基于自注意力机制和CNN-LSTM深度学习的对虾投饵量预测模型

来源：大连海洋大学学报杂志2022年第2期北京时间：

作者：何津民, 张丽珍

单位：1.上海海洋大学 工程学院，上海 201306；2.上海海洋可再生能源工程技术研究中心，上海 201306

摘要：为提高对虾饲料的利用率，减少养殖成本，提高养殖效益，提出了一种基于自注意力机制(self-attention，ATTN)和卷积神经网络(convolutional neural network，CNN)-长短期记忆网络(long short term memory，LSTM)的对虾投饵量预测模型(CNN-LSTM-ATTN)，以水温、溶解氧、对虾的数量与质量作为预测模型的输入数据，通过CNN挖掘输入数据间的内在联系，提取出数据特征信息，利用LSTM的长期记忆能力保存数据特征信息，使用ATTN突出不同时间节点数据特征的重要性，进一步提升模型的性能。结果表明，本研究中提出的CNN-LSTM-ATTN预测模型的均方根误差、平均绝对误差和平均绝对百分误差分别为0.816、0.681和0.018，均小于BP(back propagation)神经网络、LSTM和CNN-LSTM 3个基准模型，其模型预测能力和稳定性优于其他模型。研究表明，本研究中构建的模型能较好地实现对虾投饵量的准确预测，可为对虾养殖投饵量的管理调控提供参考依据。

关键词：对虾投饵量预测,深度学习,卷积神经网络,长短期记忆网络,自注意力机制

基金资助：国家重点研发计划“蓝色粮仓科技创新”专项(2019YFD0900401)；上海市科技兴农推广项目(沪农科推字(2018)第3-3号)