[发明专利]一种基于GRU溶解氧长时间预测方法

说明书

本发明涉及水产养殖领域，具体为大闸蟹的养殖,涉及一种基于GRU溶解氧长时间预测方法。本发明使用与溶解氧具有较强相关性的变量，合理设计划分数据集，并运用GRU网络进行建模，提高了模型的预测精度，达到长时间预测的效果，可准确预测溶解氧未来一段时间内的变化趋势，为养殖户养殖过程的增氧等措施提供合理建议，从而规划增氧设备的使用时间，有效提高大闸蟹产量和降低养殖过程中的能耗和成本。

技术领域

本发明涉及水产养殖领域，具体为大闸蟹的养殖,涉及一种基于GRU溶解氧长时间预测方法。

背景技术

水产养殖业是我国的重要产业之一，溶解氧作为水质变化的重要参数，反映了养殖水域的水体环境，并影响着大闸蟹的生长过程。准确预测溶解氧的浓度，可以为养殖户提供养殖建议，但是在实际养殖中，养殖水域溶解氧数值大都无法长时间进行预测，并且短期预测结果也不精确，极易导致人工增氧不及时，造成大闸蟹死亡等恶劣后果。

发明内容

本发明要解决的技术问题是提供一种可长时间预测溶解氧的变化趋势，预测精度高的基于GRU溶解氧长时间预测方法。

为了解决上述技术问题，本发明解决其技术问题所采用的技术方案是：

一种基于GRU溶解氧长时间预测方法，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。

优选的，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。

优选的，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。

优选的，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。

优选的，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。

优选的，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。

本发明的有益效果：

本发明使用与溶解氧具有较强相关性的变量，合理设计划分数据集，并运用GRU网络进行建模，提高了模型的预测精度，达到长时间预测的效果，可准确预测溶解氧未来一段时间内的变化趋势，为养殖户养殖过程的增氧等措施提供合理建议，从而规划增氧设备的使用时间，有效提高大闸蟹产量和降低养殖过程中的能耗和成本。

附图说明

图1是本发明的一种基于GRU溶解氧长时间预测方法流程图。

图2是运用已有数据进行相关性分析后得到的结果。

图3是本发明模型测试结果图。

具体实施方式