CN110070144A - 一种湖泊水质预测方法及系统 - Google Patents

一种湖泊水质预测方法及系统 Download PDF

Info

Publication number
CN110070144A
CN110070144A CN201910360332.3A CN201910360332A CN110070144A CN 110070144 A CN110070144 A CN 110070144A CN 201910360332 A CN201910360332 A CN 201910360332A CN 110070144 A CN110070144 A CN 110070144A
Authority
CN
China
Prior art keywords
water quality
training
lake
training set
raw data
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.)
Pending
Application number
CN201910360332.3A
Other languages
English (en)
Inventor
罗毅
喻瑧钰
杨昆
商春雪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yunnan University YNU
Yunnan Normal University
Original Assignee
Yunnan Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yunnan Normal University filed Critical Yunnan Normal University
Priority to CN201910360332.3A priority Critical patent/CN110070144A/zh
Publication of CN110070144A publication Critical patent/CN110070144A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种湖泊水质预测方法及系统。方法包括：获取原始数据集，原始数据集包括训练集和测试集；对原始数据集进行预处理；采用不敏感损失函数和支持向量回归的方法对预处理后的训练集进行分段训练，得到分段训练集；采用主成分分析法对预处理后的训练集进行分析，确定变量权重；根据分段训练集和变量权重对训练集进行优化，得到优化后的训练集；采用反向传播人工神经网络方法，建立湖泊水质预测模型；对预测模型进行调节测试，得到调节后的湖泊水质预测模型；获取预处理后的当月水质数据；将当月水质数据带入到调节后的湖泊水质预测模型，得到未来时间段内的水质数据。采用本发明的方法或系统能够解决现有技术中水质预测精度不高的问题。

Description

一种湖泊水质预测方法及系统
技术领域
本发明涉及湖泊水质监测领域，特别是涉及一种湖泊水质预测方法及系统。
背景技术
空气和水是维持生命的基本条件。近30年来，随着我国城镇化和工业化的快速发展，经济增长速度始终维持较高水平，城市人口不断膨胀，速度优先的经济发展模式导致的空气污染和水质恶化成为阻碍我国可持续发展、降低人民生活质量的主要原因。近年来，政府投入了大量人力、物力控制并改善空气和水环境。与局部区域的空气污染问题相比，我国水环境污染更加严峻，呈现出全面污染的局面，江河湖泊出现了不同程度的污染，湖泊自恢复能力下降，富营养化日趋严重。对水质客观、准确的评价，对历史水质变化过程的情景再现及对未来水质变化趋势的预测、模拟是对湖泊水资源合理规划与综合管理的重要依据。
湖泊水质预测是通过一定的模型和算法建立多元监测数据与水质参数间的映射关系，一般可通过显式或隐式的方法建立其映射关系，常用的显式方法有多元线性回归法、概率论法、指数法等，上述方法均是通过建立线性模型实现对水质参数的预测，具有建模与响应速度快等优点，适合解决参数间关系简单、具有较明显的线性特征的问题；常用的隐式方法有神经网络、灰色理论等高维非线性模型，具有较强的非线性映射和学习能力、较高的容错性和较好的泛化能力。单一的水质预测模型在水质预测与评估中已得到了广泛的应用，但单一预测算法存在对现有数据和信息利用不充分的缺点，导致预测精度和效果并不理想。
发明内容
本发明的目的是提供一种湖泊水质预测方法及系统，解决现有技术中水质预测精度不高的技术问题。
为实现上述目的，本发明提供了如下方案：
一种湖泊水质预测方法，包括：
获取原始数据集，所述原始数据集包括训练集和测试集；
对所述原始数据集进行预处理；
采用不敏感损失函数和支持向量回归的方法对预处理后的训练集进行分段训练，得到分段训练集；
采用主成分分析法对所述预处理后的训练集进行分析，确定变量权重；
根据所述分段训练集和所述变量权重对所述训练集进行优化，得到优化后的训练集；
根据所述优化后的训练集采用反向传播人工神经网络方法，建立湖泊水质预测模型；
根据所述测试集对所述预测模型进行调节测试，得到调节后的湖泊水质预测模型；
获取预处理后的当月水质数据；
将所述当月水质数据带入到所述调节后的湖泊水质预测模型，得到未来时间段内的水质数据。
可选的，所述获取原始数据集，所述原始数据集包括训练集和测试集，具体包括：
获取原始数据集，所述原始数据集包括训练集和测试集，所述训练集和所述测试集均包括叶绿素a浓度、水温、pH值水质参数的监测数据。
可选的，所述对所述原始数据集进行预处理，具体包括：
对所述原始数据集进行非零缺失值处理、剔除异常值、原始数据归一化处理，其中非零缺失值处理使用线性插值法，剔除异常值使用t-检验的方法。
可选的，所述根据所述分段训练集和所述变量权重对所述训练集进行优化，得到优化后的训练集，具体包括：
将所述分段训练集和所述变量权重根据公式进行组合，得到优化后的训练集，其中，n为变量总数，S1(i)为分段训练集中的第i个变量，W为训练集中的第i个权重。
可选的，所述根据所述优化后的训练集采用反向传播人工神经网络方法，建立湖泊水质预测模型，具体包括：
将S2的n个变量以n行矩阵的形式作为反向传播人工神经网络模型的输入变量，n为变量总数，输出变量为待预测水质指标，得到湖泊水质预测模型。
可选的，所述根据所述测试集对所述预测模型进行调节测试，得到调节后的湖泊水质预测模型，具体包括：
根据所述测试集调整所述预测模型的参数，择优选取参数，确定调节后的湖泊水质预测模型，其中调整的参数包括最大训练次数、训练要求精度、学习率、隐含层和隐含节点数。
可选的，在所述将所述当月水质数据带入到所述调节后的湖泊水质预测模型，得到未来时间段内的水质数据之后，还包括：
将所述未来时间段内的水质数据进行反归一化处理，得到最终预测结果。
一种湖泊水质预测系统，包括：
第一获取模块，用于获取原始数据集，所述原始数据集包括训练集和测试集；
预处理模块，用于对所述原始数据集进行预处理；
分段训练模块，用于采用不敏感损失函数和支持向量回归的方法对预处理后的训练集进行分段训练，得到分段训练集；
分析模块，用于采用主成分分析法对所述预处理后的训练集进行分析，确定变量权重；
优化模块，用于根据所述分段训练集和所述变量权重对所述训练集进行优化，得到优化后的训练集；
预测模型建立模块，用于根据所述优化后的训练集采用反向传播人工神经网络方法，建立湖泊水质预测模型；
模型调节模块，用于根据所述测试集对所述预测模型进行调节测试，得到调节后的湖泊水质预测模型；
第二获取模块，用于获取预处理后的当月水质数据；
水质数据预测模块，用于将所述当月水质数据带入到所述调节后的湖泊水质预测模型，得到未来时间段内的水质数据。
可选的，所述第一获取模块具体包括：
获取单元，用于获取原始数据集，所述原始数据集包括训练集和测试集，所述训练集和所述测试集均包括叶绿素a浓度、水温、pH值水质参数的监测数据。
可选的，所述预处理模块具体包括：
预处理单元，用于对所述原始数据集进行非零缺失值处理、剔除异常值、原始数据归一化处理，其中非零缺失值处理使用线性插值法，剔除异常值使用t-检验的方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供一种湖泊水质预测方法，能够将支持向量回归算法、不敏感损失函数ε、主成分分析法以及反向传播人工神经网络算法相结合，充分挖掘数据中隐含的信息，显著提高湖泊水质数据的预测效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明湖泊水质预测方法流程图；
图2为本发明湖泊水质预测系统结构图；
图3为实验区域分布图；
图4为湖泊水质预测模型在滇池白鱼口区域对叶绿素a浓度预测的时间序列图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种湖泊水质预测方法及系统，解决现有技术中水质预测精度不高的技术问题。
使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
支持向量机(Support Vector Machine，SVM)建立于统计学习理论的基础上，通过已知的有效算法寻求目标函数的全局最优解，具有较好的推广能力，同时巧妙解决了维数灾难问题。支持向量回归(Support Vector Regression，SVR)是SVM在回归学习中的应用，ε-SVR在SVR的基础上加入了不敏感损失函数ε，将SVM推广到非线性系统的回归估计，展现了优秀的学习能力。主成分分析法(Principal Component Analysis，PCA)通过构造原变量的一系列线性组合形成新变量，并使新变量在彼此不相关的前提下尽可能多地反映原变量的信息。PCA数据信息主要反映于数据变量的方差，方差越大，包含信息越多，通常用累计方差贡献率衡量。BP人工神经网络即反向传播人工神经网络(Back Propagation ArtificialNeural Network，BPANN)，包括数据输入层、隐含层和输出层，其学习规则采用梯度下降法，并通过阈值的判断反向传播而不断调整网络权值，使得整个网络的误差平方和最小。现有的多种水质预测模型中，并未出现基于ε-SVR-PCA-BPANN的湖泊水质预测方法。而采用ε-SVR-PCA-BPANN的组合算法能够将各算法优点相结合，充分挖掘数据中隐含的信息，由此预测效果能够得到显著提高。
图1为本发明湖泊水质预测方法流程图。如图1所示，一种湖泊水质预测方法包括：
步骤101：获取原始数据集，所述原始数据集包括训练集和测试集，所述训练集和所述测试集均包括叶绿素a浓度、水温、pH值水质参数的监测数据。
步骤102：对所述原始数据集进行预处理，所述预处理包括非零缺失值处理、剔除异常值、原始数据归一化处理，其中非零缺失值处理使用线性插值法，剔除异常值使用t-检验的方法。
原始数据归一化处理方法为：假设有m个指标x1,x2,...xm分别表示每个对象的各个特性，共有N个对象，用N×m矩阵表示，公式为：
进行中心标准化处理生成标准矩阵YN×m，公式为：
式中，i＝1,2,...,N，j＝1,2,...,m，Sj分别为指标变量xj的均值和方差，xij和xij *分别为归一化前、后的第i行j列的数据。
步骤103：采用不敏感损失函数和支持向量回归的方法对预处理后的训练集进行分段训练，得到分段训练集；
将预处理后的训练集S的各个变量进行分段处理，采用不敏感损失函数ε和支持向量回归SVR得到ε-SVR模型，将各个变量进行分段处理后作为ε-SVR模型的输入变量，设置核函数类型为RBF径向基函数，标准正态分布的双侧检验概率为0.001，进行5倍交叉验证，从而寻找并获取最佳正则化参数C和核函数参数g，进而进行ε-SVR分段训练得到分段训练集S1。
步骤104：采用主成分分析法对所述预处理后的训练集进行分析，确定变量权重；
基于主成分分析法PCA计算变量权重，计算预处理后的训练集S的相关系数矩阵、特征根、标准特征向量以及贡献率，并依据累计贡献率提取主成分，选取第一主成分作为研究对象，将第一主成分的提取系数作为计算权重W；
步骤105：根据所述分段训练集和所述变量权重对所述训练集进行优化，得到优化后的训练集，具体包括：
将所述分段训练集和所述变量权重根据公式进行组合，得到优化后的训练集，其中，n为变量总数，S1(i)为分段训练集中的第i个变量，W为训练集中的第i个权重。
步骤106：根据所述优化后的训练集采用反向传播人工神经网络方法，建立湖泊水质预测模型，具体包括：
将S2的n个变量以n行矩阵的形式作为反向传播人工神经网络模型的输入变量，n为变量总数，输出变量为待预测水质指标，得到湖泊水质预测模型。
步骤107：根据所述测试集对所述预测模型进行调节测试，得到调节后的湖泊水质预测模型，具体包括：
根据所述测试集调整所述预测模型的参数，择优选取参数，确定调节后的湖泊水质预测模型，其中调整的参数包括最大训练次数、训练要求精度、学习率、隐含层和隐含节点数。
步骤108：获取预处理后的当月水质数据；
步骤109：将所述当月水质数据带入到所述调节后的湖泊水质预测模型，得到未来时间段内的水质数据。
将当月水质数据进行数据预处理得到Data1，将Data1输入水质预报模型，设置预测参数，得到未来时段的输出结果Data2，输出维度为1；
对输出结果Data2进行反归一化处理得到最终预测结果；
对于需要考虑空间分布特点的情况，在对不同监测位置获取到的监测数据进行多次操作后得到不同监测点的预测数据，并以此数据在Arcgis10.2软件做Kriging空间插值后可得到未来水质的空间分布结果。
本发明提供一种湖泊水质预测方法，能够将支持向量回归算法、不敏感损失函数ε、主成分分析法以及反向传播人工神经网络算法相结合，提供一种基于ε-SVR-PCA-BPANN的湖泊水质预测方法，充分挖掘数据中隐含的信息，显著提高湖泊水质数据的预测效果
图2为本发明湖泊水质预测系统结构图。如图2所示，一种湖泊水质预测系统包括：
第一获取模块201，用于获取原始数据集，所述原始数据集包括训练集和测试集；
预处理模块202，用于对所述原始数据集进行预处理；
分段训练模块203，用于采用不敏感损失函数和支持向量回归的方法对预处理后的训练集进行分段训练，得到分段训练集；
分析模块204，用于采用主成分分析法对所述预处理后的训练集进行分析，确定变量权重；
优化模块205，用于根据所述分段训练集和所述变量权重对所述训练集进行优化，得到优化后的训练集；
预测模型建立模块206，用于根据所述优化后的训练集采用反向传播人工神经网络方法，建立湖泊水质预测模型；
模型调节模块207，用于根据所述测试集对所述预测模型进行调节测试，得到调节后的湖泊水质预测模型；
第二获取模块208，用于获取预处理后的当月水质数据；
水质数据预测模块209，用于将所述当月水质数据带入到所述调节后的湖泊水质预测模型，得到未来时间段内的水质数据。
所述第一获取模块201具体包括：
获取单元，用于获取原始数据集，所述原始数据集包括训练集和测试集，所述训练集和所述测试集均包括叶绿素a浓度、水温、pH值水质参数的监测数据。
所述预处理模块202具体包括：
预处理单元，用于对所述原始数据集进行非零缺失值处理、剔除异常值、原始数据归一化处理，其中非零缺失值处理使用线性插值法，剔除异常值使用t-检验的方法。
实施例1：
图3为实验区域分布图。以滇池2005年1月1日-2012年12月31日(共96个月)10个监测站点15个水质指标的日监测数据为原始数据，研究区位置分布如图3所示，其中水质数据包括：水温、pH、溶解氧、高锰酸盐指数、化学需氧量、五日生化需氧量、氨氮、总磷、总氮、汞、铅、挥发酚、石油类、透明度、叶绿素a浓度。96组数据(每组数据均包含了15个变量)作为模型输入样本集S，即每个变量对应样本集S的一个子样本序列。其中，抽取76组数据(2005年1月-2011年4月，约占总样本数据的79％)为训练集，20组数据(2011年5月-2012年12月，约占总样本数据的21％)为测试集。
图4为湖泊水质预测模型在滇池白鱼口区域对叶绿素a浓度预测的时间序列图。研究区间内，以滇池的白鱼口监测点为例，如图4所示，叶绿素a的平均浓度为63.2μm/L(低于蓝藻爆发的叶绿素a浓度)，于2007年9月达到了141μm/L的最高值，2005年7月为最低值4μm/L。数据分析结果表明，每年7月至10月、10月至次年2月为一个明显的波动周期，每年叶绿素a浓度的最高值均在此区间内，2005年叶绿素a浓度的波动最小，但在7月至次年2月之间仍存在一个波动周期。其余月份的波动相对较小，可将其视为一个波动周期，即每年3月至6月。随着年份的增加，周期波动的规律越来越明显。
通过多种模型的大量组合实验，本发明提出的ε-SVR-PCA-BPANN组合模型测试数据集预测结果的平均相对误差较低(SA＝-0.0099)，通过了α＝0.001的假设性检验，预测结果显著(P＝2^(-16)<0.001)，各模型训练与测试数据集预测结果的均方根误差及平均相对误差如表1所示。实验结果表明，本发明提出的预测方法性能最优，能够客观、真实地反映叶绿素a浓度变化。其中，BPANN模型的参数设置为：模型最大训练次数为1000次，训练要求精度为0.01，学习率为0.01，隐含层为3，隐含节点为5。
表1 各类方法的误差统计
采用ε-SVR-PCA-BPANN组合模型对2005年-2012年已有的10个监测站点历史数据进行训练，并对2013年-2020年对应站点的叶绿素a浓度进行预测，利用Kriging插值法进行空间可视化结果的表达。在2005-2014年间，叶绿素a浓度高于100μg/L的区域主要位于滇池北部的草海，其次是晖湾中附近区域，高浓度区域有向东方向移动的趋势。2015年之后，叶绿素a浓度高于100μg/L的分布区域向西南方向移动，且2015-2020年整个湖面的高浓度叶绿素a覆盖范围急剧上升，覆盖率高达30％。可见，城市发展较快的西山区、呈贡区等区域的叶绿素a浓度呈显著性增长；同时风速对叶绿素a浓度的影响也愈来愈明显。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种湖泊水质预测方法，其特征在于，包括：
获取原始数据集，所述原始数据集包括训练集和测试集；
对所述原始数据集进行预处理；
采用不敏感损失函数和支持向量回归的方法对预处理后的训练集进行分段训练，得到分段训练集；
采用主成分分析法对所述预处理后的训练集进行分析，确定变量权重；
根据所述分段训练集和所述变量权重对所述训练集进行优化，得到优化后的训练集；
根据所述优化后的训练集采用反向传播人工神经网络方法，建立湖泊水质预测模型；
根据所述测试集对所述预测模型进行调节测试，得到调节后的湖泊水质预测模型；
获取预处理后的当月水质数据；
将所述当月水质数据带入到所述调节后的湖泊水质预测模型，得到未来时间段内的水质数据。
2.根据权利要求1所述的湖泊水质预测方法，其特征在于，所述获取原始数据集，所述原始数据集包括训练集和测试集，具体包括：
获取原始数据集，所述原始数据集包括训练集和测试集，所述训练集和所述测试集均包括叶绿素a浓度、水温、pH值水质参数的监测数据。
3.根据权利要求1所述的湖泊水质预测方法，其特征在于，所述对所述原始数据集进行预处理，具体包括：
对所述原始数据集进行非零缺失值处理、剔除异常值、原始数据归一化处理，其中非零缺失值处理使用线性插值法，剔除异常值使用t-检验的方法。
4.根据权利要求1所述的湖泊水质预测方法，其特征在于，所述根据所述分段训练集和所述变量权重对所述训练集进行优化，得到优化后的训练集，具体包括：
将所述分段训练集和所述变量权重根据公式进行组合，得到优化后的训练集，其中，n为变量总数，S1(i)为分段训练集中的第i个变量，W为训练集中的第i个权重。
5.根据权利要求4所述的湖泊水质预测方法，其特征在于，所述根据所述优化后的训练集采用反向传播人工神经网络方法，建立湖泊水质预测模型，具体包括：
将S2的n个变量以n行矩阵的形式作为反向传播人工神经网络模型的输入变量，n为变量总数，输出变量为待预测水质指标，得到湖泊水质预测模型。
6.根据权利要求4所述的湖泊水质预测方法，其特征在于，所述根据所述测试集对所述预测模型进行调节测试，得到调节后的湖泊水质预测模型，具体包括：
根据所述测试集调整所述预测模型的参数，择优选取参数，确定调节后的湖泊水质预测模型，其中调整的参数包括最大训练次数、训练要求精度、学习率、隐含层和隐含节点数。
7.根据权利要求4所述的湖泊水质预测方法，其特征在于，在所述将所述当月水质数据带入到所述调节后的湖泊水质预测模型，得到未来时间段内的水质数据之后，还包括：
将所述未来时间段内的水质数据进行反归一化处理，得到最终预测结果。
8.一种湖泊水质预测系统，其特征在于，包括：
第一获取模块，用于获取原始数据集，所述原始数据集包括训练集和测试集；
预处理模块，用于对所述原始数据集进行预处理；
分段训练模块，用于采用不敏感损失函数和支持向量回归的方法对预处理后的训练集进行分段训练，得到分段训练集；
分析模块，用于采用主成分分析法对所述预处理后的训练集进行分析，确定变量权重；
优化模块，用于根据所述分段训练集和所述变量权重对所述训练集进行优化，得到优化后的训练集；
预测模型建立模块，用于根据所述优化后的训练集采用反向传播人工神经网络方法，建立湖泊水质预测模型；
模型调节模块，用于根据所述测试集对所述预测模型进行调节测试，得到调节后的湖泊水质预测模型；
第二获取模块，用于获取预处理后的当月水质数据；
水质数据预测模块，用于将所述当月水质数据带入到所述调节后的湖泊水质预测模型，得到未来时间段内的水质数据。
9.根据权利要求8所述的湖泊水质预测系统，其特征在于，所述第一获取模块具体包括：
获取单元，用于获取原始数据集，所述原始数据集包括训练集和测试集，所述训练集和所述测试集均包括叶绿素a浓度、水温、pH值水质参数的监测数据。
10.根据权利要求8所述的湖泊水质预测系统，其特征在于，所述预处理模块具体包括：
预处理单元，用于对所述原始数据集进行非零缺失值处理、剔除异常值、原始数据归一化处理，其中非零缺失值处理使用线性插值法，剔除异常值使用t-检验的方法。
CN201910360332.3A 2019-04-30 2019-04-30 一种湖泊水质预测方法及系统 Pending CN110070144A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910360332.3A CN110070144A (zh) 2019-04-30 2019-04-30 一种湖泊水质预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910360332.3A CN110070144A (zh) 2019-04-30 2019-04-30 一种湖泊水质预测方法及系统

Publications (1)

Publication Number Publication Date
CN110070144A true CN110070144A (zh) 2019-07-30

Family

ID=67369719

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910360332.3A Pending CN110070144A (zh) 2019-04-30 2019-04-30 一种湖泊水质预测方法及系统

Country Status (1)

Country Link
CN (1) CN110070144A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110969556A (zh) * 2019-09-30 2020-04-07 上海仪电（集团）有限公司中央研究院 机器学习多维度多模型融合河道水质异常检测方法及装置
CN111080464A (zh) * 2019-11-27 2020-04-28 中国农业大学 一种池塘养殖水质关键因子预测方法及装置
CN111398539A (zh) * 2020-03-09 2020-07-10 上海交通大学 一种基于大数据和分子生物技术的水质微生物指示方法
CN111461397A (zh) * 2020-02-26 2020-07-28 山东浪潮通软信息科技有限公司 一种基于改进支持向量回归机的预算预测方法及设备、介质
CN112036100A (zh) * 2020-09-24 2020-12-04 哈尔滨锅炉厂有限责任公司 一种基于数值模拟利用回归算法预测炉膛氧气浓度的方法
CN112084230A (zh) * 2020-07-30 2020-12-15 同济大学 一种地表水水质预测方法
CN113176387A (zh) * 2021-04-19 2021-07-27 衢州学院 基于广域无线传感器网络的水质监测智能评估系统及方法
CN113744083A (zh) * 2021-08-27 2021-12-03 暨南大学 一种基于环境不平衡数据的水质预测方法
CN114838752A (zh) * 2022-03-14 2022-08-02 宁夏回族自治区水利科学研究院 一种河道多参数水质监测系统
CN115728463A (zh) * 2022-12-01 2023-03-03 哈尔滨工业大学 一种基于半嵌入式特征选择的可解释性水质预测方法
CN117592870A (zh) * 2024-01-19 2024-02-23 生态环境部环境规划院 基于水环境监测信息的综合分析系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295121A (zh) * 2016-07-21 2017-01-04 天津大学 景观湖泊贝叶斯水质风险预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295121A (zh) * 2016-07-21 2017-01-04 天津大学 景观湖泊贝叶斯水质风险预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
KUN YANG ET AL: "Spatial and temporal variations in the relationship between lake water surface temperatures and water quality - A case study of Dianchi Lake", 《SCIENCE OF THE TOTAL ENVIRONMENT》 *
杨昆 等: "湖泊表面水温预测与可视化方法研究", 《仪器仪表学报》 *
王小川 等: "《MATLAB神经网络43个案例分析》", 31 August 2013, 北京航空航天大学出版社 *
王长全: "《气体放电在工业中的应用研究》", 31 August 2014, 山东大学出版社 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110969556B (zh) * 2019-09-30 2023-11-21 上海仪电（集团）有限公司中央研究院 机器学习多维度多模型融合河道水质异常检测方法及装置
CN110969556A (zh) * 2019-09-30 2020-04-07 上海仪电（集团）有限公司中央研究院 机器学习多维度多模型融合河道水质异常检测方法及装置
CN111080464A (zh) * 2019-11-27 2020-04-28 中国农业大学 一种池塘养殖水质关键因子预测方法及装置
CN111461397A (zh) * 2020-02-26 2020-07-28 山东浪潮通软信息科技有限公司 一种基于改进支持向量回归机的预算预测方法及设备、介质
CN111398539A (zh) * 2020-03-09 2020-07-10 上海交通大学 一种基于大数据和分子生物技术的水质微生物指示方法
CN112084230A (zh) * 2020-07-30 2020-12-15 同济大学 一种地表水水质预测方法
CN112036100A (zh) * 2020-09-24 2020-12-04 哈尔滨锅炉厂有限责任公司 一种基于数值模拟利用回归算法预测炉膛氧气浓度的方法
CN113176387A (zh) * 2021-04-19 2021-07-27 衢州学院 基于广域无线传感器网络的水质监测智能评估系统及方法
CN113744083A (zh) * 2021-08-27 2021-12-03 暨南大学 一种基于环境不平衡数据的水质预测方法
CN113744083B (zh) * 2021-08-27 2024-04-23 暨南大学 一种基于环境不平衡数据的水质预测方法
CN114838752A (zh) * 2022-03-14 2022-08-02 宁夏回族自治区水利科学研究院 一种河道多参数水质监测系统
CN115728463A (zh) * 2022-12-01 2023-03-03 哈尔滨工业大学 一种基于半嵌入式特征选择的可解释性水质预测方法
CN117592870A (zh) * 2024-01-19 2024-02-23 生态环境部环境规划院 基于水环境监测信息的综合分析系统
CN117592870B (zh) * 2024-01-19 2024-04-30 生态环境部环境规划院 基于水环境监测信息的综合分析系统

Similar Documents

Publication Publication Date Title
CN110070144A (zh) 一种湖泊水质预测方法及系统
Coccia et al. Recent developments in predictive uncertainty assessment based on the model conditional processor approach
CN102183621B (zh) 水产养殖溶解氧浓度在线预测方法及系统
CN109902885A (zh) 基于深度学习混合cnn-lstm模型的台风预测方法
CN106780089B (zh) 基于神经网络元胞自动机模型的永久性基本农田划定方法
CN106405682A (zh) 一种降雨预测方法及装置
CN114254802B (zh) 气候变化驱动下植被覆盖时空变化的预测方法
CN106407691A (zh) 一种赤潮生物量预测方法及装置
CN107516168A (zh) 一种生态环境质量综合评价方法
CN116485584B (zh) 高寒区大底坡河流wee协同调控方法及系统
CN107423857A (zh) 一种区域长期来水多目标联合概率预测方法
Rounds Development of a neural network model for dissolved oxygen in the Tualatin River, Oregon
Koolagudi Long-range prediction of Indian summer monsoon rainfall using data mining and statistical approaches
Li et al. An Integrated Artificial Neural Network-based Precipitation Revision Model.
Bashar et al. Investigation of factors affecting rural drinking water consumption using intelligent hybrid models
CN114511061A (zh) 基于深度神经网络的岸滨地区海雾能见度预报方法
Zhang et al. Analyzing the effects of estuarine freshwater fluxes on fish abundance using artificial neural network ensembles
Hatten et al. A spatial model to assess the effects of hydropower operations on Columbia River fall Chinook salmon spawning habitat
Khan et al. Irrigation water requirement prediction through various data mining techniques applied on a carefully pre-processed dataset
Jia et al. A cluster-stacking-based approach to forecasting seasonal chlorophyll-a concentration in coastal waters
Kvanum Developing a deep learning forecasting system for short-term and high-resolution prediction of sea ice concentration
CN110909943A (zh) 一种多尺度多因子联合驱动的月径流概率预报方法
Cui et al. A secondary modal decomposition ensemble deep learning model for groundwater level prediction using multi-data
Jahangir et al. Application of artificial neural networks to the simulation of climate elements, drought forecast by two indicators of SPI and PNPI, and mapping of drought intensity; case study of Khorasan Razavi
Ndehedehe Assimilated Deep Learning to Assess Terrestrial Hydrology

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190730