《Smart Agricultural Technology》：Multivariate Multi-Horizon Fish Growth Forecasting Using Temporal Convolutional Networks in IoT-Enabled Aquaculture
编辑推荐：
水产养殖日益依赖于能够捕捉动态环境-生物相互作用的智能监测系统，以支持可持续的、数据驱动的鱼类生产。然而，现有的鱼类生长预测方法将长度和重量视为孤立的静态回归目标，很大程度上忽视了实际水产养殖环境中固有的时间依赖性。本文提出了一种新颖的多元、多任务、多时间尺度
水产养殖日益依赖于能够捕捉动态环境-生物相互作用的智能监测系统，以支持可持续的、数据驱动的鱼类生产。然而，现有的鱼类生长预测方法将长度和重量视为孤立的静态回归目标，很大程度上忽视了实际水产养殖环境中固有的时间依赖性。本文提出了一种新颖的多元、多任务、多时间尺度深度学习框架，用于利用连续传感器数据实时预测鱼类长度和重量。我们首次引入了一种基于时序卷积网络（Temporal Convolutional Network, TCN）的水产养殖预测架构，并在多个时间分辨率（1分钟、15分钟和30分钟）和预测时间尺度（短期、中期和长期）上，与包括长短期记忆网络（Long Short-Term Memory, LSTM）和门控循环单元（Gated Recurrent Unit, GRU）在内的先进递归模型进行了广泛的基准测试。所提出的模型包含一个多分辨率时序重采样流程、一个滑动窗口监督公式，以及一个具有任务特定输出头的共享TCN编码器，能够同时预测多个未来时间步的多种生物特征。提出了一种基于平台感知的联合损失函数，以增强时间平滑性并产生生物学一致的生长轨迹，同时使用贝叶斯超参数优化来优化模型。在从多个独立鱼塘收集的真实物联网（Internet of Things, IoT）数据集上进行的实验表明，TCN在均方根误差和平均绝对误差上始终比LSTM和GRU高出30-50%，并且在所有重采样尺度和预测窗口上都具有更优的稳定性。该模型还表现出强大的跨鱼塘泛化能力，证实了其在不同环境条件下的鲁棒性。这些结果表明，基于TCN的多任务预测有效地建模了水质与生物生长之间复杂的、多尺度的关系。
论文解读：基于物联网与时序卷积网络的鱼类生长预测研究
随着全球人口快速增长、气候变化及资源有限性带来的挑战，采纳创新和可持续的农业实践变得至关重要。水产养殖作为一种环保、可灵活应对多种挑战的途径，其重要性日益凸显。它涉及在受控条件下养殖鱼类、软体动物、甲壳类等水生生物，是对野生捕捞的重要补充。然而，传统水产养殖面临资源利用效率低、疾病、环境压力和气候变化等问题，常导致干预延迟、经济损失、饲料性能差和鱼类死亡率升高。同时，气候变化带来的温度变化、海平面上升和极端天气事件直接或间接地影响着水产养殖生产和生态系统。
尽管物联网、人工智能和区块链等智能技术为水产养殖的实时环境监测和数据分析提供了可能，例如通过传感器网络监测水温、pH、溶解氧、氨氮和硝酸盐等水质指标，但现有研究在鱼类生长预测方面存在显著局限。多数先前工作将鱼类长度和重量作为独立的静态回归目标进行预测，或仅使用传统机器学习模型进行单步预测，未能充分考虑和利用生长数据中固有的时间动态特性。此外，这些研究通常只预测单一特征（长度或重量）的单一静态值，缺乏对多个生物特征进行同步、多步时间序列预测的能力。因此，开发一种能够捕获环境与生物生长之间复杂时空依赖关系，并实现多任务、多时间尺度预测的先进框架，对于实现精准、高效和可持续的智能化水产养殖管理具有迫切需求。
针对上述问题，由Hager Saleh、Abdulaziz AlMohimeed、Rabab AliAbumalloh、Priyanka Verma、Neil J. Rowan、Michael McCann、John G. Breslin、Shaker El-Sappagh等研究人员组成的研究团队，在《Smart Agricultural Technology》期刊上发表了一项研究。该研究旨在开发一个统一的多元、多任务、多时间尺度预测框架，以联合建模鱼类长度和重量作为随时间演变的目标，从而更真实地模拟环境-生物相互作用，克服先前依赖单任务、单步预测方法的关键限制。该研究的核心贡献在于首次将时序卷积网络（TCN）架构系统性地应用于水产养殖时间序列数据的多步预测，并通过跨鱼塘验证，展示了其在多变环境条件下的鲁棒性。
研究人员为开展此项研究，主要采用了以下几个关键技术方法：
首先，在数据方面，研究使用了公开的、来自尼日利亚恩苏卡大学鱼菜共生池塘的传感器数据集，该数据集通过物联网系统采集，包含水温、pH、溶解氧、浊度、硝酸盐等水质参数，以及定期测量的鱼类长度和重量数据。研究构建了一个多步时间序列预测的监督学习问题，并使用了滑动窗口技术将原始数据转化为可用于模型训练的序列样本。其次，在模型架构上，研究设计了一个基于TCN的多任务深度学习框架。该框架包含一个共享的TCN编码器，其后连接任务特定的回归头，用于同时预测未来多个时间步的鱼类长度和重量。TCN模型采用了因果膨胀卷积和残差连接，以有效捕获长程时间依赖。研究还提出了一种“平台感知”的联合损失函数，以鼓励预测轨迹的时间平滑性和生物学一致性。最后，在实验评估上，研究采用了严格的评估协议，包括将数据按时间顺序划分为训练集和测试集，并进行了跨鱼塘的外部验证，以测试模型的泛化能力。研究比较了TCN与经典的循环神经网络模型LSTM和GRU的性能，并使用了贝叶斯优化进行超参数调优，在多个时间分辨率（1分钟、15分钟、30分钟）和预测范围上评估了模型。
研究结果
1. 方法论
研究人员详细阐述了所提出的预测框架的整体流程，包括数据采集、预处理、问题形式化、数据集划分、多任务建模（训练与优化）以及模型评估。核心在于将原始4秒间隔的数据重采样为1分钟、15分钟和30分钟三个不同时间分辨率的数据集，以评估模型在不同时间粒度上的性能。随后，应用滑动窗口技术将多变量时间序列转换为监督学习格式，输入为历史时间窗口，输出为未来多个时间步的鱼类长度和重量值。模型方面，研究不仅提出了新的TCN架构，还将LSTM和GRU作为基准模型进行了全面对比。TCN利用堆叠的因果膨胀卷积层来扩展感受野，有效捕获长程时间依赖，其并行计算特性也使其在训练效率上具有优势。
2. 多任务建模：训练和优化
此部分深入介绍了LSTM、GRU和TCN的基础理论及其在时间序列建模中的原理。重点描述了所提出的TCN-based模型的具体架构：它使用了一个共享的TCN编码器来从多变量环境输入中提取时序特征，然后通过两个独立的全连接层（任务特定头）分别预测鱼类长度和重量的未来序列。研究强调，这种设计使模型能够学习不同生长指标之间的共享时序模式，同时保留各自的特异性。
3. 提出的多时间尺度多任务TCN框架
研究人员通过图表和公式详细说明了所提出的多时间尺度多任务TCN框架的整体架构。该框架接收一个多变量时间序列张量作为输入，通过共享的TCN编码器处理后，由两个并行的任务特定头生成对应长度的多步预测输出。框架整合了多分辨率重采样策略、滑动窗口监督学习和定制化的损失函数，形成了一个端到端的预测系统。
4. 实验结果与讨论
实验结果表明，在从两个独立鱼塘收集的真实数据集上，所提出的TCN模型在几乎所有实验设置下（不同时间分辨率和预测范围）均显著优于LSTM和GRU基线模型。具体表现为TCN的均方根误差和平均绝对误差降低了30-50%，并且在预测鱼重和鱼长两个任务上均表现出一致的优势。例如，在1分钟分辨率下预测未来5分钟的生长，TCN在鱼塘1和鱼塘2的鱼长和鱼重预测误差均最低。更重要的是，模型在“鱼塘2”数据上（作为外部验证集）也取得了最佳性能，证明了其强大的跨鱼塘泛化能力和对不同环境条件的鲁棒性。这些结果证实了TCN在建模水质与鱼类生长之间复杂的多尺度时空关系方面的有效性。
5. 讨论与结论
研究人员在讨论部分指出，本研究的贡献不在于提出一个全新的独立模型组件，而在于将多个建模维度（多变量、多任务、多时间尺度）统一集成到一个连贯的预测框架中。虽然TCN和滑动窗口学习在其他领域已有探索，但将它们联合应用于水产养殖的多元、多任务、多时间尺度鱼类生长预测，并结合生物信息启发的损失设计和跨池塘验证，在现有研究中尚未得到系统调查。这种集成框架能够更真实地模拟环境-生物相互作用，并解决了先前依赖单任务、单步预测设置方法的关键局限性。
研究结论翻译：
通过准确的鱼类生长多时间尺度预测，所提出的系统支持早期异常检测、饲料管理优化、生长调度和自动化养殖决策支持。这直接推进了自主、人工智能驱动的水产养殖系统的议程，实现了主动而非被动的管理。实验结果一致表明，时序卷积网络（TCN）在多个时间分辨率和预测范围上显著优于循环基线（LSTM和GRU），实现了预测准确性的显著提高，并展示了在时间分辨率和未见过的池塘条件下的鲁棒性。所提出的框架有效地捕捉了水质与生物生长之间的复杂、多尺度关系，为数据驱动的可持续水产养殖提供了强大的工具。
