一种基于深度学习的短期水质水量预测方法及系统技术方案

本发明专利技术提供了一种基于深度学习的短期水质水量预测方法，包括以下步骤：步骤A：对原始水质水量数据进行预处理，将处理后的数据划分为训练集和测试集；步骤B：将训练集输入LSTM网络中进行训练，使用adam算法更新权重，得到预测模型；步骤C：基于原始水质水量数据使用预测模型预测测试集中的预测值；步骤D：将预测误差输入ARMA模型中得到误差序列的误差修正模型；步骤E：将待预测数据分别输入预测模型和误差修正模型，将结算结果几何相加得到预测值；本发明专利技术还提供水质水量预测系统。本发明专利技术的优点在于：通过LSTM神经网络和ARMA模型分别对待预测时刻的水质水量和预测误差进行计算，具备更强的通用性和稳定性，使得水质水量预测结果更为稳健。

【技术实现步骤摘要】
一种基于深度学习的短期水质水量预测方法及系统
本专利技术涉及水环境保护与监测
；尤其涉及一种基于深度学习的短期水质水量预测方法及系统。
技术介绍
水是人类社会最重要的资源之一，目前我国的黄河、松花江、淮河流域均存在轻度污染，而海河、辽河流域部分地区处于重度污染状态，及时的对水质水量进行预测，能够提前获知水质污染的可能性，以及水流量的异常，有助于及时发现区域内的水环境问题，为管理和维护当地水源地的水环境状况提供重要依据，也是近年来水环境保护和监测领域的研究热点之一。目前国内对于水质水量预测的方法主要有：时间序列预测法、回归分析预测法、灰色系统预测法、数理统计预测法、人工神经网络预测法等，相对于其他4种方法，人工神经网络预测法凭借其可以摒弃客观因素的影响，只根据样本水质水量自身特点进行分析学习的优点在水质水量预测领域得到了广泛应用，目前常用的人工神经网络预测方法包括：BP神经网络、径向基函数神经网络、广义神经网络等。河流水质水量变化具有渐变性、非线性、不稳定性以及复杂性等特点，目前运用于水质水量预测的神经网络模型，例如BP神经网络、径向基函数神经网络、广义神经网络在进行复杂时间序列预测时容易陷入局部最优。同时由于水质水量数据序列表现出的强非线性特征和弱线性特征，单一的预测模型对水质水量的弱线性特征难以充分处理，需要结合其他线性算法。公开号为CN111027776A的专利技术专利申请公开了一种基于改进型长短期记忆LSTM神经网络的污水处理水质水量预测方法，其通过对污水数据进行处理，构建LSTM神经网络模型从而对待预测数据进行预测处理，得到水质情况，这种方法适用于解决长时间跨度水质时间序列预测，仅能有效表征水质时间序列中的非线性特征，但是自然水环境的水质时间序列同时具有强非线性特征和弱线性特征，且水质水量预测方面要求高时效性与及时性，而短期水质水量预测相较于长期水质水量预测更能及时预警水污染事件的发生。
技术实现思路
本专利技术所要解决的技术问题在于提供一种基于长短期记忆神经网络对自然水环境进行短期水质水量预测的方法，以克服水质水量数据序列的强非线性特征和弱线性特征对水质水量预测技术的限制。本专利技术是通过以下技术方案解决上述技术问题的：一种基于深度学习的短期水质水量预测方法，包括以下步骤：步骤A：对原始水质水量数据进行预处理，将处理后的数据划分为训练集和测试集；步骤B：将训练集输入LSTM网络中进行训练，使用adam算法更新遗忘门、输入门和输出门的权重，以损失函数值和迭代次数作为训练终止条件，得到预测模型；步骤C：基于原始水质水量数据使用预测模型预测测试集对应的预测值，并根据实际值与预测值计算预测误差；步骤D：将预测误差输入ARMA模型中得到误差序列的误差修正模型；步骤E：将待预测数据分别输入步骤B得到的预测模型和步骤D得到的误差修正模型，将结算结果几何相加得到预测值。本专利技术通过LSTM模型，充分挖掘水质水量数据之间的相互关联性，通过遗忘门、输出门等节点之间的结构，解决了传统神经网络方法在训练过程中由于长时间跨度数据的学习出现的梯度消失和梯度爆炸的问题。另一方面，由于水质水量数据序列呈现强非线性特征和弱线性特征，单一的预测模型难以充分处理水质水量的弱线性特征，需要结合其他的算法，而ARMA模型的特征可以作为LSTM模型在处理线性数据的有效补充，LSTM模型与ARMA模型相结合的方法，在单一预测模型的基础之上，具备更强的通用性和稳定性，使得水质水量预测结果更为稳健。优选的，步骤A所述的原始水质数据包括物理指标，常规水质指标、金属含量、无机物含量、有机物含量、微生物含量、辐射量、水位、液位、流量、流速；原始水质数据的集合为以时序排列的参数集合。优选的，步骤A所述的预处理包括缺失值处理和归一化处理，所述缺失值处理的方式为使用之前两个时刻的平均值填充缺失值；所述归一化处理的方法为：其中，xt为t时刻的原始参数，xmin为序列中参数的最小值，xmax为序列中参数的最大值，Xt为归一化后t时刻的参数；预处理完成后按时序排列，以前70％作为训练集，后30％作为测试集。优选的，所述LSTM神经网络的计算公式为：ft＝σ(Wf·[ht-1,Xt]+bf)it＝σ(Wi·[ht-1,Xt]+bi)ot＝σ(Wo·[ht-1,Xt]+bo)其中，h为LSTM神经网络的输出，训练中以后一时刻的水质水量数据作为前一时刻水质水量数据的输出；f、i、o分别表示遗忘门、输入门和输出门；σ表示sigmoid函数，W和b分别表示权重和偏差矩阵；损失函数为平均绝对误差，预设训练的最大迭代次数和损失函数值的阈值，通过adam算法更新权重，每次更新权值之后计算损失函数值，如果损失函数值小于等于阈值或训练次数达到最大迭代次数，则训练结束，将权重代入以上公式，计算出偏差矩阵；得到所述预测模型。优选的，步骤C中根据原始水质水量数据使用预测模型计算测试集对应的预测数据，计算预测误差的公式为：其中，yt为测试集的实际值，为测试集的预测值，σt为预测误差。优选的，步骤D中将测试集的预测误差σt输入ARMA模型，经过训练得到误差修正模型；对于待预测时刻的水质水量，使用步骤B中的预测模型计算预测值使用步骤D得到的误差修正模型计算误差修正值则其中，zt为待预测时刻的预测值。本专利技术还提供了一种基于深度学习的短期水质水量预测系统，包括预处理模块：对原始水质水量数据进行预处理，将处理后的数据划分为训练集和测试集；预测模型训练模块：将训练集输入LSTM网络中进行训练，使用adam算法更新遗忘门、输入门和输出门的权重，以损失函数值和迭代次数作为训练终止条件，得到预测模型；预测误差计算模块：基于原始水质水量数据使用预测模型预测测试集对应的预测值，并根据实际值与预测值计算预测误差；误差修正模型训练模块将预测误差输入ARMA模型中得到误差序列的误差修正模型；计算模块：将待预测数据分别输入预测模型和误差修正模型，将结算结果几何相加得到预测值。本专利技术提供的基于深度学习的短期水质水量预测方法及系统的优点在于：通过LSTM神经网络和ARMA模型分别对待预测时刻的水质水量和预测误差进行计算，克服了由于水质水量历史数据序列的强非线性特征以及弱线性特征而无法进行有效预测的问题，通过LSTM模型，充分挖掘水质水量数据之间的相互关联性，通过遗忘门、输出门等节点之间的结构，解决了传统神经网络方法在训练过程中由于长时间跨度数据的学习出现的梯度消失和梯度爆炸的问题。另一方面，由于水质水量数据序列呈现强非线性特征和弱线性特征，单一的预测模型难以充分处理水质水量的弱线性特征，需要结合其他的算法，而ARMA模型的特征可以作为LSTM模型在处理线性数据的有效补充，LSTM模型与ARMA模型相结合的方法，在单一预测模型的基础之上，具备更强的通用性和稳定性，使得水质水量预本文档来自技高网...

【技术保护点】
1.一种基于深度学习的短期水质水量预测方法，其特征在于：包括以下步骤：/n步骤A：对原始水质水量数据进行预处理，将处理后的数据划分为训练集和测试集；/n步骤B：将训练集输入LSTM网络中进行训练，使用adam算法更新遗忘门、输入门和输出门的权重，以损失函数值和迭代次数作为训练终止条件，得到预测模型；/n步骤C：基于原始水质水量数据使用预测模型预测测试集对应的预测值，并根据实际值与预测值计算预测误差；/n步骤D：将预测误差输入ARMA模型中得到误差序列的误差修正模型；/n步骤E：将待预测数据分别输入步骤B得到的预测模型和步骤D得到的误差修正模型，将结算结果几何相加得到预测值。/n

【技术特征摘要】
1.一种基于深度学习的短期水质水量预测方法，其特征在于：包括以下步骤：
步骤A：对原始水质水量数据进行预处理，将处理后的数据划分为训练集和测试集；
步骤B：将训练集输入LSTM网络中进行训练，使用adam算法更新遗忘门、输入门和输出门的权重，以损失函数值和迭代次数作为训练终止条件，得到预测模型；
步骤C：基于原始水质水量数据使用预测模型预测测试集对应的预测值，并根据实际值与预测值计算预测误差；
步骤D：将预测误差输入ARMA模型中得到误差序列的误差修正模型；
步骤E：将待预测数据分别输入步骤B得到的预测模型和步骤D得到的误差修正模型，将结算结果几何相加得到预测值。


2.根据权利要求1所述的一种基于深度学习的短期水质水量预测方法，其特征在于：步骤A所述的原始水质水量数据包括物理指标，常规水质指标、金属含量、无机物含量、有机物含量、微生物含量、辐射量、水位、液位、流量、流速，原始水质数据的集合为以时序排列的参数集合。


3.根据权利要求2所述的一种基于深度学习的短期水质水量预测方法，其特征在于：步骤A所述的预处理包括缺失值处理和归一化处理，
所述缺失值处理的方式为使用之前两个时刻的平均值填充缺失值；
所述归一化处理的方法为：



其中，xt为t时刻的原始参数，xmin为序列中参数的最小值，xmax为序列中参数的最大值，Xt为归一化后t时刻的参数；
预处理完成后按时序排列，以前70％作为训练集，后30％作为测试集。


4.根据权利要求3所述的一种基于深度学习的短期水质水量预测方法，其特征在于：所述LSTM神经网络的计算公式为：
ft＝σ(Wf·[ht-1,Xt]+bf)
it＝σ(Wi·[ht-1,Xt]+bi)
ot＝σ(Wo·[ht-1,Xt]+bo)
其中，h为LSTM神经网络的输...

【专利技术属性】
技术研发人员：李楚，梁漫春，钱益武，李梅，程雨涵，王清泉，吴正华，孔美玲，龚柳，石瑞雪，杨思航，
申请(专利权)人：安徽泽众安全科技有限公司，清华大学合肥公共安全研究院，北京辰安测控科技有限公司，
类型：发明
国别省市：安徽;34