[发明专利]基于机器学习的池塘海水养殖水温的预测方法

权利要求书

1.一种基于机器学习的池塘海水养殖水温的预测方法，其特征在于，其包括以下步骤：

S1、创建池塘海水养殖水温预测模型：

,

其中，表示预测水温，表示初始化学习器预测的水温，x表示气象因子，气象因子具体为：气温因子、风速因子、相对湿度因子及气压因子；m表示回归树的个数，j=1,2,…,，表示第m棵回归树叶子节点的个数；表示对叶子区域拟合最佳残差；I(x∈R_m,j)表示指示函数，R_m,j表示第m棵回归树的第j个特征单元；表示第m棵叶子区域预测的水温，所有树预测的水温和表示为：

，

S2、调整参数对所述预测模型进行优化；

S3、对优化后的所述预测模型进行评估确定；

S4、在确定的所述预测模型中输入气象因子的预报数据，进行池塘海水养殖水温预报。

2.根据权利要求1所述的基于机器学习的池塘海水养殖水温的预测方法，其特征在于，所述步骤S1、创建池塘海水养殖水温预测模型，具体步骤为：

S11、建立水温数据和气象数据采集的来源渠道；

S12、采集和处理水温数据和气象数据；

S13、选择输入模型的气象因子；

S14、创建池塘海水养殖水温预测模型。

3.根据权利要求2所述的基于机器学习的池塘海水养殖水温的预测方法，其特征在于，所述步骤S12中采集水温数据和气象数据的方式为连续采集，并形成连续数据序列集。

4.根据权利要求2所述的基于机器学习的池塘海水养殖水温的预测方法，其特征在于，所述步骤S12中采集的气象数据包括气温数据、气压数据、相对湿度数据、降水数据及风速数据。

5.根据权利要求2所述的基于机器学习的池塘海水养殖水温的预测方法，其特征在于，所述步骤S12中处理水温数据和气象数据还包括以浮标站测得的电导率为依据去除异常数据。

6.根据权利要求4所述的基于机器学习的池塘海水养殖水温的预测方法，其特征在于，所述步骤S13、选择输入模型的气象因子，具体为：

S131、按类型对采集的气象数据逐一进行水温变化显著性检验；

S132、将通过显著性检验的气象因子作为输入模型的气象因子。

7.根据权利要求6所述的基于机器学习的池塘海水养殖水温的预测方法，其特征在于，所述步骤S14、创建池塘海水养殖水温预测模型，具体为：

S141、将通过显著性检验的气象因子与同时段的水温数据整合成数据集；

S142、按照7：3的比例划分为训练集和测试集；

S143、将训练集数据导入梯度提升树算法模型中，基于训练集数据训练得到池塘海水养殖水温预测模型：

,

其中，表示预测水温，表示初始化学习器预测的水温，x表示气象因子，气象因子具体为：气温因子、风速因子、相对湿度因子及气压因子；m表示回归树的个数，j=1,2,…,，表示第m棵回归树叶子节点的个数；表示对叶子区域拟合最佳残差；I(x∈R_m,j)表示指示函数，R_m,j表示第m棵回归树的第j个特征单元；表示第m棵叶子区域预测的水温，所有树预测的水温和表示为：

。

8.根据权利要求1所述的基于机器学习的池塘海水养殖水温的预测方法，其特征在于，所述步骤S2中的参数优化结果为：以迭代次数为100，学习率为0.1，损失函数采用平方损失ls，回归树的最大深度为6作为模型参数。

9.根据权利要求1所述的基于机器学习的池塘海水养殖水温的预测方法，其特征在于，所述步骤S3中对优化后的所述预测模型进行评估的方法为：

通过决定系数评价模型拟合的精确度，越大，模型拟合结果越准确，采用均方根误差RMSE来是评价回归模型拟合结果与真实值差别大小的指标，均方根误差越小，模型拟合效果越好。