一种水质预测方法及装置

1.本发明涉及水产养殖技术领域，尤其涉及一种水质预测方法及装置。


背景技术：

2.水产养殖是农业生产的重要组成部分，中国水产养殖产量连续多年居世界第一，是世界上重要的水产品生产和出口大国之一。水产养殖业已成为我国农业生产的重要组成部分，是不少地方农村经济发展的支柱产业。为了监测养殖水质的变化，人们常常需要定期掌握水体溶解氧的浓度和温度的变化情况。然而现有方法往往都是通过物理或化学的方法来测量水体中溶解氧的浓度，对温度数据时常采用定时监控、定点测量，这些传统方法具有一定的滞后性，难以掌握水质情况在未来一段时间内的变化规律。
3.基于历史数据的水质预测方法也大多以单因子的历史数据作为训练样本进行曲线拟合，由于水质参数直接、间接影响因素较多，具有高度非线性、时滞性及多变量耦合性等特征，单因子预测的方法往往无法满足预测准度的需求，难以实现精确、高效的短期溶解氧变化的多步预测。因此，现在亟需一种新型水质预测方法及装置来解决上述问题。
4.本发明基于时间序列模型，提供一种基于注意力机制的bi-directional gru-cnn的水质预测方法及装置，对未来6步的时间序列进行预测，实现水质溶解氧和水温的自动采集和预测，用以克服或者至少部分解决现有技术存在的问题，可以对养殖水质变化做出早发现、早预警，弥补人工监测方法耗费大量的人力和财力、设备成本高、时间滞后性大的不足，从而提高水产养殖的效率。


技术实现要素：

5.本发明的目的是提出一种水质预测方法及装置。
6.一种水质预测方法，其特征在于，包括以下步骤：
7.步骤s1：在养殖场景内由多个传感器采集历史水温和溶解氧的监测数据并进行预处理；
8.步骤s2：对步骤s1预处理后的数据进行融合，得到水质时间序列；
9.步骤s3：引入注意力机制，建立基于注意力机制的bi-directional gru-cnn模型；
10.步骤s4：将步骤s2经过融合后的水质时间序列重新组合成预测训练样本，输入至步骤s3建立的基于注意力机制的bi-directional gru-cnn模型中进行训练，得到训练后的水质预测模型；
11.步骤s5：采集实时数据进行水质预测。
12.所述步骤s1具体包括以下子步骤：
13.步骤s11：识别并删除历史水温和溶解氧的监测数据中表示监测异常的极大异常值和非数值类型的数据；
14.步骤s12：通过线性插值法或三次样条插值法对监测产生的缺失值和删除异常值后产生的缺失值进行补全；
15.步骤s13：对经过步骤s11和步骤s12处理后的历史水温和溶解氧的监测数据进行归一化处理。
16.所述步骤s13中归一化处理公式如下：
[0017][0018]
其中，xi为第i个输入数据，x
min
为输入数据中的最小值，x
max
为输入数据中的最大值，n为数据的总个数，f(xi)为归一化后数据。
[0019]
所述步骤s2中对预处理后的数据进行融合的具体步骤如下：
[0020]
步骤t1：将同一时刻n个同类型传感器返回的数据平均划分为两组，则每组为n/2个数据；
[0021]
步骤t2：记步骤t1划分的两组数据分别为t
1i
和t
2i
，计算t
1i
和t
2i
的算术平均值为：
[0022][0023][0024]
步骤t3：计算标准差σ1和σ2为：
[0025][0026][0027]
步骤t4：利用如下公式完成数据融合：
[0028][0029]
基于注意力机制的bi-directional gru-cnn模型的建立过程具体如下：
[0030]
步骤a1：传入水温t
+
和溶解氧含量d
+
的预测训练样本[t
+
，d
+
]，引入注意力机制attention：
[0031][0032]
其中，q为一个n
×dk
的序列，表示每个元素对应的查询query向量，q＝[q1,q2,
…
,qn]
t
,通过注意力机制将序列q编码成为一个n
×dv
的新序列；k和v表示key-value的关系，k＝[k1,k2,
…
,km]
t
，表示每个元素对应的键key向量，v＝[v1,v2,
…
,vm]
t
，表示每个元素对应的值value向量；n表示query的数量，m表示采样点数量，dk和dv表示维度；
[0033]
步骤a2：在同一个序列的内部进行attention运算，寻找序列x内部不同位置之间的联系，即attention(x,x,x)；
[0034]
步骤a3：使用gru结构对历史观测数据进行训练，计算当前时刻的隐藏状态，并通过更新门来控制前一个隐藏状态传递到当前隐藏状态的信息量；其中，当前时刻的隐藏状态计算公式为：
[0035][0036]
更新门的计算公式如下：
[0037]zt
＝σ(w2[h
t-1
，t
+t
])
[0038]
式中，为候选状态，σ为sigmoid函数，w2表示将2个矩阵合并，t
+t
是当前时刻的输入，h
t-1
是上一个时刻的隐藏状态，h
t
是当前时刻的隐藏状态；
[0039]
步骤a4：使用cnn的扩展卷积提取通用特征，加入残差卷积的跳层连接，把下层的特征图跳层连接到上层，加入1
×
1的卷积操作降维，使两个层加和时特征图数量相同，得到的基于注意力机制的bi-directional gru-cnn模型；其中，扩展卷积为
[0040][0041]
其中，d是扩展系数，k为卷积核大小，f表示filter滤波器大小，s表示stride步长，i表示滤波器个数，g为g的导数。
[0042]
一种水质预测装置，其特征在于，该装置包括数据处理模块、预测模型构建模块和训练模块；数据处理模块对多传感器采集到的数据进行预处理和融合；预测模型构建模块建立基于注意力机制的bi-directional gru-cnn模型；训练模块根据预测训练样本对基于注意力机制的bi-directional gru-cnn模型进行训练，得到训练好的水质预测模型。
[0043]
本发明的有益效果在于：
[0044]
本发明基于时间序列模型和历史水质参数序列，对未来6步的时间序列进行预测，建立基于注意力机制的bi-directional gru-cnn模型，通过将基于注意力机制的双向gru与cnn网络模型结合，实现了水质溶解氧和水温的自动采集和预测，提高了预测的准确度和效率，节省大量人力物力成本。
附图说明
[0045]
图1为本发明提供的基于注意力机制的bi-directional gru-cnn的水质预测方法流程图；
[0046]
图2为本发明提供的水质预测装置的结构示意图。
具体实施方式
[0047]
本发明提出水质预测方法、装置、电子设备及存储介质，下面结合附图和具体实施例对本发明做进一步说明。
[0048]
图1为本发明实施例提供的基于注意力机制的bi-directional gru-cnn的水质预测方法的流程示意图，如图1所示，本发明实施例提供了一种基于注意力机制的bi-directional gru-cnn的水质预测方法，包括：
[0049]
步骤s1：在养殖场景内由多个传感器采集历史水温和溶解氧的监测数据并进行预处理；
[0050]
步骤s2：对步骤s1预处理后的数据进行融合，得到水质时间序列；
[0051]
步骤s3：引入注意力机制，建立基于注意力机制的bi-directional gru-cnn模型；
[0052]
步骤s4：将步骤s2经过融合后的水质时间序列重新组合成预测训练样本，输入至步骤s3建立的基于注意力机制的bi-directional gru-cnn模型中进行训练，得到训练后的水质预测模型；
[0053]
步骤s5：采集实时数据进行水质预测。
[0054]
在本发明实施例中，通过分别布设多个水温传感器和溶解氧浓度传感器，采集水质参数的历史时间序列，其中传感器的采集时间间隔为30min。对于养殖环境内某一个环境因素，同时有多个传感器对其进行数据采集。针对同一个指标，多个传感器采集的数据具有一定的差异性，甚至有可能发生传感器故障而导致无法采集到有效数据的情况为更客观准确地反映水产品生长环境的状况，需要对这些在某一时刻由多个传感器采集回的数据进行融合。多传感器数据融合，可以使传感器采集回的数据得到充分利用，有效降低数据冗余或错误等问题对结果带来的影响。
[0055]
本实施例中，分别对采集的历史水温监测数据、历史溶解氧监测数据进行预处理，预处理包括但不限于删除异常值，弥补缺失值，数据的归一化。
[0056]
识别历史观测数据中表示监测异常的极大异常值和非数值类型的数据，并进行删除。其中，极大异常值包括作为异常标志的异常值和明显与同类型的其他数据不在同一个数量级的监测异常值。
[0057]
通过线性插值法或三次样条插值法对监测产生的缺失值和删除异常值后产生的缺失值进行补全。
[0058]
对上述处理后的历史观测数据进行归一化处理。其中，归一化处理公式为：
[0059][0060]
其中，xi为第i个输入数据，x
min
为输入数据中的最小值，x
max
为输入数据中的最大值，n为数据的总个数，f(xi)为归一化后数据。
[0061]
对于养殖场景内某一个环境因素，同时有多个传感器对其进行数据采集，并对这些在某一时刻由多个传感器采集回的数据进行融合。
[0062]
以温度传感器为例进行数据融合说明，将同一时刻n个空气温度传感器传输回的数据平均分为两组，则每组为n/2个数据，设两组数据分别为t
1i
和t
2i
，则每组数据的算术平均值为：
[0063][0064][0065]
标准差σ1和σ2为：
[0066][0067][0068]
最后利用如下公式完成数据融合：
[0069][0070]
同理，水质溶解氧d也通过上述方法进行融合得到d
+
。
[0071]
将融合后的水质时间序列数据重新组合成预测训练样本，即将每种水质参数进行串联组合，得到[t
+
，d
+
]，就是预测训练样本，在建立基于注意力机制的bi-directional gru-cnn的水质预测模型后，将预测训练样本输入至基于注意力机制的bi-directional gru-cnn的预测模型中进行训练，得到水质预测模型。
[0072]
建立基于注意力机制的bi-directional gru-cnn模型中，引入注意力机制，使用transformer编码器来提取信息，将时间序列的历史作为输入，将高性能的多水平预测与可解释的见解相结合，学习不同尺度上的时间关系，利用可解释的自我注意层进行长期依赖关系的学习，用来解决双向gru的梯度爆炸问题和水质预测的冗余性。且使用了掩蔽的自注意力，这样网络就不会在训练期间获取未来的值，不会导致信息的泄露。同时，使用cnn作为解码器，使用扩张卷积，通过这种方式，解码器可以学习在做出预测之前关注到时间序列历史值中最有用的部分，每一层隐藏层都和输入序列大小一样，并且计算量降低，感受野足够大。这种结构在在时序问题上更适用，可以解决现有的水质预测方法在不同尺度上的水质预测中可解释性不高、泛化能力不强的缺点。
[0073]
首先传入融合后的历史时间序列，即水温t
+
和溶解氧含量d
+
的预测训练样本[t
+
，d
+
]，引入注意力机制attention，定义为：
[0074][0075]
其中，q为一个n
×dk
的序列，q＝[q1,q2,
…
,qn]
t
,k＝[k1,k2,
…
,km]
t
，v＝[v1,v2,
…
,vm]
t
，通过注意力机制将序列q编码成为一个n
×dv
的新序列。
[0076]
而本模型使用的注意力机制为自注意力，即在同一个序列的内部进行attention运算，寻找序列x内部不同位置之间的联系，即attention(x,x,x)。
[0077]
使用gru结构对大量的历史观测数据进行训练，以水温为例，t
+t
是当前时刻的输入，h
t-1
是上一个时刻的隐藏状态，h
t
是当前时刻计算出来的隐藏状态。
[0078]
在计算当前时刻的隐藏状态时，它会首先计算一个候选状态并通过更新门来控制前一个隐藏状态有多少信息可以传递到当前隐藏状态，可以让gru记住长期信息。更新
门的计算公式如下：
[0079]zt
＝σ(w2[h
t-1
，t
+t
])
[0080]
计算当前时刻的隐藏状态为：
[0081][0082]
gru结构能通过各种门将重要信息保留，保证其在长期传播的时候也不会被丢失。
[0083]
在预测模型中，不仅需要考虑时序记忆能力，还需要考虑特征表达能力。卷积神经网络(cnn)良好的特征表达能力，可以对时序数据在不同层次上自动提取通用特征，预测效果更稳定。稀疏权重、参数共享和等变表示是cnn的三大特性，这几个特性显著降低了模型的复杂度，提高了计算效率，故使用cnn结构的一维卷积变形作为解码器，使更适应时序预测问题。
[0084]
使用扩展卷积：
[0085][0086]
其中，d是扩展系数。溶解氧的计算方法同理。
[0087]
扩展卷积越到上层，卷积窗口越大，可以实现每一层隐藏层都和输入序列大小一样，并且计算量降低，感受野足够大。
[0088]
为了提高准确率，加入残差卷积的跳层连接，直接把较下层的特征图跳层连接到上层，此时每个相对应的特征图数量不一致，为解决此问题，加入1
×
1的卷积操作降维，使两个层加和时特征图数量吻合。
[0089]
最后，利用得到的基于注意力机制的bi-directional gru-cnn水质预测模型实现水质的预测。
[0090]
图2为本发明提供的水质预测装置的结构示意图；该装置包括数据处理模块、预测模型构建模块和训练模块。其中，数据处理模块对采集的数据进行预处理，对多传感器采集到的数据进行融合；预测模型构建模块建立基于注意力机制的bi-directional gru-cnn模型，基于注意力机制的双向gru与cnn网络模型结合建立基于时空注意力机制的循环神经网络模型，将鱼群行为特征与循环神经网络模型结合；训练模块用于根据所述样本数据集，对网络模型进行训练，得到训练好的水质预测模型。
[0091]
在本发明实施例中，基于时间序列模型和历史水质参数序列，对未来6步的时间序列进行预测，建立基于注意力机制的bi-directional gru-cnn模型，通过将基于注意力机制的双向gru与cnn网络模型结合，实现水质溶解氧和水温的自动采集和预测。本发明实施例提供的基于注意力机制的bi-directional gru-cnn预测方法，适用于基于各类水产养殖环境的水质预测。
[0092]
本发明实施例提供的基于注意力机制的bi-directional gru-cnn水质预测方法，通过将基于注意力机制的双向gru与cnn网络模型结合，实现对于水质的预测，能快速和便捷地对水质变化进行预测，提高了预测的准确度和效率，节省大量人力物力成本。
[0093]
此实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围
为准。