一种基于TCN模型的池塘溶解氧浓度预测方法技术

本发明专利技术公开了一种基于TCN模型的池塘溶解氧浓度预测方法，属于专门适用于预测目的的数据处理方法技术领域，用于溶解氧浓度的预测，包括对原始溶解氧时间序列进行预处理，采用线性插值方法对原始溶解氧时间序列进行补全操作，得到预处理后的溶解氧时间序列{X

【技术实现步骤摘要】
一种基于TCN模型的池塘溶解氧浓度预测方法


[0001]本专利技术公开了一种基于TCN模型的池塘溶解氧浓度预测方法，属于专门适用于预测目的的数据处理方法


技术介绍

[0002]水体中的溶解氧是水中生物赖以生存的重要物质，它与水中生物的生存、生长关系密切。因此对池塘溶解氧进行精准预测，及时准确掌握未来池塘内溶解氧浓度的变化情况，对于实现池塘溶解氧浓度准确及时的调控、提高养殖效益具有重要意义。池塘溶解氧传感器采集到的溶解氧数据一般为时间序列数据，时间序列数据是指数据按照时间发生先后进行排列组成的数据，具有很强的时间相关性，其预测方法是通过捕捉历史时序数据之间的规律预测数据的长期发展趋势。
[0003]目前溶解氧的预测模型都是基于统计学习、机器学习算法和深度学习等算法。其中深度学习算法在处理时间序列上有优越性，具有较好的预测精度，主要包括循环神经网络(Recurrent Neural Network,RNN)及其改进算法包括长短期记忆网络(Long Short Term Memory,LSTM)等。其中，RNN模型在训练长序列时，会发生梯度爆炸和梯度消失的问题从而增加了模型训练的难度，而LSTM模型由于需要设置多个参数，存在过学习的风险。

技术实现思路

[0004]本专利技术公开一种基于TCN模型的池塘溶解氧浓度预测方法，以解决现有技术中模型训练过程比较复杂的问题。
[0005]一种基于TCN模型的池塘溶解氧浓度预测方法，包括：
[0006]S1：对池塘中溶解氧传感器采集到的原始溶解氧时间序列进行预处理，采用线性插值方法对原始溶解氧时间序列进行补全操作，得到预处理后的溶解氧时间序列{X
t
}；溶解氧传感器设在池塘中，每隔15分钟对池溏中的溶解氧浓度进行一次采集，累计采集24小时溶解氧浓度数据作为原始溶解氧时间序列；
[0007]S2：对{X
t
}使用改进的自适应噪声完备集合经验模态分解方法进行分解，得到一系列的平稳分量{IMF
n
}和残差{R
n
}；
[0008]S3：TCN模型为时域卷积网络模型，对步骤S2得到的所有平稳分量使用TCN模型进行预测，使用二次回归模型预测{R
n
}，得到所有平稳分量对应的预测结果；
[0009]S4：使用主成分分析确定所有平稳分量对原始溶解氧时间序列的贡献率，根据贡献率确定所有预测结果对应的权重，将步骤S3得到的所有预测结果按照对应的权重进行加权，得到1小时后的溶解氧浓度最终预测结果。
[0010]优选地，步骤S2中改进的自适应噪声完备集合经验模态分解方法包括以下步骤：
[0011]S2.1：在S1中的{X
t
}中加入1组高斯白噪声后构建新的序列{S1}，EMD表示经验模态分析方法，使用EMD分解计算{S1}的局部均值，得到第一阶残差R1和{IMF
n
}的第一个分量IMF1；
[0012]S1＝X
t
+γ0E1(ω
(i)
)
[0013]R1＝<M(S1)>
[0014]IMF1＝S1‑
R1[0015]算子E
n
(
·
)为进行EMD分解得到的第n个模态，M(
·
)表示满足{IMF
n
}判定条件的包络线局部均值的算子，ω
(i)
表示均值和单位方差分别为0和1的高斯白噪声，且i＝1，2，
……
，n，
[0016]表示高斯白噪声系数，用于调整添加的噪声与添加噪声后的残差之间所需的信噪比，当n>1时，γ
n
＝ε0std(R
n
)，ε0表示高斯白噪声的幅值，设为0.2，std(
·
)为标准差算子，<
·
>代表进行平均值计算；
[0017]S2.2：在R1中加入1组高斯白噪声，构建待分解序列{S2}，通过经验模态分析方法分解{S2}，计算{S2}的局部均值，得到第二阶残差R2和{IMF
n
}的第二个分量IMF2：
[0018]R2＝<M(R1+γ1E2(ω
(i)
))>
[0019]IMF2＝S2‑
R2[0020]S2.3：重复S2.2，在R
n
中加入1组高斯白噪声，构建待分解序列{S
n
}，通过经验模态分析方法分解{S
n
}，计算{S
n
}的局部均值，得到第二阶残差R
n
和{IMF
n
}的第二个分量IMF
n
；
[0021]R
n
＝<M(R
n
‑1+γ
n
‑1E
n
(ω
(i)
))>
[0022]IMF
n
＝S
n
‑
R
n
[0023]S2.4：当第n阶残差R
n
为单调函数时，停止计算，记录获得的所有平稳分量{IMF
n
}和所有残差{R
n
}。
[0024]优选地，2.1中的EMD包括以下步骤：
[0025]S2.1.1：通过三次样条插值法获得{X
t
}的上包络线和下包络线，将上包络线和下包络线的幅值相加并进行平均，获得局部均值，在{X
t
}中减去局部均值，得到新的数据序列{h
t
}；
[0026]S2.1.2：根据{IMF
n
}判定条件判断{h
t
}是否属于{IMF
n
}，若是，则记录为IMF1；若不是，则将h
t
作为新的序列重复S2.1.1，直到h
t
满足判定条件，计算残差R1＝{X
t
}
‑
h
t
；
[0027]S2.1.3：将残差R1作为新的原始序列替代S2.1.1中的{X
t
}，重复步骤S2.1.1至S2.1.2，重复n次，得到n个{IMF
n
}的分量，当最终残差R
n
为一单调函数或者常数时，停止计算。
[0028]优选地，所述{IMF
n
}判定条件为：极值点数目和过零点数目是否相等或最多相差1个，局部均值为0。
[0029]优选地，所述TCN模型包括因果卷积、空洞卷积和残差块；
[0030]所述因果卷积中的数据遵循时间顺序，具有一对一的因果关系，对于t时刻的值只依赖于t时刻之前的信息；
[0031]所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于TCN模型的池塘溶解氧浓度预测方法，其特征在于，包括：S1：对池塘中溶解氧传感器采集到的原始溶解氧时间序列进行预处理，采用线性插值方法对原始溶解氧时间序列进行补全操作，得到预处理后的溶解氧时间序列{X
t
}；溶解氧传感器设在池塘中，每隔15分钟对池溏中的溶解氧浓度进行一次采集，累计采集24小时溶解氧浓度数据作为原始溶解氧时间序列；S2：对{X
t
}使用改进的自适应噪声完备集合经验模态分解方法进行分解，得到一系列的平稳分量{IMF
n
}和残差{R
n
}；S3：TCN模型为时域卷积网络模型，对步骤S2得到的所有平稳分量使用TCN模型进行预测，使用二次回归模型预测{R
n
}，得到所有平稳分量对应的预测结果；S4：使用主成分分析确定所有平稳分量对原始溶解氧时间序列的贡献率，根据贡献率确定所有预测结果对应的权重，将步骤S3得到的所有预测结果按照对应的权重进行加权，得到1后的溶解氧浓度最终预测结果。2.如权利要求1所述的一种基于TCN模型的池塘溶解氧浓度预测方法，其特征在于，步骤S2中改进的自适应噪声完备集合经验模态分解方法包括以下步骤：S2.1：在S1中的{X
t
}中加入1组高斯白噪声后构建新的序列{S1}，EMD表示经验模态分析方法，使用EMD分解计算{S1}的局部均值，得到第一阶残差R1和{IMF
n
}的第一个分量IMF1；S1＝X
t
+γ0E1(ω
(i)
)R1＝<M(S1)>IMF1＝S1‑
R1算子E
n
(
·
)为进行EMD分解得到的第n个模态，M(
·
)表示满足{IMF
n
}判定条件的包络线局部均值的算子，ω
(i)
表示均值和单位方差分别为0和1的高斯白噪声，且i＝1，2，
……
，n，表示高斯白噪声系数，用于调整添加的噪声与添加噪声后的残差之间所需的信噪比，当n＞1时，γ
n
＝ε0std(R
n
)，ε0表示高斯白噪声的幅值，设为0.2，std(
·
)为标准差算子，<
·
>代表进行平均值计算；S2.2：在R1中加入1组高斯白噪声，构建待分解序列{S2}，通过经验模态分析方法分解{S2}，计算{S2}的局部均值，得到第二阶残差R2和{IMF
n
}的第二个分量IMF2：R2＝<M(R1+γ1E2(ω
(i)
))>IMF2＝S2‑
R2S2.3：重复S2.2，在R
n
中加入1组高斯白噪声，构建待分解序列{S
n
}，通过经验模态分析方法分解{S
n
}，计算{S
n
}的局部均值，得到第二阶残差R
n
和{IMF
n
}的第二个分量IMF
n
；R
n
＝<M(R
n
‑1+γ
n
‑1E
n
(ω
(i)
)))IMF
n
＝S
n
‑
R
n
S2.4：当第n阶残差R
n
为单调函数时，停止计算，记录获得的所有平稳分量{IMF
n
}和所有残差{R
n
}。3.如权利要求2所述的一种基于TCN模型的池塘溶解氧浓度预测方法，其特征在于，S2.1中的EMD包括以下步骤：S2.1.1：通过三次样条插值法获得{X
t
}的上包络线和下包络线，将上包络线和下包络线的幅值相加并进行平均，获得局部均值，在{X
t
}中减去局部均值，得到新的数据序列{h
t
}；
S2.1.2：根据{IMF
n
}判定条件判断{h
t
}是否属于{IMF<...

【专利技术属性】
技术研发人员：李正宝，马凯，杜立彬，郑宇，高鼎，常哲宇，刘云梁，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：