一种水质预测方法及装置制造方法及图纸

本发明专利技术公开了属于水产养殖技术领域的水质预测方法、装置、电子设备及存储介质。该水质预测方法包括步骤S1：在养殖场景内由多个传感器采集历史水温和溶解氧的监测数据并进行预处理；步骤S2：对步骤S1预处理后的数据进行融合，得到水质时间序列；步骤S3：引入注意力机制，建立基于注意力机制的Bi

【技术实现步骤摘要】
一种水质预测方法及装置


[0001]本专利技术涉及水产养殖
，尤其涉及一种水质预测方法及装置。

技术介绍

[0002]水产养殖是农业生产的重要组成部分，中国水产养殖产量连续多年居世界第一，是世界上重要的水产品生产和出口大国之一。水产养殖业已成为我国农业生产的重要组成部分，是不少地方农村经济发展的支柱产业。为了监测养殖水质的变化，人们常常需要定期掌握水体溶解氧的浓度和温度的变化情况。然而现有方法往往都是通过物理或化学的方法来测量水体中溶解氧的浓度，对温度数据时常采用定时监控、定点测量，这些传统方法具有一定的滞后性，难以掌握水质情况在未来一段时间内的变化规律。
[0003]基于历史数据的水质预测方法也大多以单因子的历史数据作为训练样本进行曲线拟合，由于水质参数直接、间接影响因素较多，具有高度非线性、时滞性及多变量耦合性等特征，单因子预测的方法往往无法满足预测准度的需求，难以实现精确、高效的短期溶解氧变化的多步预测。因此，现在亟需一种新型水质预测方法及装置来解决上述问题。
[0004]本专利技术基于时间序列模型，提供一种基于注意力机制的Bi
‑
directional GRU
‑
CNN的水质预测方法及装置，对未来6步的时间序列进行预测，实现水质溶解氧和水温的自动采集和预测，用以克服或者至少部分解决现有技术存在的问题，可以对养殖水质变化做出早发现、早预警，弥补人工监测方法耗费大量的人力和财力、设备成本高、时间滞后性大的不足，从而提高水产养殖的效率。

技术实现思路

[0005]本专利技术的目的是提出一种水质预测方法及装置。
[0006]一种水质预测方法，其特征在于，包括以下步骤：
[0007]步骤S1：在养殖场景内由多个传感器采集历史水温和溶解氧的监测数据并进行预处理；
[0008]步骤S2：对步骤S1预处理后的数据进行融合，得到水质时间序列；
[0009]步骤S3：引入注意力机制，建立基于注意力机制的Bi
‑
directional GRU
‑
CNN模型；
[0010]步骤S4：将步骤S2经过融合后的水质时间序列重新组合成预测训练样本，输入至步骤S3建立的基于注意力机制的Bi
‑
directional GRU
‑
CNN模型中进行训练，得到训练后的水质预测模型；
[0011]步骤S5：采集实时数据进行水质预测。
[0012]所述步骤S1具体包括以下子步骤：
[0013]步骤S11：识别并删除历史水温和溶解氧的监测数据中表示监测异常的极大异常值和非数值类型的数据；
[0014]步骤S12：通过线性插值法或三次样条插值法对监测产生的缺失值和删除异常值后产生的缺失值进行补全；
[0015]步骤S13：对经过步骤S11和步骤S12处理后的历史水温和溶解氧的监测数据进行归一化处理。
[0016]所述步骤S13中归一化处理公式如下：
[0017][0018]其中，x
i
为第i个输入数据，x
min
为输入数据中的最小值，x
max
为输入数据中的最大值，n为数据的总个数，f(x
i
)为归一化后数据。
[0019]所述步骤S2中对预处理后的数据进行融合的具体步骤如下：
[0020]步骤T1：将同一时刻N个同类型传感器返回的数据平均划分为两组，则每组为N/2个数据；
[0021]步骤T2：记步骤T1划分的两组数据分别为T
1i
和T
2i
，计算T
1i
和T
2i
的算术平均值为：
[0022][0023][0024]步骤T3：计算标准差σ1和σ2为：
[0025][0026][0027]步骤T4：利用如下公式完成数据融合：
[0028][0029]基于注意力机制的Bi
‑
directional GRU
‑
CNN模型的建立过程具体如下：
[0030]步骤A1：传入水温T
+
和溶解氧含量D
+
的预测训练样本[T
+
，D
+
]，引入注意力机制Attention：
[0031][0032]其中，Q为一个n
×
d
k
的序列，表示每个元素对应的查询query向量，Q＝[q1,q2,
…
,q
n
]T
,通过注意力机制将序列Q编码成为一个n
×
d
v
的新序列；K和V表示Key
‑
Value的关系，K＝[k1,k2,
…
,k
m
]T
，表示每个元素对应的键Key向量，V＝[v1,v2,
…
,v
m
]T
，表示每个元素对应的值Value向量；n表示query的数量，m表示采样点数量，d
k
和d
v
表示维度；
[0033]步骤A2：在同一个序列的内部进行Attention运算，寻找序列X内部不同位置之间的联系，即Attention(X,X,X)；
[0034]步骤A3：使用GRU结构对历史观测数据进行训练，计算当前时刻的隐藏状态，并通过更新门来控制前一个隐藏状态传递到当前隐藏状态的信息量；其中，当前时刻的隐藏状态计算公式为：
[0035][0036]更新门的计算公式如下：
[0037]z
t
＝σ(W2[h
t
‑1，T
+t
])
[0038]式中，为候选状态，σ为sigmoid函数，W2表示将2个矩阵合并，T
+t
是当前时刻的输入，h
t
‑1是上一个时刻的隐藏状态，h
t
是当前时刻的隐藏状态；
[0039]步骤A4：使用CNN的扩展卷积提取通用特征，加入残差卷积的跳层连接，把下层的特征图跳层连接到上层，加入1
×
1的卷积操作降维，使两个层加和时特征图数量相同，得到的基于注意力机制的Bi
‑
directional GRU
‑
CNN模型；其中，扩展卷积为
[0040][0041]其中，d是扩展系数，k为卷积核大小，f表示filter滤波器大小，s表示stride步长，i表示滤波器个数，g为G的导数。
[0042]一种水质预测装置，其特征在于，该装置包括数据处理模块、预测模型构建模块和训练模块；数据处理模块对多传感器采集到的数据进行预处理和融合；预测模型构建模块建立基于注意力机制的Bi
‑
directional GRU
‑
CNN模型；训练模块根据预测训练样本对基于注意力本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种水质预测方法，其特征在于，包括以下步骤：步骤S1：在养殖场景内由多个传感器采集历史水温和溶解氧的监测数据并进行预处理；步骤S2：对步骤S1预处理后的数据进行融合，得到水质时间序列；步骤S3：引入注意力机制，建立基于注意力机制的Bi
‑
directional GRU
‑
CNN模型；步骤S4：将步骤S2经过融合后的水质时间序列重新组合成预测训练样本，输入至步骤S3建立的基于注意力机制的Bi
‑
directional GRU
‑
CNN模型中进行训练，得到训练后的水质预测模型；步骤S5：采集实时数据进行水质预测。2.根据权利要求1所述的水质预测方法，其特征在于，所述步骤S1具体包括以下子步骤：步骤S11：识别并删除历史水温和溶解氧的监测数据中表示监测异常的极大异常值和非数值类型的数据；步骤S12：通过线性插值法或三次样条插值法对监测产生的缺失值和删除异常值后产生的缺失值进行补全；步骤S13：对经过步骤S11和步骤S12处理后的历史水温和溶解氧的监测数据进行归一化处理。3.根据权利要求2所述的水质预测方法，其特征在于，所述步骤S13中归一化处理公式如下：其中，x
i
为第i个输入数据，x
min
为输入数据中的最小值，x
max
为输入数据中的最大值，n为数据的总个数，f(x
i
)为归一化后数据。4.根据权利要求1所述的水质预测方法，其特征在于，所述步骤S2中对预处理后的数据进行融合的具体步骤如下：步骤T1：将同一时刻N个同类型传感器返回的数据平均划分为两组，则每组为N/2个数据；步骤T2：记步骤T1划分的两组数据分别为T
1i
和T
2i
，计算T
1i
和T
2i
的算术平均值为：的算术平均值为：步骤T3：计算标准差σ1和σ2为：
步骤T4：利用如下公式完成数据融合：5.根据权利要求1所述的水质预测方法，其特征在于，基于注意力机制的Bi
‑
directional GRU
‑
CNN模型的建立过程具体如下：步骤A1：传入水温T
+
和溶解氧含量D
+
的预测训练样本[T
+
，D
+
]，引入注意力机制Attention：其中，Q为一个n
×
d
k
的序列，表示每个元素对应的查询que...

【专利技术属性】
技术研发人员：孙龙清，孙希蓓，李道亮，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：