条件及各类突发性、阶段性或长期性的海洋环境事件。鱼类的分布是多因子共同作用的结果，是一个长周期、规律性事件。渔场预报技术正是利用技术手段，寻找鱼类变动规律与海洋环境因子之间的内在联系，并由此对未来时段海洋渔情渔况进行预报，进而指导渔船捕捞作业。目前渔场预报技术通常使用单位捕捞努力量渔获量CPUE(catchperuniteffort)代表渔业资源密度，反映鱼类在海洋中的分布。常使用的影响因子包括经纬度、作业时间、温度、盐度、风力风向、洋流流速流向、叶绿素含量、厄尔尼诺系数等。综合考虑技术参数的获取难易程度及重要性，本专利技术采用海表层温度、海表面高度、海表面风场、海表面叶绿素含量这四个海洋环境要素，学习挖掘单位捕捞努力量渔获量和这四个海洋环境要素之间的内在联系，并由此对未来时段进行渔场预报。现有的渔场预报分析方法包括频度分析、栖息地指数等，多存在预测精度较低的问题。LSTM(Long-ShortTermMemory：长短期记忆)递归神经网络近几年在许多领域均取得了重大突破，该神经网络可以学习时间序列数据之间的长短依赖关系，对于输入数据自主学习历史数据对预测数据的贡献，特别是该神经网络克服了其他神经网络无法长时间学习的缺点，更适合挖掘鱼类在渔场中存在洄游等长周期性的活动规律。
技术实现思路
：本专利技术的目的就是提供一种基于LSTM的渔场预报方法，以解决现有技术存在的预测精度较低的问题。本专利技术的技术方案是：一种基于LSTM的渔场预报方法，其特征在于，包括步骤A:生成预测模型，以及步骤B：预报未来时段渔场信息；所述的步骤A的方法包括：步骤A1、提取海洋环境数据：利用全球现有的遥感卫星数据，反演出海洋环境数据；该数据包括：海洋表面温度SST、海表面高度SSH、海表面风场SSW和海表面叶绿素含量CHL，精度为0.25°*0.25°、每天；步骤A2、提取捕捞数据：利用已有捕捞日志，收集作业经纬度、作业时间、捕捞量(重量或尾数)、作业单位数量(作业时间或下网次数或钩数)信息；以0.25°*0.25°为单元格，将捕捞数据网格化；作业时间单位为天，按作业时间先后进行排序，第一次作业的自然天设为1，下一自然天为2，以此类推，按照自然天顺序逐次加1，生成时间列；计算单位捕捞努力量渔获量CPUE(catchperuniteffort)，其公式如式(1)所示：CUPE＝C/E(1)其中C是捕捞量，E是作业单位数量；步骤A3、对海洋环境数据和捕捞数据进行数据匹配，获得历史渔场数据：对历史渔场数据进行归一化处理，将时间列和归一化的SST、SSH、SSW、CHL、CPUE作为LSTM模型的输入数据，输入维度为5；步骤A4、搭建并训练LSTM模型，通过不断调整参数，择优选取获得基于LSTM的渔场预报模型；所述的步骤B的具体方法包括：步骤B1、将当日的渔场数据采用和步骤A3中一致的归一化方法进行处理，将当日的时间列和归一化的SST、SSH、SSW、CHL、CPUE输入渔场预报模型，设置预测步数为1，得到未来一天的输出结果，输出维度为5；步骤B2、对输出结果进行反归一化处理，反归一化方法和步骤A3中归一化方法相对应，处理得到未来一天的渔场预报，预报内容包括未来一天的SST、SSH、SSW、CHL和CPUE。所述步骤A3进一步包括以下步骤：步骤A31：将渔场中0.25°*0.25°范围内的海洋环境数据和0.25°*0.25°范围内的捕捞数据进行数据匹配，得到历史渔场数据；步骤A32：提取0.25°*0.25°范围内SST、SSH、SSW、CHL、CPUE的最大值和最小值；步骤A33：使用min-max标准化方法对SST、SSH、SSW、CHL、CPUE进行归一化处理，使数据映射到[0,1]区间。所述步骤A4进一步包括：步骤A41：在linux系统下搭建LSTM模型；步骤A42：设置LSTM的输入维度和输入数据的时间步长；步骤A43：设置LSTM输入数据读取批次规模(batchsize)和窗口长度(windowsize)；步骤A44：设置LSTM模型优化器和学习速率；步骤A45：设置隐层神经节点数；步骤A46：设置模型迭代次数；步骤A47：不断调整参数，以模型损失(loss)查看模型收敛程度，择优选取高收敛度参数，形成基于LSTM的渔场预测模型。本专利技术的有益效果是：基于时间序列挖掘捕捞数据和海洋环境数据之间的长短时间关系，学习二者之间的变动规律，相比其他渔场预报方法模拟效果更好、预报精度更高。附图说明：图1是本专利技术渔场预报流程图；图2是LSTM递归神经网络结构图，其中xt、ht、ct分别代表t时刻的输入、输出和单元状态；图3是LSTM递归神经网络单元状态控制图，其中ct、ht分别代表t时刻的单元状态、输入单元状态、输出。具体实施方式：下面将结合附图和具体举例对本专利技术加以详细说明，应指出的是，以下所描述的例子仅为更方便理解本专利技术，对专利技术本身不起任何限定作用。如图1所示，本专利技术给出的一种基于LSTM的渔场预报方法，该方法包括生成预测模型和预报未来时段渔场信息两部分。第一部分、生成预测模型：步骤A1：提取海洋环境数据。利用全球现有的遥感卫星数据，反演出海洋环境参量值，提取的海洋环境数据包括：海洋表面温度SST、海表面高度SSH、海表面风场SSW、海表面叶绿素含量CHL。提取海洋环境数据的精度为：0.25°*0.25°(经度×纬度)/天。步骤A2：提取捕捞数据。利用已有捕捞日志，收集作业经纬度、作业时间、捕捞量(重量或数量)、作业单位数量(作业时间或下网次数或钩数)信息。以0.25°*0.25°为单元格，将数据网格化。作业时间单位为天，按照网格内作业时间的先后顺序排序，第一次作业的自然天设为1，下一自然天为2，以此类推，按照自然天顺序逐次加1。计算单位捕捞努力量渔获量CPUE(catchperuniteffort)，如公式(1)所示：CUPE＝C/E(1)其中C是捕捞量，E是作业单位数量。提取的捕捞数据包括：作业时间(天)、时间列和对应的CPUE。步骤A3：对海洋环境数据和捕捞数据按照时间(天)利用编程语言进行数据匹配，得到历史渔场数据，包括：时间(天)、时间列、SST、SSH、SSW、CHL、CPUE。对历史渔场数据中的SST、SSH、SSW、CHL、CPUE归一化处理，将时间列和归一化的SST、SSH、SSW、CHL、CPUE作为LSTM的输入数据，输入维度为5。步骤A4：搭建并训练LSTM，通过不断调整参数，以模型收敛度为标准择优选取获得基于LSTM的预测模型。第二部分、预报未来时段渔场信息：步骤B1：将当日渔场数据(LSTM模型可利用当前t时刻数据预测未来t+1时刻数据。历史数据主要用来训练模型，是一段时间序列的数据，当日数据则是用来预测未来，是当前这一时刻的数据。通常当日数据包含在历史数据内，但不包含在内时也可预测)采用与步骤A3一致的归一化方法进行处理，将当日的时间列和归一化的SST、SSH、SSW、CH本文档来自技高网...

【技术保护点】
1.一种基于LSTM的渔场预报方法，其特征在于，包括步骤A:生成预测模型，以及步骤B：预报未来时段渔场信息；所述的步骤A的方法包括：步骤A1、提取海洋环境数据：利用全球现有的遥感卫星数据，反演出海洋环境数据；该数据包括：海洋表面温度SST、海表面高度SSH、海表面风场SSW和海表面叶绿素含量CHL，精度为0.25°*0.25°、每天；步骤A2、提取捕捞数据：利用已有捕捞日志，收集作业经纬度、作业时间、捕捞量(重量或尾数)、作业单位数量(作业时间或下网次数或钩数)信息；以0.25°*0.25°为单元格，将捕捞数据网格化；作业时间单位为天，按作业时间先后进行排序，第一次作业的自然天设为1，下一自然天为2，以此类推，按照自然天顺序逐次加1，生成时间列；计算单位捕捞努力量渔获量CPUE(catch per unit effort)，其公式如式(1)所示：CUPE＝C/E    (1)其中C是捕捞量，E是作业单位数量；步骤A3、对海洋环境数据和捕捞数据进行数据匹配，获得历史渔场数据：对历史渔场数据进行归一化处理，将时间列和归一化的SST、SSH、SSW、CHL、CPUE作为LSTM模型的输入数据，输入维度为5；步骤A4、搭建并训练LSTM模型，通过不断调整参数，择优选取获得基于LSTM的渔场预报模型；所述的步骤B的方法包括：步骤B1、将当日的渔场数据采用和步骤A3中一致的归一化方法进行处理，将当日的时间列和归一化的SST、SSH、SSW、CHL、CPUE输入渔场预报模型，设置预测步数为1，得到未来一天的输出结果，输出维度为5；步骤B2、对输出结果进行反归一化处理，反归一化方法和步骤A3中归一化方法相对应，处理得到未来一天的渔场预报，预报内容包括未来一天的SST、SSH、SSW、CHL和CPUE。...

【技术特征摘要】
1.一种基于LSTM的渔场预报方法，其特征在于，包括步骤A:生成预测模型，以及步骤B：预报未来时段渔场信息；所述的步骤A的方法包括：步骤A1、提取海洋环境数据：利用全球现有的遥感卫星数据，反演出海洋环境数据；该数据包括：海洋表面温度SST、海表面高度SSH、海表面风场SSW和海表面叶绿素含量CHL，精度为0.25°*0.25°、每天；步骤A2、提取捕捞数据：利用已有捕捞日志，收集作业经纬度、作业时间、捕捞量(重量或尾数)、作业单位数量(作业时间或下网次数或钩数)信息；以0.25°*0.25°为单元格，将捕捞数据网格化；作业时间单位为天，按作业时间先后进行排序，第一次作业的自然天设为1，下一自然天为2，以此类推，按照自然天顺序逐次加1，生成时间列；计算单位捕捞努力量渔获量CPUE(catchperuniteffort)，其公式如式(1)所示：CUPE＝C/E(1)其中C是捕捞量，E是作业单位数量；步骤A3、对海洋环境数据和捕捞数据进行数据匹配，获得历史渔场数据：对历史渔场数据进行归一化处理，将时间列和归一化的SST、SSH、SSW、CHL、CPUE作为LSTM模型的输入数据，输入维度为5；步骤A4、搭建并训练LSTM模型，通过不断调整参数，择优选取获得基于LSTM的渔场预报模型；所述的步骤B的方法包括：步骤B1、将当日的渔场数据采用和步骤A3中一致的归一化方法进行处理，将当日的时间列和归一化的SST...

【专利技术属性】
技术研发人员：曹亮，赵强，张鹏，
申请(专利权)人：华际卫星通信有限公司，
类型：发明
国别省市：山东,37