CN116933949A - 一种融合水动力模型和数理模型的水质预测方法及系统 - Google Patents
一种融合水动力模型和数理模型的水质预测方法及系统 Download PDFInfo
- Publication number
- CN116933949A CN116933949A CN202311198828.8A CN202311198828A CN116933949A CN 116933949 A CN116933949 A CN 116933949A CN 202311198828 A CN202311198828 A CN 202311198828A CN 116933949 A CN116933949 A CN 116933949A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- water quality
- prediction
- 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.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 184
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000007246 mechanism Effects 0.000 claims abstract description 91
- 238000012544 monitoring process Methods 0.000 claims abstract description 87
- 238000013136 deep learning model Methods 0.000 claims abstract description 32
- 230000004927 fusion Effects 0.000 claims abstract description 27
- 238000011160 research Methods 0.000 claims abstract description 13
- 238000010276 construction Methods 0.000 claims description 16
- 238000013178 mathematical model Methods 0.000 claims description 11
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 239000000356 contaminant Substances 0.000 claims description 5
- 238000005755 formation reaction Methods 0.000 claims description 5
- 238000013179 statistical model Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 7
- 239000003344 environmental pollutant Substances 0.000 description 7
- 231100000719 pollutant Toxicity 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 239000002352 surface water Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012876 topography 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种融合水动力模型和数理模型的水质预测方法及系统，涉及数据处理技术领域。所述方法包括：对研究水体网格化，构建机理模型；构建深度学习模型，将机理模型预测的监测站点水质数据作为输入特征，结合实际水质监测数据，共同作为深度学习模型的模型构建数据集；运行机理模型，获取监测站点所在网格的水质预测数据，将水质预测数据输入深度学习模型中，获得监测站点所有网格的融合模型预测数据；构建关联回归模型；获取无监测站点的网格预测数据，输入关联回归模型，输出无监测站点网格的最终水质预测数据。采用本发明技术方案可以得到整个研究水体任意位置的水质预测结果，解决了数理统计模型只可以预测有历史数据的监测位置的水质。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种融合水动力模型和数理模型的水质预测方法及系统。
背景技术
地表水是人类赖以生存的资源，因此提升地表水水环境质量，对保障人体健康，维护良好的生态系统具有十分重要的意义。而实现水质精准的预测预报可为地表水环境管理者实现精细化提升水环境质量提供决策和数据支持，因此水质预测预报具有重要的现实意义。
目前对于地表水水质的预测预报主要包括两种技术，一种是基于机理模型，通过对研究水体建立水动力模型，在模拟水体流场的基础上通过模拟水质污染物在水体中随着时间的沉积、输运、消减以及转化等情况，以及当有降水发生时，模拟水体周围环境的污染物流入水体对水质产生的影响，然后预测出未来的水质；另一种是基于数理统计模型，考虑到水质监测数据是带有时间属性的连续序列数据，通过时间序列数据的预测方法在对历史水质数据分解的基础上，预测出未来的水质数据的发展趋势。或者通过收集大量的历史水质监测数据，建立基于神经网络、回归树的深度学习模型，实现对未来水质的预测。
对于机理模型而言，实现水质精准预测预报的关键在于获得精确的水体底部地形数据来最大程度接近真实情况的水体流场，同时气象、水文数据等都会影响水体水质。因此构建基于机理模型的水质预测模型，需要丰富翔实的基础数据，然而在实际应用中，很难获取这些影响模型精度的数据，因此单纯的基于机理模型的水质预测模型实际应用效果不佳。
对于数理统计预测模型而言，只能预测具有历史数据的监测点位的未来水质，而对于没有监测点位的地段而言，则不能进行预测或者进行基于插值的预测，而后者只是一种数学形式上的计算，并未考虑到地段的周边环境造成的水质差距。同样该模型并未考虑到水质污染物互相影响转化的物化规律以及气象、水文等信息对水体水质的影响，因此单纯的数理统计模型的预测准确性难以保证。
基于此，本发明提出一种融合水动力模型和数理模型的水质预测方法及系统。
发明内容
本发明提供了一种融合水动力模型和数理模型的水质预测方法，包括：
对研究水体进行网格化，收集构建机理模型所需要的数据，构建机理模型；
构建深度学习模型，将机理模型预测的监测站点水质数据作为输入特征，结合实际水质监测数据，共同作为深度学习模型的模型构建数据集；
运行机理模型，获取监测站点所在网格的水质预测数据，将机理模型得到的水质预测数据作为数据输入特征输入深度学习模型中，获得监测站点所有网格的融合模型预测数据；构建机理模型预测数据和融合模型预测数据之间的关联回归模型；
获取无监测站点的网格预测数据，输入关联回归模型，输出无监测站点网格的最终水质预测数据。
如上所述的一种融合水动力模型和数理模型的水质预测方法，其中，构建机理模型所需要的数据包括河道地形和时间序列数据，时间序列数据包括气象、水文以及研究水体监测站点的水质监测数据。
如上所述的一种融合水动力模型和数理模型的水质预测方法，其中，构建机理模型具体包括如下子步骤：
将时间序列数据按照时间先后顺序分为模型率定期和预测期两部分；
将模型率定期的时间序列数据配置到模型中，根据模型的输出水文、水质数据和真实水文、水质数据进行对比，通过调整模型参数降低误差，完成机理模型的率定；
按照时间顺序将预测期的数据，以连续时刻为一组进行分组，每一组的前/>时刻数据作为机理模型输入，即可得到未来/>个时刻的数据。
如上所述的一种融合水动力模型和数理模型的水质预测方法，其中，构建关联回归模型，具体包括如下子步骤：
定义含有监测站点的网格构成的集合为，没有监测站点的网格集合为/>；
运行机理模型，将机理得到的水质预测数据作为数据输入特征带入到训练好的深度学习模型中，获得集合G中所有网格的最终的水质预测数据；
构建机理模型预测数据和融合模型预测数据之间在时刻时污染物的关联回归模型。
如上所述的一种融合水动力模型和数理模型的水质预测方法，其中，通过计算皮尔逊相关系数/平均绝对百分比误差/水质类别准确率确定水质预测准确率。
本发明还提供一种融合水动力模型和数理模型的水质预测系统，包括：
机理模型构建模块，用于对研究水体进行网格化，收集构建机理模型所需要的数据，构建机理模型；
深度学习模型构建模块，用于构建深度学习模型，将机理模型预测的监测站点水质数据作为输入特征，结合实际水质监测数据，共同作为深度学习模型的模型构建数据集；
关联回归模型构建模块，用于运行机理模型，获取监测站点所在网格的水质预测数据，将机理模型得到的水质预测数据作为数据输入特征输入深度学习模型中，获得监测站点所有网格的融合模型预测数据；构建机理模型预测数据和融合模型预测数据之间的关联回归模型；
水质预测模块，用于获取无监测站点的网格预测数据，输入关联回归模型，输出无监测站点网格的最终水质预测数据。
如上所述的一种融合水动力模型和数理模型的水质预测系统，其中，构建机理模型所需要的数据包括河道地形和时间序列数据，时间序列数据包括气象、水文以及研究水体监测站点的水质监测数据。
如上所述的一种融合水动力模型和数理模型的水质预测系统，其中，构建机理模型具体包括如下子步骤：
将时间序列数据按照时间先后顺序分为模型率定期和预测期两部分；
将模型率定期的时间序列数据配置到模型中，根据模型的输出水文、水质数据和真实水文、水质数据进行对比，通过调整模型参数降低误差，完成机理模型的率定；
按照时间顺序将预测期的数据，以连续时刻为一组进行分组，每一组的前/>时刻数据作为机理模型输入，即可得到未来/>个时刻的数据。
如上所述的一种融合水动力模型和数理模型的水质预测系统，其中，构建关联回归模型，具体包括如下子步骤：
定义含有监测站点的网格构成的集合为，没有监测站点的网格集合为/>；
运行机理模型，将机理得到的水质预测数据作为数据输入特征带入到训练好的深度学习模型中，获得集合G中所有网格的最终的水质预测数据；
构建机理模型预测数据和融合模型预测数据之间在时刻时污染物的关联回归模型。
如上所述的一种融合水动力模型和数理模型的水质预测系统，其中，通过计算皮尔逊相关系数/平均绝对百分比误差/水质类别准确率确定水质预测准确率。
本发明实现的有益效果如下：
（1）采用融合模型既考虑了水质污染物在水体内的物理化学过程，又考虑了水质监测时间序列数据内在的演化规律，提升了预测结果的准确性；
（2）采用本发明技术方案可以得到整个研究水体任意位置的水质预测结果，解决了数理统计模型只可以预测有历史数据的监测位置的水质。
附图说明
为了更清楚地说明本发明实施例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，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种融合水动力模型和数理模型的水质预测方法流程图；
图2是融合水动力模型和数理模型的水质预测方法示意图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
实施例一
如图1和2所示，本发明实施例一提供一种融合水动力模型和数理模型的水质预测方法，包括：
步骤110、对研究水体进行网格化，收集构建机理模型所需要的数据，构建机理模型；
其中，构建机理模型所需要的数据包括河道地形和时间序列数据，时间序列数据包括气象、水文以及研究水体监测站点的水质监测数据。
将时间序列数据按照时间先后顺序分为模型率定期和预测期两部分。将模型率定期的时间序列数据配置到模型中，根据模型的输出水文、水质数据和真实水文、水质数据进行对比，通过调整模型参数降低误差，完成机理模型的率定。按照时间顺序将预测期的数据，以连续时刻为一组进行分组。每一组的前/>时刻数据作为机理模型输入，得到未来个时刻的数据。用数学形式表达如下：/>，，其中，/>表示机理模型时刻/>到时刻的输入数据集合，/>表示机理模型在网格/>上时刻/>至/>的预测水质数据系列，/>表示机理模型。
步骤120、构建深度学习模型，将机理模型预测的监测站点水质数据作为输入特征，结合实际水质监测数据，共同作为深度学习模型的模型构建数据集；
具体地，建立具有如下形式的模型：
，
其中为监测站点/>的时刻/>至/>的真实监测数据系列；/>为监测站点的时刻/>(不包括)至/>时刻的真实监测数据系列；/>表示根据监测的时间序列/>进行特征工程获得的输入特征；/>代表深度学习模型，本发明中选择含有卷积操作的长短期记忆神经网络。
步骤130、运行机理模型，获取监测站点所在网格的水质预测数据，将机理模型得到的水质预测数据作为数据输入特征输入深度学习模型中，获得监测站点所有网格的融合模型预测数据；构建机理模型预测数据和融合模型预测数据之间的关联回归模型；
具体地，构建关联回归模型，具体包括如下子步骤：
步骤131、定义含有监测站点的网格构成的集合为，没有监测站点的网格集合为。
步骤132、运行机理模型，将机理得到的水质预测数据作为数据输入特征带入到训练好的深度学习模型中，获得集合G中所有网格的最终的水质预测数据。
步骤133、定义集合G中网格编号为的时刻/>水质污染物/>的融合模型的预测数据为/>，机理模型的预测数据为/>；
步骤134、构建机理模型预测数据和融合模型预测数据之间在时刻时污染物/>的关联回归模型；
关联回归模型数学形式如下：，其中，/>选择决策树的回归模型。
步骤140、获取无监测站点的网格预测数据，输入关联回归模型，输出无监测站点网格的最终水质预测数据。
根据建模得到的时刻指标/>的回归模型，可以得到集合/>中网格的最终的水质预测数据：/>，其中/>, />分别为集合/>中编号为/>的指标/>在时刻/>的融合模型的水质预测数据和机理模型预测数据。
实施例二
本发明实施例二提供一种融合水动力模型和数理模型的水质预测系统，包括：
机理模型构建模块，用于对研究水体进行网格化，收集构建机理模型所需要的数据，构建机理模型；构建机理模型所需要的数据包括河道地形和时间序列数据，时间序列数据包括气象、水文以及研究水体监测站点的水质监测数据。
其中，构建机理模型具体包括如下子步骤：
将时间序列数据按照时间先后顺序分为模型率定期和预测期两部分；
将模型率定期的时间序列数据配置到模型中，根据模型的输出水文、水质数据和真实水文、水质数据进行对比，通过调整模型参数降低误差，完成机理模型的率定；
按照时间顺序将预测期的数据，以连续时刻为一组进行分组，每一组的前/>时刻数据作为机理模型输入，即可得到未来/>个时刻的数据。
深度学习模型构建模块，用于构建深度学习模型，将机理模型预测的监测站点水质数据作为输入特征，结合实际水质监测数据，共同作为深度学习模型的模型构建数据集；
关联回归模型构建模块，用于运行机理模型，获取监测站点所在网格的水质预测数据，将机理模型得到的水质预测数据作为数据输入特征输入深度学习模型中，获得监测站点所有网格的融合模型预测数据；构建机理模型预测数据和融合模型预测数据之间的关联回归模型；
其中，构建关联回归模型，具体用于：定义含有监测站点的网格构成的集合为，没有监测站点的网格集合为/>；运行机理模型，将机理得到的水质预测数据作为数据输入特征带入到训练好的深度学习模型中，获得集合G中所有网格的最终的水质预测数据；构建机理模型预测数据和融合模型预测数据之间在时刻/>时污染物的关联回归模型。
水质预测模块，用于获取无监测站点的网格预测数据，输入关联回归模型，输出无监测站点网格的最终水质预测数据。
具体地，通过计算皮尔逊相关系数/平均绝对百分比误差/水质类别准确率确定水质预测准确率。
以下示例能够展示采用本申请融合模型相比现有的单一机理模型或单一梳理统计模型的检测准确率：
在某河流上8个水质监测站点的5个水质污染物为期30天的预测模型结果对比如下表所示（数据为监测站点、水质污染物、时间维度计算的均值）：
其中，反映模型检测准确率可以通过皮尔逊相关系数、平均绝对百分比误差或水质类别准确率来确定。
设为皮尔逊相关系数，/>，其中，r为皮尔逊相关系数，N为参与计算的样本个数；/>为水质指标k的第i个实际监测值；/>为水质指标k的第i个模型预测值；/>为水质指标k的实际监测数据的均值；/>为水质指标k的模型预测数据均值。计算三种模型的皮尔逊相关系数，可知本发明的融合模型皮尔逊相关系数最高，即检测准确率最高。
设MAPE为平均绝对百分比误差，，其中，N为参与计算的样本个数；/>为水质指标k的第i个实际监测值；/>为水质指标k的第i个模型预测值。计算三种模型的平均绝对百分比误差，可知本发明的融合模型平均绝对百分比误差最低，即检测准确率最高。
设为水质类别准确率，用于预测水质类别和真实水质类别的一致性，，其中，/>为水质类别准确率；N为参与计算的样本个数；/>为判断函数，/>；/>为水质指标k的第i个实际监测值对应的水质类别；为水质指标k的第i个模型预测值对应的水质类别。计算三种模型的平均绝对百分比误差，可知本发明的融合模型水质类别准确率最高，即检测准确率最高。
综上检测结果可知，本申请所采用的融合模型相对于任意一种单一模型的水质检测准确率更高。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。
Claims (10)
1.一种融合水动力模型和数理模型的水质预测方法，其特征在于，包括：
对研究水体进行网格化，收集构建机理模型所需要的数据，构建机理模型；
构建深度学习模型，将机理模型预测的监测站点水质数据作为输入特征，结合实际水质监测数据，共同作为深度学习模型的模型构建数据集；
运行机理模型，获取监测站点所在网格的水质预测数据，将机理模型得到的水质预测数据作为数据输入特征输入深度学习模型中，获得监测站点所有网格的融合模型预测数据；构建机理模型预测数据和融合模型预测数据之间的关联回归模型；
获取无监测站点的网格预测数据，输入关联回归模型，输出无监测站点网格的最终水质预测数据。
2.如权利要求1所述的一种融合水动力模型和数理模型的水质预测方法，其特征在于，构建机理模型所需要的数据包括河道地形和时间序列数据，时间序列数据包括气象、水文以及研究水体监测站点的水质监测数据。
3.如权利要求2所述的一种融合水动力模型和数理模型的水质预测方法，其特征在于，构建机理模型具体包括如下子步骤：
将时间序列数据按照时间先后顺序分为模型率定期和预测期两部分；
将模型率定期的时间序列数据配置到模型中，根据模型的输出水文、水质数据和真实水文、水质数据进行对比，通过调整模型参数降低误差，完成机理模型的率定；
按照时间顺序将预测期的数据，以连续时刻为一组进行分组，每一组的前/>时刻数据作为机理模型输入，得到未来/>个时刻的数据。
4.如权利要求1所述的一种融合水动力模型和数理模型的水质预测方法，其特征在于，构建关联回归模型，具体包括如下子步骤：
定义含有监测站点的网格构成的集合为，没有监测站点的网格集合为/>；
运行机理模型，将机理得到的水质预测数据作为数据输入特征带入到训练好的深度学习模型中，获得集合G中所有网格的最终的水质预测数据；
构建机理模型预测数据和融合模型预测数据之间在时刻时污染物的关联回归模型。
5.如权利要求1所述的一种融合水动力模型和数理模型的水质预测方法，其特征在于，通过计算皮尔逊相关系数/平均绝对百分比误差/水质类别准确率确定水质预测准确率。
6.一种融合水动力模型和数理模型的水质预测系统，其特征在于，包括：
机理模型构建模块，用于对研究水体进行网格化，收集构建机理模型所需要的数据，构建机理模型；
深度学习模型构建模块，用于构建深度学习模型，将机理模型预测的监测站点水质数据作为输入特征，结合实际水质监测数据，共同作为深度学习模型的模型构建数据集；
关联回归模型构建模块，用于运行机理模型，获取监测站点所在网格的水质预测数据，将机理模型得到的水质预测数据作为数据输入特征输入深度学习模型中，获得监测站点所有网格的融合模型预测数据；构建机理模型预测数据和融合模型预测数据之间的关联回归模型；
水质预测模块，用于获取无监测站点的网格预测数据，输入关联回归模型，输出无监测站点网格的最终水质预测数据。
7.如权利要求6所述的一种融合水动力模型和数理模型的水质预测系统，其特征在于，构建机理模型所需要的数据包括河道地形和时间序列数据，时间序列数据包括气象、水文以及研究水体监测站点的水质监测数据。
8.如权利要求7所述的一种融合水动力模型和数理模型的水质预测系统，其特征在于，构建机理模型具体用于：将时间序列数据按照时间先后顺序分为模型率定期和预测期两部分；将模型率定期的时间序列数据配置到模型中，根据模型的输出水文、水质数据和真实水文、水质数据进行对比，通过调整模型参数降低误差，完成机理模型的率定；按照时间顺序将预测期的数据，以连续时刻为一组进行分组，每一组的前/>时刻数据作为机理模型输入，即可得到未来/>个时刻的数据。
9.如权利要求6所述的一种融合水动力模型和数理模型的水质预测系统，其特征在于，构建关联回归模型，具体用于：定义含有监测站点的网格构成的集合为，没有监测站点的网格集合为/>；运行机理模型，将机理得到的水质预测数据作为数据输入特征带入到训练好的深度学习模型中，获得集合G中所有网格的最终的水质预测数据；构建机理模型预测数据和融合模型预测数据之间在时刻/>时污染物的关联回归模型。
10.如权利要求6所述的一种融合水动力模型和数理模型的水质预测系统，其特征在于，通过计算皮尔逊相关系数/平均绝对百分比误差/水质类别准确率确定水质预测准确率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311198828.8A CN116933949B (zh) | 2023-09-18 | 2023-09-18 | 一种融合水动力模型和数理模型的水质预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311198828.8A CN116933949B (zh) | 2023-09-18 | 2023-09-18 | 一种融合水动力模型和数理模型的水质预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116933949A true CN116933949A (zh) | 2023-10-24 |
| CN116933949B CN116933949B (zh) | 2023-12-19 |
Family
ID=88388233
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311198828.8A Active CN116933949B (zh) | 2023-09-18 | 2023-09-18 | 一种融合水动力模型和数理模型的水质预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116933949B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104951851A (zh) * | 2015-07-08 | 2015-09-30 | 华侨大学 | 一种基于灰关联回归支持向量机的风电机组状态预测模型建立方法 |
| CN110232461A (zh) * | 2018-10-22 | 2019-09-13 | 鲁东大学 | 基于量子遗传算法优化的多关联向量机水质预测方法 |
| CN114595631A (zh) * | 2022-03-07 | 2022-06-07 | 中电万维信息技术有限责任公司 | 一种基于efdc模型和机器学习算法的水质预测方法 |
| CN115829120A (zh) * | 2022-11-29 | 2023-03-21 | 中国环境科学研究院 | 基于机器学习方法的水质预测预警系统 |
| US20230281459A1 (en) * | 2021-04-02 | 2023-09-07 | Hohai University | Method for calibrating parameters of hydrology forecasting model based on deep reinforcement learning |
-
2023
- 2023-09-18 CN CN202311198828.8A patent/CN116933949B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104951851A (zh) * | 2015-07-08 | 2015-09-30 | 华侨大学 | 一种基于灰关联回归支持向量机的风电机组状态预测模型建立方法 |
| CN110232461A (zh) * | 2018-10-22 | 2019-09-13 | 鲁东大学 | 基于量子遗传算法优化的多关联向量机水质预测方法 |
| US20230281459A1 (en) * | 2021-04-02 | 2023-09-07 | Hohai University | Method for calibrating parameters of hydrology forecasting model based on deep reinforcement learning |
| CN114595631A (zh) * | 2022-03-07 | 2022-06-07 | 中电万维信息技术有限责任公司 | 一种基于efdc模型和机器学习算法的水质预测方法 |
| CN115829120A (zh) * | 2022-11-29 | 2023-03-21 | 中国环境科学研究院 | 基于机器学习方法的水质预测预警系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116933949B (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Nourani et al. | Hybrid wavelet-M5 model tree for rainfall-runoff modeling | |
| CN111126704B (zh) | 基于多图卷积和记忆网络的多区域降水量预测模型构建方法 | |
| Wang et al. | An adaptive daily runoff forecast model using VMD-LSTM-PSO hybrid approach | |
| CN111210082A (zh) | 一种基于优化的bp神经网络算法的降水量预测方法 | |
| Chen et al. | Groundwater level prediction using SOM-RBFN multisite model | |
| CN107274030B (zh) | 基于水文变量年际和月变化特性的径流预报方法和系统 | |
| Yahya et al. | Designing weather forecasting model using computational intelligence tools | |
| CN114330935B (zh) | 基于多种结合策略集成学习的新能源功率预测方法和系统 | |
| Donnelly et al. | Forecasting global climate drivers using Gaussian processes and convolutional autoencoders | |
| CN114611608B (zh) | 基于深度学习模型的海表面高度数值预报偏差订正方法 | |
| CN117035201B (zh) | 平原河网水工程集群多目标调度规则制定方法及系统 | |
| CN111652425A (zh) | 一种基于粗糙集和长短期记忆网络的河流水质预测方法 | |
| CN111222992A (zh) | 一种基于注意力机制的长短期记忆神经网络的股票价格预测方法 | |
| CN114201570A (zh) | 河网水质的监测方法、装置和可读存储介质 | |
| CN110969312A (zh) | 基于变分模态分解和极端学习机的短期径流预测耦合方法 | |
| Shiri et al. | Forecasting daily stream flows using artificial intelligence approaches | |
| Chen et al. | Assessing different roles of baseflow and surface runoff for long-term streamflow forecasting in southeastern China | |
| Shishegar et al. | Rainfall–runoff modelling using octonion-valued neural networks | |
| Fu et al. | Multi-step-ahead significant wave height prediction using a hybrid model based on an innovative two-layer decomposition framework and LSTM | |
| CN114897264A (zh) | 一种基于迁移学习的小样本场景下光伏出力区间预测方法 | |
| Chung et al. | Accurate prediction of electricity consumption using a hybrid CNN-LSTM model based on multivariable data | |
| Zhang et al. | Application of improved seasonal GM (1, 1) model based on HP filter for runoff prediction in Xiangjiang River | |
| Nazeri Tahroudi et al. | Application of copula‐based approach as a new data‐driven model for downscaling the mean daily temperature | |
| Cui et al. | A VMD-MSMA-LSTM-ARIMA model for precipitation prediction | |
| CN112183721B (zh) | 一种基于自适应差分进化的组合水文预测模型的构建方法 |
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 |