[发明专利]一种基于时空序列的溶解氧预测方法及系统

说明书

本发明提出一种基于时空序列的溶解氧预测方法及系统，充分考虑到溶解氧短期变化规律和溶解氧变化日周期性规律的基础上，通过对原有ConvLSTM模型进行改进，建立两个并联的模型，并将从传感器采集到并经过填充的数据生成数据输入矩阵，输入到改进后的ConvLSTM模型中，实现对溶解氧进行更加精确的预测。本发明的方法同时考虑时间上以及空间上的信息，在溶解氧预测方面具有准确、便捷易行等优点，一定程度解决了溶解氧预测精度不高、工作效率低等问题。

技术领域

本发明涉及水产养殖领域，特别涉及一种基于时空序列的溶解氧预测方法及系统。

背景技术

池塘养殖在是水产养殖的重要组成部分，在池塘养殖的过程中，溶解氧是池塘养殖管理中最关键的问题，水中溶解氧含量对水生动为有着极大的影响，溶解氧过低将导致水生生物抵抗力、摄食欲下降，严重时还将导致水生生物大面积死亡。因此，对池塘中溶解氧走势预测显得极为重要。

现如今基于深度学习的溶解氧预测模型大多数仅仅考虑到了时间维度对溶解氧进行预测，但是池塘中一处溶解氧变化将会对临近水域溶解氧含量产生一定程度的影响，当池塘中增氧机开启后，增氧机附近的溶解氧传感器会快速检测到溶解氧的升高，但是随着时间的变化，这种升高会渐渐影响到距离较远的其他传感器，因此在溶解氧预测中仅仅考虑时间维度是不全面的，还需要考虑到空间维度，二者共同完成对溶解氧的预测，并且溶解氧变化具有很强的日周期性，每天相同时刻溶解氧变化有着相似的变化趋势，因此可以结合溶解氧变化的日周期性对溶解氧做出更加精确的预测。

发明内容

针对现有技术存在的问题，本发明提出一种基于时空序列的溶解氧预测方法及系统。ConvLSTM最初是用于通过雷达图像对短时降雨进行预测，通过在原有LSTM模型中加入卷积操作大大强化了对图像(空间)信息的获取。通过对原有模型进行改进，将传感器采集到的数据作为ConvLSTM作为模型的输入，从而综合时间与空间信息，并且充分考虑到溶解氧短期变化规律和溶解氧变化日周期性规律，从而实现对溶解氧进行更加精确的预测。该方法通过同时考虑时间上以及空间上的信息在溶解氧预测方面具有准确、便捷易行等优点，一定程度解决了溶解氧预测精度不高、工作效率低等问题。

本发明第一方面，提出一种基于时空序列的溶解氧预测方法，包括：

步骤S1、传感器数据采集：从多个传感器中获取数据，并且完成所获取数据中的缺失数据的判断以及缺失数据的填充：

步骤S2、数据输入矩阵生成：将所述步骤S1中进行了数据填充之后的数据转化成输入矩阵；

步骤S3、预测模型建立及训练：考虑溶解氧短期变化规律和溶解氧变化日周期性规律的基础上，并联两个ConvLSTM模型，建立改进的ConvLSTM模型，其中一个ConvLSTM模型负责捕获短期溶解氧变化规律，一个ConvLSTM模型负责捕获溶解氧变化的日周期性规律，并将由所述步骤S2的方法生成的用于训练的数据输入矩阵输入到所述改进的ConvLSTM模型中，完成对所述改进的ConvLSTM模型的训练，得到预测模型；

步骤S4、溶解氧含量估计：按照所述步骤S2的方法生成用于预测的数据输入矩阵，并输入骤S3得到的预测模型中，从而得到未来溶解氧的预测值。

优选地，传感器的布置方式为均匀地布置为W*H的传感器矩阵，W为传感器矩阵的宽，H为传感器矩阵的高，共计有P＝W×H个传感器，且从所述传感器获取的数据有溶解氧、浊度、pH、温度。

进一步，步骤S1中对缺失数据进行判断的方法是，根据每条数据获取到的时间，将前后相邻两条数据获取的时间相减，假如时间差大于获取一次数据的时间，则判定所述两条相邻数据之间存在数据缺失，则需要进行缺失数据填充，所述相邻两条数据之间的缺失数据数量，也即所述相邻两条数据之间需要填充的数据数量为：