随着水产养殖业的快速发展,加强养殖水质预测关键技术研究,提升水产养殖灾防灾能力,保障水产养殖安全生产已成为渔业生产的关键内容之一。在养殖池塘中,溶解氧(dissolved oxygen,DO)是养殖池塘水质的一项重要指标,氧气不足会对鱼类的生存环境产生不利影响。准确预测未来水中溶解氧变化趋势,建立准确、实用的预测模型对于水产养殖业具有重要的现实意义。目前,物联网和大数据技术在水产养殖溶解氧预测中应用尚处于摸索和尝试阶段,溶解氧预测模型依然停留在实验室研究阶段,要使溶解氧预测达到实用化水平,关键要提高预测模型精度,其次是实现在线预测。本文以水产养殖溶解氧为研究对象,搭建多尺度养殖环境物联网系统,运用机器学习方法建立溶解氧预测模型,实现快速响应的溶解氧在线预测应用。主要研究内容及结论如下:(1)为了给溶解氧预测模型提供全面、准确的数据来源,首先研究水产养殖池塘中溶解氧变化过程,分析时空多尺度环境因子与溶解氧的关系。进而得出需要监测的水质指标为溶解氧,7个水体因子(水温、p H、氨氮、总氮、总磷、高锰酸盐和亚硝酸盐)和5个气象因子(气温、风速、气压、光照和湿度)。接着通过NB-Io T技术获取多尺度环境信息,将三类不同来源的环境信息(水质传感器数据、水质化学在线检测数据和气象数据)由NB模组发送至Io T云服务平台,实现了云平台南向设备对接和北向应用,为后面溶解氧预测提供多尺度环境来源。(2)通过对溶解氧时间序列进行自相关分析,发现溶解氧具有较强的非线性、非平稳性及混沌特性,验证了时间序列具有可预测性。提出“分解-预测-重构”的预测思路,构造出一种溶解氧时间序列预测模型(EEMD-LSSVM)。该模型首先对溶解氧时间序列进行集合验模态分解(EEMD)分解,接着采用样本熵法(SE)将EEMD分解后的分进行分析,合并同性质分,重组成随机分、细节分和趋势分三种分,从而少建模的数。为了进一步挖掘三种分中的信息和消除多步预测的累积误差,采用C-C法对三种分进行相空间重构,合理地构造出预测模型的输入、输出向,随后用自适应蚁群算法(AACO)优化最小二乘支持向机(LSSVM)参数,建立最优预测模型结构,从而获得3种分的预测结果,最终用BP神网络的非线性叠加取代自适应叠加,得到最终预测结果。实验表明,AACO优化LSSVM的精度要高于粒子算法优化LSSVM和人工蜂群算法优化LSSVM,该样本熵法重构EEMD-LSSVM的组合预测模型的预测精度高于EMD-LSSVM模型、DWT-LSSVM模型、BP模型、ELM模型、AMIMA模型和标准LSSVM模型。该模型的预测值与实测值的均方根误差RMSE为0.1745、平均相对误差均值MAPE为0.0074、平均绝对误差MAE为0.1309,决定系数R2为0.9843。表明该模型有较好的预测精度和泛化能力,是一种普适应用的单因子溶解氧时间序列短期预测模型。(3)水产养殖高端、精细化养殖提出鲁棒性的长时域预测需求。针对这一问题,考虑池塘中的溶解氧受多种环境因素影响,提出一种新颖的基于相似日聚类的多因子溶解氧预测模型。该模型是基于灰色关联分析关键因子、K-means聚类选取相似日样本、EEMD分解、样本熵合并、ELM预测和BP重组的组合预测模型。首先,在对多尺度环境因子原始数据进行时间同步处理的基础上,通过灰色关联法筛选出水温、p H、氨氮和光照作为最相关的溶解氧环境因子,消除因素间的冗余,降低输入维度。用K-means聚类方法选取与预测日具有高度相似特征的相似日数据,得到了最优样本。接着,采用集合验模态分解(EEMD)将溶解氧、水温、p H、氨氮和光照时间序列分别分解为若干子序列,降低序列的噪声。然后,采用样本熵方法合并子序列以获得趋势分、随机分和细节分,以少计算。采用计算快、收敛快的极端学习机(ELM)预测三个分。最后,通过BP神网络叠加三种分预测值来获得最终预测结果。将本模型与不过相似日聚类、所有样本集进行预测的模型进行比较,结果发现本模型相对于其他模型(MF-SVM、MF-ELM和MF-LR)拟合度最高、误差也最小。进一步将单因子时间序列EEMD-LSSVM模型和本模型在常规持续不变天气和突变天气下进行比较,发现本模型更适合长时域预测,另外,该模型对突变天气有着更强的泛化能力和更好的鲁棒性。(4)为实现水产养殖溶解氧预测在线实用化,提出基于两级中间件响应速度优化的水产养殖预测应用设计。第一级中间件位于底层设备与服务器里的数据库之间,为不同设备、云平台与应用程序间的环境数据和命令提供统一简单的协议格式、复用程度高的标准化接口。服务器应用程序接收NB-Io T云平台数据时,通过统一格式及对海的水质环境数据进行预处理,将数据传输到服务器数据库;同时,对应用系统发送的控制指令进行解析包装,也以统一格式通过云平台发送给不同的控制设备;第二级中间件是位于Web应用请求与服务器里的数据库之间,为溶解氧预测做好数据解析、提取和封装工作,以简单的形式返回给应用系统,大大少了对数据库的操作,轻应用系统繁重的数据处理负担。在此基础上实现了Web和Andriod应用系统,利用Matlab和Java进行混合编程,导入溶解氧预测算法模型,降低实现复杂度,拓展技术实现的可行性,实现了溶解氧预测结果在线实用化。