基于特征交互与卷积网络的渔场预测模型

摘要

长鳍金枪鱼是南太平洋渔业生产中主要的捕捞对象,准确预测其渔场分布对提高渔业捕捞效率具有重要意义。针对传统渔场预测方法预测精度低的问题,本研究提出一种基于特征交互与卷积网络的渔场预测模型——CNN-Cross。该模型引入Embedding层对数据进行处理,解决了One-Hot Encoding(独热编码)带来的特征稀疏性问题以及手动特征工程对结果的影响。同时,引入Cross网络提取特征之间的交互信息,消除了单特征对目标拟合不足的问题,并且结合CNN网络对Embedding层生成的二维特征图进行高阶隐藏信息提取,最后将两部分网络提取到的特征融合,输出分类结果。使用渔业数据对模型预测效果进行验证,结果表明,模型预测南太平洋渔场总召回率达到87.4%,中心渔场召回率达到89.4%。表明,将特征交互网络与卷积神经网络相结合可以明显提高渔场预报精度,且精度能够较好地满足现实渔业作业需求。