[发明专利]基于机器学习的黄蜂迁移预测方法、系统、设备和介质

说明书

本申请涉及基于机器学习的黄蜂迁移预测方法、系统、设备和介质，方法包括：获取目标地区的气候数据和历史报告数据；利用检测和分类系统对历史报告数据进行大黄蜂检测，将识别为大黄蜂的黄蜂图像添加至黄蜂数据集；将气候数据和黄蜂数据集输入构建的蜂后迁移预测模型，输出目标地区预测的黄蜂分布地图并计算地图区域的黄蜂值。气候数据包括目标地区的温度数据和湿度数据，历史报告数据包括目标地区内各地点报告的疑似大黄蜂图像。蜂后迁移预测模型基于蒙特卡罗计算构建，模型中设定蜂后向适合黄蜂生存的方向移动的概率最大且每个蜂巢中蜂后数量受环境随机因子约束，黄蜂值用于指示大黄蜂出现相应地区的概率。黄蜂迁移预测性能较强。

技术领域

本发明属于机器学习技术领域，涉及一种基于机器学习的黄蜂迁移预测方法、系统、设备和介质。

背景技术

随着机器学习技术的不断发展，其在生物物种入侵事件中的应用已逐步拓展，日益成为地区生物物种入侵分析预测的重要技术手段。其中，大黄蜂入侵的某些产地外地区，对当地的蜜蜂产业而言大黄蜂属于害虫，会给当地的养蜂产业造成经济损失，此外由于大黄蜂的强大攻击性，也会对当地居民人身安全造成威胁，因此分析和预测大黄蜂出现的区域，对于当地社会而言是防范黄蜂危害的重要课题。

为了评估入侵物种在某一地区出现的可能性，人们已经提出了多种基于统计数据的生长-扩散模型，其对于大量的种群可以获得相对准确的结果，而对于小规模的种群可能无法获得较好的结果。此外，随着时间推移，人们还提出了一种基于个体对环境驱动变量的生理反应的种群动态机制模型，该模型被定义为基于生理学的人口统计学模型(PBDMs)，其在已知信息足够(微分方程的初值)时，该模型甚至可以准确地评估变化对地理空间和时间中种群动态的影响。

然而，在实现本发明的过程中，发明人发现上述传统的分析预测方法，在面对黄蜂迁移预测问题上，存在着预测性能较差的技术问题。

发明内容

针对上述传统方法中存在的问题，本发明提出了一种黄蜂迁移预测性能较强的基于机器学习的黄蜂迁移预测方法、一种基于机器学习的黄蜂迁移预测系统、一种计算机设备和一种计算机可读存储介质。

为了实现上述目的，本发明实施例采用以下技术方案：

一方面，提供一种基于机器学习的黄蜂迁移预测方法，包括步骤：

获取目标地区的气候数据和历史报告数据；气候数据包括目标地区的温度数据和湿度数据，历史报告数据包括目标地区内各地点报告的疑似大黄蜂图像；

利用检测和分类系统对历史报告数据进行大黄蜂检测，将识别为大黄蜂的黄蜂图像添加至黄蜂数据集；

将气候数据和黄蜂数据集输入构建的蜂后迁移预测模型，输出目标地区预测的黄蜂分布地图并计算地图区域的黄蜂值；

其中，蜂后迁移预测模型基于蒙特卡罗计算构建，蜂后迁移预测模型中设定蜂后向适合黄蜂生存的方向移动的概率最大且每个蜂巢中蜂后数量受环境随机因子约束，黄蜂值用于指示大黄蜂出现相应地区的概率。

另一方面，还提供一种基于机器学习的黄蜂迁移预测系统，包括：

数据获取模块，用于获取目标地区的气候数据和历史报告数据；气候数据包括目标地区的温度数据和湿度数据，历史报告数据包括目标地区内各地点报告的疑似大黄蜂图像；

检测分类模块，用于利用检测和分类系统对历史报告数据进行大黄蜂检测，将识别为大黄蜂的黄蜂图像添加至黄蜂数据集；

预测输出模块，用于将气候数据和黄蜂数据集输入构建的蜂后迁移预测模型，输出目标地区预测的黄蜂分布地图并计算地图区域的黄蜂值；

其中，蜂后迁移预测模型基于蒙特卡罗计算构建，蜂后迁移预测模型中设定蜂后向适合黄蜂生存的方向移动的概率最大且每个蜂巢中蜂后数量受环境随机因子约束，黄蜂值用于指示大黄蜂出现相应地区的概率。