一种基于特征工程的河涌水质预测方法技术

一种基于特征工程的河涌水质预测方法，包括：步骤A：获取影响河涌水质的监测数据；步骤B：对影响河涌水质的监测数据进行预处理；步骤C：构造影响河涌水质的特征指标；步骤D：采用相关系数法进行特征指标筛选，包括通过Pearson相关系数法进行LSTM模型的特征筛选；步骤E：模型结构数据处理，包括将筛选的特征指标，进行LSTM模型结构数据预处理；步骤F：模型训练及自动调参，包括对LSTM模型进行训练和自动调优LSTM模型参数，保存最优模型至服务器上；步骤G：模型预测及结果评估，包括基于最优模型获取预测数据，评估预测数据与真实数据的偏差。本发明专利技术结合河涌的多因素、多条件影响因素，实现更准确、更全面反映水质变化的预测情况。更全面反映水质变化的预测情况。更全面反映水质变化的预测情况。

【技术实现步骤摘要】
一种基于特征工程的河涌水质预测方法


[0001]本专利技术涉及水质预测
，尤其涉及一种基于特征工程的河涌水质预测方法。

技术介绍

[0002]随着城市化进程的加快，城市内河涌的污染日益严峻，为了更高效的监管河涌水质及入河污染物的排放，提高河涌水污染的防治效率，环境管理部门需要更及时、更精准、更全面的了解河涌水质变化，并对主要排放口提前采取措施，提高河涌水质优良比。因此，对河涌的水质预测非常重要。
[0003]目前，水质预测方法主要包括：回归分析预测法、Markov法、时间序列分析预测法和函数模型预测法等传统预测法，以及神经网络模型、支持向量回归模型和灰色理论模型等新型水质预测模型。然而，在现有的河涌水质预测方法中，往往是针对某一方面的特征数据进行时间序列预测(例如，仅根据气象特征预测水质)，并没有全面考虑影响水质的各方面因素，从而对河涌水质的预测效果不理想。
[0004]事实上，河涌水环境是一个多因素、多条件影响的复杂系统。污染物进入河涌后，会经历混合、稀释、扩散、沉淀等物理过程，以及氧化、还原、降解、吸收、吸附、凝聚等生化反应过程，从而使污染物浓度降低。其中，影响物理自净过程的主要是水文条件和污染物的物理性质。而影响生化反应过程的主要是污染物的化学性质、溶解氧、水温、酸碱度、水体生物种类等。对于以生活污水为主导的河涌，居民每天生活污水的排放比较有规律且相对稳定，河涌污染物的物理性质、化学性质、酸碱度、水体生物种类等，在短期内变化通常较小。
[0005]一般情况下，短期内影响河涌水质变化的主要是四个方面的原因：一是受上游来水、地表径流、沿途排放、降雨等外源污染的影响；二是受温度、风速，日照、气压、湿度等气象因素的影响；三是对河涌的调水、曝气等人工干预措施的影响；四是居民生活污水的排放规律。下面以河涌中的污染物氨氮为例说明具体影响因素：
[0006]一是降雨因素。一方面降雨会影响上游来水、地表径流等外源污染；另一方面降雨会影响水体的物理自净过程。在没有降雨的时候，城市河涌流速较慢，污染物迁移和扩散较慢，水体的物理自净能力较弱；在降雨的时候，河涌流速较快，污染物迁移和扩散较快，水体的物理自净能力显著增强。降雨对河涌水体污染物浓度的影响主要体现在：一是降雨历时。一般情况下，初期雨水中的主要污染物的浓度大于后期雨水，即出现“降雨初始冲刷效应”的现象。二是降雨强度。不同降雨量的溢流情况也不一样，小雨、中雨的溢流影响较小，对河涌水质的变化影响较小。而大雨、暴雨、大暴雨、特大暴雨对水质的变化影响较大。三是近期降雨情况。近期降雨量越小，本次强降雨对水质的波动影响越大。
[0007]二是温度、风速，日照、气压、湿度等气象因素。如图1，含氮化合物相互转化流程图。气象因素主要是通过影响河涌的溶解氧、水温的变化，从而影响氨氮的自然降解过程。如图2，溶解氧在水体中的传递过程包括：大气复氧、氨化作用、硝化作用、有机物降解、藻类呼吸作用及光合作用，其它物质降解、底泥耗氧、杂质吸附等。其中，大气复氧、光合作用受
温度、气压、风速、湿度、光照强度等气象因素的影响较大；而其它耗氧过程主要受水质污染浓度的影响。而影响水温的主要是气温、风速、相对湿度等气象因素，一般情况下，气温越高、相对湿度越大，水温越高；而风速越大，水温越低。
[0008]三是对河涌的调水、曝气等人工干预措施。从外江调入更干净的水质，增加曝气时长，都有利于加快水质自净过程，从而降低污染物浓度。
[0009]四是居民生活污水的排放规律。一般情况下，受居民生活规律的影响，居民人均排水量的最高峰时段出现在19:00—21:30，次高峰时段为06:30—10:30，00:00—5:00期间的排水量最低，沿途排放呈现昼夜周期性的波动。与此同时，河涌污染物的物理性质、化学性质、酸碱度、浓度等也呈现周期性变化。
[0010]因此，针对河涌水质的在线监测数据，迫切需要一种结合河涌的多因素、多条件影响因素，更准确、更全面反映水质变化的预测方法。

技术实现思路

[0011]本专利技术的目的在于针对
技术介绍
中的缺陷，提出一种基于特征工程的河涌水质预测方法，通过构建影响污染物浓度变化的昼夜变化特征指标、季节性变化特征指标、影响溶解氧、水温的气象因素特征指标、降雨特征指标、调水特征指标、曝气特征指标等，并利用相关系数法进行特征筛选，然后将数据标准化、三维数据转换，采用LSTM深度学习法构造模型，并采用贝叶斯优化的方式进行自动调整最优参数，最后将预测结果经过逆标准化转换后输出，实现结合河涌的多因素、多条件影响因素，更准确、更全面反映水质变化的预测情况。
[0012]为了解决上述问题，本专利技术提出了一种基于特征工程的河涌水质预测方法，包括如下步骤：
[0013]步骤A：获取影响河涌水质的监测数据；
[0014]步骤B：对影响河涌水质的监测数据进行预处理；
[0015]步骤C：构造影响河涌水质的特征指标；
[0016]步骤D：采用相关系数法进行特征指标筛选，包括通过Pearson相关系数法进行LSTM模型的特征筛选；
[0017]步骤E：模型结构数据处理，包括将筛选的特征指标，进行LSTM模型结构数据预处理；
[0018]步骤F：模型训练及自动调参，包括对LSTM模型进行训练和自动调优LSTM模型参数，保存最优模型至服务器上；
[0019]步骤G：模型预测及结果评估，包括基于最优模型获取预测数据，评估预测数据与真实数据的偏差。
[0020]优选的，在所述步骤A中，获取影响河涌水质的监测数据包括获取河涌污染物监测数据、调水记录、曝气设备运行记录以及气象数据。
[0021]优选的，在所述步骤B中，对影响河涌水质的监测数据进行预处理包括：
[0022]步骤B1：对监测数据的完整性进行检查，剔除显著异常值，包括剔除缺失值、NULL值、值不变和负值；
[0023]步骤B2：剔除监测仪器处于非正常监测时段的数据，非正常监测时段包括故障期
间、维修期间、超期限未校准时段、失控时段、有计划的维护保养时段和校准校验时段；
[0024]步骤B3：基于MAD法去除异常小和异常大的离群值。
[0025]优选的，在所述步骤C中，构造影响河涌水质的特征指标包括构造昼夜变化特征指标、季节性变化特征指标、影响溶解氧、水温的特征指标、降雨特征指标、调水特征指标和曝气特征指标。
[0026]优选的，构造昼夜变化特征指标包括：
[0027]引入日周期性特征指标参与LSTM模型训练预测，基于sin和cos将时间转换为清晰的“一天时间”的周期性信号；
[0028]转换过程包括：
[0029]将监测数据时间转化为时间戳格式，依次按照公式一至公式三进行转换；
[0030]day＝24
×
60
×
60
‑‑
公式一；
[0031]Daysin＝sin(时间戳
×
(2π/day))<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征工程的河涌水质预测方法，其特征在于，包括如下步骤：步骤A：获取影响河涌水质的监测数据；步骤B：对影响河涌水质的监测数据进行预处理；步骤C：构造影响河涌水质的特征指标；步骤D：采用相关系数法进行特征指标筛选，包括通过Pearson相关系数法进行LSTM模型的特征筛选；步骤E：模型结构数据处理，包括将筛选的特征指标，进行LSTM模型结构数据预处理；步骤F：模型训练及自动调参，包括对LSTM模型进行训练和自动调优LSTM模型参数，保存最优模型至服务器上；步骤G：模型预测及结果评估，包括基于最优模型获取预测数据，评估预测数据与真实数据的偏差。2.根据权利要求1所述一种基于特征工程的河涌水质预测方法，其特征在于：在所述步骤A中，获取影响河涌水质的监测数据包括获取河涌污染物监测数据、调水记录、曝气设备运行记录以及气象数据。3.根据权利要求1所述一种基于特征工程的河涌水质预测方法，其特征在于：在所述步骤B中，对影响河涌水质的监测数据进行预处理包括：步骤B1：对监测数据的完整性进行检查，剔除显著异常值，包括剔除缺失值、NULL值、值不变和负值；步骤B2：剔除监测仪器处于非正常监测时段的数据，非正常监测时段包括故障期间、维修期间、超期限未校准时段、失控时段、有计划的维护保养时段和校准校验时段；步骤B3：基于MAD法去除异常小和异常大的离群值。4.根据权利要求1所述一种基于特征工程的河涌水质预测方法，其特征在于：在所述步骤C中，构造影响河涌水质的特征指标包括构造昼夜变化特征指标、季节性变化特征指标、影响溶解氧、水温的特征指标、降雨特征指标、调水特征指标和曝气特征指标。5.根据权利要求4所述一种基于特征工程的河涌水质预测方法，其特征在于：构造昼夜变化特征指标包括：引入日周期性特征指标参与LSTM模型训练预测，基于sin和cos将时间转换为清晰的“一天时间”的周期性信号；转换过程包括：将监测数据时间转化为时间戳格式，依次按照公式一至公式三进行转换；day＝24
×
60
×
60
‑‑
公式一；Daysin＝sin(时间戳
×
(2π/day))
‑‑
公式二；Daycos＝cos(时间戳
×
(2π/day))
‑‑
公式三；Daysin表示转换后的sin日周期性信号；Daycos表示转换后的cos日周期性信号；构造季节性变化特征指标包括：通过使用sin和cos将时间转换为清晰的“一年时间”的周期性信号；转换过程包括：将监测数据时间转化为时间戳格式，...

【专利技术属性】
技术研发人员：叶效强，蒋鸿伟，谭成灶，胡晓辉，梁文智，李健森，吴君句，张广昕，骆大清，
申请(专利权)人：广东长天思源环保科技股份有限公司，
类型：发明
国别省市：