(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111602795.X (22)申请日 2021.12.24 (71)申请人 中山职业 技术学院 地址 528405 广东省中山市博爱七路25号 (72)发明人 刘艳飞　林亮中　 (74)专利代理 机构 上海联益知识产权代理事务 所(特殊普通 合伙) 31427 代理人 尹飞宇 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/02(2012.01) (54)发明名称 水产养殖水体水质预测系统和方法 (57)摘要 本发明提供一种水产养殖水体水质预测系 统， 其包括一组水质传感器、 至少一个气象站、 云 服务器和终端， 其能够对评价水产养殖水体水质 的多个指标进行预测， 并综合各个水质指标参数 的预测结果， 从整体上预测未来一段时间内， 水 产养殖水体的水质状况。 权利要求书2页 说明书8页 附图5页 CN 114282724 A 2022.04.05 CN 114282724 A 1.一种水产养殖 水体水质预测系统， 其特 征在于， 包括： 一组水质传感器； 至少一个气象站， 其中该水质传感器呈三维网状布置在水产养殖水体内， 以实时检测 其所在水产养殖水体的相 应区域空间的水质和获取该水质传感器所在水产养殖水体的相 应区域空间的水质数据和相 应的空间信息， 该气象站搭建在水产养殖水体所在区域， 以获 取水产养殖 水体所在区域的空间信息和气象信息； 云服务器， 用于 接收、 存储和发送所述水质数据和所述气象信息； 和 终端， 所述终端被程序化以能够通过水质预测模型， 根据该水质传感器获得的其所在 水产养殖水体的相应区域空间的水质数据和相 应的空间信息， 预测预设时间内， 水产养殖 水体的水质。 2.根据权利要求1所述的水产养殖水体水质预测系统， 其特征在于， 所述水质数据含有 时间信息和空间信息 。 3.根据权利要求1所述的水产养殖水体水质预测系统， 其特征在于， 该水质预测模型基 于多层注意力机制网络的地理传感器时间序列预测模型构建。 4.根据权利要求1所述的水产养殖水体水质预测系统， 其特征在于， 该水质预测模型包 括编码器和解码器， 其中该编码器形成自第一长短期记忆神经网络， 该解码器形成自第二 长短期记忆神经网络， 且该第一长 短期记忆神经网络和该第二长短期记忆神经网络相互独 立， 其中该第一长短期记忆神经网络用于编码历史地理传感器时间序列值， 该第二长短期 记忆神经网络利用该第一长短期记 忆神经网络形成的该编码器形成解码器。 5.根据权利要求4所述的水产养殖水体水质预测系统， 其特征在于， 该水质预测模型的 该编码器被 嵌入空间注意力模块， 其中该 空间注意力模块被设置用于自适应地提取该水质 数据的空间相关性， 所述空间注意力模块包括局部空间注意力组件和全局空间注意力组 件， 其中该局部空间注意力组件被设置用于自适应地捕获目标水质数据与具有相同空间信 息的其他水质数据之间的动态相关性， 该全局空间注意力组件被设置用于自适应地捕获目 标水质数据与具有不同空间信息的其它水质数据之间的动态相关性。 6.一种水产养殖 水体水质预测方法， 其特 征在于， 包括以下步骤： S101、 获取水产养殖水体各个区域的水质数据、 水产养殖水体各个区域的饲养信息和 所述水产养殖 水体所在区域的外界环境的气象信息； S102、 对所述水质数据、 所述气象信息和所述饲养信息进行 预处理； S103、 将所述水质数据、 所述气象信息和所述饲养信息 输入水质预测模型； 和 S104、 预测预设时间内， 水产养殖 水体的水质。 7.根据权利要求6所述的水产养殖水体水质预测方法， 其特征在于， 该步骤102进一步 包括以下步骤： S1021、 对该水质数据、 该气象信息和该饲养信息进行因子分析， 明确各因子之间的相 互作用关系； S1022、 对该水质数据、 该气象信息进行降噪处 理和修复处 理； 和 S1023、 获得 该水质数据、 该气象信息和该饲养信息的数据集。 8.根据权利要求7所述的水产养殖水体水质预警方法， 其特征在于， 该步骤103进一步 包括以下步骤：权　利　要　求　书 1/2 页 2 CN 114282724 A 2S1031、 构建多层注意力机制网络的地理传感器时间序列预测模型； S1032、 将该数据集输入该多层注意力机制网络的地理传感器时间序列预测模型中进 行模型训练和验证； S1033、 最终得到该基于多层注意力机制网络的地理传感器时间序列预测模型的水质 预测模型； 和 将所述水质数据、 所述气象信息和所述饲养信息 输入水质预测模型。 9.根据权利要求8所述的水产养殖水体水质预警方法， 其特征在于， 进一步包括下述步 骤： S105、 构建基于模糊神经网络构建的水质预测模型； 和 S106、 将所述预测数据输入到所述基于T ‑S模糊神经网络模型的水质预警模型， 得到预 警级别。 10.根据权利要求9所述的水产养殖水体水质预警方法， 其特征在于， 步骤S106包括以 下步骤： S1061、 输入所述预测数据； S1062、 对所述预测数据进行模糊化处理， 通过隶属度函数得出输入向量中各个分量的 隶属度； S1063、 提取各个分量的隶属度并进行规则化处理， 通过模糊计算得出不同输入向量在 不同规则下的适用度； S1064、 将适用度进行归一 化计算， 从而获得不同规则下适用度所占的权 重值； 和 S1065、 将权重值整合， 输出 预警级别。 S1066、 将该水质数据、 该气象信息和该饲养信息输入到该基于多层注意力机制网络的 地理传感器时间序列预测模型的水质预测模型， 得到预测数据。权　利　要　求　书 2/2 页 3 CN 114282724 A 3