一種基于多尺度分析的水產(chǎn)養(yǎng)殖水質(zhì)短期組合預(yù)測(cè)方法
【專利摘要】本發(fā)明公開了一種基于多尺度分析的水產(chǎn)養(yǎng)殖水質(zhì)短期組合預(yù)測(cè)方法，在線采集水質(zhì)時(shí)間序列數(shù)據(jù)并進(jìn)行修復(fù)；采用經(jīng)驗(yàn)?zāi)B(tài)分解對(duì)所選的水質(zhì)時(shí)間序列樣本集數(shù)據(jù)分解成不同頻率尺度的IMF分量和殘差rn分量；將IMF和rn分量進(jìn)行分類，根據(jù)分類特征分別選擇人工蜂群優(yōu)化最小二乘支持向量回歸機(jī)、BP神經(jīng)網(wǎng)絡(luò)和自回歸滑動(dòng)平均模型進(jìn)行預(yù)測(cè)，最后將各部分結(jié)果加權(quán)求和得到水質(zhì)時(shí)間序列預(yù)測(cè)結(jié)果。本發(fā)明通過(guò)經(jīng)驗(yàn)?zāi)B(tài)分解將原水質(zhì)時(shí)間序列數(shù)據(jù)分解為不同時(shí)頻尺度分量，更能準(zhǔn)確的把握原水質(zhì)序列內(nèi)部的變化情況；并將人工蜂群優(yōu)化最小二乘支持向量回歸機(jī)、BP神經(jīng)網(wǎng)絡(luò)和自回歸滑動(dòng)平均模型模型優(yōu)勢(shì)互補(bǔ)相結(jié)合，有效的提高組合預(yù)測(cè)模型性能。
【專利說(shuō)明】一種基于多尺度分析的水產(chǎn)養(yǎng)殖水質(zhì)短期組合預(yù)測(cè)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于智能信息處理和水產(chǎn)養(yǎng)殖技術(shù)交叉領(lǐng)域，尤其涉及一種基于多尺度分析的水產(chǎn)養(yǎng)殖水質(zhì)短期組合預(yù)測(cè)方法。
【背景技術(shù)】
[0002]集約化水產(chǎn)養(yǎng)殖水體是水產(chǎn)品棲息場(chǎng)所，養(yǎng)殖水質(zhì)的好壞直接決定著水產(chǎn)品的生長(zhǎng)狀況及其產(chǎn)品質(zhì)量。而水產(chǎn)養(yǎng)殖水質(zhì)預(yù)測(cè)是謀劃養(yǎng)殖區(qū)域水環(huán)境規(guī)劃、現(xiàn)代漁業(yè)健康養(yǎng)殖精準(zhǔn)化管理的重要基礎(chǔ)性工作，準(zhǔn)確的水質(zhì)預(yù)測(cè)對(duì)養(yǎng)殖水質(zhì)科學(xué)化調(diào)控、防范水質(zhì)惡化、水產(chǎn)品疾病爆發(fā)具有十分重要的經(jīng)濟(jì)價(jià)值和現(xiàn)實(shí)意義。
[0003]目前，水質(zhì)預(yù)測(cè)主要有基于機(jī)理預(yù)測(cè)模型和基于數(shù)值定量預(yù)測(cè)模型兩大類。而基于機(jī)理預(yù)測(cè)模型要求測(cè)量水質(zhì)參數(shù)較多，計(jì)算量大，誤差累積率高，不滿足水產(chǎn)養(yǎng)殖企業(yè)對(duì)水質(zhì)短期預(yù)測(cè)的需求?；跀?shù)值定量預(yù)測(cè)方法常采用多項(xiàng)式回歸、數(shù)理統(tǒng)計(jì)法、灰色系統(tǒng)理論法、神經(jīng)網(wǎng)絡(luò)模型法、水質(zhì)模擬模型法等方法，它們各自有各自的研究特點(diǎn)和使用條件，雖然在水質(zhì)預(yù)測(cè)取得了一定成效，但是單獨(dú)預(yù)測(cè)的效果不是很突出，預(yù)測(cè)精度也比較低。此夕卜，水產(chǎn)養(yǎng)殖水體受天氣、人類活動(dòng)、水生動(dòng)植物、理化因子等多種因素作用，使養(yǎng)殖水質(zhì)存在其非線性、大時(shí)滯、不確定性等特征。因此，如何根據(jù)集約化水產(chǎn)養(yǎng)殖水質(zhì)特性，將不同的預(yù)測(cè)方法進(jìn)行優(yōu)勢(shì)互補(bǔ)，構(gòu)建一種快速、準(zhǔn)確，且能為集約化水產(chǎn)養(yǎng)殖水質(zhì)精準(zhǔn)化調(diào)控管理提供決策支持的新型預(yù)測(cè)方法，是目前水產(chǎn)養(yǎng)殖業(yè)現(xiàn)代化管理亟需解決的重要問(wèn)題之一。

【發(fā)明內(nèi)容】

[0004]本發(fā)明實(shí)施例的目的在于提供一種基于多尺度分析的水產(chǎn)養(yǎng)殖水質(zhì)短期組合預(yù)測(cè)方法，旨在解決現(xiàn)有的水質(zhì)預(yù)測(cè)方法存在的預(yù)測(cè)精度低、不準(zhǔn)確的問(wèn)題。
[0005]本發(fā)明實(shí)施例是這樣實(shí)現(xiàn)的，一種基于多尺度分析的水產(chǎn)養(yǎng)殖水質(zhì)短期組合預(yù)測(cè)方法，該基于多尺度分析的水產(chǎn)養(yǎng)殖水質(zhì)短期組合預(yù)測(cè)方法包括以下步驟:
[0006]步驟一，在線獲取集約化水產(chǎn)養(yǎng)殖池塘的水質(zhì)數(shù)據(jù)，按照時(shí)間順序排列成水質(zhì)時(shí)間序列數(shù)據(jù)X，水質(zhì)時(shí)間序列數(shù)據(jù)X記為:x = {xt，t = 1,2,...，N}，其中，N為水質(zhì)時(shí)間序列數(shù)據(jù)的個(gè)數(shù)且N為正整數(shù)；
[0007]步驟二，對(duì)在線采集的水質(zhì)原始數(shù)據(jù)修復(fù)處理，根據(jù)數(shù)據(jù)特征對(duì)歷史水質(zhì)時(shí)間序列數(shù)據(jù)中的殘缺值進(jìn)行修復(fù)處理；
[0008]步驟三，經(jīng)驗(yàn)?zāi)B(tài)本征分解:采用EMD算法對(duì)已經(jīng)修復(fù)處理水質(zhì)參數(shù)時(shí)間序列進(jìn)行分解，得到η個(gè)IMF分量和一個(gè)殘差rn，其中η是大于I的自然數(shù)；
[0009]步驟四，IMF和rn分量分類預(yù)測(cè):根據(jù)不同尺度頻率濾波的特點(diǎn)，將IMF分量分為高頻濾波、中頻濾波和低頻濾波，分別使用人工蜂群優(yōu)化最小二乘支持向量回歸機(jī)、BP神經(jīng)網(wǎng)絡(luò)和自回歸滑動(dòng)平均模型進(jìn)行建模預(yù)測(cè)；
[0010]將分解得到的幾個(gè)較高頻率的IMF分量作為高頻濾波；將分解得到的中級(jí)幾個(gè)一般頻率的IMF分量作為中頻濾波；將后幾個(gè)頻率較低和殘差rn作為低頻濾波，然后針對(duì)不同時(shí)頻的濾波特性進(jìn)行分類預(yù)測(cè)，對(duì)高頻濾波部分，使用人工蜂群優(yōu)化最小二乘支持向量回歸機(jī)進(jìn)行建模預(yù)測(cè)，對(duì)中頻濾波部分，使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行建模預(yù)測(cè)，對(duì)低頻濾波部分，使用自回歸滑動(dòng)平均模型進(jìn)行建模預(yù)測(cè)；
[0011]步驟五，組合模型權(quán)重計(jì)算:假定某一水質(zhì)參數(shù)時(shí)間序列為(X1, X2,, Xt)，則模型權(quán)重計(jì)算式為:
1-...W -Κχ?,ιJ2


?-ι
…mV
[0012]---
y 1 ?[(χ,ν ~"1, )!(Tj ]2
7=1 丌O"』
[0013]其中，w/為t+1時(shí)刻第j個(gè)基本預(yù)測(cè)模型在組合模型中的權(quán)重，j = 1,2,...,],]為基本預(yù)測(cè)模型的個(gè)數(shù)，<^為第j個(gè)模型第i個(gè)分量的預(yù)測(cè)值，ο i為Xi,t - 的方差；
[0014]步驟六，將各模型預(yù)測(cè)結(jié)果進(jìn)行加權(quán)求和，得到最終的集約化水產(chǎn)養(yǎng)殖水質(zhì)預(yù)測(cè)值

J
[0015]?+1=Σ?+1

7=1
[0016]式中，元*+1為第t+Ι時(shí)刻水質(zhì)參數(shù)最終預(yù)測(cè)結(jié)果。
[0017]進(jìn)一步，在步驟二中，殘缺值進(jìn)行修復(fù)處理包括；
[0018]殘缺數(shù)據(jù)的修補(bǔ)處理:
[0019]若缺失數(shù)據(jù)的前后時(shí)間間隔不大，采用線性插值的方法補(bǔ)上；
[0020]Xk+i =Xk + l—-X--J: Xk>) , 0<i<j

J
[0021]式中，Xk和Xm分別為已知k時(shí)刻和k+j時(shí)刻的水質(zhì)參數(shù)值，xk+i為k+i時(shí)刻缺失的水質(zhì)參數(shù)取值，若時(shí)間間隔較大，則采用天氣類型相同或相近相鄰幾天中同時(shí)刻的數(shù)據(jù)來(lái)填補(bǔ)；
[0022]錯(cuò)誤的不良數(shù)據(jù)處理:
[0023]因水質(zhì)數(shù)據(jù)具有連續(xù)性和時(shí)序性，前后相鄰時(shí)段監(jiān)測(cè)的數(shù)據(jù)一般不會(huì)發(fā)生跳變，通過(guò)比較，若該時(shí)刻水質(zhì)數(shù)據(jù)變化范圍在其前后水質(zhì)監(jiān)測(cè)值的±10%以外，則認(rèn)為該數(shù)據(jù)有誤，可采用均值平滑法進(jìn)行水平處理；
[0024]

xk = kl 2 *+1，當(dāng)丨Xk 丨> 潟或丨X/t 一 A+11〉
[0025]?9/和*.分別為相鄰數(shù)據(jù)誤差閾值。
[0026]進(jìn)一步，在步驟三中，找出水質(zhì)時(shí)間序列x(t)的所有極大值點(diǎn)和極小值點(diǎn)，將所有的極大值點(diǎn)用三次樣條函數(shù)擬合一條數(shù)據(jù)X(t)的上包絡(luò)線eup(t);同樣的把所有極小值點(diǎn)采用三次樣條函數(shù)擬合一條數(shù)據(jù)X (t)的下包絡(luò)線ed_ (t)，則上下包絡(luò)線的平均值Hi1 (t)=(eup(t)+edown(t))/2 ;將原始水質(zhì)時(shí)間序列x(t)減去上下包絡(luò)線的均值Hi1 (t)，得到一個(gè)新的數(shù)據(jù)序列hi (t) = X (t) -Hi1 (t),并進(jìn)行k次篩選,直到Ii1 (t)滿足IMF條件,記C1 (t)=hi (t)，則C1 (t)為水質(zhì)時(shí)間序列的第I個(gè)本征模態(tài)函數(shù)IMF分量，它表示原始水質(zhì)時(shí)間序列中的最高頻成分，記為=Ii1 (k) (t) = h1(k_D (t)-m1(k) (t)，式中h1(k) (t)為第k次篩選得到的水質(zhì)時(shí)間序列數(shù)據(jù)，h1(k_D (t)為第k-Ι次篩選得到的水質(zhì)時(shí)間序列數(shù)據(jù)；如此多次篩選,原水質(zhì)時(shí)間序列被分解成若干個(gè)MF分量和一個(gè)殘差分量rn，隨著分解次數(shù)的增加，分量的非平穩(wěn)行為逐漸減少，并且不同分量代表水質(zhì)序列在不同時(shí)頻上的波動(dòng)規(guī)律，更能準(zhǔn)確的反映原水質(zhì)序列內(nèi)部的變化情況，并保留原水質(zhì)序列的固有特征。
[0027]進(jìn)一步，在步驟四中，建立改進(jìn)人工蜂群優(yōu)化最小二乘支持向量回歸機(jī)數(shù)學(xué)模型，包括以下步驟:
[0028]第一步，設(shè)置人工蜂群算法參數(shù)，蜂群總數(shù)為NS，維數(shù)為D = 2，采蜜蜂個(gè)數(shù)為凡，守望蜂個(gè)數(shù)為Nu，食物源數(shù)量FN，且Ne = Nu = FN = NP/2，最大迭代次數(shù)為Tmax,最大更新次數(shù)Tlimit，設(shè)當(dāng)前迭代次數(shù)為t = I ;每個(gè)食物源的當(dāng)前更新次數(shù)tFi = O ;
[0029]第二步，生成待優(yōu)化預(yù)測(cè)模型參數(shù)的初始解集Θ:
[0030]
【權(quán)利要求】
1.一種基于多尺度分析的水產(chǎn)養(yǎng)殖水質(zhì)短期組合預(yù)測(cè)方法，其特征在于，該基于多尺度分析的水產(chǎn)養(yǎng)殖水質(zhì)短期組合預(yù)測(cè)方法包括以下步驟: 步驟一，在線獲取集約化水產(chǎn)養(yǎng)殖池塘的水質(zhì)數(shù)據(jù)，按照時(shí)間順序排列成水質(zhì)時(shí)間序列數(shù)據(jù)X，水質(zhì)時(shí)間序列數(shù)據(jù)X記為:x = {xt，t = 1,2,...，N}，其中，N為水質(zhì)時(shí)間序列數(shù)據(jù)的個(gè)數(shù)且N為正整數(shù)； 步驟二，對(duì)在線采集的水質(zhì)原始數(shù)據(jù)修復(fù)處理，根據(jù)數(shù)據(jù)特征對(duì)歷史水質(zhì)時(shí)間序列數(shù)據(jù)中的殘缺值進(jìn)行修復(fù)處理； 步驟三，經(jīng)驗(yàn)?zāi)B(tài)本征分解:采用EMD算法對(duì)已經(jīng)修復(fù)處理水質(zhì)參數(shù)時(shí)間序列進(jìn)行分解，得到η個(gè)IMF分量和一個(gè)殘差rn，其中η是大于I的自然數(shù)； 步驟四，IMF和rn分量分類預(yù)測(cè):根據(jù)不同尺度頻率濾波的特點(diǎn)，將IMF分量分為高頻濾波、中頻濾波和低頻濾波，分別使用人工蜂群優(yōu)化最小二乘支持向量回歸機(jī)、BP神經(jīng)網(wǎng)絡(luò)和自回歸滑動(dòng)平均模型進(jìn)行建模預(yù)測(cè)； 將分解得到的幾個(gè)較高頻率的IMF分量作為高頻濾波；將分解得到的中級(jí)幾個(gè)一般頻率的IMF分量作為中頻濾波；將后幾個(gè)頻率較低和殘差rn作為低頻濾波，然后針對(duì)不同時(shí)頻的濾波特性進(jìn)行分類預(yù)測(cè)，對(duì)高頻濾波部分，使用人工蜂群優(yōu)化最小二乘支持向量回歸機(jī)進(jìn)行建模預(yù)測(cè)，對(duì)中頻濾波部分，使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行建模預(yù)測(cè)，對(duì)低頻濾波部分，使用自回歸滑動(dòng)平均模型進(jìn)行建模預(yù)測(cè)； 步驟五，組合模型權(quán)重計(jì)算:假定某一水質(zhì)參數(shù)時(shí)間序列為(Xl，x2, , Xt)，則模型權(quán)重計(jì)算式為:
2.如權(quán)利要求1所述的基于多尺度分析的水產(chǎn)養(yǎng)殖水質(zhì)短期組合預(yù)測(cè)方法，其特征在于，在步驟二中，殘缺值進(jìn)行修復(fù)處理包括； 殘缺數(shù)據(jù)的修補(bǔ)處理 若缺失數(shù)據(jù)的前后時(shí)間間隔不大，采用線性插值的方法補(bǔ)上；
3.如權(quán)利要求1所述的基于多尺度分析的水產(chǎn)養(yǎng)殖水質(zhì)短期組合預(yù)測(cè)方法，其特征在于，在步驟三中，找出水質(zhì)時(shí)間序列x(t)的所有極大值點(diǎn)和極小值點(diǎn)，將所有的極大值點(diǎn)用三次樣條函數(shù)擬合一條數(shù)據(jù)x(t)的上包絡(luò)線eup(t);同樣的把所有極小值點(diǎn)采用三次樣條函數(shù)擬合一條數(shù)據(jù)x(t)的下包絡(luò)線ed_(t)，則上下包絡(luò)線的平均值!111(0 =(eup(t)+edown(t))/2 ;將原始水質(zhì)時(shí)間序列x(t)減去上下包絡(luò)線的均值Hi1 (t)，得到一個(gè)新的數(shù)據(jù)序列Mt) = xW-mJt),并進(jìn)行k次篩選,直到hjt)滿足IMF條件,記cjt)=Ill (t)，則C1⑴為水質(zhì)時(shí)間序列的第I個(gè)本征模態(tài)函數(shù)IMF分量，它表示原始水質(zhì)時(shí)間序列中的最高頻成分，記為=Ii1 (k) (t) = h1(k_D (t)-m1(k) (t)，式中h1(k) (t)為第k次篩選得到的水質(zhì)時(shí)間序列數(shù)據(jù)，h1(k_D (t)為第k-Ι次篩選得到的水質(zhì)時(shí)間序列數(shù)據(jù)；如此多次篩選,原水質(zhì)時(shí)間序列被分解成若干個(gè)MF分量和一個(gè)殘差分量rn，隨著分解次數(shù)的增加，分量的非平穩(wěn)行為逐漸減少，并且不同分量代表水質(zhì)序列在不同時(shí)頻上的波動(dòng)規(guī)律，更能準(zhǔn)確的反映原水質(zhì)序列內(nèi)部的變化情況，并保留原水質(zhì)序列的固有特征。
4.如權(quán)利要求1所述的基于多尺度分析的水產(chǎn)養(yǎng)殖水質(zhì)短期組合預(yù)測(cè)方法，其特征在于，在步驟四中，建立改進(jìn)人工蜂群優(yōu)化最小二乘支持向量回歸機(jī)數(shù)學(xué)模型，包括以下步驟: 第一步，設(shè)置人工蜂群算法參數(shù)，蜂群總數(shù)為NS，維數(shù)為D = 2，采蜜蜂個(gè)數(shù)為隊(duì)，守望蜂個(gè)數(shù)為Nu，食物源數(shù)量FN，且Ne = Nu = FN = NP/2,最大迭代次數(shù)為Tmax,最大更新次數(shù)Tlimit，設(shè)當(dāng)前迭代次數(shù)為t = I ;每個(gè)食物源的當(dāng)前更新次數(shù)tFi = O ; 第二步，生成待優(yōu)化預(yù)測(cè)模型參數(shù)的初始解集Θ:
5.如權(quán)利要求1所述的基于多尺度分析的水產(chǎn)養(yǎng)殖水質(zhì)短期組合預(yù)測(cè)方法，其特征在于，在步驟四中，對(duì)中頻濾波部分，使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行建模預(yù)測(cè)的具體步驟為: 第一步，接收中頻濾波序列數(shù)據(jù)，網(wǎng)絡(luò)初始化； 第二步，計(jì)算誤差和梯度向量，進(jìn)行模型的權(quán)值修正； 第三步，對(duì)精度和迭代次 數(shù)是否滿足算法終止條件作出判斷，滿足進(jìn)行下一步，不滿足返回第二步； 第四步，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型建立完成。
6.如權(quán)利要求1所述的基于多尺度分析的水產(chǎn)養(yǎng)殖水質(zhì)短期組合預(yù)測(cè)方法，其特征在于，在步驟四中，對(duì)低頻濾波部分，使用自回歸滑動(dòng)平均模型進(jìn)行建模預(yù)測(cè)的具體方法為: 第一步，接收低頻序列數(shù)據(jù)，進(jìn)行模型的結(jié)構(gòu)辨識(shí)； 第二步，進(jìn)行模型參數(shù)估計(jì)、診斷和檢驗(yàn)； 第三步，對(duì)模型是否合適作出判斷，是則建立自回歸滑動(dòng)平均預(yù)測(cè)模型，否返回第一止/J/ O
【文檔編號(hào)】G06F19/00GK103577694SQ201310545260
【公開日】2014年2月12日 申請(qǐng)日期:2013年11月7日 優(yōu)先權(quán)日:2013年11月7日
【發(fā)明者】劉雙印, 徐龍琴, 謝仕義, 吳衛(wèi)祖, 王驥 申請(qǐng)人:廣東海洋大學(xué)