CN114897791A - 基于烛台理论的水质预测方法 - Google Patents

基于烛台理论的水质预测方法 Download PDF

Info

Publication number
CN114897791A
CN114897791A CN202210400036.3A CN202210400036A CN114897791A CN 114897791 A CN114897791 A CN 114897791A CN 202210400036 A CN202210400036 A CN 202210400036A CN 114897791 A CN114897791 A CN 114897791A
Authority
CN
China
Prior art keywords
data
water quality
candlestick
prediction method
target 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
CN202210400036.3A
Other languages
English (en)
Inventor
许睿
吴文杰
李建
沈世铭
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.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
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 Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN202210400036.3A priority Critical patent/CN114897791A/zh
Publication of CN114897791A publication Critical patent/CN114897791A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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

Abstract

本申请公开了一种基于烛台理论的水质预测方法，包括：获取预定区域内多个监测点在预定时间段的水质数据，水质数据包括污染物数据和水文气象数据，监测点包括目标监测点，并根据目标监测点的污染物数据生成烛台图，以及通过特征提取模型对烛台图进行特征提取，以得到水污染特征数据，特征提取模型由卷积神经网络训练得到，再对水污染特征数据、水质数据进行融合处理，以得到时序数据集，最后通过时序预测模型对时序数据集处理，以得到目标监测点在目标时间段的水质预测结果。如此，能够对水污染的变化过程有效分类，从而有效地提升了水污染预测精度。

Description

基于烛台理论的水质预测方法
技术领域
本申请涉及环境领域，特别涉及一种基于烛台理论的水质预测方法。
背景技术
近年来，河道水污染成为了环境水力学的研究热点。受各种外部因素影响，污染物传输扩散机理复杂，水质模拟预测难度大。在雨源性型河流中，河道水质变化与气象条件相关性明显，呈现出不同的分类类型。相关技术中，SWAT模型通常被采用，但存在局限性，包括参数率定困难和模型构造复杂，并且，这类模型关注的焦点只是输入与输出之间数值序列的统计规律，河道水污染的变化过程不能被有效地分类反应，模型预测精度受到影响。
发明内容
有鉴于此，本申请提供一种基于烛台理论的水质预测方法。
本申请实施方式的基于烛台理论的水质预测方法包括：
获取预定区域内多个监测点在预定时间段的水质数据，所述水质数据包括污染物数据和水文气象数据，所述监测点包括目标监测点；
根据所述目标监测点的所述污染物数据生成烛台图；
通过特征提取模型对所述烛台图进行特征提取，以得到水污染特征数据，所述特征提取模型由卷积神经网络训练得到；
对所述水污染特征数据、所述水质数据进行融合处理，以得到时序数据集；
通过时序预测模型对所述时序数据集处理，以得到所述目标监测点在目标时间段的水质预测结果。
在某些实施方式中，所述根据所述目标监测点的所述污染物数据生成烛台图，包括：
通过K线发生器将所述目标监测点的所述污染物转化为所述烛台图。
在某些实施方式中，所述预定时间段包括多个等时长的子时间段，所述通过K线发生器将所述目标监测点的所述污染物转化为所述烛台图，包括：
根据每个子时间段内起始时刻、终止时刻的所述污染物数据以及浓度最高值、浓度最低值的所述污染物数据建立对应的烛台；
根据所述烛台生成多个所述烛台图，每个所述烛台图包括预设数量的所述烛台。
在某些实施方式中，所述通过特征提取模型对所述烛台图进行特征提取，以得到水污染特征数据，包括：
对所述烛台图进行卷积、池化以及全连接处理，以得到水污染特征数据。
在某些实施方式中，在所述根据所述目标监测点的所述污染物数据生成烛台图之前，所述水质预测方法还包括：
删除所述水质数据中的错误数据和全天缺失数据；
利用所述水质数据的平均值填充局部缺失数据；及
采用拉依达准则剔除所述水质数据中的异常数据。
在某些实施方式中，在所述根据所述目标监测点的所述污染物数据生成烛台图之前，所述水质预测方法还包括：
归一化所述水质数据。
在某些实施方式中，所述水文气象数据包括所述水文气象数据包括电导率、氢离子浓度指数值、浊度值、流量值、水温和降雨。
在某些实施方式中，所述污染物数据包括氨氮、总磷、总氮、高猛酸盐和溶解氧。
本申请实施方式的基于烛台理论的水质预测方法中，通过将目标监测点获取的污染物数据生成烛台图，使得水污染过程信息可以被特征提取模型提取，水污染过程信息能够被有效分类，水污染变化的过程能被反映，同时水污染过程信息也能被保留，再通过时序预测模型对由水污染特征数据、水质数据进行融合处理得到的时序数据集，使得目标监测点在目标时间段的水污染能够精准预测。
本申请的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是本申请某些实施方式的基于烛台理论的水质预测方法的流程示意图；
图2是本申请某些实施方式的基于烛台理论的水质预测装置的模块示意图；
图3是本申请某些实施方式的烛台图的示意图；
图4是本申请某些实施方式的基于烛台理论的水质预测方法的场景示意图；
图5-6是本申请某些实施方式的基于烛台理论的水质预测方法的流程示意图；
图7是本申请某些实施方式通过特征提取模型进行特征提取的场景示意图；
图8-10是本申请某些实施方式的基于烛台理论的水质预测方法的流程示意图。
具体实施方式
下面详细描述本申请的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
请参阅图1，本申请提供一种基于烛台理论的水质预测方法，包括：
01，获取预定区域内多个监测点在预定时间段的水质数据，水质数据包括污染物数据和水文气象数据，监测点包括目标监测点；
02，根据目标监测点的污染物数据生成烛台图；
03，通过特征提取模型对烛台图进行特征提取，以得到水污染特征数据，特征提取模型由卷积神经网络训练得到；
04，对水污染特征数据、水质数据进行融合处理，以得到时序数据集；
05，通过时序预测模型对时序数据集处理，以得到目标监测点在目标时间段的水质预测结果。
请参阅图2，本申请实施方式提供了一种基于烛台理论的水质预测装置100。水质预测装置100包括获取模块110、生成模块120、提取模块130、融合模块140和预测模块150。
其中，步骤01可以由获取模块110实现，步骤02可以由生成模块120实现，步骤03可以由提取模块130实现，步骤04可以由融合模块140实现，步骤05可以由预测模块150实现。或者说，获取模块110可以用于获取预定区域内多个监测点在预定时间段的水质数据，水质数据包括污染物数据和水文气象数据，监测点包括目标监测点。生成模块120可以用于根据目标监测点的污染物数据生成烛台图；提取模块130可以用于通过特征提取模型对烛台图进行特征提取，以得到水污染特征数据，特征提取模型由卷积神经网络训练得到；融合模块140可以用于对水污染特征数据、水质数据进行融合处理，以得到时序数据集；预测模块150可以用于通过时序预测模型对时序数据集处理，以得到目标监测点在目标时间段的水质预测结果。
本申请还提供了一种电子设备，包括存储器和处理器，存储器存储有计算机程序，当计算机程序被处理器执行时，使得处理器实现上述基于烛台理论的水质预测方法。也即是，处理器用于获取预定区域内多个监测点在预定时间段的水质数据，水质数据包括污染物数据和水文气象数据，监测点包括目标监测点，并根据目标监测点的污染物数据生成烛台图，以及通过特征提取模型对烛台图进行特征提取，以得到水污染特征数据，特征提取模型由卷积神经网络训练得到，再对水污染特征数据、水质数据进行融合处理，以得到时序数据集，最后通过时序预测模型对时序数据集处理，以得到目标监测点在目标时间段的水质预测结果。
本申请的基于烛台理论的水质预测方法、水质预测装置和电子设备中，通过将目标监测点获取的污染物数据生成烛台图，使得水污染过程信息可以被特征提取模型提取，水污染过程信息能够被有效分类，水污染变化的过程能被反映，同时水污染过程信息也能被保留，再通过时序预测模型对由水污染特征数据、水质数据进行融合处理得到的时序数据集，使得目标监测点在目标时间段的水污染能够被精准预测。
在一些实施方式中，水质预测装置100可以是电子设备的一部分。或者说，电子设备包括水质预测装置100。
在一些实施方式中，水质预测装置100可以是一定方式组装以具有前述功能的分立元件、或者是以集成电路形式存在具有前述功能的芯片、又或者是在计算机上运行时使得计算机具有前述功能的计算机软件代码段。
在一些实施方式中，作为硬件，水质预测装置100可以是独立或者作为额外增加的外围元件加装到电子设备。水质预测装置100也可以集成到电子设备上，例如，水质预测装置100是电子设备的一部分时，水质预测装置100可以集成到处理器上。
需要说明的是，预定区域包括多个水质监测点，水质监测点可连续监测到该监测站的水质数据，并且，水质数据为小时均值数据。其中，水质数据包含了污染物数据以及水文气象数据。目标监测点为可以为多个水质监测站中的任意一个。
水文气象数据包括但不限于电导率(EC)、氢离子浓度指数(PH)、浊度(TB)、流量(Q)、水温(WT)和降雨(PCP)等，污染物数据包括但不限于总磷(TP)、总氮(TN)、高锰酸盐(CODMn)、氨氮(NH3-N)和溶解氧(DO)等。
预定时间段与目标时间段为相邻两段时间，例如，预定时间段为1月份到3月份，目标时间段为4月份。
还需要说明的是，在步骤03中，在污染物包括多种时，只需要，将需要预测的污染物种类的污染物数据生成烛台图，例如，污染物数据包括NH3-N和DO两种，而只需要预测得到NH3-H的预测结果，则，只根据NH3-N生成烛台图。
在步骤04中，水质数据是指除生成烛台图的污染物数据外的所有水质数据。例如，污染物数据包括NH3-N和DO两种，若要得到目标监测点的NH3-H的预测结果，则在将对水污染特征数据、水质数据进行融合处理过程中，将目标监测点在预定时间段的DO、水文气象数据、其它监测点的NH3-N和DO、水文气象数据进行融合，得到时序数据集。
请结合图3，烛台图也被称为条形图或图表，它是一种最简单的视觉演示形式，当它涉及到理解一个安全在一个特定的时间段内的运动时。在本申请中，烛台图用于表征污染物数据在一段时间内的浓度变化。例如，可以根据目标监测点在预定时间段内的各个时刻的氨氮浓度来制作关于表征氨氮浓度变化的烛台图。可以理解的地，通过烛台图，可以清晰地了解污染物数据的变化过程，从而后续可以根据污染物数据的变化过程预测出一下时间段内的污染物数据。
卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络，卷积神经网络能够按其阶层结构对输入信息进行平移不变分类(shift-invariant classification)。在本申请实施方式中，卷积神经网络可以为VGG网络，也即是，特征提取模型可以由VGG网络通过训练得到。VGG网络具备对图像特有的细粒度特征提取方式，其能力能把污染过程高效分类，同时保留污染过程特征。
时序预测模型可以由循环神经网络训练得到(Recurrent Neural Network,RNN)，循环神经网络是一类以序列数据为输入，在序列的演进方向进行递归(recursion)且所有节点(循环单元)按链式连接的递归神经网络(recursive neural network)。在本实施方式中，循环神经网络可以为GRU神经网络。也即是，误差预测模型由GRU网络训练得到。需要说明的是，GRU神经网络是由LSTM神经网络的基础上改进优化得到。GRU神经网络包括重置门和更新门，其中，重置门用于控制忽略前一时刻水质数据的程度，即前一时刻水质数据对当前时刻的影响程度，体现了水污染传递过程。更新门用于控制前一时刻的水质信息保留到当前状态中的程度，即结合前一时间步和当前时间步的信息对未来水质造成影响。重置门和更新门能够保存长期序列中的水质数据，且不会随时间而清除或因为与预测不相关而移除。
请结合图4，在一些实施方式中，为了验证本申请中的基于烛台理论的水质预测方法的预测性能，采用本申请的基于烛台理论的水质预测方法预测了某个目标站点在2020年2月-4月的NH3-N预测值，将NH3-N预测值与真实值进行对比。可以明显看出，采用本申请的基于烛台理论的水质预测方法在整个预测范围内显示出准确的预测性能，即使在污染物浓度突变的情况也显示出良好的性能，这说明该模型能够很好地处理时间序列的非线性特征和突变情况，本申请的基于烛台理论的水质预测方法具有较好的预测性能。
请参阅图5，在某些实施方式中，步骤02包括子步骤：
021，通过K线发生器将目标监测点的污染物转化为烛台图。
请进一步结合图2，在某些实施方式中，子步骤021-023可以由生成模块120实现。或者说，生成模块120可以用于通过K线发生器将目标监测点的污染物转化为烛台图。
在某些实施方式中，处理器可以用于通过K线发生器将目标监测点的污染物转化为烛台图。
需要说明的是，K线发生器被设计用于反映周期内目标监测点的污染物数据变化。K线发生器基于CNN网络的卷积思想，反映水质变化过程中的连续特征，K线发生器只对时间进行序列卷积，而将目标监测点在预定时间段的污染物数据生成多个烛台图。
请参阅图6，在某些实施方式中，预定时间段包括多个等时长的子时间段，步骤021包括子步骤：
0211，根据每个子时间段内起始时刻、终止时刻的污染物数据以及浓度最高值、浓度最低值的污染物数据建立对应的烛台；
0212，根据烛台生成多个烛台图，每个烛台图包括预设数量的烛台。
请进一步结合图2，在某些实施方式中，子步骤0211-0212可以由生成模块120实现。或者说，生成模块120可以用于根据每个子时间段内起始时刻、终止时刻的污染物数据以及浓度最高值、浓度最低值的污染物数据建立对应的烛台，根据烛台生成多个烛台图，每个烛台图包括预设数量的烛台。
在某些实施方式中，处理器可以用于根据每个子时间段内起始时刻、终止时刻的污染物数据以及浓度最高值、浓度最低值的污染物数据建立对应的烛台，根据烛台生成多个烛台图，每个烛台图包括预设数量的烛台。
在本申请中，子时间段的时长可以为24小时，也即是，以23小时为一个时间周期，根据24小时内，起始时刻、终止时刻的污染物数据以及浓度最高值、浓度最低值的污染物数据建立对应的烛台。也即是，在预定时间段内，每24小时的污染物数据生成一个烛台，其中，烛台以该24小时内，起始时刻、终止时刻的污染物数据以及浓度值最高和最低的污染物数据建立得到。例如，预定时间段为时长为72小时，则根据0-24小时的污染物数据生成一个烛台，根据24-48小时的污染物数据生成一个烛台，根据48-72小时的污染物数据生成一个烛台。
预设数量可以为3个,也即是，由三个烛台生成一个烛台图。具体地，根据每个子时间段的污染物浓度生成烛台后，依据时间顺序对烛台进行排序，从而将每三个烛台形成一个烛台图，并且，步长为1，从而得到多个烛台图。例如，烛台包括N个，将第1、2、3个烛台形成一个烛台图，第2、3、4个烛台形成一个烛台图，第3、4、5个烛台形成一个烛台图、……第N-2、N-1、N个形成一个烛台图。
请参阅图7，在某些实施方式中，步骤03包括子步骤：
031，对烛台图进行卷积、池化以及全连接处理，以得到水污染特征数据。
请进一步结合图2，在某些实施方式中，子步骤031可以由提取模块130实现。或者说，提取模块130可以用于对烛台图进行卷积、池化以及全连接处理，以得到水污染特征数据。
在某些实施方式中，处理器可以用于对烛台图进行卷积、池化以及全连接处理，以得到水污染特征数据。
请结合图8，具体地，水污染局部特征由卷积层提取得到，对应于水污染中的污染传递过程，即第一天污染将对第二天和第三天污染造成影响，此类特征被卷积层提取，特征层由池化层进一步加强统计，只保留强特征，摒弃弱特征，提高污染过程分类的准确性，水污染的全局分类信息由全连接层整合，即相当于污染过程分类器。如此，通过将烛台图进行卷积、池化以及全连接处理，得到水污染特征数据，既能够把污染过程高效分类，同时保留污染过程特征。
请参阅图9，在某些实施方式中，在步骤02之前，基于烛台理论的水质预测方法还包括：
06，删除水质数据中的错误数据和全天缺失数据；
07，利用水质数据的平均值填充局部缺失数据；及
08，采用拉依达准则剔除水质数据中的异常数据。
请进一步参阅图2，在某些实施方式中，水质预测装置100还包括预处理模块160，步骤06-08可以由预处理模块160实现。或者说，预处理模块160可以用于删除水质数据中的错误数据和全天缺失数据，利用水质数据的平均值填充局部缺失数据，采用拉依达准则剔除水质数据中的异常数据。
在某些实施方式中，处理器用于删除水质数据中的错误数据和全天缺失数据，利用水质数据的平均值填充局部缺失数据，采用拉依达准则剔除水质数据中的异常数据。
可以理解地，由于设备异常、网络故障或遇极端天气，监测点的水质数据的记录可能出现异常。因此，对水质数据中的异常数据进行删除、填充等预处理，从而保证预处理后的水质数据符合正常规律。
如此，通过对水质数据进行删除、填充以及剔除异常等预处理，使得通过预处理后的水质数据得到的预测结果更准确，从而有效提高了预测精度。
请结合图10，在某些实施方式中，在步骤02之前，基于烛台理论的水质预测方法还包括：
09，归一化水质数据。
请进一步参阅图2，在某些实施方式中，步骤09可以由预处理模块160实现。或者说，预处理模块160可以用于归一化水质数据。
在某些实施方式中，处理器可用于归一化水质数据。
在本实施方式中，可选用Z-score标准化方法归一化数据集，需要说明的是，z-score标准化是将数据按比例缩放，使之落入一个特定区间。Z-score的计算公式为：
Figure BDA0003599478460000081
其中，x′为归一化处理后的水质数据，x为原始水质数据，μ为原始水质数据的均值，σ为原始水质数据的标准差。
如此，将归一化处理后的水质数据进行融合得到数据集，可以消除不同指标之间的量纲影响，方便后续进行综合分析，可以提高误差预测模型的预测精度，从而得到更为准确的预测结果。
本申请实施方式还提供了一种非易失性计算机可读存储介质，计算机读存储介质存储有计算机程序，当计算机程序被处理器执行时，使得处理器执行上述的基于烛台理论的水质预测方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其他任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digitalsubscriberline，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如数字视频光盘(digitalvideodisc，DVD))、或者半导体介质(例如固态硬盘(solidstatedisk，SSD))等。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，例如多个单元或组件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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (8)

1.一种基于烛台理论的水质预测方法，其特征在于，所述水质预测方法包括：
获取预定区域内多个监测点在预定时间段的水质数据，所述水质数据包括污染物数据和水文气象数据，所述监测点包括目标监测点；
根据所述目标监测点的所述污染物数据生成烛台图；
通过特征提取模型对所述烛台图进行特征提取，以得到水污染特征数据，所述特征提取模型由卷积神经网络训练得到；
对所述水污染特征数据、所述水质数据进行融合处理，以得到时序数据集；
通过时序预测模型对所述时序数据集处理，以得到所述目标监测点在目标时间段的水质预测结果。
2.根据权利要求1所述的水质预测方法，其特征在于，所述根据所述目标监测点的所述污染物数据生成烛台图，包括：
通过K线发生器将所述目标监测点的所述污染物转化为所述烛台图。
3.根据权利要求2所述的水质预测方法，其特征在于，所述预定时间段包括多个等时长的子时间段，所述通过K线发生器将所述目标监测点的所述污染物转化为所述烛台图，包括：
根据每个子时间段内起始时刻、终止时刻的所述污染物数据以及浓度最高值、浓度最低值的所述污染物数据建立对应的烛台；
根据所述烛台生成多个所述烛台图，每个所述烛台图包括预设数量的所述烛台。
4.根据权利要求1所述的水质预测方法，其特征在于，所述通过特征提取模型对所述烛台图进行特征提取，以得到水污染特征数据，包括：
对所述烛台图进行卷积、池化以及全连接处理，以得到所述水污染特征数据。
5.根据权利要求1所述的水质预测方法，其特征在于，在所述根据所述目标监测点的所述污染物数据生成烛台图之前，所述水质预测方法还包括：
删除所述水质数据中的错误数据和全天缺失数据；
利用所述水质数据的平均值填充局部缺失数据；及
采用拉依达准则剔除所述水质数据中的异常数据。
6.根据权利要求1所述的水质预测方法，其特征在于，在所述根据所述目标监测点的所述污染物数据生成烛台图之前，所述水质预测方法还包括：
归一化所述水质数据。
7.根据权利要求1所述的水质预测方法，其特征在于，所述水文气象数据包括所述水文气象数据包括电导率、氢离子浓度指数值、浊度值、流量值、水温和降雨。
8.根据权利要求1所述的水质预测方法，其特征在于，所述污染物数据包括氨氮、总磷、总氮、高猛酸盐和溶解氧中的至少一种。
CN202210400036.3A 2022-04-15 2022-04-15 基于烛台理论的水质预测方法 Pending CN114897791A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210400036.3A CN114897791A (zh) 2022-04-15 2022-04-15 基于烛台理论的水质预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210400036.3A CN114897791A (zh) 2022-04-15 2022-04-15 基于烛台理论的水质预测方法

Publications (1)

Publication Number Publication Date
CN114897791A true CN114897791A (zh) 2022-08-12

Family

ID=82718570

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210400036.3A Pending CN114897791A (zh) 2022-04-15 2022-04-15 基于烛台理论的水质预测方法

Country Status (1)

Country Link
CN (1) CN114897791A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117491585A (zh) * 2024-01-02 2024-02-02 石家庄首创水汇环境治理有限公司 基于时序网络的水生态污染监测方法及装置、系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117491585A (zh) * 2024-01-02 2024-02-02 石家庄首创水汇环境治理有限公司 基于时序网络的水生态污染监测方法及装置、系统

Similar Documents

Publication Publication Date Title
CN111832222B (zh) 一种污染物浓度的预测模型训练方法、预测方法及装置
CN114422381B (zh) 通信网络流量预测方法、系统、存储介质及计算机设备
CN111784041B (zh) 一种基于图卷积神经网络的风电功率预测方法及系统
CN105593864B (zh) 用于维护设备的分析设备退化
Yu et al. Improved convolutional neural network‐based quantile regression for regional photovoltaic generation probabilistic forecast
CN114897791A (zh) 基于烛台理论的水质预测方法
CN115034496A (zh) 基于GCN-Transformer的城市轨道交通节假日短时客流预测方法
CN115759365A (zh) 光伏发电功率的预测方法及相关设备
Dutta Pramanik et al. Predicting Resource Availability in Local Mobile Crowd Computing Using Convolutional GRU.
CN113891342B (zh) 基站巡检方法、装置、电子设备及存储介质
CN116055900B (zh) 一种基于摄像装置的图像质量修正方法
CN115713044B (zh) 一种多工况切换下的机电设备剩余寿命分析方法和装置
CN116883399A (zh) 蓝宝石放肩阶段缺陷视觉检测方法、装置、系统和设备
CN114911788B (zh) 一种数据插补方法、装置及存储介质
CN115130926B (zh) 应用人工智能的环境监测大数据分析方法及电子设备
CN114936664A (zh) 基于混合深度学习模型的流域非点源污染预测方法
Mou et al. Short-term traffic flow prediction: A long short-term memory model enhanced by temporal information
CN111475319A (zh) 一种基于机器学习的硬盘筛选方法及装置
CN113487087A (zh) 一种设备使用寿命的预测方法、装置、计算机设备及计算机可读存储介质
Xiao-Xu et al. An intelligent inspection robot of power distribution network based on image automatic recognition system
CN112787882A (zh) 一种物联网边缘流量预测方法、装置及设备
CN111651648A (zh) 杆塔关键部件巡检计划的智能化生成方法和装置
Sinha et al. Week-ahead solar irradiance forecasting with deep sequence learning
CN116963156B (zh) 一种无线信号传输能力检测方法和装置
CN111062468B (zh) 生成网络的训练方法和系统、以及图像生成方法及设备

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