一种基于多尺度分析的水产养殖水质短期组合预测方法
【专利摘要】本发明公开了一种基于多尺度分析的水产养殖水质短期组合预测方法，在线采集水质时间序列数据并进行修复；采用经验模态分解对所选的水质时间序列样本集数据分解成不同频率尺度的IMF分量和残差rn分量；将IMF和rn分量进行分类，根据分类特征分别选择人工蜂群优化最小二乘支持向量回归机、BP神经网络和自回归滑动平均模型进行预测，最后将各部分结果加权求和得到水质时间序列预测结果。本发明通过经验模态分解将原水质时间序列数据分解为不同时频尺度分量，更能准确的把握原水质序列内部的变化情况；并将人工蜂群优化最小二乘支持向量回归机、BP神经网络和自回归滑动平均模型模型优势互补相结合，有效的提高组合预测模型性能。
【专利说明】一种基于多尺度分析的水产养殖水质短期组合预测方法
【技术领域】
[0001]本发明属于智能信息处理和水产养殖技术交叉领域，尤其涉及一种基于多尺度分析的水产养殖水质短期组合预测方法。
【背景技术】
[0002]集约化水产养殖水体是水产品栖息场所，养殖水质的好坏直接决定着水产品的生长状况及其产品质量。而水产养殖水质预测是谋划养殖区域水环境规划、现代渔业健康养殖精准化管理的重要基础性工作，准确的水质预测对养殖水质科学化调控、防范水质恶化、水产品疾病爆发具有十分重要的经济价值和现实意义。
[0003]目前，水质预测主要有基于机理预测模型和基于数值定量预测模型两大类。而基于机理预测模型要求测量水质参数较多，计算量大，误差累积率高，不满足水产养殖企业对水质短期预测的需求。基于数值定量预测方法常采用多项式回归、数理统计法、灰色系统理论法、神经网络模型法、水质模拟模型法等方法，它们各自有各自的研究特点和使用条件，虽然在水质预测取得了一定成效，但是单独预测的效果不是很突出，预测精度也比较低。此夕卜，水产养殖水体受天气、人类活动、水生动植物、理化因子等多种因素作用，使养殖水质存在其非线性、大时滞、不确定性等特征。因此，如何根据集约化水产养殖水质特性，将不同的预测方法进行优势互补，构建一种快速、准确，且能为集约化水产养殖水质精准化调控管理提供决策支持的新型预测方法，是目前水产养殖业现代化管理亟需解决的重要问题之一。
【发明内容】
[0004]本发明实施例的目的在于提供一种基于多尺度分析的水产养殖水质短期组合预测方法，旨在解决现有的水质预测方法存在的预测精度低、不准确的问题。
[0005]本发明实施例是这样实现的，一种基于多尺度分析的水产养殖水质短期组合预测方法，该基于多尺度分析的水产养殖水质短期组合预测方法包括以下步骤:
[0006]步骤一，在线获取集约化水产养殖池塘的水质数据，按照时间顺序排列成水质时间序列数据X，水质时间序列数据X记为:x = {xt，t = 1,2,...，N}，其中，N为水质时间序列数据的个数且N为正整数；
[0007]步骤二，对在线采集的水质原始数据修复处理，根据数据特征对历史水质时间序列数据中的残缺值进行修复处理；
[0008]步骤三，经验模态本征分解:采用EMD算法对已经修复处理水质参数时间序列进行分解，得到η个IMF分量和一个残差rn，其中η是大于I的自然数；
[0009]步骤四，IMF和rn分量分类预测:根据不同尺度频率滤波的特点，将IMF分量分为高频滤波、中频滤波和低频滤波，分别使用人工蜂群优化最小二乘支持向量回归机、BP神经网络和自回归滑动平均模型进行建模预测；
[0010]将分解得到的几个较高频率的IMF分量作为高频滤波；将分解得到的中级几个一般频率的IMF分量作为中频滤波；将后几个频率较低和残差rn作为低频滤波，然后针对不同时频的滤波特性进行分类预测，对高频滤波部分，使用人工蜂群优化最小二乘支持向量回归机进行建模预测，对中频滤波部分，使用BP神经网络进行建模预测，对低频滤波部分，使用自回归滑动平均模型进行建模预测；
[0011]步骤五，组合模型权重计算:假定某一水质参数时间序列为(X1, X2,, Xt)，则模型权重计算式为:
1-...W -Κχ?,ιJ2
?-ι
…mV
[0012]---
y 1 ?[(χ,ν ~"1, )!(Tj ]2
7=1 丌O"』
[0013]其中，w/为t+1时刻第j个基本预测模型在组合模型中的权重，j = 1,2,...,],]为基本预测模型的个数，<^为第j个模型第i个分量的预测值，ο i为Xi,t - 的方差；
[0014]步骤六，将各模型预测结果进行加权求和，得到最终的集约化水产养殖水质预测值
J
[0015]?+1=Σ?+1
7=1
[0016]式中，元*+1为第t+Ι时刻水质参数最终预测结果。
[0017]进一步，在步骤二中，残缺值进行修复处理包括；
[0018]残缺数据的修补处理:
[0019]若缺失数据的前后时间间隔不大，采用线性插值的方法补上；
[0020]Xk+i =Xk + l—-X--J: Xk>) , 0<i<j
J
[0021]式中，Xk和Xm分别为已知k时刻和k+j时刻的水质参数值，xk+i为k+i时刻缺失的水质参数取值，若时间间隔较大，则采用天气类型相同或相近相邻几天中同时刻的数据来填补；
[0022]错误的不良数据处理:
[0023]因水质数据具有连续性和时序性，前后相邻时段监测的数据一般不会发生跳变，通过比较，若该时刻水质数据变化范围在其前后水质监测值的±10%以外，则认为该数据有误，可采用均值平滑法进行水平处理；
[0024]
xk = kl 2 *+1，当丨Xk 丨> 潟或丨X/t 一 A+11〉
[0025]?9/和*.分别为相邻数据误差阈值。
[0026]进一步，在步骤三中，找出水质时间序列x(t)的所有极大值点和极小值点，将所有的极大值点用三次样条函数拟合一条数据X(t)的上包络线eup(t);同样的把所有极小值点采用三次样条函数拟合一条数据X (t)的下包络线ed_ (t)，则上下包络线的平均值Hi1 (t)=(eup(t)+edown(t))/2 ;将原始水质时间序列x(t)减去上下包络线的均值Hi1 (t)，得到一个新的数据序列hi (t) = X (t) -Hi1 (t),并进行k次筛选,直到Ii1 (t)满足IMF条件,记C1 (t)=hi (t)，则C1 (t)为水质时间序列的第I个本征模态函数IMF分量，它表示原始水质时间序列中的最高频成分，记为=Ii1 (k) (t) = h1(k_D (t)-m1(k) (t)，式中h1(k) (t)为第k次筛选得到的水质时间序列数据，h1(k_D (t)为第k-Ι次筛选得到的水质时间序列数据；如此多次筛选,原水质时间序列被分解成若干个MF分量和一个残差分量rn，随着分解次数的增加，分量的非平稳行为逐渐减少，并且不同分量代表水质序列在不同时频上的波动规律，更能准确的反映原水质序列内部的变化情况，并保留原水质序列的固有特征。
[0027]进一步，在步骤四中，建立改进人工蜂群优化最小二乘支持向量回归机数学模型，包括以下步骤:
[0028]第一步，设置人工蜂群算法参数，蜂群总数为NS，维数为D = 2，采蜜蜂个数为凡，守望蜂个数为Nu，食物源数量FN，且Ne = Nu = FN = NP/2，最大迭代次数为Tmax,最大更新次数Tlimit，设当前迭代次数为t = I ;每个食物源的当前更新次数tFi = O ;
[0029]第二步，生成待优化预测模型参数的初始解集Θ:
[0030]
【权利要求】
1.一种基于多尺度分析的水产养殖水质短期组合预测方法，其特征在于，该基于多尺度分析的水产养殖水质短期组合预测方法包括以下步骤: 步骤一，在线获取集约化水产养殖池塘的水质数据，按照时间顺序排列成水质时间序列数据X，水质时间序列数据X记为:x = {xt，t = 1,2,...，N}，其中，N为水质时间序列数据的个数且N为正整数； 步骤二，对在线采集的水质原始数据修复处理，根据数据特征对历史水质时间序列数据中的残缺值进行修复处理； 步骤三，经验模态本征分解:采用EMD算法对已经修复处理水质参数时间序列进行分解，得到η个IMF分量和一个残差rn，其中η是大于I的自然数； 步骤四，IMF和rn分量分类预测:根据不同尺度频率滤波的特点，将IMF分量分为高频滤波、中频滤波和低频滤波，分别使用人工蜂群优化最小二乘支持向量回归机、BP神经网络和自回归滑动平均模型进行建模预测； 将分解得到的几个较高频率的IMF分量作为高频滤波；将分解得到的中级几个一般频率的IMF分量作为中频滤波；将后几个频率较低和残差rn作为低频滤波，然后针对不同时频的滤波特性进行分类预测，对高频滤波部分，使用人工蜂群优化最小二乘支持向量回归机进行建模预测，对中频滤波部分，使用BP神经网络进行建模预测，对低频滤波部分，使用自回归滑动平均模型进行建模预测； 步骤五，组合模型权重计算:假定某一水质参数时间序列为(Xl，x2, , Xt)，则模型权重计算式为:
2.如权利要求1所述的基于多尺度分析的水产养殖水质短期组合预测方法，其特征在于，在步骤二中，残缺值进行修复处理包括； 残缺数据的修补处理 若缺失数据的前后时间间隔不大，采用线性插值的方法补上；
3.如权利要求1所述的基于多尺度分析的水产养殖水质短期组合预测方法，其特征在于，在步骤三中，找出水质时间序列x(t)的所有极大值点和极小值点，将所有的极大值点用三次样条函数拟合一条数据x(t)的上包络线eup(t);同样的把所有极小值点采用三次样条函数拟合一条数据x(t)的下包络线ed_(t)，则上下包络线的平均值!111(0 =(eup(t)+edown(t))/2 ;将原始水质时间序列x(t)减去上下包络线的均值Hi1 (t)，得到一个新的数据序列Mt) = xW-mJt),并进行k次筛选,直到hjt)满足IMF条件,记cjt)=Ill (t)，则C1⑴为水质时间序列的第I个本征模态函数IMF分量，它表示原始水质时间序列中的最高频成分，记为=Ii1 (k) (t) = h1(k_D (t)-m1(k) (t)，式中h1(k) (t)为第k次筛选得到的水质时间序列数据，h1(k_D (t)为第k-Ι次筛选得到的水质时间序列数据；如此多次筛选,原水质时间序列被分解成若干个MF分量和一个残差分量rn，随着分解次数的增加，分量的非平稳行为逐渐减少，并且不同分量代表水质序列在不同时频上的波动规律，更能准确的反映原水质序列内部的变化情况，并保留原水质序列的固有特征。
4.如权利要求1所述的基于多尺度分析的水产养殖水质短期组合预测方法，其特征在于，在步骤四中，建立改进人工蜂群优化最小二乘支持向量回归机数学模型，包括以下步骤: 第一步，设置人工蜂群算法参数，蜂群总数为NS，维数为D = 2，采蜜蜂个数为队，守望蜂个数为Nu，食物源数量FN，且Ne = Nu = FN = NP/2,最大迭代次数为Tmax,最大更新次数Tlimit，设当前迭代次数为t = I ;每个食物源的当前更新次数tFi = O ; 第二步，生成待优化预测模型参数的初始解集Θ:
5.如权利要求1所述的基于多尺度分析的水产养殖水质短期组合预测方法，其特征在于，在步骤四中，对中频滤波部分，使用BP神经网络进行建模预测的具体步骤为: 第一步，接收中频滤波序列数据，网络初始化； 第二步，计算误差和梯度向量，进行模型的权值修正； 第三步，对精度和迭代次 数是否满足算法终止条件作出判断，满足进行下一步，不满足返回第二步； 第四步，BP神经网络预测模型建立完成。
6.如权利要求1所述的基于多尺度分析的水产养殖水质短期组合预测方法，其特征在于，在步骤四中，对低频滤波部分，使用自回归滑动平均模型进行建模预测的具体方法为: 第一步，接收低频序列数据，进行模型的结构辨识； 第二步，进行模型参数估计、诊断和检验； 第三步，对模型是否合适作出判断，是则建立自回归滑动平均预测模型，否返回第一止/J/ O
【文档编号】G06F19/00GK103577694SQ201310545260
【公开日】2014年2月12日 申请日期:2013年11月7日 优先权日:2013年11月7日
【发明者】刘双印, 徐龙琴, 谢仕义, 吴卫祖, 王骥 申请人:广东海洋大学