收藏本站
收藏 | 论文排版

基于EMD-BiLSTM模型的金枪鱼渔情预测研究

张永  
【摘要】:南太平洋大眼金枪鱼作为重要的海洋渔业捕捞对象,目前已成为我国远洋渔业捕捞的重要产业之一,其资源量丰富且分布广泛,在远洋渔业迅猛发展的背景之下,传统的渔情分析方法逐渐不能满足现有问题的需要,同时数据的获取能力和渠道也日趋多样化,而传统的线性模型在对高维数据进行分析时,数据的复杂性及冗杂性往往会导致模型准确率降低,因此如何选择合适的预报模型来处理海洋渔业问题,成为了一大难点。本文在查阅深度神经网络资料及处理南太平洋大眼金枪鱼渔场数据的过程中,通过实验发现Bi-LSTM(双向长短期记忆神经网络)在处理具有时间序列属性的渔业数据上具有良好的实验效果,并且同时能对过去将来的信息进行有效整合,因此本文在Bi-LSTM的基础上进行研究,并且提出了基于经验模态分解和双向长短时记忆神经网络(EMD-BiLSTM)的渔场预报新模型,且在此基础上进一步改进了该模型构建了CEEMD-BiLSTM渔场预报模型,以实现一种新的面向渔业应用的产量预报方法。实验有效性主要体现在以下几点:(1)构建了基于EMD-BiLSTM的大眼金枪鱼渔场预报新模型。其中,引入了一种信号处理新方法即经验模态分解机制(EMD),该机制可以在原始数据不同特征尺度的背景之下,对该序列进行分解提取,得到该序列的本征模态函数IMF,并且先得到该序列的高频分量,再逐步得到低频分量,使各分量波动性比原始CPUE信号有所降低,平稳性有所提高。然后该模型会跳过原始CPUE序列直接为平稳性较好的各分解分量分别进行Bi-LSTM预报,在简化了预报难度的同时,又提供了多个Bi-LSTM神经网络,使得记忆功能较强的该网络进一步发挥出数据处理优势,最后对各序列进行重构并获得最终预报结果。(2)通过与其他模型进行相同条件下的实验,实验结果显示:在CPUE值的预报可视化图形中,结合了EMD机制之后的新模型,相较于其它所涉及对比模型,图中两曲线更为接近,预报值与实际值相对吻合,可见新模型预报效果更好。同时,该试验采用了绝对误差(3_()和均方根误差(3_()两种评判方式进行结果对比与评价。其中,绝对误差越小则代表预报越准确,均方根误差越小则代表预报模型越稳定。根据试验结果,在所用模型中,EMD-BiLSTM模型预报误差最小,其中MAE、RMSE分别是0.033和0.057,相比于随机森林模型,MAE和RMSE分别降低0.286、0.475,相比于BP模型分别降低0.05、0.204,相比于LSTM模型分别降低0.033、0.085,相比于Bi-LSTM模型分别降低0.018、0.047。可见新模型在准确性和稳定性方面预报性能更好,并且具有很好的适用性。(3)对预报模型做了进一步的改进,引入了互补集合经验模态分解机制(CEEMD),其中CEEMD是在EMD的基础上将幅值相同、独立同分布且负相关的互补噪声引入原始序列,然后在对信号进行集成的时候,噪声会淹没频率较高的不平稳无规律信号,而同时把低频信号提取出来,从而有效缓解了EMD的模态混叠现象,进一步增加了各分解分量的平稳性。同时,因为加入的是互补噪声,因此集成之后又避免了所加噪声对于结果产生的不良影响。结果表明CEEMD-BiLSTM模型相较于传统的渔情预测方法,预测准确性及其稳定性都有明显提高,为南太平洋大眼金枪鱼渔场预报工作提供了一种新的思路。


知网文化
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978