CN111652425B - 一种基于粗糙集和长短期记忆网络的河流水质预测方法 - Google Patents
一种基于粗糙集和长短期记忆网络的河流水质预测方法 Download PDFInfo
- Publication number
- CN111652425B CN111652425B CN202010473060.0A CN202010473060A CN111652425B CN 111652425 B CN111652425 B CN 111652425B CN 202010473060 A CN202010473060 A CN 202010473060A CN 111652425 B CN111652425 B CN 111652425B
- Authority
- CN
- China
- Prior art keywords
- water quality
- data
- output
- long
- memory network
- 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.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000015654 memory Effects 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 10
- 230000007787 long-term memory Effects 0.000 claims abstract description 8
- 230000006403 short-term memory Effects 0.000 claims abstract description 7
- 230000008030 elimination Effects 0.000 claims abstract description 6
- 238000003379 elimination reaction Methods 0.000 claims abstract description 6
- 238000004880 explosion Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 30
- 230000009467 reduction Effects 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 18
- 230000003213 activating effect Effects 0.000 claims description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 6
- 229910052760 oxygen Inorganic materials 0.000 claims description 6
- 239000001301 oxygen Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 3
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000009850 completed effect Effects 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 239000011574 phosphorus Substances 0.000 claims description 3
- 229910052698 phosphorus Inorganic materials 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 239000002352 surface water Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 239000002351 wastewater Substances 0.000 claims description 3
- -1 high-humate index Chemical compound 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims 1
- 238000011161 development Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000010276 construction 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
- 230000037430 deletion Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- VZCYOOQTPOCHFL-UPHRSURJSA-N maleic acid Chemical compound OC(=O)\C=C/C(O)=O VZCYOOQTPOCHFL-UPHRSURJSA-N 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- VZCYOOQTPOCHFL-UHFFFAOYSA-N trans-butenedioic acid Natural products OC(=O)C=CC(O)=O VZCYOOQTPOCHFL-UHFFFAOYSA-N 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于粗糙集和长短期记忆网络的河流水质预测方法,使用针对不确定信息的粗糙集方法筛选主要因素,解决长序列训练过程中的梯度消失和梯度爆炸问题的长短期记忆网络建模进行河流水质预测,包括以下步骤:S1:采集数据形成原始序列,其中数据为历史数据,包括水质数据、水文数据、天气数据和经济社会数据;S2:建立预测模型,具体采用粗糙集理论对水质的影响因素进行约简,形成约简集,使用约简集进行长短期记忆网络建模训练;S3:利用步骤S2中的预测模型,对未来时刻水质进行预测;S4:输出预测结果。
Description
技术领域
本发明涉及水质预测领域,尤其涉及一种基于粗糙集和长短期记忆网络的河流水质预测方法。
背景技术
水质预测是水污染防控的重要组成部分,是一种辅助和改善各种社会经济、环境等决策过程的有利工具,使得水资源的开发建设活动建立在环境协调和可持续发展的基础上,在水环境管理中起着重要的作用。通过对水质的预测可以了解其变化状况,在水资源管理中针对水质波动状况及时地采取有效的处理措施,对预防疾病,提高人民健康水平,保证社会稳定,为社会经济环境可持续发展提供技术保障。
目前有许多方法用于水质预测,例如水质机理模型、统计概率模型、智能模型等。随着计算机技术和硬件条件发展,水质智能预测模型受到广泛关注和研究。智能模型是一种以建立输入输出数据之间的最优数学关系为目标的黑箱方法,结构灵活,自适应学习能力强,能很好反映径流序列的非线性、时序性、随机性等耦合特性。
发明内容
针对上述现有技术的不足,本专利申请提出一种基于粗糙集和长短期记忆网络的河流水质预测方法,该方法能有效预测流域日水质变化。
为了实现上述目的,本发明采用了如下技术方案:
一种基于粗糙集和长短期记忆网络的河流水质预测方法,使用针对不确定信息的粗糙集方法筛选主要因素,解决长序列训练过程中的梯度消失和梯度爆炸问题的长短期记忆网络建模进行河流水质预测,包括以下步骤:
S1:采集数据形成原始序列,其中数据为历史数据,包括水质数据、水文数据、天气数据和经济社会数据;
S2:建立预测模型,具体采用粗糙集理论对水质的影响因素进行约简,形成约简集,使用约简集进行长短期记忆网络建模训练;
S3:利用步骤S2中的预测模型,对未来时刻水质进行预测;
S4:输出预测结果。
进一步的,步骤S1中,水质数据包括水质的PH值、溶解氧、高猛酸盐指数、氨氮含量、总磷、水温、化学需氧量;水文数据包括流量、水位、含沙量;天气数据包括:降雨量、天气、温度、季节;经济社会数据包括人口、城市化率、工业产值、农业产值、废水排放。
进一步的,步骤S1中,采集数据完成后,需要进行转化和缺失数据补齐,并将所有的多源数据纳入统一的分析框架内。
进一步的,步骤S1中,历史数据为日数据。
进一步的,步骤S2中,建立预测模型的具体实施步骤包括:
A1:使用地表水环境质量标准现值对水质进行区域划分,得到水质类别;
A2:对收集到的所述历史数据进行离散化,使用粗糙集方法进行属性约简;
A3:将步骤A2中所述属性约简结果输入到长短期记忆网络中,进行网络建模,得到最终预测结果。
进一步的,所述步骤A2中进行离散化采用连续数据使用信息熵(Entropy)算法,进行属性约简使用遗传算法(Genetic),输出属性约简集合。
进一步的,步骤S3中,对未来时刻水质进行预测的具体步骤为:按照训练输入-输出模式,将新的数据输入粗糙集和长短期记忆网络中,模型输出即为未来时刻水质。
进一步的,所述预测未来时刻水质步骤具体包括:
将数据集中连续数据进行离散化,水质数据集为U,类别数为n,设u为U中的一个样本,ua为u在属性a上的取值,属性a为连续属性,a的取值集合为Ua={ua∣u∈U}={x1,x2,…,xn},对a进行基于信息熵的离散化。
B1:对属性a的所有取值从小至大进行排序,设得到的序列为:x1,x2,…,xn;
B2:设置候选分割点Ti,认为每个Ti为一个潜在的区间边界:
即Ti将样本集合U划分为两个子集U1i={u∈U∣ua≤Ti}和U2i={u∈U∣ua>Ti},选择Ti,使得将其作为分割点划分U后的熵最小,熵的计算公式如下:
其中,pki为类别i在子集Uk中的概率,
B3:将粗糙集输出结果也就是属性约简集输入长短期记忆网络,进行网络建模,所述的长短期记忆网络的输入变量个数由粗糙集属性约简集的个数决定,设置两层LSTM网络,设置记忆单元个数为128,迭代次数设置为100,sigmod函数控制遗忘门,输入门和输出门,tanh函数为激活函数,具体步骤为:
C31:遗忘门控制细胞历史状态信息的保留,激活函数使得遗忘门的输出值在[0,1]之间,当遗忘门输出为0的时候,表示将上一层状态的信息全部丢弃;为1的时候,表示上一层状态的信息全部保留。遗忘门的输入为上一层的输出ht-1和当前层的输入xt,通过sigmoid激活函数,得到遗忘门的输出ft,数学表达式为:
ft=σ(Wf*[ht-1,xt]+bf)
其中,σ为sigmoid激活函数,ht-1为上一层的输出,xt是当前层的输入,Wf是权重,bf是偏置;
C32:输入门控制信息输入,生成补充信息。首先使用Sigmoid激活函数,负责处理当前序列位置的输入,输出为it。然后使用tanh激活函数,输出为Ct ,两者的结果后面会相乘再去更新细胞状态,数学表达式如下:
it=σ(Wi*[ht-1,xt]+bi)
Ct =tanh(WC*[ht-1,xt]+bC)
其中,Wi和WC是权重,bf和bc是偏置;
C33:更新信息,信息通过遗忘门和输入门得出的结果,需要进行更新状态。输出结果Ct由两部分组成,第一部分是Ct-1和第一步(遗忘门)输出ft的乘积,第二部分是第二步(输入门)的it和Ct 的乘积,计算公式如下所示:
Ct=ft*Ct-1+it*Ct
C34:输出门选择性输出,sigmoid层确定细胞状态的哪个部分将输出出去。把细胞状态通过tanh层进行处理(得到一个在-1到1之间的值)并将它和sigmoid门的输出相乘,得到最终输出结果,计算公式如下:
Ot=σ(Woht-1+UOxt+bO)
ht=Ot*tanh(Ct)
最终的输出结果ht由两部分组成,第一部分是Ot,它由上一层的输出ht-1和当前层的输入xt,以及激活函数sigmoid得到,第二部分由第三步的输出和tanh激活函数组成;
C35:重复以上步骤,得到最后的水质预测结果。
有益效果
(1)利用不确定性粗糙集理论进行属性约简,减少了信息冗余,降低了模型的复杂度;
(2)利用长短期记忆网络,解决了长序列训练过程中的梯度消失和梯度爆炸问题;
(3)使用粗糙集和长短期记忆网络的新方法进行水质预测。
附图说明:
图1为本发明所述一种基于粗糙集和长短期记忆网络的河流水质预测方法的系统流程图;
图2为本发明所述一种基于粗糙集和长短期记忆网络的河流水质预测方法的模型流程图。
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。
参照图1-图2,一种基于粗糙集和长短期记忆网络的河流水质预测方法,使用针对不确定信息的粗糙集方法筛选主要因素,解决长序列训练过程中的梯度消失和梯度爆炸问题的长短期记忆网络建模进行河流水质预测,包括以下步骤:
S1:采集数据形成原始序列,其中数据为历史数据,包括水质数据、水文数据、天气数据和经济社会数据;
S2:建立预测模型,具体采用粗糙集理论对水质的影响因素进行约简,形成约简集,使用约简集进行长短期记忆网络建模训练;
S3:利用步骤S2中的预测模型,对未来时刻水质进行预测;
S4:输出预测结果。
优化的,步骤S1中,水质数据包括水质的PH值、溶解氧、高猛酸盐指数、氨氮含量、总磷、水温、化学需氧量;水文数据包括流量、水位、含沙量;天气数据包括:降雨量、天气、温度、季节;经济社会数据包括人口、城市化率、工业产值、农业产值、废水排放。
优化的,步骤S1中,采集数据完成后,需要进行转化和缺失数据补齐,并将所有的多源数据纳入统一的分析框架内。
优化的,步骤S1中,历史数据为日数据。
优化的,步骤S2中,建立预测模型的具体实施步骤包括:
A1:使用地表水环境质量标准现值对水质进行区域划分,得到水质类别;
A2:对收集到的所述历史数据进行离散化,使用粗糙集方法进行属性约简;
A3:将步骤A2中所述属性约简结果输入到长短期记忆网络中,进行网络建模,得到最终预测结果。
优化的,所述步骤A2中进行离散化采用连续数据使用信息熵(Entropy)算法,进行属性约简使用遗传算法(Genetic),输出属性约简集合。
优化的,步骤S3中,对未来时刻水质进行预测的具体步骤为:按照训练输入-输出模式,将新的数据输入粗糙集和长短期记忆网络中,模型输出即为未来时刻水质。
优化的,所述预测未来时刻水质步骤具体包括:
将数据集中连续数据进行离散化,水质数据集为U,类别数为n,设u为U中的一个样本,ua为u在属性a上的取值,属性a为连续属性,a的取值集合为Ua={ua∣u∈U}={x1,x2,…,xn},对a进行基于信息熵的离散化。
B1:对属性a的所有取值从小至大进行排序,设得到的序列为:x1,x2,…,xn;
B2:设置候选分割点Ti,认为每个Ti为一个潜在的区间边界:
即Ti将样本集合U划分为两个子集U1i={u∈U∣ua≤Ti}和U2i={u∈U∣ua>Ti},选择Ti,使得将其作为分割点划分U后的熵最小,熵的计算公式如下:
其中,pki为类别i在子集Uk中的概率,
B3:将粗糙集输出结果也就是属性约简集输入长短期记忆网络,进行网络建模,所述的长短期记忆网络的输入变量个数由粗糙集属性约简集的个数决定,设置两层LSTM网络,设置记忆单元个数为128,迭代次数设置为100,sigmod函数控制遗忘门,输入门和输出门,tanh函数为激活函数,具体步骤为:
C31:遗忘门控制细胞历史状态信息的保留,激活函数使得遗忘门的输出值在[0,1]之间,当遗忘门输出为0的时候,表示将上一层状态的信息全部丢弃;为1的时候,表示上一层状态的信息全部保留。遗忘门的输入为上一层的输出ht-1和当前层的输入xt,通过sigmoid激活函数,得到遗忘门的输出ft,数学表达式为:
ft=σ(Wf*[ht-1,xt]+bf)
其中,σ为sigmoid激活函数,ht-1为上一层的输出,xt是当前层的输入,Wf是权重,bf是偏置;
C32:输入门控制信息输入,生成补充信息。首先使用Sigmoid激活函数,负责处理当前序列位置的输入,输出为it。然后使用tanh激活函数,输出为Ct ,两者的结果后面会相乘再去更新细胞状态,数学表达式如下:
it=σ(Wi*[ht-1,xt]+bi)
Ct =tanh(WC*[ht-1,xt]+bC)
其中,Wi和WC是权重,bf和bc是偏置;
C33:更新信息,信息通过遗忘门和输入门得出的结果,需要进行更新状态。输出结果Ct由两部分组成,第一部分是Ct-1和第一步(遗忘门)输出ft的乘积,第二部分是第二步(输入门)的it和Ct 的乘积,计算公式如下所示:
Ct=ft*Ct-1+it*Ct
C34:输出门选择性输出,sigmoid层确定细胞状态的哪个部分将输出出去。把细胞状态通过tanh层进行处理(得到一个在-1到1之间的值)并将它和sigmoid门的输出相乘,得到最终输出结果,计算公式如下:
Ot=σ(Woht-1+UOxt+bO)
ht=Ot*tanh(Ct)
最终的输出结果ht由两部分组成,第一部分是Ot,它由上一层的输出ht-1和当前层的输入xt,以及激活函数sigmoid得到,第二部分由第三步的输出和tanh激活函数组成;
C35:重复以上步骤,得到最后的水质预测结果。
有益效果
(1)利用不确定性粗糙集理论进行属性约简,减少了信息冗余,降低了模型的复杂度;
(2)利用长短期记忆网络,解决了长序列训练过程中的梯度消失和梯度爆炸问题;
(3)使用粗糙集和长短期记忆网络的新方法进行水质预测。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种基于粗糙集和长短期记忆网络的河流水质预测方法,其特征在于:使用针对不确定信息的粗糙集方法筛选主要因素,解决长序列训练过程中的梯度消失和梯度爆炸问题的长短期记忆网络建模进行河流水质预测,包括以下步骤:
S1:采集数据形成原始序列,其中数据为历史数据,包括水质数据、水文数据、天气数据和经济社会数据;
S2:建立预测模型,具体采用粗糙集理论对水质的影响因素进行约简,形成约简集,将接受的历史数据进行离散化,采用连续数据使用信息熵(Entropy)算法,进行属性约简使用遗传算法(Genetic),输出属性约简集合,使用约简集进行长短期记忆网络建模训练;
S3:利用步骤S2中的预测模型,对未来时刻水质进行预测;
S4:输出预测结果;
步骤S3中,对未来时刻水质进行预测的具体步骤为:按照训练输入-输出模式,将新的数据输入粗糙集和长短期记忆网络中,模型输出即为未来时刻水质;
所述预测未来时刻水质步骤具体包括:
将数据集中连续数据进行离散化,水质数据集为U,类别数为n,设u为U中的一个样本,ua为u在属性a上的取值,属性a为连续属性,a的取值集合为Ua={ua∣u∈U}={x1,x2,…,xn},对a进行基于信息熵的离散化;
B1:对属性a的所有取值从小至大进行排序,设得到的序列为:x1,x2,…,xn;
B2:设置候选分割点Ti,认为每个Ti为一个潜在的区间边界:
即Ti将样本集合U划分为两个子集U1i={u∈U∣ua≤Ti}和U2i={u∈U∣ua>Ti},选择Ti,使得将其作为分割点划分U后的熵最小,熵的计算公式如下:
其中,pki为类别i在子集Uk中的概率,
B3:将粗糙集输出结果也就是属性约简集输入长短期记忆网络,进行网络建模,所述的长短期记忆网络的输入变量个数由粗糙集属性约简集的个数决定,设置两层LSTM网络,设置记忆单元个数为128,迭代次数设置为100,sigmod函数控制遗忘门,输入门和输出门,tanh函数为激活函数,具体步骤为:
C31:遗忘门控制细胞历史状态信息的保留,激活函数使得遗忘门的输出值在[0,1]之间,当遗忘门输出为0的时候,表示将上一层状态的信息全部丢弃;为1的时候,表示上一层状态的信息全部保留;遗忘门的输入为上一层的输出ht-1和当前层的输入xt,通过sigmoid激活函数,得到遗忘门的输出ft,数学表达式为:
ft=σ(Wf*[ht-1,xt]+bf)
其中,σ为sigmoid激活函数,ht-1为上一层的输出,xt是当前层的输入,Wf是权重,bf是偏置;
C32:输入门控制信息输入,生成补充信息;首先使用Sigmoid激活函数,负责处理当前序列位置的输入,输出为it;然后使用tanh激活函数,输出为C t,两者的结果后面会相乘再去更新细胞状态,数学表达式如下:
it=σ(Wi*[ht-1,xt]+bi)
Ct =tanh(WC*[ht-1,xt]+bC)
其中,Wi和WC是权重,bf和bc是偏置;
C33:更新信息,信息通过遗忘门和输入门得出的结果,需要进行更新状态;输出结果Ct由两部分组成,第一部分是Ct-1和第一步遗忘门输出ft的乘积,第二部分是第二步输入门的it和C t的乘积,计算公式如下所示:
Ct=ft*Ct-1+it*Ct
C34:输出门选择性输出,sigmoid层确定细胞状态的哪个部分将输出出去;把细胞状态通过tanh层进行处理,得到一个在-1到1之间的值并将它和sigmoid门的输出相乘,得到最终输出结果,计算公式如下:
Ot=σ(Woht-1+UOxt+bO)
ht=Ot*tanh(Ct)
最终的输出结果ht由两部分组成,第一部分是Ot,它由上一层的输出ht-1和当前层的输入xt,以及激活函数sigmoid得到,第二部分由第三步的输出和tanh激活函数组成;
C35:重复以上步骤,得到最后的水质预测结果。
2.根据权利要求1所述的一种基于粗糙集和长短期记忆网络的河流水质预测方法,其特征在于,步骤S1中,水质数据包括水质的PH值、溶解氧、高猛酸盐指数、氨氮含量、总磷、水温、化学需氧量;水文数据包括流量、水位、含沙量;天气数据包括:降雨量、天气、温度、季节;经济社会数据包括人口、城市化率、工业产值、农业产值、废水排放。
3.根据权利要求2所述的一种基于粗糙集和长短期记忆网络的河流水质预测方法,其特征在于,步骤S1中,采集数据完成后,需要进行转化和缺失数据补齐,并将所有的多源数据纳入统一的分析框架内。
4.根据权利要求3所述的一种基于粗糙集和长短期记忆网络的河流水质预测方法,其特征在于,步骤S1中,历史数据为日数据。
5.根据权利要求4所述的一种基于粗糙集和长短期记忆网络的河流水质预测方法,其特征在于,步骤S2中,建立预测模型的具体实施步骤包括:
A1:使用地表水环境质量标准现值对水质进行区域划分,得到水质类别;
A2:对收集到的所述历史数据进行离散化,使用粗糙集方法进行属性约简;
A3:将步骤A2中所述属性约简结果输入到长短期记忆网络中,进行网络建模,得到最终预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010473060.0A CN111652425B (zh) | 2020-05-29 | 2020-05-29 | 一种基于粗糙集和长短期记忆网络的河流水质预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010473060.0A CN111652425B (zh) | 2020-05-29 | 2020-05-29 | 一种基于粗糙集和长短期记忆网络的河流水质预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111652425A CN111652425A (zh) | 2020-09-11 |
CN111652425B true CN111652425B (zh) | 2024-03-22 |
Family
ID=72344497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010473060.0A Active CN111652425B (zh) | 2020-05-29 | 2020-05-29 | 一种基于粗糙集和长短期记忆网络的河流水质预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652425B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381292B (zh) * | 2020-11-13 | 2022-07-15 | 福州大学 | 一种顾及时空相关性和气象因素的河流水质预测方法 |
CN112348290B (zh) * | 2020-12-03 | 2024-06-04 | 西安交大长天软件股份有限公司 | 河流水质预测方法、装置、存储介质及设备 |
CN112862090B (zh) * | 2021-01-22 | 2023-01-31 | 南开大学 | 一种基于深度时空神经网络的气温预报方法 |
CN113345464A (zh) * | 2021-05-31 | 2021-09-03 | 平安科技(深圳)有限公司 | 语音提取方法、系统、设备及存储介质 |
CN114239417A (zh) * | 2021-12-23 | 2022-03-25 | 四创科技有限公司 | 一种供水系统中氨氮含量的综合评估方法与终端 |
CN114386686B (zh) * | 2021-12-30 | 2022-10-18 | 北京师范大学 | 一种基于改进lstm的流域水质短期预测方法 |
CN114578011A (zh) * | 2022-03-07 | 2022-06-03 | 上海蓝长科技集团有限公司 | 一种基于多传感器多源数据融合的水质监测方法 |
CN118116207A (zh) * | 2024-04-28 | 2024-05-31 | 松立控股集团股份有限公司 | 一种时空交通流量缺失数据填充方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845142A (zh) * | 2017-03-09 | 2017-06-13 | 南京大学 | 基于改进的粗糙集‑集对分析的水质评价方法 |
CN107292383A (zh) * | 2017-07-06 | 2017-10-24 | 郑保宁 | 基于深度学习算法与混合整数线性规划相结合的水质波动区间预测方法 |
CN107688871A (zh) * | 2017-08-18 | 2018-02-13 | 中国农业大学 | 一种水质预测方法和装置 |
CN109308544A (zh) * | 2018-08-21 | 2019-02-05 | 北京师范大学 | 基于对比散度-长短期记忆网络的蓝藻水华预测方法 |
CN109508811A (zh) * | 2018-09-30 | 2019-03-22 | 中冶华天工程技术有限公司 | 基于主成分分析和长短期记忆网络的污水处理出水参数预测方法 |
CN109828089A (zh) * | 2019-02-13 | 2019-05-31 | 仲恺农业工程学院 | 一种基于dbn-bp的水质参数亚硝酸氮的在线预测方法 |
CN109871894A (zh) * | 2019-02-20 | 2019-06-11 | 哈尔滨工程大学 | 一种结合森林优化和粗糙集的数据离散化方法 |
CN110852515A (zh) * | 2019-11-15 | 2020-02-28 | 北京工业大学 | 基于混合长短时记忆神经网络的水质指标预测方法 |
CN111080472A (zh) * | 2019-11-12 | 2020-04-28 | 国网山西省电力公司晋中供电公司 | 一种电力系统负荷预测和分析方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115730635A (zh) * | 2022-12-06 | 2023-03-03 | 江南大学 | 一种电动汽车负荷预测方法 |
-
2020
- 2020-05-29 CN CN202010473060.0A patent/CN111652425B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845142A (zh) * | 2017-03-09 | 2017-06-13 | 南京大学 | 基于改进的粗糙集‑集对分析的水质评价方法 |
CN107292383A (zh) * | 2017-07-06 | 2017-10-24 | 郑保宁 | 基于深度学习算法与混合整数线性规划相结合的水质波动区间预测方法 |
CN107688871A (zh) * | 2017-08-18 | 2018-02-13 | 中国农业大学 | 一种水质预测方法和装置 |
CN109308544A (zh) * | 2018-08-21 | 2019-02-05 | 北京师范大学 | 基于对比散度-长短期记忆网络的蓝藻水华预测方法 |
CN109508811A (zh) * | 2018-09-30 | 2019-03-22 | 中冶华天工程技术有限公司 | 基于主成分分析和长短期记忆网络的污水处理出水参数预测方法 |
CN109828089A (zh) * | 2019-02-13 | 2019-05-31 | 仲恺农业工程学院 | 一种基于dbn-bp的水质参数亚硝酸氮的在线预测方法 |
CN109871894A (zh) * | 2019-02-20 | 2019-06-11 | 哈尔滨工程大学 | 一种结合森林优化和粗糙集的数据离散化方法 |
CN111080472A (zh) * | 2019-11-12 | 2020-04-28 | 国网山西省电力公司晋中供电公司 | 一种电力系统负荷预测和分析方法 |
CN110852515A (zh) * | 2019-11-15 | 2020-02-28 | 北京工业大学 | 基于混合长短时记忆神经网络的水质指标预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111652425A (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111652425B (zh) | 一种基于粗糙集和长短期记忆网络的河流水质预测方法 | |
Xiao et al. | A hybrid model based on selective ensemble for energy consumption forecasting in China | |
Noori et al. | RETRACTED: Results uncertainty of solid waste generation forecasting by hybrid of wavelet transform-ANFIS and wavelet transform-neural network | |
Harrou et al. | A data-driven soft sensor to forecast energy consumption in wastewater treatment plants: A case study | |
CN109583565A (zh) | 基于注意力模型长短时记忆网络的洪水预测方法 | |
CN111461463B (zh) | 一种基于tcn-bp的短期负荷预测方法、系统及设备 | |
CN109344992B (zh) | 一种融合时空因素的智能家居用户操控行为习惯建模方法 | |
CN112232604B (zh) | 基于Prophet模型提取网络流量的预测方法 | |
CN112329990A (zh) | 一种基于lstm-bp神经网络的用户用电负荷预测方法 | |
Faraz et al. | Stock market prediction-by-prediction based on autoencoder long short-term memory networks | |
CN113360848A (zh) | 一种时序数据预测方法及装置 | |
CN114862032B (zh) | 一种基于XGBoost-LSTM的电网负荷预测方法及装置 | |
CN115471008A (zh) | 一种基于长短期记忆神经网络的燃气短期负荷预测方法 | |
CN115730744A (zh) | 基于用户模式与深度学习联合模型的用水量预测方法及系统 | |
Gao et al. | A multifactorial framework for short-term load forecasting system as well as the jinan’s case study | |
Priatna et al. | Precipitation prediction using recurrent neural networks and long short-term memory | |
CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
Dong et al. | A novel runoff prediction model based on support vector machine and gate recurrent unit with secondary mode decomposition | |
Sang et al. | Ensembles of gradient boosting recurrent neural network for time series data prediction | |
CN117477561A (zh) | 居民家用负荷概率预测方法及系统 | |
CN116341391B (zh) | 基于STPM-XGBoost模型的降水预测方法 | |
CN112767692A (zh) | 基于SARIMA-GA-Elman组合模型的短时交通流量预测系统 | |
CN116885699A (zh) | 基于双重注意力机制的电力负荷预测方法 | |
Juan et al. | Multi-step prediction of dissolved oxygen in river based on random forest missing value imputation and attention mechanism coupled with recurrent neural network | |
Wei et al. | Fusion prediction model of atmospheric pollutant based on self-organized feature |
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 |