本申请属于有害藻华生长，具体涉及一种基于tent-gwo-gru的有害藻华生长预测方法。
背景技术：
1、有害藻华(harmful algalblooms，habs)是指由于水中浮游状态的藻类快速增殖或大量聚集导致的生态灾害问题。近几十年来，受水体富营养化、全球气候变暖、海上交通运输和海水养殖业的发展，全球范围内有害藻华事件的爆发频次、持续时间、影响范围以及危害程度均表现出不断上升的趋势。为减轻有害藻华事件带来的潜在损失，建立有效的模型来预测藻类的生长演化过程是非常必要的。
2、近年来，机器学习模型在水质预测建模中被广泛应用，如人工神经网络(ann)、循环神经网络(gru)、极限学习机(elm)、随机森林(rf)、支持向量机(svm)等，已被广泛用于回归预测。机器学习模型绕过藻华生长演化复杂的机理过程，关注研究系统输出和输入之间的映射关系，通过学习大量的历史数据，可以精确逼近高度非线性的关系。mamun等人利用支持向量机预测净水生态系统中藻类叶绿素a和水体透明度，实验结果表明，svm模型的预测精度和模型稳定性均较差，不能较为准确地预测有害藻华的生长演化过程。鲁元波等人利用循环神经网络(gru)模型对广东省跨境断面水质进行预测，预测精度较高，为实现gru模型的迁移使用，提出了pso-gru水质预测模型，引入粒子群优化算法，对gru的超参数进行优化，减少了超参数设置的经验性和随机性，提高模型预测精度。然而，粒子群优化算法的收敛速度较慢，灰狼优化算法可以较好地解决这个问题，却存在初始点选择较为随机的问题。因此，李金等人利用混沌系统的随机性和遍历性产生分布较均匀的tent混沌序列来初始化灰狼种群，获得分布较均匀且多样性较高的初始解，提高了算法的全局搜索能力。但如何将tent-gwo和gru应用到有害藻华领域内仍需进一步探索。
技术实现思路
1、本申请提供一种基于tent-gwo-gru的有害藻华生长预测方法，以解决上述的技术问题。
2、为解决上述技术问题，本申请采用的一个技术方案是：一种基于tent-gwo-gru的有害藻华生长预测方法，包括以下步骤：
3、获取目标流域的历史水质数据并进行预处理；
4、基于历史水质数据，构建门控循环单元神经网络gru模型；
5、基于tent混沌映射算法，优化灰狼算法gwo；
6、基于门控循环单元神经网络gru模型以及灰狼算法gwo，优化gru模型参数并进行预测。
7、进一步，获取目标流域的历史水质数据并进行预处理的方法，包括：
8、收集目标流域的历史水质数据，并选取叶绿素的浓度作为衡量藻类生长程度的指标；
9、基于历史水质数据以及藻类生长影响因素，获取第一特征数据集；
10、基于线性插值法，对水质特征数据集进行缺失值以及异常值检验，获取第二特征数据集；
11、对第二特征数据集中的指标数据进行极差标准化处理，获取第三特征数据集；
12、基于时间延滞以及第三特征数据集中的指标数据，获取预处理数据；
13、将预处理数据按照预设比例划分为训练集以及测试集。
14、进一步，构建门控循环单元神经网络gru的方法，包括：
15、将预处理数据中的指标数据进行重组，获取向量集；
16、基于向量集，构建门控循环单元神经网络gru模型的重置门；
17、基于门控循环单元神经网络gru模型的重置门，获取门控循环单元神经网络gru模型的更新门；
18、基于门控循环单元神经网络gru模型的更新门，获取门控循环单元神经网络gru模型的全连接层；
19、基于门控循环单元神经网络gru模型的全连接层，获取门控循环单元神经网络gru的输出值。
20、进一步，基于tent混沌映射算法，优化灰狼算法gwo的方法，包括：
21、基于tent混沌映射算法，对灰狼算法gwo中的狼群进行初始化，获取初始化狼群参数以及初始迭代次数；
22、基于初始化狼群参数，获取每个灰狼个体的适应度值；
23、比较所有灰狼个体的适应度值，获取第一优解、第二优解以及第三优解；
24、基于第一优解、第二优解以及第三优解对应的优解灰狼个体，获取其余灰狼个体与优解灰狼个体的距离参数；
25、基于距离参数，更新参数向量；
26、重复上述步骤，直到迭代次数达到预设值，获取最优灰狼参数。
27、进一步，优化gru模型参数并进行预测的方法，包括：
28、将训练集中的数据输入门控循环单元神经网络gru模型，获取叶绿素浓度的预测值以及预测精度；
29、基于叶绿素浓度的真实值以及预测值，获取模型损失函数；
30、基于adam优化算法优化模型损失函数，获取预训练模型；
31、将损失函数作为适应度函数，根据优化后的tent-gwo算法，对预训练模型中的学习率、隐藏层节点数和正则化系数进行优化，获取预训练的tent-gwo-gru模型；
32、基于tent-gwo-gru模型，获取测试集中的叶绿素浓度。
33、本申请的有益效果是：本申请对指标数据进行时间延滞，充分考虑到了藻华生长演化的延后性，提高了该方法的可行性。引入tent混沌映射算法，对gwo算法生成初始狼群的方法进行改进，使得初始狼群的分布更均匀，明显提高了算法的适应度值，更容易找到全局最优解。此外，本申请采用tent-gwo优化算法，对gru模型的超参数及网络结构进行优化，不仅提高了模型的稳定性，还取得了较高的预测精度。
1.一种基于tent-gwo-gru的有害藻华生长预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述获取目标流域的历史水质数据并进行预处理的方法，包括：
3.根据权利要求2所述的方法，其特征在于，所述构建门控循环单元神经网络gru的方法，包括：
4.根据权利要求3所述的方法，其特征在于，所述基于tent混沌映射算法，优化灰狼算法gwo的方法，包括：
5.根据权利要求4所述的方法，其特征在于，所述优化gru模型参数并进行预测的方法，包括：
