[发明专利]一种基于多维数据的海参养殖水温预测方法

权利要求书

1.一种基于多维数据的海参养殖水温预测方法，其特征在于，包括：

搭建物联网数据采集系统，对海参养殖基地的气象和水体数据进行实地采集；

将实地采集的所述气象和水体数据进行分析与筛选；

分析与筛选后的多维影响因子数据作为GA-BP水温预测模型的输入，所述GA-BP水温预测模型的输出为未来时段海参养殖环境水温。

2.根据权利要求1所述一种基于多维数据的海参养殖水温预测方法，其特征在于，所述气象和水体数据包括空气温度、空气湿度、相对气压、风速、风向、阵风、降雨量、盐分、溶解氧、PH值、水温。

3.根据权利要求1所述一种基于多维数据的海参养殖水温预测方法，其特征在于，将实地采集的气象和水体数据进行分析与筛选，具体为：

对实地采集的气象和水体数据进行收集整理，使用线性内插法来内插缺失的数据，并剔除异常的数据；

利用数据归一化处理方法将气象和水体数据对应的分子描述符统一表示为[0,1]之间的数值，其归一化公式为：

式中：x'_ij为分子描述符变量X_i中第j个值，x_ij为其归一化后的值，x'_iMax表示X_i中的最大值，x'_iMin表示X_i中的最小值；

利用Pearson相关性分析方法对归一化后的空气温度、空气湿度、相对气压、风速、风向、阵风、降雨量、盐分、溶解氧、PH值与水温相关性进行分析。

4.根据权利要求1或3所述一种基于多维数据的海参养殖水温预测方法，其特征在于，对实地采集的气象和水体数据进行分析与筛选，还包括：将与水温相关的各影响因子权重进行累积，若权重积不为0，则证明式中所有影响因子权重皆不为0，即与相关性分析结果吻合；其公式为：

式中：W为所有权重的乘积，n为相关性分析的影响因子总个数，ω_i为各影响因子变量权重。

5.根据权利要求1所述一种基于多维数据的海参养殖水温预测方法，其特征在于，所述GA-BP水温预测模型利用GA算法优化BP神经网络，根据所述BP神经网络的结构初始化权值和阈值，并通过遗传算法对BP神经网络进行训练，以获取最优权值和阈值，具体为：

根据BP神经网络的初始权值和阈值，得到每个影响因子输入向量到水温输出向量的适应度函数：

(90≤k≤110∩k≠100)

式中：n为BP神经网络输出节点数，y_i为BP神经网络第i个水温的实际输出，o_i为第i个水温的预测输出，k为系数；

根据适应度函数，利用选择函数筛选出种群中各个水温影响因子向量到水温输出向量的优秀参数个体：

式中：m表示种群规模，表示各个种群个体的适应度，p_i表示该个体被选中的概率；

对种群中各个影响因子输入向量到水温输出向量的参数路径进行交叉操作以及变异操作，以产生新的优秀参数个体，扩大种群规模；

其交叉操作为：

式中：c_kj为第k个染色体在j位置的基因，c_lj为第l个染色体在j位置上的基因，b是[0,1]上的随机数；

其变异操作为：以一定概率产生变异基因数，使用随机选取方法选取变异基因；若基因编码为0则翻转成1，反正，则变为0。

6.根据权利要求1所述一种基于多维数据的海参养殖水温预测方法，其特征在于，所述GA-BP水温预测模型根据气象和水体数据的影响因子确定隐含层节点数，公式为：

其中，m和n分别为输入层节点数和输出层节点数，a为0-10的常数。

7.根据权利要求1所述一种基于多维数据的海参养殖水温预测方法，其特征在于，通过平均绝对百分比误差MAPE、均方根误差MSE和平均绝对误差MAE三个评价指标对GA-BP水温预测模型进行性能评价，其评价指标公式如下：

平均绝对误差MAE：

平均绝对百分比误差MAPE：

均方根误差MSE：

其中，N表示测试集样本数，y_i表示实际值，表示预测值。