CN116757313A - 水质预测模型的训练方法、水质预测方法与装置 - Google Patents
水质预测模型的训练方法、水质预测方法与装置 Download PDFInfo
- Publication number
- CN116757313A CN116757313A CN202310646144.3A CN202310646144A CN116757313A CN 116757313 A CN116757313 A CN 116757313A CN 202310646144 A CN202310646144 A CN 202310646144A CN 116757313 A CN116757313 A CN 116757313A
- Authority
- CN
- China
- Prior art keywords
- water quality
- quality prediction
- layer
- prediction model
- training
- 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 158
- 238000012549 training Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000011176 pooling Methods 0.000 claims abstract description 20
- 230000002068 genetic effect Effects 0.000 claims abstract description 18
- 238000012795 verification Methods 0.000 claims abstract description 16
- 238000013518 transcription Methods 0.000 claims abstract description 14
- 230000035897 transcription Effects 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 7
- 230000015654 memory Effects 0.000 claims description 14
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 5
- 229910052760 oxygen Inorganic materials 0.000 claims description 5
- 239000001301 oxygen Substances 0.000 claims description 5
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 229910002651 NO3 Inorganic materials 0.000 claims description 3
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 claims description 3
- IOVCWXUNBOPUCH-UHFFFAOYSA-M Nitrite anion Chemical compound [O-]N=O IOVCWXUNBOPUCH-UHFFFAOYSA-M 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006866 deterioration Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- -1 pH value Chemical compound 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- 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)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
Abstract
本发明提供一种水质预测模型的训练方法、水质预测方法与装置。包括:获取某一水质的历史指标数据;将历史指标数据划分为训练集、验证集;根据训练集训练初始水质预测模型,利用验证集对训练后的水质预测模型参数进行调整,得到训练好的水质预测模型;初始水质预测模型包括:一维卷积层、最大池化层、循环层、转录层;其中,所述一维卷积层为采用遗传算法对卷积循环神经网络的卷积核大小、数量、步长进行优化后,得到一维卷积层。本发明通过一维卷积层、最大池化层、循环层、转录层构成水质预测模型,使得水质的预测结果更加精确;通过遗传优化算法优化后的一维卷积层,进一步提高了水质的预测精度。
Description
技术领域
本发明涉及水质检测技术领域,尤其涉及一种水质预测模型的训练方法、水质预测方法与装置。
背景技术
水质预测是根据水质实时监测数据,运用水质数学模型对水体的水质在未来一段时间内的变化做出的预测;随着工业化和农业化进程的推进,水环境与水生态问题日益突出,成为世界范围内高度关注的共同问题。尤其是水环境恶化对国家经济的发展产生严重影响和制约,为了控制水环境恶化的情况,掌握水质现状及其发展趋势,需要对水质进行预测。
然而,现有的水质预测方法精度不够高。
发明内容
本发明提供一种一种水质预测模型的训练方法、水质预测方法与装置,用以解决现有技术中水质预测精度低的缺陷,实现高精度的水质预测。
本发明提供一种水质预测模型的训练方法,包括:
获取某一水域水质的历史指标数据;
将所述历史指标数据划分为训练集、验证集;
根据所述训练集训练初始水质预测模型,利用所述验证集对训练后的水质预测模型参数进行调整,得到训练好的水质预测模型;
所述初始水质预测模型包括:一维卷积层、最大池化层、循环层、转录层;
其中,所述一维卷积层为采用遗传算法对卷积循环神经网络的卷积核大小、数量、步长进行优化后,得到一维卷积层。
根据本发明提供的一种水质预测模型的训练方法,所述循环层用于利用长短时记忆网络预测从最大池化层获取的特征序列的真实标签分布;所述循环层为采用遗传算法对其长短时记忆网络的神经元数目以及时间窗宽优化后的循环层。
根据本发明提供的一种水质预测模型的训练方法,所述一维卷积层用于通过卷积核对所述历史指标数据进行特征提取。
根据本发明提供的一种水质预测模型的训练方法,所述最大池化层用于对卷积层所提取的特征做进一步降维。
根据本发明提供的一种水质预测模型的训练方法,所述转录层用于从循环层获取的标签分布转换成最终的预测结果。
根据本发明提供的一种水质预测模型的训练方法,所述历史指标数据包括:温度、溶解氧、pH值、氨氮、亚硝酸盐以及硝酸盐对应的数据。
一种水质预测方法,包括:
获取待预测的水质指标数据;
将所述待预测的水质指标数据输入训练好的水质预测模型,并获取水质预测结果。
一种水质预测模型的训练装置,包括:
获取单元,用于获取某一水质的历史指标数据;
划分单元,用于将所述历史指标数据划分为训练集、验证集;
训练单元,用于根据所述训练集训练初始水质预测模型,利用所述验证集对训练后的水质预测模型参数进行调整,得到训练好的水质预测模型;
所述初始水质预测模型包括:一维卷积层、最大池化层、循环层、转录层;
其中,所述一维卷积层为采用遗传算法对其卷积核大小、数量、步长进行优化后,得到一维卷积层。
一种水质预测装置,包括:
获取单元,用于获取待预测的水质指标数据;
预测单元,用于将所述待预测的水质指标数据输入训练好的水质预测模型,并获取水质预测结果。
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水质预测模型的训练方法或者所述水质预测方法。
本发明提供的水质预测模型的训练方法、水质预测方法与装置,该方法通过一维卷积层、最大池化层、循环层、转录层构成水质预测模型,使得水质的预测结果更加精确;同时,本发明通过使用遗传优化算法对卷积循环神经网络的卷积核大小、数量、步长进行优化,得到了优化后的一维卷积层,并用该最优化的一维卷积层对水质进行预测,进一步提高了水质的预测结果。
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一简单地介绍,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为本发明提供的水质预测模型的训练方法流程图;
图2为本发明利用遗传算法优化一维卷积层、循环层的超参数的方法流程图;
图3为发明的提供的水质预测方法流程图;
图4为本发明提供的水质预测模型的训练装置示意图;
图5为本发明提供的水质预测装置示意图;
图6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作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。
图1为本发明提供的水质预测模型的训练方法流程图,如图1所示,该方法包括一下步骤:
步骤101:获取某一水域水质的历史指标数据。
具体地,获取影响水域水质的因素指标,主要包括温度、溶解氧、pH值、氨氮、亚硝酸盐、硝酸盐。获取某一指标30天内的历史时间序列,对数据历史时间序列进行预处理,归一化处理,并将处理后的数据作为样本集按照7:3的比例构建训练集和测试集。
步骤102:将所述历史指标数据划分为训练集、验证集。
步骤103:根据所述训练集训练初始水质预测模型,利用所述验证集对训练后的水质预测模型参数进行调整,得到训练好的水质预测模型;所述初始水质预测模型包括:一维卷积层、最大池化层、循环层、转录层。所述一维卷积层为采用遗传算法对卷积循环神经网络的卷积核大小、数量、步长进行优化后,得到一维卷积层。
具体地,本发明使用遗传优化算法对一维卷积层的卷积核大小、数量、步长进行优化,得到最优超参数,然后利用该最优超参数构建得到所述一维卷积层。所述一维卷积层用于通过卷积核对数据进行深层的特征提取:通过一维卷积层自动提取水质时间特征序列,得到表达能力远远大于原始数据的时间序列数据。
所述最大池化层用于对卷积层输出数据进行子序列提取与最大计算:将卷积层提取的特征送入最大池化层,最大池化层对卷积层所提取的信息做更一步降维,减少计算量,并加强特征的不变性,得到最终的特征参数。
循环层利用长短时记忆网络预测从最大池化层获取的特征序列的真实值分布。
所述转录层用于将从循环层获取的标签分布转换成最终的预测结果。
图2为本发明利用遗传算法优化一维卷积层、循环层的超参数的方法流程图,如图2所示,所述一维卷积层为采用遗传算法对其卷积核大小、数量、步长进行优化后,得到一维卷积层。所述循环层为采用遗传算法对其长短时记忆网络的神经元数目以及时间窗宽优化后的循环层。
其中,遗传算法包括以下步骤:
初始化:采用实数编码生成初始群体P(0)。
个体评价:利用基于序的适应度函数计算群体P(t)中各个个体的适应度
选择运算:将“轮盘赌”选择法作用于群体。把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。
交叉运算:将群体P(t)中选中的各个个体随机搭配,对每一对个体,以交叉概率Pc交换它们之间的部分染色体。
变异运算:首先,对种群中所有个体按事先设定的变异概率判断是否进行变异;然后,对进行变异的个体随机选择变异位进行变异。
终止条件判断:群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t+1)。
若t=T,则以进化过程中所得到的具有最大适应度个体作为最优解输出,终止计算。
其中,使用一维的卷积神经网络的卷积核作为窗口,利用滑动窗口算法在时间序列数据上就行特征提取,时间序列数据与卷积神经网络是采用卷积的计算方法。一维卷积层的计算步骤包括:
一维卷积层过程包括将卷积核中的每个元素与输入数据子区域中的相应元素相乘,并将乘积相加以获得特征图中的一个元素。
每次计算后,子区域将按照特定的步长移动,直到输入数据中的所有元素都计算完毕。
最后,通过一维卷积运算得到输入数据的特征。
xout=f(Conv1D(W,xin))
式中:xout是卷积运算的输出;xin是卷积运算的输入;f是激活函数;Conv1D是一维卷积运算;W是卷积核的权值。
其中,从卷积层得到的特征进入池化层,进一步过滤数据中,对预测没有用的噪声信息以此优化最终的效果。最大池化层公式:
式中:为输出特征图的大小;/>为输入特征图的大小;padding是决定卷积核起始位置和结束位置的变量;Sf为卷积核的大小;stride为卷积核遍历输入的步长。
下面对循环层中利用到的长短时记忆网络进行介绍。
长短时记忆网络,包括遗忘门、输入门、状态更新、输出门。LSTM的遗忘门通过sigmoid函数决定哪些信心会被遗忘,经过sigmoid函数,会输出0~1之间的一个值,这个值会和前一次的细胞状态进行点乘,从而决定遗忘或者保留;LSTM的输入门决定哪些新的信息会被保留,这个过程有两个步骤:输入信息经过sigmoid层决定哪些信息会被更新;tanh会生成一个新的候选向量,后续会被添加到细胞状态中;状态更新中旧的细胞状态和遗忘门结果相乘,然后加上输入门和tanh相乘的结果;LSTM的输出决定哪些信息会被输出,同样这个输出经过变换之后会通过sigmoid函数的结果来决定哪些细胞状态会被输出。给定输入时间序列X={x1,x2,…,xt},长短时记忆网络计算公式为:
ft=σ(Wf*[ht-1,xt]+bf)
式中:ft表示遗忘门输出;σ表示sigmoid函数;Wf表示权重矩阵;ht-1表示上一时刻模块的输出;bf表示偏置。
it=σ(Wi*[ht-1,xt]+bi)
式中:it表示输入门输出;Wi,WC表示权重矩阵;bi,bC表示偏置;表示候选值的向量。
式中:Ct为更新后的状态。
ot=σ(Wo*[ht-1,xt]+bo)
ht=ot*tanh(Ct)
式中:ot表示输出门输出;Wo表示权重矩阵;bo表示偏置;ht为此时刻的模块输出。
所述转录层用于扩展LSTM的输出层,在输出序列和最终标签之间增加多对一的空间映射,并在此基础上定义CTC Loss函数;借鉴HMM(Hidden Markov Model)的Forward-Backward算法思路,利用动态规划算法有效地计算CTC Loss函数及其导数;结合CTCDecoding算法RNN可以有效地对序列数据进行预测。
本发明提供的水质预测模型可应用于河流不同流域的PH值、溶解氧(DO)、电导率(EC)、浊度(TU)、氨氮(NH3-N)、化学需氧量(COD)、总磷(TP)、总氮(TN)、高锰酸盐指数等水质参数的预测,实现相关水质数据的精确预测,便于多水源监管、水质预警、水污染治理。
图3为发明的提供的水质预测方法流程图,如图3所示,该方法包括:
步骤301:获取待预测的水质指标数据。
步骤302:将所述待预测的水质指标数据输入训练好的水质预测模型,并获取水质预测结果。
具体地,获取目标区域的水质数据,通过归一化的方式预处理所述目标区域的水质数据,将归一化后的水质数据输入水质预测模型,得到输出数据,然后将该输出数据反归一化处理,最终获得目标区域的水质预测结果。
下面对本发明提供的水质预测模型的训练装置进行描述,下文描述的水质预测模型的训练装置与上文描述的水质预测模型的训练方法可相互对应参照。
图4为本发明提供的水质预测模型的训练装置示意图,如图3所示,该装置包括:
获取单元401,用于获取某一水域水质的历史指标数据;
划分单元402,用于将所述历史指标数据划分为训练集、验证集;
训练单元403,用于根据所述训练集训练初始水质预测模型,利用所述验证集对训练后的水质预测模型参数进行调整,得到训练好的水质预测模型;所述初始水质预测模型包括:一维卷积层、最大池化层、循环层、转录层;其中,一维卷积层为采用遗传算法对卷积循环神经网络的卷积核大小、数量、步长进行优化后,得到一维卷积层。
图5为本发明提供的水质预测装置示意图,如图5所示,该装置包括:
获取单元501,用于获取待预测的水质指标数据;
预测单元502,用于将所述待预测的水质指标数据输入训练好的水质预测模型,并获取水质预测结果。
图6示例了一种电子设备的实体结构示意图,如图6所示,该电子设备可以包括:处理器(processor)610、通信接口(CommunicationsInterface)620、存储器(memory)630和通信总线640,其中,处理器610,通信接口620,存储器360通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令,以执行水质预测模型的训练方法或者水质预测方法。
其中,所述水质预测模型的训练方法包括:
获取某一水域水质的历史指标数据;
将所述历史指标数据划分为训练集、验证集;
根据所述训练集训练初始水质预测模型,利用所述验证集对训练后的水质预测模型参数进行调整,得到训练好的水质预测模型;
所述初始水质预测模型包括:一维卷积层、最大池化层、循环层、转录层;
其中,所述一维卷积层为采用遗传算法对卷积循环神经网络的卷积核大小、数量、步长进行优化后,得到一维卷积层。
所述水质预测方法包括:
获取待预测的水质指标数据;
将所述待预测的水质指标数据输入训练好的水质预测模型,并获取水质预测结果。
此外,上述的存储器630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-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
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)
1.一种水质预测模型的训练方法,其特征在于,包括:
获取某一水域水质的历史指标数据;
将所述历史指标数据划分为训练集、验证集;
根据所述训练集训练初始水质预测模型,利用所述验证集对训练后的水质预测模型参数进行调整,得到训练好的水质预测模型;
所述初始水质预测模型包括:一维卷积层、最大池化层、循环层、转录层;
其中,所述一维卷积层为采用遗传算法对卷积循环神经网络的卷积核大小、数量、步长进行优化后,得到一维卷积层。
2.根据权利要求1所述的水质预测模型的训练方法,其特征在于,所述一维卷积层用于通过卷积核对所述历史指标数据进行特征提取。
3.根据权利要求2所述的水质预测模型的训练方法,其特征在于,所述最大池化层用于对卷积层所提取的特征做进一步降维。
4.根据权利要求3所述的水质预测模型的训练方法,其特征在于,所述循环层用于利用长短时记忆网络预测从最大池化层获取的特征序列的真实标签分布;
所述循环层为采用遗传算法对其长短时记忆网络的神经元数目以及时间窗宽优化后的循环层。
5.根据权利要求4所述的水质预测模型的训练方法,其特征在于,所述转录层用于从循环层获取的标签分布转换成最终的预测结果。
6.根据权利要求1所述的水质预测模型的训练方法,其特征在于,所述历史指标数据包括:温度、溶解氧、pH值、氨氮、亚硝酸盐以及硝酸盐对应的数据。
7.一种水质预测方法,其特征在于,包括:
获取待预测的水质指标数据;
将所述待预测的水质指标数据输入训练好的水质预测模型,并获取水质预测结果。
8.一种水质预测模型的训练装置,其特征在于,包括:
获取单元,用于获取某一水域水质的历史指标数据;
划分单元,用于将所述历史指标数据划分为训练集、验证集;
训练单元,用于根据所述训练集训练初始水质预测模型,利用所述验证集对训练后的水质预测模型参数进行调整,得到训练好的水质预测模型;
所述初始水质预测模型包括:一维卷积层、最大池化层、循环层、转录层;
其中,所述一维卷积层为采用遗传算法对其卷积核大小、数量、步长进行优化后,得到一维卷积层。
9.一种水质预测装置,其特征在于,包括:
获取单元,用于获取待预测的水质指标数据;
预测单元,用于将所述待预测的水质指标数据输入训练好的水质预测模型,并获取水质预测结果。
10.一种电子设备,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6任一项所述水质预测模型的训练方法或者实现如权利要求7所述水质预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310646144.3A CN116757313A (zh) | 2023-06-02 | 2023-06-02 | 水质预测模型的训练方法、水质预测方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310646144.3A CN116757313A (zh) | 2023-06-02 | 2023-06-02 | 水质预测模型的训练方法、水质预测方法与装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116757313A true CN116757313A (zh) | 2023-09-15 |
Family
ID=87958213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310646144.3A Pending CN116757313A (zh) | 2023-06-02 | 2023-06-02 | 水质预测模型的训练方法、水质预测方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116757313A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117874409A (zh) * | 2024-03-11 | 2024-04-12 | 榕湾科技(成都)有限公司 | 基于水质预测的制水反馈调控方法、系统、终端及介质 |
CN117973439A (zh) * | 2024-04-01 | 2024-05-03 | 长春理工大学 | 一种水质浊度预测方法、浊度预测系统及计算机可读存储介质 |
CN118016201A (zh) * | 2024-04-08 | 2024-05-10 | 长春理工大学 | 一种便携式组网水质检测方法及系统 |
-
2023
- 2023-06-02 CN CN202310646144.3A patent/CN116757313A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117874409A (zh) * | 2024-03-11 | 2024-04-12 | 榕湾科技(成都)有限公司 | 基于水质预测的制水反馈调控方法、系统、终端及介质 |
CN117874409B (zh) * | 2024-03-11 | 2024-05-31 | 榕湾科技(成都)有限公司 | 基于水质预测的制水反馈调控方法、系统、终端及介质 |
CN117973439A (zh) * | 2024-04-01 | 2024-05-03 | 长春理工大学 | 一种水质浊度预测方法、浊度预测系统及计算机可读存储介质 |
CN118016201A (zh) * | 2024-04-08 | 2024-05-10 | 长春理工大学 | 一种便携式组网水质检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116757313A (zh) | 水质预测模型的训练方法、水质预测方法与装置 | |
CN111027772B (zh) | 基于pca-dbilstm的多因素短期负荷预测方法 | |
CN108710974B (zh) | 一种基于深度置信网络的水体氨氮预测方法及装置 | |
CN114399032B (zh) | 一种电能表计量误差预测方法及系统 | |
CN113723007A (zh) | 基于DRSN和麻雀搜索优化BiLSTM的机械设备剩余寿命预测方法 | |
CN115510963A (zh) | 一种增量式设备故障诊断方法 | |
CN112365033B (zh) | 一种风电功率区间预测方法、系统及存储介质 | |
CN112215412B (zh) | 溶解氧预测方法及装置 | |
CN116484747A (zh) | 一种基于自适应优化算法与深度学习的污水智能监控方法 | |
CN115018193A (zh) | 基于lstm-ga模型的时间序列风能数据预测方法 | |
CN115544890A (zh) | 一种短期电力负荷预测方法及系统 | |
CN114694379B (zh) | 一种基于自适应动态图卷积的交通流预测方法及系统 | |
Yang et al. | Design of incremental echo state network using leave-one-out cross-validation | |
CN115496144A (zh) | 配电网运行场景确定方法、装置、计算机设备和存储介质 | |
CN115906638A (zh) | 建立火控系统故障预测模型、故障预测方法及相关装置 | |
CN114330119A (zh) | 一种基于深度学习的抽蓄机组调节系统辨识方法 | |
CN110866672B (zh) | 数据处理方法、装置、终端及介质 | |
CN116303786B (zh) | 一种基于多维数据融合算法的区块链金融大数据管理系统 | |
CN116469574A (zh) | 一种基于woa-bilstm的传染病预测方法 | |
CN116150638A (zh) | 基于簇置信度的深度聚类集成方法、装置、设备和介质 | |
CN115423091A (zh) | 一种条件对抗神经网络训练方法、场景生成方法和系统 | |
CN114239945A (zh) | 短期电力负荷预测方法、装置、设备及存储介质 | |
CN111583990B (zh) | 一种结合稀疏回归和淘汰规则的基因调控网络推断方法 | |
CN114139783A (zh) | 基于非线性加权组合的风电短期功率预测方法及装置 | |
Jadhav et al. | Data transformation: A preprocessing stage in machine learning regression problems |
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 |