申请/专利权人：中国海洋大学

申请日：2021-06-04

公开（公告）日：2022-03-01

公开（公告）号：CN113360544B

主分类号：G06F16/2458(20190101)

分类号：G06F16/2458(20190101);G06F16/29(20190101);G06N3/04(20060101);G06N3/08(20060101)

优先权：

专利状态码：有效-授权

法律状态：2022.03.01#授权;2021.09.24#实质审查的生效;2021.09.07#公开

摘要：基于捕捞时序关系的短时捕捞努力量分布预测方法，包括1）海洋渔业船舶轨迹数据集预处理；2）数据集特征提取，3）捕捞时序关系定义及量化；4）特征船集合求解，本发明通过两个贪心原则，求解用于预测的特征船集合；5）模型构建；6）短时捕捞努力量分布预测。本发明基于现有的海洋轨迹大数据进行研究，适用性广，无需其他额外数据如天气、洋流等辅助预测。同时，本发明设计的步骤易于理解、计算快且开销小，所设计的基于卷积神经网络的预测模型易于训练，能够为我国海洋渔业资源管理和规划提供精细化的定量支撑，为海洋信息研究提供可借鉴的时空预测模型。

主权项：1.基于捕捞时序关系的短时捕捞努力量分布预测方法，其特征是包括以下步骤：1海洋渔业船舶轨迹数据集预处理在海洋渔业船舶轨迹数据集中，渔船总数为n，每条轨迹数据包含的字段有：船号id、采样日期d、经度lon、纬度lat、航速、航向；预处理包括异常数据过滤及插值补齐；2数据集特征提取捕捞时序关系指的是作为特征渔船的一艘渔船与其他渔船在单位时间内出现在同一单位空间且捕捞行为具有先后顺序；首先从轨迹数据集中提取渔船单次捕捞的相关特征：a将每艘渔船两段在港时段之间的时期作为一个航次，统计所有渔船航次的持续天数分布，选定一个百分比N％，相应地，N％的航次都能在D天以内完成，则以D作为本方法的最长航次；b渔船进行捕捞时会在一个固定的速度区间航行，利用该速度区间筛选出处于捕捞状态时的轨迹记录r，并据此确定单次捕捞的覆盖区域，具体方法为：统计出所有单次捕捞覆盖地理区域的大小分布，选定关于纬度、经度的百分比W％和J％，相应地，W％的单次捕捞的纬度范围都在llat内、J％的单次捕捞的经度范围都在llat内，将llat,llon作为一个单位空间大小；3捕捞时序关系定义及量化将捕捞时序关系从空间和时间两方面进行量化：a在空间层面，将待预测海域以llat,llon为单位，划分为X×Y个空间网格；通过所有处于捕捞状态时的轨迹数据r构建捕捞时空矩阵F；捕捞时空矩阵F中的单元x,y,d表示在d日内于空间网格x,y进行捕捞的渔船的集合，计算方法如公式1：F＝{x,y,d}＝{rid|rlon,rlat∈x,y∧rdate＝d}1即当r中有船号为id的渔船经度lon、纬度lat与日期d满足公式1时，船号为id的渔船作为集合x,y,d中的元素；b在时间层面，当特征渔船出现在一个空间网格x,y内，之后如果有其他渔船在D2日以后、D日以内也出现在该空间网格，则其他渔船与特征渔船构成捕捞时序关系；捕捞时序关系满足条件如公式2： 其中，ve为特征渔船，vi∈RSx,y,dve表示其他渔船vi在特征渔船ve之后的D2天以后、D天以内，在同一个空间网格x,y进行捕捞活动；c在通过以上公式定义捕捞时序关系之后，进一步对X×Y个空间网格分别使用一个时序关系矩阵Sx,y，对每个空间网格x,y内的捕捞时序关系进行表达；同时使用X×Y个伴随关系矩阵Cx,y对其进行优化，步骤如下：S1：计算时序关系矩阵Sx,y：S11：初始化Sx,y为一个n×n的零矩阵，其中n为渔船数量，每艘渔船都对应一个序号；S12：对于空间网格x,y,d中的每艘特征渔船ve，计算集合RSx,y,dve，将该集合中的每个元素vj分别与ve按照渔船对应的序号组成一个坐标，记为e,j，其中e、j分别为ve、vj的渔船序号；S13：将Sx,y对应于e,j的位置加1；S14：遍历整个捕鱼期的每个日期d，将得到的按照渔船的序号组成的坐标累加至Sx,y对应的位置，得到在该空间网格x,y内所有渔船之间形成捕捞时序关系的次数；S2：计算伴随关系矩阵Cx,y：S21：初始化Cx,y为一个n×n的零矩阵，其中n为渔船数量，每艘渔船都对应一个序号；S22：对于单元x,y,d中的每艘特征渔船ve，按照公式3计算集合RCx,y,dve， 将该集合中的每个元素vk与ve按照渔船的序号组成一个坐标，记为e,k，其中e、k分别为ve、vk的渔船序号；S23：将Cx,y对应于e,k的位置加1；S24：遍历整个捕鱼期的每个日期d，将得到的按照渔船的序号组成的坐标累加至Cx,y对应的位置，得到在该空间网格x,y内所有渔船之间形成伴随捕捞关系的次数；S3：优化时序关系矩阵Sx,y：S31：判断Sx,y所有对称位置元素i,j和j,i的值，若i,j处的值为j,i处的两倍以上时，表明渔船vi在与vj的捕捞时序关系中占据主导地位，对预测有帮助，而vj在与vi的捕捞时序关系占非主导地位，对预测没有帮助，因此将较小的一方j,i处的值设为0；若i,j与j,i处的值相差不到一倍，则表明渔船vi与vj之间没有明显占主导地位的捕捞时序关系，对预测都没有帮助，因此将i,j与j,i处的值均设为0；S32：记录每一个Cx,y中所有大于0的位置p,q，若Sx,y的位置p,q的值也大于0，这表明渔船vp与vq既有捕捞时序关系、又有伴随捕捞关系，而特征渔船无法对与自己伴随捕捞的渔船的捕捞行为进行预测，即这两种关系共存对本发明的预测没有帮助，因此将Sx,y中对应位置p,q设为0；经过上述步骤S1、S2、S3处理后的时序关系矩阵Sx,y中的任意非零元素m,n的含义为：渔业船舶vm与vn具有稳定的捕捞时序关系；4特征船集合求解通过两个贪心原则，求解用于预测的特征船集合：S1：在每个空间网格x,y内，求解步骤3最后得到时序关系矩阵Sx,y中大于0元素最多的行h，这代表渔船vh与最多的渔船构成捕捞时序关系，将渔船vh作为空间网格x,y的特征渔船，记为vx,y，如果非零元素最多的行有多个，则任取一个；同时记录下h行中大于0的列号所对应的渔船，将其集合记为Followx,y，表示在该网格内跟vx,y构成捕捞时序关系的渔船；S2：选择部分特征渔船vx,y作为特征渔船集合Ve，原则如下：S21：将元素最多的Followx,y对应的特征渔船vx,y计入特征船集合Ve，若vx,y有多个，则任取一个，同时将Followx,y中的元素计入集合R；S22：对x,y以外的网格陆续进行步骤S21的操作，并将得到的集合与步骤S21中的集合R合并，从而使R得到扩充；当R中元素个数达到全部渔业船舶数量n的一个比例γ时，停止操作，所述γ至少为80％；5模型构建针对求解出的特征船集合Ve，本发明以卷积神经网络ConvolutionNeuralNetwork,CNN为核心，构建预测模型；预测模型以特征渔船集合Ve过去1到D2天即0,D2]天中每一天的捕捞努力量分布为输入，以未来D2,D]天内全部渔船的捕捞努力量分布作为输出，若D为奇数，则取D＝D+1；以3×3作为CNN卷积核的大小，以L作为CNN的深度，L代表渔船在D2天内最远能跨越的空间网格x,y的数量；最后，以RMSE作为误差指标，通过反向传播BP算法对CNN的参数进行优化；6短时捕捞努力量分布预测将步骤5构建出的模型训练好后，每次预测时，只需给出特征渔船集合Ve在0,D2]中每一天的捕捞努力量分布，预测模型即可输出D2,D]天内全部渔船的捕捞努力量分布的预测值。

全文数据：

权利要求：

百度查询： 中国海洋大学 基于捕捞时序关系的短时捕捞努力量分布预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD