对虾养殖溶解氧浓度组合预测模型EMD-RF-LSTM

摘要: 溶解氧（DO） 浓度是对虾养殖水质检测的核心指标。为提高对虾养殖溶解氧浓度的预测精度，本 研究提出了一种基于经验模态分解、随机森林和长短时记忆神经网络（EMD-RF-LSTM） 的对虾养殖溶解氧 浓度组合预测模型。首先采用经验模态分解（EMD） 对养殖水质溶解氧浓度时序数据进行多尺度特征提取， 得到不同尺度下的固有模态分量（IMF）; 然后分别采用长短时记忆神经网络（LSTM） 和随机森林（RF） 对 高、低频不同尺度IMF进行建模; 最后结合各分量预测结果构建叠加模型，实现对溶解氧浓度时序数据的综 合预测。本研究模型在广东省湛江市南三岛对虾养殖基地展开了试验及应用，在基于真实数据集的性能测 试中，经验模态分解后EMD-ELM模型与极限学习机（ELM） 模型对比，平均绝对误差（MAPE）、均方根误 差（RMSE） 和平均绝对误差（MAE） 分别降低了30.11%、29.60%和32.95%。在经验模态分解基础上用RF 和LSTM对不同特征尺度的本征模态分量分别预测后叠加求和，EMD-RF-LSTM模型预测的精度指标MAPE、 RMSE 和MAE 分别为0.0129、0.1156和0.0844，其中关键指标MAPE 较EMD-ELM、EMD-RF和EMD-LSTM 分别降低了84.07%、57.57%和49.81%，预测精度显著提高。结果表明，本研究针对经验模态分解后高、低 频分量分别预测的策略可有效提升综合性能，表明本研究模型具有较高的预测精度，能够较准确地实现对 虾养殖水体中溶解氧浓度预测。