水质等级预测方法、系统、终端设备及存储介质技术方案

本申请适用于计算机应用技术领域，提供了一种水质等级预测方法、系统、终端设备及计算机可读存储介质，包括：根据目标水域的站点位置和各个站点关联的指标类型数据建立目标水域的站点检测图；基于异构图注意力网络对目标水域的站点检测图进行节点聚合，得到目标水域的站点检测图中每个节点的特征更新结果；根据目标水域的站点检测图中每个节点的特征更新结果生成目标水域的水域特征向量；根据历史检测数据和水域特征向量预测所述目标水域的水质等级，能够综合考虑多类型指标对水质情况的影响，又引入了历史水质特征对未来水质情况的影响，有效提高了水质等级预测的准确性，解决了目前对水质情况的预测准确性存在偏差的问题。题。题。

【技术实现步骤摘要】
水质等级预测方法、系统、终端设备及存储介质


[0001]本申请属于计算机应用
，尤其涉及一种水质等级预测方法、系统、终端设备及计算机可读存储介质。

技术介绍

[0002]水作为生命之源，与人类的生产生活息息相关。对水质的评估与检测有利于人们了解水资源情况，为安全用水提供保证，同时也有利于对水环境健康的维护，以便及时发现污染源以及及时地进行水质治理。
[0003]传统的水质评价方法包括综合指标评价法、模糊综合评价法等，这些方法都需要复杂的计算过程。近年来，随着深度学习技术的发展，一些深度学习的经典模型，如序列模型LSTM网络、基于图结构的图神经网络及生成对抗网络等被应用到水域的水质情况的自动预测和评价问题中，通过深度学习的自动化预测过程，有利于对水域的水质情况的可持续发展情况进行预估，对可能出现的污染情况提早采取措施，为水质治理方案的优化提供帮助，从而促进水质治理的发展。
[0004]然而由于水域的生物、水文、地貌等多种因素同样对会对水质情况产生影响，由于考虑因素的增加，如何综合考虑这些影响因素对水质情况影响的重要程度，如何建立起不同影响因素之间的联系，成为水质检测的又一难点。目前通过利用层次分析法，对不同影响因素由人工定义权重，此类权重定义方法对专业知识的要求高且权重固定，不能自适应不同的水域情况，而一些深度学习的方法则是将多种影响因素特征进行简单地拼接，因此也难以学习到这些因素间复杂的关系，导致对水质情况的预测准确性存在偏差。

技术实现思路

[0005]本申请实施例提供了一种水质等级预测方法、系统、终端设备及计算机可读存储介质，解决了目前对于河道水文信息的长期预测存在预测容易存在误差，预测准确度低的问题。
[0006]第一方面，本申请实施例提供了一种水质等级预测方法，包括：
[0007]根据目标水域的站点位置和各个站点关联的指标类型数据建立所述目标水域的站点检测图；
[0008]基于异构图注意力网络对所述目标水域的站点检测图进行节点聚合，得到所述目标水域的站点检测图中每个节点的特征更新结果；
[0009]根据所述目标水域的站点检测图中每个节点的特征更新结果生成所述目标水域的水域特征向量；
[0010]根据历史检测数据和所述水域特征向量预测所述目标水域的水质等级。
[0011]在第一方面的一种实现方式中，所述基于异构图注意力网络对所述目标水域的站点检测图进行节点聚合，得到所述目标水域的站点检测图中每个节点的特征更新结果，包括：
[0012]对目标水域的站点检测图进行节点级别的聚合，得到目标节点的聚合特征；
[0013]根据所述目标节点的聚合特征对目标水域站点的检测图进行语义级别的聚合，得到目标水域的站点检测图中每个节点的特征更新结果。
[0014]在第一方面的一种实现方式中，所述对目标水域的站点检测图进行节点级别的聚合，得到目标节点的聚合特征，包括：
[0015]将不同类型的节点通过元路径类型的线性变换嵌入至与元路径类型对应的元路径类型空间中，得到的融入了元路径特征的节点的特征向量；
[0016]根据注意力机制，确定元路径下每个邻居节点对目标节点的注意力权重；
[0017]根据每个邻居节点对目标节点的注意力权重与邻居节点特征向量，进行特征聚合，得到所述目标节点的聚合特征。
[0018]在第一方面的一种实现方式中，所述根据所述目标节点的聚合特征对目标水域站点的检测图进行语义级别的聚合，得到目标水域的站点检测图中每个节点的特征更新结果，包括：
[0019]确定每条元路径的聚合注意力分数；
[0020]根据目标节点的聚合特征和元路径的聚合注意力分数确定出目标水域的站点检测图中每个节点的特征更新结果。
[0021]在第一方面的一种实现方式中，所述根据历史检测数据和所述水域特征向量预测所述目标水域的水质等级，包括：
[0022]进行时间编码，得到时间差的特征向量；
[0023]将所述历史水域特征序列输入至GRU网络，由GRU网络将每一个时间步的输出特征与下一时间步的时间差进行编码拼接，并经过多层感知机输出对下一时间步水质等级的预测概率。
[0024]在第一方面的一种实现方式中，所述根据目标水域的站点位置和各个站点关联的指标类型数据建立所述目标水域的站点检测图之后，还包括：
[0025]获取目标水域内的各项指标的历史检测数据；
[0026]对各项指标的历史检测数据进行数据编码，得到历史检测特征编码向量。在第一方面的一种实现方式中，所述获取目标水域内的各项指标的历史检测数据之后，还包括：
[0027]根据采集历史检测数据的监测站点的位置和采集时间区分历史检测数据。
[0028]第二方面，本申请实施例提供了一种水质等级预测系统，包括：
[0029]建立单元，用于根据目标水域的站点位置和各个站点关联的指标类型数据建立所述目标水域的站点检测图；
[0030]聚合单元，用于基于异构图注意力网络对所述目标水域的站点检测图进行节点聚合，得到所述目标水域的站点检测图中每个节点的特征更新结果；
[0031]生成单元，用于根据所述目标水域的站点检测图中每个节点的特征更新结果生成所述目标水域的水域特征向量；
[0032]预测单元，用于根据历史检测数据和所述水域特征向量预测所述目标水域的水质等级。
[0033]第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，上述处理器执行所述计算机程序时实
等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0049]在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
[0050]由于水质的综合评价预测涉及到多类型的指标体系，如何综合考虑不同指标体系对水质等级的预测结果的影响成为水质评价问题中必须解决的一个问题。传统的方法如层次分析法等需要人为定义不同因素间的权重，而一些深度学习方法将这些指标特征进行简单的拼接或加和，难以充分考虑不同指标对最终结果的影响程度的差异。且历史水质特征蕴含了一定的水质演变规律，为了实现对未来情况的预测，同样需要考虑过去的水质情况，才能有效地综合多类型指标对未来水质情况(即水质等级)进行有效地预测。
[0051]为了有效地综合多类型指标对水质情况的预测的影响，提高水质等级预测的准确性，本申请实施例提供了一种水质等级预测方法，通过分析不同类型指标对站点的影响以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种水质等级预测方法，其特征在于，包括：根据目标水域的站点位置和各个站点关联的指标类型数据建立所述目标水域的站点检测图；基于异构图注意力网络对所述目标水域的站点检测图进行节点聚合，得到所述目标水域的站点检测图中每个节点的特征更新结果；根据所述目标水域的站点检测图中每个节点的特征更新结果生成所述目标水域的水域特征向量；根据历史检测数据和所述水域特征向量预测所述目标水域的水质等级。2.如权利要求1所述的水质等级预测方法，其特征在于，所述基于异构图注意力网络对所述目标水域的站点检测图进行节点聚合，得到所述目标水域的站点检测图中每个节点的特征更新结果，包括：对目标水域的站点检测图进行节点级别的聚合，得到目标节点的聚合特征；根据所述目标节点的聚合特征对目标水域站点的检测图进行语义级别的聚合，得到目标水域的站点检测图中每个节点的特征更新结果。3.如权利要求2所述的水质等级预测方法，其特征在于，所述对目标水域的站点检测图进行节点级别的聚合，得到目标节点的聚合特征，包括：将不同类型的节点通过元路径类型的线性变换嵌入至与元路径类型对应的元路径类型空间中，得到的融入了元路径特征的节点的特征向量；根据注意力机制，确定元路径下每个邻居节点对目标节点的注意力权重；根据每个邻居节点对目标节点的注意力权重与邻居节点特征向量，进行特征聚合，得到所述目标节点的聚合特征。4.如权利要求2所述的水质等级预测方法，其特征在于，所述根据所述目标节点的聚合特征对目标水域站点的检测图进行语义级别的聚合，得到目标水域的站点检测图中每个节点的特征更新结果，包括：确定每条元路径的聚合注意力分数；根据目标节点的聚合特征和元路径的聚合注意力分数确定出目标水域的站点检测图中每个节点的特征更新结果。5.如权利要求1所述的水质等级预测方法，其特征在于，所...

【专利技术属性】
技术研发人员：全绍军，林格，陈小燕，梁少玲，
申请(专利权)人：长视科技股份有限公司，
类型：发明
国别省市：