[发明专利]一种池塘养殖水质关键因子预测方法及装置

权利要求书

1.一种池塘养殖水质关键因子预测方法，其特征在于，包括：

将环境参数的时间序列，输入至预设的循环神经网络模型；

根据所述循环神经网络模型的输出结果，确定预设时长之后的关键因子预测值；

其中，所述循环神经网络模型，根据样本时间序列的训练集作为输入，标签向量作为输出标签进行训练后得到；样本时间序列是包括多个环境参数的序列，并将环境参数的序列作为训练集，将待预测的关键因子结果作为标签向量；所述预设时长根据标签向量和训练集的时间差值确定；所述环境参数包括水质参数和气象参数。

2.根据权利要求1所述的池塘养殖水质关键因子预测方法，其特征在于，所述将环境参数的时间序列，输入至预设的循环神经网络模型之前，还包括：

获取序列长度为q的环境参数样本；

根据预设的错开位数s，将1至q-s的序列作为训练集，s+1至q的序列中关键因子的结果作为标签向量；

利用所述训练集和标签向量，对所述循环神经网络模型进行训练。

3.根据权利要求1-2任一项所述的池塘养殖水质关键因子预测方法，其特征在于，所述将环境参数的时间序列，输入至预设的循环神经网络模型之前，还包括：

根据训练集中环境参数与标签向量中关键因子的相关系数，确定每一环境参数的权重；

将训练集中每一环境参数进行加权后，结合标签向量，对所述循环神经网络模型进行训练。

4.根据权利要求1所述的池塘养殖水质关键因子预测方法，其特征在于，所述循环神经网络模型为门控循环网络模型。

5.根据权利要求1所述的池塘养殖水质关键因子预测方法，其特征在于，所述将环境参数的时间序列，输入至预设的循环神经网络模型之前，还包括：

随机初始化循环神经网络模型的超参数，并计算模型训练的总开销；

根据预设的迭代次数，重复初始化超参数、计算模型训练开销的过程；

将迭代次数内，模型训练总开销最小的超参数，作为模型训练时超参数的初始值。

6.根据权利要求1所述的池塘养殖水质关键因子预测方法，其特征在于，所述将环境参数的时间序列，输入至预设的循环神经网络模型之前，还包括：

根据格拉布斯准则，采用小波去噪，对采集的环境参数中的异常数据进行检测剔除，并进行异常数据的填补。

7.根据权利要求1所述的池塘养殖水质关键因子预测方法，其特征在于，所述将环境参数的时间序列，输入至预设的循环神经网络模型之前，还包括：

对环境参数进行归一化处理。

8.一种池塘养殖水质关键因子预测装置，其特征在于，包括：

输入模块，用于将环境参数的时间序列，输入至预设的循环神经网络模型；

处理模块，用于根据所述循环神经网络模型的输出结果，确定预设时长之后的关键因子预测值；

其中，所述循环神经网络模型，根据样本时间序列的训练集作为输入，标签向量作为输出标签进行训练后得到；样本时间序列是包括多个环境参数的序列，并将环境参数的序列作为训练集，将待预测的关键因子结果作为标签向量；所述预设时长根据标签向量和训练集的时间差值确定；所述环境参数包括水质参数和气象参数。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述池塘养殖水质关键因子预测方法的步骤。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述池塘养殖水质关键因子预测方法的步骤。