李祥銅，曹 亮，李湘麗，劉雙印,4，徐龍琴，呼 增，黃運(yùn)茂，尹 航

（1.仲愷農(nóng)業(yè)工程學(xué)院信息科學(xué)與技術(shù)學(xué)院，廣東 廣州 510225；2.廣東省高校智慧農(nóng)業(yè)工程技術(shù)研究中心/廣州市農(nóng)產(chǎn)品質(zhì)量安全溯源信息技術(shù)重點(diǎn)實(shí)驗(yàn)室，廣東 廣州 510225；3.仲愷農(nóng)業(yè)工程學(xué)院圖書館，廣東 廣州 510225；4.石河子大學(xué)機(jī)械電氣工程學(xué)院，新疆 石河子 832000）

【研究意義】我國是對蝦養(yǎng)殖大國，養(yǎng)殖面積和產(chǎn)量均位居世界第一［1］。養(yǎng)殖水體溫度是影響對蝦健康生長的關(guān)鍵因素之一，易受溶解氧、空氣溫度和濕度、風(fēng)速、風(fēng)向、降雨量、太陽輻射等主要因素影響，其非線性、非穩(wěn)定和大時(shí)滯特點(diǎn)顯著。水溫突變會(huì)引起養(yǎng)殖水體其他物理化學(xué)反應(yīng)，如果預(yù)防措施采取不及時(shí)很容易造成水質(zhì)惡化與疾病暴發(fā)［2］，因此研究對蝦養(yǎng)殖水溫預(yù)測方法，獲得水體溫度的變化規(guī)律，對預(yù)測預(yù)防水質(zhì)災(zāi)害、提高水產(chǎn)品質(zhì)量和促進(jìn)漁業(yè)現(xiàn)代化具有重要意義［3］。

【前人研究進(jìn)展】國內(nèi)外對水質(zhì)預(yù)測模型已進(jìn)行了大量研究，并取得了一些研究成果［4-7］。施珮等［8］提出基于EMD-IGA-SELM 的池塘養(yǎng)殖水溫預(yù)測模型用于水產(chǎn)養(yǎng)殖過程中的水溫預(yù)測；柳海濤等［9］建立了人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型對水電站下游魚類產(chǎn)卵場水溫進(jìn)行預(yù)測分析；徐龍琴等［10］基于EMD 和ELM 組合模型對對蝦工廠化育苗水溫進(jìn)行預(yù)測；劉雙印等［11-12］通過改進(jìn)粒子群算法優(yōu)化LSSVM 的水產(chǎn)養(yǎng)殖溶解氧預(yù)測模型，并提出了基于粗糙集融合SVM 的水產(chǎn)養(yǎng)殖水質(zhì)預(yù)警方法。上述模型對于小樣本水溫預(yù)測均取得了較好的預(yù)測精度，但由于長時(shí)間序列數(shù)據(jù)缺少魯棒性和平穩(wěn)性，影響了預(yù)測性能。

近年來，伴隨計(jì)算機(jī)硬件的發(fā)展，深度學(xué)習(xí)性能不斷提升［13］，基于深度學(xué)習(xí)的預(yù)測方法在各個(gè)領(lǐng)域取得了不斷的創(chuàng)造性發(fā)展［14］。其中循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent neural network，RNN）在神經(jīng)網(wǎng)絡(luò)中引入了時(shí)序的概念，以序列數(shù)據(jù)為輸入，對于時(shí)序數(shù)據(jù)的挖掘表現(xiàn)出強(qiáng)大的性能［15］。長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（Long short-term memory，LSTM）能解決長序列訓(xùn)練過程中的梯度消失和梯度爆炸等問題，能提高RNN 網(wǎng)絡(luò)的準(zhǔn)確性。彭文等［16］提出了基于Attention-LSTM 的電力市場中短期負(fù)荷預(yù)測方法，得到了很好的預(yù)測精度和算法魯棒性；陳英義等［17］提出了基于主成分分析和LSTM 的水產(chǎn)養(yǎng)殖水體溶解氧預(yù)測模型，實(shí)現(xiàn)了對水體溶解氧的精準(zhǔn)預(yù)測；Li 等［18］提出了一種基于稀疏自編碼器和LSTM 的混合模型，提高了水產(chǎn)養(yǎng)殖中溶解氧的預(yù)測精度；王鑫等［19］利用LSTM神經(jīng)網(wǎng)絡(luò)對故障時(shí)間序列數(shù)據(jù)進(jìn)行預(yù)測，模型具有良好的預(yù)測性能和泛化能力。目前，運(yùn)用LSTM 研究對蝦水體水溫預(yù)測的有關(guān)文獻(xiàn)并不多見。

【本研究切入點(diǎn)】長期以來，信號(hào)分析方法與人工智能算法組合預(yù)測模型一直是預(yù)測領(lǐng)域的重點(diǎn)，常用的有經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical mode decomposition，EMD）［8,10,20］、變分模態(tài)分解（Variational mode decomposition，VMD）［21］和小波變換（Wavelet transform，WT）［22］等。其中，小波理論由于其良好的時(shí)頻特性備受專家學(xué)者們的青睞，在去噪領(lǐng)域也備受矚目，且小波閾值降噪（Wavelet threshold denoising，WTD）從提出至今，對其優(yōu)化和改進(jìn)一直都有相關(guān)研究［23］，但將其應(yīng)用于水質(zhì)領(lǐng)域預(yù)測的研究還較少。在前人研究基礎(chǔ)上，利用WTD 和LSTM 的組合優(yōu)勢，提出基于WTD-LSTM 的對蝦養(yǎng)殖水體溫度組合預(yù)測模型?！緮M解決的關(guān)鍵問題】首先通過WTD 對采集的對蝦養(yǎng)殖水溫關(guān)鍵影響因子進(jìn)行降噪并做歸一化處理，然后在Keras 框架下搭建LSTM 對蝦養(yǎng)殖水溫預(yù)測模型，通過Adam 算法找到最優(yōu)模型參數(shù)，最后得到測試數(shù)據(jù)樣本的預(yù)測結(jié)果。將該模型應(yīng)用于廣東省廣州市海鷗島對蝦養(yǎng)殖綜合試驗(yàn)基地的水溫預(yù)測中，并展開試驗(yàn)及驗(yàn)證，一定程度上提高了對蝦養(yǎng)殖水溫預(yù)測精度，并取得了較理想的預(yù)測效果，可以為水產(chǎn)養(yǎng)殖水質(zhì)精準(zhǔn)調(diào)控提供技術(shù)支持。

1 數(shù)據(jù)與方法

1.1 研究區(qū)域概況

研究試驗(yàn)地點(diǎn)為廣東省廣州市海鷗島（113°5′E、22°97′N），位于廣州市番禺區(qū)東郊，屬于東亞季風(fēng)區(qū)氣候，降水量充沛，年平均氣溫22.3℃。該島水源為河道水，對蝦養(yǎng)殖規(guī)模大，產(chǎn)量豐富。本研究選取的1.3 hm2對蝦培育池塘，水深1.5 m，配備有抽水泵、增氧機(jī)、水溫控制器、燈光調(diào)控設(shè)施、pH 檢測儀等多種水質(zhì)參數(shù)傳感器以及對蝦養(yǎng)殖物聯(lián)網(wǎng)平臺(tái)。

1.2 數(shù)據(jù)采集系統(tǒng)架構(gòu)

采用中國農(nóng)業(yè)大學(xué)研制的水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)平臺(tái)采集對蝦養(yǎng)殖池塘水質(zhì)參數(shù)數(shù)據(jù)，養(yǎng)殖基地系統(tǒng)拓?fù)浣Y(jié)構(gòu)如圖1 所示。該系統(tǒng)主要由數(shù)據(jù)采集模塊、網(wǎng)絡(luò)傳輸模塊、監(jiān)控模塊和智能控制模塊4 個(gè)部分組成，依靠現(xiàn)代物聯(lián)網(wǎng)技術(shù)開發(fā)的一套集水質(zhì)環(huán)境參數(shù)在線采集、智能組網(wǎng)、決策支持等功能于一體的物聯(lián)網(wǎng)平臺(tái)。數(shù)據(jù)采集模塊是整個(gè)系統(tǒng)的基礎(chǔ)，該模塊負(fù)責(zé)采集氣象和水質(zhì)參數(shù)等信息，其中所使用的設(shè)備為水下監(jiān)控、溶解氧、pH 和溫度傳感器。網(wǎng)絡(luò)傳輸模塊是整個(gè)系統(tǒng)數(shù)據(jù)的傳輸通道，通關(guān)網(wǎng)關(guān)接收數(shù)據(jù)并傳送到現(xiàn)場監(jiān)控中心，最后通過GPRS 傳入監(jiān)控中心。監(jiān)控模塊用戶可以通過各種終端實(shí)時(shí)了解養(yǎng)殖場的信息，包括服務(wù)器和應(yīng)用平臺(tái)及數(shù)據(jù)庫。智能控制模塊主要包括溫度控制、增氧泵控制、給排水控制等智能處理手段和設(shè)備。試驗(yàn)數(shù)據(jù)為采集系統(tǒng)所采集的對蝦養(yǎng)殖水溫?cái)?shù)據(jù)，每10 min 對對蝦養(yǎng)殖水質(zhì)參數(shù)和當(dāng)?shù)貧庀髤?shù)時(shí)序數(shù)據(jù)采集1 次。采樣周期為2018 年7 月20 至8 月19 日，共采集了4464 個(gè)樣本，分別將前30 d 共4320 條數(shù)據(jù)和最后1 天的144 個(gè)數(shù)據(jù)作為訓(xùn)練集和測試集。

圖1 養(yǎng)殖基地系統(tǒng)拓?fù)浣Y(jié)構(gòu)Fig.1 Topology structure of breeding base system

1.3 研究方法

1.3.1 小波閾值降噪 小波理論日益完善，其以自身良好的時(shí)頻特性在長時(shí)間序列去噪領(lǐng)域取得一定效果，并開辟了用非線性方法去噪的先河［24］。其中WTD 方法近年來得到了廣泛應(yīng)用，本研究應(yīng)用小波變換閾值去噪對水溫時(shí)間序列數(shù)據(jù)進(jìn)行降噪處理，主要分為以下3 個(gè)過程：

（1）小波分解：根據(jù)不同的變量數(shù)據(jù)特征選用不同的小波函數(shù)進(jìn)行噪聲信號(hào)的分解，得到小波分解后的尺度系數(shù)和小波系數(shù)。

（2）閾值函數(shù)選擇：閾值處理函數(shù)分為硬閾值和軟閾值。當(dāng)小波系數(shù)的絕對值小于給定閾值時(shí)令其為0，而大于閾值時(shí)則保持其不變，此時(shí)表示為硬閾值，該閾值采用應(yīng)用最廣泛的Sqtwolog 閾值［25］；當(dāng)小波系數(shù)的絕對值小于給定閾值時(shí)令其為0，大于閾值時(shí)令其減去閾值，這樣的閾值即為軟閾值。閾值的選擇是離散小波去噪中最關(guān)鍵的一步，小波閾值λ 起決定性作用：如果閾值太小，則施加閾值后的小波系數(shù)將包含過多的噪聲分量，達(dá)不到去噪效果；反之，閾值太大，則去除了有用的成分，造成失真。硬閾值函數(shù)在ω=λ 處是不連續(xù)的，容易造成去噪后數(shù)據(jù)在奇異點(diǎn)附近出現(xiàn)明顯的偽吉布斯現(xiàn)象。因此本研究采用軟閾值去噪。

（3）小波重構(gòu)：通過軟閾值處理后，根據(jù)前面層的高頻系數(shù)和最后一層的低頻系數(shù)進(jìn)行小波重構(gòu)，最終獲得小波閾值降噪后信號(hào)。

1.3.2 長短時(shí)記憶神經(jīng)網(wǎng)絡(luò) LSTM 是一種特殊的RNN，能夠有效解決信息的長期依賴，避免梯度消失或爆炸，其出現(xiàn)就是專門解決信息長期依賴問題的。與傳統(tǒng)RNN 相比，LSTM 巧妙地設(shè)計(jì)了循環(huán)體結(jié)構(gòu)［26］，其內(nèi)部單元結(jié)構(gòu)如圖2 所示。

LSTM 使用兩個(gè)門來控制單元狀態(tài)Ct的內(nèi)容，一個(gè)是遺忘門（forget gate），它決定了上一時(shí)刻單元狀態(tài)Ct-1有多少數(shù)據(jù)保存在當(dāng)前時(shí)刻Ct；另一個(gè)是輸入門（input gate），它決定此時(shí)網(wǎng)絡(luò)的輸入xt有多少保存到單元狀態(tài)Ct。LSTM 使用輸出門（out put）來控制單元狀態(tài)Ct有多少輸出到LSTM 的當(dāng)前輸出值ht。相關(guān)計(jì)算公式如下：

圖2 LSTM 模型結(jié)構(gòu)Fig.2 Structure of LSTM model

式中，ft、it、C′t、Ct、ot分別代表遺忘門、輸入門、更新細(xì)胞的輸入狀態(tài)、更新后的細(xì)胞狀態(tài)和輸出門；W和b分別為對應(yīng)的權(quán)重系數(shù)矩陣和偏置項(xiàng)；σ和tanh 分別表示sigmoid激活函數(shù)和雙曲正切激活函數(shù)

1.3.3 預(yù)測模型構(gòu)建 基于WTD-LSTM 的對蝦養(yǎng)殖水體溫度組合預(yù)測模型構(gòu)建過程如圖3 所示。

（1）通過水質(zhì)檢測傳感器系統(tǒng)和小型氣象站獲取水產(chǎn)養(yǎng)殖水環(huán)境數(shù)據(jù)和當(dāng)?shù)貧庀髷?shù)據(jù)，并對數(shù)據(jù)進(jìn)行修復(fù)和預(yù)處理；

（2）對修復(fù)和預(yù)處理后的數(shù)據(jù)進(jìn)行特征相對重要性計(jì)算，最后篩選出相對重要的水體水溫預(yù)測關(guān)鍵因子，利用WTD 對篩選后的對蝦養(yǎng)殖水溫關(guān)鍵影響因子進(jìn)行處理，降低噪聲數(shù)據(jù)對于模型預(yù)測的干擾，降低參數(shù)相互的關(guān)聯(lián)性以及冗余成分，提取更有利于對蝦養(yǎng)殖水溫預(yù)測的時(shí)間序列數(shù)據(jù)，將數(shù)據(jù)分為對應(yīng)訓(xùn)練集和測試集樣本并進(jìn)行歸一化處理；

（3）對預(yù)測模型參數(shù)和權(quán)重進(jìn)行初始化，并且將訓(xùn)練集作為輸入對模型進(jìn)行訓(xùn)練，使用Adam算法連續(xù)對模型權(quán)重和參數(shù)進(jìn)行優(yōu)化處理，以得到所需要的精度，并對基于和LSTM 的對蝦養(yǎng)殖水溫預(yù)測模型進(jìn)行構(gòu)建；

圖3 基于WTD-LSTM 的對蝦養(yǎng)殖水體溫度預(yù)測流程Fig.3 Flowchart of water temperature prediction of prawn culture based on WTD-LSTM

（4）將已構(gòu)建出的預(yù)測模型在測試集上進(jìn)行性能測試，將預(yù)測向量輸出進(jìn)行反歸一化得到水溫預(yù)測結(jié)果，同時(shí)使用標(biāo)準(zhǔn)的傳統(tǒng)預(yù)測模型進(jìn)行比對，準(zhǔn)確高效地實(shí)現(xiàn)對今后某一時(shí)間段的對蝦養(yǎng)殖水體水溫預(yù)測；

（5）選擇平均絕對百分比誤差MAPE、均方根誤差RMSE和平均絕對誤差MAE等評價(jià)指標(biāo)對基于WTD-LSTM 的對蝦養(yǎng)殖水溫預(yù)測組合模型預(yù)測性能進(jìn)行性能評價(jià)，相關(guān)計(jì)算公式如下：

式中，MAPE、RMSE、MAE分別為平均絕對百分比誤差、均方根誤差和平均絕對誤差；yi、?i分別為實(shí)際值和預(yù)測值，N為測試樣本集數(shù)量。

2 結(jié)果與分析

2.1 對蝦養(yǎng)殖水溫?cái)?shù)據(jù)源和數(shù)據(jù)預(yù)處理

本研究以廣州市海鷗島對蝦養(yǎng)殖基地水溫為研究對象，采用水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)平臺(tái)和小型氣象站采集了31 d 共4464 個(gè)水溫樣本。由圖4 可以看出，對蝦養(yǎng)殖水溫時(shí)序數(shù)據(jù)周期性和非線性特征明顯。

圖4 水溫原始數(shù)據(jù)變化曲線Fig.4 Variation curve of the original water temperature data

由于設(shè)備故障等因素氣象站和水質(zhì)傳感器采集的數(shù)據(jù)存在部分異常值，利用拉依達(dá)法則進(jìn)行處理，如果存在參數(shù)與其平均值之差的絕對值大于其標(biāo)準(zhǔn)差的3 倍，會(huì)被斷定為異常值并用其兩側(cè)數(shù)據(jù)的平均值替換，計(jì)算公式如下：

式中，Pt為水質(zhì)或氣象參數(shù)采集值，為異常數(shù)據(jù)處理后的值，為水質(zhì)或氣象參數(shù)數(shù)據(jù)序列均值。

為了提高預(yù)測準(zhǔn)確率減少誤差，本研究將異常數(shù)據(jù)處理和WTD 后的數(shù)據(jù)進(jìn)行歸一化處理，計(jì)算公式如下：

式中，Nmax為最大值，Nmin為最小值，N"為歸一化值。

2.2 基于WTD 的水溫?cái)?shù)據(jù)源

WTD 和LSTM 組合預(yù)測方法中的步驟，對對蝦養(yǎng)殖水體原始水溫時(shí)序數(shù)據(jù)進(jìn)行小波分解降噪與重構(gòu)，其過程如圖5 所示。由圖5 可知，原始養(yǎng)殖水溫時(shí)序數(shù)據(jù)表現(xiàn)出不平穩(wěn)性和大時(shí)滯性，經(jīng)過WTD 后，水溫?cái)?shù)據(jù)被擴(kuò)展到一定閾值范圍，降低了噪聲的干擾，不僅更能反映原始數(shù)據(jù)變化信息，數(shù)據(jù)整體趨勢變得更加明顯，并且在波峰波谷表現(xiàn)更為平滑。對對蝦養(yǎng)殖水體原始水溫及風(fēng)速、風(fēng)向、太陽輻射、空氣溫度、空氣濕度、大氣壓力和溶解氧等水溫影響因子原始數(shù)據(jù)進(jìn)行WTD，降噪后的數(shù)據(jù)更能反映水質(zhì)參數(shù)和氣象參數(shù)按一定趨勢有規(guī)律變化的特點(diǎn)。

2.3 預(yù)測結(jié)果分析

利用WTD 和LSTM 模型對未來一天對蝦養(yǎng)殖水溫進(jìn)行預(yù)測，將WTD 后的6 個(gè)氣象影響因子和水體溶解氧、水溫共8 個(gè)參數(shù)作為輸入，全部選取31 d 的采集數(shù)據(jù)，同時(shí)將水溫時(shí)間序列數(shù)據(jù)作為輸出對LSTM 模型進(jìn)行訓(xùn)練，使用Adam算法對預(yù)測模型參數(shù)不斷進(jìn)行優(yōu)化和調(diào)整，為進(jìn)一步驗(yàn)證本研究提出的組合模型的預(yù)測性能，分別采用BP 神經(jīng)網(wǎng)絡(luò)［27］、標(biāo)準(zhǔn)ELM［10］、標(biāo)準(zhǔn)LSTM 和小波降噪的LSTM 等4 種模型對同樣的對蝦養(yǎng)殖水溫時(shí)序數(shù)據(jù)進(jìn)行預(yù)測。其中BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)采用7-15-1 結(jié)構(gòu)，學(xué)習(xí)因子φ=0.75，最大誤差=0.0001，激勵(lì)函數(shù)采用sigmoid 函數(shù)；標(biāo)準(zhǔn)ELM 模型隱含層神經(jīng)元節(jié)點(diǎn)數(shù)為10，激活函數(shù)采用sigmoid 函數(shù)；標(biāo)準(zhǔn)LSTM 隱含層節(jié)點(diǎn)數(shù)、批尺度和時(shí)間步分別為30、60、30。上述4 種模型預(yù)測曲線對比如圖6 所示，相應(yīng)預(yù)測精度結(jié)果統(tǒng)計(jì)如表1 所示。

從圖6 可以看出，BP 神經(jīng)網(wǎng)絡(luò)、標(biāo)準(zhǔn)ELM預(yù)測模型的單項(xiàng)預(yù)測誤差較大，兩者在拐點(diǎn)附近偏離實(shí)測值最大；LSTM 則相比前兩者有很大提升，雖然與真實(shí)值曲線形似，但是在波谷處存在較大偏差。本研究提出的基于WTD-LSTM 的組合模型預(yù)測曲線貼近真實(shí)值曲線，能較好地?cái)M合養(yǎng)殖水溫非線性時(shí)間序列變化曲線，取得很好的預(yù)測效果。

由表1 可知，本研究所采用的基于WTDLSTM 的組合模型預(yù)測結(jié)果及其性能相比其他方法有相當(dāng)大的提升，很大程度上強(qiáng)于傳統(tǒng)的標(biāo)準(zhǔn)ELM 和BP 神經(jīng)網(wǎng)絡(luò)；并且比沒有經(jīng)過WTD的LSTM 模型預(yù)測精度更高。針對同樣的水質(zhì)和氣象參數(shù)，將WTD 的LSTM 預(yù)測模型和標(biāo)準(zhǔn)BP 神經(jīng)網(wǎng)絡(luò)兩種模型進(jìn)行對比分析，評價(jià)指標(biāo)MAPE、RMSE、MAE分別降低了64.85%、59.62%、64.62%；WTD-LSTM 預(yù)測模型和標(biāo)準(zhǔn)ELM 相比，評價(jià)指標(biāo)MAPE、RMSE、MAE分別降低了63.64%、61.18%、60.12%；WTD-LSTM 預(yù)測模型和標(biāo)準(zhǔn)LSTM 相比，評價(jià)指標(biāo)MAPE、RMSE、MAE分別降低了47.48%、37.07%、46.27%。WTD 具備了多分辨率的特性，對時(shí)間序列信號(hào)分解后會(huì)有更多的小波基系數(shù)趨于0，時(shí)間序列數(shù)據(jù)信號(hào)主要集中于某些小波基，WTD 便可更好地保留原始信號(hào)；而且WTD擁有去相關(guān)性，可以對信號(hào)進(jìn)行去相關(guān)，噪聲在變換后有白化趨勢，因此小波閾比時(shí)域更利于去噪?？梢?，WTD 對于對蝦養(yǎng)殖中的水溫影響因子時(shí)間序列去噪具有很好的性能。LSTM 模型對于歷史時(shí)間序列數(shù)據(jù)信息能夠高效利用，在時(shí)間序列預(yù)測中具有很理想的效果?；赪TDLSTM 的組合預(yù)測模型進(jìn)一步提升了對蝦養(yǎng)殖水溫的預(yù)測精度。

圖5 降噪后的養(yǎng)殖水體水溫影響因子數(shù)據(jù)Fig.5 Impact factor data of aquaculture water temperature after noise reduction

圖6 4 種模型的水溫預(yù)測結(jié)果Fig.6 Water temperature prediction results of four models

表1 4 種模型的預(yù)測結(jié)果精度Table 1 Accuracy of prediction results of four models

3 結(jié)語

WTD 是一種基于時(shí)間和多尺度的分析方法，其本身具備多分辨率的優(yōu)點(diǎn)，WTD 擅長處理如水溫?cái)?shù)據(jù)這種時(shí)序性和頻域性強(qiáng)的數(shù)據(jù)，相比其他傳統(tǒng)的降噪方法，具有去相關(guān)性，因此WTD 可以將非連續(xù)的高斯白噪聲從連續(xù)的信號(hào)在時(shí)間閾上分離，同時(shí)由于WTD 有低熵性的特點(diǎn)，采取閾值去噪后的信號(hào)具有較高的信噪比［28］，可以很好地保留原始信號(hào)。由于水溫?cái)?shù)據(jù)變化呈連續(xù)性，本研究選擇使用軟閾值降噪，可以保證降噪后的水質(zhì)和氣象參數(shù)的連續(xù)性和準(zhǔn)確性。

長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)能夠處理數(shù)據(jù)長期依賴的問題，并且解決了RNN 存在梯度消失和爆炸的問題，針對傳統(tǒng)預(yù)測模型對擁有時(shí)間間隔的長時(shí)序非線性和非平穩(wěn)的多尺度特征對蝦養(yǎng)殖水溫預(yù)測，所產(chǎn)生的預(yù)測精度低、泛化性差等問題，提出了基于WTD-LSTM 的水溫組合預(yù)測模型，并應(yīng)用于對蝦養(yǎng)殖水溫預(yù)測中，最后總結(jié)得到該模型對于對蝦養(yǎng)殖水體水溫具有良好的預(yù)測效果，提高水溫預(yù)測精度和魯棒性，為對蝦養(yǎng)殖水質(zhì)自動(dòng)化、數(shù)字化監(jiān)測提供了一種新的思路和解決辦法。