(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111627683.X (22)申请日 2021.12.28 (71)申请人 中国农业大 学 地址 100193 北京市海淀区 圆明园西路2号 (72)发明人 王洋　郭宇　张善宏　于光辉　 李道亮　 (74)专利代理 机构 北京路浩知识产权代理有限 公司 11002 代理人 肖艳 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/02(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于环境建模的鱼类生长率预测方法 及系统 (57)摘要 本发明提供一种基于环境建模的鱼类生长 率预测方法及系统， 包括： 获取环境数据； 基于所 述环境数据， 构建自适应时间模式网络， 得到水 温预测推理模 型； 将待预测鱼类经验 数据输入所 述水温预测推理模型， 得到待预测鱼类生长率预 测结果。 本发 明通过采集 综合环境数据构建水温 预测推理模型， 结合不同鱼类生长经验值， 得到 不同鱼类生长率的预测结果， 具有适应范围广， 涵盖环境因素全面， 并且无需对 预测模型进行重 复训练的优点。 权利要求书2页 说明书10页 附图3页 CN 114386682 A 2022.04.22 CN 114386682 A 1.一种基于环境建模的鱼类生长率预测方法， 其特 征在于， 包括： 获取环境数据； 基于所述环境数据， 构建自适应时间模式网络， 得到水温预测推理模型； 将待预测鱼类经验数据输入所述水温预测推理模型， 得到待预测鱼类生长率预测结 果。 2.根据权利要求1所述的基于环境建模的鱼类生长率预测方法， 其特征在于， 所述获取 环境数据， 包括： 采用LoRa制式星型组网的传感器， 按照预设时间间隔采集环境监测数据， 所述环境监 测数据包括水温、 水体周围环境温湿度、 墙 体温度、 光照度、 CO2浓度和水体溶解氧； 所述传感器将所述环境监测数据通过预设通信网络传输至云端， 所述云端通过整合移 动平均自回归模 型ARIMA算法， 对所述环境监测数据中的缺 失值进行插补， 并采用小波变换 对插补后的环境监测数据进行平滑降噪， 得到 以消息队列存储在数据库中的所述环境数 据。 3.根据权利要求1所述的基于环境建模的鱼类生长率预测方法， 其特征在于， 所述基于 所述环境数据， 构建自适应时间模式网络， 得到水温预测推理模型， 包括： 确定所述环境数据的外生环境因子、 目标环境因子和历史时刻时间戳， 通过深层次时 序特征DFT获得不同环境因子的多种时间模式的预设深层次特 征； 基于多时间模式卷积方法， 将所述预设深层次特征与 所述环境数据的预设浅层次特征 进行拼接， 得到 完整环境特 征； 基于空间注意力 机制对所述预设深层次特征和所述预设浅层次特征进行端到端学习， 获得注意力权重， 基于所述注意力权重处理所述完整环境特征， 得到所述水温预测推理模 型。 4.根据权利要求3所述的基于环境建模的鱼类生长率预测方法， 其特征在于， 所述确定 所述环境数据的外生环 境因子、 目标环境因子和历史时刻时间戳， 通过深层次时序特征DFT 获得不同环境因子的多种时间模式的预设深层次特 征， 包括： 将所述外生环境因子和所述目标环境因子进行拼接， 得到DFT输入三维数据结构的第 一通道； 将所述历史时刻时间戳按照每个时间步骤重复若干次， 得到所述DFT输入三维数据结 构的第二 通道、 第三 通道和第四通道； 在所述DFT上叠加多层时间模式MTP卷积模块， 通过一维卷积调整中间层网络通道维 度， 并加入残差卷积， 以实现控制网络层数； 对每层MTP卷积模块， 增加融合多个不同扩张率的扩张卷积核MD卷积、 修正线性单元 ReLU激活函数和Dropout层， 得到所述预设深层次特 征。 5.根据权利要求4所述的基于环境建模的鱼类生长率预测方法， 其特征在于， 所述对每 层MTP卷积模块， 增加融合多个不同扩张率的扩张卷积核MD卷积、 修正线性单元ReLU激活函 数和Dropout层， 得到所述预设深层次特 征， 包括： 获取任一层模型MD卷积模块的输出通道维度和特 征图时序长度； 基于所述输出通道维度和特征图时序长度， 得到任一层模型输出的特征图和隐层特 征；权　利　要　求　书 1/2 页 2 CN 114386682 A 2通过所述一维卷积将本层的隐层特征与 上一层的特征图进行残差连接， 得到本层的特 征图； 将多层特 征图进行输出和拉伸， 得到所述预设深层次特 征。 6.根据权利要求3所述的基于环境建模的鱼类生长率预测方法， 其特征在于， 所述基于 多时间模式卷积方法， 将所述预设深层次特征与所述环境数据 的预设浅层次特征进行拼 接， 得到完整环境特 征， 包括： 在时间卷积网络TCN中的每层增加多个不同扩张因子卷积核， 得到多时间模式卷积网 络； 将所述预设深层次特征和所述预设浅层次特征分别通过所述多时间模式卷积网络进 行处理， 得到多时间模式预设深层次特 征和多时间模式预设浅层次特 征； 将所述多时间模式预设深层次特征和所述多时间模式预设浅层次特征进行融合拼接， 得到所述完整环境特 征。 7.根据权利要求3所述的基于环境建模的鱼类生长率预测方法， 其特征在于， 所述基于 空间注意力机制对所述预设深层次特征和所述预设浅层次特征进 行端到端 学习， 获得注意 力权重， 基于所述注意力权 重处理所述完整环境特 征， 得到所述水温预测推理模型， 包括： 基于所述预设深层次特征和所述预设浅层次特征， 获取任一个环境因子上下文信 息和 若干注意力机制学习参数； 基于所述任一个环境因子上下文信 息和所述若干注意力 机制学习参数， 得到各个环境 因子初始 注意力权 重； 基于Softmax函数对所述各个环境因子初始注意力权重进行处理， 得到各个环境因子 注意力权 重； 根据预测未来水温步数获取若干推理模型学习参数， 基于所述各个环境因子注意力 权 重和所述若干推理模型学习参数， 并采用预设损失函数训练所述完整环境特征， 得到所述 水温预测推理模型。 8.根据权利要求1所述的基于环境建模的鱼类生长率预测方法， 其特征在于， 所述将待 预测鱼类经验数据输入所述水温预测推理模型， 得到待预测鱼类生长率预测结果， 包括： 确定待预测鱼类的若干温度经验数据， 获取 所述水温预测推理模型的预测温度值； 将所述预测温度值和所述若干温度 经验数据中的最大温度值进行比较， 确定采用较小 温度值进行计算， 得到所述待预测鱼类生长率预测结果。 9.一种电子设备， 包括存储器、 处理器及存储在所述存储器上并可在所述处理器上运 行的计算机程序， 其特征在于， 所述处理器执行所述程序时实现如权利要求1至8任一项所 述基于环境建模的鱼类生长率预测方法的步骤。 10.一种非暂态计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算 机程序被处理器执行时实现如权利要求1至8任一项所述基于环境建模的鱼类生长率预测 方法的步骤。权　利　要　求　书 2/2 页 3 CN 114386682 A 3