[发明专利]一种基于双注意力机制的水质长期预测方法

说明书

本发明提供了一种基于双注意力机制的水质长期预测方法：步骤1、采集数据并对数据进行预处理；步骤2、将步骤1中处理的数据输入由特征注意力机制、Bi‑SRU(双向简单循环单元)网络和时间序列注意力机制组成的DA‑Bi‑SRU(基于双重注意力机制的双向简单循环单元)神经网络模型中；步骤3、得到模型输出的预测数据实现水质预测。本发明方法在水质变化趋势预测中相较于现有方法具有更高的预测精度，能准确给出关键水质异常变化警戒的参考信息，具有更准确和更稳定的关键水质预测效果。

技术领域

本发明涉及深度学习和智慧养殖领域，具体说，涉及一种基于双注意力机制的水质长期预测方法。

背景技术

在海水养殖中，水质参数是养殖鱼类(cultured fishes)赖以生存的重要指标之一。在传统的海水养殖中，养殖户只能依靠人工养殖经验来判断水质的好坏，不仅时效性很差，而且一旦发现问题，为时已晚，容易造成损失。然而，这种损失往往都是巨大的。准确的水质预测能够帮助水产养殖户提前预知水质参数变化趋势，并及时提醒养殖户调节水质，以确保适宜的养殖环境。在很大程度，解决了水质恶化带来不良影响，提高产量的同时也能提高水产的质量。

针对水质预测问题，传统的非机理预测方法存在诸多问题，比如，专家评估方法存在主观性强、时效性差的缺陷；基于统计学的预测方法计算量大、采用相同的权重进行线性拟合、针对非线性多参数的水质预测效果不佳；水质模拟法在较多的随机变量参与运算时，复杂度较高，且预测结果非常不稳定；而传统的神经网络预测方法容易出现过拟合、陷于局部最优解的缺陷，不适合高维度、小样本预测。近年来，基于支持向量机(SVM)及其改进的最小二乘支持向量回归机(LSSVR)的预测模型被引入到水产养殖水质预测研究中。随后，研究者将群集智能优化算法与LSSVR结合进行组合预测，提出了ACO-LSSVR、IPSO-LSSVR和WA-CPSO-LSSVR的水产养殖溶解氧非线性预测方法，并取得了较好的应用效果。然而，这些方法中的核函数的选择和参数的优化组合主要依靠主观经验和不断的尝试，且没有考虑其他水质参数对预测时刻贡献强度的差异，因此严重制约了预测的精度和泛化性能，仍然需要继续深入研究。然而，近些年在人工神经网络的进展有效解决了以上问题。人工神经网络是模拟动物神经网络的复杂特征，从而进行信息处理的算法。这种网络是由大量的简单人工神经元连接组成，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的，并具有较强的自适应能力和学习能力，能够充分拟合复杂非线性关系的优点。

经分析，可知道目前主要方法的缺点如下：1.目前针对基于估算的感知数据恢复方法的研究都是基于单一属性特征，没有充分挖掘并利用多属性间的时空相关性。2.传统的非机理预测方法中的核函数的选择和参数的优化组合主要依靠主观经验和不断的尝试，且没有考虑其他水质参数对预测时刻贡献强度的差异。

发明内容

本发明的目的是基于双注意力机制的水质长期预测方法，本发明方法针对pH值、水温和溶解氧提出了一种新颖的水质预测模型Double-Attention-Based BidirectionalSimple Recurrent Unit model(DA-Bi-SRU)。在水质变化趋势预测中相较于现有方法具有更高的预测精度，能准确给出关键水质异常变化警戒的参考信息，具有更准确和更稳定的关键水质预测效果。

1、一种基于双注意力机制的水质长期预测方法，包括以下步骤：

步骤1、采集数据并对数据进行预处理；

步骤2、将步骤1中处理的数据输入由特征注意力机制、Bi-SRU(双向简单循环单元)网络和时间序列注意力机制组成的DA-Bi-SRU(基于双重注意力机制的双向简单循环单元)神经网络模型中；

步骤3、得到模型输出的预测数据实现水质预测；