基于集合经验模态分解和人工蜂群算法的工厂化养殖pH值预测

徐龙琴，李乾川，刘双印※，李道亮（.广东海洋大学信息学院，湛江 5405；　.加州大学洛杉矶分校文理学院，洛杉矶 9004；.中国农业大学北京市农业物联网工程技术研究中心，北京 0008）



基于集合经验模态分解和人工蜂群算法的工厂化养殖pH值预测

徐龙琴1，李乾川2，刘双印1※，李道亮3
（1.广东海洋大学信息学院，湛江 524025；2.加州大学洛杉矶分校文理学院，洛杉矶 90024；3.中国农业大学北京市农业物联网工程技术研究中心，北京 100083）

摘要：针对单一预测模型预测养殖pH值精度低等问题，提出集合经验模态分解（ensemble empirical mode decomposition，EEMD）和改进人工蜂群算法（improve artificial bee colony，IABC）相结合的南美白对虾工厂化养殖pH值组合预测模型。在建模过程中，利用EEMD算法对原始pH值时间序列进行多尺度分解，得到一组平稳、互不耦合的子序列；根据各子序列变化特征选择适宜的单项预测方法并建模，通过改进人工蜂群（IABC）算法优化复杂非线性组合预测模型目标函数权重系数，构建了工厂化养殖pH值非线性组合预测模型。利用该模型对广东省湛江市2014年9月8日－2014年9月15日期间工厂化养殖pH值进行预测，结果表明，该预测模型取得了较好的预测效果，与模拟退火优化BP神经网络（simulated Annealing-BP neural network，SA-BPNN）和遗传算法优化最小二乘支持向量回归机（genetic algorithm-least square support vector regression，GA-LSSVR）对比分析，模型评价指标平均绝对百分比误差MAPE、均方根误差、平均绝对误差MAE和相关系数R2分别为0.0035、0.0274、0.0224和0.9923，均表明该文提出的组合预测模型具有更高预测精度，能够满足实际南美白对虾工厂化养殖pH值精细化管理需要，也为其他领域pH值预测提供参考。

关键词：算法；pH值；水产养殖；组合预测；集合经验模态分解；人工蜂群算法；南美白对虾

徐龙琴，李乾川，刘双印，李道亮. 基于集合经验模态分解和人工蜂群算法的工厂化养殖pH值预测[J]. 农业工程学报，2016，32（3）：202－209.doi：10.11975/j.issn.1002-6819.2016.03.029http://www.tcsae.org

Xu Longqin, Li Qianchuan, Liu Shuangyin, Li Daoliang. Prediction of pH value in industrialized aquaculture based on ensemble empirical mode decomposition and improved artificial bee colony algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(3): 202－209. (in Chinese with English abstract)

Email：hdlsyxlq@126.com

0　引　言

在养殖水环境污染严重、陆地资源日益匮乏和食品安全问题等接踵而至的背景下，集工厂化、信息化、设施化和规模化于一体的新型海水工厂化养殖，是海水养殖业健康可持续发展的必然趋势[1]。在南美白对虾海水工厂化养殖过程中，养殖水质质量直接影响对虾产量和质量，尤其对影响水质质量的关键因子pH值要求较高，只有pH值在7.5～8.3范围内南美白对虾才能快速健康生长[2-3]，pH值过高或过低都严重胁迫对虾生长，诱导疾病爆发，甚至造成大批量死亡，造成巨额经济损失，同时也影响许多水质指标及生物化学的“中和”、“氧化还原”、“硝化和反硝化”等理化反应过程。pH值能综合反映养殖水质质量，是水质变化的风向标。因此，高精度预测pH值，对制定科学合理的水质调控计划，确保南美白对虾在无应激水环境下健康生长，保障海水工厂化养殖绿色低碳、高产高效、健康安全具有重要理论价值和现实意义。

目前国内外学者常采用投影寻踪回归[4]、灰色理论[5]、神经网络[6-9]、支持向量机[10]、最小二乘支持向量机[11-13]等单项预测方法对降水酸雨、废水治理、工业选矿、地下水、新鲜肉类等领域的pH值进行预测，但对水产养殖领域pH值预测应用较少[12]。尤其在南美白对虾工厂化养殖中，pH值调控系统存在结构复杂、多因素交叉耦合，使pH值呈现非线性、大时滞、强干扰、不确定性等特点，若直接采用单项预测方法对pH值进行预测，仅能挖掘和利用该复杂系统的局部信息，对其很难建立精确非线性数学模型。相反，若将多个优势互补预测方法进行优化组合，则可从不同角度提炼出有用信息，达到改善模型拟合能力和提高预测性能。Bates[14]和陈华友[15]等已证明了组合模型预测误差平方和不大于参与组合的各个单项模型的预测误差平方和最小值。组合预测方法已成为国内外预测界的研究热点，并在一些领域取得成功应用[16-23]。而组合预测核心问题就是如何确定参与组合预测各单项预测模型的权重系数使预测精度更高，但该问题至今尚无成熟的理论和方法。

水产养殖水质组合预测模型权重系数确定问题具有多变量、非线性、结构复杂等特点，该问题求解是一类复杂的多目标优化问题。目前，国内外学者对解决此类问题已做了许多研究，提出了遗传算法（genetic algorithm，GA）[11]、人工鱼群优化算法（artificial fish school algorithm，AFS）[12]、粒子群优化算法（particle swarm optimization，PSO）[24]、蚁群优化算法（ant colony optimization，ACO）[25-26]、差异进化算法（differential evolution，DE）[27]等群集智能优化算法，并在一些参数辨识、多目标优化等领域得到了成功应用。但这些算法各自有不同的生物学背景，在生物进化过程中各自侧重点不同，使这些算法在应用过程中存在易出现早熟、进化迭代后期，难以保持种群多样性，难以获得全局最优解，收敛速度慢等不足。人工蜂群算法[28]（artificial bee colony，ABC）是模拟自然界蜜蜂寻找蜜源、所采取的信息收集与共享过程的一种新型群集智能优化算法，它与传统群集智能算法相比，具有参数设置少、操作简单、鲁棒性强、收敛速度快、更好全局寻优能力，并成功应用于参数辨识[29]、图像处理[30]、预测[31-34]等领域。

结合南美白对虾工厂化养殖水体pH值相关特性，在研究前人成果基础上，本文提出了基于集合经验模态（ensemble empirical mode decomposition，EEMD）多尺度分解和改进人工蜂群（improve artificial bee colony，IABC）的工厂化养殖水体pH值组合预测模型。通过聚类经验模态分解对复杂pH值时间序列进行多尺度分解，得到一系列具有不同特征尺度的本征模态函数（intrinsic mode function，IMF），然后据各IMF分量特点选择适宜的单项预测方法进行建模，并采用改进人工蜂群算法对组合预测模型参数进行优化，得到优化组合预测模型。最后，将该模型应用于广东省湛江市南美白对虾工厂化养殖某池塘pH值预测中，取得较好的预测效果。与单项pH预测模型对比分析，研究表明，本文所构建的组合预测模型预测精度较高、预测性能均优于单项预测模型，能够为水产养殖领域水质科学化调控管理提供参考依据。

1　集合经验模态分解原理

经验模态分解的基本思想[35]：根据时序信号的局部时间特征尺度，通过筛过程（sifting process）自适应地从非平稳时序信号中提取反映时序信号内在特征的本征模态函数IMF，但在应用研究中发现，EMD在分解过程中存在模态混叠和问题，易造成IMF物理意义缺失[36-37]。

为克服EMD模态混叠现象的缺陷，Wu等根据白噪声信号在整个时频空间均匀分布的统计特性[36]，提出了集合经验模态分解（EEMD），即在每次分解时给信号加入有限幅值且服从正态分布的白噪声信号，使原信号在不同尺度上具有连续性，且改变信号极值点特性，有效克服EMD存在的模式混叠问题。对一给定复杂的pH值时序信号x(t)，EEMD分解主要步骤如下：

1） 在原始信号x(t)中加入服从（0，(αε)2）正态分布的白噪声n(t)，α和ε分别为噪音强度参数和信号的标准差，获得加噪声后信号X(t)，即：

2） 对X(t)进行EMD分解，得到一组IMF分量cj(t)和一个剩余分量RN(t)[36]。

3） 对每次待分解信号x(t)都加上均方根相等的不同白噪声序列ni(t)，i＝1，2，…，j，对以上两步重复执行 j次，得到不同的IMF分量和剩余分量RiN(t)[36]，即

式中cij(t)表示第j次加入白噪声序列后分解得到的第i个IMF分量。

4） 依据不相关的随机序列统计均值为0的原理，整体平均计算各分量cij(t)的值，以消除因多次添加白噪声信号对实际IMF的干扰，获得pH时序信号x(t)的EEMD最终多尺度分解结果为

2　改进人工蜂群算法

在人工蜂群算法（artificial bee colony，ABC）ABC算法中，食物源的位置代表优化问题的可行解，食物源质量代表优化问题的适应度值[29]；雇佣蜂引导算法进化方向，跟随蜂提高算法收敛速度，侦察蜂协助算法跳出局部极值。对于一个D维的全局优化问题可以表示为

式中f(X)表示目标函数，D表示组合优化参数的数量，[li,ui]表示可行解空间，食物源位置X代表优化问题的解，其第i个食物源表示为Xi＝( xi1, xi2,..., xiD)。

在寻优迭代过程中，雇佣蜂根据记忆中食物源位置进行邻域搜索附近更好的食物源，即由记忆解Xij产生一个候选解，其搜寻新食物源的位置表达式为

式中Vij、Xij和Xkj分别表示新食物源位置、当前食物源位置和随机选择的一个邻域食物源位置，rand（−1，1）为尺度调节因子，用来控制从当前食物源位置到新食物源位置的移动尺度，N为食物源数量，k∈（1，2，…，N），j∈（1，2，…，N）；

根据雇佣蜂共享的信息，观察蜂采用轮盘赌法在雇佣蜂搜索到的食物源Xi中选择食物源，其选择食物源概率表达式为

式中Pi为第i个食物源被选择的概率，τi为第i个食物源；fit(τi)为τi食物源的适应度值，适应度越大食物源被选择的概率也越大。然后根据式（7）更新食物源位置。

由ABC算法基本原理中食物源位置更新公式（7）研究发现，式（7）第二项表示邻近食物源与原食物源间的差异信息，但随机选择的Xkj没有考虑当前食物源与邻域个体食物源之间的关系，尤其是进化后期蜂群具有强烈的趋同性，使蜂群基本丧失了群体多样性，该搜索和选择机制都容易造成ABC算法陷入局部极值，严重制约ABC算法的广泛应用。

为弥补标准ABC算法存在的易陷入局部极值的缺陷，本文借鉴文献[38]粒子群算法PSO速度更新策略和文献[39]差分进化策略，通过引入全局最优引导因子和动态位移尺度调节因子改进雇佣蜂和观察蜂搜索食物源的策略，平衡了ABC算法局部搜索和全局搜索的性能，使改进的ABC算法实现了自适应动态搜索，有利于加快算法收敛速度。其新食物源位置更新改进公式如下：

其中，

式中Xbestj表示当前最优解的第j维分量，参数λ、γ、ϖmax和ϖmin一般为常数，t和Tmax分别为当前迭代次数和最大迭代次数，ηij随机取值为−1或1，fi为被优化问题的当前目标函数值，fbest为当前最优目标函数值。

在改进的ABC算法中，全局最优引导因子ϖij引导蜂群对食物源的搜索趋势，ϖij在迭代寻优初期取值较小，有利于降低全局最优解引导作用，提高算法全局搜索能力；在迭代后期取值较大，有利于加速算法向全局最优解的收敛速度。动态位移尺度调节因子ρij具有较大的取值范围，在寻优迭代初期赋予较大位移步长有利于扩展算法搜索空间，在迭代后期fi越接近fbest，ρij取值愈趋近于0，此时步长较小越有利于算法局部寻优。ϖij和ρij使改进的ABC算法在算法迭代初期具有较强的全局搜索能力，以尽可能多地发现全局最优可行解，在迭代后期具有较强的局部搜索性能，大大提高算法的计算精度和收敛速度，克服传统ABC算法易陷入局部极值的缺陷。

3　基于EEMD-IABC的南美白对虾工厂化养殖水体pH值组合预测模型构建

南美白对虾工厂化养殖水体pH值变化受南美白对虾新陈代谢、人为作业活动、游离态CO2、溶解氧、温度、硫化氢、氨氮、亚硝酸盐等众多因素交叉影响，作用机理复杂，使原始pH值时间序列具有较强的非平稳性、大时滞和非线性等特征，如果在预测时把全部影响因素考虑在内直接进行建模，不仅增加预测模型的复杂度，也难以取得较好的预测性能。为此，本文采用EEMD －IABC构建南美白对虾工厂化养殖水体pH值组合预测模型，其组合预测流程图如图1所示，建模步骤如下：

图1　基于EEMD-IABC的养殖pH值组合预测流程图Fig.1　Flowchart of pH value combination forecasting based on EEMD-IABC

1）数据预处理。对在线采集的南美白对虾工厂化养殖水体pH值时间序列数据修复预处理。

2）原始pH值序列多尺度分解。采用EEMD算法对已修复处理pH值时间序列进行多尺度分解，得到n个不同波动频率的本征模态分量（IMF1～IMFn）和一个残差项Rn。

3）基本预测方法的选择与建模。以单项预测方法的成熟度、预测性能和适用范围为准则，结合各分量和残差项的特征，选择比较成熟且广泛使用、预测精度高的单项预测方法作为组合预测的基础。

4）单项预测方法预测和预测结果融合。记第i个分量在t时刻的实测值为yit（i=1，2，…，k），并输入到第i个单项预测模型中得到预测值为ŷit（i=1，2，…，k），则由k种单项预测模型构建的组合预测模型在t时刻的预测值为式中ωi表示各单项预测模型权重系数。

5）组合预测模型权重系数优化。以误差平方和最小为目标，则问题转化为

6）人工蜂群初始化。随机产生T个食物源位置，确定蜂群大小Nc，最大迭代次数Tmax，限制条件Limit，以及参数λ、γ、ϖmax和ϖmin等。

7）雇佣蜂寻找新食物源。雇佣蜂依式（9）在目标函数定义域内寻找新的食物源，计算每个食物源的适应度值，并标记食物源位置和全局最优值食物源。

8）跟随蜂对食物源的选择。跟随蜂根据雇佣蜂分享的信息，根据式（8）轮盘赌法选择较优食物源，计算该食物源的适应度值，并与原食物源适应度值比较，若适应度值大于原食物源适应度值，则标记该食物源为全局最优解，跟随蜂根据式（9）产生新的食物源，否则抛弃该食物源。

9）若某食物源经过Limit次迭代，不能被改进，则丢弃该食物源，此食物源的雇佣蜂变成侦察蜂，并根据式（14）随机搜寻新食物源。

10）迭代终止条件判断。若迭代循环次数达到Tmax，则停止迭代，输出组合预测模型最优参数组合，代入组合模型，加权叠加计算得到组合模型最终预测值。否则，跳转至步骤7），继续迭代搜索最优食物源。

4　实例研究及结果分析

4.1数据样本选择与处理

以广东省湛江市南美白对虾工厂化养殖某池塘的pH值为研究对象，采用广东海洋大学与北京市农业物联网工程技术研究中心联合研制的水产养殖物联网平台，每隔30 min对南美白对虾工厂化养殖水体溶解氧浓度、水温、电导率、水位、pH值等水质参数数据采样1次，采样时间周期为2014年9月8至9月15日，共采集336个样本，以pH值前6天的288个样本作为训练集，后一天的48个样本作为测试集，对提前30 min的养殖水体pH值进行定量预测。监测期间南美白对虾工厂化养殖水体pH值范围为6.7～8.1，其pH值原始数据如图2所示。由图2可知，每天的养殖水体pH值具有周期性变化趋势，且波峰波谷的变化比较显著，使得工厂化养殖水体pH值时间序列呈现出较强的非线性、非平稳和周期性等特征。

图2　pH值原始数据变化曲线图Fig.2　Variation curve of original pH value data

4.2基于EEMD的pH值时间序列数据多尺度分解

为了得到较好的预测效果，获得高质量的时序数据分量，根据第1节集合经验模态分解EEMD对非线性、非平稳数据序列的分解步骤，对在线获取的南美白对虾工厂化养殖水体pH值序列数据进行多尺度分解。由文献[36]可知，当N＝100，白噪音强度参数α∈[0.1,0.3]时，EEMD算法分解效果较好。因此，本文设置α＝0.2，N＝100，标准差ε＝0.25。经EEMD分解得到了8个IMF分量和一个剩余分量R8(t)，养殖pH值分解结果如图3所示。

从图3中可以看出养殖pH值时序数据呈现出明显的多尺度特征。8个IMF分量反映出不同影响因素在不同尺度上对pH值时序数据的影响；剩余分量R8(t)反映出pH值序列长期的变化趋势，这表明南美白对虾养殖后期成虾新陈代谢旺盛，导致养殖池塘水质pH值有整体降低趋势。

图3　基于EEMD的原始pH值分解结果Fig.3　Results of original pH value based on of EEMD

4.3不同尺度序列的单项预测方法选择及组合权重确定

根据第3节组合预测构建过程中单项预测方法选择准则与不同尺度分量的变化特征相结合，选择适宜的单项预测方法共同构建组合预测模型。从图3可知，针对本征模态函数IMF1～IMF3波动较大且较复杂的特点，本文选择具有适应能力较强、拟合精度高、适宜于小样本预测的最小二乘支持向量回归机（least square support vector regression，LSSVR）方法对其进行拟合回归[40]。对于周期性较明显的IMF4～IMF5，本文选择常用于非线性预测、泛化性能较好的BP神经网络对其进行建模。对波动性相对较小IMF6～IMF7，选择适宜于“贫信息”和小样本预测的灰色系统理论（grey system theory，GST）对其预测；对比较平缓的IMF8和剩余分量R8(t)选择非线性回归方法（nonlinear regression method，NRM）进行建模。

在组合预测中，组合权重系数选择的是否恰当，决定着每个单项预测方法输出信息占最终预测结果的比例，且严重制约组合模型的最终预测精度和性能。为此，本文采用Matlab 8.3编写仿真程序，以EEMD分解后不同尺度的pH值各分量作为训练集和测试集，通过第3节改进人工蜂群算法，对各单项预测方法权重组合进行自适应训练优化。IABC算法初始化：蜂群规模为Nc=30，雇佣蜂和观察蜂的数量Ne＝Na＝15，Limit=100，Tmax=500。经过多次试验，当参数ϖmax=1，ϖmin=0.001，λ＝30，γ＝4时，改进人工蜂群取得较好的寻优性能，最终获得了如表1所示8种不同IMF和剩余量R8(t)的预测子模型的最优组合权重系数。

表1　各模型的权重系数Table 1　Weight of each forecasting models

4.4模型验证及对比分析

将表1获得的最佳权重系数构建组合预测模型，对南美白对虾工厂化养殖水体pH值进行预测，其实测值与预测值对比结果如图4a所示，pH值残差卡方检验值曲线如图4b所示。

图5　pH预测值与pH实测值比较及残差卡方检验值Fig.5　Comparison of pH forecasting values and actual pH values and its Chi-square inspection value of residual error

由图4可知，基于EEMD-IABC的组合预测方法能够较好拟合pH值时间序列非线性变化关系，且绝对误差百分比小于0.75%的样本达到93.75%，最大绝对误差百分比为0.893%，有效说明本文所提出基于EEMD-IABC的组合模型具有较高的预测精度；EEMD-IABC组合预测模型也通过了卡方检验，进一步表明EEMD-IABC组合预测方法是一种适宜于工厂化养殖pH值预测的新方法。

为进一步验证本文所提出的组合模型的预测性能，选择文献[7]的模拟退火优化BP神经网络（simulated annealing-BP neural network，SA-BPNN）预测法、文献[11]的遗传算法优化最小二乘支持向量回归机（genetic algorithm-least square support vector regression，GA-LSSVR）方法分别对南美白对虾工厂化养殖水体pH值时序数据进行预测，并选用平均绝对百分比误差MAPE、均方根误差RMSE、平均绝对误差MAE和相关系数R2等评价指标全面评价各模型预测性能[40]。在同种条件下，其各种模型的预测精度统计结果如表2所示。

表2　三种模型预测结果精度分析Table 2　Precision analysis of forecast results for three model

通过表2可知，本文所提出的基于EEMD-IABC的组合模型预测值曲线比GA-LSSVR和SA-BPNN的预测值曲线更逼近实测值变化曲线，GA-LSSVR预测效果次之，SA-BPNN预测方法拟合度最差。在前提条件基本相同的条件下，本文EEMD-IABC组合模型与文献[11]的GA-LSSVR相比，评价指标MAPE、RMSE、MAE分别下降了14.6%、28.6%、27%，R2提高了1.1%；EEMD-IABC组合预测模型与文献[7]的SA-BPNN相比，评价指标MAPE、RMSE、MAE分别下降了56.8%、61.4%和62.8%，R2提高了6.16%。通过上述分析可知：1）采用EEMD算法对pH值时序数据进行分解，多尺度提取pH值的时频特征信息，能够促进提高组合模型的预测精度；2）改进的人工蜂群算法能够自适应获取较好的组合预测模型权重系数，将优势互补的各单项预测方法有机融合，进一步提高了组合预测模型的整体预测性能，使基于EEMD-IABC的pH值组合预测方法能够较好地描述南美白对虾工厂化养殖pH的不同波动频率的本征模态分量和剩余分量之间复杂的非线性关系，且预测曲线与实测值拟合效果明显高于GA-LSSVR和SA-BPNN模型的拟合结果，预测结果符合实际情况。3）对于所有模型性能评价指标，本文提出的EEMD-IABC组合模型都远远优于GA-LSSVR和SA-BPNN的单项预测模型，具有更高的预测精度；4）验证了将多尺度特征提取方法与组合预测方法相结合的组合模型对复杂非线性的时序数据预测的有效性，为南美白对虾工厂化养殖水质科学化调控管理提供决策依据。

5　结论与讨论

1）为提高工厂化养殖水体pH值预测精度，科学化调控养殖水质，降低pH值急剧变化对南美白对虾的胁迫危害。本文采用集合经验模态分解（ensemble empirical mode decomposition，EEMD）和改进人工蜂群算法（improve artificial bee colony，IABC），构建了基于EEMD-IABC的南美白对虾工厂化养殖pH值组合预测模型，并对广东省湛江市南美白对虾工厂化养殖某池塘pH值进行预测。结果表明，该组合预测模型能自动获取最佳的组合模型权重系数，并将优势互补的各单项预测方法有机融合，提高了组合模型的整体预测性能，取得较好的预测效果，可直接应用于实际的南美白对虾工厂化养殖pH值预测工作中。

2）采用集合经验模态分解（EEMD）对复杂非线性和非平稳性的养殖pH值时序数据进行多尺度分解，降低了不同趋势信息之间的互相干扰和非平稳性，有利于深入挖掘pH值时序数据的物理特征和结构信息，提高组合预测性能。

3）将改进人工蜂群算法应用到组合预测模型中，合理解决了组合预测建模过程中组合权重系数优化选择问题，克服了组合权重确定过程中人为因素的影响，试验结果表明，改进人工蜂群算法具有较好的组合权重自适应寻优能力，是一种有效的组合模型权重优化算法。

4）在相同试验环境条件下，基于EEMD-IABC的南美白对虾工厂养殖pH值组合预测模型各项精度评价指标远远优于SA-BPNN，略高于GA-LSSVR模型。从整体上看，本文所提出基于EEMD-IABC的组合预测模型均优于SA-BPNN和GA-LSSVR单项预测模型，具有预测精度高、鲁棒性强，能更好地拟合南美白对虾工厂化养殖pH值各分量之间的非线性关系。

对虾成长过程中，其养殖水环境复杂，本文选择对虾养殖后期pH值为研究对象，旨在探索一种复杂环境下pH值预测模型，结果表明本文选择的预测方法在较复杂的环境下能够满足水质管理需要，那么在其他条件也具有实用性，可为南美白对虾工厂化养殖水质调控管理、养殖规划提供参考依据。

[参考文献]

[1] 刘鹰，刘宝良. 我国海水工业化养殖面临的机遇和挑战[J].渔业现代化，2012，39(6)：1－4. Liu Ying, Liu Baoliang. Opportunities and challenges for marine industrialized aquaculture in China[J]. Fishery Modernization, 2012, 39（6）: 1－4. (in Chinese with English abstract)

[2] 祁真. 对虾生态工程化养殖系统水环境变化及影响因子研究[D]. 杭州：浙江大学，2004. Qi Zhen. Study on Water Environment Variation and Influencing Factor of Shrimp Ecological Engineering Cultivation System[D]. Hangzhou: Zhejiang University, 2004. (in Chinese with English abstract)

[3] 马真. 凡纳滨对虾集约化养殖水质预警模型的研究[D].青岛：中国海洋大学，2010. Ma Zhen. Study on Pre-alarming Water Quality System for Intensively Cultured Litopenaeus vannamei[D]. Qingdao: Ocean University of China, 2010. (in Chinese with English abstract)

[4] 姜微，罗晓虹，姜林，等. IEA－PPR用于降水的pH值预测模型构建[J].化学研究与应用，2005，17(4)：545－547. Jiang Wei, Luo Xiaohong, Jiang Lin. Application of IEA-PPR to the prediction of pH value in precipitation[J]. Chemical Research and Application, 2005, 17(4): 545－547. (in Chinese with English abstract)

[5] Chung C C, Chen H H, Ting C H. Grey prediction fuzzy control for pH processes in the food industry[J]. Journal of Food Engineering, 2010, 96: 575－582.

[6] 尹玉. 基于BP神经网络的脱硫系统pH值预测[D]. 北京：华北电力大学，2013. Yin Yu. The Prediction of PH Value in Desulfurization System Based on BP Neural Network[D]. Beijing：North China Electric Power University, 2013. (in Chinese with English abstract)

[7] 尤丽华，吴静静，王瑶，等. 基于模拟退火优化BP神经网络的pH值预测[J]. 传感技术学报，2014，27(12)：1643－1648. You Lihua, Wu Jingjing, Wang Yao, et al. Optimized BP neural network based on simulated annealing algorithm for pH value prediction[J]. Chinese Journal of Sensors and Actuators, 2014, 27(12): 1643－1648. (in Chinese with English abstract)

[8] 唐朝晖，刘金平，陈青，等. 基于预测模型的浮选过程pH值控制[J].控制理论与应用，2013，30(7)：865－890. Tang Zhaohui, Liu Jinping, Chen Qing, et al. pH control in flotation process based on prediction model[J]. Control Theory & Applications, 2013, 30(7): 865－890. (in Chinese with English abstract)

[9] 周秀平，王文圣，曾怀金. 偏最小二乘与人工神经网络耦合模型在酸雨pH值预测中的应用[J]. 水利水电科技进展，2006，26(4)：50－52. Zhou Xiuping, Wang Wensheng, Zeng Huaijin. Partial least square method and BP neural network coupled model and its application to prediction of pH value of acid rains[J]. Advances in Science and Technology of Water Resources, 2006, 26(4): 50－52. (in Chinese with English abstract)

[10] 印家健，姜微，戴松林，等. 降水pH值的支持向量回归预测模型构建[J]. 环境化学，2006，25(2)：211－214. Yin Jiajian, Jiang Wei, Dai Songlin, et al. Application of support vector regression to the prediction of pH value in prediction[J]. Environmental Chemistry, 2006, 25(2): 211－214. (in Chinese with English abstract)

[11] Mohammad G, Matheus P F, Wu C H, et al. pKa modeling and prediction of a series of pH indicators through genetic algorithm-least square support vector regression[J]. Chemometrics and Intelligent Laboratory Systems, 2010, 101: 102－109.

[12] 刘双印，徐龙琴，李振波，等. 基于PCA-MCAFA-LSSVM的养殖水质pH值预测模型[J]. 农业机械学报，2014，45(5)：239－246. Liu Shuangyin, Xu Longqin, Li Zhenbo, et al. Forecasting model for pH value of aquaculture water quality based on PCA-MCAFA-LSSVM[J]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(5): 239－246. (in Chinese with English abstract)

[13] 任世锦，吕俊怀，王小林. 基于自适应最小二乘支持向量机的预测函数控制[J]. 江南大学学报：自然科学版，2009，8(6)：699－702.Ren Shijin, Lü Junhuai, Wang Xiaolin. Adaptive Least Square Support Vector Machines-Based Predictive Functional Control[J]. Journal of Jiangnan University: Natural Science Edition, 2009, 8(6): 699－702. (in Chinese with English abstract)

[14] Bates J M, Granger C W J. Combination of forecasts[J] Operations Research Quarterly, 1969, 20(4): 451－468.

[15] 陈华友. 组合预测方法有效性理论及其应用[M]. 北京：科学出版社，2008.

[16] Cheng H, Shui K W. Is there an optimal forecast combination?[J]. Journal of Econometrics, 2014, 178(2): 294－309.

[17] Wu J L, Wang Y C. Fundamentals, forecast combinations and nominal exchange-rate predictability[J]. International Review of Economics & Finance, 2013, 25: 129－145.

[18] Rodrigues B D, Stevenson M J. Takeover prediction using forecast combinations[J]. International Journal of Forecasting, 2013, 29(4): 628－641.

[19] Lau H C W, Ho G T S, Zhao Y. A demand forecast model using a combination of surrogate data analysis and optimal neural network approach[J]. Decision Support Systems, 2013, 54(3): 1404－1416.

[20] 吕孙云，许银山，熊莹，等. 组合预测方法在需水预测中的应用[J]. 武汉大学学报：工学版，2011，44(5)：565－570. Lu Sunyun, Xu Yinshan, Xiong Ying, et al. Combined forecasting method for forecasting water demand[J]. Engineering Journal of Wuhan University, 2011, 44(5): 565－570. (in Chinese with English abstract)

[21] 刘辉，庞佑霞，唐勇，等. 基于灰色蚁群组合预测的生物质气化炉双闭环控制[J]. 农业机械学报，2012，43(1)：94－100. Liu Hui, Pang Youxia, Tangy Yon, et al. Double-loop intelligent control based on gray ant combination prediction algorithm for biomass gasifies[J]. Transactions of the Chinese Society for Agricultural Machinery, 2012, 43(1): 94－100. (in Chinese with English abstract)

[22] 刘东君，邹志红. 最优加权组合预测法在水质预测中的应用研究[J]. 环境科学学报，2012，32(12)：3128－3132. Liu Dongjun, Zou Zhihon. Application of weighted combination model on forecasting water quality[J]. Acta Scientiae Circumstantiae, 2012, 32(12)：3128－3132. (in Chinese with English abstract)

[23] Chen H Y, Zhou L G. An approach to group decision making with interval fuzzy preference relations based on induced generalized continuous ordered weighted averaging operator[J]. Expert Systems with Applications, 2011, 38(10): 13432－13440.

[24] 陈述，邵东国，李浩鑫，等. 基于粒子群人工蜂群算法的灌区渠-塘-田优化调配藕合模型[J]. 农业工程学报，2014，30(20)：90－97. Chen Shu, Shao Dongguo, Li Haoxin, et al. Coupled allocation model for optimizing water in canal-pond-field based on artificial bee colony and particle swarm algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(20): 90－97. (in Chinese with English abstract)

[25] 赵学华，李道亮，杨文柱，等. 基于改进蚁群算法的棉花异性纤维目标特征选择方法[J]. 农业机械学报，2011，42(4)：168－173. Zhao Xuehua, Li Daoliang, Yang Wenzhu, et al. Feature selection for cotton foreign fiber objects based on improved ant colony algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery, 2011, 42(4): 168－173. (in Chinese with English abstract)

[26] 袁尧，刘超. 基于蚁群算法的泵站运行优化及投影寻踪选优策略[J]. 农业机械学报，2011，44(3)：38－44. Yuan Yao, Liu Chao. Pump operation optimization and projection pursuit evaluation strategy based on ant colony optimization[J]. Transactions of the Chinese Society for Agricultural Machinery, 2011, 44(3): 38－44. (in Chinese with English abstract)

[27] 刘星宝，殷建平，胡春华，等. 解决动态多中心问题的自学习差异进化算法[J]. 通信学报，2015，36(7)：166－175. Liu Xingbao, Yin Jianping, Hu Chunhua, et al. Self-learning differential evolution algorithm for dynamic polycentric problems[J]. Journal on communications, 2015, 36(7): 166－175. (in Chinese with English abstract)

[28] Morteza S, Zahra R, Behrooz R. A novel model predictive control scheme based on bees algorithm in a class of nonlinear systems: Application to a three tank system[J]. Neurocomputing, 2015, 152: 294－304.

[29] Karaboga D. An Idea Based on Honey Bee Swarm for Numerical Optimization[R]. Technical Reporttr06, Erciyes University, Engineering Faculty, Computer Engineering Department, 2005.

[30] 高明松，李素明，周卫东. 应用人工蜂群算法辨识潜器参数[J]. 哈尔滨工程大学学报，2013，34(8)：1023－1027. Gao Mingsong, Li Suming, Zhou Weidong. Identification on hydrodynamic coefficients of underwater vehicle with the ABC algorithm[J]. Journal of Harbin Engineering University, 2013, 34(8): 1023－1027. (in Chinese with English abstract)

[31] 吴一全，殷骏，戴一冕. 基于人工蜂群优化的NSCT域图像模糊集增强方法[J]. 华南理工大学学报：自然科学版，2015，43(1)：59－65. Yin Yiquan, Yin Jung, Dai Yimian. Image enhancement in NSCT domain based on fuzzy sets and artificial bee colony optimization[J]. Journal of South China University of Technology: Natural Science Edition, 2015, 43(1)：59－65. (in Chinese with English abstract)

[32] 陈强，金小明，姚建刚，等. 基于改进ABC算法的中长期电力负荷组合预测[J]. 电力系统保护与控制，2014，42(23)：113－117. Chen Qiang, Jin Xiaoming, Yao Jiangang, et al. Improved artificial bee colony algorithm applied to medium and long-term load combination forecasting[J]. Power System Protection and Control, 2014, 42(23): 113－117. (in Chinese with English abstract)

[33] Fei S W, He Y. Wind speed prediction using the hybrid model of wavelet decomposition and artificial bee colony algorithm-based relevance vector machine[J]. International Journal of Electrical Power & Energy Systems, 2015, 73: 625－631.

[34] Mustaffa Z, Yusof Y, Kamaruddin S S. Enhanced artificial bee colony for training least squares support vector machines in commodity price forecasting[J]. Journal of Computational Science, 2014, 5(2): 196－205.

[35] Fei S W. Kurtosis forecasting of bearing vibration signal based on the hybrid model of empirical mode decomposition and RVM with artificial bee colony algorithm[J]. Expert Systems with Applications, 2015, 42(11): 5011－5018.

[36] Huang N E, Shen Z, Long S R, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Proceedings of the Royal Society of London A, 1998, 454: 903－995.

[37] Wu Z H, Huang N E. Ensemble empirical mode decomposition: a noise-assisted data analysis method[J]. Advances in Adaptive Data Analysis, 2009, 1(1): 1－41.

[38] 王志坚，韩振南，刘邱祖，等. 基于MED-EEMD的滚动轴承微弱故障特征提取[J]. 农业工程学报，2014，30(23)：70－78. Wang Zhijian, Han Zhennan, Liu Qiuzu, et al. Weak fault diagnosis for rolling element bearing based on MED-EEMD[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(23): 70－78. (in Chinese with English abstract)

[39] Liu S Y, Xu L Q, Li D L, et al. Prediction of dissolved oxygen content in river crab culture based on least squares support vector regression optimized by improved particle swarm optimization[J]. Computers and Electronics in Agriculture, 2013, 95: 82－91.

[40] Rakshit P, Konar A. Differential evolution for noisy multiobjective optimization[J]. Artificial Intelligence, 2015, 227: 165－189.

[41] 刘双印，徐龙琴，李道亮，等. 基于蚁群优化最小二乘支持向量回归机的河蟹养殖溶解氧预测模型[J]. 农业工程学报，2012，28(23)：167－175. Liu Shuangyin, Xu Longqin, Li Daoliang, et al. Dissolved least squares support vector regression optimized by ant oxygen prediction model of eriocheir sinensis culture based on colony algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(23): 167－175. (in Chinese with English abstract)

Prediction of pH value in industrialized aquaculture based on ensemble empirical mode decomposition and improved artificial bee colony algorithm

Xu Longqin1, Li Qianchuan2, Liu Shuangyin1※, Li Daoliang3
(1. College of Information, Guangdong Ocean University, Zhanjiang 524025, China; 2. College of Letters and Science, University of California, Los Angeles, 90024, USA; 3. Beijing ERC for Internet of Things in Agriculture, China Agricultural University, Beijing 100083, China)

Abstract:The pH value in industrialized cultivation ponds is crucial to the survival of Litopenaeus Vannamei. Grasping the trend of the pH value timely and accurately is the key for the high-density healthy Litopenaeus Vannamei culture. Therefore, in order to solve the low prediction accuracy of the single model in pH value prediction, this paper proposes a pH value combination forecasting model in Litopenaeus Vannamei industrialized cultivation based on ensemble empirical mode decomposition (EEMD) and improved artificial bee colony (IABC) algorithm. In the modeling process, the non-linear time sequences of the original pH value are de-noised and decomposed into a series of stable and uncoupling sequences by the EEMD. Based on the changed characteristics of each sequence, the appropriate forecasting method is selected and a new independent prediction model is established. The independent prediction values are reconstructed to obtain the ultimate prediction results. But whether the weight of the combined forecasting model is appropriate restricts the prediction accuracy and performance seriously. Therefore, we choose the IABC optimized method to seek the optimal weight of the combined forecasting model, which overcomes the blindness and the impact of human factors in parameter selection of the combined forecasting model in order to accelerate its convergence rate and forecast accuracy. The combinations of the best weights are obtained automatically after the optimization, and in the process the nonlinear combination prediction model of pH value in industrialized cultivation is constructed. With this model, the pH value change has been predicted for industrialized cultivation pond from September 8 to September 15 in 2014 in Zhanjiang City, Guangdong Province. The experimental results show that the proposed combination prediction model of EEMD-IABC has better prediction effect than the optimized back propagation neural network based on simulated annealing algorithm (SA-BPNN) and genetic algorithm-least square support vector regression (GA-LSSVR) method. And the relative mean absolute percent error (MAPE), root mean square error (RMSE), mean absolute error (MAE) and determination coefficient (R2) for the pH values between the EEMD-IABC and GA-LSSVR models are 14.6%, 28.6%, 27% and 1.1% respectively under the same experimental conditions. The relative MAPE, RMSE, MAE and R2for the pH values between the EEMD-IABC and SA-BPNN models are 56.8%, 61.4%, 62.8% and 6.16% respectively. It is obvious that the EEMD-IABC has high forecast accuracy and generalization ability. It can meet the actual demand for the pH value controlling in the Litopenaeus Vannamei industrialized cultivation and also provide a reference for water quality predictions in other fields.

Keywords:algorithms; pH; aquaculture; combination prediction; ensemble empirical mode decomposition; artificial bee colony; Litopenaeus Vannamei

通信作者：※刘双印，男，山东单县人，教授，博士，主要从事智能信息系统和农业信息化技术研究，湛江广东海洋大学信息学院，524025。

作者简介：徐龙琴，女，陕西西乡人，副教授，硕士，主要从事智能计算、智能信息系统、农业信息化技术等研究，湛江广东海洋大学信息学院，524025。Email：xlqlw@126.com

基金项目：国家自然科学基金项目（61471133，61473331）；国家科技支撑计划项目（2012BAD35B07）；广东省科技计划项目（2013B090500127，2013B021600014，2015A070709015，2015A020209171）；广东海洋大学创新强校工程项目（GDOU2014050227）

收稿日期：2015-09-01

修订日期：2015-12-20

中图分类号：TP391

文献标志码：A

文章编号：1002-6819(2016)-03-0202-08

doi：10.11975/j.issn.1002-6819.2016.03.029 10.11975/j.issn.1002-6819.2016.03.029http://www.tcsae.org