CN111458471A - 一种基于图神经网络的水域检测预警方法 - Google Patents
一种基于图神经网络的水域检测预警方法 Download PDFInfo
- Publication number
- CN111458471A CN111458471A CN201911318935.3A CN201911318935A CN111458471A CN 111458471 A CN111458471 A CN 111458471A CN 201911318935 A CN201911318935 A CN 201911318935A CN 111458471 A CN111458471 A CN 111458471A
- Authority
- CN
- China
- Prior art keywords
- water
- neural network
- water area
- detected
- graph neural
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 205
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 42
- 230000007613 environmental effect Effects 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 16
- 230000002776 aggregation Effects 0.000 claims description 13
- 238000004220 aggregation Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 230000004913 activation Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- YBVAXJOZZAJCLA-UHFFFAOYSA-N nitric acid nitrous acid Chemical compound ON=O.O[N+]([O-])=O YBVAXJOZZAJCLA-UHFFFAOYSA-N 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000002020 sage Nutrition 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
- G01N33/1806—Biological oxygen demand [BOD] or chemical oxygen demand [COD]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
- G01N33/1813—Specific cations in water, e.g. heavy metals
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- 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
-
- 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
- Y02A20/20—Controlling water pollution; Waste water treatment
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Food Science & Technology (AREA)
- Molecular Biology (AREA)
- Medicinal Chemistry (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Emergency Medicine (AREA)
- Biodiversity & Conservation Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及水域检测技术领域，具体涉及一种基于图神经网络的水域检测预警方法。该方法包括以下步骤：（1）数据采集：采用水上机器人在待测水域进行水面巡航，并采集待测水域的水质及环境数据。（2）构建待测水域的图神经网络模型。（3）水质状况预测：利用待测水域的图神经网络模型，学习并预测待测水域的水质状况。本发明采用现有技术中的水上机器人对待测水域中的污染源进行定位，并利用其空间位置信息，采用构建图神经网络模型、对图神经网络模型进行学习的方法，完成对各种不同形状以及大小的水域的水质的精准预测。和现有的固定监测站点的检测预警方法相比，本发明具有更好的普适性。
Description
技术领域
本发明涉及水域检测技术领域，具体涉及一种基于图神经网络的水域检测预警方法。
背景技术
水作为一种必不可缺的珍贵资源，其受污染程度和人民群众的生命与健康息息相关。
水污染检测的智能化水平较低。水质监测设备采集离散站点的水质数据，且只能采集附近水域的数据，无法定位水质污染源，无法对水质做出一个准确的评估和预判。
水体环境是开放和复杂的，水质因子呈现非线性变化，且各影响因子之间作用复杂、耦合因素多，如何构建水质参数的高精度预测预警模型具有十分重要的理论价值和经济效益。
国内外众多学者针对水质预测模型做了众多研究，从机理模型到非机理模型，从时序模型到机器学习模型等多方面进行了探索。一个理想的模型应该可以用来预测自然界水体(河流、湖泊、河口、海岸、水库、湾等)详细的运动过程。
现有的水域检测预警方法主要以多元判别分析、支持向量机、模糊综合评价以及神经网络等比较传统的预测方法为主，这些方法均没有考虑到水域中各污染源的空间相对位置关系，很难对水质状况做到未来一段时间内的精准预测。
发明内容
本发明的目的在于提供一种基于图神经网络的水域检测预警方法，该方法能够解决现有技术中存在的不足，对水域水质进行精准预测。
为实现上述目的，本发明采用了以下技术方案：
一种基于图神经网络的水域检测预警方法，该方法包括以下步骤：
(1)数据采集：采用水上机器人在待测水域进行水面巡航，并采集待测水域的水质及环境数据。本发明采用现有技术中的水上机器人在待测水域进行水面巡航。通过GPS定位系统确定水上机器人的当前坐标，即可将巡航水域等效为二维平面地图。水上机器人，能够对水中污染物质以及温度、光照、浑浊度以及水中含氧量等环境参数进行采集，并上传到远程终端。需要采集的水质参数主要包括：溶解氧、PH值、浊度、重金属、电导率、总氮、总磷、总悬浮物、化学需氧量、叶绿素、硝酸亚硝酸盐等；环境参数主要包括：水温、光照、流速和流向、季节、未来一周内气温变化程度和降雨量等。
(2)构建待测水域的图神经网络模型：首先，确定待测水域的水岸和中间水域；然后，选取水岸中的若干坐标点作为水岸节点，并将各水岸节点按顺序连接起来；其次，设定水质标准阈值，对采集到的中间水域的水质及环境数据进行分析，将高于水质标准阈值的坐标点定为污染源节点；再次，设定距离阈值D1和距离阈值D2，D1＜D2，对各水岸节点和各污染源节点中的任意两个节点之间的欧氏距离进行计算分析，若两个节点之间的欧氏距离大于D1小于D2，则将两个节点连起来；若两个节点之间的欧氏距离小于D1，则将两个节点合并为一个节点；最后，待测水域的图神经网络模型构建完成。
(3)水质状况预测：利用待测水域的图神经网络模型，学习并预测待测水域的水质状况。
进一步的，步骤(3)中所述的“利用待测水域的图神经网络模型，学习并预测待测水域的水质状况”，具体包括以下步骤：
(31)对采集到的待测水域的水质及环境数据进行预处理，获取图神经网络模型中各个节点的输入特征向量。
(32)构建一定量的训练数据，对图神经网络模型进行训练。
(33)采用GraphSAGE方法，构建水质参数与水质状况变化趋势的非线性关系，对待测水域的水质状况进行预测。
进一步的，步骤(32)所述的“构建一定量的训练数据，对图神经网络模型进行训练”，其采用下式作为目标函数：
其中，MSE表示均方误差损失函数，m表示训练数据的总样本数，
表示模型预测的水质状况向量，y表示实际的水质状况向量。通过降低目标函数的值来优化图神经网络模型。
进一步的，步骤(33)中所述的“GraphSAGE方法”，其具体包括以下步骤：
(331)对图神经网络模型中的每个顶点进行采样。
因为每个节点的度是不一致的，需要对每个节点采样固定数量的邻居节点。节点度数为与该节点相邻的总节点数。考虑到本发明建立的图神经网络中的节点度数都不会过高，因此，采用图神经网络中最高的节点度数，为每个节点采用固定数量的邻居，对于邻居不够的节点进行相应的补零处理。
(332)采用聚合函数聚合邻居节点蕴含的信息。
由于邻居节点是无序的，因此，本发明采用的聚合函数为具有对称性的平均聚合函数(Mean aggregator)，聚合函数被用来将邻居节点的信息聚合到当前节点上。结合实际问题，本发明对邻域节点采用一阶聚合，即只考虑一阶邻居节点的影响，这与前面建模过程(即确定是否连边的过程)的假设符合，则学习过程中的节点特征向量更新公式为：
其中，N(v)表示v的邻居节点集合，W为要学习的权值矩阵，
表示第v个节点在第k次迭代时的特征向量，σ表示一种非线性激活函数，可以是sigmoid激活函数；MEAN表示取平均值汇合的操作。
由以上技术方案可知，本发明首次将图神经网络模型引入到水环境监测和预警的领域中，采用现有技术中的水上机器人对待测水域中的污染源进行定位，并利用其空间位置信息，采用构建图神经网络、对图神经网络进行学习的方法，完成对各种不同形状以及大小的水域的水质的精准预测。和现有的固定监测站点的检测预警方法相比，本发明具有更好的普适性。
附图说明
图1是本发明的方法流程图；
图2是本发明中图神经网络模型示意图；
图3是本发明中节点聚合过程示意图。
具体实施方式
下面结合附图对本发明做进一步说明：
如图1所示的一种基于图神经网络的水域检测预警方法，该方法包括以下步骤：
(1)数据采集：采用水上机器人在待测水域进行水面巡航，并采集待测水域的水质及环境数据。将水上机器人放置于待测水域中，该水上机器人具备定点巡航、定位污染源、采集水质及环境参数的功能。利用水域地图对水上机器人的航行路径进行规划，则水上机器人将根据规划后的路径在水域中巡航，并通过其自身携带的水质数据采集模块检测到K种污染源的浓度。水上机器人将所测到的K种污染源浓度与预设好的阈值做比较，若有一项污染源的浓度超出预设的阈值则将该处的实际位置以及该点的水质参数通过无线通信传送至远程终端。
(2)构建待测水域的图神经网络模型：
(21)确定待测水域的水岸和中间水域。将待测水域建模成合适的图神经网络模型是关键问题，如果水上机器人定位到的坐标点比较少且集中在水域的一部分，那么根据这些节点建模成的图必定无法体现待测水域的空间形状信息。本发明在待测水域中选取水岸节点和污染源节点来共同构建图神经网络模型，以准确体现待测水域的空间形状信息。本发明在水岸处设置节点，采集这些水岸节点的水质参数，但不考虑这些水岸节点是否有污染源超标。
(22)选取水岸中的若干坐标点作为水岸节点，并将各水岸节点按顺序连接起来。水岸节点沿水岸以一定的距离间隔进行数据采集，使其能准确表达待测水域的形状信息。
(23)设定水质标准阈值，对采集到的中间水域的水质及环境数据进行分析，将高于水质标准阈值的坐标点定为污染源节点。
(24)在确定所有节点后，要考虑建立节点之间的边关系以及边对应的权值。设定距离阈值D1和距离阈值D2，D1＜D2，对各水岸节点和各污染源节点中的任意两个节点之间的欧氏距离进行计算分析，若两个节点之间的欧氏距离大于D1小于D2，则将两个节点连起来；若两个节点之间的欧氏距离小于D1，则将两个节点合并为一个节点；最后，待测水域的图神经网络模型构建完成。若两节点之间的距离大于D1，小于D2，则认为两个节点之间有边相连。两节点距离越近，其对应边的权重越大，反之，则对应边的权重越小。当两个节点的距离过近，即两个节点之间的欧氏距离小于D1时，则将两个节点合并为一个节点。当两个节点之间的欧氏距离大于D2时，则说明这两个节点位置水质短期内相互影响的程度很弱、可以忽略，所以这两个节点之间无需用边连接。
(3)水质状况预测：利用待测水域的图神经网络模型，学习并预测待测水域的水质状况。
进一步的，步骤(3)中所述的“利用待测水域的图神经网络模型，学习并预测待测水域的水质状况”，具体包括以下步骤：
(31)对采集到的待测水域的水质及环境数据进行预处理，获取图神经网络模型中各个节点的输入特征向量。
本发明通过对采集到的待测水域的水质及环境数据进行预处理，能够确保图神经网络模型训练数据的质量，进而保证采用该图神经网络模型对水域水质状况进行检测预警的准确度。水质参数和环境参数进行归一化处理后，将二者粘接在一起作为图神经网络模型中节点的输入特征。
为了消除指标之间的量纲影响，本发明对水质及环境数据中的连续数值的特征做标准化处理。设该特征在整个数据集上的均值为μ，标准差为σ。那么，将该特征的每个值先减去μ再除以σ得到标准化后的每个特征值。各指标经过标准化后处于同一数量级，适合进行综合对比评价。
对于离散数据，本发明采用数字进行编码，以便于处理。比如说，特征季节有春夏秋冬共四个不同的状态。如果“春季”编码为1，“夏季”编码为2，“秋季”编码为3，“冬季”编码为4。考虑到预测预警的时间相比季节很短，可以认为这四个状态之间是不存在数学上的连续关系的。如果按照上述对应1，2，3和4的数值进行编码的话，机器学习算法会认为四个不同的季节之间存在数学的有序关系。因此，本发明采用独热编码即One-Hot编码，又称为一位有效编码，该方法是使用N个状态寄存器来对N个状态进行编码，每个状态都有其独立的状态寄存位，并且在任意时候，其中只有一位有效。那么，四个季节共4种状态就可以分别编码为1000，0100，0010，0001。一种特征里面有N种状态就对应N位的二进制。采用独热编码解决了神经网络不好处理属性数据的问题，在一定程度上也起到了扩充特征的作用。
数据预处理完后，就得到了建立好的图神经网络模型以及各个节点的输入特征向量。
(32)构建一定量的训练数据，对图神经网络模型进行训练。
由于本发明采用的是有监督的图表示学习方法，因此，需要构建一定量的训练数据集用于训练图神经网络模型。GraphSAGE和普通的图神经网络不同，它是一种归纳式的图表示学习方法。训练好的模型可以推广到不同形状，不同大小以及不同类型的水域进行预测。同理，也可以在不同的水域并行的采集训练集，即需要采集上述的水质参数以及一周后的水质状况。
图神经网络模型和训练数据集确定后，需要确定训练算法和目标函数。本发明中的图神经网络模型输出的是一周之后的水质状况，即包含若干种水质参数的向量。将学习算法看作一个回归问题。假设图神经网络模型的输出为p维向量：y∈Rp，则该图神经网络模型的目标函数采用回归损失函数中最常用的均方误差函数MSE(Mean Squared Error)，公式如下所示：
其中，MSE表示均方误差损失函数，m表示训练数据的总样本数，
表示模型预测的水质状况向量，y表示实际的水质状况向量。
(33)采用GraphSAGE(Graph sample and aggregate)方法，构建水质参数与水质状况变化趋势的非线性关系，对待测水域的水质状况进行预测。Graph SAGE方法能够有效利用节点之间的空间关系，对待测水域的水质状况进行预测。具体地说，步骤(33)包括以下步骤：
(331)对图神经网络中的每个顶点进行采样。
因为每个节点的度是不一致的，需要对每个节点采样固定数量的邻居节点。节点度数为与该节点相邻的总节点数。考虑到本发明建立的图神经网络模型中的节点度数都不会过高，因此，采用图神经网络模型中最高的节点度数，为每个节点采用固定数量的邻居，对于邻居不够的节点进行相应的补零处理。
(332)采用聚合函数聚合邻居节点蕴含的信息。
由于邻居节点是无序的，因此，本发明采用的聚合函数为具有对称性的平均聚合函数(Mean aggregator)，聚合函数被用来将邻居节点的信息聚合到当前节点上。结合实际问题，本发明对邻域节点采用一阶聚合，即只考虑一阶邻居节点的影响，这与前面建模过程的假设符合，则学习过程中的节点特征向量更新公式为：
其中，N(v)表示v的邻居节点集合，W为要学习的权值矩阵，
表示第v个节点在第k次迭代时的特征向量，σ表示一种非线性激活函数，可以是sigmoid激活函数；MEAN表示取平均值汇合的操作。
在图2所示的图神经网络模型图中，整个图表示一片待测水域，由黑色节点和它们之间的边建立了该待测水域的水质预测图模型，其中，v表示节点的序号，节点的排序可以是任意的，xv∈RN表示了节点v的N维特征向量。有了图模型和数据预处理好的节点特征向量，就可以完成水质预测模型的计算。
图3是图神经网络GraphSAGE的聚合算法过程示意图，由下往上表示了图神经网络模型的三个先后迭代步数，即由节点v和v的一阶邻居节点(如u：只通过一条边相连)所包含的节点特征进行平均汇合和非线性激活函数运算更新为下一代的节点v的特征向量，该迭代汇合运算是对每一个节点都要进行的。
现有的水质检测预警方法针对固定的水域，不具有普适性，当换到其他的不同水域时需要重新进行建模计算。本发明将图神经网络引入到水环境预测领域，提出了一个具有泛化性能的图神经网络预警模型，在图神经网络模型得到充分的水质训练后，即可以将此方法应用到不同大小和形状的水域中进行水质状况的预测。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (4)
1.一种基于图神经网络的水域检测预警方法，其特征在于：该方法包括以下步骤：
(1)数据采集：采用水上机器人在待测水域进行水面巡航，并采集待测水域的水质及环境数据；
(2)构建待测水域的图神经网络模型：首先，确定待测水域的水岸和中间水域；然后，选取水岸中的若干坐标点作为水岸节点，并将各水岸节点按顺序连接起来；其次，设定水质标准阈值，对采集到的中间水域的水质及环境数据进行分析，将高于水质标准阈值的坐标点定为污染源节点；再次，设定距离阈值D1和距离阈值D2，D1＜D2，对各水岸节点和各污染源节点中的任意两个节点之间的欧氏距离进行计算分析，若两个节点之间的欧氏距离大于D1小于D2，则将两个节点连起来；若两个节点之间的欧氏距离小于D1，则将两个节点合并为一个节点；最后，待测水域的图神经网络模型构建完成；
(3)水质状况预测：利用待测水域的图神经网络模型，学习并预测待测水域的水质状况。
2.根据权利要求1所述的一种基于图神经网络的水域检测预警方法，其特征在于：步骤(3)中所述的“利用待测水域的图神经网络模型，学习并预测待测水域的水质状况”，具体包括以下步骤：
(31)对采集到的待测水域的水质及环境数据进行预处理，获取图神经网络模型中各个节点的输入特征向量；
(32)构建一定量的训练数据，对图神经网络模型进行训练；
(33)采用GraphSAGE方法，构建水质参数与水质状况变化趋势的非线性关系，对待测水域的水质状况进行预测。
3.根据权利要求2所述的一种基于图神经网络的水域检测预警方法，其特征在于：步骤(32)所述的“构建一定量的训练数据，对图神经网络模型进行训练”，其采用下式作为目标函数：
其中，MSE表示均方误差损失函数，m表示训练数据的总样本数，
表示模型预测的水质状况向量，y表示实际的水质状况向量。
4.根据权利要求2所述的一种基于图神经网络的水域检测预警方法，其特征在于：步骤(33)中所述的“GraphSAGE方法”，其具体包括以下步骤：
(331)对图神经网络模型中的每个顶点进行采样；
(332)采用聚合函数聚合邻居节点蕴含的信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911318935.3A CN111458471B (zh) | 2019-12-19 | 2019-12-19 | 一种基于图神经网络的水域检测预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911318935.3A CN111458471B (zh) | 2019-12-19 | 2019-12-19 | 一种基于图神经网络的水域检测预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111458471A true CN111458471A (zh) | 2020-07-28 |
| CN111458471B CN111458471B (zh) | 2023-04-07 |
Family
ID=71683384
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911318935.3A Active CN111458471B (zh) | 2019-12-19 | 2019-12-19 | 一种基于图神经网络的水域检测预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111458471B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112162017A (zh) * | 2020-09-28 | 2021-01-01 | 江苏蓝创智能科技股份有限公司 | 一种水污染超标监测方法、装置、系统 |
| CN112414401A (zh) * | 2020-11-06 | 2021-02-26 | 北京理工大学 | 基于图神经网络的无人机协同定位系统及方法 |
| CN112562052A (zh) * | 2020-12-03 | 2021-03-26 | 广东工业大学 | 一种面向近岸水域的实时定位与建图方法 |
| CN112684130A (zh) * | 2020-11-23 | 2021-04-20 | 深圳市水务科技有限公司 | 流域水质预测方法和装置、计算机可读存储介质 |
| CN112990081A (zh) * | 2021-03-30 | 2021-06-18 | 武汉大学 | 一种基于图卷积神经网络的遥感影像小水体提取方法 |
| CN113780891A (zh) * | 2021-09-29 | 2021-12-10 | 河北省科学院地理科学研究所 | 一种海岸带受损生态系统评估方法 |
| CN113830896A (zh) * | 2021-09-27 | 2021-12-24 | 湖南工商大学 | 基于图神经网络的好氧段氧气预警方法、系统及设备 |
| CN117633661A (zh) * | 2024-01-26 | 2024-03-01 | 西南交通大学 | 一种基于进化图自监督学习的运渣车高危污染源分类方法 |
Citations (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0583571A (ja) * | 1991-09-24 | 1993-04-02 | Mamoru Tanaka | スパースニユーラルネツトによる画像処理 |
| US20040049497A1 (en) * | 2002-07-01 | 2004-03-11 | Xerox Corporation | Efficient interpolation technique using programmable node spacing |
| CN102096821A (zh) * | 2010-04-15 | 2011-06-15 | 西安理工大学 | 基于复杂网络理论的强干扰环境下的车牌识别方法 |
| CN102128794A (zh) * | 2011-01-31 | 2011-07-20 | 重庆大学 | 基于流形学习的遥感水质监测方法 |
| CN102419827A (zh) * | 2011-11-02 | 2012-04-18 | 昆明理工大学 | 基于rbf神经网络的沸腾换热预测方法 |
| CN103020642A (zh) * | 2012-10-08 | 2013-04-03 | 江苏省环境监测中心 | 水环境监测质控数据分析方法 |
| CN103413174A (zh) * | 2013-08-30 | 2013-11-27 | 哈尔滨工业大学 | 基于深度学习方法的短期风速多步预测方法 |
| CN103729550A (zh) * | 2013-12-18 | 2014-04-16 | 河海大学 | 基于传播时间聚类分析的多模型集成洪水预报方法 |
| CN104168579A (zh) * | 2014-08-14 | 2014-11-26 | 西北大学 | 一种基于区域判定的多精度节点定位方法 |
| CN106294869A (zh) * | 2016-08-23 | 2017-01-04 | 浙江工业大学 | 一种基于空间网络的具有公共自行车子网的公交网络建模方法 |
| CN106484997A (zh) * | 2016-10-10 | 2017-03-08 | 南京林业大学 | 一种基于克里金插值的水岸带淤泥厚度计算及出图方法 |
| CN106878375A (zh) * | 2016-12-22 | 2017-06-20 | 中国民航大学 | 一种基于分布式组合传感器网络的座舱污染物监测方法 |
| CN106934221A (zh) * | 2017-02-27 | 2017-07-07 | 华南理工大学 | 一种基于神经网络的水质评价分类方法 |
| CN107153874A (zh) * | 2017-04-11 | 2017-09-12 | 中国农业大学 | 水质预测方法及系统 |
| CN108008099A (zh) * | 2017-11-01 | 2018-05-08 | 佛山科学技术学院 | 一种污染源定位方法 |
| WO2018090657A1 (zh) * | 2016-11-18 | 2018-05-24 | 同济大学 | 基于BP_Adaboost模型的信用卡用户违约的预测方法及系统 |
| CN108304865A (zh) * | 2018-01-19 | 2018-07-20 | 同济大学 | 一种基于循环神经网络的图节点分类方法 |
| US20180247159A1 (en) * | 2017-02-27 | 2018-08-30 | Zecang Gu | Method of constructing a neural network model for super deep confrontation learning |
| CN108764515A (zh) * | 2018-04-04 | 2018-11-06 | 河海大学 | 一种耦合数值气象水文集合预报的水库调度风险决策方法 |
| CN109063730A (zh) * | 2018-06-22 | 2018-12-21 | 杭州电子科技大学 | 一种凸规划聚类水污染溯源方法 |
| GB201821192D0 (en) * | 2018-12-24 | 2019-02-06 | Nanolayers Res Computing Limited | A computer-implemented method of training a graph neural network |
| CN110110946A (zh) * | 2019-05-27 | 2019-08-09 | 江西博微新技术有限公司 | 基于各向异性Delaunay剖分的水质预测预警系统及其实现方法 |
| CN110309268A (zh) * | 2019-07-12 | 2019-10-08 | 中电科大数据研究院有限公司 | 一种基于概念图的跨语言信息检索方法 |
| CN110334130A (zh) * | 2019-07-09 | 2019-10-15 | 北京万维星辰科技有限公司 | 一种交易数据的异常检测方法、介质、装置和计算设备 |
| CN110415215A (zh) * | 2019-06-27 | 2019-11-05 | 同济大学 | 基于图神经网络的智能检测方法 |
| CN110532331A (zh) * | 2019-09-05 | 2019-12-03 | 腾讯科技（深圳）有限公司 | 一种对象类型确定的方法以及相关装置 |
| US20190370662A1 (en) * | 2017-08-04 | 2019-12-05 | Sualab Co., Ltd. | Method for training artificial neural network |
-
2019
- 2019-12-19 CN CN201911318935.3A patent/CN111458471B/zh active Active
Patent Citations (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0583571A (ja) * | 1991-09-24 | 1993-04-02 | Mamoru Tanaka | スパースニユーラルネツトによる画像処理 |
| US20040049497A1 (en) * | 2002-07-01 | 2004-03-11 | Xerox Corporation | Efficient interpolation technique using programmable node spacing |
| CN102096821A (zh) * | 2010-04-15 | 2011-06-15 | 西安理工大学 | 基于复杂网络理论的强干扰环境下的车牌识别方法 |
| CN102128794A (zh) * | 2011-01-31 | 2011-07-20 | 重庆大学 | 基于流形学习的遥感水质监测方法 |
| CN102419827A (zh) * | 2011-11-02 | 2012-04-18 | 昆明理工大学 | 基于rbf神经网络的沸腾换热预测方法 |
| CN103020642A (zh) * | 2012-10-08 | 2013-04-03 | 江苏省环境监测中心 | 水环境监测质控数据分析方法 |
| CN103413174A (zh) * | 2013-08-30 | 2013-11-27 | 哈尔滨工业大学 | 基于深度学习方法的短期风速多步预测方法 |
| CN103729550A (zh) * | 2013-12-18 | 2014-04-16 | 河海大学 | 基于传播时间聚类分析的多模型集成洪水预报方法 |
| CN104168579A (zh) * | 2014-08-14 | 2014-11-26 | 西北大学 | 一种基于区域判定的多精度节点定位方法 |
| CN106294869A (zh) * | 2016-08-23 | 2017-01-04 | 浙江工业大学 | 一种基于空间网络的具有公共自行车子网的公交网络建模方法 |
| CN106484997A (zh) * | 2016-10-10 | 2017-03-08 | 南京林业大学 | 一种基于克里金插值的水岸带淤泥厚度计算及出图方法 |
| WO2018090657A1 (zh) * | 2016-11-18 | 2018-05-24 | 同济大学 | 基于BP_Adaboost模型的信用卡用户违约的预测方法及系统 |
| CN106878375A (zh) * | 2016-12-22 | 2017-06-20 | 中国民航大学 | 一种基于分布式组合传感器网络的座舱污染物监测方法 |
| CN106934221A (zh) * | 2017-02-27 | 2017-07-07 | 华南理工大学 | 一种基于神经网络的水质评价分类方法 |
| US20180247159A1 (en) * | 2017-02-27 | 2018-08-30 | Zecang Gu | Method of constructing a neural network model for super deep confrontation learning |
| CN107153874A (zh) * | 2017-04-11 | 2017-09-12 | 中国农业大学 | 水质预测方法及系统 |
| US20190370662A1 (en) * | 2017-08-04 | 2019-12-05 | Sualab Co., Ltd. | Method for training artificial neural network |
| CN108008099A (zh) * | 2017-11-01 | 2018-05-08 | 佛山科学技术学院 | 一种污染源定位方法 |
| CN108304865A (zh) * | 2018-01-19 | 2018-07-20 | 同济大学 | 一种基于循环神经网络的图节点分类方法 |
| CN108764515A (zh) * | 2018-04-04 | 2018-11-06 | 河海大学 | 一种耦合数值气象水文集合预报的水库调度风险决策方法 |
| CN109063730A (zh) * | 2018-06-22 | 2018-12-21 | 杭州电子科技大学 | 一种凸规划聚类水污染溯源方法 |
| GB201821192D0 (en) * | 2018-12-24 | 2019-02-06 | Nanolayers Res Computing Limited | A computer-implemented method of training a graph neural network |
| CN110110946A (zh) * | 2019-05-27 | 2019-08-09 | 江西博微新技术有限公司 | 基于各向异性Delaunay剖分的水质预测预警系统及其实现方法 |
| CN110415215A (zh) * | 2019-06-27 | 2019-11-05 | 同济大学 | 基于图神经网络的智能检测方法 |
| CN110334130A (zh) * | 2019-07-09 | 2019-10-15 | 北京万维星辰科技有限公司 | 一种交易数据的异常检测方法、介质、装置和计算设备 |
| CN110309268A (zh) * | 2019-07-12 | 2019-10-08 | 中电科大数据研究院有限公司 | 一种基于概念图的跨语言信息检索方法 |
| CN110532331A (zh) * | 2019-09-05 | 2019-12-03 | 腾讯科技（深圳）有限公司 | 一种对象类型确定的方法以及相关装置 |
Non-Patent Citations (5)
| Title |
|---|
| C.T.C. ARSENE等: "Decision support system for water distribution systems based on neural networks and graphs theory for leakage detection", 《EXPERT SYSTEMS WITH APPLICATIONS》 * |
| YANLIN QI等: "A hybrid model for spatiotemporal forecasting of PM2.5 based on graph convolutional neural network and long short-term memory", 《SCIENCE OF THE TOTAL ENVIRONMENT》 * |
| 曹栋华;陈佳袁;刘益志;余松林;: "优化神经网络模型在水质预测中的运用" * |
| 罗庆芳;张菊;蒋磊;鲁长娟;郭娜;张泉翔;李汪洋;: "聊城市水岸带土壤重金属含量及污染评价" * |
| 韩力群等: "一种远程水污染神经网络监测系统" * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112162017A (zh) * | 2020-09-28 | 2021-01-01 | 江苏蓝创智能科技股份有限公司 | 一种水污染超标监测方法、装置、系统 |
| CN112414401A (zh) * | 2020-11-06 | 2021-02-26 | 北京理工大学 | 基于图神经网络的无人机协同定位系统及方法 |
| CN112414401B (zh) * | 2020-11-06 | 2023-02-28 | 北京理工大学 | 基于图神经网络的无人机协同定位系统及方法 |
| CN112684130A (zh) * | 2020-11-23 | 2021-04-20 | 深圳市水务科技有限公司 | 流域水质预测方法和装置、计算机可读存储介质 |
| CN112562052A (zh) * | 2020-12-03 | 2021-03-26 | 广东工业大学 | 一种面向近岸水域的实时定位与建图方法 |
| CN112990081A (zh) * | 2021-03-30 | 2021-06-18 | 武汉大学 | 一种基于图卷积神经网络的遥感影像小水体提取方法 |
| CN113830896A (zh) * | 2021-09-27 | 2021-12-24 | 湖南工商大学 | 基于图神经网络的好氧段氧气预警方法、系统及设备 |
| CN113830896B (zh) * | 2021-09-27 | 2022-12-27 | 湖南工商大学 | 基于图神经网络的好氧段氧气预警方法、系统及设备 |
| CN113780891A (zh) * | 2021-09-29 | 2021-12-10 | 河北省科学院地理科学研究所 | 一种海岸带受损生态系统评估方法 |
| CN117633661A (zh) * | 2024-01-26 | 2024-03-01 | 西南交通大学 | 一种基于进化图自监督学习的运渣车高危污染源分类方法 |
| CN117633661B (zh) * | 2024-01-26 | 2024-04-02 | 西南交通大学 | 一种基于进化图自监督学习的运渣车高危污染源分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111458471B (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111458471B (zh) | 一种基于图神经网络的水域检测预警方法 | |
| CN111798051B (zh) | 基于长短期记忆神经网络的空气质量时空预测方法 | |
| CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
| CN106650767B (zh) | 基于聚类分析和实时校正的洪水预报方法 | |
| CN108171259A (zh) | 一种基于NB-IoT的智慧末梢水质监测系统及方法 | |
| CN111832814A (zh) | 一种基于图注意力机制的空气污染物浓度预测方法 | |
| CN112116080A (zh) | 一种融合了注意力机制的cnn-gru水质预测方法 | |
| CN112085163A (zh) | 一种基于注意力增强图卷积神经网络agc和门控循环单元gru的空气质量预测方法 | |
| CN110555551B (zh) | 一种智慧城市的空气质量大数据管理方法及系统 | |
| CN109784752A (zh) | 一种三峡库区水体富营养化风险评估预警系统及其分析方法 | |
| CN106991491B (zh) | 一种基于遗传算法优化的rbf神经网络的环境污染监测系统 | |
| CN110766222B (zh) | 基于粒子群参数优化和随机森林的pm2.5浓度预测方法 | |
| CN111008726B (zh) | 一种电力负荷预测中类图片转换方法 | |
| EP2884413B1 (en) | Method for predicting wind power density | |
| CN110738355A (zh) | 一种基于神经网络的城市内涝预测方法 | |
| CN114154702A (zh) | 基于多粒度图时空神经网络的污染物浓度预测方法及装置 | |
| CN116929454A (zh) | 一种河流水质污染监测方法、介质及系统 | |
| CN113435124A (zh) | 一种基于长短时记忆和径向基函数神经网络的水质时空关联预测方法 | |
| Li et al. | Collective efficacy of support vector regression with smoothness priority in marine sensor data prediction | |
| CN116720156A (zh) | 基于图神经网络多模态气象数据融合的气象要素预报方法 | |
| Priatna et al. | Precipitation prediction using recurrent neural networks and long short-term memory | |
| Cui et al. | Deep learning methods for atmospheric PM2. 5 prediction: A comparative study of transformer and CNN-LSTM-attention | |
| CN114372631A (zh) | 一种基于小样本学习和lstm的缺资料地区径流预测方法 | |
| CN116147712B (zh) | 免时空限制的立体式施工环境监测装置及预测方法 | |
| CN111204867B (zh) | 膜生物反应器-mbr膜污染智能决策方法 |
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 |