CN112966891A - 一种河流水环境质量预测方法 - Google Patents

一种河流水环境质量预测方法 Download PDF

Info

Publication number
CN112966891A
CN112966891A CN202110091465.2A CN202110091465A CN112966891A CN 112966891 A CN112966891 A CN 112966891A CN 202110091465 A CN202110091465 A CN 202110091465A CN 112966891 A CN112966891 A CN 112966891A
Authority
CN
China
Prior art keywords
water quality
prediction
model
indexes
monitoring
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110091465.2A
Other languages
English (en)
Inventor
王照丽
姜国强
张倩
陈华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongyu Eco Environmental Technology Guangzhou Co ltd
Chengdu Academy Of Environmental Protection Sciences Chengdu Solid Waste Management Center
Original Assignee
Zhongyu Eco Environmental Technology Guangzhou Co ltd
Chengdu Academy Of Environmental Protection Sciences Chengdu Solid Waste Management Center
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhongyu Eco Environmental Technology Guangzhou Co ltd, Chengdu Academy Of Environmental Protection Sciences Chengdu Solid Waste Management Center filed Critical Zhongyu Eco Environmental Technology Guangzhou Co ltd
Priority to CN202110091465.2A priority Critical patent/CN112966891A/zh
Publication of CN112966891A publication Critical patent/CN112966891A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • 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"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Food Science & Technology (AREA)
  • Game Theory and Decision Science (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Medicinal Chemistry (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Evolutionary Biology (AREA)

Abstract

一种河流水环境质量预测方法，其方法在于，水质特征提取是通过因子分析、聚类分析、相关性分析，将水质变化相似的监测断面视为一类，分析这类监测断面对应主要污染指标以及主要污染指标相关联指标；将主要污染指标与相关性指标一起都作为输入指标，通过指标之间的联系以及时间序列前后数据的相关性进行主要污染指标的预测，从而提高预测精度；该方法能够动态跟踪预测精度，并调整最优预测模型的河流水环境质量，通过进行水质指标相关性分析、因子分析以及聚类分析，针对不同水体，如：河流、湖库；针对不同水质指标，如：溶解氧、氮、磷、COD，运用SARIMA、ANN、LSTM算法模拟，同时动态跟踪预测精度，调整最优预测模型。

Description

一种河流水环境质量预测方法
技术领域
本发明涉及水环境预测领域，具体是一种河流水环境质量预测方法。
背景技术
目前，常用的水质数学模型主要包括两大类：水质机理数学模型和水质数据驱动类数学模型，而常用的基于理论基础的水质机理数学模型，在模型应用时需要大量且合适的历史水文水质数据来率定模型参数，同时当影响某水质指标的影响因素较多时，机理会变得非常复杂，会使模型难以建立、相关的参数难以获取；近年来，在大数据研究的快速发展下，基于样本数据为基础，以灰箱或黑箱方程为手段数据驱动模型已经被众多学科广泛应用，同样数据驱动模型在河流水质预测预警中也得到了运用，但现有的水质数据驱动类数学模型大多数采用单一静态模型进行水质预测预警，它的适用性和模拟精度还远远不足，无法满足更多人的需求。
发明内容
本发明所要解决的技术问题是提供一种河流水环境质量预测方法，可以有效解决上述背景技术中提出的问题。
为解决上述问题，本发明所采取的技术方案是：一种河流水环境质量预测方法，包括以下步骤：
S1、模型初始化：通过与在线监测设备不同水质指标传感器建立通信，获得在线数据；
S2、获得水质指标历史监测值：对监测水体、监测断面、监测水质指标进行One-HotEncoding独热编码；
S3、水质指标特性提取：通过对水质指标历史监测值进行相关性分析、因子分析、聚物分析：
3-1、相关性分析：对监测断面、监测水质指标进行水质指标相关性分析，获得各监测断面监测水质指标相关关系；
3-2、因子分析：对监测断面、监测水质指标进行水质指标因子分析，获得各监测断面及监测水质指标主要因子；
3-3、聚类分析：通过主要因子数对监测断面、监测时间进行聚类分析，获得各监测断面、监测时间类别；
3-4、选择分析后的监测断面、监测时间、监测水质指标；
S4、模型训练：对通过相关性分析、聚类分析得到的监测断面、监测水质分别进行SARIMA、ANN、LSTM算法模拟预测，将算法预测得到的数据与相对应的水质指标数据进行对比；
S5、分别统计SARIMA、ANN、LSTM算法模拟精度，判断SARIMA、ANN、LSTM算法预测模型误差率是否小于设定阈值的30%；如果预测模型误差率小于设定阈值的30% ，则归于优化模型池，直接进行下一步；如果预测模型误差率大于设定阈值的30% ，则归于休眠模型池；
S6、根据模拟精度，确定优化模型池中最优模型，判断SARIMA、ANN、LSTM算法预测模型是否重新优化参数，如果优化模型池中最优模型误差率大于设定阈值的30%，则返回S4，重新进行SARIMA、ANN、LSTM算法预测模型模型训练，优化参数；如果优化模型池中最优模型误差率小于设定阈值的30%，则直接进行下一步；
S7、水质预测实时运用时，采用双线程法，水质预测采用最优模型进行实时预测预警，同时采用其他算法模拟；
S8、统计水质预测实时运用优化模型池中模型模拟精度，同时动态跟踪预测精度调整最优预测模型；
S9、重复统计水质预测实时运用优化模型池中模型模拟精度，且同时动态跟踪预测精度调整最优预测模型，将水质预测进行实时运用。
作为本发明的进一步优选方案，水质特征提取是通过因子分析、聚类分析、相关性分析，将水质变化相似的监测断面视为一类，分析这类监测断面对应主要污染指标以及主要污染指标相关联指标；将主要污染指标与相关性指标一起都作为输入指标，通过指标之间的联系以及时间序列前后数据的相关性进行主要污染指标的预测，从而提高预测精度。
作为本发明的进一步优选方案，所述聚类分析采用欧氏距离d，第
Figure 426663DEST_PATH_IMAGE002
个对象和第
Figure 812645DEST_PATH_IMAGE004
个对象的距离可由下列公式计算，其中对象是水质监测断面，对各断面之间相同的水质参数进行对应计算：
Figure 795644DEST_PATH_IMAGE006
；
式中：
Figure 659695DEST_PATH_IMAGE008
为第
Figure 926597DEST_PATH_IMAGE002
个对象的第
Figure 217901DEST_PATH_IMAGE010
个属性值，其中第
Figure 953776DEST_PATH_IMAGE002
个对象为水质断面或月份；
Figure 575512DEST_PATH_IMAGE012
为第
Figure 447653DEST_PATH_IMAGE004
个对象的第
Figure 159126DEST_PATH_IMAGE010
个属性值，其中第
Figure DEST_PATH_IMAGE013
个对象水质断面或月份；第
Figure 319980DEST_PATH_IMAGE010
个属性值为水质指标值；d表示邻近水质监测断面之间的水质变化程度，值越高表示邻近水质监测之间水质变化快。
作为本发明的进一步优选方案，所述因子分析由下式表示：
Figure DEST_PATH_IMAGE015
；
式中：
Figure DEST_PATH_IMAGE017
为因子荷载，指因子旋转后各变量对该因子的影响程度；
Figure DEST_PATH_IMAGE019
为共同因子；
Figure 414582DEST_PATH_IMAGE002
为总样本数目；
Figure DEST_PATH_IMAGE021
为累积误差余项；
Figure DEST_PATH_IMAGE023
为提取出的因子数目。
作为本发明的进一步优选方案，皮尔逊相关系数的计算公式如下：
Figure DEST_PATH_IMAGE025
；
相关系数的显著性检验，用样本相关系数r作为总体相关系数ρ的估计值，而r仅说明样本数据的X与Y的相关程度。
作为本发明的进一步优选方案，所述训练模型是将历史水质数据随机拆分为不均等两份，多的部分数据作为训练集，少的为测试集；在训练集中建立的SARIMA、ANN、LSTM算法模型；将模型作用于测试集，实时反馈测试结果并进行不断的模型优化。
作为本发明的进一步优选方案，选择最优预测模型通过SARIMA、ANN、LSTM算法模型的训练及预测，计算三种模型的预测值与实际值的平均误差率、均方根误差，且根据预测值n的增加动态更新，模型的预测值与实际值均方根误差和平均误差率越小，则模型越好：
平均误差率=
Figure DEST_PATH_IMAGE027
；
均方根误差=
Figure DEST_PATH_IMAGE029
；
其中：
Xi表示模型预测值；
Yi表示实际预测值；
n表示预测值的个数，且随着动态更新。
与现有技术相比，本发明提供了一种河流水环境质量预测方法，具备以下有益效果：
该方法能够动态跟踪预测精度，并调整最优预测模型的河流水环境质量，通过进行水质指标相关性分析、因子分析以及聚类分析，针对不同水体，如：河流、湖库；针对不同水质指标，如：溶解氧、氮、磷、COD，运用SARIMA、ANN、LSTM算法模拟，同时动态跟踪预测精度，调整最优预测模型；大大的提高了河流水环境质量预测方法实际应用时的适用性和模拟精度。
附图说明
图1为本发明方法流程图。
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。
本发明提供一种河流水环境质量预测方法，包括以下步骤：
S1、模型初始化：通过与在线监测设备不同水质指标传感器建立通信，获得在线数据；
S2、获得水质指标历史监测值：对监测水体、监测断面、监测水质指标进行One-HotEncoding独热编码；
S3、水质指标特性提取：通过对水质指标历史监测值进行相关性分析、因子分析、聚物分析：
3-1、相关性分析：对监测断面、监测水质指标进行水质指标相关性分析，获得各监测断面监测水质指标相关关系；
3-2、因子分析：对监测断面、监测水质指标进行水质指标因子分析，获得各监测断面及监测水质指标主要因子；
3-3、聚类分析：通过主要因子数对监测断面、监测时间进行聚类分析，获得各监测断面、监测时间类别；
3-4、选择分析后的监测断面、监测时间、监测水质指标；
S4、模型训练：对通过相关性分析、聚类分析得到的监测断面、监测水质分别进行SARIMA、ANN、LSTM算法模拟预测，将算法预测得到的数据与相对应的水质指标数据进行对比；
S5、分别统计SARIMA、ANN、LSTM算法模拟精度，判断SARIMA、ANN、LSTM算法预测模型误差率是否小于设定阈值的30%；如果预测模型误差率小于设定阈值的30% ，则归于优化模型池，直接进行下一步；如果预测模型误差率大于设定阈值的30% ，则归于休眠模型池；
S6、根据模拟精度，确定优化模型池中最优模型，判断SARIMA、ANN、LSTM算法预测模型是否重新优化参数，如果优化模型池中最优模型误差率大于设定阈值的30%，则返回S4，重新进行SARIMA、ANN、LSTM算法预测模型模型训练，优化参数；如果优化模型池中最优模型误差率小于设定阈值的30%，则直接进行下一步；
S7、水质预测实时运用时，采用双线程法，水质预测采用最优模型进行实时预测预警，同时采用其他算法模拟；
S8、统计水质预测实时运用优化模型池中模型模拟精度，同时动态跟踪预测精度调整最优预测模型；
S9、重复统计水质预测实时运用优化模型池中模型模拟精度，且同时动态跟踪预测精度调整最优预测模型，将水质预测进行实时运用。
作为本发明的进一步优选方案，水质特征提取是通过因子分析、聚类分析、相关性分析，将水质变化相似的监测断面视为一类，分析这类监测断面对应主要污染指标以及主要污染指标相关联指标；将主要污染指标与相关性指标一起都作为输入指标，通过指标之间的联系以及时间序列前后数据的相关性进行主要污染指标的预测，从而提高预测精度。
作为本发明的进一步优选方案，所述聚类分析采用欧氏距离d，第
Figure 219858DEST_PATH_IMAGE002
个对象和第
Figure 118544DEST_PATH_IMAGE004
个对象的距离可由下列公式计算，其中对象是水质监测断面，对各断面之间相同的水质参数进行对应计算：
Figure DEST_PATH_IMAGE030
；
式中：
Figure 547120DEST_PATH_IMAGE008
为第
Figure 291085DEST_PATH_IMAGE002
个对象的第
Figure 885621DEST_PATH_IMAGE010
个属性值，其中第
Figure 424050DEST_PATH_IMAGE002
个对象为水质断面或月份；
Figure 621813DEST_PATH_IMAGE012
为第
Figure 169469DEST_PATH_IMAGE004
个对象的第
Figure 119976DEST_PATH_IMAGE010
个属性值，其中第
Figure 360465DEST_PATH_IMAGE013
个对象水质断面或月份；第
Figure 779945DEST_PATH_IMAGE010
个属性值为水质指标值；d表示邻近水质监测断面之间的水质变化程度，值越高表示邻近水质监测之间水质变化快。
作为本发明的进一步优选方案，所述因子分析由下式表示：
Figure 616445DEST_PATH_IMAGE015
；
式中：
Figure 437771DEST_PATH_IMAGE017
为因子荷载，指因子旋转后各变量对该因子的影响程度；
Figure 583581DEST_PATH_IMAGE019
为共同因子；
Figure 474046DEST_PATH_IMAGE002
为总样本数目；
Figure 97925DEST_PATH_IMAGE021
为累积误差余项；
Figure DEST_PATH_IMAGE031
为提取出的因子数目。
作为本发明的进一步优选方案，皮尔逊相关系数的计算公式如下：
Figure 990401DEST_PATH_IMAGE025
；
相关系数的显著性检验，用样本相关系数r作为总体相关系数ρ的估计值，而r仅说明样本数据的X与Y的相关程度。
作为本发明的进一步优选方案，所述训练模型是将历史水质数据随机拆分为不均等两份，多的部分数据作为训练集，少的为测试集；在训练集中建立的SARIMA、ANN、LSTM算法模型；将模型作用于测试集，实时反馈测试结果并进行不断的模型优化。
作为本发明的进一步优选方案，选择最优预测模型通过SARIMA、ANN、LSTM算法模型的训练及预测，计算三种模型的预测值与实际值的平均误差率、均方根误差，且根据预测值n的增加动态更新，模型的预测值与实际值均方根误差和平均误差率越小，则模型越好：
平均误差率=
Figure 572692DEST_PATH_IMAGE027
；
均方根误差=
Figure 966765DEST_PATH_IMAGE029
；
其中：
Xi表示模型预测值；
Yi表示实际预测值；
n表示预测值的个数，且随着动态更新。
作为本发明的一个具体实施例:
首先对模型进行初始化，与在线监测设备不同水质指标传感器建立通信，获得在线数据，通过在线数据得到水体中的不同水质指标浓度；然后对监测水体、监测断面、监测水质指标进行One-Hot Encoding独热编码，获得水质指标历史监测值；进行水质特性提取，对监测断面、监测水质指标进行水质指标相关性分析，获得各监测断面与监测水质指标相关关系；对监测断面、监测水质指标进行水质指标因子分析，获得各监测断面及监测水质指标的主要因子，通过主要因子数对监测断面、监测时间进行聚类分析，获得各监测断面、监测时间类别；对相关性分析及聚类分析后的监测断面、监测水质指标分别进行SARIMA、ANN、LSTM算法模拟预测，将算法预测得到的数据与相对应的水质指标数据进行对比，然后分别统计SARIMA、ANN、LSTM算法模拟精度，并判断SARIMA、ANN、LSTM算法预测模型误差率是否小于设定阈值的30%；如果预测模型误差率小于设定阈值的30% ，则归于优化模型池，直接进行下一步；如果预测模型误差率大于设定阈值的30% ，则归于休眠模型池；然后根据模拟精度，确定优化模型池中最优模型，判断SARIMA、ANN、LSTM算法预测模型是否重新优化参数，如果优化模型池中最优模型误差率大于设定阈值的30%，则返回S4，重新进行SARIMA、ANN、LSTM算法预测模型模型训练，优化参数；如果优化模型池中最优模型误差率小于设定阈值的30%，则直接进行下一步；在水质预测实时运用时，采用双线程法，水质预测采用最优模型进行实时预测预警，且同时采用其它算法模拟；最后重复统计水质预测实时运用SARIMA、ANN、LSTM算法模拟精度，同时将动态跟踪预测精度调整最优预测模型，进行水质预测实时运用。
以上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：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分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实施例技术方案的精神和范围。

Claims (7)

1.一种河流水环境质量预测方法，包括以下步骤：
S1、模型初始化：通过与在线监测设备不同水质指标传感器建立通信，获得在线数据；
S2、获得水质指标历史监测值：对监测水体、监测断面、监测水质指标进行One-HotEncoding独热编码；
S3、水质指标特性提取：通过对水质指标历史监测值进行相关性分析、因子分析、聚物分析：
3-1、相关性分析：对监测断面、监测水质指标进行水质指标相关性分析，获得各监测断面监测水质指标相关关系；
3-2、因子分析：对监测断面、监测水质指标进行水质指标因子分析，获得各监测断面及监测水质指标主要因子；
3-3、聚类分析：通过主要因子数对监测断面、监测时间进行聚类分析，获得各监测断面、监测时间类别；
3-4、选择分析后的监测断面、监测时间、监测水质指标；
S4、模型训练：对通过相关性分析、聚类分析得到的监测断面、监测水质分别进行SARIMA、ANN、LSTM算法模拟预测，将算法预测得到的数据与相对应的水质指标数据进行对比；
S5、分别统计SARIMA、ANN、LSTM算法模拟精度，判断SARIMA、ANN、LSTM算法预测模型误差率是否小于设定阈值的30%；如果预测模型误差率小于设定阈值的30% ，则归于优化模型池，直接进行下一步；如果预测模型误差率大于设定阈值的30% ，则归于休眠模型池；
S6、根据模拟精度，确定优化模型池中最优模型，判断SARIMA、ANN、LSTM算法预测模型是否重新优化参数，如果优化模型池中最优模型误差率大于设定阈值的30%，则返回S4，重新进行SARIMA、ANN、LSTM算法预测模型模型训练，优化参数；如果优化模型池中最优模型误差率小于设定阈值的30%，则直接进行下一步；
S7、水质预测实时运用时，采用双线程法，水质预测采用最优模型进行实时预测预警，同时采用其他算法模拟；
S8、统计水质预测实时运用优化模型池中模型模拟精度，同时动态跟踪预测精度调整最优预测模型；
S9、重复统计水质预测实时运用优化模型池中模型模拟精度，且同时动态跟踪预测精度调整最优预测模型，将水质预测进行实时运用。
2.根据权利要求1所述的一种河流水环境质量预测方法，其方法在于，水质特征提取是通过因子分析、聚类分析、相关性分析，将水质变化相似的监测断面视为一类，分析这类监测断面对应主要污染指标以及主要污染指标相关联指标；将主要污染指标与相关性指标一起都作为输入指标，通过指标之间的联系以及时间序列前后数据的相关性进行主要污染指标的预测，从而提高预测精度。
3.根据权利要求1所述的一种河流水环境质量预测方法，其方法在于，所述聚类分析采用欧氏距离d，第
Figure DEST_PATH_IMAGE002
个对象和第
Figure DEST_PATH_IMAGE004
个对象的距离可由下列公式计算，其中对象是水质监测断面，对各断面之间相同的水质参数进行对应计算：
Figure DEST_PATH_IMAGE006
；
式中：
Figure DEST_PATH_IMAGE008
为第
Figure DEST_PATH_IMAGE002A
个对象的第
Figure DEST_PATH_IMAGE010
个属性值，其中第
Figure DEST_PATH_IMAGE002AA
个对象为水质断面或月份；
Figure DEST_PATH_IMAGE012
为第
Figure DEST_PATH_IMAGE004A
个对象的第
Figure DEST_PATH_IMAGE010A
个属性值，其中第
Figure DEST_PATH_IMAGE004AA
个对象水质断面或月份；第
Figure DEST_PATH_IMAGE010AA
个属性值为水质指标值；d表示邻近水质监测断面之间的水质变化程度，值越高表示邻近水质监测之间水质变化快。
4.根据权利要求1所述的一种河流水环境质量预测方法，其方法在于，所述因子分析由下式表示：
Figure DEST_PATH_IMAGE014
；
式中：
Figure DEST_PATH_IMAGE016
为因子荷载，指因子旋转后各变量对该因子的影响程度；
Figure DEST_PATH_IMAGE018
为共同因子；
Figure DEST_PATH_IMAGE002AAA
为总样本数目；
Figure DEST_PATH_IMAGE020
为累积误差余项；
Figure DEST_PATH_IMAGE022
为提取出的因子数目。
5.根据权利要求1所述的一种河流水环境质量预测方法，其方法在于，皮尔逊相关系数的计算公式如下：
Figure DEST_PATH_IMAGE024
；
相关系数的显著性检验，用样本相关系数r作为总体相关系数ρ的估计值，而r仅说明样本数据的X与Y的相关程度。
6.根据权利要求1所述的一种河流水环境质量预测方法，其方法在于，所述训练模型是将历史水质数据随机拆分为不均等两份，多的部分数据作为训练集，少的为测试集；在训练集中建立的SARIMA、ANN、LSTM算法模型；将模型作用于测试集，实时反馈测试结果并进行不断的模型优化。
7.根据权利要求1所述的一种河流水环境质量预测方法，其方法在于，选择最优预测模型通过SARIMA、ANN、LSTM算法模型的训练及预测，计算三种模型的预测值与实际值的平均误差率、均方根误差，且根据预测值n的增加动态更新，模型的预测值与实际值均方根误差和平均误差率越小，则模型越好：
平均误差率=
Figure DEST_PATH_IMAGE026
；
均方根误差=
Figure DEST_PATH_IMAGE028
；
其中：
Xi表示模型预测值；
Yi表示实际预测值；
n表示预测值的个数，且随着动态更新。
CN202110091465.2A 2021-01-23 2021-01-23 一种河流水环境质量预测方法 Pending CN112966891A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110091465.2A CN112966891A (zh) 2021-01-23 2021-01-23 一种河流水环境质量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110091465.2A CN112966891A (zh) 2021-01-23 2021-01-23 一种河流水环境质量预测方法

Publications (1)

Publication Number Publication Date
CN112966891A true CN112966891A (zh) 2021-06-15

Family

ID=76271651

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110091465.2A Pending CN112966891A (zh) 2021-01-23 2021-01-23 一种河流水环境质量预测方法

Country Status (1)

Country Link
CN (1) CN112966891A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408744A (zh) * 2021-07-08 2021-09-17 山东浪潮科学研究院有限公司 基于AIot和TinyML技术的多传感器多环境监测方法
CN113791186A (zh) * 2021-08-12 2021-12-14 北京金水永利科技有限公司 一种选择水质异常报警监测因子的方法及其系统
CN114031147A (zh) * 2021-11-02 2022-02-11 航天环保(北京)有限公司 利用波裂解纳米材料提升水质的方法及系统
CN114881373A (zh) * 2022-07-08 2022-08-09 南通仁源节能环保科技有限公司 基于河流生物活跃性的片区化污染分析方法
CN115467290A (zh) * 2022-10-25 2022-12-13 成都市市政工程设计研究院有限公司 一种生态固床件、试验装置及其试验方法
CN115545576A (zh) * 2022-11-30 2022-12-30 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
CN116645007A (zh) * 2023-06-29 2023-08-25 山东寰达生态环境科技股份有限公司 一种基于多维数据采集的环境评价方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100834187B1 (ko) * 2007-01-17 2008-06-10 부산대학교 산학협력단 베이지안 네트워크를 이용한 하ㆍ폐수 처리공정의 진단시스템
CN107665288A (zh) * 2016-07-30 2018-02-06 复凌科技（上海）有限公司 一种化学需氧量的水质软测量预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100834187B1 (ko) * 2007-01-17 2008-06-10 부산대학교 산학협력단 베이지안 네트워크를 이용한 하ㆍ폐수 처리공정의 진단시스템
CN107665288A (zh) * 2016-07-30 2018-02-06 复凌科技（上海）有限公司 一种化学需氧量的水质软测量预测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
中国环境监测总站作: "《水环境质量预报预警方法技术指南》", 31 December 2020, 中国环境出版集团, pages: 413 *
刘东君等: "基于组合预测模型的水质数据预测研究", 安徽农业科学, vol. 43, no. 28, 31 December 2015 (2015-12-31), pages 254 - 256 *
吴聿明编著: "《环境统计学》", 31 October 1991, 中国环境科学出版社, pages: 428 - 429 *
星环科技人工智能平台团队编著: "《机器学习实战 基于Sophon平台的机器学习理论与实践》", 31 January 2020, 机械工业出版社, pages: 87 - 88 *
蒋辉编著: "《环境水文地质学》", 31 August 1993, 中国环境科学出版社, pages: 144 - 147 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408744A (zh) * 2021-07-08 2021-09-17 山东浪潮科学研究院有限公司 基于AIot和TinyML技术的多传感器多环境监测方法
CN113791186A (zh) * 2021-08-12 2021-12-14 北京金水永利科技有限公司 一种选择水质异常报警监测因子的方法及其系统
CN114031147A (zh) * 2021-11-02 2022-02-11 航天环保(北京)有限公司 利用波裂解纳米材料提升水质的方法及系统
CN114881373A (zh) * 2022-07-08 2022-08-09 南通仁源节能环保科技有限公司 基于河流生物活跃性的片区化污染分析方法
CN115467290A (zh) * 2022-10-25 2022-12-13 成都市市政工程设计研究院有限公司 一种生态固床件、试验装置及其试验方法
CN115467290B (zh) * 2022-10-25 2023-09-01 成都市市政工程设计研究院有限公司 一种生态固床件试验装置的试验方法
CN115545576A (zh) * 2022-11-30 2022-12-30 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
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
CN116645007A (zh) * 2023-06-29 2023-08-25 山东寰达生态环境科技股份有限公司 一种基于多维数据采集的环境评价方法及系统
CN116645007B (zh) * 2023-06-29 2024-04-09 山东寰达生态环境科技股份有限公司 一种基于多维数据采集的环境评价方法及系统

Similar Documents

Publication Publication Date Title
CN112966891A (zh) 一种河流水环境质量预测方法
CN107688871B (zh) 一种水质预测方法和装置
CN108898215B (zh) 一种基于二型模糊神经网络的污泥膨胀智能辨识方法
CN108876021B (zh) 一种中长期径流预报方法及系统
CN110852515B (zh) 基于混合长短时记忆神经网络的水质指标预测方法
CN111291937A (zh) 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
CN111382929A (zh) 一种构建河流硅藻水华预警模型的方法及装置
CN112101480A (zh) 一种多变量聚类与融合的时间序列组合预测方法
CN111415492A (zh) 一种基于模糊综合评价算法的边坡滑坡预警方法及系统
CN110889085A (zh) 基于复杂网络多元在线回归的废水智能监控方法及系统
CN112348290B (zh) 河流水质预测方法、装置、存储介质及设备
CN115774953A (zh) 一种基于数据处理的污染时空风险监管评估系统及方法
CN102222313A (zh) 基于核主成分分析的城市演化模拟元胞模型处理方法
CN108595803A (zh) 基于递归神经网络的页岩气井生产压力预测方法
CN115423163A (zh) 一种流域短期洪水事件预测方法、装置及终端设备
CN112307410A (zh) 基于船载ctd测量数据的海水温盐信息时序预测方法
CN115542236B (zh) 电能表运行误差估计方法及装置
CN111914487B (zh) 一种基于对抗神经网络的无资料地区水文参数率定方法
CN112307536A (zh) 一种大坝渗流参数反演方法
CN115640744A (zh) 一种油田集输管道外腐蚀速率预测方法
CN114858207A (zh) 一种基于软测量的河道排污口网格化溯源排查方法
CN115982141A (zh) 一种针对时序数据预测的特征优化方法
CN114862035A (zh) 一种基于迁移学习的组合式海湾水温预测方法
CN112765880B (zh) 一种基于Bi-LSTM监测地层饱和盐水侵入量的方法
CN112215495B (zh) 一种基于长短时记忆神经网络的污染源贡献度计算方法

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