基于混合增强优化架构的水产养殖水温长期预测模型：为智慧养殖 “精准控温”

《Aquaculture International》：A hybrid enhanced optimization architecture-based model for long-term water temperature prediction in aquaculture

为解决水产养殖环境水温（WT）预测中精度不足、噪声干扰大及难以捕捉长期依赖关系等问题，研究人员开展基于混合增强优化架构的长期预测模型研究。提出 HEOA-BiTCN-MLSTM 模型，实验表明其性能优于传统模型，为水产养殖智能监测调控提供支持。

　　为解决水产养殖环境水温（WT）预测中存在的预测精度不足、噪声干扰显著以及难以捕捉长期依赖关系等问题，本文提出了一种基于混合增强优化架构的长期预测模型，即 HEOA-BiTCN-MLSTM 模型。该模型利用人类进化优化算法（HEOA）优化模型参数，进而提升预测精度；运用双向时间卷积网络（BiTCN）深度提取数据中的潜在特征，增强抗噪声能力，并捕捉 WT 数据的长期趋势和复杂非线性变化；最后集成多头长短期记忆（MLSTM）网络，该网络将长短期记忆（LSTM）网络与多头自注意力机制（MHSA）相结合，提高模型在处理长序列时捕捉长期依赖关系和建模全局信息的能力。通过优化、混合和增强的协同效应，该模型显著提升了 WT 预测性能，同时有效应对复杂环境中的噪声干扰和数据不规则性。实验结果表明，在长期 WT 预测中，该模型显著优于门控循环单元（GRU）、反向传播神经网络（BPNN）和循环神经网络（RNN）等传统基准模型。具体而言，在提前 4 小时准确预测 WT 时，该模型实现了²为 0.912、均方误差（MSE）为 0.352、平均绝对误差（MAE）为 0.191 和加权平均绝对百分比误差（wMAPE）为 1.390% 的指标。这项研究为水产养殖环境的智能监测和调控提供了有力支持。