[發(fā)明專利]漁船作業(yè)區(qū)域的建模與預測方法、系統(tǒng)、存儲介質(zhì)、終端

在審

• 申請?zhí)枺?/td>: 202110685294.6
• 申請日: 2021-06-21
• 公開（公告）號: CN113379137A
• 公開（公告）日: 2021-09-10
• 發(fā)明（設(shè)計）人: 劉陽;秦元哲;田永軍;何良飛;毛璐;古麗努爾·依沙克
• 申請（專利權(quán)）人: 中國海洋大學;山西大地新亞科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/02;G06F16/29;G06K9/62
• 代理公司: 北京匯捷知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11531
• 代理人: 盛君梅

1.一種漁船作業(yè)區(qū)域的建模與預測方法，其特征在于，所述漁船作業(yè)區(qū)域的建模與預測方法包括：

對AIS數(shù)據(jù)進行預處理：利用R語言對AIS數(shù)據(jù)進行提取，并對出現(xiàn)多艘船只在同一經(jīng)緯度網(wǎng)格內(nèi)的情況進行處理；

利用預處理后的AIS數(shù)據(jù)與環(huán)境數(shù)據(jù)構(gòu)建模型并預測適宜捕撈區(qū)域。

2.如權(quán)利要求1所述的漁船作業(yè)區(qū)域的建模與預測方法，其特征在于，所述對AIS數(shù)據(jù)進行預處理，包括：

(1)對同一漁船每天的作業(yè)情況進行提取：篩選漁船數(shù)據(jù)，去除異常值；

(2)對多艘漁船出現(xiàn)在同一經(jīng)緯度網(wǎng)格內(nèi)的情況進行處理。

3.如權(quán)利要求1所述的漁船作業(yè)區(qū)域的建模與預測方法，其特征在于，所述利用處理好的AIS數(shù)據(jù)與環(huán)境數(shù)據(jù)構(gòu)建模型并預測適宜捕撈區(qū)域，包括：將數(shù)據(jù)集隨機分為7：3兩部分；采用XGBoost算法對70％的數(shù)據(jù)進行訓練，構(gòu)建預測模型，用30％數(shù)據(jù)進行驗證評估該模型效果；最后利用構(gòu)建好的模型預測適宜捕撈區(qū)域。

4.如權(quán)利要求1所述的漁船作業(yè)區(qū)域的建模與預測方法，其特征在于，所述利用預處理后的AIS數(shù)據(jù)與環(huán)境數(shù)據(jù)構(gòu)建模型，包括：

(1)建立單個回歸樹模型；

(2)采用加法模型對回歸樹模型進行組合形成提升樹模型；

(3)利用梯度提升方法訓練提升樹模型；

(4)訓練模型；

(5)評估訓練后的模型；

(6)使用訓練后的模型對AIS數(shù)據(jù)的處理方式進行選擇；

(7)使用訓練后的模型繪制適宜作業(yè)區(qū)域圖。

5.如權(quán)利要求4所述的漁船作業(yè)區(qū)域的建模與預測方法，其特征在于，步驟(1)中，所述建立單個回歸樹模型，包括：

定義X為各項環(huán)境數(shù)據(jù)，即模型的輸入；定義Y表示該網(wǎng)格的捕撈努力，即模型的輸出，建模需要的樣本數(shù)據(jù)表示如下：

D＝{{X,Y}}＝{(x₁，y₁)，(x₂，y₂)，…，(x_N，y_N)}；

式中，N為樣本總數(shù)；

將輸入部分劃分為M個區(qū)域：R₁,R₂,…，R_M,并且在區(qū)域上有一個固定的輸出值LM，單個回歸提升樹模型表示如下：

式中，I為指示函數(shù)，當x∈R_m時為1，否則為0；當輸入部分的劃分確定后，用平方誤差的值的大小表示模型對于訓練數(shù)據(jù)預測誤差的大小；其中，平方誤差的表達式：

式中，y_i是實際值，是預測值，模型根據(jù)平方誤差最小值來選擇每個部分的最優(yōu)輸出值；

對輸入部分進行劃分時，采用啟發(fā)式的方法選擇第j個值即x^(j)和它所取得值s分別作為分隔變量和分隔點，通過將所有環(huán)境變量劃分為兩個部分：R₁(j，s)＝{x|x^(j)≤s}，R₂(j，s)＝{x|x^(j)＞s}，根據(jù)下式求解最優(yōu)分隔變量j和最佳分隔點s：

通過固定變量j從而得到最優(yōu)分隔點s，將所有輸入變量遍歷一遍，確定最優(yōu)切分變量j，找到最佳的(j，s)值使得公式最小，將輸入部分分隔成兩個部分并求出對應(yīng)部分的輸出值；

式中，m∈{1，2}；N_m表示劃分到兩個不同部分樣本的個數(shù)，隨后繼續(xù)對每個部分重復上面的劃分步驟，直到滿足停止條件，即可生成回歸樹。