CN109145499A - 基于河道多态计算及Arima模型的权重组合水质预测方法 - Google Patents
基于河道多态计算及Arima模型的权重组合水质预测方法 Download PDFInfo
- Publication number
- CN109145499A CN109145499A CN201811066909.1A CN201811066909A CN109145499A CN 109145499 A CN109145499 A CN 109145499A CN 201811066909 A CN201811066909 A CN 201811066909A CN 109145499 A CN109145499 A CN 109145499A
- Authority
- CN
- China
- Prior art keywords
- river
- water quality
- value
- arima
- polymorphic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 title claims abstract description 65
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 230000006798 recombination Effects 0.000 claims abstract description 6
- 238000005215 recombination Methods 0.000 claims abstract description 6
- 238000001514 detection method Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 7
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 7
- 229910052760 oxygen Inorganic materials 0.000 description 7
- 239000001301 oxygen Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010835 comparative analysis Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241001123248 Arma Species 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于河道多态计算及Arima模型的权重组合水质预测方法,首先,获取河流监测站点的历史水质指标监测数据,基于Arima模型预测河流监测站点的下一时间段的各水质数据的预测值,作为初始预测值;然后,基于河道空间形态和上游监测站点的水质指标测量值,计算河道内流量比例,从而计算下游水质指标预测值;其中空间形态包括支流态和汇流态;最后,将两项预测值使用权重组合优化方法进行计算,得到最终预测值。与现有技术相比,本发明不仅利用了数据本身的特征,还考虑了河道支流和干流的空间关系,基于Arima预测值及河道多态计算的组合预测值平均误差小,具有更好的精度,适合支流态及汇流态的预测算法优化。
Description
技术领域
本发明涉及一种基于河道多态计算及Arima模型的权重组合水质预测方法,属于水环境监测技术领域。
背景技术
河流的水质预测对于河道水质实时监测、预警及提前防范具有重要意义。学者的研究表明,河道水质的扩散具有非线性的特点,当前水质的浓度不是简单的浓度总和的逐渐扩散,而是带有河道本身及河道内外力作用的随机扰动,常规的方法多是基于监测点历史数据的内生规律进行,基于Arima模型所得到的水质预测算法是常规方法之一,该模型首先对数据序列进行稳态及非稳态的判定,当数据处于非稳态阶段,则通过差分的方式进行预处理,确保数据为稳态数据,从而能够从中得到数据变动规律,保证后续预测的准确性。除了基于数据内生规律进行预测,另一种有效的手段是基于河道水文水质模型进行,如使用MIKE模型进行大流域的水质预测(徐帅等,基于MIKE 21FM模型的地表水影响预测[J].环境科学与技术,2015(S1):386-390),以及基于非点源AnnAGNPS模型及水库CEQUAL模型的湖泊水质预测(朱磊等,水文水质模型联合应用于水库水质预测研究[J].中国环境科学,2012,32(3):571-576)模型等。基于内生数据规律及基于水文水质模型方法都可以解决适用于该模型的问题。而对于支流较多的江南河道,目前的研究较为缺乏,对于支流和干流的空间关系没有明确的研究结论。
发明内容
发明目的:针对现有技术中存在的问题,本发明目的在于提供一种基于河道多态计算及Arima模型的权重组合水质预测方法,在Arima算法的基础上,分析河道的两种基本形态,根据上游的监测值估算下游的预测值,并使用权重组合方法将Arima预测值及河道多态估算值进行组合预测,从而具有更好的精度。
技术方案:为实现上述发明目的,本发明采用如下技术方案:
基于河道多态计算及Arima模型的权重组合水质预测方法,包括如下步骤:
(1)获取河流监测站点的历史水质指标监测数据,基于Arima模型预测河流监测站点的下一时间段的各水质数据的预测值,作为预测值;
(2)基于河道空间形态和上游监测站点的水质指标测量值,计算河道内流量比例,进而计算下游水质指标的预测值;其中空间形态包括支流态和汇流态;
(3)将步骤(1)中得到的预测值和步骤(2)得到的预测值使用权重组合优化方法,计算得到最终预测值。
步骤(1)中基于Arima模型计算初始预测值的步骤包括:
(1.1)对获取的序列数据进行预处理,包括数据的清洗和数据的归一化;
(1.2)对预处理后的数据序列进行稳态检测,若是非稳态的序列,则通过差分处理将序列处理成稳态序列;
(1.3)对序列进行特征值计算并进行Arima模型识别;
(1.4)利用得到的Arima模型构建完整的序列,并和历史序列进行对比,进行误差检测并得到误差分析结果;
(1.5)当得到的Arima模型误差在合理的范围之内,则利用该模型计算预测值。
步骤(2)中,对于支流态河道,计算下游监测站点的估算值的方法为:
其中,VC是下游监测站点的估算值,VA是上游监测站点的监测值,WA和WC分别是计算得到的河流多态权重值,对于支流态上游的A测站点和下游的B测站点和C测站点,河流多态权重值满足如下关系:
通常设定WA为0.33为初始值,至少需要实测两组水质指标及预测数据进行WB和WC的计算,实测数据超过2组,则使用最小二乘法计算权重调整常数。
步骤(2)中,对于汇流态河道,计算下游监测站点的估算值的方法为:
其中,VC是下游监测站点的估算值,VA是上游监测站点的监测值,WA和WC分别是计算得到的河流多态权重值,对于汇流态上游的A测站点、B测站点和下游的C测站点,河流多态权重值满足如下关系:
通常设定WA为0.33为初始值,至少需要实测两组水质指标及预测数据进行WB和WC的计算,实测数据超过2组,则使用最小二乘法计算权重调整常数。
步骤(3)中最终预测值的计算方法为:
V=λKVK+λArimaVArima
其中,V是最终预测值,VK是基于河流多态的估算值,VArima是Arima算法计算的预测值,λK和λArima分别是对应的权重系数,根据至少一组实测数据计算得到。
有益效果:本发明方法在Arima算法的基础上,在分析河道的两种基本形态:支流态和汇流态的基础上,基于河道断面、流速、时间等计算支流及干流的流量比例,根据上游的监测值,估算下游的预测值,并使用权重组合方法,将Arima预测值及河道多态估算值进行组合预测。实验表明:仅基于Arima算法的平均误差较大,而基于Arima预测值及河道多态计算的组合预测值平均误差为10.40%,具有更好的精度,适合支流态及汇流态的预测算法优化。
附图说明
图1为本发明实施例中研究区域河流示意图。
图2为本发明实施例的预测方法总体流程图。
图3为本发明实施例中的Arima算法步骤的缺失值填充示意图。
图4为本发明实施例中河道支流态示意图。
图5为本发明实施例中河道汇流态示意图。
具体实施方式
下面结合附图和具体实施例对本发明方案作进一步说明。
本发明实施例中以如图1所示的社渎港为研究区域对方法实施步骤及效果做详细说明。社渎港位于江苏省宜兴市东北部,西起滆湖,东入太湖。具体是以武宜运河为界,在地理界限上分为东、西社渎港,西社渎港西起滆湖,流经宜兴市高塍、屺亭汇入武宜运河;东社渎港西起武宜运河,从交汇处向南偏西约3公里后向东流经宜兴经济开发区、新庄入太湖,全长25.7公里。东、西社渎港河底宽10~30米,河底高程0.5米,河道年均径流量0.948亿立方米。社渎港的地理位置及河流示意图见图1所示。社渎港小流域内,共涉及4个行政区域,分别为宜兴经济开发区、高塍镇、芳桥镇、新庄街道。社渎港两侧范围内主要包括工业区约4000亩、农田区约5000亩、居住区约3000亩。本次评估范围为:社渎港全线沿岸两侧200m区域,西起滆湖,东入太湖,共计约12000亩。
监测站设备选用微型多参数水质自动监测站,该仪器是由浙江微兰环境科技有限公司生产,具体型号是:VLMS-508。监测指标包括水质常规五参数(温度、溶解氧、浊度、电导率、pH)、COD、氨氮和总磷,可以满足监测需求。
目前,常规的预测方法是基于Arima算法进行,仅仅利用的是数据本身的特性,而没有考虑支流和干流的空间关系。本发明实施例公开的基于河道多态计算及Arima模型的权重组合水质预测方法,将空间关系引入Arima算法之中,以Arima算法为预测基础,在分析河道的两种基本形态:支流态和汇流态的基础上,基于河道断面、流速、时间等计算支流及干流的权重比,并将其作为优化参数加入到Arima之中。具体流程如图2所示,包括:
(1)使用经验的Arima算法预测河流测站点的下一时间段的预测值,作为初始预测值。其中,浊度、溶解氧、化学需氧量的经验参数为Arima(2,1,2),氨氮模型为Arima(5,1,5);
(2)基于河流的基本水文模型和上游测站点的水质指标测量值,推算下游的水质指标的估算值;
(3)将(1)中计算得到的Arima预测值和(2)所计算得到的测站估算值进行权重配比计算,根据实测值调整估算值权重计Arima权重,得到基于基本水文模型及Arima预测方法结合的水质预测模型。
各步骤详细说明如下:
1.基于Arima模型计算预测值
本发明使用的算法是Arima(p,d,q)算法,中文是差分自回归移动平均模型,Arima是英文Autoregressive Integrated Moving Average Model的简称。其中,参数p表示自回归项,参数d表示时间序列的差分次数,参数q表示的是移动平均模型阶数。该算法本质是将预测对象在历史上所得到的一系列测量值看成一组随机序列,然后利用自回归模型描述此序列,得到对应这个序列的p,d,q参数,并将其用于随后的随时间发展的预测。是统计模型中利用自身数据进行内生推测的常用算法。由于其算法简单,只要求自身数据,因此在各类统计预测中得到了较为广泛的使用,如预测GPD、用电量等,在水质预测中也得到了一定的应用。
Arima(p,q)的数学模型可以表示如式1所示:
其中,yt为预测值,cc表示常数项,{Yt}表示平稳时间序列,表示自回归项的待定系数,p表示自回归模型的阶数,θ表示误差项的待定系数,ε表示误差项,q为误差的滞后阶数。
Arima(p,d,q)的数学模型则来自以下计算:
其中,参数d表示时间序列的差分次数,参数L表示滞后算子,yt为预测值,Δyt表示时间序列的差分预测值。
基于Arima(p,d,q)算法计算河流水质指标的预测值的求解步骤,具体如下:
第一步,河流水质数据预处理。首先对序列数据进行预处理,包括数据的清洗和数据的归一化。数据的清洗主要是解决数据的完整性、去除噪声和错误数据。河流水质的实际检测过程中,由于断电、换试剂的过程需要关闭检测仪器,因此有几率出现数据中断现象。为了解决这个问题,可以采用使用前后数据的均值来进行填充。而当出现多个值缺失的情况,则以前后两个有值的点构建线性回归方程,然后根据具体的时间分布将缺失值计算并进行填充,如图4所示:
第二步,稳态检测,通过第一步的数据预处理后,得到了完整的数据序列,接下来进行稳态检测。稳态检测的目的在于对数据序列进行判断,如果是非稳态的序列,则需要通过差分处理,将序列处理成稳态序列。而在Arima(p,d,q)中,参数d表示的差分次数。
第三步,模型识别,通过对序列进行特征值计算并进行模型识别。本文使用自相关系数和偏相关系数方法,通过计算这两者的数据,然后对Arima(p,d,q)模型中的p,q进行组合优化选择。本文基于已有研究的经验参数进行计算,浊度、溶解氧、化学需氧量的经验参数为Arima(2,1,2),氨氮模型为Arima(5,1,5)。
第四步,误差分析,将得到的Arima(p,d,q)模型构建完整的序列,并和历史序列进行对比,进行误差检测并得到误差分析结果。
第五步,预测结果,通过前面的一至四步,如果得到的误差分析在合理的范围之内,则采用该模型,并利用该模型计算预测值。
2.基于河流多态的水质指标估算
本试验区位于宜兴社渎港,该河流上布设了6个点位,并具有支流及干流的河流空间形态。在已经有了2个以上点位的基础上,根据河流的多种形态进行预测。河流的支流形态可以分为2种,分别是:支流态以及汇流态,其他更为复杂的情况本文方法暂未进行考虑。通过两种河流形态的组合优化,可以形成更为复杂的预测效果。
(1)支流态。依照河流的流向,会在后续发展成为2条支流的形态。在这种情况下,需要考虑不同点位情况下的流速、流向、点位的截面,时间,以及分流所导致的权重比。
(2)汇流态。依照河流的流向,2条支流会汇聚为一条河流的形态。在这种情况下,需要考虑不同点位的流速、流向、点位的截面、时间,以及汇流所致的权重比。
基于河流多态进行预测值的权重优化算法,其关键在于权重的配比,常规的基于MIKE11AD对流扩散模型,由于其计算过程中需要较多的经验参数,例如扩散系统公式Ex=aVb中的a和b参数较难测定。因此,本文计算支流及汇流的河道的流量值来作为估算依据,水流流量大的河道具有更大的权重,其发生污染时造成的污染更大,反之亦然。基于河道空间形态及流量来计算权重的模型如下所示:
WA=ΔVA·ΔSA(t2-t1) (3)
WB=ΔVB·ΔSB(t2-t1) (4)
WC=ΔVC·ΔSC(t2-t1) (5)
其中,ΔV表示河流的瞬时流速,ΔS表示河道断面,t1和t2分别代表前一时刻和后一时刻。WA表示测站点A的权重值,WB和WC依次类推。
支流态:
汇流态:
其中,WA,WB,WC分别对应A测站点、B测站点、C测站点的权重;通常设定WA为0.33为初始值,至少需要实测两组水质指标及预测数据进行WB和WC的计算,实测数据超过2组,则使用最小二乘法计算权重调整常数。通过上游的水质指标监测值,根据支流态及汇流态的权重比例关系,从而计算得到下游的估算值。以C测站点为例,计算方法如下:
其中,VC是下游C测站点的估算值,WA和WC分别是计算得到的河流多态权重值,VA为上游A测站点的监测值。
3.基于权重组合系数优化预测值
使用组合权重系数法对权重进行权重系数计算:
其中,λ表示权重系数,W表示计算的权重值,其本质是基于权重进行归一化处理,i表示权重的序号,J表示权重的总数。
本实施例中共使用两种方法得到的预测值,因此,基于权重系数法对初始的分别是基于河流多态的水质指标估算以及Arima算法计算预测值,其计算方法如下:
V=λKVK+λArimaVArima (10)
其中,V表示最终的预测值,VK表示基于河流多态的水质指标估算值,λK表示相对应的权重系数,初始设定为0.5;VArima表示Arima算法计算预测值,λArima表示相对应的权重系数,初始设定为0.5。通常需要至少1组实测值对λK和λArima进行调整组,当实测数据超过2组,则使用最小二乘法计算优化权重系数。
实验效果说明:本实施例的实验数据的时间范围是从2018年2月1日开始到2018年3月12日,数据为每日的均值,监测的数据项分别是浊度、溶解氧、COD化学需氧量以及氨氮,具体的数据如下所示:
表1社渎港的数据检测值
时间 | 浊度 | 溶解氧 | COD化学需氧量 | 氨氮 |
2018/3/12 | 233.49 | 9.63 | 41.09 | 1.11 |
2018/3/11 | 92.98 | 10.44 | 33.26 | 1.12 |
2018/3/10 | 65.19 | 11.39 | 26.62 | 1.13 |
2018/3/9 | 184.95 | 12.04 | 21.84 | 1.13 |
2018/3/8 | 90.1 | 11.49 | 23.78 | 1.13 |
2018/3/7 | 54.9 | 11.07 | 26.17 | 1.11 |
2018/3/6 | 125.28 | 11.21 | 28.22 | 1.12 |
2018/3/5 | 8777 | 1061 | 3417 | 112 |
2018/3/4 | 260.35 | 9.5 | 35.45 | 1.13 |
2018/3/3 | 190.14 | 10.6 | 28.21 | 1.19 |
2018/3/2 | 159.98 | 11.58 | 27.79 | 1.29 |
2018/3/1 | 699.86 | 11.32 | 31.2 | 1.64 |
2018/2/28 | 696.92 | 11.16 | 37.63 | 0.57 |
2018/2/27 | 708.69 | 11.63 | 37.11 | 0.04 |
2018/2/26 | 656.68 | 11.91 | 27.33 | 1.55 |
2018/2/25 | 297.05 | 12.52 | 24.83 | 1.87 |
2018/2/24 | 568.88 | 12.73 | 21.93 | 1.85 |
2018/2/23 | 790.51 | 12.92 | 21.98 | 2.01 |
2018/2/22 | 759.04 | 13.34 | 21.71 | 2.05 |
2018/2/21 | 565.09 | 13.57 | 21.78 | 2.01 |
2018/2/20 | 514.33 | 13.42 | 23.26 | 2.19 |
2018/2/19 | 343.88 | 13.29 | 23.84 | 2.14 |
2018/2/18 | 527.29 | 13.2 | 25.73 | 2.17 |
2018/2/17 | 511.64 | 13.31 | 27.02 | 2.27 |
2018/2/16 | 564.65 | 13.44 | 26.41 | 2.33 |
2018/2/15 | 570.17 | 12.91 | 29.93 | 2.27 |
2018/2/14 | 452.7 | 13.19 | 23.29 | 2.27 |
2018/2/13 | 287.49 | 14.06 | 28.11 | 1.7 |
2018/2/12 | 332.28 | 14.37 | 21.59 | 2.07 |
2018/2/11 | 567.08 | 14.39 | 23.85 | 2.04 |
2018/2/10 | 465.88 | 14.09 | 26.41 | 2.33 |
2018/2/9 | 645.6 | 14.31 | 29.65 | 2.41 |
2018/2/8 | 547.88 | 14.41 | 33.64 | 2.24 |
2018/2/7 | 245.01 | 14.94 | 23.63 | 1.65 |
2018/2/6 | 53.3 | 15.17 | 26.32 | 1.61 |
2018/2/5 | 701 | 1563 | 2695 | 21 |
2018/2/4 | 80.16 | 15.76 | 20.23 | 1.98 |
2018/2/3 | 28.35 | 13.89 | 43.9 | 1.53 |
2018/2/2 | 0.74 | 14.63 | 35.24 | 1.13 |
2018/2/1 | 0.72 | 15.06 | 16.25 | 1.16 |
表2是通过本实施例方法得到的结果以及对比常规Arima方法。本文方法引入了支流及干流的空间关系,从而能够充分利用邻近支流的检测值,来辅助优化预测值。
表2方法结果及误差对比
时间 | 浊度 | 溶解氧 | COD化学需氧量 | 氨氮 | 平均误差 |
2018/3/13实际测试 | 252.3 | 10.71 | 43.11 | 1.78 | |
常规Arima算法结果 | 301.7 | 9.61 | 30.71 | 1.37 | |
常规Arima算法误差 | 19.58% | 10.27% | 28.76% | 23.03% | 20.41% |
本文方法结果 | 282.4 | 10.11 | 35.61 | 1.59 | |
本文方法误差 | 11.93% | 5.60% | 17.40% | 10.67% | 11.40% |
通过表2的对比分析,我们可以看到,本发明方法的浊度、溶解氧、COD化学需氧量、氨氮的预测精度分别的11.93%,5.6%,17.40%,10.67%,平均误差为11.40%,均优于常规Arima方法。对比实际的事后对比分析,本发明方法的结果更符合实际的情况。
综上,本发明在Arima算法的基础上,在分析河道的两种基本形态:支流态和汇流态的基础上,基于河道断面、流速、时间等计算支流及干流的流量比例,根据上游的监测值,估算下游的预测值,并使用权重组合方法,将Arima预测值及河道多态估算值进行组合预测。通过基于宜兴社渎港的实测数据结果表明:仅基于Arima算法的平均误差较大,而基于Arima预测值及河道多态计算的组合预测值平均误差为10.40%,具有更好的精度,适合支流态及汇流态的预测算法优化。
Claims (5)
1.基于河道多态计算及Arima模型的权重组合水质预测方法,其特征在于,包括如下步骤:
(1)获取河流监测站点的历史水质指标监测数据,基于Arima模型预测河流监测站点的下一时间段的各水质数据的预测值,作为预测值;
(2)基于河道空间形态和上游监测站点的水质指标测量值,计算河道内流量比例,进而计算下游水质指标预测值;其中空间形态包括支流态和汇流态;
(3)将步骤(1)中得到的预测值和步骤(2)得到的预测值使用权重组合优化方法,计算得到最终预测值。
2.根据权利要求1所述的基于河道多态计算及Arima模型的权重组合水质预测方法,其特征在于,步骤(1)中基于Arima模型计算初始预测值的步骤包括:
(1.1)对获取的序列数据进行预处理,包括数据的清洗和数据的归一化;
(1.2)对预处理后的数据序列进行稳态检测,若是非稳态的序列,则通过差分处理将序列处理成稳态序列;
(1.3)对序列进行特征值计算并进行Arima模型识别;
(1.4)利用得到的Arima模型构建完整的序列,并和历史序列进行对比,进行误差检测并得到误差分析结果;
(1.5)当得到的Arima模型误差在合理的范围之内,则利用该模型计算预测值。
3.根据权利要求1所述的基于河道多态计算及Arima模型的权重组合水质预测方法,其特征在于,步骤(2)中,对于支流态河道,计算下游监测站点的估算值的方法为:
其中,VC是下游监测站点的估算值,VA是上游监测站点的监测值,WA和WC分别是计算得到的河流多态权重值,对于支流态上游的A测站点和下游的B测站点和C测站点,河流多态权重值满足如下关系:
通常设定WA为0.33为初始值,至少需要实测两组水质指标及预测数据进行WB和WC的计算,实测数据超过2组,则使用最小二乘法计算权重调整常数。
4.根据权利要求1所述的基于河道多态计算及Arima模型的权重组合水质预测方法,其特征在于,步骤(2)中,对于汇流态河道,计算下游监测站点的估算值的方法为:
其中,VC是下游监测站点的估算值,VA是上游监测站点的监测值,WA和WC分别是计算得到的河流多态权重值,对于汇流态上游的A测站点、B测站点和下游的C测站点,河流多态权重值满足如下关系:
通常设定WA为0.33为初始值,至少需要实测两组水质指标及预测数据进行WB和WC的计算,实测数据超过2组,则使用最小二乘法计算权重调整常数。
5.根据权利要求1所述的基于河道多态计算及Arima模型的权重组合水质预测方法,其特征在于,步骤(3)中最终预测值的计算方法为:
V=λKVK+λArimaVArima
其中,V是最终预测值,VK是基于河流多态的估算值,VArima是Arima算法计算的预测值,λK和λArima分别是对应的权重系数,根据至少一组实测数据计算得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811066909.1A CN109145499B (zh) | 2018-09-13 | 2018-09-13 | 基于河道多态计算及Arima模型的权重组合水质预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811066909.1A CN109145499B (zh) | 2018-09-13 | 2018-09-13 | 基于河道多态计算及Arima模型的权重组合水质预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109145499A true CN109145499A (zh) | 2019-01-04 |
CN109145499B CN109145499B (zh) | 2023-02-10 |
Family
ID=64825086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811066909.1A Active CN109145499B (zh) | 2018-09-13 | 2018-09-13 | 基于河道多态计算及Arima模型的权重组合水质预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109145499B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472367A (zh) * | 2019-08-23 | 2019-11-19 | 黄河勘测规划设计研究院有限公司 | 一种多沙河流干支流水沙全交互模拟方法及系统 |
CN110619418A (zh) * | 2019-07-26 | 2019-12-27 | 重庆大学 | 一种基于混合模型组合算法的多特征水质预测方法 |
CN111693672A (zh) * | 2020-06-19 | 2020-09-22 | 广东理行生态环境科技有限公司 | 一种流域污染物监测系统及其监测方法 |
CN115545576A (zh) * | 2022-11-30 | 2022-12-30 | 广东广宇科技发展有限公司 | 一种基于多目标的河流内湖水质监测方法 |
CN117150932A (zh) * | 2023-10-30 | 2023-12-01 | 浙江威格泵业有限公司 | 一种变频增压屏蔽泵的能效评价方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0995917A (ja) * | 1995-10-03 | 1997-04-08 | Mitsubishi Heavy Ind Ltd | 河川水位予測装置 |
CN104392100A (zh) * | 2014-10-29 | 2015-03-04 | 南京南瑞集团公司 | 基于水质在线监测系统的污染源扩散预警方法 |
CN107091911A (zh) * | 2017-04-17 | 2017-08-25 | 郑州大学环境技术咨询工程有限公司 | 一种河流水质预测方法 |
-
2018
- 2018-09-13 CN CN201811066909.1A patent/CN109145499B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0995917A (ja) * | 1995-10-03 | 1997-04-08 | Mitsubishi Heavy Ind Ltd | 河川水位予測装置 |
CN104392100A (zh) * | 2014-10-29 | 2015-03-04 | 南京南瑞集团公司 | 基于水质在线监测系统的污染源扩散预警方法 |
CN107091911A (zh) * | 2017-04-17 | 2017-08-25 | 郑州大学环境技术咨询工程有限公司 | 一种河流水质预测方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619418A (zh) * | 2019-07-26 | 2019-12-27 | 重庆大学 | 一种基于混合模型组合算法的多特征水质预测方法 |
CN110472367A (zh) * | 2019-08-23 | 2019-11-19 | 黄河勘测规划设计研究院有限公司 | 一种多沙河流干支流水沙全交互模拟方法及系统 |
CN111693672A (zh) * | 2020-06-19 | 2020-09-22 | 广东理行生态环境科技有限公司 | 一种流域污染物监测系统及其监测方法 |
CN115545576A (zh) * | 2022-11-30 | 2022-12-30 | 广东广宇科技发展有限公司 | 一种基于多目标的河流内湖水质监测方法 |
CN117150932A (zh) * | 2023-10-30 | 2023-12-01 | 浙江威格泵业有限公司 | 一种变频增压屏蔽泵的能效评价方法 |
CN117150932B (zh) * | 2023-10-30 | 2024-01-26 | 浙江威格泵业有限公司 | 一种变频增压屏蔽泵的能效评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109145499B (zh) | 2023-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145499A (zh) | 基于河道多态计算及Arima模型的权重组合水质预测方法 | |
Shen et al. | An overview of research on agricultural non-point source pollution modelling in China | |
CN104376380B (zh) | 一种基于递归自组织神经网络的氨氮浓度预测方法 | |
CN110929359B (zh) | 基于pnn神经网络和swmm技术的管网淤积风险预测建模方法 | |
CN111259530B (zh) | 多入河口的中小流域水质达标动态补水量预测方法 | |
CN112001610A (zh) | 农业面源污染的处理方法及装置 | |
CN103810532B (zh) | 优化城市排水系统运行状况的方法 | |
CN113762618B (zh) | 一种基于多因子相似分析的湖泊水位预报方法 | |
CN102201034A (zh) | 一种临河村落非点源污染负荷的估算方法 | |
CN111811580A (zh) | 一种水量/水质监测布点方法及预警响应系统 | |
CN104392111A (zh) | 基于水位样本的洪水预报方法 | |
CN107526880B (zh) | 一种基于河流水质观测推算上游入河污染通量的方法 | |
Xin et al. | Estimation of non-point source pollution loads with flux method in Danjiangkou Reservoir area, China | |
CN111428942A (zh) | 基于变网格技术提取微地形因子的线路覆冰厚度预测方法 | |
CN113902172A (zh) | 一种污水处理方法、系统、装置及介质 | |
CN113505471A (zh) | 一种河流断面污染物浓度预测计算方法 | |
CN106599562A (zh) | 基于概率加权fdc法的河流生态需水量计算方法 | |
Ding et al. | Water quality assessment using optimized CWQII in Taihu Lake | |
CN111260159A (zh) | 一种气象水文耦合洪水测报法 | |
CN102912760B (zh) | 水库下游河道最低通航水位生成方法 | |
CN102254081B (zh) | 基于随机概率模型的突发河流水污染的统计定位方法 | |
CN111753417B (zh) | 一种基于不确定性分离的参数敏感性分析方法 | |
CN104569340B (zh) | 地下环境质量测定方法及装置 | |
CN111353718A (zh) | 基于swmm与efdc的湿地、补水工程环境效应评估方法及装置 | |
CN103473476B (zh) | 基于区域内数座测风塔测风数据的风能资源推算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |