CN116187210A - 一种lstm耦合机理模型的时空多源近岸海域水质时序预测方法 - Google Patents

一种lstm耦合机理模型的时空多源近岸海域水质时序预测方法 Download PDF

Info

Publication number
CN116187210A
CN116187210A CN202310485307.4A CN202310485307A CN116187210A CN 116187210 A CN116187210 A CN 116187210A CN 202310485307 A CN202310485307 A CN 202310485307A CN 116187210 A CN116187210 A CN 116187210A
Authority
CN
China
Prior art keywords
water quality
lstm
model
time sequence
space
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
Application number
CN202310485307.4A
Other languages
English (en)
Other versions
CN116187210B (zh
Inventor
周泉
王文静
涂华伟
张英民
王一舒
郑春菊
韦思业
陈中颖
任秀文
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.)
South China Institute of Environmental Science of Ministry of Ecology and Environment
Original Assignee
South China Institute of Environmental Science of Ministry of Ecology and Environment
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 South China Institute of Environmental Science of Ministry of Ecology and Environment filed Critical South China Institute of Environmental Science of Ministry of Ecology and Environment
Priority to CN202310485307.4A priority Critical patent/CN116187210B/zh
Publication of CN116187210A publication Critical patent/CN116187210A/zh
Application granted granted Critical
Publication of CN116187210B publication Critical patent/CN116187210B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G06Q50/06—Energy or water supply
    • 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
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及数据预测技术领域，尤其为一种LSTM耦合机理模型的时空多源近岸海域水质时序预测方法，包括如下步骤：采集水域监测数据并进行预处理；基于监测数据进行污染源核算；基于水质时间序列预测机器学习算法基础库，搭建双阶段注意力权重优化机制的LSTM网络时间序列水质预测新模型，并与图卷积神经网络进行融合；基于上述融合算法搭建三维潮流动力模型，实现近岸海域水质的时序预测。本发明通过双阶段注意力权重优化机制的LSTM网络时间序列水质预测新模型；对各种时空数据进行统计分析；构建各类数据的距离矩阵和流向矩阵，利用图卷积神经网结合矩阵信息实现各空间点位的信息交互；建立三维潮流动力模型，研究制定最优的预测方案。

Description

一种LSTM耦合机理模型的时空多源近岸海域水质时序预测 方法
技术领域
本发明涉及数据预测技术领域，尤其是一种LSTM耦合机理模型的时空多源近岸海域水质时序预测方法。
背景技术
数值模拟技术作为一种评估预测工具，可有效地对海洋灾害发生过程及结果进行模拟计算。随着大数据、人工智能技术的发展，数据驱动模型被广泛应用于水利及环境保护领域的模拟中。其中，已有大量学者基于支持向量机、回归森林、神经网络等机器学习算法开展溶解氧预测相关研究。如何对各输入数据提取特征，挖掘深层规律从而提高预测精度是各类算法需解决的核心问题。长短时记忆网络(LSTM)模型作为循环神经网络的衍生模型，能有效地处理有长期依赖关系的数据，使其更具信息捕获能力。LSTM具有较好的精准性和适用性。但传统的LSTM模型对于非线性更强、非平稳性更突出的时间序列，预测效果并不理想。
在以深度学习为代表的人工智能快速发展时期，现有技术通过神经网络模型与注意力机制等新理论的融合来实现更好的预测效果。现有的分层注意力机制可方便地获取输入数据特征，一定程度保障了时间序列数据预测的准确性，然而其通过简单堆叠网络单元建立，导致最终得到的注意力权重并非原始输入向量的注意力权重从而容易引入新的误差。
发明内容
本发明的目的是通过提出一种LSTM耦合机理模型的时空多源近岸海域水质时序预测方法，以解决上述背景技术中提出的缺陷。
本发明采用的技术方案如下：
提供一种LSTM耦合机理模型的时空多源近岸海域水质时序预测方法，包括如下步骤：
S1：采集水域监测数据并进行预处理；
S2：基于监测数据进行污染源核算；
S3：基于水质时间序列预测机器学习算法基础库，搭建双阶段注意力权重优化机制的LSTM网络时间序列水质预测新模型，并与图卷积神经网络进行融合；
S4：基于所述S3融合搭建三维潮流动力模型，实现近岸海域水质的时序预测。
作为本发明的一种优选技术方案：所述S1中通过回归替代法进行数据处理，并对数据集进行划分和归一化处理。
作为本发明的一种优选技术方案：所述S2中的污染源核算包括工业源核算、生活源核算、集中式污水处理厂核算和农业源核算。
作为本发明的一种优选技术方案：所述S3中的水质时间序列预测机器学习算法基础库中包含LSTM模型、Seq2seq模型、双向循环神经网络、DA-LSTM模型和图卷积神经网络。
作为本发明的一种优选技术方案：所述S3中，构建各空间点位的距离矩阵和流向矩阵，并通过图卷积神经网络结合矩阵信息实现各空间点位信息交互，并将图卷积神经网络输出的空间交互信息以情境信息的方式输入至双阶段注意力权重优化机制的LSTM网络时间序列水质预测新模型中。
作为本发明的一种优选技术方案：所述图卷积神经网络基于流域海域监测点位数据、污染源数据、机理模拟的潮波动力物理场数据构成拓扑结构图，利用图的边与顶点连接的结构信息以及附属于图结构的属性信息，对隐含的图信息进行抽取，并分析各站点的空间点位信息关联性；所述图卷积神经网络搭建如下：
利用图卷积神经网络节点属性和图拓扑结构信息，对拓扑结构图进行向量表示：
Figure SMS_1
其中，
Figure SMS_3
表示节点在
Figure SMS_7
层的特征向量，
Figure SMS_10
表示节点在
Figure SMS_4
层的特征向量，
Figure SMS_6
表示 第
Figure SMS_9
层的卷积参数；
Figure SMS_12
为图的邻接矩阵，
Figure SMS_2
，
Figure SMS_5
为单位矩阵，
Figure SMS_8
为邻接矩阵的度矩阵，
Figure SMS_11
是非线性激活操作；
使用两层图卷积层对融合各空间点位信息的拓扑结构图的节点进行训练，并将节点嵌入送入softmax函数中：
Figure SMS_13
Figure SMS_14
Figure SMS_15
其中，
Figure SMS_17
表示第
Figure SMS_23
个空间点位信息维度对应的节点特征，
Figure SMS_26
表示第
Figure SMS_19
类空间点位信息 对应的节点特征，
Figure SMS_21
表示节点嵌入后的结果，
Figure SMS_24
是空间点位信息的位置索引，
Figure SMS_27
是空间点位 信息类别数，
Figure SMS_16
是标签-空间点位信息指示矩阵，当且仅当
Figure SMS_22
属于类别
Figure SMS_25
时
Figure SMS_28
为0，其余情 况为1，
Figure SMS_18
表示标签-空间点位信息指示结果；
Figure SMS_20
表示节点嵌入后输出的节点特征向量；
融入自注意力层并进行位置嵌入编码：
Figure SMS_29
其中，
Figure SMS_30
表示当前空间点位信息在空间中的位置，
Figure SMS_31
表示位置
Figure SMS_32
的
Figure SMS_33
维位置嵌入值；
对点积计算后的向量进行归一化：
Figure SMS_34
其中，
Figure SMS_35
为归一化后的点积向量，
Figure SMS_39
，
Figure SMS_42
和
Figure SMS_38
均为非线性激活函数，
Figure SMS_41
、
Figure SMS_44
、
Figure SMS_46
表示卷积层数，
Figure SMS_36
、
Figure SMS_40
和
Figure SMS_43
分别为对应卷积层数的卷 积参数，
Figure SMS_45
是
Figure SMS_37
的维度；
通过全连接隐层和softmax函数对输出结果
Figure SMS_47
进行分类预测：
Figure SMS_48
其中，
Figure SMS_49
为输出结果
Figure SMS_50
的空间特征，
Figure SMS_51
表示融合自注意力的输出向量，
Figure SMS_52
和
Figure SMS_53
均为 偏置项，
Figure SMS_54
和
Figure SMS_55
分别为对应第一层和第二层的卷积参数。
作为本发明的一种优选技术方案：所述双阶段注意力权重优化机制的LSTM网络时间序列水质预测新模型中，对图卷积网络输出的空间特征
Figure SMS_56
进行编码，使用LSTM作为模型的基本单元对空间特征向量的权重进行优化，且每个LSTM解码单元的输入来自于起始LSTM单元的输入，其中，双阶段注意力权重优化机制的编码器基于空间注意力机制对权重进行优化，双阶段注意力权重优化机制的解码器基于时间注意力机制对权重进行优化。
作为本发明的一种优选技术方案：所述双阶段注意力权重优化机制的LSTM网络对空间特征向量的权重优化过程中，所述编码器对权重进行优化具体如下：
一阶段中，通过引入LSTM单元相关状态来提取空间特征的权重：
Figure SMS_57
其中，
Figure SMS_60
表示
Figure SMS_63
时刻第
Figure SMS_65
个输入特征的权重向量；状态向量包括 编码器的隐藏状态
Figure SMS_59
和细胞状态
Figure SMS_62
，
Figure SMS_64
是偏差项，
Figure SMS_66
、
Figure SMS_58
和
Figure SMS_61
是训练参数；
权重向量
Figure SMS_67
通过softmax函数归一化获得
Figure SMS_68
时刻第
Figure SMS_69
个输入特征的初始权重
Figure SMS_70
：
Figure SMS_71
进一步获得新的空间特征序列
Figure SMS_72
：
Figure SMS_73
并更新隐藏层状态和细胞状态为：
Figure SMS_74
其中，
Figure SMS_75
为一阶段更新的隐藏层状态，
Figure SMS_76
为一阶段更新的细胞状态，
Figure SMS_77
为
Figure SMS_78
单元；
二阶段中，保留原始空间特征序列，使用上一阶段更新的隐藏层状态
Figure SMS_79
和细胞 层状态
Figure SMS_80
更新权重
Figure SMS_81
：
Figure SMS_82
权重向量
Figure SMS_83
通过softmax函数归一化获得
Figure SMS_84
时刻第
Figure SMS_85
个输入特征的初始权重
Figure SMS_86
：
Figure SMS_87
进一步获得新的空间特征序列
Figure SMS_88
：
Figure SMS_89
并更新隐藏层状态和细胞状态为：
Figure SMS_90
其中，
Figure SMS_91
为二阶段更新的隐藏层状态，
Figure SMS_92
为二阶段更新的细胞状态，
Figure SMS_93
为
Figure SMS_94
单元；
所述解码器对权重进行优化具体如下：
Figure SMS_95
其中，
Figure SMS_97
表示
Figure SMS_101
时刻第
Figure SMS_104
个输入特征的权重向量；状态向量包括 解码器的隐藏状态
Figure SMS_98
和细胞状态
Figure SMS_100
，
Figure SMS_103
表示第
Figure SMS_106
个解码器隐藏层状态，
Figure SMS_96
是偏差项，
Figure SMS_99
、
Figure SMS_102
和
Figure SMS_105
是训练参数；
Figure SMS_107
其中，
Figure SMS_108
为第
Figure SMS_109
个解码器隐藏状态的
Figure SMS_110
时刻注意力权重；对所有解码器隐藏层状态 计算时间窗口序列的加权向量
Figure SMS_111
：
Figure SMS_112
得到一阶段解码器隐藏层状态和细胞状态为：
Figure SMS_113
其中，
Figure SMS_114
为一阶段更新的隐藏层状态，
Figure SMS_115
为一阶段更新的细胞状态，
Figure SMS_116
为
Figure SMS_117
单元，
Figure SMS_118
为一阶段更新的水质在
Figure SMS_119
时刻的预测值；
二阶段中，保留原始空间特征序列，使用解码器一阶段更新的隐藏层状态
Figure SMS_120
和 细胞层状态
Figure SMS_121
更新权重
Figure SMS_122
：
Figure SMS_123
Figure SMS_124
其中，
Figure SMS_125
为第
Figure SMS_126
个解码器隐藏状态的
Figure SMS_127
时刻注意力权重；更新隐藏层状态和细胞状 态为：
Figure SMS_128
其中，
Figure SMS_129
为二阶段更新的隐藏层状态，
Figure SMS_130
为二阶段更新的细胞状态，
Figure SMS_131
为
Figure SMS_132
单元，
Figure SMS_133
二阶段更新的水质在
Figure SMS_134
时刻的预测值。
在上述算法中，由于没有明确的正则化项，可能会导致过拟合或不稳定的训练，本实施例中采用dropout对其进行正则化，提高泛化能力和稳定性：
通过每一层的权重
Figure SMS_135
建立权重矩阵
Figure SMS_136
，再将权重矩阵
Figure SMS_137
平方和加入代价函数：
Figure SMS_138
其中，
Figure SMS_139
表示权重矩阵
Figure SMS_140
的 Frobenius 范数的平方，
Figure SMS_141
是正则化参数，
Figure SMS_142
是 样本数。最终的代价函数为：
Figure SMS_143
，
Figure SMS_144
是在训练集上的代价函数。
作为本发明的一种优选技术方案：所述S4中的三维潮流动力模型使用FVCOM海洋动力模型，通过Mellor-Yamada2.5阶垂向湍流闭合模型及Smagorinsky水平湍流闭合模型对方程组进行闭合；使用sigma坐标系或通用垂向坐标系对不规则底部地形进行拟合，利用无结构三角形网格对水平计算区域进行空间离散；利用对水平三角形控制体进行通量有限体积积分的方式对控制方程进行离散求解。
作为本发明的一种优选技术方案：所述三维潮流动力模型将预测的时空数据作为输入变量，以所述S3中的融合算法为计算引擎搭建时空多源数据驱动下的河口水质预测模型实现近岸海域水质的时序预测。
本发明提供的LSTM耦合机理模型的时空多源近岸海域水质时序预测方法，与现有技术相比，其有益效果有：
本发明通过双阶段注意力权重优化机制的LSTM网络时间序列水质预测新模型；开展研究区域地表水及近岸海域水环境质量、水文气象和陆源污染物排放等不同时间尺度的时空数据统计分析；构建上述各类数据的距离矩阵和流向矩阵，利用图卷积神经网结合矩阵信息实现各空间点位的信息交互；针对河口区水质受上游来水、陆域及海域污染排放、海洋环境动力等综合作用影响，进一步建立东江三角洲-狮子洋-伶仃洋三维潮流动力模型，研究提出将三维潮流动力机理模型预测的河口区流场、温度场、盐度场等时空数据作为输入变量，以机器学习算法为计算引擎的多源时空数据河口海湾水质预测模型。开展不同时空数据输入方案下机器学习算法精准性的影响机制研究，研究制定最优的预测方案。研究成果将对河口海湾海洋环境预警预报研究具有积极的推动作用。
附图说明
图1为本发明优选实施例的方法流程图。
具体实施方式
需要说明的是，在不冲突的情况下，本实施例中的实施例及实施例中的特征可以相互组合，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。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。
参照图1，本发明优选实施例提供了一种LSTM耦合机理模型的时空多源近岸海域水质时序预测方法，包括如下步骤：
S1：采集水域监测数据并进行预处理；
S2：基于监测数据进行污染源核算；
S3：基于水质时间序列预测机器学习算法基础库，搭建双阶段注意力权重优化机制的LSTM网络时间序列水质预测新模型，并与图卷积神经网络进行融合；
S4：基于所述S3融合搭建三维潮流动力模型，实现近岸海域水质的时序预测。
所述S1中通过回归替代法进行数据处理，并对数据集进行划分和归一化处理。
所述S2中的污染源核算包括工业源核算、生活源核算、集中式污水处理厂核算和农业源核算。
所述S3中的水质时间序列预测机器学习算法基础库中包含LSTM模型、Seq2seq模型、双向循环神经网络、DA-LSTM模型和图卷积神经网络。
所述S3中，构建各空间点位的距离矩阵和流向矩阵，并通过图卷积神经网络结合矩阵信息实现各空间点位信息交互，并将图卷积神经网络输出的空间交互信息以情境信息的方式输入至双阶段注意力权重优化机制的LSTM网络时间序列水质预测新模型中。
所述图卷积神经网络基于流域海域监测点位数据、污染源数据、机理模拟的潮波动力物理场数据构成拓扑结构图，利用图的边与顶点连接的结构信息以及附属于图结构的属性信息，对隐含的图信息进行抽取，并分析各站点的空间点位信息关联性；所述图卷积神经网络搭建如下：
利用图卷积神经网络节点属性和图拓扑结构信息，对拓扑结构图进行向量表示：
Figure SMS_145
其中，
Figure SMS_147
表示节点在
Figure SMS_150
层的特征向量，
Figure SMS_153
表示节点在
Figure SMS_148
层的特征向量，
Figure SMS_151
表示 第
Figure SMS_154
层的卷积参数；
Figure SMS_156
为图的邻接矩阵，
Figure SMS_146
，
Figure SMS_149
为单位矩阵，
Figure SMS_152
为邻接矩阵的度矩阵，
Figure SMS_155
是非线性激活操作；
使用两层图卷积层对融合各空间点位信息的拓扑结构图的节点进行训练，并将节点嵌入送入softmax函数中：
Figure SMS_157
Figure SMS_158
Figure SMS_159
其中，
Figure SMS_162
表示第
Figure SMS_165
个空间点位信息维度对应的节点特征，
Figure SMS_169
表示第
Figure SMS_163
类空间点位信息 对应的节点特征，
Figure SMS_166
表示节点嵌入后的结果，
Figure SMS_170
是空间点位信息的位置索引，
Figure SMS_172
是空间点位 信息类别数，
Figure SMS_160
是标签-空间点位信息指示矩阵，当且仅当
Figure SMS_164
属于类别
Figure SMS_168
时
Figure SMS_171
为0，其余情 况为1，
Figure SMS_161
表示标签-空间点位信息指示结果；
Figure SMS_167
表示节点嵌入后输出的节点特征向量；
融入自注意力层并进行位置嵌入编码：
Figure SMS_173
其中，
Figure SMS_174
表示当前空间点位信息在空间中的位置，
Figure SMS_175
表示位置
Figure SMS_176
的
Figure SMS_177
维位置嵌入值；
对点积计算后的向量进行归一化：
Figure SMS_178
其中，
Figure SMS_181
为归一化后的点积向量，
Figure SMS_189
，
Figure SMS_190
和
Figure SMS_182
均为非线性激活函数，
Figure SMS_184
、
Figure SMS_186
、
Figure SMS_188
表示卷积层数，
Figure SMS_179
、
Figure SMS_183
和
Figure SMS_185
分别为对应卷积层数的卷积 参数，
Figure SMS_187
是
Figure SMS_180
的维度；
通过全连接隐层和softmax函数对输出结果
Figure SMS_191
进行分类预测：
Figure SMS_192
其中，
Figure SMS_193
为输出结果
Figure SMS_194
的空间特征，
Figure SMS_195
表示融合自注意力的输出向量，
Figure SMS_196
和
Figure SMS_197
均为 偏置项，
Figure SMS_198
和
Figure SMS_199
分别为对应第一层和第二层的卷积参数。
所述双阶段注意力权重优化机制的LSTM网络时间序列水质预测新模型中，对图卷积网络输出的空间特征
Figure SMS_200
进行编码，使用LSTM作为模型的基本单元对空间特征向量的权重进行优化，且每个LSTM解码单元的输入来自于起始LSTM单元的输入，其中，双阶段注意力权重优化机制的编码器基于空间注意力机制对权重进行优化，双阶段注意力权重优化机制的解码器基于时间注意力机制对权重进行优化。
所述双阶段注意力权重优化机制的LSTM网络对空间特征向量的权重优化过程中，所述编码器对权重进行优化具体如下：
一阶段中，通过引入LSTM单元相关状态来提取空间特征的权重：
Figure SMS_201
其中，
Figure SMS_203
表示
Figure SMS_207
时刻第
Figure SMS_209
个输入特征的权重向量；状态向量包括 编码器的隐藏状态
Figure SMS_204
和细胞状态
Figure SMS_206
，
Figure SMS_208
是偏差项，
Figure SMS_210
、
Figure SMS_202
和
Figure SMS_205
是训练参数；
权重向量
Figure SMS_211
通过softmax函数归一化获得
Figure SMS_212
时刻第
Figure SMS_213
个输入特征的初始权重
Figure SMS_214
：
Figure SMS_215
进一步获得新的空间特征序列
Figure SMS_216
：
Figure SMS_217
并更新隐藏层状态和细胞状态为：
Figure SMS_218
其中，
Figure SMS_219
为一阶段更新的隐藏层状态，
Figure SMS_220
为一阶段更新的细胞状态，
Figure SMS_221
为
Figure SMS_222
单元；
二阶段中，保留原始空间特征序列，使用上一阶段更新的隐藏层状态
Figure SMS_223
和细胞 层状态
Figure SMS_224
更新权重
Figure SMS_225
：
Figure SMS_226
权重向量
Figure SMS_227
通过softmax函数归一化获得
Figure SMS_228
时刻第
Figure SMS_229
个输入特征的初始权重
Figure SMS_230
：
Figure SMS_231
进一步获得新的空间特征序列
Figure SMS_232
：
Figure SMS_233
并更新隐藏层状态和细胞状态为：
Figure SMS_234
其中，
Figure SMS_235
为二阶段更新的隐藏层状态，
Figure SMS_236
为二阶段更新的细胞状态，
Figure SMS_237
为
Figure SMS_238
单元；
所述解码器对权重进行优化具体如下：
Figure SMS_239
其中，
Figure SMS_242
表示
Figure SMS_245
时刻第
Figure SMS_248
个输入特征的权重向量；状态向量包括 解码器的隐藏状态
Figure SMS_241
和细胞状态
Figure SMS_244
，
Figure SMS_247
表示第
Figure SMS_250
个解码器隐藏层状态，
Figure SMS_240
是偏差项，
Figure SMS_243
、
Figure SMS_246
和
Figure SMS_249
是训练参数；
Figure SMS_251
其中，
Figure SMS_252
为第
Figure SMS_253
个解码器隐藏状态的
Figure SMS_254
时刻注意力权重；对所有解码器隐藏层状态 计算时间窗口序列的加权向量
Figure SMS_255
：
Figure SMS_256
得到一阶段解码器隐藏层状态和细胞状态为：
Figure SMS_257
其中，
Figure SMS_258
为一阶段更新的隐藏层状态，
Figure SMS_259
为一阶段更新的细胞状态，
Figure SMS_260
为
Figure SMS_261
单元，
Figure SMS_262
为一阶段更新的水质在
Figure SMS_263
时刻的预测值；
二阶段中，保留原始空间特征序列，使用解码器一阶段更新的隐藏层状态
Figure SMS_264
和 细胞层状态
Figure SMS_265
更新权重
Figure SMS_266
：
Figure SMS_267
Figure SMS_268
其中，
Figure SMS_269
为第
Figure SMS_270
个解码器隐藏状态的
Figure SMS_271
时刻注意力权重；更新隐藏层状态和细胞状 态为：
Figure SMS_272
其中，
Figure SMS_273
为二阶段更新的隐藏层状态，
Figure SMS_274
为二阶段更新的细胞状态，
Figure SMS_275
为
Figure SMS_276
单元，
Figure SMS_277
二阶段更新的水质在
Figure SMS_278
时刻的预测值。
所述S4中的三维潮流动力模型使用FVCOM海洋动力模型，通过Mellor-Yamada2.5阶垂向湍流闭合模型及Smagorinsky水平湍流闭合模型对方程组进行闭合；使用sigma坐标系或通用垂向坐标系对不规则底部地形进行拟合，利用无结构三角形网格对水平计算区域进行空间离散；利用对水平三角形控制体进行通量有限体积积分的方式对控制方程进行离散求解。
所述三维潮流动力模型将预测的时空数据作为输入变量，以所述S3中的融合算法为计算引擎搭建时空多源数据驱动下的河口水质预测模型实现近岸海域水质的时序预测。
本实施例中，以珠江口及其近邻海域丰富的监测调查数据资源为例，选定东江三角洲-狮子洋河口区为研究区域，东莞近岸海域东江北干流浮标、东江南支流浮标、黄唇鱼保护区浮标、东宝河浮标为目标预测点位。针对环境监测数据可能存在的缺失问题，拟采用回归替代法进行数据预处理，进一步开展数据集划分和归一化工作。将数据集按时间顺序划分为训练集、验证集及测试集三个子集。训练集用于训练模型，找出最佳的模型参数，验证集对训练模型进行筛选，测试集用于对训练好的模型进行性能评估。为了加快梯度下降速度，将水质参数按公式进行归一化，使用最大最小标准化将所有输入参数缩放到[0,1]范围内。
收集整理水资源公报、环境质量公报、第二次污染源污普、环境统计、排污许可、污水处理厂运行、统计年鉴等数据，开展工业源、农业源、生活源核算。分别进行：工业源核算、生活源核算、集中式污水处理厂核算和农业源核算。
基于拥有LSTM、Bi-LSTM、seq2seq、Bi-seq2seq、DA-LSTM、DAIW-LSTM、GCN等算法的水质时间序列预测机器学习算法基础库搭建双阶段注意力权重优化机制的LSTM网络时间序列水质预测新模型。针对水环境质量数据在时间和空间维度上的复杂依赖关系，深入挖掘河口区水质浮标与入海河流断面及上游来水水质断面、水文站点、陆域各源污染负荷输入的空间影响关系，构建各空间点位的距离矩阵和流向矩阵，并通过图卷积神经网络结合矩阵想实现各空间点位的信息交互，并将图卷积神经网络输出的空间交互信息以情境信息的方式输入至时间序列预测机器学习算法中，开展图卷积神经网与时间序列预测机器学习算法融合的研究。其中，图卷积神经网络基于流域海域监测点位数据、污染源数据、机理模拟的潮波动力物理场数据构成拓扑结构图，利用图的边与顶点连接的结构信息以及附属于图结构的属性信息，对隐含的图信息进行抽取，进而分析各站点的空间关联性；所述图卷积神经网络搭建如下：
利用图卷积神经网络节点属性和图拓扑结构信息，对活动图进行向量表示：
Figure SMS_279
其中，
Figure SMS_281
表示节点在6层的特征向量，
Figure SMS_285
表示节点在
Figure SMS_288
层的特征向量，
Figure SMS_282
表示第
Figure SMS_283
层 的卷积参数；
Figure SMS_286
为图的邻接矩阵，
Figure SMS_289
，
Figure SMS_280
为单位矩阵，
Figure SMS_284
为邻接矩阵的度矩阵，
Figure SMS_287
是非 线性激活操作；
使用两层图卷积层对融合各空间点位信息的拓扑结构图的节点进行训练，并将节点嵌入送入softmax函数中：
Figure SMS_290
Figure SMS_291
Figure SMS_292
其中，
Figure SMS_295
表示第
Figure SMS_299
个空间点位信息维度对应的节点特征，
Figure SMS_302
表示第
Figure SMS_296
类空间点位信息 对应的节点特征，
Figure SMS_298
表示节点嵌入后的结果，
Figure SMS_301
是空间点位信息的位置索引，20是空间点位 信息类别数，
Figure SMS_304
是标签-空间点位信息指示矩阵，当且仅当
Figure SMS_293
属于类别
Figure SMS_297
时
Figure SMS_300
为0，其余情 况为1，
Figure SMS_303
表示标签-空间点位信息指示结果；
Figure SMS_294
表示节点嵌入后输出的节点特征向量；
融入自注意力层并进行位置嵌入编码：
Figure SMS_305
其中，
Figure SMS_306
表示当前空间点位信息在空间中的位置，
Figure SMS_307
表示位置
Figure SMS_308
的
Figure SMS_309
维位置嵌入值；
对点积计算后的向量进行归一化：
Figure SMS_310
其中，
Figure SMS_312
为归一化后的点积向量，
Figure SMS_315
，
Figure SMS_318
和
Figure SMS_314
均为非线性激活函数，
Figure SMS_317
、
Figure SMS_320
、
Figure SMS_322
表示卷积层数，
Figure SMS_311
、
Figure SMS_316
和
Figure SMS_319
分别为对应卷积层数的卷积 参数，
Figure SMS_321
是
Figure SMS_313
的维度；
通过全连接隐层和softmax函数对输出结果
Figure SMS_323
进行分类预测：
Figure SMS_324
其中，
Figure SMS_325
为输出结果
Figure SMS_326
的分类预测结果，
Figure SMS_327
表示融合自注意力的输出向量，
Figure SMS_328
和
Figure SMS_329
均为偏置项，
Figure SMS_330
和
Figure SMS_331
分别为对应第一层和第二层的卷积参数。
双阶段注意力权重优化机制的LSTM网络时间序列水质预测新模型基于DA-LSTM模型，对空间特征
Figure SMS_332
进行编码，使用LSTM作为模型的基本单元，每个LSTM解码单元的输入来自于起始LSTM单元的输入，采用双阶段注意力权重优化机制的LSTM网络对空间特征向量的权重进行优化，其中，编码器基于空间注意力机制对权重进行优化，空间注意机制可以自适应地选择相关的特征0序列，这意味着在T时刻处，与预测值最相关的输入特征将被筛选并在训练过程中赋予较高的权重。同时，注意力机制为模型提供了另一层参数，可以提供更多的非线性组合，从而避免模型训练过程陷入局部最优。但注意力机制将需要更多的训练时间来进行计算，而时间注意机制可以捕获已编码的输入特征时间信息，这有助于模型自动确定不同时刻的输入特征如何在整个时间序列中影响对象分类结果，故解码器基于时间注意力机制对权重进行优化。
其中，以
Figure SMS_333
时刻第5个输入特征为例，编码器对权重进行优化具体如下：
一阶段中，通过引入LSTM单元相关状态来提取空间特征的权重：
Figure SMS_334
其中，
Figure SMS_336
表示
Figure SMS_338
时刻第5个输入特征的权重向量；状态向量包括编码器的 隐藏状态
Figure SMS_340
和细胞状态
Figure SMS_337
，
Figure SMS_339
是偏差项，
Figure SMS_341
、
Figure SMS_342
和
Figure SMS_335
是训练参数；
权重向量
Figure SMS_343
通过softmax函数归一化获得
Figure SMS_344
时刻第5个输入特征的初始权重
Figure SMS_345
：
Figure SMS_346
进一步获得新的空间特征序列
Figure SMS_347
：
Figure SMS_348
并更新隐藏层状态和细胞状态为：
Figure SMS_349
其中，
Figure SMS_350
为更新的隐藏层状态，
Figure SMS_351
为更新的细胞状态，
Figure SMS_352
为
Figure SMS_353
单元；
二阶段中，保留原始空间特征序列，使用上一阶段更新的隐藏层状态
Figure SMS_354
和细胞 层状态
Figure SMS_355
更新权重
Figure SMS_356
：
Figure SMS_357
权重向量
Figure SMS_358
通过softmax函数归一化获得
Figure SMS_359
时刻第5个输入特征的初始权重
Figure SMS_360
：
Figure SMS_361
进一步获得新的空间特征序列
Figure SMS_362
：
Figure SMS_363
并更新隐藏层状态和细胞状态为：
Figure SMS_364
其中，
Figure SMS_365
为更新的隐藏层状态，
Figure SMS_366
为更新的细胞状态，
Figure SMS_367
为
Figure SMS_368
单元；
每个LSTM解码单元的输入不是来自于上一单元的输出，而是来自起始LSTM单元的输入，这里借鉴了残差神经网络的逻辑结构的思想。
以第6个解码器为例，解码器对权重进行优化具体如下：
Figure SMS_369
其中，
Figure SMS_372
表示
Figure SMS_374
时刻第6个输入特征的权重向量；状态向量包括编码器的 隐藏状态
Figure SMS_376
和细胞状态
Figure SMS_371
，
Figure SMS_375
表示第6个编码器隐藏层状态，
Figure SMS_377
是偏差项，
Figure SMS_378
、
Figure SMS_370
和
Figure SMS_373
是 训练参数；
Figure SMS_379
其中，
Figure SMS_380
为第6个编码器隐藏状态
Figure SMS_381
时刻注意力权重；对所有编码器隐藏层状态计 算时间窗口序列的加权向量
Figure SMS_382
：
Figure SMS_383
得到一阶段解码器隐藏层状态和细胞状态为：
Figure SMS_384
其中，
Figure SMS_385
为更新的隐藏层状态，
Figure SMS_386
为更新的细胞状态，
Figure SMS_387
为
Figure SMS_388
单元，
Figure SMS_389
为一 阶段更新的水质在
Figure SMS_390
时刻的预测值；
二阶段中，保留原始空间特征序列，使用解码器一阶段更新的隐藏层状态
Figure SMS_391
和 细胞层状态
Figure SMS_392
更新权重
Figure SMS_393
：
Figure SMS_394
Figure SMS_395
其中，
Figure SMS_396
为第6个编码器隐藏状态
Figure SMS_397
时刻注意力权重；更新隐藏层状态和细胞状态 为：
Figure SMS_398
其中，
Figure SMS_399
为更新的隐藏层状态，
Figure SMS_400
为更新的细胞状态，
Figure SMS_401
为
Figure SMS_402
单元，
Figure SMS_403
二阶段更 新的水质在
Figure SMS_404
时刻的预测值。
基于融合的图卷积神经网与时间序列预测机器学习算法，建立东江三角洲-狮子洋-伶仃洋三维潮流动力模型，三维潮流动力模型使用FVCOM海洋动力模型，主要包含动量方程、质量连续方程以及温度、盐度和密度方程。收集整理狮子洋、内伶仃洋及其浅海区水文站数据构建上边界条件，包括珠江的黄埔站，沙湾水道的三沙口站，东江的大盛、麻涌、彰澎和泗盛围，及蕉门水道的南沙，洪奇沥的冯马庙（二），横门水道的横门等站。采用网格嵌套技术，基于珠江口及毗邻海域水动力模型提供金门星、内伶仃岛、赤湾一线的下边界潮位数据。收集整理珠江河口赤湾、泗盛围和黄埔3个潮位站潮位时间序列数据。收集狮子洋、内伶仃洋及其浅海区的高精度海图资料。将海图数字化。风速、风向等海表面驱动条件采用欧洲中期天气预报中心（ECMWF) 的再分析气象数据。基于稳定成熟的近岸海域三维水环境模型——FVCOM，采用非结构化网格技术，对复杂岸线进行高精度拟合，对入海河口区进行局部加密，垂向方向上采用地形跟踪坐标，更好的模拟不规则底部地形。通过Mellor-Yamada2.5阶垂向湍流闭合模型及Smagorinsky水平湍流闭合模型对方程组进行闭合；使用sigma坐标系或通用垂向坐标系对不规则底部地形进行拟合，利用无结构三角形网格对水平计算区域进行空间离散；利用对水平三角形控制体进行通量有限体积积分的方式对控制方程进行离散求解。基于研究区域两季的水文调查数据，对模型进行率定验证。将三维潮流动力机理模型预测的河口区流场、温度场、盐度场等时空数据作为输入变量，以机器学习算法为计算引擎的时空多源数据驱动下的河口区水质预测模型。在系统研究不同种时空数据输入方案对预测效果的影响的基础上，探究影响河口区主要水质指标预测的关键驱动因子，研究制定不同预报周期（日预报、周预报、月预报）下的最优预测方案。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (9)

1.一种LSTM耦合机理模型的时空多源近岸海域水质时序预测方法，其特征在于：包括如下步骤：
S1：采集水域监测数据并进行预处理；
S2：基于监测数据进行污染源核算；
S3：基于水质时间序列预测机器学习算法基础库，搭建双阶段注意力权重优化机制的LSTM网络时间序列水质预测新模型，并与图卷积神经网络进行融合；
S4：基于所述S3融合搭建三维潮流动力模型，实现近岸海域水质的时序预测。
2.根据权利要求1所述的LSTM耦合机理模型的时空多源近岸海域水质时序预测方法，其特征在于：所述S1中通过回归替代法进行数据处理，并对数据集进行划分和归一化处理。
3.根据权利要求1所述的LSTM耦合机理模型的时空多源近岸海域水质时序预测方法，其特征在于：所述S2中的污染源核算包括工业源核算、生活源核算、集中式污水处理厂核算和农业源核算。
4.根据权利要求1所述的LSTM耦合机理模型的时空多源近岸海域水质时序预测方法，其特征在于：所述S3中的水质时间序列预测机器学习算法基础库中包含LSTM模型、Seq2seq模型、双向循环神经网络、DA-LSTM模型和图卷积神经网络。
5.根据权利要求4所述的LSTM耦合机理模型的时空多源近岸海域水质时序预测方法，其特征在于：所述S3中，构建各空间点位的距离矩阵和流向矩阵，并通过图卷积神经网络结合矩阵信息实现各空间点位信息交互，并将图卷积神经网络输出的空间交互信息以情境信息的方式输入至双阶段注意力权重优化机制的LSTM网络时间序列水质预测新模型中。
6.根据权利要求5所述的LSTM耦合机理模型的时空多源近岸海域水质时序预测方法，其特征在于：所述图卷积神经网络基于流域海域监测点位数据、污染源数据、机理模拟的潮波动力物理场数据构成拓扑结构图，利用图的边与顶点连接的结构信息以及附属于图结构的属性信息，对隐含的图信息进行抽取，并分析各站点的空间点位信息关联性。
7.根据权利要求5所述的LSTM耦合机理模型的时空多源近岸海域水质时序预测方法，其特征在于：所述双阶段注意力权重优化机制的LSTM网络时间序列水质预测新模型中，对图卷积网络输出的空间特征
Figure QLYQS_1
进行编码，使用LSTM作为模型的基本单元对空间特征向量的权重进行优化，且每个LSTM解码单元的输入来自于起始LSTM单元的输入，其中，双阶段注意力权重优化机制的编码器基于空间注意力机制对权重进行优化，双阶段注意力权重优化机制的解码器基于时间注意力机制对权重进行优化。
8.根据权利要求1所述的LSTM耦合机理模型的时空多源近岸海域水质时序预测方法，其特征在于：所述S4中的三维潮流动力模型使用FVCOM海洋动力模型，通过Mellor-Yamada2.5阶垂向湍流闭合模型及Smagorinsky水平湍流闭合模型对方程组进行闭合；使用sigma坐标系或通用垂向坐标系对不规则底部地形进行拟合，利用无结构三角形网格对水平计算区域进行空间离散；利用对水平三角形控制体进行通量有限体积积分的方式对控制方程进行离散求解。
9.根据权利要求8所述的LSTM耦合机理模型的时空多源近岸海域水质时序预测方法，其特征在于：所述三维潮流动力模型将预测的时空数据作为输入变量，以所述S3中的融合算法为计算引擎搭建时空多源数据驱动下的河口水质预测模型实现近岸海域水质的时序预测。
CN202310485307.4A 2023-05-04 2023-05-04 一种lstm耦合机理模型的时空多源近岸海域水质时序预测方法 Active CN116187210B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310485307.4A CN116187210B (zh) 2023-05-04 2023-05-04 一种lstm耦合机理模型的时空多源近岸海域水质时序预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310485307.4A CN116187210B (zh) 2023-05-04 2023-05-04 一种lstm耦合机理模型的时空多源近岸海域水质时序预测方法

Publications (2)

Publication Number Publication Date
CN116187210A true CN116187210A (zh) 2023-05-30
CN116187210B CN116187210B (zh) 2023-07-21

Family

ID=86442655

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310485307.4A Active CN116187210B (zh) 2023-05-04 2023-05-04 一种lstm耦合机理模型的时空多源近岸海域水质时序预测方法

Country Status (1)

Country Link
CN (1) CN116187210B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117236199A (zh) * 2023-11-14 2023-12-15 水利部交通运输部国家能源局南京水利科学研究院 城市水网区域河湖水质提升与水安全保障方法及系统
CN117892983A (zh) * 2024-03-14 2024-04-16 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) 近岸海域陆源污染负荷分配确定方法及系统
CN118710855A (zh) * 2024-08-28 2024-09-27 江苏久智环境科技服务有限公司 一种基于景观三维场景的长时序对比分析方法及装置

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106777987A (zh) * 2016-12-20 2017-05-31 南京大学 基于水动力、水质和som的河流水量聚类及水质评价方法
US20190303755A1 (en) * 2018-04-02 2019-10-03 International Business Machines Corporation Water quality prediction
US20190312898A1 (en) * 2018-04-10 2019-10-10 Cisco Technology, Inc. SPATIO-TEMPORAL ANOMALY DETECTION IN COMPUTER NETWORKS USING GRAPH CONVOLUTIONAL RECURRENT NEURAL NETWORKS (GCRNNs)
CN112381292A (zh) * 2020-11-13 2021-02-19 福州大学 一种顾及时空相关性和气象因素的河流水质预测方法
CN113487088A (zh) * 2021-07-06 2021-10-08 哈尔滨工业大学（深圳） 基于动态时空图卷积注意力模型的交通预测方法及装置
CN114201570A (zh) * 2021-12-14 2022-03-18 深圳中兴网信科技有限公司 河网水质的监测方法、装置和可读存储介质
CN114332639A (zh) * 2021-11-30 2022-04-12 中国人民解放军战略支援部队航天工程大学 一种非线性残差自注意力机制的卫星姿态视觉测量算法
CN114330671A (zh) * 2022-01-06 2022-04-12 重庆大学 一种基于Transformer时空图卷积网络的交通流预测方法
CN114330868A (zh) * 2021-12-27 2022-04-12 西北工业大学 基于自注意力的个性化增强图卷积网络的客流预测方法
CN114358435A (zh) * 2022-01-11 2022-04-15 北京工业大学 双阶段时空注意力机制的污染源-水质预测模型权重影响计算方法
CN114564991A (zh) * 2022-02-28 2022-05-31 合肥工业大学 基于Transformer引导卷积神经网络的脑电信号分类方法
CN114662788A (zh) * 2022-04-19 2022-06-24 广东海洋大学 一种海水水质三维时空序列多参数精准预测方法及系统
CN114998296A (zh) * 2022-06-24 2022-09-02 常州大学 一种基于改进Unet网络的甲状腺结节分割方法
CN115050376A (zh) * 2022-06-10 2022-09-13 华南农业大学 基于Transformer声谱图特征学习的母牛发情检测方法及装置
CN115223082A (zh) * 2022-07-19 2022-10-21 重庆邮电大学 一种基于时空多尺度Transformer的航拍视频分类方法
CN115238941A (zh) * 2022-03-09 2022-10-25 生态环境部华南环境科学研究所 基于双阶段注意力权重优化机制的地表水水质预测方法
CN115796007A (zh) * 2022-11-15 2023-03-14 中山大学·深圳 一种基于时空图网络的交通流量预测方法
CN115953907A (zh) * 2022-12-07 2023-04-11 城云科技（中国）有限公司 基于时空门控图卷积网络的交通速度预测方法及其应用
CN115953900A (zh) * 2022-12-30 2023-04-11 湖北武荆高速公路发展有限公司 一种基于多维度时间和空间依赖挖掘的交通流量预测方法

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106777987A (zh) * 2016-12-20 2017-05-31 南京大学 基于水动力、水质和som的河流水量聚类及水质评价方法
US20190303755A1 (en) * 2018-04-02 2019-10-03 International Business Machines Corporation Water quality prediction
US20190312898A1 (en) * 2018-04-10 2019-10-10 Cisco Technology, Inc. SPATIO-TEMPORAL ANOMALY DETECTION IN COMPUTER NETWORKS USING GRAPH CONVOLUTIONAL RECURRENT NEURAL NETWORKS (GCRNNs)
CN112381292A (zh) * 2020-11-13 2021-02-19 福州大学 一种顾及时空相关性和气象因素的河流水质预测方法
CN113487088A (zh) * 2021-07-06 2021-10-08 哈尔滨工业大学（深圳） 基于动态时空图卷积注意力模型的交通预测方法及装置
CN114332639A (zh) * 2021-11-30 2022-04-12 中国人民解放军战略支援部队航天工程大学 一种非线性残差自注意力机制的卫星姿态视觉测量算法
CN114201570A (zh) * 2021-12-14 2022-03-18 深圳中兴网信科技有限公司 河网水质的监测方法、装置和可读存储介质
CN114330868A (zh) * 2021-12-27 2022-04-12 西北工业大学 基于自注意力的个性化增强图卷积网络的客流预测方法
CN114330671A (zh) * 2022-01-06 2022-04-12 重庆大学 一种基于Transformer时空图卷积网络的交通流预测方法
CN114358435A (zh) * 2022-01-11 2022-04-15 北京工业大学 双阶段时空注意力机制的污染源-水质预测模型权重影响计算方法
CN114564991A (zh) * 2022-02-28 2022-05-31 合肥工业大学 基于Transformer引导卷积神经网络的脑电信号分类方法
CN115238941A (zh) * 2022-03-09 2022-10-25 生态环境部华南环境科学研究所 基于双阶段注意力权重优化机制的地表水水质预测方法
CN114662788A (zh) * 2022-04-19 2022-06-24 广东海洋大学 一种海水水质三维时空序列多参数精准预测方法及系统
CN115050376A (zh) * 2022-06-10 2022-09-13 华南农业大学 基于Transformer声谱图特征学习的母牛发情检测方法及装置
CN114998296A (zh) * 2022-06-24 2022-09-02 常州大学 一种基于改进Unet网络的甲状腺结节分割方法
CN115223082A (zh) * 2022-07-19 2022-10-21 重庆邮电大学 一种基于时空多尺度Transformer的航拍视频分类方法
CN115796007A (zh) * 2022-11-15 2023-03-14 中山大学·深圳 一种基于时空图网络的交通流量预测方法
CN115953907A (zh) * 2022-12-07 2023-04-11 城云科技（中国）有限公司 基于时空门控图卷积网络的交通速度预测方法及其应用
CN115953900A (zh) * 2022-12-30 2023-04-11 湖北武荆高速公路发展有限公司 一种基于多维度时间和空间依赖挖掘的交通流量预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JIEYANG PENG ET AL: "Dual-stage attention-based long-short-term memory neural networks for energy demand prediction", ENERGY & BUILDINGS, pages 1 - 11 *
扶磊: "基于FVCOM模型模拟巢湖的水动力和水质过程", 中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑, pages 027 - 1047 *
陈颖: "基于图神经网络的地表水水质预测研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑, pages 027 - 655 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117236199A (zh) * 2023-11-14 2023-12-15 水利部交通运输部国家能源局南京水利科学研究院 城市水网区域河湖水质提升与水安全保障方法及系统
CN117236199B (zh) * 2023-11-14 2024-02-09 水利部交通运输部国家能源局南京水利科学研究院 城市水网区域河湖水质提升与水安全保障方法及系统
CN117892983A (zh) * 2024-03-14 2024-04-16 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) 近岸海域陆源污染负荷分配确定方法及系统
CN117892983B (zh) * 2024-03-14 2024-05-28 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) 近岸海域陆源污染负荷分配确定方法及系统
CN118710855A (zh) * 2024-08-28 2024-09-27 江苏久智环境科技服务有限公司 一种基于景观三维场景的长时序对比分析方法及装置

Also Published As

Publication number Publication date
CN116187210B (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
CN116187210B (zh) 一种lstm耦合机理模型的时空多源近岸海域水质时序预测方法
CN117236673B (zh) 城市水网多尺度防洪排涝联合优化调度方法和系统
Hu et al. Multi-objective ecological reservoir operation based on water quality response models and improved genetic algorithm: A case study in Three Gorges Reservoir, China
CN117236199B (zh) 城市水网区域河湖水质提升与水安全保障方法及系统
CN118332937B (zh) 一种新能源气象大模型构建方法、装置及功率预测方法
Lin et al. Sustainability analysis of the urban ecosystem in Guangzhou City based on information entropy between 2004 and 2010
CN113642699A (zh) 一种江河洪水智能预报系统
CN115879498A (zh) 一种基于图神经网络的海洋环境参数快速精细化预报方法
Liao et al. Air quality prediction by integrating mechanism model and machine learning model
CN116467933A (zh) 基于深度学习的风暴潮增水预测方法及系统
CN117709580A (zh) 一种基于setr与地理网格的海洋承灾体脆弱性评价方法
Oladipo et al. An Improved Particle Swarm Optimization and Adaptive Neuro‐Fuzzy Inference System for Predicting the Energy Consumption of University Residence
CN114782740A (zh) 结合遗传优化与极端梯度提升的遥感水质监测方法
Li et al. Comparative analysis of land use change prediction models for land and fine wetland types: Taking the wetland cities Changshu and Haikou as examples
Sozen et al. Modelling of Turkey's net energy consumption using artificial neural network
Akhter et al. Climate modeling of Jhelum River Basin–a comparative study
Lv et al. Research on short-term load forecasting approach for smart grid
Gao et al. Assessment of water resources carrying capacity using chaotic particle swarm genetic algorithm
Wan et al. Smart decision-making systems for the precise management of water environments
Castro et al. State of the art on artificial intelligence in land use simulation
CN113408191A (zh) 一种基于图自监督学习的pm2.5预测方法及存储介质
Lin An intelligent fault diagnosis model of WSN based on artificial immune system
Jang et al. Spatiotemporal algal bloom prediction of geum river, Korea using the deep learning models in company with the EFDC model
Wan et al. Energy efficiency optimization and carbon emission reduction targets of resource-based cities based on BiLSTM-CNN-GAN model
CN115204437A (zh) 基于记忆图卷积网络的海表面温度预报方法

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
GR01 Patent grant
GR01 Patent grant