渔业资源丰度灰色预测模型优化方法及其应用.pdf

《渔业资源丰度灰色预测模型优化方法及其应用.pdf》由会员分享，可在线阅读，更多相关《渔业资源丰度灰色预测模型优化方法及其应用.pdf（14页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010497152.2 (22)申请日 2020.06.04 (71)申请人 上海海洋大学 地址 201306 上海市浦东新区临港新城沪 城环路999号 (72)发明人 陈新军雷林解明阳张忠 韦记朋 (74)专利代理机构 上海唯智赢专利代理事务所 (普通合伙) 31293 代理人 吴瑾瑜 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/02(2012.01) (54)发明名称 一种渔业资源丰度灰色预测模型优化方法 及其应用 (57)摘要 本发。

2、明公开了一种渔业资源丰度灰色预测 模型优化方法及其应用， 步骤为： 优选CPUE序列 作为建立资源丰度灰色预测模型的标准序列； 针 对标准序列利用灰色关联分析的方法， 算得资源 丰度的影响因子的灰色关联度并选取灰色关联 度大的影响因子作为资源丰度灰色预测模型的 因子； 利用离散GM模型， 采用选取的因子建立资 源丰度灰色预测模型， 建立的资源丰度灰色预测 模型包括GM(0,N)模型和GM(1,N)模型； 对各预测 模型进行有效性分析， 选取相对误差最小的模型 为最优预测模型。 本发明的预测方法， 优选CPUE 序列克服了目前灰色系统模型预测稳定性较差 的缺陷； 建立了不同阶数的GM模型， 并从。

3、中优选 得到最优预测模型， 提高了预测精度。 权利要求书2页 说明书8页 附图3页 CN 111667112 A 2020.09.15 CN 111667112 A 1.一种渔业资源丰度灰色预测模型优化方法， 应用于电子设备， 其特征在于， 步骤如 下： (1)针对时间段A内海域B鱼类C的CPUE序列， 截取其中的任意时间段的CPUE序列， 对应 每个截取的CPUE序列均建立一GM(1,1)模型， 共建立m个GM(1,1)模型， 分别计算每个GM(1, 1)模型的相对误差， 选取相对误差最小的GM(1,1)模型对应的CPUE序列作为建立资源丰度 灰色预测模型的标准序列； (2)针对步骤(1)选。

4、取的标准序列， 利用灰色关联分析的方法， 计算得到资源丰度的影 响因子的灰色关联度大小； (3)选取灰色关联度大的影响因子作为资源丰度灰色预测模型的因子； (4)利用离散GM模型， 采用步骤(3)选取的因子建立资源丰度灰色预测模型， 建立的资 源丰度灰色预测模型包括GM(0,N)模型和GM(1,N)模型； (5)对步骤(4)得到的预测模型进行有效性分析， 有效性分析包括相对误差分析， 相对 误差是通过比较利用预测模型计算出的CPUE值与真实的CPUE值获得的， 选取相对误差最小 的模型为最优预测模型。 2.根据权利要求1所述的一种渔业资源丰度灰色预测模型优化方法， 其特征在于， 所述 时间段A。

5、为19982016年； 所述海域B的坐标范围为35 45 N、 140 179 E； 所述鱼类C为 北太平洋柔鱼。 3.根据权利要求2所述的一种渔业资源丰度灰色预测模型优化方法， 其特征在于， 所述 建立资源丰度灰色预测模型的标准序列为19982005年， 坐标范围为35 45 N、 140 179 E北太平洋柔鱼的CPUE序列。 4.根据权利要求3所述的一种渔业资源丰度灰色预测模型优化方法， 其特征在于， 步骤 (1)得到的多个GM(1,1)模型的相对误差相同且均为最小值， 则选取这些模型的方差最小的 模型的对应的CPUE序列作为建立资源丰度灰色预测模型的标准序列。 5.根据权利要求4所述的。

6、一种渔业资源丰度灰色预测模型优化方法， 其特征在于， 所述 资源丰度的影响因子包括太平洋年代际震荡指数、 产卵场的海表温度、 育肥场的海表温度、 产卵场的叶绿素浓度以及育肥场的叶绿素浓度。 6.根据权利要求5所述的一种渔业资源丰度灰色预测模型优化方法， 其特征在于， 所述 步骤(2)具体为： 以步骤(1)选取的标准序列为母序列， 以对应各影响因子为子序列， 分别计 算各个子序列与母序列的灰色绝对关联度。 7.根据权利要求6所述的一种渔业资源丰度灰色预测模型优化方法， 其特征在于， 所述 资源丰度灰色预测模型的因子分别为10月份育肥场的海表温度、 10月份太平洋年代际震荡 指数、 2月份产卵场的。

7、海表温度、 3月份产卵场的叶绿素浓度和8月份育肥场的叶绿素浓度。 8.根据权利要求7所述的一种渔业资源丰度灰色预测模型优化方法， 其特征在于， 所述 建立的资源丰度灰色预测模型包括以下模型： 模型I， 包括10月份育肥场的海表温度、 10月份太平洋年代际震荡指数、 2月份产卵场的 海表温度3月份产卵场的叶绿素浓度和8月份育肥场的叶绿素浓度五个因子的GM(0,6)模 型； 模型II， 包括10月份育肥场的海表温度、 10月份太平洋年代际震荡指数、 3月份产卵场 的叶绿素浓度和8月份育肥场的叶绿素浓度四个因子的GM(0,5)模型； 权利要求书 1/2 页 2 CN 111667112 A 2 模型。

8、III， 包括10月份太平洋年代际震荡指数、 2月份产卵场的海表温度、 3月份产卵场 的叶绿素浓度和8月份育肥场的叶绿素浓度四个因子的GM(0,5)模型； 模型IV， 包括10月份育肥场的海表温度、 10月份太平洋年代际震荡指数、 2月份产卵场 的海表温度(和8月份育肥场的叶绿素浓度四个因子的GM(0,5)模型； 模型V， 包括10月份育肥场的海表温度、 10月份太平洋年代际震荡指数、 2月份产卵场的 海表温度和3月份产卵场的叶绿素浓度四个因子的GM(0,5)模型； 模型VI， 包括10月份育肥场的海表温度、 2月份产卵场的海表温度、 3月份产卵场的叶绿 素浓度和8月份育肥场的叶绿素浓度四个因。

9、子的GM(0,5)模型； 模型VII， 包括10月份育肥场的海表温度、 10月份太平洋年代际震荡指数、 2月份产卵场 的海表温度、 3月份产卵场的叶绿素浓度和8月份育肥场的叶绿素浓度五个因子的GM(1,6) 模型； 模型VIII， 包括10月份育肥场的海表温度、 10月份太平洋年代际震荡指数、 3月份产卵 场的叶绿素浓度和8月份育肥场的叶绿素浓度四个因子的GM(1,5)模型； 模型IX， 包括10月份太平洋年代际震荡指数、 2月份产卵场的海表温度、 3月份产卵场的 叶绿素浓度和8月份育肥场的叶绿素浓度四个因子的GM(1,5)模型； 模型X， 包括10月份育肥场的海表温度、 10月份太平洋年代际。

10、震荡指数、 2月份产卵场的 海表温度和8月份育肥场的叶绿素浓度四个因子的GM(1,5)模型； 模型XI， 包括10月份育肥场的海表温度、 10月份太平洋年代际震荡指数、 2月份产卵场 的海表温度和3月份产卵场的叶绿素浓度四个因子的GM(1,5)模型； 模型XII， 包括10月份育肥场的海表温度、 2月份产卵场的海表温度、 3月份产卵场的叶 绿素浓度和8月份育肥场的叶绿素浓度四个因子的GM(1,5)模型。 9.根据权利要求8所述的一种渔业资源丰度灰色预测模型优化方法， 其特征在于， 模型 IV为最优预测模型。 10.一种电子设备， 其特征在于， 包括一个或多个处理器、 一个或多个存储器、 一个或。

11、多 个程序及数据搜集装置； 所述数据搜集装置用于获取时间段A内海域B鱼类C的CPUE序列， 所述一个或多个程序 被存储在所述存储器中， 当所述一个或多个程序被所述处理器执行时， 使得所述电子设备 执行如权利要求19任一项所述的一种渔业资源丰度灰色预测模型优化方法。 权利要求书 2/2 页 3 CN 111667112 A 3 一种渔业资源丰度灰色预测模型优化方法及其应用 技术领域 0001 本发明属于远洋渔汛预测技术领域， 涉及一种渔业资源丰度灰色预测模型优化方 法及其应用， 特别涉及一种基于环境因子的渔业资源丰度灰色预测模型优化方法及其应 用。 背景技术 0002 中上层鱼类是重要的经济种类。

12、， 其资源丰度变化与气候和海洋环境等因子关系极 为密切。 资源丰度预测是渔情预报中的主要预报内容之一， 科学预测资源量和评估资源丰 度有利于渔业资源的可持续利用和科学管理。 建立渔情预报模型， 尤其是年间资源丰度的 预测， 通常会遇到样本量过少， 以及涉及预报的环境因子过多的问题， 这两个问题是建立资 源丰度预测模型的难点所在。 0003 灰色系统理论是一门不确定系统理论的学科， 相对于其他研究方法(多元线性回 归、 多元非线性回归和栖息地指数)， 其优点在于允许样本数量较少且服从任意分布。 目前， 此方法虽然已在一些经济种类的资源丰度预测方面得到了应用， 但是依然存在预测精度不 高、 稳定性。

13、较差等问题。 0004 因此， 开发一种预测精度高且稳定性高的基于灰色系统理论的资源丰度预测方法 极具现实意义。 发明内容 0005 本发明的目的在于克服现有技术预测精度不高且稳定性较差的缺陷， 提供一种预 测精度高且稳定性高的基于灰色系统理论的资源丰度预测方法。 0006 为实现上述目的， 本发明提供如下技术方案： 0007 一种渔业资源丰度灰色预测模型优化方法， 应用于电子设备， 步骤如下： 0008 (1)针对时间段A内海域B鱼类C的CPUE序列， 截取其中的任意时间段的CPUE序列， 对应每个截取的CPUE序列均建立一GM(1,1)模型， 共建立m个GM(1,1)模型， 分别计算每个G。

14、M (1,1)模型的相对误差， 选取相对误差最小的GM(1,1)模型对应的CPUE序列作为建立资源丰 度灰色预测模型的标准序列； 0009 (2)针对步骤(1)选取的标准序列， 利用灰色关联分析的方法， 计算得到资源丰度 的影响因子的灰色关联度大小； 0010 (3)选取灰色关联度大的影响因子作为资源丰度灰色预测模型的因子； 0011 (4)利用离散GM模型， 采用步骤(3)选取的因子建立资源丰度灰色预测模型， 建立 的资源丰度灰色预测模型包括GM(0,N)模型和GM(1,N)模型， GM(0,N)模型和GM(1,N)模型均 为线性动态模型， 其中GM(1,N)模型为一阶导数计算模型， 相比于。

15、GM(0,N)模型计算更为复 杂， 同时构建不同阶的GM预测模型能够为后期优选提供更多的模型， 进而从中选取最优模 型以提高模型的预测精度； 0012 (5)对步骤(4)得到的预测模型进行有效性分析， 有效性分析包括相对误差分析， 说明书 1/8 页 4 CN 111667112 A 4 相对误差是通过比较利用预测模型计算出的CPUE值与真实的CPUE值获得的， 选取相对误差 最小的模型为最优预测模型。 0013 本发明的渔业资源丰度灰色预测模型优化方法， 在进行处理前(建立资源丰度灰 色预测模型前)首先对CPUE序列进行优选， 截取任意时间段的CPUE序列并建立GM(1,1)模 型， 选取相。

16、对误差最小的GM(1,1)模型对应的CPUE序列作为后续建立资源丰度灰色预测模 型的标准序列， 一定程度上克服了目前灰色系统模型预测稳定性较差的缺陷， 而后在建立 资源丰度灰色预测模型时， 建立了包含不同影响因子的0阶与1阶的GM预测模型， 从不同阶 数的多个预测模型中优选其中相对误差最小的模型作为最优预测模型， 这能够大大提高了 预测模型的精度， 为更科学、 更有效地渔业生产提供依据。 本发明的方法可用于预测海洋中 中上层鱼类， 其适用性好， 能够对海洋渔业生产起到良好的指导作用， 能够显著提高捕捞效 率， 降低捕捞成本， 极具应用前景， 同时， 本发明得到的最优预测模型并不是一成不变的， 。

17、可 根据实时获取的最新数据重新获取最优预测模型， 本发明的方法适应性好， 应用前景好。 0014 作为优选的技术方案： 0015 如上所述的一种渔业资源丰度灰色预测模型优化方法， 所述时间段A为1998 2016年； 所述海域B的坐标范围为35 45 N、 140 179 E； 所述鱼类C为北太平洋柔鱼。 本 发明的保护范围并不仅限于此， 仅以该时间段、 该海域中的该鱼类为例， 本发明的预测方法 可以适用于对任意时间段、 任意海域内的中上层鱼类的资源丰度预测。 0016 如上所述的一种渔业资源丰度灰色预测模型优化方法， 所述建立资源丰度灰色预 测模型的标准序列为19982005年， 坐标范围为。

18、35 45 N、 140 179 E北太平洋柔鱼的 CPUE序列。 此处选取的建立资源丰度灰色预测模型的标准序列是基于前述的数据而来的， 本领域技术人员可根据实际数据选取合适的CPUE序列作为标准序列。 0017 如上所述的一种渔业资源丰度灰色预测模型优化方法， 步骤(1)得到的多个GM(1, 1)模型的相对误差相同且均为最小值， 则选取这些模型的方差最小的模型的对应的CPUE序 列作为建立资源丰度灰色预测模型的标准序列。 0018 如上所述的一种渔业资源丰度灰色预测模型优化方法， 所述资源丰度的影响因子 包括太平洋年代际震荡指数(PDO)、 产卵场的海表温度(SGSST)、 育肥场的海表温度。

19、 (FGSST)、 产卵场的叶绿素浓度(SGC)以及育肥场的叶绿素浓度(FGC)。 本发明的保护范围并 不仅限于此， 此处给定的资源丰度的影响因子仅与北太平洋柔鱼对应， 对于其他鱼类， 本领 域技术人员可根据实际情况合理选取其资源丰度的影响因子。 0019 如上所述的一种渔业资源丰度灰色预测模型优化方法， 所述步骤(2)具体为： 以步 骤(1)选取的标准序列为母序列， 以对应各影响因子为子序列， 分别计算各个子序列与母序 列的灰色绝对关联度。 0020 如上所述的一种渔业资源丰度灰色预测模型优化方法， 所述资源丰度灰色预测模 型的因子分别为10月份育肥场的海表温度(FGSST)、 10月份太平。

20、洋年代际震荡指数(PDO)、 2 月份产卵场的海表温度(SGSST)、 3月份产卵场的叶绿素浓度(SGC)和8月份育肥场的叶绿素 浓度(FGC)。 此处及下文提到的预测模型仅仅是以部分数据示范本发明的预测方法的运作 逻辑而已， 本发明的保护范围并不仅限于此， 本领域技术人员可根据实际需要选取合适的 数据对资源丰度进行预测， 其选取的资源丰度灰色预测模型的因子并不仅限于此5个， 当然 预测模型的数量也将随着选取的资源丰度灰色预测模型的因子的数量变化而变化。 说明书 2/8 页 5 CN 111667112 A 5 0021 如上所述的一种渔业资源丰度灰色预测模型优化方法， 所述建立的资源丰度灰色。

21、 预测模型包括以下模型： 0022 模型I， 包括10月份育肥场的海表温度(FGSST)、 10月份太平洋年代际震荡指数 (PDO)、 2月份产卵场的海表温度(SGSST)、 3月份产卵场的叶绿素浓度(SGC)和8月份育肥场 的叶绿素浓度(FGC)五个因子的GM(0,6)模型； 0023 模型II， 包括10月份育肥场的海表温度(FGSST)、 10月份太平洋年代际震荡指数 (PDO)、 3月份产卵场的叶绿素浓度(SGC)和8月份育肥场的叶绿素浓度(FGC)四个因子的GM (0,5)模型； 0024 模型III， 包括10月份太平洋年代际震荡指数(PDO)、 2月份产卵场的海表温度 (SGSS。

22、T)、 3月份产卵场的叶绿素浓度(SGC)和8月份育肥场的叶绿素浓度(FGC)四个因子的 GM(0,5)模型； 0025 模型IV， 包括10月份育肥场的海表温度(FGSST)、 10月份太平洋年代际震荡指数 (PDO)、 2月份产卵场的海表温度(SGSST)和8月份育肥场的叶绿素浓度(FGC)四个因子的GM (0,5)模型； 0026 模型V， 包括10月份育肥场的海表温度(FGSST)、 10月份太平洋年代际震荡指数 (PDO)、 2月份产卵场的海表温度(SGSST)和3月份产卵场的叶绿素浓度(SGC)四个因子的GM (0,5)模型； 0027 模型VI， 包括10月份育肥场的海表温度(F。

23、GSST)、 2月份产卵场的海表温度 (SGSST)、 3月份产卵场的叶绿素浓度(SGC)和8月份育肥场的叶绿素浓度(FGC)四个因子的 GM(0,5)模型； 0028 模型VII， 包括10月份育肥场的海表温度(FGSST)、 10月份太平洋年代际震荡指数 (PDO)、 2月份产卵场的海表温度(SGSST)、 3月份产卵场的叶绿素浓度(SGC)和8月份育肥场 的叶绿素浓度(FGC)五个因子的GM(1,6)模型； 0029 模型VIII， 包括10月份育肥场的海表温度(FGSST)、 10月份太平洋年代际震荡指数 (PDO)、 3月份产卵场的叶绿素浓度(SGC)和8月份育肥场的叶绿素浓度(FG。

24、C)四个因子的GM (1,5)模型； 0030 模型IX， 包括10月份太平洋年代际震荡指数(PDO)、 2月份产卵场的海表温度 (SGSST)、 3月份产卵场的叶绿素浓度(SGC)和8月份育肥场的叶绿素浓度(FGC)四个因子的 GM(1,5)模型； 0031 模型X， 包括10月份育肥场的海表温度(FGSST)、 10月份太平洋年代际震荡指数 (PDO)、 2月份产卵场的海表温度(SGSST)和8月份育肥场的叶绿素浓度(FGC)四个因子的GM (1,5)模型； 0032 模型XI， 包括10月份育肥场的海表温度(FGSST)、 10月份太平洋年代际震荡指数 (PDO)、 2月份产卵场的海表温。

25、度(SGSST)和3月份产卵场的叶绿素浓度(SGC)四个因子的GM (1,5)模型； 0033 模型XII， 包括10月份育肥场的海表温度(FGSST)、 2月份产卵场的海表温度 (SGSST)、 3月份产卵场的叶绿素浓度(SGC)和8月份育肥场的叶绿素浓度(FGC)四个因子的 GM(1,5)模型。 0034 如上所述的一种渔业资源丰度灰色预测模型优化方法， 模型IV为最优预测模型。 说明书 3/8 页 6 CN 111667112 A 6 在符合本领域常识的基础上， 上述各优选条件， 可任意组合， 即得本发明各较佳实例。 0035 本发明还提供一种电子设备， 包括一个或多个处理器、 一个或多。

26、个存储器、 一个或 多个程序及数据搜集装置； 0036 所述数据搜集装置用于获取时间段A内海域B鱼类C的CPUE序列， 所述一个或多个 程序被存储在所述存储器中， 当所述一个或多个程序被所述处理器执行时， 使得所述电子 设备执行如上所述的一种渔业资源丰度灰色预测模型优化方法。 0037 有益效果： 0038 (1)本发明的渔业资源丰度灰色预测模型优化方法， 在进行处理前(建立资源丰度 灰色预测模型前)首先对CPUE序列进行优选， 截取任意时间段的CPUE序列并建立GM(1,1)模 型， 选取相对误差最小的GM(1,1)模型对应的CPUE序列作为后续建立资源丰度灰色预测模 型的标准序列， 一定程。

27、度上克服了目前灰色系统模型预测稳定性较差的缺陷； 0039 (2)本发明的渔业资源丰度灰色预测模型优化方法， 在建立资源丰度灰色预测模 型时， 同时建立了包含不同影响因子的0阶与1阶的GM预测模型， 从不同阶数的多个预测模 型中优选其中相对误差最小的模型作为最优预测模型， 这能够大大提高了预测模型的精 度， 为更科学、 更有效地渔业生产提供依据； 0040 (3)本发明的电子设备， 结构简单， 成本低廉， 能够快速实现了对海洋渔业资源丰 度的预测。 附图说明 0041 图1为本发明的渔业资源丰度灰色预测模型优化方法的流程示意图； 0042 图2为步骤(1)中的多个GM(1,1)模型的相对误差图。

28、； 0043 图3为步骤(6)中各预测模型平均相对误差对比图； 0044 图4为最优预测模型预测值拟合图； 0045 图5为本发明的电子设备的结构示意图。 具体实施方式 0046 为使本发明实施例的目的、 技术方案和优点更加清楚， 下面将结合本发明实施例 中的附图， 对本发明实施例中的技术方案进行清楚、 完整地描述， 显然， 所描述的实施例是 本发明一部分实施例， 而不是全部的实施例。 基于本发明中的实施例， 本领域普通技术人员 在没有做出创造性劳动的前提下所获得的所有其他实施例， 都属于本发明保护的范围。 0047 实施例1 0048 一种渔业资源丰度灰色预测模型优化方法， 如图1所示， 具。

29、体如下： 0049 (1)针对19982016年， 坐标范围为35 45 N、 140 179 E内北太平洋柔鱼的 CPUE(每年的单位捕捞努力量)序列(其中CPUE是根据包括日期、 经度、 纬度、 日产量(单位为 吨)和捕捞努力量(单位为船数)在内的19982016年， 坐标范围为35 45 N、 140 179 E 内北太平洋柔鱼的渔业生产统计数据计算得到的)， 截取其中的任意时间段的CPUE序列， 对 应每个截取的CPUE序列均建立一GM(1,1)模型， 共建立m个GM(1,1)模型， 分别计算每个GM (1,1)模型的相对误差， 选取相对误差最小的GM(1,1)模型对应的CPUE序列作。

30、为建立资源丰 度灰色预测模型的标准序列， 如多个GM(1,1)模型的相对误差相同且均为最小值， 则选取这 说明书 4/8 页 7 CN 111667112 A 7 些模型的方差最小的模型的对应的CPUE序列作为建立资源丰度灰色预测模型的标准序列， 选定的多个GM(1,1)模型的相对误差图如图2所示， 因此最终选取19982005年， 坐标范围 为35 45 N、 140 179 E北太平洋柔鱼的CPUE序列(平均相对误差最小， 为6.28)作为 建立资源丰度灰色预测模型的标准序列； 0050 (2)针对步骤(1)选取的标准序列， 利用灰色关联分析的方法， 计算得到资源丰度 的影响因子的灰色关联。

31、度大小， 具体为以步骤(1)选取的标准序列为母序列， 以对应各影响 因子为子序列， 分别计算各个子序列与母序列的灰色绝对关联度(所得的各影响因子子序 列与CPUE母序列的灰色关联系数如表1所示)， 其中， 资源丰度的影响因子包括太平洋年代 际震荡指数(PDO)、 产卵场的海表温度(SGSST)、 育肥场的海表温度(FGSST)、 产卵场的叶绿 素浓度(SGC)以及育肥场的叶绿素浓度(FGC)； 0051 表1各影响因子子序列与CPUE母序列的灰色关联系数 0052 0053 0054 (3)由表1可知， 灰色关联度大的影响因子为10月份育肥场的海表温度(FGSST)、 10 月份太平洋年代际震。

32、荡指数(PDO)、 2月份产卵场的海表温度(SGSST)、 3月份产卵场的叶绿 素浓度(SGC)和8月份育肥场的叶绿素浓度(FGC)， 故选定以上影响因子作为资源丰度灰色 预测模型的因子； 0055 (4)利用离散GM模型， 采用步骤(3)选取的因子建立资源丰度灰色预测模型， 建立 说明书 5/8 页 8 CN 111667112 A 8 的资源丰度灰色预测模型包括GM(0,N)模型和GM(1,N)模型， 具体包括以下模型： 0056 模型I， 包括10月份育肥场的海表温度(FGSST)、 10月份太平洋年代际震荡指数 (PDO)、 2月份产卵场的海表温度(SGSST)、 3月份产卵场的叶绿素。

33、浓度(SGC)和8月份育肥场 的叶绿素浓度(FGC)五个因子的GM(0,6)模型； 0057 模型II， 包括10月份育肥场的海表温度(FGSST)、 10月份太平洋年代际震荡指数 (PDO)、 3月份产卵场的叶绿素浓度(SGC)和8月份育肥场的叶绿素浓度(FGC)四个因子的GM (0,5)模型； 0058 模型III， 包括10月份太平洋年代际震荡指数(PDO)、 2月份产卵场的海表温度 (SGSST)、 3月份产卵场的叶绿素浓度(SGC)和8月份育肥场的叶绿素浓度(FGC)四个因子的 GM(0,5)模型； 0059 模型IV， 包括10月份育肥场的海表温度(FGSST)、 10月份太平洋年。

34、代际震荡指数 (PDO)、 2月份产卵场的海表温度(SGSST)和8月份育肥场的叶绿素浓度(FGC)四个因子的GM (0,5)模型； 0060 模型V， 包括10月份育肥场的海表温度(FGSST)、 10月份太平洋年代际震荡指数 (PDO)、 2月份产卵场的海表温度(SGSST)和3月份产卵场的叶绿素浓度(SGC)四个因子的GM (0,5)模型； 0061 模型VI， 包括10月份育肥场的海表温度(FGSST)、 2月份产卵场的海表温度 (SGSST)、 3月份产卵场的叶绿素浓度(SGC)和8月份育肥场的叶绿素浓度(FGC)四个因子的 GM(0,5)模型； 0062 模型VII， 包括10月份。

35、育肥场的海表温度(FGSST)、 10月份太平洋年代际震荡指数 (PDO)、 2月份产卵场的海表温度(SGSST)、 3月份产卵场的叶绿素浓度(SGC)和8月份育肥场 的叶绿素浓度(FGC)五个因子的GM(1,6)模型； 0063 模型VIII， 包括10月份育肥场的海表温度(FGSST)、 10月份太平洋年代际震荡指数 (PDO)、 3月份产卵场的叶绿素浓度(SGC)和8月份育肥场的叶绿素浓度(FGC)四个因子的GM (1,5)模型； 0064 模型IX， 包括10月份太平洋年代际震荡指数(PDO)、 2月份产卵场的海表温度 (SGSST)、 3月份产卵场的叶绿素浓度(SGC)和8月份育肥场。

36、的叶绿素浓度(FGC)四个因子的 GM(1,5)模型； 0065 模型X， 包括10月份育肥场的海表温度(FGSST)、 10月份太平洋年代际震荡指数 (PDO)、 2月份产卵场的海表温度(SGSST)和8月份育肥场的叶绿素浓度(FGC)四个因子的GM (1,5)模型； 0066 模型XI， 包括10月份育肥场的海表温度(FGSST)、 10月份太平洋年代际震荡指数 (PDO)、 2月份产卵场的海表温度(SGSST)和3月份产卵场的叶绿素浓度(SGC)四个因子的GM (1,5)模型； 0067 模型XII， 包括10月份育肥场的海表温度(FGSST)、 2月份产卵场的海表温度 (SGSST)、。

37、 3月份产卵场的叶绿素浓度(SGC)和8月份育肥场的叶绿素浓度(FGC)四个因子的 GM(1,5)模型； 0068 (5)对步骤(4)得到的各预测模型进行有效性分析， 利用2006年渔业生产数据进行 验证， 其验证结果如表2和表3所示， 各预测模型平均相对误差对比图如图3所示， 图3中的左 说明书 6/8 页 9 CN 111667112 A 9 侧的模型16分别与步骤(4)的模型IVI一一对应， 右侧的模型16分别与步骤(4)的模 型VIIXII一一对应； 0069 表2北太平洋柔鱼资源丰度GM(0,N)预测模型的相对误差 0070 0071 表3北太平洋柔鱼资源丰度GM(1,N)预测模型的。

38、相对误差 0072 0073 0074 表2和表3中的 “误差” 为相对误差平均值，“验证” 为使用模型预测得到的2006年渔 业生产数据与2006年渔业生产实际数据的误差率， 表中的单位为； 0075 由图2可以看出， 加入环境因子的GM(0,N)和GM(1,N)预测模型几乎都比(除模型 XII外)GM(1,1)模型的拟合精度高且0阶的灰色预测模型全部比1阶的拟合精度高。 说明书 7/8 页 10 CN 111667112 A 10 0076 由表2和表3可知， 各GM(0,N)模型中模型平均拟合误差从大到小依次为： 模型I 模型III模型II模型V模型IV模型VI； 各GM(1,N)模型中。

39、模型平均拟合误差从小到 大依次为： 模型X模型VII模型VIII模型IX模型XI模型XII； 从验证结果看， 模型 IV和模型X远高于其他模型， 相对误差为1.18(最低)和1.20， 所以选择模型IV作为北太 平洋柔鱼资源丰度的最优预测模型。 0077 选用模型IV进行预测， 其预测拟合图如图4所示， 由图可知， CPUE的变化趋势基本 上一致， 并且模型预测的拟合值变化幅度较小， 从预测模型的参数来看， -a值为-1.71(表4) 满足中长期预报模型的条件(-a0.3)。 0078 表4模型IV的因子的参数值 0079 0080 经验证， 本发明的预测方法， 在进行处理前(建立资源丰度灰色。

40、预测模型前)首先 对CPUE序列进行优选， 截取任意时间段的CPUE序列并建立GM(1,1)模型， 选取相对误差最小 的GM(1,1)模型对应的CPUE序列作为后续建立资源丰度灰色预测模型的标准序列， 克服了 目前灰色系统模型预测稳定性较差的缺陷； 在建立资源丰度灰色预测模型时， 同时建立了 包含不同影响因子的0阶与1阶的GM预测模型， 从不同阶数的多个预测模型中优选其中相对 误差最小的模型作为最优预测模型， 这能够大大提高了预测模型的精度， 为更科学、 更有效 地渔业生产提供依据， 极具应用前景。 0081 实施例2 0082 一种电子设备， 如图5所示， 包括一个或多个处理器、 一个或多个。

41、存储器、 一个或多 个程序及数据搜集装置； 0083 数据搜集装置用于获取时间段A内海域B鱼类C的CPUE序列(即实施例1中的1998 2016年， 坐标范围为35 45 N、 140 179 E内北太平洋柔鱼的CPUE序列)， 一个或多个程 序被存储在存储器中， 当一个或多个程序被处理器执行时， 使得电子设备执行如实施例1所 述的渔业资源丰度灰色预测模型优化方法。 0084 虽然以上描述了本发明的具体实施方式， 但是本领域的技术人员应该理解， 这些 仅是举例说明， 在不违背本发明的原理和实质的前提下， 可以对这些实施方式做出多种变 更或修改。 说明书 8/8 页 11 CN 111667112 A 11 图1 说明书附图 1/3 页 12 CN 111667112 A 12 图2 图3 说明书附图 2/3 页 13 CN 111667112 A 13 图4 图5 说明书附图 3/3 页 14 CN 111667112 A 14 。