基于相似日选取和分解-预测-重构模式的水产养殖溶解氧预测研究

Dissolved oxygen is a key factor in efficient aquaculture engineering. The accurate prediction of dissolved oxygen can provide effective support for fining breed. The present research on dissolved oxygen prediction is lack of the sample data analysis and classification processing, and the model is not efficient and accurate. In order to improve the prediction accuracy, this project will firstly study on the optimal method of the constructing the sample dissolved oxygen time series, and then adopt the decomposition-prediction-reconfiguration model, and finally establish and realize combination model. This research focus is divided into three parts: (1) A realization method of constructing the similar time series is proposed. It will solve the problem of the existing prediction method whose sample not optimized. (2) EEMD is used to decompose the time series of dissolved oxygen,and then different intrinsic mode functions(IMFs) will be obtained,and different prediction algorithms will be chosen for IMFs. The advantage is that algorithms can be complementary and improve the prediction accuracy. (3) The optimization method is used to optimize the RBF neural, thus the model can have better fitting effect and stability. It will satisfy the needs of practical applications, and also provide a new basis for aquaculture forecasting and warning.

溶解氧是高效水产养殖工程中的关键因素，实现溶解氧的精准预测可以为精细化养殖提供有效支撑。目前对溶解氧的预测研究，缺乏对数据样本集的分析与分类处理，缺乏高效、精准的预测模型。本项目拟研究构造溶解氧时间序列样本集的最优方法，采用分解-预测-重构模式，建立并实现基于EEMD序列分解、多序列单项预测与RBF神经网络重构的组合预测模型，达到提高溶解氧预测精度的目的。本项目的研究重点分为三个部分:（1）提出构建溶解氧相似日时间序列的实现方法，解决已有预测方法样本空间不够优化的问题。（2）引入EEMD用于溶解氧时间序列分解，获得不同的本征模式函数(IMF)，对其遴选合适的不同预测算法，让各算法优势互补、有机融合，提高预测精度。（3）采用优化方法对组合预测RBF神经网络模型进行优化计算，保证良好的拟合效果和稳定性，使模型更符合实际应用的需求，为水产养殖预测预警应用提供新依据。

本项目在国家自然科学基金(61803050)的资助下，开展了水产养殖溶解氧预测的相关基础与应用研究：（1）为了给溶解氧预测模型提供全面、准确的数据来源，该项目研发了一种基于NB-IoT窄带物联网技术的养殖塘水质监测系统，实现了对水体相关因子的远程采集和数据存储功能。（2）为了有效选取水质因子，提升溶解氧的预测精度，提出一种能够探究不同水质因子组合与溶解氧预测精度关系的方法。运用XGBoost模型计算水质指标特征重要性分值，运用贪心规则排列出水质指标组合，筛选出最优输入指标组合。（3）针对因引入不良样本而导致精度低、收敛慢的问题，以优化样本空间提高执行效率和预测精度为目的，提出基于相似日模糊聚类的溶解氧样本集。通过K-means聚类方法将历史日样本划分为若干类，并对聚类相似度统计量做了相应改进，分类识别获得与预测日最相似的历史日样本集。（4）应用“分解-预测-重构”模式，提出了结合多因素分析和多尺度特征提取的组合溶解氧预测模型。采用集成经验模式分解（EEMD）将多因素环境序列数据分别分解为若干子序列。利用样本熵（SE）算法对子序列进行重构，得到趋势分量、随机分量和细节分量。将有效且稳定的人工智能（AI）算法应用于三个分量的独立预测，对算法参数进行寻优提高了预测精度，模型有较好的预测精度和泛化能力。