CN112348290B - 河流水质预测方法、装置、存储介质及设备 - Google Patents
河流水质预测方法、装置、存储介质及设备 Download PDFInfo
- Publication number
- CN112348290B CN112348290B CN202011406354.8A CN202011406354A CN112348290B CN 112348290 B CN112348290 B CN 112348290B CN 202011406354 A CN202011406354 A CN 202011406354A CN 112348290 B CN112348290 B CN 112348290B
- Authority
- CN
- China
- Prior art keywords
- water quality
- data
- predicted
- point
- prediction
- 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 262
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000010865 sewage Substances 0.000 claims abstract description 69
- 238000012544 monitoring process Methods 0.000 claims abstract description 64
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 61
- 238000001514 detection method Methods 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 31
- 210000002569 neuron Anatomy 0.000 claims description 37
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 6
- 229910052760 oxygen Inorganic materials 0.000 description 6
- 239000001301 oxygen Substances 0.000 description 6
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 229910052698 phosphorus Inorganic materials 0.000 description 3
- 239000011574 phosphorus Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000002351 wastewater Substances 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请实施例公开了一种河流水质预测方法、装置、存储介质及设备，属于水质预测技术领域。所述方法包括：检测河流中预测点的上游是否存在企业污水排放口和监测站；根据检测结果采集所述预测点的输入数据，所述输入数据为历史水质数据、水文数据、气象数据和污水排放数据中的至少一种；将所述输入数据输入所述预测点的水质预测模型中，所述水质预测模型是对所述预测点的训练集中的训练样本进行训练得到的；根据所述水质预测模型的输出数据得到所述预测点的预测水质数据。本申请实施例可以考虑上游环境和流域特性对预测点的水质的影响，提高了预测结果的准确性。
Description
技术领域
本申请实施例涉及水质预测技术领域，特别涉及一种河流水质预测方法、装置、存储介质及设备。
背景技术
随着我国对生态环境保护的重视，人们对水环境质量的要求越来越高，科学的管理河流流域水环境、保护水生态系统已成为各级生态环境管理部门一项十分重要的任务。现阶段可以将水质指标作为判断水环境质量的衡量标准，因此，构建合理、精准的水质预测模型已成为近年来水环境科学领域的研究热点。
随着环境科学及人工智能、数据挖掘等研究的进一步深入以及相关学科、领域的不断发展，人工神经网络(Artificial Neural Networks，ANN)因其在对非线性的数据进行预测时，具有较快的收敛速度、较高的预测精度等优点，已被广泛应用于水环境质量预测。
相关技术中，可以预先建立河流中某个预测点的水质预测模型，再获取该预测点的历史水质数据，将该历史水质数据输入该水质预测模型，得到该预测点的预测水质数据。
由于点位水质数据除了本身的特性还具有较多的影响因素，所以，只用历史水质数据进行预测，而忽略了其他影响因素对水质数据的影响，会使得到的预测水质数据不准确。
发明内容
本申请实施例提供了一种河流水质预测方法、装置、存储介质及设备，用于解决只用历史水质数据进行预测，而忽略了其他影响因素对水质数据的影响，使得到的预测水质数据不准确的问题。所述技术方案如下：
一方面，提供了一种河流水质预测方法，所述方法包括：
检测河流中预测点的上游是否存在企业污水排放口和监测站；
根据检测结果采集所述预测点的输入数据，所述输入数据为历史水质数据、水文数据、气象数据和污水排放数据中的至少一种；
将所述输入数据输入所述预测点的水质预测模型中，所述水质预测模型是对所述预测点的训练集中的训练样本进行训练得到的；
根据所述水质预测模型的输出数据得到所述预测点的预测水质数据。
在一种可能的实现方式中，当所述检测结果用于指示所述预测点的上游只存在所述企业污水排放口，或者，所述预测点与上游最近的监测站之间存在所述企业污水排放口时，所述根据检测结果采集所述预测点的输入数据，包括：
根据所述检测结果采集所述预测点的第一水文数据、所述气象数据和所述污水排放数据。
在一种可能的实现方式中，当所述检测结果用于指示所述预测点与上游最近的监测站之间不存在所述企业污水排放口时，所述根据检测结果采集所述预测点的输入数据，包括：
根据所述检测结果采集所述预测点的第一水文数据、所述气象数据、所述监测站的第一历史水质数据和所述监测站的第二水文数据。
在一种可能的实现方式中，当所述检测结果用于指示所述预测点的上游不存在所述企业污水排放口和所述监测点时，所述根据检测结果采集所述预测点的输入数据，包括：
根据所述检测结果采集所述预测点的第一水文数据、所述气象数据和所述预测点的第二历史水质数据。
在一种可能的实现方式中，所述根据所述水质预测模型的输出数据得到所述预测点的预测水质数据，包括：
将所述水质预测模型的输出数据输入所述预测点的调优模型中，所述调优模型是对真实水质数据和训练得到的预测水质数据进行线性拟合后得到的，所述真实水质数据是对所述预测点的水质进行测量得到的；
将所述调优模型的输出数据确定为所述预测点的预测水质数据。
在一种可能的实现方式中，在所述将所述输入数据输入所述预测点的水质预测模型中之前，所述方法还包括：
对所述输入数据进行缺失数据处理和归一化处理。
在一种可能的实现方式中，所述方法还包括：
获取河流中每个预测点在同一预测时间得到的预测水质数据；
获取所述河流中预设的各个插值点与所述预测点的相对位置，所述插值点是位于所述预测点的上游或下游的点位；
根据所述预测水质数据和所述相对位置，利用空间插值算法计算各个插值点的预测水质数据；
将所有预测点的预测水质数据和所有插值点的预测水质数据组成所述河流的连续预测水质数据。
一方面，提供了一种河流水质预测装置，所述装置包括：
检测模块，用于检测河流中预测点的上游是否存在企业污水排放口和监测站；
采集模块，用于根据检测结果采集所述预测点的输入数据，所述输入数据为历史水质数据、水文数据、气象数据和污水排放数据中的至少一种；
输入模块，用于将所述输入数据输入所述预测点的水质预测模型中，所述水质预测模型是对所述预测点的训练集中的训练样本进行训练得到的；
预测模块，用于根据所述水质预测模型的输出数据得到所述预测点的预测水质数据。
一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如上所述的河流水质预测方法。
一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述指令由所述处理器加载并执行以实现如上所述的河流水质预测方法。
本申请实施例提供的技术方案的有益效果至少包括：
通过检测河流中预测点的上游是否存在企业污水排放口和监测站，这样，可以根据检测结果，从历史水质数据、水文数据、气象数据和污水排放数据的至少一种中采集预测点的输入数据，再将该输入数据输入预测点的水质预测模型中，最后根据水质预测模型的输出数据得到预测点的预测水质数据。这样，可以在预测点的上游存在企业污水排放口和监测站时，将污水排放数据和监测站的监测结果作为预测水质数据的输入数据，从而可以考虑上游环境和流域特性对预测点的水质的影响，提高了预测结果的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一个实施例提供的河流水质预测方法的方法流程图；
图2是本申请一个实施例提供的水质预测模型的建模以及预测的流程示意图；
图3是本申请一个实施例提供的河流点位的示意图；
图4是本申请一个实施例提供的河流水质预测装置的结构框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
本实施例中可以预先在河流流经的地方选取多个预测点，再针对每个预测点训练得到一个水质预测模型，后续，可以对每个预测点采集输入数据，并将该输入数据输入每个预测点对应的水质预测模型中，得到每个预测点的预测水质数据。下面先对预测过程中涉及的数据进行介绍，再对水质预测模型的训练流程进行介绍。
本实施例中采集的数据包括水质数据和流域特性数据这两类：
1)水质数据包括但不限于各个监测点的典型水质指标，即pH值、水温、溶解氧(DO)、电导率(EC)、浊度(TU)、氨氮(NH3-N)、化学需氧量(COD)、总磷(TP)和总氮(TN)等。
2)流域特性数据包括但不限于水文数据、气象数据和污水排放数据。其中，水文数据可以包括水体流量、枯水期/丰水期等；气象数据可以包括环境温度、降雨量。上游企业的污水排放数据可以为当前监测站与上游最近的监测站之间的企业污水排放口24小时的自动监控数据，监控因子包括但不限于废水排放流量、排放温度、pH值，以及化学需氧量、氨氮、总氮和总磷的单因子排放浓度和排放量等。其中，监测站也可以理解为预测点。
本实施例中采用的水质预测模型是BP(Back Propagation，反向传播)神经网络。BP神经网络是一种按误差反向传播(简称误差反传)训练的多层前馈网络，其算法称为BP算法，它的基本思想是梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小。
由于BP神经网络是包括输入层、隐藏层和输出层的多层神经网络，所以，在对BP神经网络进行建模时，需要先确定各网络层中神经元的数量。
输入层神经元的数量与预测点的上游环境相关。以上游环境包括企业污水排放口和监测站为例，则输入层神经元的数量与预测点的上游是否存在企业污水排放口和监测站相关。
1)若预测点的上游只存在企业污水排放口，或者，预测点与上游最近的监测站之间存在企业污水排放口，则输入数据包括预测点的第一水文数据、气象数据和污水排放数据。由于每种输入数据都包括至少一个指标，且每个输入层神经元对应于一个指标，所以，输入层神经元的数量等于三种输入数据的指标数之和。为了便于理解，假设第一水文数据包括水体流量这一种指标、气象数据包括环境温度和降雨量这两种指标，污水排放数据包括废水排放流量、排放温度、pH值，以及COD、NH3-N、TN的排放量这六种指标，则输入层神经元的数量为1+2+6＝9。
2)若预测点与上游最近的监测站之间不存在企业污水排放口，则输入数据包括预测点的第一水文数据、气象数据、监测站的第一历史水质数据和监测站的第二水文数据。同理，输入层神经元的数量等于四种输入数据的指标数之和。
3)若预测点的上游不存在企业污水排放口和监测点，则输入数据包括预测点的第一水文数据、气象数据和预测点的第二历史水质数据。同理，输入层神经元的数量等于三种输入数据的指标数之和。
输出层用于输出预测水质数据，所以，输出层神经元的数量与预测水质数据的指标数相等。若需要预测的指标包括水质中的氨氮、化学需氧量，则输出层神经元的数量为2；若需要预测的指标包括水质中的pH值、水温、溶解氧、电导率、浊度、氨氮、化学需氧量、总磷和总氮，则输出层神经元的数量为9。
隐藏层神经元的数量可以根据输入层神经元的数量和输出层神经元的数量计算得到。在一种实现方式中，计算公式为p为隐藏层神经元的数量，n为输入层神经元的数量，q为输出层神经元的数量，b为[0，10]之间且数值已知的常数。其中，不同水质预测模型中b的数值可以相等，也可以不等，本实施例不作限定。
另外，还可以通过利用BP神经网络的预测水质数据与真实水质数据的平均误差进行分析和调整，确定预测效果最好时的隐藏层神经元的数量。
在确定了各网络层中神经元的数量后，可以分别创建水质预测模型中的输入层、隐藏层和输出层。另外，还需要设定BP神经网络的激励函数和输出函数，设定初始的网络权重系数、网络的期待误差、最大迭代次数和学习速率。在一个实例中，可以设定期待误差初始值为0.0001，最大迭代次数为5000，学习速率为0.0001。
在完成了上述建模后，可以获取之前采集的预测点的历史数据，并从历史数据中提取出训练集和测试集，再利用该训练集和测试集对该水质预测模型进行训练。
其中，历史数据包括历史输入数据和历史真实水质数据，具有不同上游环境的预测点的历史输入数据不同。具体的，若预测点的上游只存在企业污水排放口，或者，预测点与上游最近的监测站之间存在企业污水排放口，则历史输入数据包括预测点的第一历史水文数据、历史气象数据和历史污水排放数据。若预测点与上游最近的监测站之间不存在企业污水排放口，则历史输入数据包括预测点的第一历史水文数据、历史气象数据、监测站的第一历史水质数据和监测站的第二历史水文数据。若预测点的上游不存在企业污水排放口和监测点，则历史输入数据包括预测点的第一历史水文数据、历史气象数据和预测点的第二历史水质数据。
在得到历史数据后，还需要对历史数据进行预处理。本实施例中的预处理包括缺失数据处理和归一化处理。其中，缺失数据处理过程中，通常是使用历史数据的中心度量(如均值或中位数)来填充缺失值。比如，对于正常或对称分布的历史数据而言，可以使用历史数据的均值来填充缺失值；而对于倾斜分布的历史数据而言，可以使用中位数来填充缺失值。归一化处理过程中，通常是会将历史数据的数据范围限定到[0，1]，这样可以将历史数据的所有特征都映射到同一尺度上，避免由于量纲的不同使历史数据的某些特征形成主导作用。归一化处理的算法主要有两种，一种是最值归一化，另一种是均值方差归一化。以最值归一化为例，最值归一化的公式如下：其中，xmin为历史数据序列中的最小值，xmax为历史数据序列中的最大值，xk为归一化之前的数值，yk为归一化之后的数值。
在对所有的历史数据进行预处理后，可以得到历史数据集。然后，可以通过bagging(Bootstrap aggregating，引导聚集算法)算法，在历史数据集中有放回无权重地随机抽取样本，将历史数据集划分成训练集和测试集。
在得到水质预测模型和训练集后，从训练集中选取训练样本，将该训练样本中的历史输入数据输入水质预测模型中，利用水质预测模型输出的预测水质数据与训练样本中的历史真实水质数据之间的误差对网络权重系数进行修正，以训练误差是否达到设定值作为收敛条件。在确定水质预测模型的收敛值小于预设阈值时，停止对该水质预测模型的训练，最终得到训练好的水质预测模型。
由于水质预测模型的预测结果可能会存在误差，为了提高预测结果的准确性，还可以对预测水质数据和真实水质数据进行相关性分析来建立调优模型，通过调优模型对预测水质数据进行进一步的调整，从而提高预测水质数据的准确性。其中，相关性分析是指对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量因素的相关密切程度。
在进行相关性分析时，获取各预测点的预测水质数据Xij(其中，i为预测点编码，i＝1～m，m≥2；j为预测次数)的时间序列集[Xi1，Xi2，Xi3，…，Xin]，获取相应的历史真实水质数据Yij的时间序列集[Yi1，Yi2，Yi3，…，Yin]，对预测水质数据和历史真实水质数据进行线性拟合，得到预测点的调优模型yi＝ai·xi+bi。
在得到训练好的水质预测模型和调优模型后，可以利用这两个模型来对河流的水质进行预测，具体预测方法详见下文中的描述。
请参考图1，其示出了本申请一个实施例提供的河流水质预测方法的方法流程图，该河流水质预测方法可以应用于电子设备中。该河流水质预测方法，可以包括：
步骤101，检测河流中预测点的上游是否存在企业污水排放口和监测站。
具体的，可以预先在预测点中设置上游环境信息，该上游环境信息用于指示预测点的上游是否存在企业污水排放口和监测站，则可以通过读取上游环境信息来检测预测点的上游是否存在企业污水排放口和监测站。或者，可以通过预测点的点位信息来指示上游是否存在企业污水排放口和监测站，该点位信息可以是预测点的标识或位置信息。以点位信息为标识为例，假设预测点1的标识为标识1，预测点2的标识为标识2，且标识1指示上游存在企业污水排放口，标识2指示上游不存在企业污水排放口和监测站。
步骤102，根据检测结果采集预测点的输入数据，该输入数据为历史水质数据、水文数据、气象数据和污水排放数据中的至少一种。
本实施例中以三种检测结果为例，对输入数据的选择进行介绍。
1)当检测结果用于指示预测点的上游只存在企业污水排放口，或者，预测点与上游最近的监测站之间存在企业污水排放口时，根据检测结果采集预测点的输入数据，包括：根据检测结果采集预测点的第一水文数据、气象数据和污水排放数据。
2)当检测结果用于指示预测点与上游最近的监测站之间不存在企业污水排放口时，根据检测结果采集预测点的输入数据，包括：根据检测结果采集预测点的第一水文数据、气象数据、监测站的第一历史水质数据和监测站的第二水文数据。
3)当检测结果用于指示预测点的上游不存在企业污水排放口和监测点时，根据检测结果采集预测点的输入数据，包括：根据检测结果采集预测点的第一水文数据、气象数据和预测点的第二历史水质数据。
在得到输入数据后，还可以对输入数据进行预处理，处理方式包括缺失数据处理和归一化处理，详见上文中的描述，此处不再赘述。
本实施例中，在选择输入数据时综合考虑了河流水质本底以及水文、气象、人为因素对河流水质变化的影响，提高了预测的准确性。
步骤103，将输入数据输入预测点的水质预测模型中，该水质预测模型是对预测点的训练集中的训练样本进行训练得到的。
其中，水质预测模型的训练流程详见上文中的描述，此处不作赘述。
在将输入数据输入水质预测模型后，水质预测模型可以对该输入数据进行计算，对计算结果进行反归一化运算，将得到的预算结果作为输出数据进行输出，请参考图2所示的水质预测模型的建模以及预测的流程示意图。
步骤104，根据水质预测模型的输出数据得到预测点的预测水质数据。
本实施例中，可以直接将输出数据作为预测水质数据。然而，由于水质预测模型可能会存在一定的误差，所以，还可以利用调优模型对输出数据进行调优，将调优模型的输出数据作为最终的预测水质数据，从而提高预测的准确性。
具体的，根据水质预测模型的输出数据得到预测点的预测水质数据，包括：将水质预测模型的输出数据输入预测点的调优模型中，该调优模型是对真实水质数据和训练得到的预测水质数据进行线性拟合后得到的，该真实水质数据是对预测点的水质进行测量得到的；将调优模型的输出数据确定为预测点的预测水质数据。
以水质预测模型的输出数据为Xij为例，将Xij输入调优模型后可以得到Xij′，将Xij′作为预测点的预测水质数据。
综上所述，本申请实施例提供的河流水质预测方法，通过检测河流中预测点的上游是否存在企业污水排放口和监测站，这样，可以根据检测结果，从历史水质数据、水文数据、气象数据和污水排放数据的至少一种中采集预测点的输入数据，再将该输入数据输入预测点的水质预测模型中，最后根据水质预测模型的输出数据得到预测点的预测水质数据。这样，可以在预测点的上游存在企业污水排放口和监测站时，将污水排放数据和监测站的监测结果作为预测水质数据的输入数据，从而可以考虑上游环境和流域特性对预测点的水质的影响，提高了预测结果的准确性。另外，本实施例中采用的水质预测模型为非线性模型，更加符合水质复杂环境，使得预测精度更好。
通过将预测水质数据与真实水质数据之间的相关性进行分析，以创建调优模型，可以简单、有效、快速地实现调优，在保证了预测精度的前提下提高了调优效率。
上述实施例中描述的是对一个预测点的水质进行预测的流程，而河流中包括多个预测点，对于每个预测点都可以采用上述实施例所示的方法进行水质预测。在实现了对河流中多个预测点的水质进行预测的基础上，还可以实现对整条河流的水质的预测，具体流程如下。
步骤1，获取河流中每个预测点在同一预测时间得到的预测水质数据。
请参考图3，图3中设置有n个预测点，则可以获取这n个预测点在同一预测时间的预测水质数据。
步骤2，获取河流中预设的各个插值点与预测点的相对位置，该插值点是位于预测点的上游或下游的点位。
其中，插值点即为图3中的插值点，本实施例不限定插值点的位置和数量。
步骤3，根据预测水质数据和相对位置，利用空间插值算法计算各个插值点的预测水质数据。
其中，空间差值算法可以包括分段插值算法、拉格朗日插值算法等等，本实施例不作限定。
步骤4，将所有预测点的预测水质数据和所有插值点的预测水质数据组成河流的连续预测水质数据。
对所有预测点的预测水质数据和所有插值点的预测水质数据进行组合，即可得到整条河流的连续预测水质数据，有利于节省水环境质量的监测和管理成本，同时也可用于水污染应急管控。
请参考图4，其示出了本申请一个实施例提供的河流水质预测装置的结构框图，该河流水质预测装置可以应用于电子设备中。该河流水质预测装置，可以包括：
检测模块410，用于检测河流中预测点的上游是否存在企业污水排放口和监测站；
采集模块420，用于根据检测结果采集预测点的输入数据，输入数据为历史水质数据、水文数据、气象数据和污水排放数据中的至少一种；
输入模块430，用于将输入数据输入预测点的水质预测模型中，水质预测模型是对预测点的训练集中的训练样本进行训练得到的；
预测模块440，用于根据水质预测模型的输出数据得到预测点的预测水质数据。
在一个可选的实施例中，当检测结果用于指示预测点的上游只存在企业污水排放口，或者，预测点与上游最近的监测站之间存在企业污水排放口时，采集模块420，还用于根据检测结果采集预测点的第一水文数据、气象数据和污水排放数据。
在一个可选的实施例中，当检测结果用于指示预测点与上游最近的监测站之间不存在企业污水排放口时，采集模块420，还用于根据检测结果采集预测点的第一水文数据、气象数据、监测站的第一历史水质数据和监测站的第二水文数据。
在一个可选的实施例中，当检测结果用于指示预测点的上游不存在企业污水排放口和监测点时，采集模块420，还用于根据检测结果采集预测点的第一水文数据、气象数据和预测点的第二历史水质数据。
在一个可选的实施例中，预测模块440，还用于：
将水质预测模型的输出数据输入预测点的调优模型中，调优模型是对真实水质数据和训练得到的预测水质数据进行线性拟合后得到的，真实水质数据是对预测点的水质进行测量得到的；
将调优模型的输出数据确定为预测点的预测水质数据。
在一个可选的实施例中，该装置还包括：
预处理模块，用于在输入模块430将输入数据输入所述预测点的水质预测模型中之前，对输入数据进行缺失数据处理和归一化处理。
在一个可选的实施例中，该装置还包括：
获取模块，用于获取河流中每个预测点在同一预测时间得到的预测水质数据；获取河流中预设的各个插值点与预测点的相对位置，插值点是位于预测点的上游或下游的点位；
计算模块，用于根据预测水质数据和相对位置，利用空间插值算法计算各个插值点的预测水质数据；
组合模块，用于将所有预测点的预测水质数据和所有插值点的预测水质数据组成河流的连续预测水质数据。
综上所述，本申请实施例提供的河流水质预测装置，通过检测河流中预测点的上游是否存在企业污水排放口和监测站，这样，可以根据检测结果，从历史水质数据、水文数据、气象数据和污水排放数据的至少一种中采集预测点的输入数据，再将该输入数据输入预测点的水质预测模型中，最后根据水质预测模型的输出数据得到预测点的预测水质数据。这样，可以在预测点的上游存在企业污水排放口和监测站时，将污水排放数据和监测站的监测结果作为预测水质数据的输入数据，从而可以考虑上游环境和流域特性对预测点的水质的影响，提高了预测结果的准确性。另外，本实施例中采用的水质预测模型为非线性模型，更加符合水质复杂环境，使得预测精度更好。
通过将预测水质数据与真实水质数据之间的相关性进行分析，以创建调优模型，可以简单、有效、快速地实现调优，在保证了预测精度的前提下提高了调优效率。
本申请一个实施例提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如上所述的河流水质预测方法。
本申请一个实施例提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述指令由所述处理器加载并执行以实现如上所述的河流水质预测方法。
需要说明的是：上述实施例提供的河流水质预测装置在进行河流水质预测时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将河流水质预测装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的河流水质预测装置与河流水质预测方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述并不用以限制本申请实施例，凡在本申请实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请实施例的保护范围之内。
Claims (10)
1.一种河流水质预测方法，其特征在于，所述方法包括：
检测河流中预测点的上游是否存在企业污水排放口和监测站；
根据检测结果采集所述预测点的输入数据，所述输入数据为历史水质数据、水文数据、气象数据和污水排放数据中的至少一种；
将所述输入数据输入所述预测点的水质预测模型中，所述水质预测模型是对所述预测点的训练集中的训练样本进行训练得到的；
根据所述水质预测模型的输出数据得到所述预测点的预测水质数据；
其中，所述水质预测模型是反向传播BP神经网络，所述BP神经网络是包括输入层、隐藏层和输出层的多层神经网络，所述输入层神经元的数量与所述预测点的上游是否存在企业污水排放口和监测站相关，所述输出层神经元的数量与所述预测水质数据的指标数相等，所述隐藏层神经元的数量根据所述输入层神经元的数量和所述输出层神经元的数量计算得到，计算公式为p为所述隐藏层神经元的数量，n为所述输入层神经元的数量，q为所述输出层神经元的数量，b为[0，10]之间且数值已知的常数，或者，用所述BP神经网络的预测水质数据与真实水质数据的平均误差进行分析和调整，确定预测效果最好时的隐藏层神经元的数量。
2.根据权利要求1所述的方法，其特征在于，当所述检测结果用于指示所述预测点的上游只存在所述企业污水排放口，或者，所述预测点与上游最近的监测站之间存在所述企业污水排放口时，所述根据检测结果采集所述预测点的输入数据，包括：
根据所述检测结果采集所述预测点的第一水文数据、所述气象数据和所述污水排放数据。
3.根据权利要求1所述的方法，其特征在于，当所述检测结果用于指示所述预测点与上游最近的监测站之间不存在所述企业污水排放口时，所述根据检测结果采集所述预测点的输入数据，包括：
根据所述检测结果采集所述预测点的第一水文数据、所述气象数据、所述监测站的第一历史水质数据和所述监测站的第二水文数据。
4.根据权利要求1所述的方法，其特征在于，当所述检测结果用于指示所述预测点的上游不存在所述企业污水排放口和所述监测站时，所述根据检测结果采集所述预测点的输入数据，包括：
根据所述检测结果采集所述预测点的第一水文数据、所述气象数据和所述预测点的第二历史水质数据。
5.根据权利要求1所述的方法，其特征在于，所述根据所述水质预测模型的输出数据得到所述预测点的预测水质数据，包括：
将所述水质预测模型的输出数据输入所述预测点的调优模型中，所述调优模型是对真实水质数据和训练得到的预测水质数据进行线性拟合后得到的，所述真实水质数据是对所述预测点的水质进行测量得到的；
将所述调优模型的输出数据确定为所述预测点的预测水质数据。
6.根据权利要求1所述的方法，其特征在于，在所述将所述输入数据输入所述预测点的水质预测模型中之前，所述方法还包括：
对所述输入数据进行缺失数据处理和归一化处理。
7.根据权利要求1至6中任一项所述的方法，其特征在于，所述方法还包括：
获取河流中每个预测点在同一预测时间得到的预测水质数据；
获取所述河流中预设的各个插值点与所述预测点的相对位置，所述插值点是位于所述预测点的上游或下游的点位；
根据所述预测水质数据和所述相对位置，利用空间插值算法计算各个插值点的预测水质数据；
将所有预测点的预测水质数据和所有插值点的预测水质数据组成所述河流的连续预测水质数据。
8.一种河流水质预测装置，其特征在于，所述装置包括：
检测模块，用于检测河流中预测点的上游是否存在企业污水排放口和监测站；
采集模块，用于根据检测结果采集所述预测点的输入数据，所述输入数据为历史水质数据、水文数据、气象数据和污水排放数据中的至少一种；
输入模块，用于将所述输入数据输入所述预测点的水质预测模型中，所述水质预测模型是对所述预测点的训练集中的训练样本进行训练得到的；
预测模块，用于根据所述水质预测模型的输出数据得到所述预测点的预测水质数据；
其中，所述水质预测模型是反向传播BP神经网络，所述BP神经网络是包括输入层、隐藏层和输出层的多层神经网络，所述输入层神经元的数量与所述预测点的上游是否存在企业污水排放口和监测站相关，所述输出层神经元的数量与所述预测水质数据的指标数相等，所述隐藏层神经元的数量根据所述输入层神经元的数量和所述输出层神经元的数量计算得到，计算公式为p为所述隐藏层神经元的数量，n为所述输入层神经元的数量，q为所述输出层神经元的数量，b为[0，10]之间且数值已知的常数，或者，用所述BP神经网络的预测水质数据与真实水质数据的平均误差进行分析和调整，确定预测效果最好时的隐藏层神经元的数量。
9.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如权利要求1至7任一所述的河流水质预测方法。
10.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述指令由所述处理器加载并执行以实现如权利要求1至7任一所述的河流水质预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011406354.8A CN112348290B (zh) | 2020-12-03 | 2020-12-03 | 河流水质预测方法、装置、存储介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011406354.8A CN112348290B (zh) | 2020-12-03 | 2020-12-03 | 河流水质预测方法、装置、存储介质及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112348290A CN112348290A (zh) | 2021-02-09 |
| CN112348290B true CN112348290B (zh) | 2024-06-04 |
Family
ID=74427752
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011406354.8A Active CN112348290B (zh) | 2020-12-03 | 2020-12-03 | 河流水质预测方法、装置、存储介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112348290B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113361690A (zh) * | 2021-06-16 | 2021-09-07 | 江苏省生态环境监控中心(江苏省环境信息中心) | 水质预测模型训练、水质预测方法、装置、设备及介质 |
| CN115545576B (zh) * | 2022-11-30 | 2023-04-18 | 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 |
| CN117195135B (zh) * | 2023-11-01 | 2024-02-27 | 潍坊德瑞生物科技有限公司 | 一种水污染异常溯源检测方法及系统 |
| CN117933572B (zh) * | 2024-03-20 | 2024-06-11 | 四川飞洁科技发展有限公司 | 一种水质预测方法及相关装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108132340A (zh) * | 2017-12-14 | 2018-06-08 | 浙江大学 | 一种河道多传感器融合上下游污染预警系统及方法 |
| CN111291937A (zh) * | 2020-02-25 | 2020-06-16 | 合肥学院 | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 |
| CN111652425A (zh) * | 2020-05-29 | 2020-09-11 | 重庆工商大学 | 一种基于粗糙集和长短期记忆网络的河流水质预测方法 |
| CN111738530A (zh) * | 2020-07-29 | 2020-10-02 | 深圳江行联加智能科技有限公司 | 河流的水质预测方法、装置以及计算机可读存储介质 |
-
2020
- 2020-12-03 CN CN202011406354.8A patent/CN112348290B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108132340A (zh) * | 2017-12-14 | 2018-06-08 | 浙江大学 | 一种河道多传感器融合上下游污染预警系统及方法 |
| CN111291937A (zh) * | 2020-02-25 | 2020-06-16 | 合肥学院 | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 |
| CN111652425A (zh) * | 2020-05-29 | 2020-09-11 | 重庆工商大学 | 一种基于粗糙集和长短期记忆网络的河流水质预测方法 |
| CN111738530A (zh) * | 2020-07-29 | 2020-10-02 | 深圳江行联加智能科技有限公司 | 河流的水质预测方法、装置以及计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112348290A (zh) | 2021-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112348290B (zh) | 河流水质预测方法、装置、存储介质及设备 | |
| CN112506990B (zh) | 一种基于时空信息的水文数据异常检测方法 | |
| CN111553394B (zh) | 基于循环神经网络和关注机制的水库水位预测方法 | |
| CN106934237A (zh) | 雷达抗干扰效能评估可信性度量实现方法 | |
| CN112035448A (zh) | 一种综合地基gnss水汽和气象要素的神经网络短临降水预报方法 | |
| CN117116382B (zh) | 引水工程影响下受水湖泊水质时空预测方法和系统 | |
| CN115423163A (zh) | 一种流域短期洪水事件预测方法、装置及终端设备 | |
| CN117236674B (zh) | 城市河网水动力精准调控和水环境提升方法及系统 | |
| CN112686481A (zh) | 一种径流量预报方法、处理器 | |
| CN110889196A (zh) | 水环境承载力评估方法、装置及存储介质 | |
| CN113496314A (zh) | 一种神经网络模型预测道路交通流量的方法 | |
| CN113836808A (zh) | 一种基于重污染特征约束的pm2.5深度学习预测方法 | |
| CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
| CN115948964A (zh) | 一种基于ga-bp神经网络的路面平整度预测方法 | |
| CN117191147A (zh) | 一种泄洪大坝水位监测预警方法及系统 | |
| CN114858207A (zh) | 一种基于软测量的河道排污口网格化溯源排查方法 | |
| CN117078114B (zh) | 引水工程影响下受水湖泊水质评价方法和系统 | |
| Asghari et al. | Spatial rainfall prediction using optimal features selection approaches | |
| CN116719984B (zh) | 一种智慧燃气数据管理方法、物联网系统和存储介质 | |
| KR20130124691A (ko) | 홍수 취약성 평가를 위한 퍼지 탑시스 접근방법 | |
| CN113159395A (zh) | 一种基于深度学习的污水处理厂进水流量预测方法及系统 | |
| CN117371303A (zh) | 一种海浪下有效波高的预测方法 | |
| CN115018137B (zh) | 基于强化学习的水环境模型参数率定方法 | |
| CN115907204A (zh) | 麻雀搜索算法优化bp神经网络的林木蒸腾耗水预测方法 | |
| Gai et al. | Research on water quality spatiotemporal forecasting model based on ST-BIGRU-SVR neural network |
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 |