[發明專利]一種基于在線增量學習的區域生態環境變化預測方法

在審

• 申請號: 202011290431.8
• 申請日: 2020-11-18
• 公開（公告）號: CN112348275A
• 公開（公告）日: 2021-02-09
• 發明（設計）人: 徐鶴;張澳生;苗冬冬;季一木;王汝傳;李鵬
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26;G06N3/04;G06N3/08
• 代理公司: 南京正聯知識產權代理有限公司 32243
• 代理人: 王素琴

本發明涉及生態環境預測模型領域，公開了一種基于在線增量學習的區域生態環境變化預測方法。本發明將卷積神經網絡、長短期記憶神經網絡和全連接神經網絡與基于自適應遺傳算法的增量極限學習機相結合。對傳統的增量極限學習機進行了優化并提出了使用自適應遺傳算法來得到模型的隱藏層最優節點數。并且使用增量學習的方法對區域式生態環境的變化進行預測，這種方法能夠根據新的環境數據的變化去在線的訓練模型，通過該方法也能夠大幅度的減小訓練模型所花費的代價并且提高預測的精度。通過以上提出的一種基于在線增量學習的區域生態環境變化預測方法可以實現對區域式生態環境的變化進行準確的預測。

技術領域

本發明涉及生態環境預測模型領域，尤其是涉及了一種基于在線增量學習的區域生態環境變化預測方法。

背景技術

隨著經濟與科技的發展，環境問題日益成為大家所關心和熱議的話題。因為環境問題直接關乎著我們的身心健康以及綠色生態的可持續發展問題，尤其是對于區域式生態環境變化這樣復雜的問題，政府部門以及環境方面的專家都在著力去研究和分析。但是由于區域生態環境變化會受到多方面環境因素的影響以及相鄰區域之間相互的影響，因此本發明提出了一種基于在線增量學習的區域生態環境變化預測的方法。

傳統研究區域生態環境變化的預測方法大體可分為統計學以及經典機器學習這兩類方法。但是由于現有的生態環境的數據量及其龐大以及相關的影響因子又極為繁多，采用傳統的方法去預測區域生態環境變化將會耗費大量的時間和財力，因此本發明提出了采用增量學習的方法來解決該問題。

發明內容

為了解決以上問題，本發明提出了一種基于在線增量學習的區域生態環境變化預測方法，相較于傳統的統計學方法和機器學習方法，該方法能夠更好提高預測的精確度并且能夠降低模型訓練時所花費的代價。

本發明通過如下技術方案實現：一種基于在線增量學習的區域生態環境變化預測方法，所述方法包括如下步驟：

步驟1:對數據進行預處理；

步驟2：建立卷積神經網絡層；

步驟3：添加時間窗口和建立基于自適應遺傳算法的增量極限學習機模型；

步驟4：建立長短期記憶神經網絡層和全連接神經網絡層。

進一步，所述步驟1中包括如下具體步驟：

步驟1-1、數據來源：通過在某個區域設立的多個監測點獲取到可能會影響到該區域生態環境變化的特征所組成的時間序列；

步驟1-2、離散特征數值化編碼：把收集到的時間序列中的字符特征通過獨熱編碼方式處理變成數字信息；

步驟1-3、缺失值處理：對于不超過兩個時間間隔的缺失數據使用前面的數據進行填充，對于超過兩個時間間隔的缺失數據采用線性插值法進行填充；

步驟1-4、異常值處理：對于少數時間段的特征值明顯高于前后時間段的特征值的時間序列，讓其與前一時間間隔的數據的特征值進行一階差分運算；設立閾值為0.1，如果未超過0.1則認為為合理的突變數據，否則則認為為異常數據；異常數據的處理方式為把這些數據當作缺失值處理，即步驟1-3操作；

步驟1-5、標準化處理：由于使用歸一化處理會容易受到極值的影響，魯棒性比較差，因此這里把數據進行標準化處理；

步驟1-6、數據集的劃分：把處理后的數據按照時間序列的長度劃分為80％為訓練集，剩下的20％為測試集。

進一步，所述步驟2中包括如下具體步驟：

步驟2-1、建立卷積神經網絡，并且添加一層卷積層和一層池化層；

步驟2-2、把經過預處理得到的數據轉化為具有時間序列的n維矩陣，這里的n維指的是數據具有的特征數量；