一种基于时间序列的水质预测方法技术

本申请公开了一种基于时间序列的水质预测方法，涉及水质监测领域，该方法以历史采样时刻的污染参数构建污染参数时间序列，结合EMD分解和LMD分解得到不同的分量序列，并利用基于LSSVM模型训练得到的预测模型分别得到各个分量序列的预测结果，继而可以得到下一个采样时刻的污染参数预测值，从而实现水质预测，可以在水污染发生之前实现事前的预测和预防，且采用LSSVM模型可以降低计算复杂度，加快求解速度，并具有较高的预测精度。并具有较高的预测精度。并具有较高的预测精度。

【技术实现步骤摘要】
一种基于时间序列的水质预测方法


[0001]本申请涉及水质监测领域，尤其是一种基于时间序列的水质预测方法。

技术介绍

[0002]近年来各个湖体总磷总氮不断升高，并已成为湖体水质超标的主要影响因子，且可能影响饮用水源地等敏感区域。目前主要通过人工监测、自动监测等多手段测量入湖河流总磷总氮含量，并在监测到含量超标时及时干预治理。但这种做法只能实现事后治理，仍然会影响水质。

技术实现思路

[0003]本申请人针对上述问题及技术需求，提出了一种基于时间序列的水质预测方法，本申请的技术方案如下：
[0004]一种基于时间序列的水质预测方法，其特征在于，该方法包括：
[0005]获取水体的污染参数时间序列，污染参数时间序列包括水体在当前时刻及其之前的历史时段内每个采样时刻处的污染参数；
[0006]对污染参数时间序列进行EMD分解得到若干个分量序列，并利用EMD分解的每个分量序列对应的预测模型分别得到预测结果，将EMD分解得到的各个分量序列的预测结果进行叠加得到第一污染参数预测值，EMD分解得到的分量序列包括若干个IMF分量和一个残差项r
n
；
[0007]对污染参数时间序列进行LMD分解得到若干个分量序列，并利用LMD分解的每个分量序列对应的预测模型分别得到预测结果，将LMD分解得到的各个分量序列的预测结果进行叠加得到第二污染参数预测值，LMD分解得到的分量序列包括若干个PF分量和一个残差项u
k
；
[0008]根据第一污染参数预测值和第二污染参数预测值得到水体在下一时刻的污染参数预测值；
[0009]其中，EMD分解得到的各个分量序列对应的预测模型以及LMD分解得到的各个分量序列对应的预测模型均基于LSSVM模型训练得到。
[0010]其进一步的技术方案为，获取水体的污染参数时间序列，包括获取水体在每个采样时刻处的总氮含量以及总磷含量，将总氮含量和总磷含量求和得到的氮磷总量作为水体在采样时刻处的污染参数；则得到的水体在下一时刻的污染参数预测值包括水体在下一时刻的氮磷总量预测值。
[0011]其进一步的技术方案为，得到水体在下一时刻的污染参数预测值的方法包括：
[0012]基于水体的污染参数时间序列确定氮占比η
N
和磷占比η
P
，氮占比η
N
表示水体在历史时段内的总氮含量在氮磷总量中的占比，磷占比η
P
表示水体在历史时段内的总磷含量在氮磷总量中的占比且有η
N
+η
P
＝1；
[0013]在得到水体在下一时刻的氮磷总量预测值T
NP
后，确定水体在下一时刻的总氮含量
预测值为T
NP
*η
N
以及总磷含量预测值为T
NP
*η
P
。
[0014]其进一步的技术方案为，基于水体的污染参数时间序列确定氮占比η
N
和磷占比η
P
的方法包括：
[0015]利用水体在当前时刻采样到的总氮含量和总磷含量计算得到氮占比η
N
和磷占比η
P
。
[0016]其进一步的技术方案为，基于水体的污染参数时间序列确定氮占比η
N
和磷占比η
P
的方法包括：
[0017]分别利用水体在每个采样时刻采样到的总氮含量和总磷含量计算得到每个采样时刻的氮参考占比，计算各个采样时刻的氮参考占比的平均值作为氮占比η
N
，并得到磷占比η
P
＝1
‑
η
N
；
[0018]或者，分别利用水体在每个采样时刻采样到的总氮含量和总磷含量计算得到每个采样时刻的磷参考占比，计算各个采样时刻的磷参考占比的平均值作为磷占比η
P
，并得到氮占比η
N
＝1
‑
η
P
。
[0019]其进一步的技术方案为，方法还包括利用虚假邻点法确定每个分量序列对应的预测模型的嵌入维数m，则获取到的水体的污染参数时间序列包括当前时刻及其之前的历史时段内共m个采样时刻处的污染参数。
[0020]其进一步的技术方案为，利用虚假邻点法确定嵌入维数m的方法包括：
[0021]以m＝1为起始值，根据任意参数i对应的轨线在嵌入维数m+1下的点Y
m+1
(i)及其最近邻近点Y
m+1
(n(i,m))之间的距离，确定参数i对应的轨线在嵌入维数m下的点Y
m
(i)的最近邻近点Y
m
(n(i,m))是否为虚假最近邻点；
[0022]当轨线上不同参数i对应的虚假最近邻点的占比低于占比阈值，或者轨线上不同参数i对应的虚假最近邻点的占比小于嵌入维数m
‑
1下确定的轨线上不同参数i对应的虚假最近邻点的占比时，确定得到嵌入维数m，否则令m＝m+1并再次执行根据任意参数i对应的轨线在嵌入维数m+1下的点Y
m+1
(i)及其最近邻近点Y
m+1
(n(i,m))之间的距离的步骤。
[0023]其进一步的技术方案为，确定参数i对应的轨线在嵌入维数m下的点Y
m
(i)的最近邻近点Y
m
(n(i,m))是否为虚假最近邻点的方法包括：
[0024]当时确定Y
m
(n(i,m))是Y
m
(i)的虚假最近邻点，R
T
是预设阈值。
[0025]其进一步的技术方案为，该方法还包括：
[0026]对于EMD分解得到的各个分量序列以及LMD分解得到的各个分量序列中的每个分量序列，构建分量序列的训练样本集，并利用分量序列的训练样本集基于LSSVM模型训练得到分量序列对应的预测模型；在模型训练过程中，利用十折交叉验证确定LSSVM模型的正则化参数γ和核函数参数σ2。
[0027]其进一步的技术方案为，根据第一污染参数预测值和第二污染参数预测值得到水体在下一时刻的污染参数预测值，包括：
[0028]计算第一污染参数预测值和第二污染参数预测值的平均值作为水体在下一时刻的污染参数预测值。
[0029]本申请的有益技术效果是：
[0030]本申请公开了一种基于时间序列的水质预测方法，该方法以历史采样时刻的污染参数构建污染参数时间序列，结合EMD分解和LMD分解得到不同的分量序列，并利用基于LSSVM模型训练得到的预测模型分别得到各个分量序列的预测结果，继而可以得到下一个采样时刻的污染参数预测值，从而实现水质预测，可以在水污染发生之前实现事前的预测和预防，且采用LSSVM模型可以降低计算复杂度，加快求解速度，并具有较高的预测精度。
[0031]考虑到水体的总氮含量和总磷含量两个参数是相本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时间序列的水质预测方法，其特征在于，所述方法包括：获取水体的污染参数时间序列，所述污染参数时间序列包括所述水体在当前时刻及其之前的历史时段内每个采样时刻处的污染参数；对所述污染参数时间序列进行EMD分解得到若干个分量序列，并利用EMD分解的每个分量序列对应的预测模型分别得到预测结果，将EMD分解得到的各个分量序列的预测结果进行叠加得到第一污染参数预测值，EMD分解得到的分量序列包括若干个IMF分量和一个残差项r
n
；对所述污染参数时间序列进行LMD分解得到若干个分量序列，并利用LMD分解的每个分量序列对应的预测模型分别得到预测结果，将LMD分解得到的各个分量序列的预测结果进行叠加得到第二污染参数预测值，LMD分解得到的分量序列包括若干个PF分量和一个残差项u
k
；根据所述第一污染参数预测值和所述第二污染参数预测值得到水体在下一时刻的污染参数预测值；其中，EMD分解得到的各个分量序列对应的预测模型以及LMD分解得到的各个分量序列对应的预测模型均基于LSSVM模型训练得到。2.根据权利要求1所述的方法，其特征在于，所述获取水体的污染参数时间序列，包括获取水体在每个采样时刻处的总氮含量以及总磷含量，将总氮含量和总磷含量求和得到的氮磷总量作为所述水体在所述采样时刻处的污染参数；则得到的所述水体在下一时刻的污染参数预测值包括所述水体在下一时刻的氮磷总量预测值。3.根据权利要求2所述的方法，其特征在于，得到水体在下一时刻的污染参数预测值的方法包括：基于所述水体的污染参数时间序列确定氮占比η
N
和磷占比η
P
，氮占比η
N
表示所述水体在历史时段内的总氮含量在氮磷总量中的占比，磷占比η
P
表示所述水体在历史时段内的总磷含量在氮磷总量中的占比且有η
N
+η
P
＝1；在得到所述水体在下一时刻的氮磷总量预测值T
NP
后，确定所述水体在下一时刻的总氮含量预测值为T
NP
*η
N
以及总磷含量预测值为T
NP
*η
P
。4.根据权利要求3所述的方法，其特征在于，基于所述水体的污染参数时间序列确定氮占比η
N
和磷占比η
P
的方法包括：利用所述水体在当前时刻采样到的总氮含量和总磷含量计算得到氮占比η
N
和磷占比η
P
。5.根据权利要求3所述的方法，其特征在于，基于所述水体的污染参数时间序列确定氮占比η
N
和磷占比η
P
的方法包括：分别利用所述水体在每个采样时刻采样到的总氮含量和总磷含量计算得到每个采样...

【专利技术属性】
技术研发人员：张虎军，许燕娟，庄严，王伟，刘勇，东梅，江岚，曹兰，徐艺草，姜杰，杨莹莹，
申请(专利权)人：无锡中科水质环境技术有限公司，
类型：发明
国别省市：