[发明专利]一种基于Stacking算法的渔船捕捞方式预测方法

说明书

本发明公开一种基于Stacking算法的渔船捕捞方式预测方法，包括：对北斗卫星实时提供的渔船ID、经纬度坐标、速度、航向、上报时间等信息进行预处理，然后基于预处理后的数据做特征工程处理得到多个特征向量；利用所述多个特征向量作为机器学习模型的输入进行训练，然后即可对渔船的捕捞方式进行预测；最后通过将模型接入预测系统，可以实现离线和实时的渔船捕捞方式预测分析。相比于传统特征工程，本发明提出一种基于轨迹序列的向量编码方案，对预测精度的提升有帮助；相比于单一模型，基于Stacking算法的渔船捕捞方式预测模型能进一步提高分类的准确率，并且模型的泛化性更高、稳定性更好，可应用于大批量海洋渔船捕捞方式的准确判别。

技术领域

本发明涉及海洋数据挖掘技术、计算机科学领域，特别是涉及一种基于Stacking算法的渔船捕捞方式预测方法。

背景技术

海洋渔业生产是海洋经济的核心板块，而渔船作为海洋渔业生产的重要捕捞工具，其规模也在不断壮大。拖网作业、围网作业还有刺网作业是海洋渔船最常见的三种捕捞方式，囊括了对海洋各层的渔业产品。随着渔船数量的快速增长以及科技的快速发展，我国的海洋渔业发展也面临着一系列问题：(1)近海域的渔业资源在不断衰退；(2)国家开展了“休渔期”、“禁渔期”，造成渔民收入减少；(3)深海拖网捕鱼对海底生态环境与系统造成了很大的破坏；(4)渔船事故仍有发生；(5)国际海洋渔业资源开发竞争加剧；(6)海权争端加剧。因此渔船监管部门迫切需要一种可以有效识别渔船捕捞方式的方法，这样就可以对海洋渔船进行有效监管，这对于解决我国海洋渔业的可持续发展、渔民生命安全、海洋国际争端等问题都有着非常重要的现实意义。

现有的方法主要是基于传统的人工监督的方法或者基于航行日志提取的方法对渔船捕捞方式进行判别，存在以下问题：①北斗卫星设备轨迹数据不包含渔船捕捞方式的状态数据，这些渔船捕捞方式的数据只有从航行日志数据中提取。日志数据存在两个缺点：一方面日志是在捕鱼过程中由手动输入的，存在一些误差；另一方面，日志数据通常只是在捕鱼过程结束之后才会产生，具有较大的时间间隔；②目前对于北斗卫星提供的渔船数据并没有得到充分挖掘利用。

因此，利用渔船北斗卫星设备数据，通过Stacking模型进行训练，并开发一种海洋渔船捕捞方式预测系统，对于提高我国渔业管理具有重要的现实意义。

发明内容

针对以上描述，现有的人工对渔船捕捞方式进行判别存在误差，而现有的单模型方法在渔船捕捞方式预测中也有明显的限制，本发明提出一种基于Stacking算法的渔船捕捞方式预测方法，以解决现有技术存在的问题。

本发明可通过以下技术方案予以解决：

一种基于Stacking算法的渔船捕捞方式预测方法，包括以下步骤：

a)对提供的北斗渔船位置数据进行数据预处理，对样本数据进行缺失值检查与处理，然后进行异常值处理，最后进行数据平滑处理，以此得到更加规范的用于机器学习的数据集；

b)特征工程操作，包括特征构造和特征选择，从而构建出合理的特征向量；

c)利用选取的特征向量导入Stacking模型进行训练，得到能够识别每种渔船捕捞方式的分类模型；

d)搭建一个可视化的预测系统，通过将模型接入系统，可以实现离线和实时的渔船捕捞方式预测分析。

进一步地，所述数据预处理包括：对样本数据进行缺失值检查与处理，同时，运用数据可视化分析方法对样本数据进行更好的可视化操作，剔除冗余、错误数据；接着，利用DBSCAN算法对渔船轨迹的异常点进行检测与删除；最后，利用中值滤波算法对渔船轨迹进行数据平滑处理。

进一步地，所述DBSCAN算法是一种基于密度的空间聚类算法，即要求空间中一定区域内所包含对象的数目不小于某个指定阈值；