基于CNN-GRU混合模型的鱼道鱼类洄游轨迹精准预测研究

《Aquatic Sciences》：Development of a hybrid CNN-GRU model for accurately predicting fish migration trajectories in fishways by integrating hydraulic and fish movement characteristics

　　本研究针对鱼道设计中鱼类轨迹预测误差大的问题，提出了一种结合卷积神经网络（CNN）与门控循环单元（GRU）的混合模型。通过整合水力环境与鱼类运动特征（如坐标、速度、涡量等），该模型在单步及多步轨迹预测中均显著降低了MAE、RMSE等误差指标，并提升了决定系数（R2），为鱼道设施优化提供了可靠工具。

　　

为提升鱼道设计与优化效率，研究人员开发了一种融合卷积神经网络（Convolutional Neural Network, CNN）与门控循环单元（Gated Recurrent Units, GRU）的混合模型，用于精准预测鱼类在鱼道中的洄游轨迹。通过实验室模拟实验，团队采集了Schizothorax wangchiachi的运动数据（包括x、y坐标、速度、角度等）及水力参数（如流速、涡量、湍流动能），构建包含七类特征的轨迹数据集。经超参数优化后，模型在单步与多步预测中均表现优异，其均方根误差（Root Mean Square Error, RMSE）和平均绝对误差（Mean Absolute Error, MAE）显著低于多层感知机、独立CNN或循环神经网络（Recurrent Neural Network, RNN）等基线模型，且决定系数（R²）持续领先。随着预测时间步长增加，所有模型误差上升，但CNN-GRU始终保持最低误差水平。该模型为受调控河流系统中鱼道设施的规划提供了可靠的技术支持。