(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 202111554198.4 (22)申请日 2021.12.17 (71)申请人 厦门大学 地址 361000 福建省厦门市思明南路42 2号 (72)发明人 周华　姜佳文　姚传义　吴雪娥　 车黎明　曹志凯　 (74)专利代理 机构 厦门市首创君 合专利事务所 有限公司 3 5204 代理人 张松亭　李艾华 (51)Int.Cl. G16B 5/00(2019.01) G16B 40/00(2019.01) G06N 20/00(2019.01) G06N 3/08(2006.01) (54)发明名称 海洋微塑料上致病性弧菌相对丰度的实时 预测方法及系统 (57)摘要 本发明公开了一种海洋微塑料上致病性弧 菌相对丰度的实时预测方法及系统， 方法包括： 获得不同环境因素下的海洋微塑料上弧菌相对 丰度的历史实际值； 将所获得的数据整理成样本 数据集， 并对环境因素数据进行预处理； 将经过 预处理的样 本数据集划分为训练集和测试集； 构 建机器学习模型， 并使用所述训练集进行训练； 使用所述测试集对训练好的机器学习模型进行 测试及评估， 获得测试结果； 将海洋观测站监测 到的环境因素数据输入训练好的机器学习模型， 获得海域海洋微塑料上弧菌相对丰度的实时预 测数据。 本发 明解决了 现有技术中无法对微塑料 上微生物相对丰度实时监测的问题， 为水产养殖 区水产品的致病微生物病害监测及预防提供精 确的数据支撑 。 权利要求书2页 说明书6页 附图3页 CN 114242156 A 2022.03.25 CN 114242156 A 1.一种海洋微塑料 上致病性弧菌相对丰度的实时预测方法， 其特 征在于， 包括： S101， 基于采样的海洋实验数据， 获得不同环境因素下的海洋微塑料上弧菌相对丰度 的历史实际值； S102， 将所获得的数据整理成样本数据集， 并对所述样本数据集中的环境因素数据进 行预处理； S103， 将经过预处理的样本数据集划分为训练集和 测试集； S104， 构建机器学习模型， 并使用所述训练集进行训练， 获得训练好的机器学习模型； S105， 使用所述测试集对训练好的机器学习模型进行测试及评估， 获得测试结果， 并计 算出机器学习模型的预测性能及泛化能力指标； S106， 将海洋观测站监测到的环境因素数据输入训练好的机器学习模型， 获得海域海 洋微塑料 上弧菌相对丰度的实时预测数据。 2.根据权利要求1所述的海洋微塑料上致病性弧菌相对丰度的实时预测方法， 其特征 在于， S101中， 所述环境因素包括温度、 溶解氧、 盐度、 pH、 总氮和总磷。 3.根据权利要求1所述的海洋微塑料上致病性弧菌相对丰度的实时预测方法， 其特征 在于， S102中， 对样 本数据集中的环境因素数据进 行预处理的方法包括归一化处理， 计算方 法如下： 其中， x表示环境因素值， xmin表示环境因素的最小值， xmax表示环境因素的最大值。 4.根据权利要求1所述的海洋微塑料上致病性弧菌相对丰度的实时预测方法， 其特征 在于， S10 3中， 将经 过预处理的样本数据集划分为训练集和 测试集， 具体包括： 将样本数据集随机划分成训练集和 测试集， 所述训练集和 测试集比例为8 :2。 5.根据权利要求1所述的海洋微塑料上致病性弧菌相对丰度的实时预测方法， 其特征 在于， S104中， 构建机器学习模型， 并使用所述训练集进行训练， 具体包括： 基于编程语言编写机器学习模型； 采用神经网络超参数搜索法和K折交叉验证法相结合的方法或采用网格搜索法和K折 交叉验证法相结合的方法对机器学习模型进 行不断训练， 寻找出机器学习模型的最优超参 数组合。 6.根据权利要求1所述的海洋微塑料上致病性弧菌相对丰度的实时预测方法， 其特征 在于， S104中， 构建的机器学习模型包括全连接神经网络 。 7.根据权利要求1所述的海洋微塑料上致病性弧菌相对丰度的实时预测方法， 其特征 在于， S105中， 使用所述测试集对训练好的机器学习模型进行测试及评估， 获得测试结果， 并计算出机器学习模型的预测性能及泛化能力指标， 具体包括： 将测试集中环境因素 数据输入到训练好的机器学习模型 得出预测丰度； 将机器学习模型获得的预测丰度与测试集中的真实丰度进行对比； 使用均方根误差、 平均绝对误差和决定系数对机器学习 模型的预测性 能及泛化 能力指 标进行评估。 8.根据权利要求6所述的海洋微塑料上致病性弧菌相对丰度的实时预测方法， 其特征权　利　要　求　书 1/2 页 2 CN 114242156 A 2在于， 所述均方根 误差、 平均绝对误差和决定系数的计算方法如下： 其中， yi为真实值， 表示模型的预测值， 表示数据集中真实值的平均值； m为样本数 量； RMSE表示均方根 误差； MAE表示平均绝对误差； R2表示决定系数。 9.根据权利要求1所述的海洋微塑料上致病性弧菌相对丰度的实时预测方法， 其特征 在于， S106中， 将海洋观测站 监测到的环境因素数据输入训练好的机器学习模型之前， 还包 括： 判断监测的环境因素是否有缺失， 如果有， 对未监测到的环境因素， 使用已监测到的环 境因素数据进行线性回归 估计获得； 对监测的环境因素和估计获得的环境因素 数据进行归一 化处理。 10.一种海洋微塑料 上致病性弧菌相对丰度的实时预测系统， 其特 征在于， 包括： 历史数据获取模块， 用于基于采样的海洋实验数据， 获得不同环境因素下的海洋微塑 料上弧菌相对丰度的历史实际值； 预处理模块， 用于将所获得的数据整理成样本数据集， 并对所述样本数据集中的环境 因素数据进行 预处理； 样本数据集划分模块， 用于将经 过预处理的样本数据集划分为训练集和 测试集； 训练模块， 用于构建机器学习模型， 并使用所述训练集进行训练， 获得训练好的机器学 习模型； 测试模块， 用于使用所述测试集对训练好的机器学习模型进行测试及评估， 获得测试 结果， 并计算出机器学习模型的预测性能及泛化能力指标； 实时预测模块， 用于将海洋观测站监测到的环境因素数据输入训练好的机器学习模 型， 获得海域海洋微塑料 上弧菌相对丰度的实时预测数据。权　利　要　求　书 2/2 页 3 CN 114242156 A 3