[发明专利]基于决策树与神经网络的水产养殖病害预测方法及系统

说明书

本公开公开了基于决策树与神经网络的水产养殖病害预测方法及系统，本公开主要融合长短期记忆循环神经网络以及决策树两种算法，来进行水产养殖病害预测。而改进的C4.5算法则增加了去除相关性大的因素这一环节，从而有效的减少了不必要的计算，将预测的数据代入决策树中进行判断病害是否爆发以及所属类型，可以有效解决长期依赖问题，记住时间段的信息是它们必备的技能；具有擅长处理复杂突变的时序数据的特点，可以更加精准的预测水产病害的发生，实用性强，预测精度高，可以帮助养殖户及时的解决水产病害减少经济损失。

技术领域

本公开涉及人工智能技术领域，具体涉及基于决策树与神经网络的水产养殖病害预测方法及系统。

背景技术

我国传统水产养殖主要是“三靠”：靠经验、靠体力、靠天气，导致水资源利用率和劳动生产率低，与国际先进水平有较大差距。与此同时，水体污染严重，水产病害频繁等问题导致养殖风险大、水产品质量安全隐患突出等。每年水产养殖病害影响面积占全国总水产养殖面积10％以上，直接经济损失高达上百亿元，已经成为我国水产养殖健康发展的主要障碍之一。根据水产养殖动植物疾病监测预报，2017年，我国水产养殖因病害造成的经济损失约361亿元，其中鱼类占33.8％，甲壳类占40.7％，贝类占13.2％，其他占12.4％。随着我国人民生活水平不断提高，水产品已经成为人们日常餐桌上必不可少的美食，但是由于水产养殖病害频发导致现在养殖业出现养殖用药过量，造成养殖品种体内毒素富集严重，严重影响消费者的健康。因此对水产病害进行预测分析对我国水产养殖具有极其重要的意义。

现有技术大都采用灰色预测模型、BP神经网络模型。但灰色预测模型对时间序列平滑性要求较高，有快速衰减和递增的属性，所以他的时效性有限，不适合做长期的预测或者分析。标准BP神经网络算法收敛速度慢、局部极值、难以确定隐层数和隐层的节点个数。由于收集的水体数据中有许多属性相关性较大，如果将所有属性都用C4.5算法进行计算，则会造成一定的资源浪费，降低计算效率。

发明内容

本公开提供基于决策树与神经网络的水产养殖病害预测方法及系统，本公开主要融合长短期记忆循环神经网络以及决策树两种算法，来进行水产养殖病害预测。而改进的C4.5算法则增加了去除相关性大的因素这一环节，从而有效的减少了不必要的计算。本发明预建立改进的C4.5-LSTM预测模型(C4.5为决策树生成算法)来对水产养殖病害进行预测。首先收集历史的水温、PH值、溶氧量、放养。密度、硬度、盐度、微量元素含量、水产养殖病害爆发与否以及病害所属类型等数据，将数据进行预处理后运用改进的C4.5算法训练生成决策树(主要为去除相关性较大的属性、特征选择、决策树生成、剪枝)。通过决策树的确定影响水产养殖病害爆发的主要n个因素。接下来收集这n个因素的数据并进行数据清洗，将处理好的数据建立长短期记忆循环神经网络模型预测各因素的值。最后将预测的数据代入决策树中进行判断病害是否爆发以及所属类型。传统的神经网络并不能做到长期记忆，之前的信息不能连接到当前的任务，即存在“长期依赖”问题。但长短期记忆循环神经网络模型擅长处理可变长度的时间序列的数据输入，且网络具有自连接的隐层，即当前时刻隐层的状态依靠前一时刻隐层的状态进行更新，可以有效解决长期依赖问题，记住时间段的信息是它们必备的技能。

为了实现上述目的，根据本公开的一方面，提供基于决策树与神经网络的水产养殖病害预测方法，所述方法包括以下步骤：

步骤一：数据采集。收集水体m个因素x₁,x₂,…x_m的数据及对应的病害数据将数据导入Excel表格中，对数据进行预处理即填补数据中的缺失值，去除数据中的异常值。

步骤二：生成决策树。随机抽取其中的80％组数据作为决策树的训练集，剩余的20％组数据作为决策树的测试集。采取改进的C4.5算法生成决策树。

去除相关性大的属性：

步骤2.1，利用公式(1)计算两两因素之间的相关系数：