[发明专利]一种池塘养殖水质关键因子预测方法及装置

说明书

本发明实施例提供一种池塘养殖水质关键因子预测方法及装置，该方法包括：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。该方法能够实现高效率的关键因子预测，有效提高输入的环境参数时间序列和关键因子之间的关联性，从而提高输出结果的准确性。

技术领域

本发明涉及池塘养殖水质调控领域，尤其涉及一种池塘养殖水质关键因子预测方法及装置。

背景技术

目前，水产品产量一直有较大的规模。池塘养殖是水产养殖主导模式，池塘养殖面积约占养殖总面积的35％左右，而其产量约占总产量的65％以上。池塘养殖水环境是水产品赖以生存的栖息地，“养鱼先养水”，恶劣的养殖环境将直接影响水产品的健康生长和发育，甚至导致水产品疾病的爆发和大面积死亡，对养殖户造成不可估量的损失。为此，对养殖水质关键因子进行预测，适时调控水质，是严防水质恶化、疾病爆发、降低养殖风险、确保水产品健康生长的关键。

池塘养殖环境复杂，既包括溶解氧、水温、pH、电导率和浊度等水质因子，也包括大气温度、大气湿度、气压、太阳辐射等气象因子。养殖水质的好坏直接影响养殖水产品的摄食量、饵料转化率和抗病能力，是造成养殖鱼类减产和病害的最重要因素。恶劣的养殖环境会对养殖水产品的正常生长造成不利影响，甚至导致水产品大面积死亡，对养殖户造成不可估量的损失，也不利于整个水产养殖行业的健康发展。

如何对池塘养殖水质关键因子进行预测，是一个亟待解决的问题。

发明内容

为了解决上述问题，本发明实施例提供一种池塘养殖水质关键因子预测方法及装置。

第一方面，本发明实施例提供一种池塘养殖水质关键因子预测方法，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。

进一步地，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。

进一步地，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。

进一步地，所述循环神经网络模型为门控循环网络模型。

进一步地，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。

进一步地，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。

进一步地，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。