CN116187203A - 一种流域水质预测方法、系统、电子设备及存储介质 - Google Patents
一种流域水质预测方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116187203A CN116187203A CN202310426949.7A CN202310426949A CN116187203A CN 116187203 A CN116187203 A CN 116187203A CN 202310426949 A CN202310426949 A CN 202310426949A CN 116187203 A CN116187203 A CN 116187203A
- Authority
- CN
- China
- Prior art keywords
- water quality
- target
- moment
- river basin
- basin
- 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 129
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000010586 diagram Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 230000007787 long-term memory Effects 0.000 claims abstract description 24
- 230000006403 short-term memory Effects 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 46
- 239000011159 matrix material Substances 0.000 claims description 28
- 230000015654 memory Effects 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 230000001419 dependent effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 5
- 238000003911 water pollution Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000284 extract Substances 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
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N3/08—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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种流域水质预测方法、系统、电子设备及存储介质,属于数据预测处理技术领域,包括:获取历史时刻综合数据集合,基于历史时刻综合数据集合构建目标流域拓扑结构图;利用目标流域拓扑结构图对图卷积神经网络进行训练,获得目标流域不同站点之间水质空间依赖特征;基于水质空间依赖特征训练长短期记忆网络,获得目标流域时间特征;将目标流域时间特征输入至多层感知器中,得到目标流域水质预测结果。本发明采用基于图卷积神经网络和长短期记忆网络,将流域时空特性相结合,充分利用气象数据对水质数据的驱动影响,又考虑了各站点之间水质相关性,提高水质预测模型精度,有益于评估水质现状,掌握变化趋势,为水污染防治提供科学依据。
Description
技术领域
本发明涉及数据预测处理技术领域,尤其涉及一种流域水质预测方法、系统、电子设备及存储介质。
背景技术
在流域综合管理工作中,对流域的水质进行监控和预测是十分重要的管理内容,精确的水质预测可以充分评估水质现状,掌握变化趋势,为水污染防治提供科学依据,具有极其重要的现实意义与研究价值。
现有的流域水质预测方法中,大多都是着手于研究流域的时间特征或空间分布特征,如采用神经网络模型进行训练预测时,都是提取水质的时间序列特征并进行预测,对于流域监测站点之间的空间位置关系等分析远远不够。
发明内容
本发明提供一种流域水质预测方法、系统、电子设备及存储介质,用以解决现有技术中针对流域水质预测没有将时间和空间信息进行有效结合,导致预测精度不高的缺陷。
第一方面,本发明提供一种流域水质预测方法,包括:
获取目标流域的历史时刻综合数据集合,基于所述历史时刻综合数据集合构建目标流域拓扑结构图;
基于图卷积神经网络、长短期记忆网络和多层感知器构建流域水质预测模型;
利用所述目标流域拓扑结构图对所述图卷积神经网络进行训练,获得目标流域不同站点之间水质空间依赖特征;
基于所述目标流域不同站点之间水质空间依赖特征训练所述长短期记忆网络,获得目标流域时间特征;
将所述目标流域时间特征输入至所述多层感知器中,得到目标流域水质预测结果。
第二方面,本发明还提供一种流域水质预测系统,包括:
获取模块,用于获取目标流域的历史时刻综合数据集合,基于所述历史时刻综合数据集合构建目标流域拓扑结构图;
构建模块,用于基于图卷积神经网络、长短期记忆网络和多层感知器构建流域水质预测模型;
第一训练模块,用于利用所述目标流域拓扑结构图对所述图卷积神经网络进行训练,获得目标流域不同站点之间水质空间依赖特征;
第二训练模块,用于基于所述目标流域不同站点之间水质空间依赖特征训练所述长短期记忆网络,获得目标流域时间特征;
预测模块,用于将所述目标流域时间特征输入至所述多层感知器中,得到目标流域水质预测结果。
第三方面,本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述流域水质预测方法。
第四方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述流域水质预测方法。
本发明提供的流域水质预测方法、系统、电子设备及存储介质,通过采用基于图卷积神经网络和长短期记忆网络,将流域时空特性相结合,充分利用气象数据对水质数据的驱动影响,又考虑了各站点之间水质相关性,提高水质预测模型精度,有益于评估水质现状,掌握变化趋势,为水污染防治提供科学依据。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的流域水质预测方法的流程示意图;
图2是本发明提供的流域站点分布拓扑示意图;
图3是本发明提供的流域水质预测方法框架结构图;
图4是本发明提供的流域水质预测系统的结构示意图;
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在现阶段,针对流域水质的预测技术通常局限于研究流域的时域特征或空间分布特征,对应的预测结果存在较大的偏差,针对此现状,本发明提出一种基于图卷积神经网络和长短期记忆网络的流域水质预测方法,综合利用流域各监测站点的空间关系辅助进行水质的时序预测,能精确掌握变化趋势,为水污染防治提供科学依据。
图1是本发明实施例提供的流域水质预测方法的流程示意图,如图1所示,包括:
步骤100:获取目标流域的历史时刻综合数据集合,基于所述历史时刻综合数据集合构建目标流域拓扑结构图;
步骤200:基于图卷积神经网络、长短期记忆网络和多层感知器构建流域水质预测模型;
步骤300:利用所述目标流域拓扑结构图对所述图卷积神经网络进行训练,获得目标流域不同站点之间水质空间依赖特征;
步骤400:基于所述目标流域不同站点之间水质空间依赖特征训练所述长短期记忆网络,获得目标流域时间特征;
步骤500:将所述目标流域时间特征输入至所述多层感知器中,得到目标流域水质预测结果。
具体地,首先采集一定历史时间段内的综合数据集合,包括水质相关指标数据和气象数据等,对采集的数据进行一系列预处理后使数据满足构建拓扑图要求,基于该综合数据集合构建流域拓扑结构图,以各站点为图中的顶点,各站点的河道为边,还包括以站点之间沿河道的距离的比作为边的权重来反映站点之间连接的强弱关系。然后采用图卷积神经网络(Graph Convolutional Networks,GCN)、长短期记忆网络(Long Short TermMemory,LSTM)和多层感知器构建流域水质预测模型,对GCN进行训练,获得流域上不同站点之间水质的空间依赖特征,再训练时间编解码器LSTM网络,捕获其时间变化特征,再通过多层感知器MLP得到未来的流域水质预测结果。
本发明采用基于图卷积神经网络和长短期记忆网络,将流域时空特性相结合,充分利用气象数据对水质数据的驱动影响,又考虑了各站点之间水质相关性,提高水质预测模型精度,有益于评估水质现状,掌握变化趋势,为水污染防治提供科学依据。
基于上述实施例,获取目标流域的历史时刻综合数据集合,基于所述历史时刻综合数据集合构建目标流域拓扑结构图,包括:
在预设历史时间段采集所述目标流域的多个综合原始数据,对所述多个水质原始数据进行预处理,得到所述历史时刻综合数据集合;
确定所述目标流域中各站点为节点以及各站点之间连接河道为边,根据站点数构建邻接矩阵;
获取所述目标流域中各相邻站点之间的距离平方和所有站点的距离平方均值,由所述距离平方和所述距离平方均值得到各边权重,基于所述各边权重将所述邻接矩阵转换为带权邻接矩阵,由所述节点、所述边和所述带权邻接矩阵构建目标流域拓扑结构图。
其中,所述在预设历史时间段采集所述目标流域的多个综合原始数据,对所述多个水质原始数据进行预处理,得到所述历史时刻综合数据集合,包括:
在所述预设历史时间段采集多组水质数据和气象数据;
根据拉格朗日插值法,对所述多组水质数据和气象数据中缺失值和异常值进行插值填充,得到插值后数据;
计算所述插值后数据的样本均值和样本标准差,基于所述样本均值和所述样本标准差对所述插值后数据进行标准化处理,得到所述历史时刻综合数据集合。
具体地,本发明实施例针对流域各站点,如图2所示的某目标流域的15个监测站点,采集历史时刻综合数据集合,并将数据信息抽象为流域拓扑结构图。
需要说明的是,本发明实施例中针对每个监测站点采集三项水质数据和四项气象数据,其中三项水质数据包括PH、溶解氧和高锰酸盐,四项气象数据包括水温、相对湿度、降雨和日照辐射。测量针对的是三项水质数据的预测,在每次测量时,将其中一项水质数据和四项气象数据进行组合,形成不同的数组进行处理,例如:[PH、水温、相对湿度、降雨、日照辐射]、[溶解氧、水温、相对湿度、降雨、日照辐射]和[高锰酸盐、水温、相对湿度、降雨、日照辐射]。
先对采集的各数据进行预处理,对于数据中的缺失值和异常值,统一使用拉格朗日插值法对其进行插值填充,再对单位及数量级都不同的各项数据进行标准化处理:
基于上述实施例,利用所述目标流域拓扑结构图对所述图卷积神经网络进行训练,获得目标流域不同站点之间水质空间依赖特征,包括:
获取所述目标流域拓扑结构图中预设历史时间段内的任一时刻所有站点数据,所述任一时刻所有站点数据包括任一项水质数据和多项气象数据;
由所述任一时刻所有站点数据构建输入特征矩阵,将所述输入特征矩阵输入所述图卷积神经网络,输出任一时刻图卷积神经网络输出向量;
基于站点数、各站点的邻接矩阵、激活函数和图卷积神经网络任一层变换参数获得图卷积神经网络任一层节点信号,根据所述图卷积神经网络任一层节点信号将所述任一时刻图卷积神经网络输出向量进行全连接和展开得到任一时刻空间特征编码向量,由所述任一时刻空间特征编码向量构成所述目标流域不同站点之间水质空间依赖特征。
基于上述实施例,基于所述目标流域不同站点之间水质空间依赖特征训练所述长短期记忆网络,获得目标流域时间特征,包括:
将预设历史时间段内的任一时刻空间特征编码向量组合得到长短期记忆网络时间解码器输入向量;
对所述长短期记忆网络时间解码器输入向量对应的第一可学习参数矩阵和第一偏置向量,以及所述长短期记忆网络上一时刻输出值对应的第二可学习参数矩阵和第二偏置向量求取双正切函数,得到所述长短期记忆网络的任一时刻单元输入门向量、任一时刻单元遗忘门向量、任一时刻单元输出门向量和任一时刻单元候选状态向量;
对所述任一时刻单元遗忘门向量与上一时刻单元状态向量求取哈达玛积,以及所述任一时刻单元输入门向量与所述任一时刻单元候选状态向量求取哈达玛积后进行求和,得到任一时刻单元状态向量;
对所述任一时刻单元状态向量求取双正切函数后,与所述任一时刻单元输出门向量求取哈达玛积,得到长短期记忆网络任一时刻输出值,由所述长短期记忆网络任一时刻输出值构成所述目标流域时间特征。
如图3所示,LSTM单元内计算过程如下:
其中,表示当前LSTM单元的输入,/>表示输出,/>表示上一时刻输出,/>分别表示LSTM单元内部输入门、遗忘门、输出门的输出,/>表示t时刻LSTM单元候选状态,为中间变量,存储当前Cell State 信息,/>为可学习参数矩阵,其中是/>对应于/> 的可学习参数矩阵分量,是/>对应于/> 的可学习参数矩阵分量,为偏置向量,其中/>是/>对应于/> 的偏置向量分量,/>是/>对应于/> 的偏置向量分量,/>表示Hadamard积,/>表示t时刻LSTM单元状态,/>表示t时刻上一时刻的LSTM单元状态,将LSTM时间编码器(每层LSTM节点数均为50)得到的最后一个时刻的输出/>。
基于上述实施例,将所述目标流域时间特征输入至所述多层感知器中,得到目标流域水质预测结果,包括:
将所述目标流域时间特征依次输入至所述多层感知器的三层全连接层中,得到预设预测时间段的水质预测结果。
此处,得到的水质预测结果是以当前时刻为基础的未来2天某站点某项水质值,在本发明实施例中将原始数据的采集频率设为一天6组数据,每隔4小时记录一组数据,每组数据即由一项水质数据和四项气象数据构成,原始数据为全部站点过去7天的42组数据。预测结果对应了MPL最后一层的节点数12,即2天12个点的某项水质预测结果,一个12*1的向量。
基于上述实施例,还包括:
基于预设模型测试算法对所述流域水质预测模型进行测试,得到模型性能测试结果。
可选地,本发明实施例针对模型预测精度,采用不同的模型测试算法来测试模型的精度,包括决定系数和平均百分比误差(Mean Absolute Percentage Error,MAPE)来对模型在测试集上的表现进行测试,其中/>越大,MAPE越小表示预测效果越好。
本发明提出的基于GCN-LSTM的水质预测方法,充分利用气象数据对水质数据的驱动影响,又考虑了各站点之间水质相关性,综合提取流域的时空特征,提高水质预测模型精度,有益于评估水质现状,掌握变化趋势,为水污染防治提供科学依据。
下面对本发明提供的流域水质预测系统进行描述,下文描述的流域水质预测系统与上文描述的流域水质预测方法可相互对应参照。
图4是本发明提供的流域水质预测系统的结构示意图,如图4所示,包括:获取模块41、构建模块42、第一训练模块43、第二训练模块44和预测模块45,其中:
获取模块41用于获取目标流域的历史时刻综合数据集合,基于所述历史时刻综合数据集合构建目标流域拓扑结构图;构建模块42用于基于图卷积神经网络、长短期记忆网络和多层感知器构建流域水质预测模型;第一训练模块43用于利用所述目标流域拓扑结构图对所述图卷积神经网络进行训练,获得目标流域不同站点之间水质空间依赖特征;第二训练模块44用于基于所述目标流域不同站点之间水质空间依赖特征训练所述长短期记忆网络,获得目标流域时间特征;预测模块45用于将所述目标流域时间特征输入至所述多层感知器中,得到目标流域水质预测结果。
图5示例了一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令,以执行流域水质预测方法,该方法包括:获取目标流域的历史时刻综合数据集合,基于所述历史时刻综合数据集合构建目标流域拓扑结构图;基于图卷积神经网络、长短期记忆网络和多层感知器构建流域水质预测模型;利用所述目标流域拓扑结构图对所述图卷积神经网络进行训练,获得目标流域不同站点之间水质空间依赖特征;基于所述目标流域不同站点之间水质空间依赖特征训练所述长短期记忆网络,获得目标流域时间特征;将所述目标流域时间特征输入至所述多层感知器中,得到目标流域水质预测结果。
此外,上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的流域水质预测方法,该方法包括:获取目标流域的历史时刻综合数据集合,基于所述历史时刻综合数据集合构建目标流域拓扑结构图;基于图卷积神经网络、长短期记忆网络和多层感知器构建流域水质预测模型;利用所述目标流域拓扑结构图对所述图卷积神经网络进行训练,获得目标流域不同站点之间水质空间依赖特征;基于所述目标流域不同站点之间水质空间依赖特征训练所述长短期记忆网络,获得目标流域时间特征;将所述目标流域时间特征输入至所述多层感知器中,得到目标流域水质预测结果。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是: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:其依然可以对前述各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各实施例技术方案的精神和范围。
Claims (10)
1.一种流域水质预测方法,其特征在于,包括:
获取目标流域的历史时刻综合数据集合,基于所述历史时刻综合数据集合构建目标流域拓扑结构图;
基于图卷积神经网络、长短期记忆网络和多层感知器构建流域水质预测模型;
利用所述目标流域拓扑结构图对所述图卷积神经网络进行训练,获得目标流域不同站点之间水质空间依赖特征;
基于所述目标流域不同站点之间水质空间依赖特征训练所述长短期记忆网络,获得目标流域时间特征;
将所述目标流域时间特征输入至所述多层感知器中,得到目标流域水质预测结果。
2.根据权利要求1所述的流域水质预测方法,其特征在于,所述将所述目标流域时间特征输入至多层感知器中,得到目标流域水质预测结果之后,还包括:
基于预设模型测试算法对所述流域水质预测模型进行测试,得到模型性能测试结果。
3.根据权利要求1所述的流域水质预测方法,其特征在于,所述获取目标流域的历史时刻综合数据集合,基于所述历史时刻综合数据集合构建目标流域拓扑结构图,包括:
在预设历史时间段采集所述目标流域的多个综合原始数据,对所述多个水质原始数据进行预处理,得到所述历史时刻综合数据集合;
确定所述目标流域中各站点为节点以及各站点之间连接河道为边,根据站点数构建邻接矩阵;
获取所述目标流域中各相邻站点之间的距离平方和所有站点的距离平方均值,由所述距离平方和所述距离平方均值得到各边权重,基于所述各边权重将所述邻接矩阵转换为带权邻接矩阵,由所述节点、所述边和所述带权邻接矩阵构建目标流域拓扑结构图。
4.根据权利要求3所述的流域水质预测方法,其特征在于,所述在预设历史时间段采集所述目标流域的多个综合原始数据,对所述多个水质原始数据进行预处理,得到所述历史时刻综合数据集合,包括:
在所述预设历史时间段采集多组水质数据和气象数据;
根据拉格朗日插值法,对所述多组水质数据和气象数据中缺失值和异常值进行插值填充,得到插值后数据;
计算所述插值后数据的样本均值和样本标准差,基于所述样本均值和所述样本标准差对所述插值后数据进行标准化处理,得到所述历史时刻综合数据集合。
5.根据权利要求1所述的流域水质预测方法,其特征在于,所述利用所述目标流域拓扑结构图对所述图卷积神经网络进行训练,获得目标流域不同站点之间水质空间依赖特征,包括:
获取所述目标流域拓扑结构图中预设历史时间段内的任一时刻所有站点数据,所述任一时刻所有站点数据包括任一项水质数据和多项气象数据;
由所述任一时刻所有站点数据构建输入特征矩阵,将所述输入特征矩阵输入所述图卷积神经网络,输出任一时刻图卷积神经网络输出向量;
基于站点数、各站点的邻接矩阵、激活函数和图卷积神经网络任一层变换参数获得图卷积神经网络任一层节点信号,根据所述图卷积神经网络任一层节点信号将所述任一时刻图卷积神经网络输出向量进行全连接和展开得到任一时刻空间特征编码向量,由所述任一时刻空间特征编码向量构成所述目标流域不同站点之间水质空间依赖特征。
6.根据权利要求1所述的流域水质预测方法,其特征在于,所述基于所述目标流域不同站点之间水质空间依赖特征训练所述长短期记忆网络,获得目标流域时间特征,包括:
将预设历史时间段内的任一时刻空间特征编码向量组合得到长短期记忆网络时间解码器输入向量;
对所述长短期记忆网络时间解码器输入向量对应的第一可学习参数矩阵和第一偏置向量,以及所述长短期记忆网络上一时刻输出值对应的第二可学习参数矩阵和第二偏置向量求取双正切函数,得到所述长短期记忆网络的任一时刻单元输入门向量、任一时刻单元遗忘门向量、任一时刻单元输出门向量和任一时刻单元候选状态向量;
对所述任一时刻单元遗忘门向量与上一时刻单元状态向量求取哈达玛积,以及所述任一时刻单元输入门向量与所述任一时刻单元候选状态向量求取哈达玛积后进行求和,得到任一时刻单元状态向量;
对所述任一时刻单元状态向量求取双正切函数后,与所述任一时刻单元输出门向量求取哈达玛积,得到长短期记忆网络任一时刻输出值,由所述长短期记忆网络任一时刻输出值构成所述目标流域时间特征。
7.根据权利要求1所述的流域水质预测方法,其特征在于,所述将所述目标流域时间特征输入至所述多层感知器中,得到目标流域水质预测结果,包括:
将所述目标流域时间特征依次输入至所述多层感知器的三层全连接层中,得到预设预测时间段的水质预测结果。
8.一种流域水质预测系统,其特征在于,包括:
获取模块,用于获取目标流域的历史时刻综合数据集合,基于所述历史时刻综合数据集合构建目标流域拓扑结构图;
构建模块,用于基于图卷积神经网络、长短期记忆网络和多层感知器构建流域水质预测模型;
第一训练模块,用于利用所述目标流域拓扑结构图对所述图卷积神经网络进行训练,获得目标流域不同站点之间水质空间依赖特征;
第二训练模块,用于基于所述目标流域不同站点之间水质空间依赖特征训练所述长短期记忆网络,获得目标流域时间特征;
预测模块,用于将所述目标流域时间特征输入至所述多层感知器中,得到目标流域水质预测结果。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述流域水质预测方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述流域水质预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310426949.7A CN116187203A (zh) | 2023-04-20 | 2023-04-20 | 一种流域水质预测方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310426949.7A CN116187203A (zh) | 2023-04-20 | 2023-04-20 | 一种流域水质预测方法、系统、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116187203A true CN116187203A (zh) | 2023-05-30 |
Family
ID=86449168
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310426949.7A Pending CN116187203A (zh) | 2023-04-20 | 2023-04-20 | 一种流域水质预测方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116187203A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116596169A (zh) * | 2023-07-17 | 2023-08-15 | 国网浙江省电力有限公司宁波供电公司 | 一种电力系统预测方法、装置及存储介质 |
CN116976046A (zh) * | 2023-06-12 | 2023-10-31 | 中国建筑第四工程局有限公司 | 基于管网追踪的污水监控方法及系统 |
CN117271959A (zh) * | 2023-11-21 | 2023-12-22 | 中南大学 | 一种pm2.5浓度预测结果的不确定性评估方法及设备 |
CN117593045A (zh) * | 2024-01-19 | 2024-02-23 | 华侨大学 | 一种商用车辆需求预测方法、装置、设备及存储介质 |
CN118098442A (zh) * | 2024-04-19 | 2024-05-28 | 四川国蓝中天环境科技集团有限公司 | 一种基于多层感知器模型的城市水环境小尺度溯源方法 |
CN118098442B (zh) * | 2024-04-19 | 2024-07-02 | 四川国蓝中天环境科技集团有限公司 | 一种基于多层感知器模型的城市水环境小尺度溯源方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112651665A (zh) * | 2021-01-14 | 2021-04-13 | 浙江鸿程计算机系统有限公司 | 一种基于图神经网络的地表水水质指标预测方法和装置 |
CN115169724A (zh) * | 2022-07-27 | 2022-10-11 | 电子科技大学长三角研究院(湖州) | 一种基于时空图卷积神经网络的径流预测方法 |
WO2022213600A1 (zh) * | 2021-04-08 | 2022-10-13 | 中广核检测技术有限公司 | 基于lstm-cnn的核电站蒸发器涡流信号类型识别方法 |
-
2023
- 2023-04-20 CN CN202310426949.7A patent/CN116187203A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112651665A (zh) * | 2021-01-14 | 2021-04-13 | 浙江鸿程计算机系统有限公司 | 一种基于图神经网络的地表水水质指标预测方法和装置 |
WO2022213600A1 (zh) * | 2021-04-08 | 2022-10-13 | 中广核检测技术有限公司 | 基于lstm-cnn的核电站蒸发器涡流信号类型识别方法 |
CN115169724A (zh) * | 2022-07-27 | 2022-10-11 | 电子科技大学长三角研究院(湖州) | 一种基于时空图卷积神经网络的径流预测方法 |
Non-Patent Citations (1)
Title |
---|
许佳辉: "基于图神经网络的地表水水质预测模型", 《浙江大学学报(工学版)》, vol. 55, no. 4, pages 601 - 607 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116976046A (zh) * | 2023-06-12 | 2023-10-31 | 中国建筑第四工程局有限公司 | 基于管网追踪的污水监控方法及系统 |
CN116976046B (zh) * | 2023-06-12 | 2024-04-05 | 中国建筑第四工程局有限公司 | 基于管网追踪的污水监控方法及系统 |
CN116596169A (zh) * | 2023-07-17 | 2023-08-15 | 国网浙江省电力有限公司宁波供电公司 | 一种电力系统预测方法、装置及存储介质 |
CN117271959A (zh) * | 2023-11-21 | 2023-12-22 | 中南大学 | 一种pm2.5浓度预测结果的不确定性评估方法及设备 |
CN117271959B (zh) * | 2023-11-21 | 2024-02-20 | 中南大学 | 一种pm2.5浓度预测结果的不确定性评估方法及设备 |
CN117593045A (zh) * | 2024-01-19 | 2024-02-23 | 华侨大学 | 一种商用车辆需求预测方法、装置、设备及存储介质 |
CN117593045B (zh) * | 2024-01-19 | 2024-04-09 | 华侨大学 | 一种商用车辆需求预测方法、装置、设备及存储介质 |
CN118098442A (zh) * | 2024-04-19 | 2024-05-28 | 四川国蓝中天环境科技集团有限公司 | 一种基于多层感知器模型的城市水环境小尺度溯源方法 |
CN118098442B (zh) * | 2024-04-19 | 2024-07-02 | 四川国蓝中天环境科技集团有限公司 | 一种基于多层感知器模型的城市水环境小尺度溯源方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116187203A (zh) | 一种流域水质预测方法、系统、电子设备及存储介质 | |
CN111798051B (zh) | 基于长短期记忆神经网络的空气质量时空预测方法 | |
CN110263866B (zh) | 一种基于深度学习的电力用户负荷区间预测方法 | |
CN110852515B (zh) | 基于混合长短时记忆神经网络的水质指标预测方法 | |
CN112101480B (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
CN111310968A (zh) | 一种基于互信息的lstm神经网络循环水文预报方法 | |
CN111967688B (zh) | 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法 | |
CN115222163B (zh) | 港池入口波浪多要素的中长期实时预测方法、系统及应用 | |
Pourhabib et al. | Short-term wind speed forecast using measurements from multiple turbines in a wind farm | |
CN113240170A (zh) | 一种基于季节性循环神经网络的空气质量预测方法 | |
CN117592005B (zh) | Pm2.5浓度卫星遥感估算方法、装置、设备及介质 | |
CN116522764B (zh) | 一种考虑气候变化影响下的热浪-洪水复合灾害评估方法 | |
CN112348290A (zh) | 河流水质预测方法、装置、存储介质及设备 | |
CN115456245A (zh) | 一种感潮河网区溶解氧预测方法 | |
CN116050571A (zh) | 基于Transformer稀疏注意力机制的水质预测方法 | |
CN113850320A (zh) | 基于改进支持向量机回归算法的变压器故障检测方法 | |
Li et al. | Collective efficacy of support vector regression with smoothness priority in marine sensor data prediction | |
CN113609766B (zh) | 一种基于深度概率潜隐模型的软测量方法 | |
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 | |
CN113487069B (zh) | 一种基于grace日降尺度和新型dwsdi指数的区域洪涝灾害风险评估方法 | |
CN114757096B (zh) | 基于narx神经网络的桥梁温度预测方法、装置、设备和介质 | |
CN115936236A (zh) | 一种卷烟厂能耗预测方法、系统、设备及介质 | |
CN115080634A (zh) | 一种联合transformer注意力循环网络的网格化PM2.5浓度预测方法 | |
CN112819244B (zh) | 一种基于气象因子的rf-hw水质指标混合预测方法 | |
CN114444798A (zh) | 一种基于时空分布技术的接触网运维方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230530 |