[发明专利]一种基于GRU溶解氧长时间预测方法

权利要求书

1.一种基于GRU溶解氧长时间预测方法，其特征在于，包括以下步骤：

S1：构建数据集，使用历史采集的养殖水域的历史数据，包括养殖水域的温度、pH、浊度、氨氮化合物浓度、溶解氧浓度以及相应的采集时间，分析每个历史数据间的相关性，然后建立数据集；

S2：设定输入输出数据集，根据数据集的采集周期为10分钟，将输入数据集中的单个元素设定为120次采集数据构成的6*120矩阵，其为时刻t前20时小时采集的数据，包括采集的时间记录、温度、pH、浊度、NH和溶解氧浓度；将输出数据集设定为t时刻向后20小时的溶解氧浓度；

S3：优化模型，以交叉验证的方式对输入数据集和输出数据划分为训练集和测试集，分别训练和测试优化的GRU网络模型，结合设定的初始网络参数,建立预测溶解氧的预测GRU模型，用损失函数对预测GRU模型进行跟踪，调整参数，以获得最优的预测GRU模型；

S4：验证预测模型，对养殖水域的数据进行采集，运用步骤S3所建立的预测GRU模型预测溶解氧数据并对其检测，以获得养殖水域的溶解氧变化趋势。

2.如权利要求1所述的基于GRU溶解氧长时间预测方法，其特征在于，在步骤S2中，在对数据集划分输入输出数据集时，将溶解氧浓度划入输入数据集中。

3.如权利要求1所述的基于GRU溶解氧长时间预测方法，其特征在于，在步骤S3、S4中，在对预测GRU模型的训练和验证过程中，对预测GRU模型进行反复多次训练，用以优化预测模型。

4.如权利要求1所述的基于GRU溶解氧长时间预测方法，其特征在于，步骤S1中，在分析每个历史数据间的相关性前，先对历史数据中的异常值进行异常值处理。

5.如权利要求1所述的基于GRU溶解氧长时间预测方法，其特征在于，步骤S3中，在训练过程中，对预测GRU模型的参数进行优化，包括节点数、学习率和迭代次数。

6.如权利要求1所述的基于GRU溶解氧长时间预测方法，其特征在于，步骤S3中，初始网络参数包括各层节点数，学习率，优化器以及损失函数。