CN112529296A - 水质预测方法、装置及服务器 - Google Patents
水质预测方法、装置及服务器 Download PDFInfo
- Publication number
- CN112529296A CN112529296A CN202011453536.0A CN202011453536A CN112529296A CN 112529296 A CN112529296 A CN 112529296A CN 202011453536 A CN202011453536 A CN 202011453536A CN 112529296 A CN112529296 A CN 112529296A
- Authority
- CN
- China
- Prior art keywords
- matrix
- water quality
- space
- undirected graph
- attention
- 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 155
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000011159 matrix material Substances 0.000 claims abstract description 195
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000012544 monitoring process Methods 0.000 claims abstract description 45
- 238000012360 testing method Methods 0.000 claims abstract description 26
- 230000007787 long-term memory Effects 0.000 claims abstract description 13
- 230000006403 short-term memory Effects 0.000 claims abstract description 13
- 230000007246 mechanism Effects 0.000 claims description 30
- 230000015654 memory Effects 0.000 claims description 29
- 230000000737 periodic effect Effects 0.000 claims description 26
- 230000002123 temporal effect Effects 0.000 claims description 13
- 241000195493 Cryptophyta Species 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 8
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 4
- 229910052757 nitrogen Inorganic materials 0.000 claims description 4
- 229910052760 oxygen Inorganic materials 0.000 claims description 4
- 239000001301 oxygen Substances 0.000 claims description 4
- 229910052698 phosphorus Inorganic materials 0.000 claims description 4
- 239000011574 phosphorus Substances 0.000 claims description 4
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 3
- 229930002875 chlorophyll Natural products 0.000 claims description 3
- 235000019804 chlorophyll Nutrition 0.000 claims description 3
- 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 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 239000012286 potassium permanganate Substances 0.000 claims description 3
- 230000008859 change Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000005291 magnetic effect Effects 0.000 description 4
- 230000037211 monthly cycles Effects 0.000 description 4
- 241000192700 Cyanobacteria Species 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 238000012851 eutrophication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 229910001385 heavy metal Inorganic materials 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003911 water pollution Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 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
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Images
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/045—Combinations of 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Mathematical Optimization (AREA)
- Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Strategic Management (AREA)
- Computational Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
Abstract
本发明提供一种水质预测方法、装置及服务器，该方法包括：获取预设时间段内所有预设监测点的水质特征数据，根据所述水质特征数据获得无向图矩阵，根据无向图矩阵确定邻接矩阵，并根据无向图构建输入矩阵；采用基于空间注意力的图卷积模块、结合基于时间注意力的长短期记忆网络模块构建预测模型；将水质数据划分为训练集和测试集，并利用训练集训练上述预测模型；将需要预测的数据作为测试数据输入训练好的预测模型中，获得预测的水质特征数据，提高了水质预测结果的准确性。
Description
技术领域
本发明涉及水环境预测技术领域，尤其涉及一种水质预测方法、装置及服务器。
背景技术
随着社会经济的发展，我国进入工业化时代，我国河流湖泊等不同水系出现了水污染的问题。例如河流湖泊内出现了重金属超标和富营养化的问题，导致水域内出现蓝藻水华问题，蓝藻还会灌入周边城市河道，对城市形象和群众的生活造成不利影响。因此，将水资源污染由事后治理变为事前预防，通过预测水质变化趋势以预防水域出现蓝藻水华现象的发生具有重要意义。
现有的水质变化预测方法主要是通过基于数据驱动建模方法。其中数理统计模型是通过处理状态变量的历史数据，利用回归分析、相关分析等方法分析影响因素对状态变量的作用，发现变量之间的规律。通过对蓝藻水华数据进行分析，建立蓝藻表征因素和影响因素数据之间的非线性关系来完成水质的预测以及蓝藻水华的预警。
然而，现有的利用数据驱动模型进行水质预测的方法中，受测试水域环境的限制，导致提取的数据特征比较片面，使得数据驱动模型的无法准确的表征测试水域中蓝藻水华表征因素与影响因素数据之间的非线性关系，影响水质预测结果的准确性。例如，神经网络时序模型仅能提取出一条河道内隐含的时间依赖特征，而无法很好的提取出河道网格之间隐含的空间依赖特征。而蓝藻水华的爆发与河道之间的空间依赖性息息相关，为了更好的提取出河道水质特征数据的时空特征，提出了一种基于空间注意力的图卷积模块结合基于时间注意力的长短期记忆网络模块的预测模型，并提供装置以及服务器。
发明内容
本发明的目的在于提供一种水质预测方法、装置及服务器，以提高水质预测结果的准确性。
第一方面，本发明提供一种水质预测方法，包括：
获取预设时间段内所有预设监测点的水质特征数据，将水质数据划分为训练集和测试集，根据所述水质特征数据获得无向图矩阵；
根据所述无向图矩阵确定邻接矩阵，并根据无向图构建输入矩阵，采用基于空间注意力的图卷积模块、结合基于时间注意力的长短期记忆网络模块构建预测模型，并根据所述训练集训练所述预测模型；
将所述测试集输入训练好的预测模型中，获得预测的水质特征数据。
在一种可能的设计中，所述采用基于空间注意力的图卷积模块、结合基于时间注意力的长短期记忆网络模块构建预测模型，根据无向图构建输入矩阵，并根据所述训练集训练所述预测模型，包括：
S1：根据空间注意力机制设定空间权重矩阵，并根据输入矩阵以及所述空间权重矩阵获得基于空间注意力的输入矩阵，将所述基于空间注意力的输入矩阵进行图卷积操作，获得空间卷积矩阵；
S2：根据时间注意力机制设定时间权重矩阵，并根据空间卷积矩阵以及所述时间权重矩阵获得基于时空注意力的输入矩阵，将所述基于时空注意力的输入矩阵输入长短期记忆网络模型中，获得时空特征矩阵，并根据所述时空特征矩阵确定新的输入矩阵；
S3：根据所述新的输入矩阵按照预设训练次数重复执行S1至S2的步骤，直至获得预测模型。
在一种可能的设计中，在所述根据所述水质特征数据获得无向图矩阵之后，还包括：
按照预设时间间隔将所述无向图矩阵分为多个不同周期的周期性无向图矩阵；
相应地，所述根据所述无向图矩阵获得邻接矩阵，包括：
分别根据每个周期性无向图矩阵获得多个周期性邻接矩阵。
在一种可能的设计中，根据所述无向图矩阵确定邻接矩阵，包括：
根据河道监测点信息确定所述无向图矩阵，其中所述河道监测点信息包括河道所有监测点每一时刻监测所得水质特征数据、河道条数、河道距离、河道深度等；
根据所有相邻的监测点之间的河道信息确定所有相邻两监测点之间的权重，并根据所述所有相邻两监测点之间的权重确定邻接矩阵。
在一种可能的设计中，所述水质特征数据包括水质类别、水温、PH值、溶解氧DO、氨氮NH3-N、总磷TP、总氮、高猛酸钾指数、叶绿素、藻类颗粒以及水流方向中的至少一种。
第二方面，本发明实施例提供一种水质预测装置，包括：
获取模块，用于获取预设时间段内所有预设监测点的水质特征数据，将水质数据划分为训练集和测试集，根据所述水质特征数据获得无向图矩阵；
训练模块，用于根据所述无向图矩阵确定邻接矩阵，并根据无向图构建输入矩阵，采用基于空间注意力的图卷积模块、结合基于时间注意力的长短期记忆网络模块构建预测模型，并根据所述训练集训练所述预测模型；
预测模块，用于将所述测试集输入训练好的预测模型中，获得预测的水质特征数据。
第三方面，本发明实施例提供一种服务器，包括存储器和至少一个处理器；所述存储器用于存储计算机执行指令；至少一个处理器，用于执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行实现如第一方面以及第一方面的任一方面所述的水质预测方法。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如第一方面以及第一方面的任一方面所述的水质预测方法。
第五方面，本发明实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时，实现如第一方面以及第一方面的任一方面所述的水质预测方法。
本发明实施例提供的一种水质预测方法、装置及服务器，通过根据所有预设监测点的水质特征数据获得无向图矩阵作为输入矩阵，并根据所述无向图矩阵获得邻接矩阵，通过采用基于空间注意力的图卷积模块、结合基于时间注意力的长短期记忆网络模块构建预测模型，将无向图矩阵和邻接矩阵作为预测模型的输入矩阵，并根据训练集训练预测模型，并将测试集输入训练好的预测模型中，获得预测的水质特征数据，提高了水质预测结果的准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1为本发明实施例提供的水质预测系统结构示意图；
图2为本发明实施例提供的水质预测方法流程图一；
图3为本发明实施例提供的太湖流域水质监测点示意图；
图4为本发明实施例提供的水质预测方法流程图二；
图5为本发明实施例提供的水质预测装置的结构示意图；
图6为本发明实施例提供的服务器的硬件结构示意图。
具体实施方式
通过上述附图，已示出本发明明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本发明构思的范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。
随着我国进入工业化时代，我国河流湖泊等不同水系出现了水污染情况，存在重金属超标和富营养化的问题。河流湖泊水污染严重时，会出现蓝藻爆发情况，灌入周边城市河道，严重影响城市形象和群众的生活。因此，根据环境保障方案，将水资源污染由事后治理变为事前预防，通过预测水质变化趋势以预防水域出现蓝藻水华现象的发生具有重要意义。以太湖流域的水质管理为例，通过根据湖州市每月太湖入湖口以及主要河道的水质监测数据对水质的变化进行预测，反应水体的污染现状以及预测水质的变化趋势，并根据预测的结果对监测点水质数据进行预处理。然而，现有的通过基于数据驱动建模实现水质变化预测方法，受测试水域环境的限制，导致提取的数据特征比较片面，使得数据驱动模型的无法准确的表征测试水域中蓝藻水华表征因素与影响因素数据之间的非线性关系，影响水质预测结果的准确性。
为了解决上述技术问题，本发明实施例通过根据监测点的水质特征数据获得无向图矩阵作为输入矩阵，并根据无向图矩阵获得邻接矩阵；采用基于空间注意力的图卷积模块结合基于时间注意力的长短期记忆网络模块构建预测模型；将水质数据划分为训练集和测试集，并利用训练集训练上述预测模型；并将测试集输入训练好的预测模型中，获得预测的水质特征数据，提高了水质预测结果的准确性。
图1为本发明实施例提供的水质预测系统结构示意图。如图1所示，该水质预测系统包括设置在待预测的河流湖泊内的多个信号采集装置20和实现水质预测的服务器10。信号采集装置20与服务器20之间通过卫星无线通信或移动蜂窝等无线通信技术进行数据传输。信号采集装置20采集待预测的河流湖泊内的水质特征数据，并传输至服务器10，使得服务器10根据监测的水质特征数据预测水质的变化。
图2为本发明实施例提供的水质预测方法流程图一。其中，本实施例的执行主体可以为图1所示水质预测系统中的服务器。如图2所示，水质预测方法包括以下步骤：
S201：获取预设时间段内所有预设监测点的水质特征数据，将水质数据划分为训练集和测试集，根据水质特征数据获得无向图矩阵。
在本发明实施例中，以实现太湖流域水质预测为例，图3为本发明实施例提供的太湖流域水质监测点示意图。如图3所示，在太湖入湖口和取水口处分别设置了12个预设监测点。获取12个月内的12个预设监测点的水质特征数据。由于蓝藻爆发受多种水质特征数据影响，在多种水质指标的相互影响下，蓝藻爆发的可能性随时间呈非线性变化。例如蓝藻常爆发于夏季，温度较高，富营养化的水体，即水中氮、磷含量较高，蓝藻的爆发同时会导致水体中溶解氧量下降，水体滞留等。因此蓝藻爆发的预测是多个水质特征数据共同作用的结果。示例性的，水质特征数据包括水质类别、水温、PH值、溶解氧DO、氨氮NH3-N、总磷TP、总氮、高猛酸钾指数、叶绿素、藻类颗粒以及水流方向中的至少一种。在本发明实施例中，首先将水质特征数据进行归一化处理，再按照预设比例将预设监测点的监测的水质特征数据划分为训练集和测试集。具体的，可以按照80％和20％的比例，将80％的水质特征数据作为训练集，将20％的水质特征数据作为测试集，用于预测水质。
在本发明实施例中，根据预设监测点监测的水质特征数据构造监测点河道无向图G＝(V,E,A)，其中|V|＝N表示N个节点，即N个观测点，示例性的N为12。E表示节点的边即表示观测点之间相连的河道，A表示图的邻接矩阵。
S202：根据无向图矩阵确定邻接矩阵，并根据无向图构建输入矩阵，采用基于空间注意力的图卷积模块、结合基于时间注意力的长短期记忆网络模块构建预测模型，并根据训练集训练预测模型。
在本发明实施例中，具体的，根据无向图矩阵确定所有相邻的监测点之间的河道信息，其中河道监测点信息包括河道个数、河道距离、河道深度以及河道的权重；根据所有相邻的监测点之间的河道信息确定所有相邻两监测点之间的权重，并根据所有相邻两监测点之间的权重确定邻接矩阵。
示例性的，根据所有相邻的监测点之间的河道信息确定所有相邻两监测点之间的权重的公式如(1)所示：
其中，n为河道个数、li为第i条河道距离、di为第i条河道深度以及wi为第i条河道的权重。其中，wi为预设值，i为小于或者等于n的正整数。
在本发明实施例中，在根据无向图矩阵获得邻接矩阵之后，可根据无向图矩阵作为输入矩阵X[N,T,F]。其中，N表示节点即河道监测点，T表示河道监测点水质监测历史数据按照时间片分割排列，F表示各节点属性值，即每个节点按时间片T生成一个特征向量，每个时间片T的特征向量F为水质监测所得各个属性值。示例性的，在根据水质特征数据获得输入矩阵之前，对水质特征数据进行归一化处理，并根据归一化处理后的无向图矩阵作为输入矩阵。
在本发明实施例中，空间注意力机制作用于图卷积过程，时间注意力机制作用于长短期记忆网络模块。通过空间注意力机制结合图卷积来提取输入矩阵中的空间关键特征，获取各个河道之间空间依赖特征；并通过时间注意力机制结合长短期记忆网络模型，提取各河道监测点空间关键特征中的时间维度特征，即时空特征；并根据损失函数利用梯度下降算法进行反向传播，更新模型权重，反复迭代训练，最终获得预测模型。
在本发明实施例中，采用空间注意力机制以及时间注意力机制对输入矩阵进行处理以构建预测模型的方法具体包括以下步骤：
S1：根据空间注意力机制设定空间权重矩阵，并根据输入矩阵以及空间权重矩阵获得空间注意力矩阵，将空间注意力矩阵进行图卷积操作，获得空间卷积矩阵。
在本发明实施例中，根据空间注意力机制以及输入矩阵X获得空间注意力矩阵s的公式如(2)所示：
其中
为第r层训练输入矩阵，w和vs均为权重矩阵，bs为偏置向量，vs、w、bs均为可训练的参数，σ(·)表示Sigmoid激活函数。
根据空间注意力矩阵s中每两节点例如i节点与j节点之间的权重si,j，获得空间输入矩阵s'的公式如(3)所示：
将空间输入矩阵输入图卷积模型中，获得空间卷积矩阵T的公式如(4)所示：
其中，gθ代表傅里叶变换卷积核，*G代表图卷积操作。
S2：根据时间注意力机制设定时间权重矩阵，并根据空间卷积矩阵以及时间权重矩阵获得时空注意力矩阵，将时空注意力矩阵输入长短期记忆网络模型中，获得时空特征矩阵，并根据时空特征矩阵确定新的输入矩阵。
在本发明实施例中，根据时间注意力机制以及空间卷积矩阵获得时间注意力矩阵t的公式如(5)所示：
其中，w和vt均为权重矩阵，bt为偏置向量，vt、w、bt均为可训练的参数。
根据时间注意力矩阵t每两节点例如i节点与j节点之间的权重ti,j，获得时间注意力矩阵t'的公式如(6)所示：
将时间权重矩阵以及空间卷积矩阵输入LSTM网络模型中，获得第r层时间卷积矩阵
的公式如(7)所示，其中
表示该层时间卷积矩阵的维度：
在本发明实施例中，采用SmoothL1 Loss损失函数
计算损失值。根据时间卷积矩阵
与期待值Y之间的数据特征差值确定参与迭代训练的损失值，并采用梯度下降算法进行反向传播训练更新图卷积训练以及长短期记忆网络训练过程中的权重，获得新的权重矩阵。
S3：根据新的输入矩阵按照预设训练次数重复执行S1至S2的步骤，在直至获得预测模型。
在本发明实施例中，按照预设训练次数，根据上次训练结束后获得的新的输入矩阵，重复进行融合了空间注意力机制的图卷积训练，以及融合了时间注意力机制的神经网络训练，最终获得了融合了时空注意力的加权图神经网络的预测模型。
S203：将测试集输入训练好的预测模型中，获得预测的水质特征数据。
在本发明实施例中，通过将测试集输入至训练后获得的预测模型中，可获得预测的水质变化数据。
从上述实施例可知，通过根据水质特征数据获得无向图矩阵以及根据无向图矩阵确定邻接矩阵，并根据无向图矩阵作为输入矩阵，采用空间注意力机制以及时间注意力机制对输入矩阵进行处理以构建预测模型。在本发明实施例中，通过根据水质特征数据构建无向图矩阵以及邻接矩阵，并根据无向图矩阵作为输入矩阵，在输入矩阵中融合了监测水域的空间特征，并对输入矩阵进行图卷积训练和神经网络训练获得预测模型，根据预测模型进行水质预测，提高了水质预测结果的准确性。
图4为本发明实施例提供的水质预测方法流程图二。如图4所示，本发明实施例提供的另一种水质预测方法具体包括以下步骤：
S401：获取预设时间段内所有预设监测点的水质特征数据，将水质数据划分为训练集和测试集，根据水质特征数据获得无向图矩阵。
本步骤的方法与图2实施例中的步骤S201一致，在此不再赘述。
S402：按照预设时间间隔将无向图矩阵分为多个不同周期的周期性无向图矩阵，分别根据每个周期性无向图矩阵获得多个周期性邻接矩阵，根据无向图构建输入矩阵，采用基于空间注意力的图卷积模块、结合基于时间注意力的长短期记忆网络模块构建预测模型，并根据训练集训练预测模型。
在本发明实施例中，根据均值填充算法补充无向图矩阵中的节点，并根据不同周期选取多个周期性无向矩阵。示例性的，按照日周期、月周期、年周期的时间间隔将无向图矩阵分为日周期无向图矩阵、月周期无向图矩阵以及年周期无向图矩阵。示例性的，将无向图矩阵G分为日周期无向图矩阵Gd、月周期无向图矩阵Gm以及年周期无向图矩阵Gy。
在本发明实施例中，根据无向图矩阵确定邻接矩阵，分别将每个周期性无向图矩阵作为多个周期性输入矩阵，分别采用空间注意力机制以及时间注意力机制对每个周期性输入矩阵进行处理以构建预测模型多个周期性预测模型，将多个周期性预测模型进行融合，获得预测模型。
在本发明实施例中，根据无向图矩阵确定邻接矩阵的方法与步骤S202的方法一致，在此不再赘述。根据每个周期性无向图矩阵作为一个周期性输入矩阵的方法，与根据无向图矩阵作为输入矩阵的方法一致。示例性的，将无向图矩阵G分为日周期无向图矩阵Gd、月周期无向图矩阵Gm以及年周期无向图矩阵Gy，则分别根据日周期无向图矩阵、Gd月周期无向图矩阵Gm以及年周期无向图矩阵Gy可获得多个周期性输入矩阵Xd、Xm以及Xy，其中i代表每月测量次数，j代表每年测量的月周期个数，具体的
其中p为每个月所需采样次数，z为据当前时间的月周期数；
其中q为每一年所需采样次数，y为据当前时间的年周期数。
在本发明实施例中，具体的，分别采用空间注意力机制以及时间注意力机制对每个周期性输入矩阵进行处理以构建预测模型多个周期性预测模型。
在本发明实施例中，采用空间注意力机制以及时间注意力机制对周期性输入矩阵进行处理构建一个周期性预测模型的方法与图2实施例中的步骤S203中采用空间注意力机制以及时间注意力机制对输入矩阵进行处理以构建预测模型的方法一致，在此不再赘述。
在本发明实施例中，具体的，将多个周期性预测模型进行融合，获得预测模型。
在本发明实施例中，将所有的周期性预测模型分别通过多个全连接层，将周期性预测模型的特征映射到统一的特征空间维度获得预测模型，实现了将多个周期性预测模型进行特征融合的目的。具体的，将多个周期性预测模型进行融合的公式如(8)所示：
其中，Wd，Wm，Wy代表日周期预测模型、月周期预测模型以及年周期预测模型的权重系数。
S403：将测试集输入训练好的预测模型中，获得预测的水质特征数据。
本步骤的方法与图2实施例中的步骤S203一致，在此不再赘述。
从上述实施例可知，根据水质周期性的变化规律，将无向图矩阵按照不同的周期分为多个周期性无向图矩阵，并分别采用空间注意力机制以及时间注意力机制对每个周期性输入矩阵进行处理以构建预测模型多个周期性预测模型，将多个周期性预测模型进行融合获得预测模型，使得根据多个周期性无向图矩阵获得的预测模型跟符合水质的周期性变化规律，提高了根据预测模型预测水质的准确性。
图5为本发明实施例提供的水质预测装置的结构示意图。如图5所示，该水质预测装置包括：获取模块501，用于获取预设时间段内所有预设监测点的水质特征数据，将水质数据划分为训练集和测试集，根据所述水质特征数据获得无向图矩阵；训练模块502，用于根据所述无向图矩阵确定邻接矩阵，并根据无向图构建输入矩阵，采用基于空间注意力的图卷积模块、结合基于时间注意力的长短期记忆网络模块构建预测模型，并根据所述训练集训练所述预测模型；预测模块503，用于将所述测试集输入训练好的预测模型中，获得预测的水质特征数据。
在本实施例中，该水质预测装置可以采用上述实施例所述的方法，其技术方案及其技术效果相类似，此处不在赘述。
图6为本发明实施例提供的服务器的硬件结构示意图。如图6所示，本实施例的服务器包括：处理器601以及存储器602；其中
存储器602，用于存储计算机执行指令；
处理器601，用于执行存储器存储的计算机执行指令，以实现上述实施例中服务器所执行的各个步骤。具体可以参见前述方法实施例中的相关描述。
可选地，存储器602既可以是独立的，也可以跟处理器601集成在一起。
当存储器602独立设置时，该服务器还包括总线603，用于连接所述存储器602和处理器601。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上所述的水质预测方法。
本发明实施例还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时，实现如上所述的水质预测方法。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。上述模块成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器执行本申请各个实施例所述方法的部分步骤。
应理解，上述处理器可以是中央处理单元(Central Processing Unit，简称CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器，还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
总线可以是工业标准体系结构(Industry StandardArchitecture，简称ISA)总线、外部设备互连(Peripheral Component Interconnect，简称PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，简称EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits，简称ASIC)中。当然，处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种水质预测方法，其特征在于，包括：
获取预设时间段内所有预设监测点的水质特征数据，将水质数据划分为训练集和测试集，根据所述水质特征数据获得无向图矩阵；
根据所述无向图矩阵确定邻接矩阵，根据无向图构建输入矩阵，采用基于空间注意力的图卷积模块、结合基于时间注意力的长短期记忆网络模块构建预测模型，并根据所述训练集训练所述预测模型；
将所述测试集输入训练好的预测模型中，获得预测的水质特征数据。
2.根据权利要求1所述的方法，其特征在于，所述根据所述无向图矩阵确定邻接矩阵，并根据无向图构建输入矩阵，采用基于空间注意力的图卷积模块、结合基于时间注意力的长短期记忆网络模块构建预测模型，并根据所述训练集训练所述预测模型，包括：
S1：根据空间注意力机制设定空间权重矩阵，并根据输入矩阵以及所述空间权重矩阵获得基于空间注意力的输入矩阵，将所述基于空间注意力的输入矩阵进行图卷积操作，获得空间卷积矩阵；
S2：根据时间注意力机制设定时间权重矩阵，并根据空间卷积矩阵以及所述时间权重矩阵获得基于时空注意力的输入矩阵，将所述基于时空注意力的输入矩阵输入长短期记忆网络模型中，获得时空特征矩阵，并根据所述时空特征矩阵确定新的输入矩阵；
S3：根据所述新的输入矩阵按照预设训练次数重复执行S1至S2的步骤，直至获得预测模型。
3.根据权利要求1所述的方法，其特征在于，在所述根据所述水质特征数据获得无向图矩阵之后，还包括：
按照预设时间间隔将所述无向图矩阵分为多个不同周期的周期性无向图矩阵；
相应地，所述根据所述无向图矩阵获得邻接矩阵，包括：
分别根据每个周期性无向图矩阵获得多个周期性邻接矩阵。
4.根据权利要求1所述的方法，其特征在于，根据所述无向图矩阵确定邻接矩阵，包括：
根据河道监测点信息确定所述无向图矩阵，其中所述河道监测点信息包括河道所有监测点每一时刻监测所得水质特征数据、河道条数、河道距离、河道深度；
根据所有相邻的监测点之间的河道信息确定所有相邻两监测点之间的权重，并根据所述所有相邻两监测点之间的权重确定邻接矩阵。
5.根据权利要求1至4任一项所述的方法，其特征在于，所述水质特征数据包括水质类别、水温、PH值、溶解氧DO、氨氮NH3-N、总磷TP、总氮、高猛酸钾指数、叶绿素、藻类颗粒以及水流方向中的至少一种。
6.一种水质预测装置，其特征在于，包括：
获取模块，用于获取预设时间段内所有预设监测点的水质特征数据，将水质数据划分为训练集和测试集，根据所述水质特征数据获得无向图矩阵；
训练模块，用于根据所述无向图矩阵确定邻接矩阵，并根据无向图构建输入矩阵，采用基于空间注意力的图卷积模块、结合基于时间注意力的长短期记忆网络模块构建预测模型，并根据所述训练集训练所述预测模型；
预测模块，用于将所述测试集输入训练好的预测模型中，获得预测的水质特征数据。
7.根据权利要求6所述的装置，其特征在于，所述训练模块具体用于：S1：根据空间注意力机制设定空间权重矩阵，并根据输入矩阵以及所述空间权重矩阵获得基于空间注意力的输入矩阵，将所述基于空间注意力的输入矩阵进行图卷积操作，获得空间卷积矩阵；S2：根据时间注意力机制设定时间权重矩阵，并根据空间卷积矩阵以及所述时间权重矩阵获得基于时空注意力的输入矩阵，将所述基于时空注意力的输入矩阵输入长短期记忆网络模型中，获得时空特征矩阵，并根据所述时空特征矩阵确定新的输入矩阵；S3：根据所述新的输入矩阵按照预设训练次数重复执行S1至S2的步骤，直至获得预测模型。
8.一种服务器，其特征在于，包括存储器和至少一个处理器；
所述存储器用于存储计算机执行指令；
至少一个处理器，用于执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1至5任一项所述的水质预测方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1至6任一项所述的水质预测方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5任一项所述的水质预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011453536.0A CN112529296B (zh) | 2020-12-11 | 2020-12-11 | 水质预测方法、装置及服务器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011453536.0A CN112529296B (zh) | 2020-12-11 | 2020-12-11 | 水质预测方法、装置及服务器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112529296A true CN112529296A (zh) | 2021-03-19 |
| CN112529296B CN112529296B (zh) | 2023-01-31 |
Family
ID=74998831
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011453536.0A Active CN112529296B (zh) | 2020-12-11 | 2020-12-11 | 水质预测方法、装置及服务器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112529296B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113205219A (zh) * | 2021-05-12 | 2021-08-03 | 大连大学 | 一种基于梯度下降优化逻辑斯谛回归算法的农业用水水质预测方法 |
| 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 |
| CN114742183A (zh) * | 2022-06-15 | 2022-07-12 | 广东中浦科技有限公司 | 基于深度学习的水污染预警方法、系统、设备及存储介质 |
| CN115146874A (zh) * | 2022-08-03 | 2022-10-04 | 电子科技大学 | 一种基于多图卷积网络的河流水质预测方法 |
| CN115458071A (zh) * | 2022-08-08 | 2022-12-09 | 北京信息科技大学 | 土壤重金属含量预测方法、装置与设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| 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 |
| US20190303755A1 (en) * | 2018-04-02 | 2019-10-03 | International Business Machines Corporation | Water quality prediction |
| WO2019220128A1 (en) * | 2018-05-18 | 2019-11-21 | Benevolentai Technology Limited | Graph neutral networks with attention |
| CN110674987A (zh) * | 2019-09-23 | 2020-01-10 | 北京顺智信科技有限公司 | 一种交通流量预测系统、方法及模型训练方法 |
-
2020
- 2020-12-11 CN CN202011453536.0A patent/CN112529296B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| US20190303755A1 (en) * | 2018-04-02 | 2019-10-03 | International Business Machines Corporation | Water quality prediction |
| WO2019220128A1 (en) * | 2018-05-18 | 2019-11-21 | Benevolentai Technology Limited | Graph neutral networks with attention |
| 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 |
| 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 |
| CN110674987A (zh) * | 2019-09-23 | 2020-01-10 | 北京顺智信科技有限公司 | 一种交通流量预测系统、方法及模型训练方法 |
Non-Patent Citations (2)
| Title |
|---|
| 朱凯利等: "基于图卷积神经网络的交通流量预测", 《智能计算机与应用》 * |
| 董伟等: "基于多特征时空图卷积网络的水运通航密度预测", 《物联网学报》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113205219A (zh) * | 2021-05-12 | 2021-08-03 | 大连大学 | 一种基于梯度下降优化逻辑斯谛回归算法的农业用水水质预测方法 |
| 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 |
| CN114742183A (zh) * | 2022-06-15 | 2022-07-12 | 广东中浦科技有限公司 | 基于深度学习的水污染预警方法、系统、设备及存储介质 |
| CN115146874A (zh) * | 2022-08-03 | 2022-10-04 | 电子科技大学 | 一种基于多图卷积网络的河流水质预测方法 |
| CN115146874B (zh) * | 2022-08-03 | 2024-05-03 | 电子科技大学 | 一种基于多图卷积网络的河流水质预测方法 |
| CN115458071A (zh) * | 2022-08-08 | 2022-12-09 | 北京信息科技大学 | 土壤重金属含量预测方法、装置与设备 |
| CN115458071B (zh) * | 2022-08-08 | 2024-02-02 | 北京信息科技大学 | 土壤重金属含量预测方法、装置与设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112529296B (zh) | 2023-01-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112529296B (zh) | 水质预测方法、装置及服务器 | |
| Xu et al. | Application of a hybrid ARIMA-LSTM model based on the SPEI for drought forecasting | |
| Xu et al. | Research on particle swarm optimization in LSTM neural networks for rainfall-runoff simulation | |
| Ehsani et al. | A neural network based general reservoir operation scheme | |
| Pijanowski et al. | Calibrating a neural network‐based urban change model for two metropolitan areas of the Upper Midwest of the United States | |
| CN108549770B (zh) | 基于qga-mmrvm的堆石坝材料参数自适应反演方法 | |
| CN112862178A (zh) | 一种基于深度学习的海洋站水位时空预测方法及装置 | |
| Chen et al. | New method to calculate the dynamic factor–flow velocity in Geomorphologic instantaneous unit hydrograph | |
| CN114418187A (zh) | 河道水文信息预测方法、系统、终端设备及存储介质 | |
| Xu et al. | Comprehensive analysis for long-term hydrological simulation by deep learning techniques and remote sensing | |
| Ferraz Do Nascimento et al. | Bayesian time‐varying quantile regression to extremes | |
| CN111160600A (zh) | 行为预测方法、装置、计算机设备和存储介质 | |
| Wang et al. | Customized deep learning for precipitation bias correction and downscaling | |
| CN108694472B (zh) | 预测误差极值分析方法、装置、计算机设备和存储介质 | |
| Liu et al. | Copula-based framework for integrated evaluation of water quality and quantity: A case study of Yihe River, China | |
| Hadizadeh et al. | Investigation of long-memory properties in streamflow time series in Gamasiab River, Iran | |
| Zhu et al. | Quantifying the contributions of climate change and human activities to drought extremes, using an improved evaluation framework | |
| CN116796649A (zh) | 一种基于机器学习的spei粗分辨率数据空间降尺度方法及装置 | |
| CN114911788B (zh) | 一种数据插补方法、装置及存储介质 | |
| Ran et al. | Improved runoff forecasting based on time-varying model averaging method and deep learning | |
| CN113536519A (zh) | 一种生物多样性评价方法及计算机设备 | |
| Ye et al. | Parameter identification and calibration of the Xin’anjiang model using the surrogate modeling approach | |
| Chen et al. | Statistical insights into the water exchange process in the Yangtze-Poyang System: The YPWES model | |
| CN116341841A (zh) | 径流预报误差校正方法、装置、设备、介质和程序产品 | |
| CN114267422B (zh) | 地表水质参数预测方法、系统、计算机设备及存储介质 |
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 |