基于CNN-GRU混合模型的养殖工船水体溶解氧预测研究.pdf

DOI:10.12131/20220298文章编号：20950780（2023）04017407 研究简报 基于 CNN-GRU 混合模型的养殖工船水体溶解氧预测研究苏辉锋1，丁乐声2，王绪旺1，陈木生1，陈 潇11.南方海洋科学与工程广东省实验室(湛江)，广东 湛江 5240002.大连理工大学宁波研究院，浙江 宁波 315700摘要：溶解氧(Dissolved oxygen,DO)是影响养殖工船水产品健康生长的重要因素，准确预测DO对提高水产品产量和品质具有重要意义。为提高DO预测精度，以卵形鲳鲹(Trachinotus ovatus)养殖试验采集的数据为样本，使用卷积神经网络(Convolutional neural network,CNN)和门控循环单元(Gated recurrent unit,GRU)方法建立养殖工船水体DO预测混合模型，通过Pearsons相关性分析，选用DO、温度、pH和循环水流量4个预测因子进行训练和校准，预测了DO含量。通过与CNN、GRU和长短期记忆(Long short-term memory,LSTM)模型进行对比，所建模型在各项评价指标中的性能均最优，其均方根误差(Root mean square error,RMSE)、平均绝对误差(Mean absolute error,MAE)和决定系数R2分别为0.119、0.084和0.976。结果表明，所建模型的预测精度最高，可以满足养殖工船实际生产中对DO预测的需求，为养殖工船生产过程中DO的监控和预警提供参考。关键词：养殖工船；溶解氧；卷积神经网络；门控循环单元中图分类号：S 967.9文献标志码：A 开放科学（资源服务）标识码（OSID）：Prediction of dissolved oxygen in water of aquaculture ship based onCNN-GRU hybrid modelSUHuifeng1,DINGLesheng2,WANGXuwang1,CHENMusheng1,CHENXiao11.Southern Marine Science and Engineering Guangdong Laboratory(Zhanjiang),Zhanjiang 524000,China2.Ningbo Institute of Dalian University of Technology,Ningbo 315700,ChinaAbstract:Dissolved oxygen(DO)content is a critical factor that affects the healthy growth of aquatic products in aquacultureships.Accurate prediction of DO content is necessary to improve aquatic production and quality.To increase the accuracy ofDO prediction,based on the data collected from a Trachinotus ovatus culture experiment,we established a hybrid model for DOprediction in aquaculture ships by applying the convolutional neural network(CNN)and gated recurrent unit(GRU)methods.Based on Pearson correlation analysis,we selected four predictors,namely dissolved oxygen content,temperature,pH value andcirculating water flow,which were trained and calibrated to predict the DO content.The model proposed in this paper outper-formed CNN,GRU and long short-term memory(LSTM)models in all evaluation indexes,and its root mean square error(RMSE),mean absolute error(MAE)and determination coefficient R2 were 0.119,0.084 and 0.976,respectively.The resultsindicate that the model proposed in this paper has the greatest prediction precision and can meet the demand for DO contentprediction in actual production of aquaculture ships,which provides references for monitoring and early warning of DO con-tent in the production process of aquaculture ships.第 19 卷第 4 期南 方 水 产 科 学Vol.19，No.42023 年 8 月South China Fisheries ScienceAug.，2023收稿日期：2022-11-23；修回日期：2023-03-13基金项目：广东省海洋经济发展(海洋六大产业)专项资金资助项目(GDNRC202142)；湛江市海洋装备和海洋生物揭榜挂帅制人才团队专项资金资助项目(2021E05034)；南方海洋科学与工程广东省实验室(湛江)项目(ZJW-2019-01)作者简介：苏辉锋(1995)，男，研究实习员，硕士，研究方向为海洋工程装备、渔业设备研发。E-mail:通信作者：陈潇(1986)，男，高级工程师，本科，研究方向为海洋工程装备、渔业设备研发。E-mail:chenxiao_Keywords:Aquaculture ship;Dissolved oxygen;Convolutional neural network;Gated recurrent unit近年来，深远海养殖受到国内外广泛关注1。封闭式养殖工船，作为一种可走向更远、更深海域的新型养殖设施2，已被越来越多地研发和应用。循环水养殖是养殖工船发展的主要技术路线之一3，溶解氧(Dissolvedoxygen,DO)含量是养殖工船水环境的一个重要参考指标，直接关系到鱼的生长质量，DO 不足会使鱼产生应激反应、食欲下降、饲料转化减少、生长缓慢、抵抗力下降甚至急性死亡4-6。然而，养殖水体中的 DO 受天气、水质和人类活动等多种因素影响，具有时滞大、非线性、不稳定等特点7。因此，加强对 DO 的预测研究，提高预测精度，可以使养殖户及时采取适当措施，避免造成巨大损失。目前，DO 预测已被广泛研究，最常见的预测模型有BP 神经网络预测模型、支持向量机预测模型、极限学习机预测模型和递归神经网络(Recurrentneuralnetwork,RNN)模型等8-13。然而，现有大多数 DO 预测模型都采用结合模型参数优化算法的单一模型14-15，预测结果虽然具有一定的准确性，但无法从中提取数据的局部特征，容易引入冗余数据，使预测模型存在一定的局限性。卷积神经网络(Convolutionalneuralnetwork,CNN)是深度学习模型的一个重要分支，具有很强的序列特征提取能力16。长短期记忆(Longshort-termmemory,LSTM)因能解决长期依赖性问题而被广泛应用于时间序列数据预测17-18。门控循环单元(Gatedrecurrentunit,GRU)是 LSTM 的改进模型，模型更简单、参数更少、训练速度更快，尤其在原始数据较少的情况下，GRU 的预测效果要明显优于 LSTM19-21。然而，由于 GRU 网络具有数据挖掘不充分的缺陷，当预测长度较长时其预测精度会降低。由 CNN 和 LSTM 或 GRU 组合而成的混合模型已在故障识别、环境监测、风力发电和语音识别等领域被广泛研究、应用22-26，但在水产养殖中的应用仍较少。本文通过在养殖工船上进行卵形鲳鲹(Trachinotus ova-tus)养殖试验，以养殖过程中采集的数据为样本，充分利用 CNN 提取序列特征的能力和 GRU 对时间序列预测的优越性，建立了一种 CNN-GRU 溶解氧预测混合模型，对养殖舱的水体 DO 进行预测。并采用多个评价指标，将 CNN-GRU 模型与 CNN、LSTM、GRU 等 3 种模型的预测效果进行比较，验证了该混合模型的优越性。1 试验与预测方法 1.1 养殖试验方法养殖试验在一艘经过改造的养殖工船上进行，每个养殖舱设有独立的循环水系，通过专用的循环水泵从海水总管中抽取海水，并经过 4 个角上各 4 个喷头输送到养殖舱内。喷头之间互成角度，使养殖舱内的水形成一个旋转流场，经过循环后的养殖水通过底部排水口排到舷外(图 1)。养殖舱为 4m4m4.16m 的长方体，在水深 3m 的养殖状态下，每个养殖舱的养殖水体约为 46m。养殖试验船上配备一套监测系统，对养殖过程中的水质情况、鱼类行为、船体姿态以及养殖设备运行状态进行实时在线监测、显示、报警和记录等。其中，水质监测系统通过多参数传感器对养殖舱中的水温、pH、DO、盐度进行采集，并将数据实时发送至监控主机，水质传感器安装在可移动支架上，具体规格见表 1。由于养殖舱很小，进水口又是在四角，养殖舱的流场较好，DO 含量在养殖舱中的分布较均匀，同时考虑到大部分卵形鲳鲹在水下 2/3 的范围活动，养殖过程中将水质传感器移动至养殖舱 1/3 高度的位置。养殖舱监控系统的结构简图和实物图如图 2所示。养殖试验地点位于广西壮族自治区北海市广西精工深水网箱养殖区，水深 13m，平均水温 22.70，盐度图1 养殖舱Fig.1 Aquaculture water tank第4期苏辉锋等:基于 CNN-GRU 混合模型的养殖工船水体溶解氧预测研究17515.1033.58，pH7.68.4，DO 质量浓度5mgL1，化学耗氧量平均值为 1.35mgL1，水体悬浮物质量浓度3106mgL1，无机磷和无机氮的质量浓度分别介于 0.0290.064mgL1和 0.0690.120mgL1。本试验养殖对象为体质量规格(30050)g 的卵形鲳鲹，为避免试验过程中因个体死亡改变养殖数量，选择较低的养殖密度(3.5kgm3)。养殖全程采用非增氧方式，养殖舱的水质通过改变循环水流量进行调节，养殖过程中每天在 7:00、12:00 和 17:00 按时对卵形鲳鲹进行 3 次投喂，投喂量分别为鱼体质量的 1.6%、0.8%和 1.6%。1.2 CNN-GRU 预测混合模型1.2.1CNN 网络CNN 是一种前馈型深度学习神经网络，专门处理具有明显网格状的拓扑数据，广泛应用于特征提取、模式识别、自然语言处理、图像和视频处理27。CNN 有一维、二维和三维的，由于 DO 预测的输入数据是一维的，因此，采用一维卷积神经网络(One-dimensionalconvolutionalneu-ralnetwork,1DCNN)模型捕获敏感信息，实现数据的特征提取。1DCNN 的计算公式如下:yi=tanh(kj=1jxij+k+b)(1)yijkb式中：为输出的特征数据；为卷积核的权重矩阵；为卷积核个数；为偏差值；tanh 为激活函数。1.2.2GRU 网络hcitotfthrzGRU 和 LSTM 是最常用的两种递归神经网络，能够用来处理梯度消失和梯度爆炸问题，LSTM 的架构如图 3 所示，由 2 个状态变量(即隐藏状态变量 和单元状态变量)和 3 个门(即输入门、输出门、遗忘门)组成28-29。GRU 由 Chuang 等30提出，是 LSTM 的改进方案，其所需的训练时间更短，网络性能更佳。GRU 将 LSTM 的 2 个状态变量合并为 1 个隐藏状态变量，并引入 2 个计算门(即重置门 和更新门)，GRU 中门的总数比 LSTM 少，故在同样的计算精度下其计算速度更快31。GRU 单元结构如图 4 所示，计算公式如下：ht=(1 zt)ht1+zt ht(2)zt=(Wz ht1,xt)(3)rt=(Wr ht1,xt)(4)表1 水质传感器规格Table 1 Water quality sensor specification水质参数Parameter of water quality测量范围Range of measurement精度Precision分辨率Resolution ratio型号Model品牌Brand溶解氧质量浓度 DO/(mgL1)0202%(满量程百分比)LDO II哈希 Hach温度 Temperature/0500.50.1 MPS-400凯米斯 CheminspH0140.10.01MPS-400凯米斯 Chemins盐度 Salinity/01003.5%(满量程百分比)0.1MPS-400凯米斯 Chemins进水口Water inlet水质传感器sensorWater quality 可移动支架Movable bracket排水口Water outlet循环水泵Circulating water pump溢流口海水总管Sea water pipe图2 养殖舱监控系统结构简图和实物图Fig.2 Schematic diagram and physical diagram of aquaculture tank monitoring system176南方水产科学第19卷ht=tan(W rt ht1,xt)(5)ttxt式中：表示两个向量的连接；W 表示权重矩阵；表示当前时刻，1 表示前一时刻；为当前时刻输入；为激活函数。1.2.3CNN-GRU 混合模型CNN-GRU 混合模型结构如图 5 所示，由输入层、CNN 网络、GRU 网络和输出层 4 部分构成，其中 CNN 网络包含 1 个卷积层和 1 个池化层，GRU 网络包含 1 个GRU 层和 1 个全连接层。在该模型中，将采集到的特征数据经过预处理后输入到 CNN 层，经过卷积和池化操作自动提取特征，从而降低数据的维度，得到新的特征向量；再将新的特征向量输入 GRU 层，由其进行时间特征的提取，为解决相隔较远的数据之间彼此影响的问题，将 GRU 层输出的时序特征输入到全连接层进行处理，进而预测 DO含量。1.3 评价指标为了评估所建模型的性能，选用了 3 种不同的评价指标，分别是均方根误差(Rootmeansquareerror,RMSE)，平均绝对误差(Meanabsoluteerror,MAE)和决定系数 R2，各评价指标计算公式如下：ERMSE=1nni=1(b yi yi)2(6)EMAE=1nni=1|b yi yi|(7)R2=1 ni=1(yib yi)2ni=1(yi yi)2(8)nb yiyiyi式中：表示数据集的数量；为预测值；为真实值；为真实数据平均值。在各评价指标中，ERMSE和 EMAE的值越小，则模型的预测值越接近真实值，模型越好；R2越接近 1，模型的拟合效果越好。2 结果与分析 2.1 试验数据和数据预处理本文试验数据通过养殖工船的水质监测系统进行采集，2021 年 10 月 28 日2021 年 11 月 14 日共养殖 18d，采样间隔为 15min，共获得了 1728 组数据。在线采集的数据有 DO 含量、温度、pH、盐度、循环水流量。养殖工船的水质监测系统在采集数据过程中，会存在网络不稳定、断电或者对水质传感器进行检修清洗等不确定因素，因此采集到的样本数据存在部分异常值和缺失值，为保证数据的真实性，有必要对其进行预处理。忽略缺失数据和插补方法是处理数据缺失的两种方法。由于时间序列数据缺失不能忽略，因此需要用插补法对缺失数据进行填充32。对于数据缺失，若所缺失数据的前后间隔时间不足 3h，则采用如式(9)所示的线性插值法对缺失的数据进行填充；若超过 3h，则采用如式(10)所示公式进行加权平衡处理：ftht1xttanhtanhctithtcthtotct1图3 LSTM 单元示意图Fig.3 Schematic diagram of LSTM unitxttanhcthtztrththt11+图4 GRU 单元示意图Fig.4 Schematic diagram of GRU unit输入层Input layer卷积层Convolution layer池化层Pooled layerGRU 层GRU layer全连接层Fully connected layer门控循环单元GRU卷积神经网络CNN输出层Output layer图5 CNN-GRU 网络结构图Fig.5 Structure diagram of CNN-GRU network第4期苏辉锋等:基于 CNN-GRU 混合模型的养殖工船水体溶解氧预测研究177xk+i=xk+i(xk+jxk)j(0 i j)(9)x(d,t)=ix(di,t)(10)xkxk+jxk+ik+ix(d,t)dtx(di,t)dditi式中：、为第 k、k+j 时刻采集的水质数据；为第时刻缺失的水质数据；为第 天 时缺失的水质数据；为与第 天距离最近的第天的 时刻水质数据；为权重，此处取 i=3。3异常数据是指在一段时间范围内采集到的一组数据中偏离大多数据的个别数据。本文对异常数据采用的判断方法是原则，即当采集到的数据大于3倍标准差时，该数据被判定为异常值。对数据异常值的处理方法是将其删除，再采用处理数据缺失的方法对其进行填充。2.2 相关性分析养殖工船上监测系统采集的变量有多个，有些变量的变化对 DO 含量影响非常小，可以通过对每个输入变量与DO 的相关关系进行分析，剔除一些无关变量。本文采用的是 Pearson 相关系数法，其计算公式如下：r=ni=1(Xi X)(Yi Y)ni=1(Xi X)2ni=1(Yi Y)2(11)XiYiiXY式中：r为皮尔逊相关系数；、是变量X、Y对应的点观测值；是X样本的平均数；是Y样本的平均数。rrrrrrrr的输出值范围为1,1，当 为正数时，表示两个变量之间存在正相关关系，当 为负数时，表示两个变量之间存在负相关关系。当|0.8,1时，表示两个变量之间存在极强相关性；当|为0.6,0.8)时，表示两个变量之间存在强相关性；当|为0.4,0.6)时，表示两个变量之间存在中等程度相关性；当|为 0.2,0.4)时，表示两个变量之间存在弱相关性；当|为0,0.2)时，表示两个变量之间极弱相关或者无相关。将各变量的原始数据进行预处理后，进行 Pearson 相关性分析，结果显示 DO、温度、pH、循环水流量、盐度与DO 的 Pearson 相关性系数分别为 1、0.625、0.579、0.315、0.118，P 均小于 0.001。因此，DO 与温度有强相关关系，与 pH 有中等程度相关关系，与流量有弱相关关系，而与盐度的相关关系极弱或者不相关。所以，可以选择 DO、温度、pH 和循环水流量这 4 个变量作为模型的输入参数。2.3 模型参数设置深度学习网络模型构建中有两类参数，一类为普通参数，是模型可以根据数据自动学习出的参数，如偏差、权重等；另一类为超参数，在模型运行之前就需要人为设置的参数，如卷积核大小、网络层数、学习率、损失函数等。超参数具有未知性，通常是根据经验调试出来的。表 2 为 CNN、LSTM、GRU 和 CNN-GRU 模型的部分超参数。此外，4 种模型均使用 Adam 优化器对模型进行编译，模型的学习速率均为 0.01，Dropout 为 0.1。2.4 模型对比将经过预处理后的数据分为训练集和测试集两部分。其中，以 2021 年 10 月 28 日2021 年 11 月 13 日共 1632组数据作为训练集，以 2021 年 11 月 14 日共 96 组数据作为测试集。4 种模型的预测结果如图 6 所示，图中横坐标为 11 月 14 日的数据点。从 4 个预测图可以观察到，CNN 的预测效果最差，预测过程中存在较大的波动；LSTM 和 GRU 的预测效果较好，预测曲线与实际值较相近，CNN-GRU 的预测效果最好，预测值与实际值的偏差很小。为了比较 4 个模型在预测养殖舱 DO 含量方面的性能，使用性能评价指标进行了评价，4 个模型的 RMSE、MAE 和 R2如表 3 所示，CNN 模型的预测效果最差，本文使用的 CNN-GRU 模型预测效果最好。通过计算，采用CNN-GRU 组合模型比采用单个 CNN 模型的 RMSE 和MAE 分别降低了 31.2%和 36.4%，决定性系数 R2提高了3.2%；采用 CNN-GRU 组合模型比采用单个 GRU 模型的RMSE 和 MAE 分别降低了 13.8%和 26.3%，决定性系数R2提高了 1.0%。此外，对比 LSTM 和 GRU 模型的预测性能，两个模型的性能相似，因此，GRU 和 LSTM 均可准确预测 DO 含量。但在实际应用中，还应考虑模型的训练时间。本文分别对两个模型进行 100、500 和 1000 轮训练，LSTM 耗时分别为 97、443 和 922s，GRU 耗时分别为69、339 和 640s，可看出 GRU 模型具有更快的训练速度，这与使用较少门的 GRU 一致。结果表明，GRU 具有较好的整体性能，因此本文选用性能更好的 GRU 网络来构表2 4 种预测模型的超参数设置Table 2 Hyperparameter setting of four prediction models模型 Model参数 Paramenter卷积神经网络 CNN卷积核个数：3卷积核大小：32长短期记忆 LSTM隐藏层个数：128全连接层神经元个数：128门控循环单元 GRU隐藏层个数：128全连接层神经元个数：128卷积神经网络-门控循环单元CNN-GRU卷积核个数：3卷积核大小：32GRU隐藏层个数：128全连接层神经元个数：128178南方水产科学第19卷建 CNN-GRU 溶解氧预测混合模型。基于以上分析，本文提出的 CNN-GRU 模型对 DO 含量的预测具有最高精度，各个评价指标均优于单一模型，这对养殖工船养殖水体 DO 的预警和调控具有重要的参考意义。3 小结与展望为了提高养殖工船水体 DO 的预测精度，本文提出了一种基于 CNN-GRU 的 DO 预测混合模型，以卵形鲳鲹养殖试验过程中采集到的水质数据为样本进行预测，得出以下结论：1)采用 Pearson 相关性分析剔除与 DO 无关的变量，选取了 DO、温度、pH 和循环水流量 4 个变量作为模型的输入参数，消除了变量之间的不相关性和冗余，减少了输入数据的维度，加快了模型的训练速率；2)GRU 模型在时间序列预测方面与 LSTM 相当，但 GRU参数更少，收敛速度更快，在 100、500 和 1000 轮训练中，GRU 比LSTM 分别快 28.9%、23.5%和 30.6%；3)将该模型与传统单一的 CNN、LSTM 和 GRU 预测模型作比较，发现该模型的预测效果最好，其 RMSE、MAE 和 R2分别为 0.119mgL1、0.084mgL1和 0.976，各项评价指标均为最优，预测精度有较大的提升。本文数据是在卵形鲳鲹养殖试验中获取的，具有较强的现实意义。但由于试验条件限制，养殖试验船上采集的参数有限，试验周期偏短，而 DO 含量受多种因素影响，后续可以结合当地的气象、海况等进行更长周期的试验，同时增加养殖工船传感器，获取更完善的数据集对模型进行训练，增强模型的泛化性。此外，本养殖试验中的养殖舱空间较小，流场容易控制，DO 分布比较均匀，而大型养殖工船的养殖舱很大，舱中 DO 分布并不均匀；因此，未来可对养殖舱的水质进行多点取样，在对 DO 预测的同时考虑空间因素，进一步提高模型的预测精度33。表3 4 种模型的预测性能Table 3 Predictive performance of four models模型Model均方根误差RMSE/(mgL1)平均绝对误差MAE/(mgL1)决定性系数R2卷积神经网络 CNN0.1730.1320.945长短期记忆 LSTM0.1430.1200.956门控循环单元 GRU0.1380.1140.966卷积神经网络-门控循环单元 CNN-GRU0.1190.0840.976020406080(a)卷积神经网络 CNN1005.05.56.06.57.07.58.08.5溶解氧质量浓度Mass concentration of DO/(mgL1)020406080(b)长短期记忆 LSTM1005.05.56.06.57.07.58.08.5溶解氧质量浓度Mass concentration of DO/(mgL1)020406080数据点 Data point(c)门控循环单元 GRU1005.05.56.06.57.07.58.08.5溶解氧质量浓度Mass concentration of DO/(mgL1)预测值 Predicted020406080数据点 Data point(d)卷积神经网络-门控循环单元 CNN-GRU1005.05.56.06.57.07.58.08.5溶解氧质量浓度Mass concentration of DO/(mgL1)实际值 Observed图6 4 种模型预测结果Fig.6 Prediction results of four models第4期苏辉锋等:基于 CNN-GRU 混合模型的养殖工船水体溶解氧预测研究179本文提出的 CNN-GRU 混合模型预测效果最佳，预测结果与 DO 的实际值变化趋势接近，能够很好地描述DO 的动态特性，为养殖工船水质监测和管理提供了有力的依据。在后续研究中可进一步延长试验时间、增大养殖舱、增加水质监测点位以积累更多的数据，从而进一步提高预测模型的准确性，扩展预测模型的适用范围。参考文献：刘敏.大型养殖工船运营实践与展望 J.船舶工程,2021,43(4):18-23.1崔铭超,鲍旭腾,王庆伟.我国深远海养殖设施装备发展研究J.船舶工程,2021,43(4):31-38.2AHMED N,TURCHINI G M.Recirculating aquaculture systems(RAS):environmental solution and climate change adaptationJ.J Clean,2021,297:126604.3SAMARAS A,TSOUKALI P,KATSIKA L,et al.Chronic impact ofexposure to low dissolved oxygen on the physiology of Dicentrar-chus labrax and Sparus aurata and its effects on the acute stressresponseJ.Aquaculture,2023,562:738830.4JIANG X Y,DONG S L,LIU R X.Effects of temperature,dis-solved oxygen,and their interaction on the growth performanceand condition of rainbow trout (Oncorhynchus mykiss)J.JTherm Biol,2021,98:102928.5NEILAN R M,ROSE K.Simulating the effects of fluctuating dis-solved oxygen on growth,reproduction,and survival of fish andshrimpJ.J Theor Biol,2014,343:54-68.6LIU Y Q,ZHANG Q,SONG L H,et al.Attention-based recurrentneural networks for accurate short-term and long-term dissolvedoxygen predictionJ.Comput Electron Agric,2019,165:104964.7杨争光,范良忠.基于 MEC-BP 神经网络在水产养殖水质预测中的应用 J.计算机与现代化,2015(6):32-36.8汤铠源.基于 HDE 算法的 FA-BP 神经网络溶解氧浓度预测控制研究 D.马鞍山:安徽工业大学,2019:48-55.9YANG Y T,TAI H J,LI D L.Real-time optimized predictionmodel for dissolved oxygen in crab aquaculture ponds using backpropagation neural networkJ.Sens Lett,2014,12(3/4):723-729.10袁红春,潘金晶.改进递归最小二乘 RBF 神经网络溶解氧预测J.传感器与微系统,2016,35(10):20-23.11刘晨,李莎,丛孙丽,等.基于 EEMD 和萤火虫算法优化SVM 的溶解氧预测 J.计算机仿真,2021,38(1):359-365.12施珮,匡亮,袁永明,等.基于改进极限学习机的水体溶解氧预测方法 J.农业工程学报,2020,36(19):225-232.13GUO J J,DONG J Q,ZHOU B,et al.A hybrid model for the pre-diction of dissolved oxygen in seabass farmingJ.Comput Elec-tron Agric,2022,198:106971.14孙龙清,吴雨寒,孙希蓓,等.基于 IBAS 和 LSTM 网络的池塘水溶解氧含量预测 J.农业机械学报,2021,52(S1):252-260.15ZHANG K Y,CHEN J L,ZHANG T C,et al.A compact convolu-tional neural network augmented with multiscale feature extrac-tion of acquired monitoring data for mechanical intelligent faultdiagnosisJ.J Manuf Syst,2020,55:273-284.16BHANDARI H N,RIMAL B,POKHREL N R,et al.Predicting17stock market index using LSTMJ.Mach Learn Appl,2022,9:100320.庞传军,张波,余建明.基于 LSTM 循环神经网络的短期电力负荷预测 J.电力工程技术,2021,40(1):175-180.18ZARZYCKI K,AWRYCZUK M.Advanced predictive controlfor GRU and LSTM networksJ.Inf Sci,2022,616:229-254.19AYZEL G,HEISTERMANN M.The effect of calibration datalength on the performance of a conceptual hydrological modelversus LSTM and GRU:a case study for six basins from theCAMELS datasetJ.Comput Geosci,2021,149:104708.20OZDEMIR A C,BULU K,ZOR K.Medium-to long-term nickelprice forecasting using LSTM and GRU networksJ.Resour Poli-cy,2022,78:102906.21DEY P,CHAULYA S K,KUMAR S.Hybrid CNN-LSTM and IoT-based coal mine hazards monitoring and prediction systemJ.Process Saf Environ Prot,2021,152:249-263.22ATILA O,ENGR A.Attention guided 3D CNN-LSTM modelfor accurate speech based emotion recognitionJ.Appl Acoust,2021,182:108260.23REN J,YU Z P,GAO G L,et al.A CNN-LSTM-LightGBM basedshort-term wind power prediction method based on attentionmechanismJ.Energy Rep,2022,8:437-443.24ARASH M,HAMID T,BEHNAM M L,et al.Hybrid CNN-LSTMapproaches for identification of type and locations of transmis-sion line faultsJ.Int J Electr Power Energy Syst,2022,135:107563.25贾 睿,杨 国 华,郑 豪 丰,等.基 于 自 适 应 权 重 的 CNN-LSTM&GRU 组合风电功率预测方法 J.中国电力,2022,55(5):47-56.26高震宇.基于深度卷积神经网络的图像分类方法研究及应用 D.合肥:中国科学技术大学,2018:4-5.27王锦涛,文晓涛,何易龙,等.基于 CNN-GRU 神经网络的测井曲线预测方法 J.石油物探,2022,61(2):276-285.28ARUNKUMAR K E,KALAGA D V,KUMAR C M S,et al.Com-parative analysis of Gated Recurrent Units (GRU),long short-term memory (LSTM)cells,autoregressive integrated movingaverage (ARIMA),seasonal autoregressive integrated movingaverage(SARIMA)for forecasting COVID-19 trendsJ.Alex EngJ,2022,61(10):7585-7603.29CHUNG J,GULCEHRE C,CHO K H,et al.Empirical evaluationof gated recurrent neural networks on sequence modelingJ.Arxiv Org,2014.DOI:10.48550/arXiv.1412.3555.30GAO S,HUANG Y F,ZHANG S,et al.Short-term runoff predic-tion with GRU and LSTM networks without requiring time stepoptimization during sample generationJ.J Hydro