本發(fā)明涉及水產(chǎn)養(yǎng)殖水質(zhì)預(yù)測(cè)，尤其涉及一種結(jié)合大模型的水產(chǎn)養(yǎng)殖水質(zhì)預(yù)測(cè)調(diào)節(jié)方法及系統(tǒng)。

背景技術(shù)：

1、目前采用最廣泛的養(yǎng)殖模式還是傳統(tǒng)的粗放式集中養(yǎng)殖，這種傳統(tǒng)的養(yǎng)殖模式缺乏科學(xué)指導(dǎo)，養(yǎng)殖戶往往依靠經(jīng)驗(yàn)和感覺(jué)進(jìn)行管理，對(duì)水質(zhì)、飼料、用藥等方面缺乏科學(xué)合理的控制，導(dǎo)致養(yǎng)殖過(guò)程存在很大的不確定性和風(fēng)險(xiǎn)。其中，養(yǎng)殖水質(zhì)的惡化，是造成水產(chǎn)病害最直接，最首要的因素。過(guò)往的水產(chǎn)養(yǎng)殖水質(zhì)監(jiān)測(cè)和辨識(shí)水質(zhì)變化技術(shù)手段相對(duì)落后，且受限于復(fù)雜的作用機(jī)理、多變量、非線性以及模糊不確定性等因素，傳統(tǒng)的通過(guò)肉眼觀察水色或把養(yǎng)殖用水帶到實(shí)驗(yàn)室進(jìn)行化驗(yàn)以判斷水質(zhì)好壞的方式具有時(shí)效性差、可靠性低等缺點(diǎn)，一旦發(fā)現(xiàn)水質(zhì)出現(xiàn)問(wèn)題，往往已為時(shí)過(guò)晚，從而可能造成巨大的經(jīng)濟(jì)損失。

2、目前隨著大模型的興起，將大模型用于時(shí)間序列預(yù)測(cè)也成為一個(gè)趨勢(shì)，然而，在水產(chǎn)養(yǎng)殖行業(yè)的水質(zhì)預(yù)測(cè)，僅僅使用大模型的無(wú)樣本預(yù)測(cè)，受限于缺少專業(yè)行業(yè)的先驗(yàn)知識(shí)，效果并不理想。

3、助力水產(chǎn)養(yǎng)殖向“數(shù)字漁業(yè)”邁進(jìn)，水質(zhì)的智能調(diào)控是其中非常重要的一個(gè)環(huán)節(jié)，因此，如何對(duì)養(yǎng)殖水質(zhì)進(jìn)行高效準(zhǔn)確的預(yù)測(cè)，并及時(shí)合理的進(jìn)行調(diào)控已成為本領(lǐng)域技術(shù)人員亟待解決的問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、鑒于以上內(nèi)容，本發(fā)明實(shí)施旨在提供一種結(jié)合大模型的水產(chǎn)養(yǎng)殖水質(zhì)預(yù)測(cè)調(diào)節(jié)方法及系統(tǒng)，用以解決現(xiàn)有的水產(chǎn)養(yǎng)殖水質(zhì)預(yù)測(cè)領(lǐng)域內(nèi)一旦發(fā)現(xiàn)水質(zhì)問(wèn)題已為時(shí)已晚，無(wú)法做到動(dòng)態(tài)對(duì)未來(lái)水質(zhì)預(yù)測(cè)，防患于未然的技術(shù)問(wèn)題。

2、本發(fā)明提供的技術(shù)方案，主要包括如下步驟：

3、選擇目標(biāo)水體的溶氧量、ph值、水溫及其外部環(huán)境的天氣、環(huán)境溫度、環(huán)境濕度作為監(jiān)測(cè)及預(yù)測(cè)對(duì)象，通過(guò)外部硬件對(duì)各變量進(jìn)行采集，并生成需要的時(shí)間序列；

4、將時(shí)間序列的部分不同變量數(shù)據(jù)之間進(jìn)行建模，探索探索變量之間不同的反饋機(jī)制得到先驗(yàn)的權(quán)重影響；

5、要對(duì)數(shù)據(jù)使用大模型進(jìn)行預(yù)處理，首先應(yīng)將序列處理成大模型可理解的輸入，即將每一列時(shí)間序列數(shù)據(jù)轉(zhuǎn)化為離散的標(biāo)識(shí)符，并在同組數(shù)列之間的不同類型數(shù)據(jù)之間以逗號(hào)區(qū)分，對(duì)以此方法得到的一系列可被語(yǔ)言大模型識(shí)別的數(shù)據(jù)，稱為第一向量，同時(shí)由于大模型對(duì)輸入序列的最長(zhǎng)長(zhǎng)度有限制，對(duì)第一向量向大模型的輸入采取滑動(dòng)窗口的方法。窗口在序列上滑動(dòng)，每次移動(dòng)一定的步長(zhǎng)（可能小于窗口長(zhǎng)度），從而產(chǎn)生重疊的子序列。這有助于模型捕捉連續(xù)的時(shí)間依賴性。將這些重疊的子序列輸入至語(yǔ)言大模型中，對(duì)序列中的異常及缺失值進(jìn)行判斷和補(bǔ)正，輸出得到與第一向量數(shù)據(jù)相對(duì)應(yīng)的第二向量；

6、將第二向量重新處理為時(shí)間序列的一般形式，按照傳統(tǒng)深度學(xué)習(xí)的時(shí)間序列預(yù)測(cè)方法格式，生成已由大模型預(yù)處理完畢，可由神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)的第三向量；

7、基于預(yù)處理的水體時(shí)間序列數(shù)據(jù)，建立結(jié)合多頭注意力機(jī)制的bitcn-rnn時(shí)間序列神經(jīng)網(wǎng)絡(luò)模型，來(lái)對(duì)第三向量中下一個(gè)時(shí)間節(jié)點(diǎn)的數(shù)據(jù)進(jìn)行預(yù)測(cè)；

8、獲取到的預(yù)測(cè)結(jié)果，可在前端進(jìn)行展示與預(yù)警，當(dāng)預(yù)測(cè)數(shù)據(jù)將在短期內(nèi)變得惡劣時(shí)，通過(guò)系統(tǒng)展示頁(yè)面對(duì)管理人員進(jìn)行預(yù)警，并在系統(tǒng)可處理范圍內(nèi)（如溫度、含氧量），自行對(duì)水體進(jìn)行合理調(diào)控。

9、在具體實(shí)施方面，主要包括以下模塊：

10、數(shù)據(jù)采集處理模塊:通過(guò)水質(zhì)傳感器收集魚(yú)塘信息，至少應(yīng)包括溫度、溶氧量、ph值，并通過(guò)和與氣象局天氣預(yù)報(bào)連接的api接口，獲得至少包括有魚(yú)塘所在地氣溫、濕度的數(shù)據(jù)信息，將采集水質(zhì)時(shí)間序列數(shù)據(jù)存儲(chǔ)，并將時(shí)間序列在傳輸至語(yǔ)言大模型中之前，將序列轉(zhuǎn)換成大模型能夠識(shí)別的格式；以及在大模型預(yù)處理完畢后，將序列構(gòu)建為數(shù)據(jù)序列矩陣；將上述矩陣進(jìn)行變化為與多頭注意力機(jī)制的頭數(shù)量相匹配維度的標(biāo)準(zhǔn)序列矩陣；

11、神經(jīng)網(wǎng)絡(luò)模塊，構(gòu)建結(jié)合多頭注意力機(jī)制的bitcn-rnn網(wǎng)絡(luò)對(duì)標(biāo)準(zhǔn)序列矩陣進(jìn)行預(yù)測(cè)分析，得到預(yù)測(cè)結(jié)果，對(duì)預(yù)測(cè)結(jié)果進(jìn)行判斷與異常分析，并將預(yù)測(cè)結(jié)果傳上云端；

12、云服務(wù)模塊，使用軟網(wǎng)關(guān)鏈接物聯(lián)網(wǎng)設(shè)備與軟件端，物聯(lián)網(wǎng)采用軟網(wǎng)關(guān)作為mqtt協(xié)議的客戶端，通過(guò)訂閱和發(fā)布主題，將采集到的數(shù)據(jù)發(fā)送到云端，或接收來(lái)自云端的指令；軟件端通過(guò)http/https?協(xié)議與云端交互，進(jìn)行數(shù)據(jù)的傳輸。

13、進(jìn)一步的，在所述神經(jīng)網(wǎng)絡(luò)模塊中，利用所構(gòu)建的與多頭注意力機(jī)制結(jié)合的bitcn-rnn網(wǎng)絡(luò)預(yù)測(cè)模型提取所述的標(biāo)準(zhǔn)序列矩陣特征，包括：

14、使用多通道rnn提取序列中的信息，將序列矩陣依次提取趨勢(shì)特征矩陣、位置特征矩陣、依賴特征矩陣連接為新的特征矩陣；

15、最后將bitcn模型與rnn模型的輸出通過(guò)合并層連接整合，以達(dá)到將bitcn提供的長(zhǎng)期依賴信息和rnn捕獲的短期局部特征同時(shí)用于最終的決策層的目的，進(jìn)行最終的預(yù)測(cè)。

16、進(jìn)一步的，權(quán)衡選擇合適的注意力頭主要目的是為了捕捉不同變量之間的復(fù)雜關(guān)聯(lián)，在確定輸入的標(biāo)準(zhǔn)序列矩陣時(shí)，原始輸入的query,?key,?value?分別為三維張量，矩陣數(shù)量與多頭注意力的頭數(shù)相對(duì)應(yīng)。

17、進(jìn)一步的，所述神經(jīng)預(yù)測(cè)網(wǎng)絡(luò)的卷積層應(yīng)為：

18、，

19、當(dāng)卷積核大小為k×k的時(shí)候，卷積層的權(quán)重參數(shù)矩陣應(yīng)為

20、，

21、其中，為輸入維度，為輸出維度，為高度和寬度；

22、那么全連接層權(quán)重參數(shù)為：

23、，

24、其中，為輸入維度，為輸出維度。

25、采用上述舉措的有益效果是，首先將大型模型應(yīng)用于預(yù)處理階段，可以充分利用其在不同領(lǐng)域的泛化能力。此外，通過(guò)prompts的形式引入外部專家知識(shí)和具體任務(wù)描述，進(jìn)一步提高大型語(yǔ)言模型在時(shí)間序列任務(wù)上的效果，同時(shí)避免了在面對(duì)少樣本和長(zhǎng)序列預(yù)測(cè)任務(wù)時(shí)由于先驗(yàn)知識(shí)不足而導(dǎo)致預(yù)測(cè)結(jié)果偏差的問(wèn)題；神經(jīng)網(wǎng)絡(luò)層將bitcn和rnn結(jié)合成雙流模型，并通過(guò)合并層將兩個(gè)網(wǎng)絡(luò)的輸出整合在一起，這樣，bitcn提供的長(zhǎng)期依賴信息和rnn捕獲的短期局部特征可以同時(shí)用于最終的決策層，通常，這個(gè)決策層由一個(gè)或多個(gè)全連接層組成，用于進(jìn)行最終的預(yù)測(cè)；模型還插入了多頭注意力機(jī)制，通過(guò)多個(gè)頭計(jì)算注意力權(quán)重，每個(gè)頭的權(quán)重由其對(duì)應(yīng)的權(quán)重矩陣決定，這些權(quán)重矩陣在訓(xùn)練過(guò)程中學(xué)習(xí)。這使得模型能夠自適應(yīng)地分配不同頭之間的重要性，不同頭之間的權(quán)重可以不同，從而允許模型關(guān)注輸入數(shù)據(jù)的不同方面，多頭注意力的特性有助于捕捉元素之間的關(guān)聯(lián)性和重要性，從而提高模型對(duì)時(shí)間序列中重要特征的提取能力，并且通過(guò)多個(gè)頭的注意力計(jì)算，模型可以并行化處理，從而提高計(jì)算效率。

技術(shù)特征：

1.一種結(jié)合大模型的水產(chǎn)養(yǎng)殖水質(zhì)預(yù)測(cè)調(diào)節(jié)方法及系統(tǒng)，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的水質(zhì)預(yù)測(cè)方法，其特征在于，所述大模型對(duì)數(shù)據(jù)的預(yù)處理；在時(shí)間序列數(shù)據(jù)被輸入到模型之前，使用大模型對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，使用大模型識(shí)別時(shí)間序列數(shù)據(jù)中的模式和趨勢(shì)，學(xué)習(xí)其周期性、季節(jié)性和趨勢(shì)性等特征。

3.根據(jù)權(quán)利要求2所述的水質(zhì)預(yù)測(cè)方法，其特征在于，考慮多元時(shí)間序列中的不同變量之間的互相影響，探索變量之間不同的反饋機(jī)制得到先驗(yàn)的權(quán)重影響:

4.根據(jù)權(quán)利要求3所述的水質(zhì)預(yù)測(cè)方法，其特征在于，將序列數(shù)據(jù)的特征，輸入到引入多頭注意力機(jī)制的時(shí)間序列預(yù)測(cè)網(wǎng)絡(luò)的預(yù)測(cè)模型中，通過(guò)不同變量之間的反饋權(quán)重來(lái)為多頭注意力機(jī)制中不同的頭設(shè)置不同的參數(shù)集來(lái)計(jì)算注意力，每個(gè)頭關(guān)注數(shù)據(jù)的不同方面，將多頭注意力機(jī)制加入神經(jīng)網(wǎng)絡(luò)模型中，通過(guò)對(duì)不同水質(zhì)數(shù)據(jù)對(duì)預(yù)測(cè)結(jié)果的影響，繼續(xù)對(duì)數(shù)據(jù)進(jìn)行動(dòng)態(tài)加權(quán)處理，重新調(diào)整權(quán)重。

5.一種結(jié)合大模型的水產(chǎn)養(yǎng)殖水質(zhì)預(yù)測(cè)調(diào)節(jié)方法及系統(tǒng)，應(yīng)用于如上述權(quán)利要求1至4中任一所述的水質(zhì)預(yù)測(cè)方法，其特征在于，?通過(guò)api接口將大模型集成到系統(tǒng)中，來(lái)對(duì)輸入的數(shù)據(jù)進(jìn)行預(yù)處理，和對(duì)輸出的數(shù)據(jù)針對(duì)不同養(yǎng)殖品種進(jìn)行分析以及輔助硬件進(jìn)行水質(zhì)調(diào)控。

6.根據(jù)權(quán)利要求5所述的一種結(jié)合大模型的水產(chǎn)養(yǎng)殖水質(zhì)預(yù)測(cè)調(diào)節(jié)方法及系統(tǒng)，其特征在于，采用微服務(wù)架構(gòu)，應(yīng)對(duì)物聯(lián)網(wǎng)系統(tǒng)中的多樣化設(shè)備環(huán)境，其系統(tǒng)單元包括：

7.根據(jù)權(quán)利要求5所述的一種結(jié)合大模型的水產(chǎn)養(yǎng)殖水質(zhì)預(yù)測(cè)調(diào)節(jié)方法及系統(tǒng)，其特征在于，輸入數(shù)據(jù)分別由bitcn模型與rnn模型預(yù)測(cè)，預(yù)測(cè)完成后將兩個(gè)模型的輸出通過(guò)合并層連接整合，以達(dá)到將bitcn提供的長(zhǎng)期依賴信息和rnn捕獲的短期局部特征同時(shí)用于最終的決策層的目的，以輸出最終的預(yù)測(cè)結(jié)果，在bitcn模型部分，網(wǎng)絡(luò)結(jié)構(gòu)由兩個(gè)tcn組成，一個(gè)tcn學(xué)習(xí)數(shù)據(jù)中的時(shí)間信息，用于捕捉過(guò)去的模式和依賴關(guān)系；另一個(gè)tcn編碼未來(lái)的協(xié)變量，幫助模型預(yù)測(cè)未來(lái)的趨勢(shì)和變化，同時(shí)為了更好的捕捉捕捉時(shí)間序列數(shù)據(jù)中的全局依賴關(guān)系，在過(guò)去層的tcn最上面的殘差塊中嵌入多頭注意力機(jī)制。

技術(shù)總結(jié)
本發(fā)明實(shí)施旨在提供一種結(jié)合大模型的水產(chǎn)養(yǎng)殖水質(zhì)預(yù)測(cè)調(diào)節(jié)方法及系統(tǒng)，主要包括以下模塊：數(shù)據(jù)采集模塊、硬件實(shí)施模塊、神經(jīng)網(wǎng)絡(luò)模塊、用戶端模塊以及云服務(wù)模塊；在具體實(shí)施方面，包括如下步驟：選擇目標(biāo)水體的溶氧量、PH值、水溫及其外部環(huán)境的天氣、環(huán)境溫度、環(huán)境濕度作為監(jiān)測(cè)及預(yù)測(cè)對(duì)象，并通過(guò)外部硬件對(duì)各變量進(jìn)行采集，對(duì)數(shù)據(jù)使用大模型進(jìn)行預(yù)處理，基于預(yù)處理的水體時(shí)間序列數(shù)據(jù)，建立結(jié)合多頭注意力機(jī)制的BiTCN?RNN時(shí)間序列神經(jīng)網(wǎng)絡(luò)模型，獲取預(yù)測(cè)結(jié)果，并可在前端進(jìn)行展示與預(yù)警，并在系統(tǒng)可處理范圍內(nèi)進(jìn)行合理調(diào)控。

技術(shù)研發(fā)人員：蔣林華,劉朋,龍偉,胡靈犀,葉文標(biāo)
受保護(hù)的技術(shù)使用者：湖州師范學(xué)院
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9