[1]宦 娟,李 慧,李明宝,等.基于交叉验证网格寻优的GBDT-LSTM水产养殖溶解氧预测[J].常州大学学报(自然科学版),2021,33(04):63-71.[doi:10.3969/j.issn.2095-0411.2021.04.009]
 HUAN Juan,LI Hui,LI Mingbao,et al.Prediction of Dissolved Oxygen in GBDT-LSTM Aquaculture Based on Cross-Validation Grid Optimization[J].Journal of Changzhou University(Natural Science Edition),2021,33(04):63-71.[doi:10.3969/j.issn.2095-0411.2021.04.009]
点击复制

基于交叉验证网格寻优的GBDT-LSTM水产养殖溶解氧预测()
分享到:

常州大学学报(自然科学版)[ISSN:2095-0411/CN:32-1822/N]

卷:
第33卷
期数:
2021年04期
页码:
63-71
栏目:
其他
出版日期:
2021-07-28

文章信息/Info

Title:
Prediction of Dissolved Oxygen in GBDT-LSTM Aquaculture Based on Cross-Validation Grid Optimization
文章编号:
2095-0411(2021)04-0063-09
作者:
宦 娟 李 慧 李明宝 陈 波
(常州大学 计算机与人工智能学院, 江苏 常州213164)
Author(s):
HUAN Juan LI Hui LI Mingbao CHEN Bo
(School of Computer & Artificial Intelligence, Changzhou University, Changzhou 213164, China)
关键词:
水产养殖 溶解氧 GBDT LSTM 交叉验证网格寻优 组合预测
Keywords:
aquaculture dissolved oxygen GBDT LSTM cross-validation grid optimization combined prediction
分类号:
TP 391; X 832
DOI:
10.3969/j.issn.2095-0411.2021.04.009
文献标志码:
A
摘要:
为了进一步提高水产养殖溶解氧的预测精度, 提出了基于交叉验证网格寻优的GBDT-LSTM溶解氧预测模型。通过梯度提升决策树(GBDT)选取对溶解氧影响度较高的特征因子; 在Keras深度学习框架的基础上搭建长短时记忆神经网络(LSTM), 使用交叉验证网格寻优算法对LSTM参数进行优化; 将本模型运用到江苏省金坛市渔业基地一标准池塘进行溶解氧预测。试验表明: 该模型的评价指标均方根误差(RMSE)、 平均绝对误差(MAE)、 平均绝对百分误差(MAPE)分别为0.208, 0.158, 2.635, 其评价指标均优于其他对比预测模型。表明该模型具有较好的预测能力和泛化能力, 能够满足现代化水产养殖的实际需求。
Abstract:
In order to further improve the prediction accuracy of dissolved oxygen in aquaculture, this paper proposes a dissolved oxygen prediction model based on cross-validation grid optimization GBDT-LSTM. First, the Gradient Boosting Decision Tree(GBDT)is used to select characteristic factors that have a high degree of influence on dissolved oxygen. Then the Long Short-Term Memory Network(LSTM)is built based on the Keras deep learning framework, and the cross-validation grid optimization algorithm is used to optimize the LSTM parameters. Finally, the model in this paper is applied to a standard pond in the fishery base of Jintan City, Jiangsu Province to predict dissolved oxygen. The experimental results show that the mean square root error(RMSE), mean absolute error(MAE)and mean relative error mean(MAPE)of the model are 0.208,0.158 and 2.635, respectively. The evaluation indexes are better than other comparison prediction models. It shows that the model has good predictive ability and generalization ability, which can meet the actual needs of modern aquaculture.

参考文献/References:

[1]胡金有, 王靖杰, 张小栓, 等. 水产养殖信息化关键技术研究现状与趋势[J]. 农业机械学报, 2015, 46(7): 251-263.
[2]段青玲, 刘怡然, 张璐, 等. 水产养殖大数据技术研究进展与发展趋势分析[J]. 农业机械学报, 2018, 49(6): 1-16.
[3] SUN Y N, LI D L, DU S F, et al. WSN-based intelligent detection and control of dissolved oxygen in crab culture[J]. Sensor Letters, 2013, 11(6): 1050-1054.
[4]郑思宁, 刘强, 郑逸芳. 规模化水产养殖技术效率及其影响因素分析[J]. 农业工程学报, 2016, 32(20): 229-235.
[5]TAN G H, YAN J Z, GAO C, et al. Prediction of water quality time series data based on least squares support vector machine[J]. Procedia Engineering, 2012, 31: 1194-1199.
[6]陈彦, 殷建军, 项祖丰, 等. 基于时间序列模型的海洋溶解氧分析与预测[J]. 轻工机械, 2012, 30(3): 83-87, 96.
[7]徐敏, 曾光明, 谢更新, 等. 混沌理论在河流溶解氧预测中的应用初探[J]. 环境科学学报, 2003, 23(6): 776-780.
[8]CHEN Y Y, XU J, YU H H, et al. Three-dimensional short-term prediction model of dissolved oxygen content based on PSO-BPANN algorithm coupled with kriging interpolation[J]. Mathematical Problems in Engineering Theory, 2016, 2016: 1-10.
[9]徐龙琴, 刘双印, 张垒, 等. 基于DBN-LSSVR的南美白对虾养殖溶解氧预测[J]. 仲恺农业工程学院学报, 2017, 30(4): 1-7.
[10]李明河, 周磊, 王健. 基于LM算法的溶解氧神经网络预测控制[J]. 农业机械学报, 2016, 47(6): 297-302.
[11]朱成云, 刘星桥, 李慧, 等.工厂化水产养殖溶解氧预测模型优化[J]. 农业机械学报, 2016, 47(1): 273-278.
[12]蒋艳, 彭期冬, 骆辉煌, 等. 淮河流域水质污染时空变异特征分析[J]. 水利学报, 2011, 42(11): 1283-1288.
[13]田中大, 李树江, 王艳红, 等. 经验模式分解与时间序列分析在网络流量预测中的应用[J]. 控制与决策, 2015, 30(5): 905-910.
[14]姚旭, 王晓丹, 张玉玺, 等. 特征选择方法综述[J]. 控制与决策, 2012, 27(2): 161-166, 192.
[15]张丽新, 王家钦, 赵雁南, 等. 机器学习中的特征选择[J]. 计算机科学, 2004, 31(11): 180-184.
[16]GUPTA A,GUSAIN K, POPLI B. Verifying the value and veracity of extreme gradient boosted decision trees on a variety of datasets[C]//2016 11th International Conference on Industrial and Information Systems(ICIIS). Roorkee: IEEE, 2016: 457-462.
[17]田嫦丽,张珣,潘博,等.互联网广告点击率预估模型中特征提取方法的研究与实现[J].计算机应用研究, 2017,34(2): 334-338.
[18]王洪伟, 孟园. 在线评论质量有用特征识别:基于GBDT特征贡献度方法[J]. 中文信息学报, 2017, 31(3): 109-117.
[19]LECUN Y, BENGIO Y, HINTON G. Deep learning[J]. Nature, 2015, 521(7553): 436-444.
[20]BENGIO Y. Learning deep architectures for AI[J]. Foundations and Trends in Machine Learning, 2009, 2(1): 1-127.
[21]叶佳音, 郑文明, 李阳, 等. 基于深度神经网络的多模态情感识别[J]. Journal of Southeast University(English Edition), 2017, 33(4): 444-447.
[22]HOCHREITER S, SCHMIDHUBER J. Long short-termmemory[J]. Neural computation, 1997, 9(8): 1735-1780.
[23]李泽龙, 杨春节, 刘文辉, 等. 基于LSTM-RNN模型的铁水硅含量预测[J]. 化工学报, 2018, 69(3): 992-997.
[24]殷兆凯, 廖卫红, 王若佳, 等. 基于长短时记忆神经网络(LSTM)的降雨径流模拟及预报[J]. 南水北调与水利科技, 2019, 17(6): 1-9, 27.
[25]江萧君, 李为民, 肖金科. 基于参数优化的SVM联合作战战场建设方案优选[J]. 火力与指挥控制, 2017, 42(7): 110-113, 123.
[26]韩晓慧, 杜松怀, 苏娟, 等. 基于参数优化的最小二乘支持向量机触电电流检测方法[J]. 农业工程学报, 2014, 30(23): 238-245.
[27]吴峰, 陈后金, 姚畅, 等. 基于网格搜索的PCA-SVM道路交通标志识别[J]. 铁道学报, 2014, 36(11): 60-64.
[28]孙美, 张晓琳, 冯绍元, 等. 基于交叉验证的农田土壤饱和导水率传递函数研究[J]. 农业机械学报, 2014, 45(10): 147-152.

相似文献/References:

[1]翁 平,宁大亮,王 慧,等.平原地区城市内河调水增氧与曝气增氧的比较[J].常州大学学报(自然科学版),2012,(02):40.
 WENG Ping,NING Da-liang,WANG Hui,et al.Comparison of Urban River Oxygenation by Water Transfer and Aeration in Plain Area[J].Journal of Changzhou University(Natural Science Edition),2012,(04):40.

备注/Memo

备注/Memo:
收稿日期:2020-12-14。基金项目:国家自然科学基金资助项目(61803050)。作者简介:宦娟(1980—), 女, 江苏扬州人, 博士, 副教授。E-mail: huanjuan@cczu.edu.cn
更新日期/Last Update: 1900-01-01