一种小波分析耦合LSTM神经网络的水质预测方法技术

一种小波分析耦合LSTM神经网络的水质预测方法，包括：获取待预测水体的水质参数的监测数据，对监测数据进行小波分解以得到监测数据的近似分量和细节分量；将监测数据的近似分量和细节分量作为输入变量，输入预先训练好的LSTM神经网络中以得到水质参数的预测结果。由于对水质参数的监测数据进行小波分解，把时间序列分解为一系列低频和高频分量，产生了新的特征，这些特征能够表达水质参数的监测数据时频上的信息，从而能更好地处理数据的非平稳部分，从富含噪声的数据中提取信息，提高了预测的准确性。同时LSTM神经网络作为一种特殊的循环神经网络，可以有效地记忆过去输入的信息，因此对于时间序列数据有很好的效果。因此对于时间序列数据有很好的效果。因此对于时间序列数据有很好的效果。

【技术实现步骤摘要】
一种小波分析耦合LSTM神经网络的水质预测方法


[0001]本专利技术涉及水质预测
，具体涉及一种小波分析耦合LSTM神经网络的水质预测方法。

技术介绍

[0002]水环境的质量与人类的生产生活息息相关。在当今社会，伴随着经济的发展，水环境污染已成为了一个亟待解决的重要问题。短期水质的准确预测在水环境管理中起到十分关键的作用，它有助于对诸如生产事故、违规排放、自然灾害等水质突发事件的应对。
[0003]目前用于水质短期预测的模型主要分为物理驱动的模型和数据驱动的模型。物理驱动的模型的目标是通过确定的机理公式来描绘水质变化，然而在水质模拟计算中，许多反应机理无法用确定的公式表达，并且，物理驱动的模型需要大量参数，这使得在预测目标较多时建模过程较为繁琐。数据驱动的模型的思路是通过大量的数据和大量简单的计算，总结出规律，然后用于对现实世界的模拟。其中人工神经网络算法是水质预测的一个研究热点，由于它能简化水质指标之间的复杂响应并给出精确的预测而被广泛应用。然而，目前使用的算法进行预测时多把污染因子割裂开来，未考虑污染因子时间上的关联，使得数据中所蕴含的时频上的信息无法得到有效利用。另外，由于水质数据的非线性和非平稳的特征，神经网络可能在此类富含噪声的数据上的表现受限。

技术实现思路

[0004]本申请提供一种小波分析耦合LSTM神经网络的水质预测方法，旨在解决现有水质预测方法在非线性和非平稳的数据上表现受限的问题。
[0005]根据第一方面，一种实施例中提供一种小波分析耦合LSTM神经网络的水质预测方法，包括：
[0006]获取待预测水体的水质参数的监测数据，其中水质参数包括溶解氧、高锰酸盐指数、氨氮、总磷、总氮、浊度、水温、电导率和PH值中的一种或多种；
[0007]对所述监测数据进行小波分解以得到所述监测数据的近似分量和细节分量；
[0008]将所述监测数据的近似分量和细节分量作为输入变量，输入预先训练好的LSTM神经网络中以得到水质参数的预测结果。
[0009]一种实施例中，所述LSTM神经网络通过以下方式进行训练：
[0010]获取所述待预测水体的水质参数的历史数据；
[0011]对所述历史数据进行小波分解以得到所述历史数据的近似分量和细节分量；
[0012]将所述历史数据的近似分量和细节分量作为训练数据，按预设的滑动窗口数将训练数据划分为训练集和验证集，使用所述训练集，根据预设的第一损失函数进行训练以得到所述LSTM神经网络，其中每次进行训练后使用所述验证集，根据预设的第二损失函数计算LSTM神经网络的性能指标，当性能指标连续m次没有提升时则停止训练，否则继续进行训练直至达到预设次数，其中m为预设的提前停止次数。
[0013]一种实施例中，所述LSTM神经网络有多个，分别具有不同的时间分辨率，用于预测未来不同时间长度的水质参数；
[0014]所述将所述监测数据的近似分量和细节分量作为输入变量，输入预先训练好的LSTM神经网络中以得到水质参数的预测结果，包括：若所预测的时间长度等于其中一个所述LSTM神经网络的时间分辨率，则使用该LSTM神经网络进行预测以得到水质参数的预测结果；若所预测的时间长度为其中一个所述LSTM神经网络的时间分辨率的n倍，则利用该LSTM神经网络连续进行n次预测以得到水质参数的预测结果，其中n为大于1的整数。
[0015]一种实施例中，所述LSTM神经网络通过以下方式进行训练：
[0016]获取所述待预测水体的水质参数的历史数据；
[0017]对所述历史数据进行重采样，以得到不同时间分辨率的子序列；
[0018]分别对各子序列进行小波分解以得到各子序列的近似分量和细节分量；
[0019]分别将各子序列的近似分量和细节分量作为训练数据，按预设的滑动窗口数将训练数据划分为训练集和验证集，使用所述训练集，根据预设的第一损失函数进行训练以得到多个具有不同的时间分辨率的所述LSTM神经网络，其中每次进行训练后使用所述验证集，根据预设的第二损失函数计算LSTM神经网络的性能指标，当性能指标连续m次没有提升时则停止训练，否则继续进行训练直至达到预设次数，其中m为预设的提前停止次数。
[0020]一种实施例中，在进行LSTM神经网络的训练时，每经过预定次数的训练后，使用贝叶斯优化算法更新LSTM神经网络的超参数，其中贝叶斯优化算法的损失函数与所述第二损失函数相同。
[0021]一种实施例中，所述输入变量还包括气象数据和上游水体的水质参数的监测数据，其中气象数据包括气温和/或降水量；所述训练数据还包括气象数据的历史数据和上游水体的水质参数的历史数据。
[0022]一种实施例中，当待预测水体为河流时，对于t时刻的待预测水体的水质参数的监测数据，对应地使用t
‑
Δt时刻的上游水体的水质参数的监测数据作为输入变量，对于t时刻的待预测水体的水质参数的历史数据，对应地使用t
‑
Δt时刻的上游水体的水质参数的历史数据作为训练数据，其中Δt依据河流的流速以及上游水体与待预测水体的距离设置。
[0023]一种实施例中，在获取所述待预测水体的水质参数的历史数据后，利用所述历史数据进行相关性分析，选择与所述待预测水体的相关性大于预设阈值的水质参数用于进行训练。
[0024]一种实施例中，所述输入变量和所述训练数据被归一化为0到1之间的无量纲数值，所述水质预测方法还包括：在得到水质参数的预测结果后，对其使用反归一化法进行数据还原。
[0025]根据第二方面，一种实施例中提供一种计算机可读存储介质，所述介质上存储有程序，所述程序能够被处理器执行以实现上述第一方面所述的水质预测方法。
[0026]依据上述实施例的小波分析耦合LSTM神经网络的水质预测方法和计算机可读存储介质，对获取的待预测水体的水质参数的监测数据进行分解，得到近似分量和细节分量，将近似分量和细节分量作为输入变量，输入预先训练好的LSTM神经网络中以得到水质参数的预测结果。由于对水质参数的监测数据进行小波分解，把时间序列分解为一系列低频和高频分量，产生了新的特征，这些特征能够表达水质参数的监测数据时频上的信息，从而能
更好地处理数据的非平稳部分，从富含噪声的数据中提取信息，提高了预测的准确性。同时LSTM神经网络作为一种特殊的循环神经网络，可以有效地记忆过去输入的信息，因此对于时间序列数据有很好的效果。
附图说明
[0027]图1为一种实施例的小波分析耦合LSTM神经网络的水质预测方法的流程图；
[0028]图2为一种实施例中训练过程和预测过程中的数据流向的示意图；
[0029]图3为一种实施例中LSTM神经网络的训练流程图；
[0030]图4为另一种实施例中LSTM神经网络的训练流程图。
具体实施方式
[0031]下面通过具体实施方式结合附图对本专利技术作进一步详细说明。其中不同实施方式中类似元件采用了相关联本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种小波分析耦合LSTM神经网络的水质预测方法，其特征在于，包括：获取待预测水体的水质参数的监测数据，其中水质参数包括溶解氧、高锰酸盐指数、氨氮、总磷、总氮、浊度、水温、电导率和PH值中的一种或多种；对所述监测数据进行小波分解以得到所述监测数据的近似分量和细节分量；将所述监测数据的近似分量和细节分量作为输入变量，输入预先训练好的LSTM神经网络中以得到水质参数的预测结果。2.如权利要求1所述的水质预测方法，其特征在于，所述LSTM神经网络通过以下方式进行训练：获取所述待预测水体的水质参数的历史数据；对所述历史数据进行小波分解以得到所述历史数据的近似分量和细节分量；将所述历史数据的近似分量和细节分量作为训练数据，按预设的滑动窗口数将训练数据划分为训练集和验证集，使用所述训练集，根据预设的第一损失函数进行训练以得到所述LSTM神经网络，其中每次进行训练后使用所述验证集，根据预设的第二损失函数计算LSTM神经网络的性能指标，当性能指标连续m次没有提升时则停止训练，否则继续进行训练直至达到预设次数，其中m为预设的提前停止次数。3.如权利要求1所述的水质预测方法，其特征在于，所述LSTM神经网络有多个，分别具有不同的时间分辨率，用于预测未来不同时间长度的水质参数；所述将所述监测数据的近似分量和细节分量作为输入变量，输入预先训练好的LSTM神经网络中以得到水质参数的预测结果，包括：若所预测的时间长度等于其中一个所述LSTM神经网络的时间分辨率，则使用该LSTM神经网络进行预测以得到水质参数的预测结果；若所预测的时间长度为其中一个所述LSTM神经网络的时间分辨率的n倍，则利用该LSTM神经网络连续进行n次预测以得到水质参数的预测结果，其中n为大于1的整数。4.如权利要求3所述的水质预测方法，其特征在于，所述LSTM神经网络通过以下方式进行训练：获取所述待预测水体的水质参数的历史数据；对所述历史数据进行重采样，以得到不同时间分辨率的子序列；分别对各子序列进行小波分解以得到各子序列的近似分量和细节分量；分别将各子序列的近似分量...

【专利技术属性】
技术研发人员：周国龙，王恒俭，马占军，梁泽华，卢诚，兰德顺，刘术军，
申请(专利权)人：深圳博沃智慧科技有限公司，
类型：发明
国别省市：