一种基于机器学习的养殖水产品药物残留风险预测方法与流程

摘要: 本发明涉及水产品质量安全风险预测,具体涉及一种基于机器学习的养殖水产品药物残留风险预测方法。背景技术:1、水产养殖是我国农业经济的重要支柱产业,随着规模化、集约...
一种基于机器学习的养殖水产品药物残留风险预测方法与流程

本发明涉及水产品质量安全风险预测,具体涉及一种基于机器学习的养殖水产品药物残留风险预测方法。

背景技术:

1、水产养殖是我国农业经济的重要支柱产业,随着规模化、集约化养殖模式的普及,病害发生频率随之升高,渔用药物成为病害防控的必要手段。但养殖过程中不规范用药、休药期执行不到位等问题频发,导致水产品药物残留超标风险持续存在,既威胁公众饮食安全,也制约产业绿色发展。当前水产品质量安全管控多依赖终端抽检的事后管控模式,难以在养殖过程中提前预判残留风险,无法为前端用药管控与休药期调整提供技术支撑。

2、针对水产品药物残留检测,现有技术已开展大量研究,例如授权公告号为cn120213891b的中国发明专利公开了一种基于拉曼光谱的水产品药物残留检测方法及系统,其通过采集样本拉曼光谱数据,经小波去噪、特征峰提取与偏差修正后与标准光谱库比对,结合支持向量回归算法构建定量检测模型,实现药物残留浓度的快速测定。该技术方案提升了检测效率,为现场快速筛查提供了可行路径,但本质仍属于单点式事后检测技术,仅能获取采样时刻的残留水平,无法对药物代谢趋势进行动态推演,也不能提前预判捕捞阶段的残留超标风险,难以支撑养殖全周期的风险前置管控。

3、目前已有的药物残留预测相关研究,多直接将投药、水质等多源数据简单拼接后输入模型,未区分药物本征代谢规律与环境扰动效应的作用机制,导致模型跨水域、跨季节的泛化能力较弱,难以满足养殖场景下高精度风险预测需求。因此,亟需开发一种融合多源养殖数据、基于代谢机理解耦的机器学习预测方法,实现养殖水产品药物残留风险的超前预警。

技术实现思路

1、本发明目的在于提供一种基于机器学习的养殖水产品药物残留风险预测方法,以解决上述背景技术中提出的现有药物残留预测模型多源数据简单拼接、未分离代谢与环境作用规律,模型跨水域、跨季节泛化能力较差,难以实现养殖水产品药物残留高精度超前预警的问题。

2、为了实现上述目的,本发明提供一种基于机器学习的养殖水产品药物残留风险预测方法,包括以下步骤:

3、按照预设时间间隔采集养殖水产品待测样本,对养殖水产品待测样本进行检测得到单时刻药物残留代谢特征,并经异常值清洗与时间轴归一化预处理后,按时间顺序排列构建时序药物残留代谢序列;

4、获取养殖周期内的投药行为时序数据,将投药行为时序数据与所述时序药物残留代谢序列进行动态时序对齐与因果耦合表征,生成投药代谢耦合时序特征;

5、获取养殖周期内实时监测的水环境因子时序数据,以水环境因子为外部协变量对所述投药代谢耦合时序特征进行环境校正与解耦分离,输出相互独立的本征代谢时序特征和环境扰动时序特征;

6、获取养殖生产静态属性数据,对养殖生产静态属性数据进行标准化编码后,与所述本征代谢时序特征和环境扰动时序特征进行时序广播与特征融合,经滑动时间窗口切分与标准化处理后,生成多源耦合时序特征样本;

7、将所述多源耦合时序特征样本输入预训练完成的时序预测机器学习模型,经模型推理运算后输出养殖水产品药物残留风险预测结果。

8、优选的,所述单时刻药物残留代谢特征的获取方法为:

9、按照投药后初期低频次采样、休药期高频次加密采样的预设时间节点,采集养殖水产品体表黏液样本,并经萃取富集前处理制备为养殖水产品待测样本;

10、采用快速检测技术对养殖水产品待测样本进行检测,提取得到包含目标药物原型浓度、主要代谢产物浓度和代谢产物与原型药物浓度比值的单时刻药物残留代谢特征。

11、优选的,所述动态时序对齐与因果耦合表征为:

12、将离散的投药行为时序数据转换为与时序药物残留代谢序列时间间隔一致的投药事件时序序列,并采用动态时间规整算法计算投药事件与代谢响应的最佳滞后期,得到动态时序对齐后的投药事件时序序列与时序药物残留代谢序列;

13、基于动态时序对齐后的投药事件时序序列与时序药物残留代谢序列构造累积暴露特征、代谢效率特征和滞后响应特征,并与所述时序药物残留代谢序列的原有特征进行拼接,生成投药代谢耦合时序特征;

14、所述投药行为时序数据包含养殖周期内各投药事件的时间点、单次投药剂量和累计投药量。

15、优选的,所述本征代谢时序特征的获取方法为:

16、基于历史代谢样本预先构建水环境因子对药物代谢速率的影响基准模型,逐时刻根据所述水环境因子时序数据计算对应的代谢修正系数;

17、利用代谢修正系数对所述投药代谢耦合时序特征进行反向校正,还原得到标准养殖环境条件下、反映药物固有代谢规律的本征代谢时序特征。

18、优选的,所述环境扰动时序特征的获取方法为:

19、计算投药代谢耦合时序特征与本征代谢时序特征的逐时刻代谢偏差特征,同时提取水环境因子时序数据的逐时刻变化量与预设滚动周期内的滚动波动幅度,构成环境波动特征;

20、将代谢偏差特征与环境波动特征进行拼接,得到反映环境胁迫对药物代谢调制效应的环境扰动时序特征。

21、优选的,所标准化编码为:对养殖生产静态属性数据中有序类别型属性采用标签编码,对养殖生产静态属性数据中无序类别型属性采用独热编码,对养殖生产静态属性数据中数值型属性采用z-score标准化处理,据此形成静态特征向量。

22、优选的,所述多源耦合时序特征样本的获取方法为:

23、将静态特征向量通过广播机制扩展为与所述本征代谢时序特征、环境扰动时序特征时间维度匹配的静态时序矩阵,分别与本征代谢时序特征、环境扰动时序特征在特征维度进行拼接,并构造生物属性与代谢过程的交叉特征;

24、设置滑动时间窗口长度和预测步长,以步长1滑动窗口对融合后的完整长时序特征序列进行滑动切分,经批量标准化处理后生成多源耦合时序特征样本。

25、优选的,所述时序预测机器学习模型为双支路注意力时序预测模型,其结构依次包括双支路时序编码层、自适应注意力融合层、静态特征嵌入层和双输出头;

26、所述双支路时序编码层从多源耦合时序特征样本中分别提取本征代谢子特征通道、环境扰动子特征通道,并送入两条长短期记忆网络支路分别完成时序特征编码;

27、所述自适应注意力融合层采用多头注意力机制对两条长短期记忆网络支路输出的时序特征编码结果进行自适应加权融合;

28、所述静态特征嵌入层单独提取多源耦合时序特征样本内的静态属性特征并做嵌入映射;

29、自适应加权融合后的时序特征编码结果与嵌入映射后的静态属性特征拼接后送入双输出头,双输出头并行输出药物残留浓度预测值与药物残留风险等级。

30、优选的,所述时序预测机器学习模型采用多任务损失函数进行预训练,总损失由回归任务损失与分类任务损失加权求和得到。

31、与现有技术相比,本发明具有如下有益效果:

32、1.本发明通过全周期分梯度时序采样采集水产品药物残留数据并构建连续时序代谢序列,摒弃传统单点取样事后检测模式,能够完整还原养殖全程药物浓度动态变化趋势,可提前预判捕捞阶段药物残留水平,实现风险前置识别,弥补现有检测手段仅能获取瞬时残留数据、无法提前预警的缺陷。

33、2.对现有预测方法直接堆砌投药、水质多源数据造成特征混杂、模型场景适配性差的问题,本发明以水环境因子为外部协变量对投药代谢耦合时序特征做解耦拆分,分离得到独立的本征代谢时序、环境扰动时序两类特征,规避不同维度数据相互干扰的问题,大幅削弱季节、池塘环境差异对预测结果的负面影响,有效提升模型跨场景泛化性能与整体预测精度。

34、3.本发明对养殖静态属性数据标准化编码后,与时序解耦特征融合并通过滑动窗口生成统一标准模型输入样本,搭配双支路注意力时序预测模型对两类解耦时序特征分开编码学习,充分挖掘多源养殖数据内在时序变化规律,相比常规通用时序模型,能够稳定提升药物残留定量预测与风险等级判定的准确率,可满足规模化水产养殖批量风险快速预测的应用需求。