基于时空图卷积网络的排水管网污水流量预测方法技术

本发明专利技术公开了一种基于时空图卷积网络的排水管网污水流量预测方法，首先，获取排水管网的污水流量时空数据集，并对其进行预处理；然后，将上述数据集划分为训练集、验证集和测试集；其次，构建时空图卷积网络；再次，将训练集和验证集输入网络进行训练；最后，用训练得到的模型对测试集进行预测，得到未来时间点排水管网各分区排放口的污水流量预测值。本发明专利技术结合循环神经网络中的门控循环单元与图卷积网络，构建了排水管网污水流量预测模型，且利用此模型对监测站点不同时间段的污水流量进行预测，实验结果的时空预测能力优于传统水质预测模型，从而实现了对排水管网各分区排放口污水流量的快速精准预测，为城市水管理提供技术支撑。术支撑。术支撑。

【技术实现步骤摘要】
基于时空图卷积网络的排水管网污水流量预测方法


[0001]本专利技术属于图处理
，尤其涉及一种基于时空图卷积网络的排水管网污水流量预测方法。

技术介绍

[0002]老旧城区排水管网系统已经基本完善，但存在管网破损、错接或者管网堵塞，从而使得入流入渗水量进入污水管网系统，因此导致主干管污水中污染物浓度远远低于规范中城市生活污水中污染物浓度，很难满足污水处理要求，使得污水处理厂处理效能低下。特别是降雨导致的入流入渗，使得污水管网系统、污水处理厂运行负荷增加，系统容量下降，增加了污水厂运行成本，严重时还易发生溢流，污染环境。
[0003]目前依靠传统手段(如依靠经验或者是简单的控制系统)已经不能满足当前污水处理厂污水处理系统的需求，从而导致污水处理设施建设和运行过程中存在运行质量差、处理效率和资源利用率低等问题。传感器及在线监测设备在污水处理系统的广泛使用，虽然为工程技术人员采集了大量的数据，如水温、pH、浊度、色度、流量、化学需氧量(COD)、生物需氧量(BOD)等，可是如何分析这些数据并从中提取关键信息用于污水处理系统的调控还没有一套行之有效的方法，因此无法有效地提高污水处理厂污水处理的效率和准确性。
[0004]机器学习方法可充分利用大数据进行非线性回归、分类和预测、诊断异常数据点以及为多目标系统寻找最优决策方式，是近年来解决复杂工程系统问题的重要手段之一。同时，机器学习方法容错率高，可适应较大的输入数据变化，能很好地利用污水处理过程中产生的数据集，并可通过不断优化达到较好的学习效果。

技术实现思路

[0005]针对现有技术存在的问题，为了提高污水处理的效率和准确性，本专利技术提出了一种基于时空图卷积网络的排水管网污水流量预测方法。
[0006]如上构思，本专利技术的技术方案是：一种基于时空图卷积网络的排水管网污水流量预测方法，包括如下步骤：
[0007]S1、获取排水管网的污水流量时空数据集，并对其进行预处理；
[0008]S2、将上述污水流量时空数据集划分为训练集、验证集和测试集；
[0009]S3、构建时空图卷积网络；
[0010]S4、将训练集和验证集输入网络进行训练；
[0011]S5、用训练得到的模型对测试集进行预测，得到未来时间点排水管网各分区排放口的污水流量预测值。
[0012]进一步，所述步骤S1中污水流量时空数据集的预处理包括：
[0013]统计整理排水管网不同排放口监测站点污水的历史流量值，得到时间数据集；
[0014]统计整理排水管网各分区排放口监测站点的空间连接关系，得到空间数据集。
[0015]进一步，所述步骤S2数据集划分比例为：60％的训练集，20％的验证集，20％的测
试集。
[0016]进一步，所述步骤S3构建时空图卷积网络集成了循环神经网络RNN中的门控循环单元GRU和图卷积网络GCN两部分，其中，所述GCN用于捕获排水管网各分区排放口监测站点网络的拓扑结构，对空间依赖性进行建模，所述GRU用于捕获监测站点上污水流量数据的动态变化，对时间序列依赖性进行建模。
[0017]进一步，所述步骤S4的具体实施方法是：利用Intel i7 6800K 6核处理器+英伟达GeoForce GTX 1080 Ti显卡的计算机硬件资源配置和深度学习框架PyTorch将整理好的样本集输入至网络中进行迭代训练，根据损失情况确定最终训练模型，训练参数见表1。
[0018]表1网络训练参数
[0019]参数数值参数数值数据集比例6:2:2批尺寸(BatchSize)32训练周期(Epoch)1000隐藏单元数64学习率(LearningRate)0.001权重衰减(WeightDecay)0.0015。
[0020]进一步，所述步骤S5未来时间点为15min后。
[0021]进一步，所述通过门控循环单元GRU和图卷积网络GCN两部分构建时空图卷积网络的具体实施方法是：首先，以长度为n的历史时间序列序列数据作为输入，使用GCN接收拓扑结构的空间信息，其次，将接收到的空间、时间序列信息输入GRU当中，获取各个单元间的动态信息，以提取时间序列性的特征，最后，通过一层全连接层获得预测结果。
[0022]本专利技术结合循环神经网络中的门控循环单元与图卷积网络，构建了排水管网污水流量预测模型。且利用模型对监测站点不同时间段的污水流量进行预测，实验结果的时空预测能力优于传统水质预测模型，从而实现了对排水管网各分区排放口污水流量的快速精准预测，为城市水管理提供技术支撑。
附图说明
[0023]图1为本专利技术优选实施例的流程图；
[0024]图2是时空图卷积网络结构图。
具体实施方式
[0025]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0026]请参阅图1至图2，本专利技术提供一种基于时空图卷积网络的排水管网污水流量预测方法，包括如下步骤：
[0027]步骤一、获取排水管网的污水流量时空数据集，并对其进行预处理，具体如下：
[0028]统计整理排水管网不同排放口监测站点污水的历史流量值，得到时间数据集；
[0029]统计整理排水管网各分区排放口监测站点的空间连接关系，得到空间数据集。
[0030]步骤二、数据集划分。将上述污水流量时空数据集划分为训练集、验证集和测试集，划分比例为：60％的训练集，20％的验证集，20％的测试集。
[0031]步骤三、时空图卷积网路构建。网络集成了GCN和GRU(简写为GCN
‑
GRU)，其结构如图2所示，其中GCN用于捕获排水管网各分区排放口监测站点网络的拓扑结构，对空间依赖性进行建模；GRU用于捕获监测站点上污水流量数据的动态变化，对时间序列依赖性进行建模。首先，以长度为n的历史时间序列序列数据作为输入，使用GCN接收拓扑结构的空间信息；其次，将接收到的空间、时间序列信息输入GRU当中，获取各个单元间的动态信息，以提取时间序列性的特征；最后，通过一层全连接层，获得预测结果。
[0032]步骤四、网络训练。利用Intel i7 6800K 6核处理器+英伟达GeoForce GTX 1080 Ti显卡的计算机硬件资源配置和深度学习框架PyTorch将整理好的样本集输入至网络中进行迭代训练，根据损失情况确定最终训练模型。训练参数见表1。
[0033]表1网络训练参数
[0034]参数数值参数数值数据集比例6:2:2批尺寸(BatchSize)32训练周期(Epoch)1000隐藏单元数64学习率(LearningRate)0.001权重衰减(WeightDecay)0.0015
[0035]步骤五、模型预测。借助训练模型，输入测试集，得到未来时间点排水管网各分区排放口的污水流量预测值，所述未来时间点为1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时空图卷积网络的排水管网污水流量预测方法，其特征在于：包括如下步骤：S1、获取排水管网的污水流量时空数据集，并对其进行预处理；S2、将上述污水流量时空数据集划分为训练集、验证集和测试集；S3、构建时空图卷积网络；S4、将训练集和验证集输入网络进行训练；S5、用训练得到的模型对测试集进行预测，得到未来时间点排水管网各分区排放口的污水流量预测值。2.根据权利要求1所述的基于时空图卷积网络的排水管网污水流量预测方法，其特征在于，所述步骤S1中污水流量时空数据集的预处理包括：统计整理排水管网不同排放口监测站点污水的历史流量值，得到时间数据集；统计整理排水管网各分区排放口监测站点的空间连接关系，得到空间数据集。3.根据权利要求1所述的基于时空图卷积网络的排水管网污水流量预测方法，其特征在于，所述步骤S2数据集划分比例为：60％的训练集，20％的验证集和20％的测试集。4.根据权利要求1所述的基于时空图卷积网络的排水管网污水流量预测方法，其特征在于，所述步骤S3构建时空图卷积网络集成了循环神经网络RNN中的门控循环单元GRU和图卷积网络GCN两部分，其中，所述GCN用于捕获排水管网各分区排放口监测站点网络的拓扑结构，对空间依赖性进行建模，所述GRU用于捕获监测站点上污水流量数据的动态变化，...

【专利技术属性】
技术研发人员：王守志，万玉生，王冬，刘百韬，姜天凌，曹雪梅，李旭，杜恺忻，刘云慧，谢佳琪，
申请(专利权)人：中国市政工程华北设计研究总院有限公司，
类型：发明
国别省市：