(19)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 20221096823 3.5 (22)申请日 2022.08.12 (71)申请人 河海大学 地址 211100 江苏省南京市江宁区佛城西 路8号 (72)发明人 倪建军　曹卫东　陈颜　姜博严　 刘如萍　 (74)专利代理 机构 南京纵横知识产权代理有限 公司 32224 专利代理师 刘艳艳 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/26(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于迁移学习的蓝藻水华跨水域预测 方法及装置 (57)摘要 本发明提供一种基于迁移学习的蓝藻水华 跨水域预测方法及装置， 方法包括： 获取待预测 的水域数据； 将待预测的水域数据输入训练好的 蓝藻水华跨水域预测模型； 根据所述蓝藻水华跨 水域预测模 型的输出， 确定蓝藻水华跨水域预测 结果； 其中蓝藻水华跨水域预测模 型的构建方法 包括： 源域网络模型训练， 微调模型获得， 融合模 型建立， 目标域数据预测等步骤。 本发明可以提 高数据量不足的水域的蓝藻水华预测精度。 本发 明具有预测准确、 节约传感器成本等优点， 可 以 充分利用数据量充足水域的数据信息； 能实现跨 水域的蓝藻水华预测， 具有很强的实用性。 权利要求书2页 说明书6页 附图2页 CN 115330053 A 2022.11.11 CN 115330053 A 1.一种基于 迁移学习的蓝藻水华 跨水域预测方法， 其特 征在于， 包括： 获取待预测的水域数据； 将待预测的水域数据输入训练好的蓝藻水华 跨水域预测模型； 根据所述蓝藻水华 跨水域预测模型的输出， 确定 蓝藻水华 跨水域预测结果； 其中所述蓝藻水华 跨水域预测模型的构建方法包括： 将历史监测水质数据量充足的水域数据作为源域训练集， 对源域模型进行训练优化， 得到训练好的源域模型， 其中所述源域模型包括1层卷积神经网络、 3层双向长短期记忆网 络BiLSTM层和全连接层FC； 卷积神经网络CNN， 被配置为对源域训练集提取源域时间序列的重要特征和空间相关 性； 3层双向长短期记忆网络BiLSTM层， 被配置为以卷积神经网络CNN的输出结果作为输 入， 获取序列特 征和长期依赖用于预测； 通过全连接层FC得到神经网络的输出 结果， 源域模型训练完成； 将历史监测水质数据量不足的水域数据作为目标域的训练数据集， 冻结源域模型的前 两层BiLSTM， 使用目标域的训练数据集对第三层BiLSTM进行微调训练， 使用全连接层得到 训练好的微调模型分支； 将目标域的训练数据集输入CN N分支来提取特征， 进行训练得到训练好的CN N分支； 将训练好的微调模型分支和CNN分支通过concaten ate层连接， 得到所述蓝藻水华跨水 域预测模型。 2.根据权利要求1所述的基于迁移学习的蓝藻水华跨水域预测方法， 其特征在于， 所述 提取源域时间序列数据的特 征和空间相关性， 包括： (1a)、 以固定时间间隔监测采集水质要素而生成的水质数据是时间序列； 对采集的数 据集进行 数据预处 理， 缺失值采用线性插值进行填充； (1b)、 采用卷积神经网络对时间序列的特征和空间相关性进行提取； 每个卷积层包含 多个卷积核， 对输入gt执行卷积计算得到输出lt， 计算公式为： lt＝δ(gt*kt+bt)； 其中， bt是 偏置向量； δ( ·)表示卷积运 算的非线性激活函数； *表示卷积运 算； kt是卷积核的权 重。 3.根据权利要求1所述的基于迁移学习的蓝藻水华跨水域预测方法， 其特征在于， 3层 双向长短期记忆网络BiLSTM层， 被配置为以卷积神经网络CNN的输出结果作为输入， 获取序 列特征和长期依赖用于预测， 包括： (2a)、 双向LSTM学习特征间的长期依赖： CNN提取的特征作为B iLSTM正反LSTM网络层的 输入xt， 正向层LSTM的计算公式为正向层LSTM的输出 反向层LSTM的计算公 式为反向层LSTM的输出 BiLSTM的最终输出 结果为 (2b)、 LSTM的计算过程： 给定一个时间序列x＝[x1,x2,x3,...,xk]， 将原始数据xt映射到 LSTM单元中的特征表示： ft＝σ(Wf[ht‑1:xt]+bf)， ot＝σ(Wo[ht‑1:xt]+bo)， 其中， ft是遗忘门的输出值， σ 表示一个sigmod函 数； Wf是遗忘门的权重， ht‑1是前一个 LSTM单 元的隐藏状态， xt表示输入值， bf是遗忘门的偏置项， [ht‑1:xt]表示将二者相连接； ot是输出 门的输出值， Wo和bo分别是输入出门的权重和偏置； ht是LSTM的最终输出； ct是单元状态更 新， 表示矩阵元 素相乘。权　利　要　求　书 1/2 页 2 CN 115330053 A 24.根据权利要求1所述的基于迁移学习的蓝藻水华跨水域预测方法， 其特征在于， 通过 全连接层FC得到神经网络的输出结果， 源域模型训练完成， 包括： 使用全连接层， 得到CNN ‑ BiLSTM网络的预测结果， 待源域数据全部训练完后， 源域模型建立完成。 5.根据权利要求1所述的基于迁移学习的蓝藻水华跨水域预测方法， 其特征在于， 将历 史监测水质数据量不足的水域数据作为目标域的训练数据集； 冻结源域模型的前两层 BiLSTM， 使用目标域的训练数据集对第三层 BiLSTM进行微调训练； 包括： (5a)、 将源域模型的CN N层和前两层 BiLSTM参数冻结， 不 参与接下来的训练， 保留原值； (5b)、 使用目标域的训练数据 集对第三层BiLSTM进行训练， 微调其参数， 以学习目标域 的特征， 将源域知识迁移到目标域。 6.根据权利要求1所述的基于迁移学习的蓝藻水华跨水域预测方法， 其特征在于， 将目 标域的训练数据集输入到微调模型分支和CN N分支来提取特征， 包括： (6a)目标域的训练数据集通过微调模型分支， 得到迁移了源域知识的模型的特征提 取； (6b)目标域的训练数据集通过独立的CNN分支， 是为了消除不同水域间的差异性， 对目 标水域蓝藻水华自身特 征的提取。 7.一种基于迁移学习的蓝藻水华跨水域预测装置， 其特征在于， 包括处理器及存储介 质； 所述存储介质用于存 储指令； 所述处理器用于根据所述指令进行操作以执行根据权利要求1至6任一项所述方法的 步骤。 8.一种存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序被处理器执行 时实现权利要求1至 6任一项所述方法的步骤。权　利　要　求　书 2/2 页 3 CN 115330053 A 3