(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 202211042230.5 (22)申请日 2022.08.29 (71)申请人 安徽农业大 学 地址 230036 安徽省合肥市长江西路13 0号 (72)发明人 唐小毅　朱梅　李晓乐　范舟　 栗昕羽　朱喜明　时运佳　 (74)专利代理 机构 北京思创大成知识产权代理 有限公司 1 1614 专利代理师 张立君 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/26(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 蓝藻密度预测方法、 装置、 电子设备及 介质 (57)摘要 本申请公开了一种蓝藻密度预测方法、 装 置、 电子设备及介质。 该方法可以包括： 获得历史 时段的蓝藻数据并进行预处理； 根据预处理后的 历史时段的蓝藻数据训练蓝藻密度预测模型； 将 预测时段前设定历史时段的蓝藻数据输入至蓝 藻密度预测模 型中， 得到预测时段对应的蓝藻密 度； 其中， 蓝藻密度预测模型包括卷积神经网络 CNN层、 Dropout层、 双向长短时记忆BiLSTM层、 注 意力机制Attention层、 全连接层和输 出层。 本发 明通过神经网络预测蓝藻密度， 帮助水华治理， 降低水华治理的成本 。 权利要求书2页 说明书8页 附图1页 CN 115423169 A 2022.12.02 CN 115423169 A 1.一种蓝藻密度预测方法， 其特 征在于， 包括： 获得历史时段的蓝藻数据并进行 预处理； 根据预处 理后的历史时段的蓝藻数据训练蓝藻密度预测模型； 将预测时段前设定历史时段的蓝藻数据输入至所述蓝藻密度预测模型中， 得到所述预 测时段对应的蓝藻密度； 其中， 所述蓝藻密度预测模型包括卷积神经网络CNN层、 Dropout层、 双向长短时记忆 BiLSTM层、 注意力机制A ttention层、 全连接层和输出层。 2.根据权利要求1所述的蓝藻密度预测方法， 其中， 所述蓝藻数据包括蓝藻密度及其影 响因子数据。 3.根据权利要求2所述的蓝藻密度预测方法， 其中， 所述预处 理包括： 对所述蓝藻数据进行缓存读写操作； 将读写后的所述蓝藻数据进行解析、 数据清洗和格式转 化， 获得转 化后数据； 将所述转化后数据进行相关性分析筛 选和归一 化， 得到预处 理后的蓝藻数据。 4.根据权利要求3所述的蓝藻密度预测方法， 其中， 所述相关性分析筛 选包括： 采用Spearman相关因子对所述影响因子数据进行相关性分析， 筛去相关性低于设定阈 值的影响因子数据。 5.根据权利要求2所述的蓝藻密度预测方法， 其中， 根据 预处理后的历史时段的蓝藻数 据训练蓝藻密度预测模型包括： 将所述预处理后的历史时段的蓝藻数据输入至初始蓝藻密度预测模型的卷积神经网 络CNN层、 Dropout层、 BiLS TM层、 Attention层、 全连接层和输 出层， 将均方差损失MSE作为模 型的损失函数， 使用Adam优化器作为优化算法对所述初始蓝藻密度预测模型进行训练， 得 到最终的蓝藻密度预测模型； 其中， 采用激活函数ReLU函数作为所述卷积神经网络CNN层和所述全连接层的激活函 数。 6.根据权利要求2所述的蓝藻密度预测方法， 其中， 将预测时段前设定历史时段的蓝藻 数据输入至所述蓝藻密度预测模型中， 得到所述预测时段对应的蓝藻密度包括： 将预测时段前设定历史时段的蓝藻数据输入至所述卷积神经网络层CNN中， 进行一维 卷积运算， 不进行池化操作， 提取 得到所述蓝藻数据对应的时空特 征信息； 将所述时空特征信息输入至所述Dropout层中， 随机失活30％的时空特征信息防止过 拟合， 得到提取的时空特 征信息； 将所述提取的时空特征信息输入至所述双向长短时记忆BiLSTM层中， 提取出所述时空 特征信息的特 征向量信息； 将所述特征向量输入至所述Dropout层中， 随机失活30 ％的特征向量信息防止过拟合， 得到提取的特 征向量信息； 将所述提取的特征向量信息输入至所述注意力机制Attention层中， 得到分配不同权 重后的特 征向量信息； 将所述分配不同权 重后的特 征向量信息 输入至压平层， 将获得二维特 征向量信息； 将所述二维特征向量信息 输入至所述全连接层中， 整合输入的特 征向量信息； 将整合后的特征向量信 息输入至所述输出层中并进行反归一化， 得到所述预测时段对权　利　要　求　书 1/2 页 2 CN 115423169 A 2应的蓝藻密度数据。 7.根据权利要求1所述的蓝藻密度预测方法， 其中， 还 包括： 将所述预测时段对应的蓝藻密度进行信息触达； 其中， 所述信 息触达的方式包括文本展示、 外呼终端、 邮件触达、 短信送达、 语音播报和 大屏展示。 8.一种蓝藻密度预测装置， 其特 征在于， 包括： 历史数据处 理模块， 获得历史时段的蓝藻数据并进行 预处理； 训练模块， 根据预处 理后的历史时段的蓝藻数据训练蓝藻密度预测模型； 预测模块， 将预测时段前设定历史时段的蓝藻数据输入至所述蓝藻密度预测模型中， 得到所述预测时段对应的蓝藻密度； 其中， 所述蓝藻密度预测模型包括卷积神经网络CNN层、 Dropout层、 双向长短时记忆 BiLSTM层、 注意力机制A ttention层、 全连接层和输出层。 9.一种电子设备， 其特 征在于， 所述电子设备包括： 存储器， 存储有可执行指令； 处理器， 所述处理器运行所述存储器 中的所述可执行指令， 以实现权利要求1 ‑7中任一 项所述的蓝藻密度预测方法。 10.一种计算机可读存储介质， 其特征在于， 该计算机可读存储介质存储有计算机程 序， 该计算机程序被处 理器执行时实现权利要求1 ‑7中任一项所述的蓝藻密度预测方法。权　利　要　求　书 2/2 页 3 CN 115423169 A 3