[发明专利]一种模糊时间序列水产养殖水质环境数据的预测方法

摘要

本发明涉及一种模糊时间序列水产养殖水质环境数据的预测方法，该方法包括步骤如下：第一步：计算水质监测历史数据中两个相邻数据的变动；第二步：定义论域；第三步：定义模糊集合；第四步：将水质传感器已监测到的历史数据模糊化，第五步：计算在时刻t的预测输出；第六步：将预测变化结果去模糊化；第七步：计算预测的时间序列的数值。本发明考虑到水质环境数据时间序列的非线性和数据不确定性的特点，采用模糊时间序列的方法来预测水质监测数据，该方法能够提高水质环境数据时间序列单步预测的预测精度，能够充分利用养殖水域以及养殖品种的历史数据，获得比一般时间序列预测模型更加理想的预测结果。

主权项

1.一种模糊时间序列水产养殖水质环境数据的预测方法，该方法是利用目前的自动在线监测系统，使用水质监测传感器自动采集水质环境数据，其特征在于该方法包括步骤如下：第一步：计算水质监测历史数据中两个相邻数据的变动，计算得到任意两个相邻水质监测数据的最大增加量Imax和最大减小量Dmax，定义论域U＝[Dmax‑R1,Imax+R2]，其中R1、R2为选取的适当的正实数；第二步：水质监测历史数据为时间序列{X(t)∈R,t＝1,2,…n}，U为其论域，将论域U分为适当长度的区间u1,u2,…,um；第三步：在论域U上，对于X(t)的模糊时间序列F(t)＝(μ1(t),μ2(t),…,μn(t))，μi(t)是关于X(t)的模糊化变动的模糊集合，i＝1,2,…,n,t＝1,2,…n，将水质数据的变化以k个语言值描述，则相应语言变量为A1,A2,…,Ak，其模糊集表达式如下：第四步：根据上述定义的模糊集合，将水质传感器已监测到的历史数据模糊化，具体方法为：水质数据在时刻i时的变化数值为v，v∈uj，(j＝1,2,…,k)；选取uj取最大隶属度值时的模糊集Aj，(j＝1,2,…,k)；将变化数值v转换为模糊集Aj，(j＝1,2,…,k)；则F(t)在t和t‑1之间的历史数据模糊变动为Aj，(j＝1,2,…,k)，即为向量f(t)＝[μAj(u1),μAj(u2),…,μAj(um)]；第五步：选择适当的窗口值w，计算在时刻t的预测输出，以数据模糊变动f(t‑1)为时刻t的标准向量S(t)＝f(t‑1)＝[s1 s2 … sm]，其中,f(t‑1)是模糊时间序列F(t)在t‑1和t‑2之间的模糊变动，si为向量f(t‑1)中相应的模糊集合，i＝1,2,…,m，m是论域中元素的个数；以矩阵为时刻t的操作矩阵O(t)，其中，f(t‑i)是模糊时间序列F(t)在t‑i和t‑i‑1之间的模糊变动，oij为向量f(t‑i)中相应的模糊集合，i＝2,3,…,w,j＝1,2,…,m，w为选取的窗口值，m为论域中元素的个数；前一时刻的水质数据变化和前w时刻的水质数据变化之间的模糊关系矩阵R(t)为：其中，Rij＝oij×sj，i＝2,3,…,w,j＝1,2,…,m；则预测当前时刻将要发生的模糊变动F(t)为：F(t)＝[Max(R11 R21 … Rw1) Max(R12 R22 … Rw2) … Max(R1m R2m … Rwm)]第六步：将预测变化结果去模糊化，设w1,w2,…,wn为论域U上输出元素的隶属度，以标准化的隶属度加权数，对各组中点作加权平均为其输出值，即，输出值O＝S1·M1+S2·M2+…+Sn·Mn，其中为标准化后的隶属度，Mi，(i＝11,2,…,n)为指数分区的组的中点；第七步：计算预测的时间序列的数值，如果第i第时刻的模糊化的历史数据为Xi，为则其第i‑k其时刻，第i‑k‑1时刻，…，第i‑2时刻，第i‑1时刻与第i时刻数据之间的模糊逻辑关系为(Xik),(Xi(k‑1)),…,(Xi2),(Xi1)→Xj，其中，Xik,Xi(k‑1),…,Xi2,Xi1表示第i‑k时刻，第i‑k‑1时刻，…，第i‑2时刻，第i‑1时刻的模糊化值；如果只有一个模糊关系匹配：(Xik),(Xi(k‑1)),…,(Xi2),(Xi1)→Xj则第i时刻的预测值tj为：当j＝1时，当2≤j≤n‑1时，当j＝n时其中，mj‑1，mj和mj+1分别为区间uj‑1，uj和uj+1的中点，如果多个模糊关系匹配：(Xik),(Xi(k‑1)),…,(Xi2),(Xi1)→Xj2且Xj1、Xj2…Xjp模糊关系库中出现的次数分别为nj1、nj2…njp则第i的预测值tj为：其中tj1,tj2,…,tjp依只有一个模糊关系匹配时tj计算，如果不存在匹配的模糊关系：(Xik),(Xi(k‑1)),…,(Xi2),(Xi1)→#则第i的预测值tj为：其中tik,ti(k‑1),…,ti1依只有一个模糊关系匹配时tj计算。