【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...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。