本發(fā)明涉及生物環(huán)境適生性預測，具體為一種蠅蛆環(huán)境適生性預測方法。

背景技術(shù)：

1、生物環(huán)境適生性預測技術(shù)利用統(tǒng)計分析、生態(tài)學、地理信息系統(tǒng)以及機器學習等多學科方法及工具，以評估和預測特定生物在特定環(huán)境中的適應能力和生存的可能性，為生態(tài)保護、環(huán)境管理和資源利用提供科學依據(jù)。

2、回歸算法是一種統(tǒng)計方法和機器學習技術(shù)，用于分析變量之間的關系，而后通過輸入變量來預測輸出變量?；貧w算法建立一個數(shù)學模型，通過描述輸入變量與輸出變量之間的關系，從而達到對新數(shù)據(jù)進行預測的目標。

3、在生物環(huán)境適生性預測過程中，變量的選擇是一個至關重要的步驟；變量選擇過程中，過多特征的選擇會導致模型在新數(shù)據(jù)上表現(xiàn)較差的情況，且難以解釋哪些環(huán)境變量對物種適生性有關鍵影響；變量的選擇還存在共線性問題，變量之間存在高度相關性，導致模型不穩(wěn)定，難以明確各個變量對物種適生性的獨立貢獻；此外，數(shù)據(jù)質(zhì)量問題如缺失值，異常值和誤差可能影響預測結(jié)果。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種蠅蛆環(huán)境適生性預測方法，以解決上述背景技術(shù)中提出的問題。

2、為了解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：一種蠅蛆環(huán)境適生性預測方法，該方法包括以下步驟：

3、s1、收集和整理環(huán)境變量數(shù)據(jù)以及對應變量下的蠅蛆數(shù)量數(shù)據(jù)；

4、s2、將步驟s1中收集的數(shù)據(jù)整合為數(shù)據(jù)集并劃分為訓練集和測試集；

5、s3、使用回歸算法對環(huán)境變量進行篩選；

6、s4、構(gòu)建廣義加性模型、對模型進行訓練和評估；

7、s5、使用訓練好的模型對已知環(huán)境變量或待測區(qū)域進行預測。

8、在步驟s1中，所述環(huán)境變量數(shù)據(jù)是指對蠅蛆生存有影響的環(huán)境因素狀態(tài)；所述蠅蛆數(shù)量數(shù)據(jù)是指單位面積內(nèi)蠅蛆的數(shù)量；其中，環(huán)境因素為特征變量，可表示為，為特征的數(shù)量；蠅蛆數(shù)量為目標變量，可表示為；特征變量用于預測目標變量。

9、在步驟s2中，使用交叉驗證方式劃分訓練集和測試集；

10、將數(shù)據(jù)集等比例分為k份，共須進行k次實驗；在第一次實驗中，選取第1份數(shù)據(jù)作為測試數(shù)據(jù)，剩余的k-1份數(shù)據(jù)作為訓練數(shù)據(jù)；在第二次實驗中，選取第2份數(shù)據(jù)作為測試數(shù)據(jù)，剩余的k-1份數(shù)據(jù)作為訓練數(shù)據(jù)……在第k次實驗中，選取第k份數(shù)據(jù)作為測試數(shù)據(jù)，剩余的k-1份數(shù)據(jù)作為訓練數(shù)據(jù)；在每一次實驗中，都會得到一個均方誤差值，將k個均方誤差值平均就得到交叉驗證誤差。

11、所述均方誤差值可由公式計算得出：

12、

13、其中，表示測試集樣本的數(shù)量，代表真實值，代表預測值；在回歸分析中，均方誤差值用于衡量預測值與實際值之間的平均平方誤差；由公式可知，均方誤差值總是大于等于零的；當預測值與真實值相同時，均方誤差值為0，故當均方誤差值越接近0時，預測值越接近真實值；同理，所述交叉驗證誤差值越小時，模型性能越佳。

14、在步驟s3中，使用回歸算法確定重要環(huán)境變量；回歸算法增加了對權(quán)重的限制，作為正則化項，將有限的權(quán)重，放到了更重要的特征維度上：

15、

16、其中，為樣本個數(shù)，代表真實值，代表預測值，為正則化參數(shù)，為范數(shù)；

17、正則化參數(shù)控制正則化的強度，值越大，對模型復雜度的懲罰越大，越多的環(huán)境變量系數(shù)被壓縮為0；值越小，越接近一般的線性回歸；保留環(huán)境變量系數(shù)不為0的環(huán)境變量；隨著值不斷增大，環(huán)境變量系數(shù)越晚變?yōu)?的變量在模型中越重要；使用沿著正則化路徑具有迭代擬合的線性模型，通過規(guī)定正則化路徑的長度，即限制最小值與最大值的比自動生成或手動設置正則化參數(shù)的值，控制對模型復雜度的懲罰以改變重要特征的數(shù)量；

18、模型回歸系數(shù)向量可表示為，其中是特征的數(shù)量；則范數(shù)可計算為；即對所有回歸系數(shù)絕對值求和；

19、調(diào)整回歸系數(shù)使的值最小化，達到在考慮精度的同時通過正則化控制模型復雜度的目的；在利用坐標下降法調(diào)整回歸系數(shù)使值最小化的過程中，回歸系數(shù)不為0的特征便是重要特征。

20、在步驟s4中，使用廣義加性模型分析和預測變量之間的關系，模型公式通常表示為：

21、

22、其中，表示因變量，也就是要預測的目標變量；為截距項，表示當所有特征變量的取值均為0時所期望的目標變量值；，，，為非線性函數(shù)，用于表示特征向量與目標向量之間的非線性關系；表示誤差項，即模型未能解釋的隨機部分；

23、使用訓練集數(shù)據(jù)擬合模型；使用測試集得到的均方誤差值對模型進行評估。

24、在步驟s5中，所述已知環(huán)境變量表示所采集的特征變量，采集過程所采集變量不包括目標變量，即物種數(shù)量；經(jīng)過步驟s1s4達到利用特征變量對目標變量預測的目的。

25、在步驟s5中，對待測區(qū)域進行預測包括以下準備工作：

26、s8-1、收集該區(qū)域歷史環(huán)境變量；

27、s8-2、預測該區(qū)域未來環(huán)境變量；

28、s8-3、選取所需時間節(jié)點的環(huán)境特征變量對該區(qū)域適生性進行預測；

29、在步驟s8-1中，通過氣候數(shù)據(jù)庫獲取該區(qū)域歷史環(huán)境變量數(shù)據(jù)，所獲取特征與步驟s1中收集特征一致。

30、在步驟s8-2中，利用歷史環(huán)境變量對自回歸積分移動平均模型進行擬合，使用訓練好的模型進行該區(qū)域未來環(huán)境變量的預測包括：時間序列數(shù)據(jù)清洗和標準化、繪制時間序列圖、通過差分使非平穩(wěn)數(shù)據(jù)變?yōu)槠椒€(wěn)、使用自相關函數(shù)和偏自相關函數(shù)圖確定和、使用數(shù)據(jù)的差分次數(shù)確定、使用確定的參數(shù)擬合模型以及使用訓練好的模型進行未來值的預測；

31、其中，由自回歸階數(shù)確定的自回歸部分確定了當前值與前個滯后值之間的關系；由差分次數(shù)確定的積分部分確定了對數(shù)據(jù)進行多少次差分以使其平穩(wěn)；由移動平均階數(shù)確定的移動平均部分確定了當前值與前個誤差項之間的關系；自回歸、積分和移動平均三部分明確了模型的結(jié)構(gòu)；

32、預測完成后選取所需時間節(jié)點的環(huán)境特征變量，經(jīng)過步驟s1s4達到利用特征變量對目標變量預測的目的。

33、與現(xiàn)有技術(shù)相比，本發(fā)明所達到的有益效果是：使用回歸算法能夠自動選擇重要在特征，將不重要的特征的系數(shù)收縮到0，能夠有效的篩選出對目標變量最有影響的特征；特征選擇減少了輸入變量的數(shù)量，降低了過擬合的風險，提高了模型的泛化能力；回歸算法篩選出的特征較少且重要，使得模型更易于理解和解釋。廣義加性模型本身具有良好的解釋性，通過非線性函數(shù)捕捉每個特征與目標變量之間的關系，使解釋更加直觀；結(jié)合兩種方法的優(yōu)點，可以有效的提高模型的準確性、解釋性、穩(wěn)健性和計算效率。

技術(shù)特征：

1.一種蠅蛆環(huán)境適生性預測方法，其特征在于：該方法包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種蠅蛆環(huán)境適生性預測方法，其特征在于：在步驟s1中，所述環(huán)境變量數(shù)據(jù)是指與蠅蛆生存相關的環(huán)境因素狀態(tài)；所述蠅蛆數(shù)量數(shù)據(jù)是指單位面積內(nèi)蠅蛆的數(shù)量；其中，環(huán)境因素為特征變量，表示為，為特征變量的數(shù)量；蠅蛆數(shù)量為目標變量，表示為；所述特征變量用于預測目標變量。

3.根據(jù)權(quán)利要求1所述的一種蠅蛆環(huán)境適生性預測方法，其特征在于：在步驟s2中，使用交叉驗證的方式劃分訓練集和測試集；

4.根據(jù)權(quán)利要求3所述的一種蠅蛆環(huán)境適生性預測方法，其特征在于：所述均方誤差值公式為：

5.根據(jù)權(quán)利要求1所述的一種蠅蛆環(huán)境適生性預測方法，其特征在于：在步驟s3中，使用回歸算法確定重要環(huán)境變量；回歸算法增加了對權(quán)重的限制，作為正則化項，將有限的權(quán)重，放到了更重要的特征維度上：

6.根據(jù)權(quán)利要求4所述的一種蠅蛆環(huán)境適生性預測方法，其特征在于：在步驟s4中，使用廣義加性模型變量之間的關系進行分析和預測，模型公式表示為：

7.根據(jù)權(quán)利要求1所述的一種蠅蛆環(huán)境適生性預測方法，其特征在于：在步驟s5中，所述已知環(huán)境變量表示所采集的特征變量，采集過程所采集變量不包括目標變量，即物種數(shù)量；經(jīng)過步驟s1s4達到利用特征變量對目標變量預測的目的。

8.根據(jù)權(quán)利要求1所述的一種蠅蛆環(huán)境適生性預測方法，其特征在于：在步驟s5中，對待測區(qū)域進行預測包括以下準備工作：

9.根據(jù)權(quán)利要求8所述的一種蠅蛆環(huán)境適生性預測方法，其特征在于：在步驟s8-2中，利用歷史環(huán)境變量對自回歸積分移動平均模型進行擬合，使用訓練好的模型進行該區(qū)域未來環(huán)境變量的預測包括：時間序列數(shù)據(jù)清洗和標準化、繪制時間序列圖、通過差分使非平穩(wěn)數(shù)據(jù)變?yōu)槠椒€(wěn)、使用自相關函數(shù)和偏自相關函數(shù)圖確定和、使用數(shù)據(jù)的差分次數(shù)確定、使用確定的參數(shù)擬合模型以及使用訓練好的模型進行未來值的預測；

技術(shù)總結(jié)
本發(fā)明公開了一種蠅蛆環(huán)境適生性預測方法，屬于生物環(huán)境適生性預測技術(shù)領域。本發(fā)明包括以下步驟：收集和整理環(huán)境變量數(shù)據(jù)以及蠅蛆數(shù)量數(shù)據(jù)；將收集的數(shù)據(jù)整合并使用交叉驗證的方式劃分為訓練集和測試集；使用Lasso回歸算法對環(huán)境變量進行篩選；構(gòu)建廣義加性模型GAM、對模型進行訓練以及評估；使用訓練好的模型對已知環(huán)境變量或待測區(qū)域進行預測；所述環(huán)境變量數(shù)據(jù)是指與蠅蛆生存相關的環(huán)境因素狀況；所述蠅蛆數(shù)量數(shù)據(jù)是指單位面積內(nèi)蠅蛆的數(shù)量；其中，環(huán)境因素為特征變量；蠅蛆數(shù)量為目標變量；特征變量用于預測目標變量；本方法能夠有效改善蠅蛆環(huán)境適生性預測過程中模型解釋性較差的情況。

技術(shù)研發(fā)人員：王晨浩,王穎,李璐岑,祝子逸,李臻,蘇曉佳,吉詩鷺,羅振揚,朱敏
受保護的技術(shù)使用者：南京林業(yè)大學
技術(shù)研發(fā)日：
技術(shù)公布日：2024/11/26