CN113361690A - 水质预测模型训练、水质预测方法、装置、设备及介质 - Google Patents
水质预测模型训练、水质预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113361690A CN113361690A CN202110666431.1A CN202110666431A CN113361690A CN 113361690 A CN113361690 A CN 113361690A CN 202110666431 A CN202110666431 A CN 202110666431A CN 113361690 A CN113361690 A CN 113361690A
- Authority
- CN
- China
- Prior art keywords
- water quality
- data
- prediction model
- target
- sample data
- 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
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 537
- 238000012549 training Methods 0.000 title claims abstract description 180
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000012544 monitoring process Methods 0.000 claims abstract description 87
- 238000011156 evaluation Methods 0.000 claims abstract description 63
- 238000003062 neural network model Methods 0.000 claims abstract description 51
- 238000004590 computer program Methods 0.000 claims description 7
- 238000001556 precipitation Methods 0.000 claims description 7
- 238000005286 illumination Methods 0.000 claims description 6
- 238000011157 data evaluation Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 15
- 230000006870 function Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 230000007547 defect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005291 chaos (dynamical) Methods 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000003313 weakening effect Effects 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 229910002651 NO3 Inorganic materials 0.000 description 1
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 1
- IOVCWXUNBOPUCH-UHFFFAOYSA-M Nitrite anion Chemical compound [O-]N=O IOVCWXUNBOPUCH-UHFFFAOYSA-M 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- -1 pH value Chemical compound 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种水质预测模型训练、水质预测方法、装置、设备及介质,包括:获取目标流域在目标训练时间区间的历史水质样本数据并输入至组合预测模型中的灰色预测模型,得到预测水质因子浓度训练数据;将预测水质因子浓度训练数据输入至组合预测模型中的神经网络模型,得到预测水质监测因子浓度训练数据;根据目标训练时间区间对应的历史水质监测因子浓度样本数据对预测水质监测因子浓度训练数据进行评价;以根据模型评价结果对组合预测模型持续训练。本发明实施例的技术方案能够提高水质预测模型的精准度,进而提高水质预测的精准度。
Description
技术领域
本发明实施例涉及水质测试技术领域,尤其涉及一种水质预测模型训练、水质预测方法、装置、设备及介质。
背景技术
经济的发展使水质污染也日趋严重,全国水质恶化的加剧,水环境管理已经成为解决水资源短缺与水污染加剧的重要措施,水质预测及预警是水环境问题的重要研究内容之一。水质参数的检测参数主要包括温度、溶解氧、pH值、氨氮、亚硝酸盐、硝酸盐等,各种因子之间相互联系、相互影响,共同决定水体质量。
由于各因子之间既相互影响又相互作用,是一个多变量非线性问题,要求采用适宜的预测方法阐明水体多参数之间的相互作用,揭示水质因子变化的关键规律,对于多变量非线性水质参数数据的预测,是水质预测的难点之一;采集与水质参数相关的数据是时间序列数据,针对大量的时间序列水质参数数据,采用合适的方法去挖掘大量的时间序列水质参数数据特征,也是难点之一。目前,常用的水质预测方法一般可以分为:数理统计预测法、灰色系统理论预测法、神经网络预测法、水质模拟模型预测法以及混沌理论预测法。
发明人在实现本发明的过程中,发现现有技术存在如下缺陷:数据统计预测法对水质历史数据的真实性、可靠性、丰富性有很高的要求,涉及的影响因素交过,需要的信息资料数据量大,因此预测难度很高。由于断面水质监测数据规律性较弱,波动性较大,灰色模型预测所得到的结果与实际监测结果会存在较大的误差。而现有水质模拟模型的空间维数有待进一步提高,目前尚未开发出在国内外广泛使用的模型软件,且水质模型模拟的范围不够全面,能够模拟的水质变量通常局限于一些常规指标。神经网络预测法虽然理论上具有逼近任意函数的能力,但前提条件是具有足够多的隐节点,而较多的隐节点会导致神经网络参数增多,相应地需要更多样本数据来训练神经网络。混沌理论预测法需要在水质资料信息较为丰富的条件下才可能实现,而当前由于受到经济实力不够强、基础条件薄弱、环境保护工作投入不足等因素的制约,使混沌理论预测缺乏足够的监测数据。
由此可见,目前常用预测统计方法的共同缺陷是:对用来建模的数据可能具有较好的拟合效果,但预测效果并非十分理想。
发明内容
本发明实施例提供一种水质预测模型训练、水质预测方法、装置、设备及介质,能够提高水质预测模型的精准度,进而提高水质预测的精准度。
第一方面,本发明实施例提供了一种水质预测模型训练方法,包括:
获取目标流域在目标训练时间区间的历史水质样本数据;
将所述历史水质样本数据输入至组合预测模型中的灰色预测模型,得到所述目标训练时间区间对应的预测水质因子浓度训练数据;
将所述预测水质因子浓度训练数据输入至所述组合预测模型中的神经网络模型,得到所述目标训练时间区间对应的预测水质监测因子浓度训练数据;
根据所述目标训练时间区间对应的历史水质监测因子浓度样本数据对所述预测水质监测因子浓度训练数据进行评价,得到所述组合预测模型的模型评价结果;
在确定所述模型评价结果不满足预设模型评价指标的情况下,返回执行将所述历史水质样本数据输入至组合预测模型中的灰色预测模型的操作,直至确定所述模型评价结果满足所述预设模型评价指标。
第二方面,本发明实施例还提供了一种水质预测方法,包括:
获取目标流域在目标预测时间区间的预测水质样本数据;
将所述预测水质样本数据输入至组合预测模型中的灰色预测模型,得到所述目标预测时间区间对应的预测水质因子浓度数据;
将所述预测水质因子浓度数据输入至所述组合预测模型中的神经网络模型,得到所述目标预测时间区间对应的预测水质监测因子浓度数据。
第三方面,本发明实施例还提供了一种水质预测模型训练装置,包括:
历史水质样本数据获取模块,用于获取目标流域在目标训练时间区间的历史水质样本数据;
预测水质因子浓度训练数据获取模块,用于将所述历史水质样本数据输入至组合预测模型中的灰色预测模型,得到所述目标训练时间区间对应的预测水质因子浓度训练数据;
预测水质监测因子浓度训练数据获取模块,用于将所述预测水质因子浓度训练数据输入至所述组合预测模型中的神经网络模型,得到所述目标训练时间区间对应的预测水质监测因子浓度训练数据;
预测水质监测因子浓度训练数据评价模块,用于根据所述目标训练时间区间对应的历史水质监测因子浓度样本数据对所述预测水质监测因子浓度训练数据进行评价,得到所述组合预测模型的模型评价结果;
返回训练模块,用于在确定所述模型评价结果不满足预设模型评价指标的情况下,返回执行将所述历史水质样本数据输入至组合预测模型中的灰色预测模型的操作,直至确定所述模型评价结果满足所述预设模型评价指标。
第四方面,本发明实施例还提供了一种水质预测装置,包括:
预测水质样本数据获取模块,用于获取目标流域在目标预测时间区间的预测水质样本数据;
预测水质因子浓度数据获取模块,用于将所述预测水质样本数据输入至组合预测模型中的灰色预测模型,得到所述目标预测时间区间对应的预测水质因子浓度数据;
预测水质监测因子浓度数据获取模块,用于将所述预测水质因子浓度数据输入至所述组合预测模型中的神经网络模型,得到所述目标预测时间区间对应的预测水质监测因子浓度数据。
第五方面,本发明实施例还提供了一种计算机设备,所述计算机设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明任意实施例所提供的水质预测模型训练或水质预测方法。
第四方面,本发明实施例还提供了一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明任意实施例所提供的水质预测模型训练或水质预测方法。
本发明实施例通过将获取的目标流域在目标训练时间区间的历史水质样本数据输入至组合预测模型中的灰色预测模型,得到目标训练时间区间对应的预测水质因子浓度训练数据,并将预测水质因子浓度训练数据输入至组合预测模型中的神经网络模型,得到目标训练时间区间对应的预测水质监测因子浓度训练数据,从而根据目标训练时间区间对应的历史水质监测因子浓度样本数据对预测水质监测因子浓度训练数据进行评价,得到组合预测模型的模型评价结果,以根据模型评价结果对组合预测模型进行持续训练,直至确定模型评价结果满足预设模型评价指标,完成组合预测模型的训练过程。当组合预测模型训练完成后,将获取的目标流域在目标预测时间区间的预测水质样本数据输入至组合预测模型中的灰色预测模型,以得到目标预测时间区间对应的预测水质因子浓度数据,并将预测水质因子浓度数据输入至组合预测模型中的神经网络模型,得到目标预测时间区间对应的预测水质监测因子浓度数据,实现利用灰色预测模型和神经网络模型串联结合的组合预测模型进行水质预测,解决现有水质预测效果不理想的问题,提高了水质预测模型的精准度,进而提高了水质预测的精准度。
附图说明
图1是本发明实施例一提供的一种水质预测模型训练方法的流程图;
图2是本发明实施例二提供的一种水质预测模型训练方法的流程图;
图3是本发明实施例三提供的一种水质预测模型训练装置的示意图;
图4是本发明实施例四提供的一种水质预测装置的示意图;
图5为本发明实施例五提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。
另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1是本发明实施例一提供的一种水质预测模型训练方法的流程图,本实施例可适用于训练灰色预测模型和神经网络模型串联结合的组合预测模型以进行水质预测的情况,该方法可以由水质预测模型训练装置来执行,该装置可以由软件和/或硬件的方式来实现,并一般可集成在计算机设备中。相应的,如图1所示,该方法包括如下操作:
S110、获取目标流域在目标训练时间区间的历史水质样本数据。
其中,目标流域可以是需要进行水质预测的流域,只要是需要进行水质预测的流域均可以作为目标流域,本发明实施例并不对目标流域的所在的地理位置、流域类型以及流域名称等进行限定。目标训练时间区间可以是根据水质预测需求所设定的时间区间,如可以是每周、每月或每季度等,本发明实施例同样不对目标训练时间区间的取值进行限定。历史水质样本数据可以是历史记录的水质样本数据。示例性的,历史水质样本数据可以是仅5年的水质样本数据等。
在本发明实施例中,在训练组合预测模型之前,首先需要获取训练组合预测模型的样本数据。具体的,可以获取目标流域在目标训练时间区间的历史水质样本数据训练组合预测模型。示例性的,以河流A作为目标流域为例说明,如果后续对河流A的水质预测需求为每月预测水质,则可以获取河流A在近5年的历史水质样本数据。同时,可以将近5年的历史水质样本数据按照月份进行分类,得到近5年每个月份对应的历史水质样本数据。
在本发明的一个可选实施例中,所述历史水质样本数据可以包括:污染源在线监测数据、水位关联数据以及气象关联数据;其中,所述水位关联数据可以包括水位数据、流量数据以及流向数据中的至少一项;所述气象关联数据可以包括气温数据、降水数据、光照数据、风力数据以及风向数据中的至少一项。
可以理解的是,影响水质的因素有很多,而现有水质预测方法通常仅考虑部分影响水质的因素,如历史水质数据和单一的天气因素等。本发明实施例为了保证组合预测模型的精准度,综合考虑目标流域的污染源在线监测数据、目标流域的水文(包括水位、流量以及流向)以及气象(包括气温、降水、光照、风力风向)等多种相关影响因素,扩充了历史水质样本数据的数据维度,从数据源的角度保证了模型训练过程的可靠性和准确性。
S120、将所述历史水质样本数据输入至组合预测模型中的灰色预测模型,得到所述目标训练时间区间对应的预测水质因子浓度训练数据。
其中,预测水质因子浓度训练数据可以是组合预测模型中的灰色预测模型根据历史水质样本数据预测得到的水质因子浓度数据。
在本发明实施例中,组合预测模型由灰色预测模型和神经网络模型串联连接构成。所谓串联连接也即将原始的输入数据输入至灰色预测模型,灰色预测模型得到的输出数据再次作为输入数据输入至神经网络模型,最终将神经网络模型的输出数据作为组合预测模型的预测结果。
灰色预测是就灰色系统所做的预测。所谓灰色系统是介于白色系统和黑箱系统之间的过渡系统,其具体的含义是:如果某一系统的全部信息已知为白色系统,全部信息未知为黑箱系统,部分信息已知,部分信息未知,那么这一系统就是灰箱系统。一般地说,社会系统、经济系统、生态系统都是灰色系统。例如河流水质系统,导致水质变化的因素很多,但已知的却不多,因此对水质这一灰色系统的预测可以用灰色预测方法。具体的,如果一个系统具有层次、结构关系的模糊性,动态变化的随机性,指标数据的不完备或不确定性,则称这些特性为灰色性。具有灰色性的系统称为灰色系统。灰色系统理论认为对既含有已知信息又含有未知或非确定信息的系统进行预测,就是对在一定方位内变化的、与时间有关的灰色过程的预测。尽管过程中所显示的现象是随机的、杂乱无章的,但毕竟是有序的、有界的,因此这一数据集合具备潜在的规律,灰色预测就是利用较少的或不确切的表示灰色系统行为特征的原始数据序列作生成变换后建立的,用以描述灰色系统内部事物连续变化过程的模型对灰色系统进行预测,这个模型称为灰色模型,也即灰色预测模型,简称GM(GreyModel)模型。
相应的,在获取到目标流域在目标训练时间区间的历史水质样本数据之后,可以将其作为原始的输入数据输入至组合预测模型中的灰色预测模型,以通过灰色预测模型根据历史水质样本数据初步预测得到目标训练时间区间对应的预测水质因子浓度训练数据。
示例性的,可以将流域A近5年3月份的历史水质样本数据输入组合预测模型中的灰色预测模型,以通过灰色预测模型预测流域A在3月份的水质因子浓度数据。
S130、将所述预测水质因子浓度训练数据输入至所述组合预测模型中的神经网络模型,得到所述目标训练时间区间对应的预测水质监测因子浓度训练数据。
其中,预测水质监测因子浓度训练数据可以是神经网络模型根据预测水质因子浓度训练数据预测得到的水质监测因子浓度数据。
可以理解的是,对于断面水质监测数据规律性较弱,波动性较大的情况,灰色预测模型预测所得到的结果与实际监测结果会存在较大的误差。因此,为了弥补灰色预测模型单一预测方法不准确的缺陷,本发明实施例采用神经网络模型对灰色预测模型输出的预测水质因子浓度训练数据继续进行预测,从而得到最终的预测水质监测因子浓度训练数据。
其中,神经网络模型对于探究水质数据量大、自身变化规律复杂的水质预测情况具有一定优势。神经网络模型是由大量处理单元互联组成的非线性、自适应信息处理系统,通过输入层、隐含层以及输出层结构,将复杂问题转变成高维线性可分的问题,从而能够对水质的变化进行预测。目前常见的是使用BP(Back Propagation)人工神经网络。由于该网络模型学习速率是固定的,对于一些复杂问题,学习速率太小,结果往往收敛速度慢,需要较长的训练时间,这也成该网络模型的主要缺陷。针对学习速度慢问题,广义回归神经网络(General Regression Neural Network,GRNN)将高斯函数应用到网络隐含层结点中的作用函数中,从而具有局部逼近能力,加快了训练的时间。此外,为了避免人为主观假定对预测结果的影响,GRNN中网络的学习全部依赖数据样本,参数设定更具客观性。因此,在本发明实施例中,可选的,组合预测模型中的神经网络模型可以采用GRNN。
在本发明实施例中,通过灰色理论结合人工神经网络的方式,可以模拟由灰色理论的预测值与原始数据实测值之间的偏差关系,处理实际水质监测过程中获取的大量数据。此外,将灰色理论和人工神经网络进行模型组合后,可以减少原始数据变化幅度大对预测结果影响,从而增加预测结果的准确性。
示例性的,可以将流域A近5年3月份的历史水质样本数据输入组合预测模型中的灰色预测模型,以通过灰色预测模型预测流域A在3月份的水质因子浓度数据,并将流域A在3月份的水质因子浓度数据输入至神经网络模型中,以通过神经网络模型预测流域A在3月份的水质监测因子浓度数据。
S140、根据所述目标训练时间区间对应的历史水质监测因子浓度样本数据对所述预测水质监测因子浓度训练数据进行评价,得到所述组合预测模型的模型评价结果。
其中,历史水质监测因子浓度样本数据可以是历史记录的水质监测因子浓度数据。
相应的,在组合预测模型的训练过程中,当通过组合预测模型中的神经网络模型预测得到测水质监测因子浓度训练数据之后,可以利用目标训练时间区间对应的历史水质监测因子浓度样本数据对预测水质监测因子浓度训练数据进行评价,得到组合预测模型的模型评价结果,以根据模型评价结果确定组合预测模型的预测精度是否符合要求。在模型持续训练的过程中,可以对网络的结构、初始权值和初始阈值进行不断地调整训练。
S150、在确定所述模型评价结果不满足预设模型评价指标的情况下,返回执行将所述历史水质样本数据输入至组合预测模型中的灰色预测模型的操作,直至确定所述模型评价结果满足所述预设模型评价指标。
其中,预设模型评价指标可以是预先设置的用于评价组合预测模型是否完成训练的指标,示例性的,预设模型评价指标可以是模型的准确率等指标类型,本发明实施例并不对预设模型评价指标的具体内容进行限定。
相应的,如果确定模型评价结果不满足预设模型评价指标,如模型的准确率未达到准确率阈值,则表明组合预测模型尚未训练成功,此时可以返回重复执行将历史水质样本数据输入至组合预测模型中的灰色预测模型的操作,实现对组合预测模型的持续训练,直至确定模型评价结果满足预设模型评价指标,则组合预测模型训练完成。
示例性的,可以将流域A前5年3月份的历史水质样本数据输入组合预测模型中的灰色预测模型,以通过灰色预测模型预测流域A在3月份的水质因子浓度数据,并将流域A在3月份的水质因子浓度数据输入至神经网络模型中,以通过神经网络模型预测流域A在3月份的水质监测因子浓度数据。然后将流域A前5年3月份的历史水质监测因子浓度样本数据对流域A在3月份的水质监测因子浓度数据进行评测,以判断组合预测模型的预测准确率。如果预测准确率不满足要求,可以采用流域A前4年3月份的历史水质样本数据输入组合预测模型中的灰色预测模型,以对组合预测模型进行持续训练,以此类推,直至确定组合预测模型的模型评价结果满足预设模型评价指标。
由此可见,由于训练组合预测模型的历史水质样本数据可以包括污染源在线监测数据、水位关联数据以及气象关联数据等多种影响因素类型,因此训练得到的组合预测模型可以预测每个断面的水质因子浓度在污染排放、水文以及气象等实际因素影响下的灰化预测结果与实际监测值关系。
在本发明的一个可选实施例中,在所述获取目标流域在目标训练时间区间的历史水质样本数据之前,还可以包括:对所述历史水质样本数据按照水量进行划分,得到枯水期历史水质样本数据、丰水期历史水质样本数据以及平水期历史水质样本数据;所述将所述历史水质样本数据输入至组合预测模型中的灰色预测模型,可以包括:确定所述历史水质样本数据匹配的样本水期类型;根据所述样本水期类型确定目标组合预测模型;将所述历史水质样本数据输入至所述目标组合预测模型中的灰色预测模型;其中,所述目标组合预测模型包括枯水期组合预测模型、丰水期组合预测模型以及平水期组合预测模型。
其中,枯水期历史水质样本数据也即目标流域在枯水期的历史水质样本数据,丰水期历史水质样本数据也即目标流域在丰水期的历史水质样本数据,平水期历史水质样本数据也即目标流域在平水期的历史水质样本数据。可选的,样本水期类型可以是枯水期、丰水期和平水期中的任一一项。目标组合预测模型可以是适用于样本水期类型的组合预测模型。枯水期组合预测模型可以是对枯水期的目标流域进行水质预测的模型,丰水期组合预测模型可以是对丰水期的目标流域进行水质预测的模型,平水期组合预测模型可以是对平水期的目标流域进行水质预测的模型。
发明人发现,除了各方面的影响水质的因素对水质预测具有直接的影响之外,目标流域的水量的大小也会直接影响水质预测结果。因此,为了进一步提高组合预测模型的精准度,本发明实施例创造性地对历史水质样本数据按照水量进行分类划分,得到不同水量时期的历史水质样本数据。相应的,针对不同水量时期的历史水质样本数据,可以分别对应训练一个组合预测模型。
具体的,在获取到历史水质样本数据之后,可以根据历史水质样本数据对应的目标训练时间区间确定其匹配的样本水期类型,从而根据样本水期类型确定目标组合预测模型,并将历史水质样本数据输入至目标组合预测模型中的灰色预测模型,以实现对目标组合预测模型的训练。
示例性的,假设目标流域的枯水期为12-2月份,丰水期为5-9月份,其余月份为平水期。如果目标训练时间区间为3月份,则可以确定3月份的历史水质样本数据匹配的样本水期类型为平水期,并确定训练的目标组合预测模型为平水期组合预测模型。进一步的,可以将3月份的历史水质样本数据输入至平水期组合预测模型的灰色预测模型,以利用平水期历史水质样本数据对平水期组合预测模型进行训练。
上述技术方案中,采用神经网络的方法,结合灰色理论的特征来进行水质预测模型的训练,可以兼具两者的优点,对可归化为灰色问题的复杂问题建立确定的连续微分方程并对其求解,从而对求解复杂灰色问题提供可行的求解基础。利用灰色-神经网络模型,把神经网络特有的非线性适应性信息处理能力与灰色理论弱化数据序列波动性的特点进行结合。组合后的模型,具有抗干扰能力变强、不需要确定非线性函数的优势,从而弥补了单一模型预测精准度较低的缺陷。
本发明实施例通过将获取的目标流域在目标训练时间区间的历史水质样本数据输入至组合预测模型中的灰色预测模型,得到目标训练时间区间对应的预测水质因子浓度训练数据,并将预测水质因子浓度训练数据输入至组合预测模型中的神经网络模型,得到目标训练时间区间对应的预测水质监测因子浓度训练数据,从而根据目标训练时间区间对应的历史水质监测因子浓度样本数据对预测水质监测因子浓度训练数据进行评价,得到组合预测模型的模型评价结果,以根据模型评价结果对组合预测模型进行持续训练,直至确定模型评价结果满足预设模型评价指标,完成组合预测模型的训练过程,以实现利用灰色预测模型和神经网络模型串联结合的组合预测模型进行水质预测,解决现有水质预测效果不理想的问题,提高了水质预测模型的精准度,进而提高了水质预测的精准度。
实施例二
图2是本发明实施例二提供的一种水质预测模型训练方法的流程图,本实施例可适用于利用训练完成的灰色预测模型和神经网络模型串联结合的组合预测模型进行水质预测的情况,该方法可以由水质预测装置来执行,该装置可以由软件和/或硬件的方式来实现,并一般可集成在计算机设备中。相应的,如图2所示,该方法包括如下操作:
S210、获取目标流域在目标预测时间区间的预测水质样本数据。
其中,目标预测时间区间可以是根据水质预测需求所设定的时间区间,如可以是每周、每月或每季度等,本发明实施例并不对目标训练时间区间的取值进行限定。预测水质样本数据可以是组合预测模型中灰色预测模型预测得到的水质样本数据。
在本发明实施例中,在利用组合预测模型预测目标流域的水质之前,可以首先获取目标流域在目标预测时间区间的预测水质样本数据。
S220、将所述预测水质样本数据输入至组合预测模型中的灰色预测模型,得到所述目标预测时间区间对应的预测水质因子浓度数据。
其中,预测水质因子浓度数据可以是神经网络模型根据预测水质样本数据预测得到的水质监测因子浓度数据。组合预测模型可以通过本发明实施例一所提供的水质预测模型训练得到。
相应的,在获取到目标流域在目标预测时间区间的预测水质样本数据之后,可以将预测水质样本数据作为原始的输入数据输入至组合预测模型中的灰色预测模型,以通过灰色预测模型根据预测水质样本数据初步预测得到目标预测时间区间对应的预测水质因子浓度数据。
S230、将所述预测水质因子浓度数据输入至所述组合预测模型中的神经网络模型,得到所述目标预测时间区间对应的预测水质监测因子浓度数据。
相应的,在通过灰色预测模型预测得到预测水质因子浓度数据之后,可以将预测水质因子浓度数据作为输入数据输入至组合预测模型的神经网络模型中,以通过神经网络模型对灰色预测模型输出的预测水质因子浓度数据继续进行预测,从而得到最终的预测水质监测因子浓度数据。
在本发明的一个可选实施例中,所述将所述预测水质样本数据输入至组合预测模型中的灰色预测模型,可以包括:确定所述预测水质样本数据匹配的样本水期类型;根据所述样本水期类型确定目标组合预测模型;将所述预测水质样本数据输入至所述目标组合预测模型中的灰色预测模型;其中,所述目标组合预测模型包括枯水期组合预测模型、丰水期组合预测模型以及平水期组合预测模型。
为了进一步提高组合预测模型的精准度,本发明实施例创造性地对预测水质样本数据按照水量进行分类划分,得到不同水量时期的预测水质样本数据。相应的,针对不同水量时期的预测水质样本数据,可以分别采用匹配的目标组合预测模型进行水质预测。
具体的,在获取到预测水质样本数据之后,可以根据预测水质样本数据对应的目标预测时间区间确定其匹配的样本水期类型,从而根据样本水期类型确定目标组合预测模型,并将预测水质样本数据输入至目标组合预测模型中的灰色预测模型,以实现根据目标组合预测模型预测的目标流域在目标预测时间区间的水质。
示例性的,假设目标流域的枯水期为12-2月份,丰水期为5-9月份,其余月份为平水期。如果目标预测时间区间为3月份,则可以确定3月份的预测水质样本数据匹配的样本水期类型为平水期,并确定目标组合预测模型为平水期组合预测模型。进一步的,可以将3月份的预测水质样本数据输入至平水期组合预测模型的灰色预测模型,以利用平水期组合预测模型对平水期的预测水质样本数据进行预测。
在本发明的一个可选实施例中,所述获取目标流域在目标预测时间区间的预测水质样本数据,可以包括:获取所述目标流域在临近时间区间的目标历史水质样本数据;将所述目标历史水质样本数据输入至所述目标组合预测模型中的灰色预测模型,得到所述预测水质样本数据;其中,所述目标历史水质样本数据和所述预测水质样本数据包括污染源在线监测数据、水位关联数据以及气象关联数据。所述水位关联数据包括水位数据、流量数据以及流向数据中的至少一项;所述气象关联数据包括气温数据、降水数据、光照数据、风力数据以及风向数据中的至少一项。
其中,临近时间区间可以是在目标预测时间区间的相邻时间区间。示例性的,假设在目标预测时间区间为2021年5月份,则临近时间区间可以是2021年1-4月份。目标历史水质样本数据可以是目标流域在临近时间区间的历史水质样本数据。预测水质样本数据可以是灰色预测模型根据目标历史水质样本数据预测得到的目标预测时间区间的水质样本数据。
具体的,可以首先获取目标流域在临近时间区间的目标历史水质样本数据,并将目标历史水质样本数据输入至目标组合预测模型中的灰色预测模型中,以通过灰色预测模型初步预测得到目标预测时间区间的预测水质样本数据。
示例性的,假设目标预测时间区间为2021年5月份,目标组合预测模型为丰水期组合预测模型,则可以首先获取2021年1-4月份的历史水质样本数据,并将2021年1-4月份的历史水质样本数据输入至丰水期组合预测模型的灰色预测模型中,以初步预测得到2021年5月份的预测水质样本数据。
其中,目标历史水质样本数据和预测水质样本数据均可以包括污染源在线监测数据、水位关联数据以及气象关联数据等相关因素的数据,灰色预测模型预测得到的预测水质样本数据可以使得紊乱的原始水质样本序列呈现某种规律,规律不明显的变得较为明显,从而提高神经网络模型的预测精度。
在一个具体的例子中,假设目标预测时间区间为2021年5月份,目标组合预测模型为丰水期组合预测模型,则可以首先获取2021年1-4月份的历史水质样本数据,并将2021年1-4月份的历史水质样本数据输入至丰水期组合预测模型的灰色预测模型中,以初步预测得到2021年5月份的预测水质样本数据。得到预测水质样本数据之后,可以开始利用组合预测模型进行预测。具体的,可以将2021年5月份的预测水质样本数据作为原始的输入数据再次输入至组合预测模型中的灰色预测模型,以通过灰色预测模型根据预测水质样本数据初步预测得到2021年5月份对应的预测水质因子浓度数据。进一步的,将2021年5月份对应的预测水质因子浓度数据作为输入数据输入至组合预测模型中的神经网络模型,以通过神经网络模型输出2021年5月份对应的预测水质监测因子浓度数据。
综上所述,本发明实施例采用基于灰色预测模型计算和业务参数动态化调整,应用灰色模型-神经网络,对水质进行分析、建模、求解、预测的过程。由于灰色建模理论应用数据生成手段弱化了系统的随机性,使紊乱的原始水质样本序列呈现某种规律,规律不明显的变得较为明显,建模后还能进行残差辨识,即使较少的历史数据,任意随机分布,也能得到较高的预测精度。
上述技术方案中,采用神经网络的方法,结合灰色理论的特征来进行水质预测,可以兼具两者的优点,对可归化为灰色问题的复杂问题建立确定的连续微分方程并对其求解,从而对求解复杂灰色问题提供可行的求解基础。利用灰色-神经网络模型,把神经网络特有的非线性适应性信息处理能力与灰色理论弱化数据序列波动性的特点进行结合。组合后的模型,具有抗干扰能力变强,不需要确定非线性函数的优势,从而弥补了单一预测方法不准确的缺陷。
在一个具体的实验数据中,将太湖流域作为目标流域,利用组合预测模型对2020年1月-8月太湖流域161个断面共3708个因子进行中长期预警分析,并根据预测数据评价出对应的水质等级,分析对比各断面实际等级与预测等级。实验数据表明,组合预测模型的预测准确率达到70%以上的断面占76.4%,而较传统水质预测模型的预测准确率达到70%以上的断面占67.7%,由此可见,本发明实施例所通过的组合预测模型的预测准确率较传统水质预测模型有明显提升。
本发明实施例通过将获取的目标流域在目标预测时间区间的预测水质样本数据输入至训练完成的组合预测模型中的灰色预测模型,以得到目标预测时间区间对应的预测水质因子浓度数据,并将预测水质因子浓度数据输入至组合预测模型中的神经网络模型,得到目标预测时间区间对应的预测水质监测因子浓度数据,实现利用灰色预测模型和神经网络模型串联结合的组合预测模型进行水质预测,解决现有水质预测效果不理想的问题,提高了水质预测模型的精准度,进而提高了水质预测的精准度。
需要说明的是,以上各实施例中各技术特征之间的任意排列组合也属于本发明的保护范围。
实施例三
图3是本发明实施例三提供的一种水质预测模型训练装置的示意图,如图3所示,所述装置包括:历史水质样本数据获取模块310、预测水质因子浓度训练数据获取模块320、预测水质监测因子浓度训练数据获取模块330、预测水质监测因子浓度训练数据评价模块340以及返回训练模块350,其中:
历史水质样本数据获取模块310,用于获取目标流域在目标训练时间区间的历史水质样本数据;
预测水质因子浓度训练数据获取模块320,用于将所述历史水质样本数据输入至组合预测模型中的灰色预测模型,得到所述目标训练时间区间对应的预测水质因子浓度训练数据;
预测水质监测因子浓度训练数据获取模块330,用于将所述预测水质因子浓度训练数据输入至所述组合预测模型中的神经网络模型,得到所述目标训练时间区间对应的预测水质监测因子浓度训练数据;
预测水质监测因子浓度训练数据评价模块340,用于根据所述目标训练时间区间对应的历史水质监测因子浓度样本数据对所述预测水质监测因子浓度训练数据进行评价,得到所述组合预测模型的模型评价结果;
返回训练模块350,用于在确定所述模型评价结果不满足预设模型评价指标的情况下,返回执行将所述历史水质样本数据输入至组合预测模型中的灰色预测模型的操作,直至确定所述模型评价结果满足所述预设模型评价指标。
本发明实施例通过将获取的目标流域在目标训练时间区间的历史水质样本数据输入至组合预测模型中的灰色预测模型,得到目标训练时间区间对应的预测水质因子浓度训练数据,并将预测水质因子浓度训练数据输入至组合预测模型中的神经网络模型,得到目标训练时间区间对应的预测水质监测因子浓度训练数据,从而根据目标训练时间区间对应的历史水质监测因子浓度样本数据对预测水质监测因子浓度训练数据进行评价,得到组合预测模型的模型评价结果,以根据模型评价结果对组合预测模型进行持续训练,直至确定模型评价结果满足预设模型评价指标,完成组合预测模型的训练过程,以实现利用灰色预测模型和神经网络模型串联结合的组合预测模型进行水质预测,解决现有水质预测效果不理想的问题,提高了水质预测模型的精准度,进而提高了水质预测的精准度。
可选的,水质预测模型训练装置还可以包括历史水质样本数据划分模块,用于对所述历史水质样本数据按照水量进行划分,得到枯水期历史水质样本数据、丰水期历史水质样本数据以及平水期历史水质样本数据;预测水质因子浓度训练数据获取模块320具体用于:确定所述历史水质样本数据匹配的样本水期类型;根据所述样本水期类型确定目标组合预测模型;将所述历史水质样本数据输入至所述目标组合预测模型中的灰色预测模型;其中,所述目标组合预测模型包括枯水期组合预测模型、丰水期组合预测模型以及平水期组合预测模型。
可选的,所述历史水质样本数据包括:污染源在线监测数据、水位关联数据以及气象关联数据;其中,所述水位关联数据包括水位数据、流量数据以及流向数据中的至少一项;所述气象关联数据包括气温数据、降水数据、光照数据、风力数据以及风向数据中的至少一项。
上述水质预测模型训练装置可执行本发明任意实施例所提供的水质预测模型训练方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明任意实施例提供的水质预测模型训练方法。
由于上述所介绍的水质预测模型训练装置为可以执行本发明实施例中的水质预测模型训练方法的装置,故而基于本发明实施例中所介绍的水质预测模型训练方法,本领域所属技术人员能够了解本实施例的水质预测模型训练装置的具体实施方式以及其各种变化形式,所以在此对于该水质预测模型训练装置如何实现本发明实施例中的水质预测模型训练方法不再详细介绍。只要本领域所属技术人员实施本发明实施例中水质预测模型训练方法所采用的装置,都属于本申请所欲保护的范围。
实施例四
图4是本发明实施例四提供的一种水质预测装置的示意图,如图4所示,所述装置包括:预测水质样本数据获取模块410、预测水质因子浓度数据获取模块420以及预测水质监测因子浓度数据获取模块430,其中:
预测水质样本数据获取模块410,用于获取目标流域在目标预测时间区间的预测水质样本数据;
预测水质因子浓度数据获取模块420,用于将所述预测水质样本数据输入至组合预测模型中的灰色预测模型,得到所述目标预测时间区间对应的预测水质因子浓度数据;
预测水质监测因子浓度数据获取模块430,用于将所述预测水质因子浓度数据输入至所述组合预测模型中的神经网络模型,得到所述目标预测时间区间对应的预测水质监测因子浓度数据。
本发明实施例通过将获取的目标流域在目标预测时间区间的预测水质样本数据输入至训练完成的组合预测模型中的灰色预测模型,以得到目标预测时间区间对应的预测水质因子浓度数据,并将预测水质因子浓度数据输入至组合预测模型中的神经网络模型,得到目标预测时间区间对应的预测水质监测因子浓度数据,实现利用灰色预测模型和神经网络模型串联结合的组合预测模型进行水质预测,解决现有水质预测效果不理想的问题,提高了水质预测模型的精准度,进而提高了水质预测的精准度。
可选的,预测水质因子浓度数据获取模块420具体用于:确定所述预测水质样本数据匹配的样本水期类型;根据所述样本水期类型确定目标组合预测模型;将所述预测水质样本数据输入至所述目标组合预测模型中的灰色预测模型;其中,所述目标组合预测模型包括枯水期组合预测模型、丰水期组合预测模型以及平水期组合预测模型。
可选的,预测水质样本数据获取模块410具体用于:获取所述目标流域在临近时间区间的目标历史水质样本数据;将所述目标历史水质样本数据输入至所述目标组合预测模型中的灰色预测模型,得到所述预测水质样本数据;其中,所述目标历史水质样本数据和所述预测水质样本数据包括污染源在线监测数据、水位关联数据以及气象关联数据;所述水位关联数据包括水位数据、流量数据以及流向数据中的至少一项;所述气象关联数据包括气温数据、降水数据、光照数据、风力数据以及风向数据中的至少一项。
上述水质预测装置可执行本发明任意实施例所提供的水质预测方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明任意实施例提供的水质预测方法。
由于上述所介绍的水质预测装置为可以执行本发明实施例中的水质预测方法的装置,故而基于本发明实施例中所介绍的水质预测方法,本领域所属技术人员能够了解本实施例的水质预测装置的具体实施方式以及其各种变化形式,所以在此对于该水质预测装置如何实现本发明实施例中的水质预测方法不再详细介绍。只要本领域所属技术人员实施本发明实施例中水质预测方法所采用的装置,都属于本申请所欲保护的范围。
实施例五
图5为本发明实施例五提供的一种计算机设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图5显示的计算机设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器16,存储器28,连接不同系统组件(包括存储器28和处理器16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture,ISA)总线,微通道体系结构(Micro Channel Architecture,MCA)总线,增强型ISA总线、视频电子标准协会(Video Electronics Standards Association,VESA)局域总线以及外围组件互连(Peripheral Component Interconnect,PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory,RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示,通常称为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如只读光盘(Compact Disc-Read Only Memory,CD-ROM)、数字视盘(Digital Video Disc-Read Only Memory,DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(Input/Output,I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local AreaNetwork,LAN),广域网Wide Area Network,WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图5中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、(Redundant Arrays of Independent Disks,RAID)系统、磁带驱动器以及数据备份存储系统等。
处理器16通过运行存储在存储器28中的程序,从而执行各种功能应用以及数据处理,实现本发明实施例所提供的水质预测模型训练方法:获取目标流域在目标训练时间区间的历史水质样本数据;将所述历史水质样本数据输入至组合预测模型中的灰色预测模型,得到所述目标训练时间区间对应的预测水质因子浓度训练数据;将所述预测水质因子浓度训练数据输入至所述组合预测模型中的神经网络模型,得到所述目标训练时间区间对应的预测水质监测因子浓度训练数据;根据所述目标训练时间区间对应的历史水质监测因子浓度样本数据对所述预测水质监测因子浓度训练数据进行评价,得到所述组合预测模型的模型评价结果;在确定所述模型评价结果不满足预设模型评价指标的情况下,返回执行将所述历史水质样本数据输入至组合预测模型中的灰色预测模型的操作,直至确定所述模型评价结果满足所述预设模型评价指标。
或者,处理器16通过运行存储在存储器28中的程序,从而执行各种功能应用以及数据处理,实现本发明实施例所提供的水质预测方法:获取目标流域在目标预测时间区间的预测水质样本数据;将所述预测水质样本数据输入至组合预测模型中的灰色预测模型,得到所述目标预测时间区间对应的预测水质因子浓度数据;将所述预测水质因子浓度数据输入至所述组合预测模型中的神经网络模型,得到所述目标预测时间区间对应的预测水质监测因子浓度数据。
实施例六
本发明实施例六还提供一种存储计算机程序的计算机存储介质,所述计算机程序在由计算机处理器执行时用于执行本发明上述实施例任一所述的水质预测模型训练方法:获取目标流域在目标训练时间区间的历史水质样本数据;将所述历史水质样本数据输入至组合预测模型中的灰色预测模型,得到所述目标训练时间区间对应的预测水质因子浓度训练数据;将所述预测水质因子浓度训练数据输入至所述组合预测模型中的神经网络模型,得到所述目标训练时间区间对应的预测水质监测因子浓度训练数据;根据所述目标训练时间区间对应的历史水质监测因子浓度样本数据对所述预测水质监测因子浓度训练数据进行评价,得到所述组合预测模型的模型评价结果;在确定所述模型评价结果不满足预设模型评价指标的情况下,返回执行将所述历史水质样本数据输入至组合预测模型中的灰色预测模型的操作,直至确定所述模型评价结果满足所述预设模型评价指标。
或者,所述计算机程序在由计算机处理器执行时用于执行本发明上述实施例任一所述的水质预测方法:获取目标流域在目标预测时间区间的预测水质样本数据;将所述预测水质样本数据输入至组合预测模型中的灰色预测模型,得到所述目标预测时间区间对应的预测水质因子浓度数据;将所述预测水质因子浓度数据输入至所述组合预测模型中的神经网络模型,得到所述目标预测时间区间对应的预测水质监测因子浓度数据。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ReadOnly Memory,ROM)、可擦式可编程只读存储器((Erasable Programmable Read OnlyMemory,EPROM)或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、射频(Radio Frequency,RF)等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN)连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种水质预测模型训练方法,其特征在于,包括:
获取目标流域在目标训练时间区间的历史水质样本数据;
将所述历史水质样本数据输入至组合预测模型中的灰色预测模型,得到所述目标训练时间区间对应的预测水质因子浓度训练数据;
将所述预测水质因子浓度训练数据输入至所述组合预测模型中的神经网络模型,得到所述目标训练时间区间对应的预测水质监测因子浓度训练数据;
根据所述目标训练时间区间对应的历史水质监测因子浓度样本数据对所述预测水质监测因子浓度训练数据进行评价,得到所述组合预测模型的模型评价结果;
在确定所述模型评价结果不满足预设模型评价指标的情况下,返回执行将所述历史水质样本数据输入至组合预测模型中的灰色预测模型的操作,直至确定所述模型评价结果满足所述预设模型评价指标。
2.根据权利要求1所述的方法,其特征在于,在所述获取目标流域在目标训练时间区间的历史水质样本数据之前,还包括:
对所述历史水质样本数据按照水量进行划分,得到枯水期历史水质样本数据、丰水期历史水质样本数据以及平水期历史水质样本数据;
所述将所述历史水质样本数据输入至组合预测模型中的灰色预测模型,包括:
确定所述历史水质样本数据匹配的样本水期类型;
根据所述样本水期类型确定目标组合预测模型;
将所述历史水质样本数据输入至所述目标组合预测模型中的灰色预测模型;
其中,所述目标组合预测模型包括枯水期组合预测模型、丰水期组合预测模型以及平水期组合预测模型。
3.根据权利要求1或2所述的方法,其特征在于,所述历史水质样本数据包括:污染源在线监测数据、水位关联数据以及气象关联数据;
其中,所述水位关联数据包括水位数据、流量数据以及流向数据中的至少一项;
所述气象关联数据包括气温数据、降水数据、光照数据、风力数据以及风向数据中的至少一项。
4.一种水质预测方法,其特征在于,包括:
获取目标流域在目标预测时间区间的预测水质样本数据;
将所述预测水质样本数据输入至组合预测模型中的灰色预测模型,得到所述目标预测时间区间对应的预测水质因子浓度数据;
将所述预测水质因子浓度数据输入至所述组合预测模型中的神经网络模型,得到所述目标预测时间区间对应的预测水质监测因子浓度数据。
5.根据权利要求4所述的方法,其特征在于,所述将所述预测水质样本数据输入至组合预测模型中的灰色预测模型,包括:
确定所述预测水质样本数据匹配的样本水期类型;
根据所述样本水期类型确定目标组合预测模型;
将所述预测水质样本数据输入至所述目标组合预测模型中的灰色预测模型;
其中,所述目标组合预测模型包括枯水期组合预测模型、丰水期组合预测模型以及平水期组合预测模型。
6.根据权利要求4或5所述的方法,其特征在于,所述获取目标流域在目标预测时间区间的预测水质样本数据,包括:
获取所述目标流域在临近时间区间的目标历史水质样本数据;
将所述目标历史水质样本数据输入至所述目标组合预测模型中的灰色预测模型,得到所述预测水质样本数据;
其中,所述目标历史水质样本数据和所述预测水质样本数据包括污染源在线监测数据、水位关联数据以及气象关联数据;所述水位关联数据包括水位数据、流量数据以及流向数据中的至少一项;所述气象关联数据包括气温数据、降水数据、光照数据、风力数据以及风向数据中的至少一项。
7.一种水质预测模型训练装置,其特征在于,包括:
历史水质样本数据获取模块,用于获取目标流域在目标训练时间区间的历史水质样本数据;
预测水质因子浓度训练数据获取模块,用于将所述历史水质样本数据输入至组合预测模型中的灰色预测模型,得到所述目标训练时间区间对应的预测水质因子浓度训练数据;
预测水质监测因子浓度训练数据获取模块,用于将所述预测水质因子浓度训练数据输入至所述组合预测模型中的神经网络模型,得到所述目标训练时间区间对应的预测水质监测因子浓度训练数据;
预测水质监测因子浓度训练数据评价模块,用于根据所述目标训练时间区间对应的历史水质监测因子浓度样本数据对所述预测水质监测因子浓度训练数据进行评价,得到所述组合预测模型的模型评价结果;
返回训练模块,用于在确定所述模型评价结果不满足预设模型评价指标的情况下,返回执行将所述历史水质样本数据输入至组合预测模型中的灰色预测模型的操作,直至确定所述模型评价结果满足所述预设模型评价指标。
8.一种水质预测装置,其特征在于,包括:
预测水质样本数据获取模块,用于获取目标流域在目标预测时间区间的预测水质样本数据;
预测水质因子浓度数据获取模块,用于将所述预测水质样本数据输入至组合预测模型中的灰色预测模型,得到所述目标预测时间区间对应的预测水质因子浓度数据;
预测水质监测因子浓度数据获取模块,用于将所述预测水质因子浓度数据输入至所述组合预测模型中的神经网络模型,得到所述目标预测时间区间对应的预测水质监测因子浓度数据。
9.一种计算机设备,其特征在于,所述计算机设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-3中任一所述的水质预测模型训练方法,或者实现如权利要求4-6中任一所述的水质预测方法。
10.一种计算机存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-3中任一所述的水质预测模型训练方法,或者实现如权利要求4-6中任一所述的水质预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110666431.1A CN113361690A (zh) | 2021-06-16 | 2021-06-16 | 水质预测模型训练、水质预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110666431.1A CN113361690A (zh) | 2021-06-16 | 2021-06-16 | 水质预测模型训练、水质预测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113361690A true CN113361690A (zh) | 2021-09-07 |
Family
ID=77534657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110666431.1A Pending CN113361690A (zh) | 2021-06-16 | 2021-06-16 | 水质预测模型训练、水质预测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361690A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114022305A (zh) * | 2021-10-29 | 2022-02-08 | 中国地质环境监测院(自然资源部地质灾害技术指导中心) | 地下水动态监测方法及装置 |
CN114236068A (zh) * | 2021-11-24 | 2022-03-25 | 中冶赛迪重庆信息技术有限公司 | 一种基于循环水系统的氯离子浓度分析方法及系统 |
CN116844307A (zh) * | 2023-07-24 | 2023-10-03 | 广州市水务规划勘测设计研究院有限公司 | 一种多情景山洪预警方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109270237A (zh) * | 2018-11-27 | 2019-01-25 | 广州市怡纯净水科技有限公司 | 一种基于大数据的水质监测分析系统 |
CN109447346A (zh) * | 2018-10-26 | 2019-03-08 | 冶金自动化研究设计院 | 基于灰色预测与神经网络组合模型转炉氧耗量预测方法 |
CN112348290A (zh) * | 2020-12-03 | 2021-02-09 | 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 |
-
2021
- 2021-06-16 CN CN202110666431.1A patent/CN113361690A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447346A (zh) * | 2018-10-26 | 2019-03-08 | 冶金自动化研究设计院 | 基于灰色预测与神经网络组合模型转炉氧耗量预测方法 |
CN109270237A (zh) * | 2018-11-27 | 2019-01-25 | 广州市怡纯净水科技有限公司 | 一种基于大数据的水质监测分析系统 |
CN112348290A (zh) * | 2020-12-03 | 2021-02-09 | 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 |
Non-Patent Citations (2)
Title |
---|
侯得印: "鄱阳湖水环境质量评价与水质预测模型的研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, no. 2017, pages 027 - 411 * |
翟伟 等: "结合灰色理论的人工神经网络方法在水质预测中的应用", 《南水北调与水利科技(中英文)》, vol. 18, no. 1, pages 138 - 143 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114022305A (zh) * | 2021-10-29 | 2022-02-08 | 中国地质环境监测院(自然资源部地质灾害技术指导中心) | 地下水动态监测方法及装置 |
CN114236068A (zh) * | 2021-11-24 | 2022-03-25 | 中冶赛迪重庆信息技术有限公司 | 一种基于循环水系统的氯离子浓度分析方法及系统 |
CN114236068B (zh) * | 2021-11-24 | 2024-03-01 | 中冶赛迪信息技术(重庆)有限公司 | 一种基于循环水系统的氯离子浓度分析方法及系统 |
CN116844307A (zh) * | 2023-07-24 | 2023-10-03 | 广州市水务规划勘测设计研究院有限公司 | 一种多情景山洪预警方法 |
CN116844307B (zh) * | 2023-07-24 | 2023-12-26 | 广州市水务规划勘测设计研究院有限公司 | 一种多情景山洪预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113361690A (zh) | 水质预测模型训练、水质预测方法、装置、设备及介质 | |
Li et al. | An extended cellular automaton using case‐based reasoning for simulating urban development in a large complex region | |
CN105740991A (zh) | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及系统 | |
CN111951097A (zh) | 企业信用风险评估方法、装置、设备及存储介质 | |
Bernal et al. | Financial market time series prediction with recurrent neural networks | |
CN104764868A (zh) | 一种基于地理加权回归的土壤有机碳预测方法 | |
CN111784084B (zh) | 基于梯度提升决策树的出行生成预测方法、系统及装置 | |
CN112419711B (zh) | 基于改进gmdh算法的封闭式停车场停车需求预测方法 | |
CN114077970A (zh) | 一种基于城市形态的碳排放相关因子的确定方法及装置 | |
Vogl | Controversy in financial chaos research and nonlinear dynamics: a short literature review | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
CN110134754B (zh) | 区域兴趣点的作业时长预测方法、装置、服务器和介质 | |
CN114973657A (zh) | 基于轨迹数据的城市交通噪声污染分析与评估方法 | |
CN115829081A (zh) | 一种基于支持向量回归模型的城市交通碳排放预测方法 | |
CN105243503A (zh) | 基于空间变量和logistic回归的海岸带生态安全评估方法 | |
Zorn et al. | Replacing energy simulations with surrogate models for design space exploration | |
CN115691140B (zh) | 一种汽车充电需求时空分布的分析与预测方法 | |
Sonu et al. | Linear regression based air quality data analysis and prediction using python | |
CN115906669A (zh) | 一种顾及负样本选取策略的密集残差网络滑坡易发性评价方法 | |
CN111027680B (zh) | 基于变分自编码器的监控量不确定性预测方法及系统 | |
CN112561171A (zh) | 一种滑坡的预测方法、装置、设备及存储介质 | |
Qu et al. | Extended-range forecasting of PM2. 5 based on the S2S: a case study in Shanghai, China | |
CN112785044A (zh) | 公共交通工具的实时满载率预测方法、装置、设备和介质 | |
CN116780524B (zh) | 一种基于lstm深度学习的工业企业短期负荷预测方法 | |
Panda et al. | Machine learning using exploratory analysis to predict taxi fare |
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 |