水质参数预测模型的构建方法、装置、存储介质和设备制造方法及图纸

本申请提供一种水质参数预测模型的构建方法、装置、存储介质和设备，其中，构建方法包括：获取待预测水域的多项水质参数的训练数据；多项水质参数包括目标项水质参数和若干个参考项水质参数；对目标项水质参数和各项参考项水质参数进行距离相关性分析，得到对应的相关性数据；将相关性数据大于预设的相关性阈值的参考项水质参数确定为相关项水质参数；对相关项水质参数进行标准化处理，得到相关项水质参数的标准化参数；根据标准化参数的训练数据和目标水质参数的训练数据对初始神经网络模型进行训练，得到用于预测目标水质参数的水质参数预测模型。本申请可以构建出水质参数预测模型，以降低目标项的水质参数的数据获取成本。本。本。

【技术实现步骤摘要】
水质参数预测模型的构建方法、装置、存储介质和设备


[0001]本申请涉及水质参数的预测
，具体涉及一种水质参数预测模型的构建方法、装置、存储介质和设备。

技术介绍

[0002]随着城市工业化程度的加剧，越来越多的污染物排放到水体中，不仅给人类社会带来了巨大的经济损失，还给周边环境以及生命带来了严重的危害，因此需要对各个水域的水体进行水质检测，以留意水质参数的变化，从而判断水体是否受到污染。然而，由于水质参数众多，有的水质参数的检测过程十分繁琐，且检测难度大，需要的检测仪器昂贵，因此导致水质检测的时间成本和经济成本都十分巨大。

技术实现思路

[0003]本申请的目的在于克服现有技术中的缺点与不足，提供一种水质参数预测模型的构建方法、装置、存储介质和设备，可以构建出水质参数预测模型，以降低目标项的水质参数的数据获取成本。
[0004]本申请实施例的第一方面提供了一种水质参数预测模型的构建方法，包括：
[0005]获取待预测水域的多项水质参数的训练数据；所述多项水质参数包括目标项水质参数和若干个参考项水质参数；
[0006]对所述目标项水质参数和各项所述参考项水质参数进行距离相关性分析，得到各项所述参考项水质参数与所述所述目标项水质参数的相关性数据；
[0007]将相关性数据大于预设的相关性阈值的参考项水质参数确定为相关项水质参数；
[0008]对所述相关项水质参数进行标准化处理，得到所述相关项水质参数的标准化参数；
[0009]根据所述标准化参数的训练数据和所述目标水质参数的训练数据对初始神经网络模型进行训练，得到用于预测目标水质参数的水质参数预测模型。
[0010]本申请实施例的第二方面提供了一种水质参数预测模型的构建装置，包括：
[0011]训练数据获取模块，用于获取待预测水域的多项水质参数的训练数据；所述多项水质参数包括目标项水质参数和若干个参考项水质参数；
[0012]相关性数据获取模块，用于对所述目标项水质参数和各项所述参考项水质参数进行距离相关性分析，得到各项所述参考项水质参数与所述所述目标项水质参数的相关性数据；
[0013]相关项水质参数确定模块，用于将相关性数据大于预设的相关性阈值的参考项水质参数确定为相关项水质参数；
[0014]标准化参数获取模块，用于对所述相关项水质参数进行标准化处理，得到所述相关项水质参数的标准化参数；
[0015]参数预测模型训练模块，用于根据所述标准化参数的训练数据和所述目标水质参
数的训练数据对初始神经网络模型进行训练，得到用于预测目标水质参数的水质参数预测模型。
[0016]本申请实施例的第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的水质参数预测模型的构建方法的步骤。
[0017]本申请实施例的第四方面提供了一种计算机设备，包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的水质参数预测模型的构建方法的步骤。
[0018]相对于相关技术，本申请通过距离相关性分析，获取各项所述参考项水质参数与所述所述目标项水质参数的相关性数据，根据相关性数据从各项所述参考项水质参数中确定相关项水质参数，根据所述标准化参数的训练数据和所述目标水质参数的训练数据对初始神经网络模型进行训练，得到用于预测目标水质参数的水质参数预测模型，可用于目标水质参数的预测，以降低目标项的水质参数的数据获取的时间成本和经济。
[0019]为了能更清晰的理解本申请，以下将结合附图说明阐述本申请的具体实施方式。
附图说明
[0020]图1为本申请一个实施例的水质参数预测模型的构建方法的流程图。
[0021]图2为本申请一个实施例的水质参数预测模型的构建方法的步骤S11
‑
S12的流程图。
[0022]图3为本申请一个实施例的水质参数预测模型的构建装置的模块连接示意图。
[0023]100、水质参数预测模型的构建装置；101、训练数据获取模块；102、相关性数据获取模块；103、相关项水质参数确定模块；104、标准化参数获取模块；105、参数预测模型训练模块。
具体实施方式
[0024]为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
[0025]应当明确，所描述的实施例仅仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请实施例保护的范围。
[0026]下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。在此所使用的词语“如果”/“若”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
[0027]此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，
同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
[0028]请参阅图1，其是本申请第一实施例提供了一种水质参数预测模型的构建方法的流程图，包括：
[0029]S1：获取待预测水域的多项水质参数的训练数据；所述多项水质参数包括目标项水质参数和若干个参考项水质参数。
[0030]多项水质参数是指水体中的各种元素，包括通过自然途径和人为途径注入到水体或对水体带来影响的各种元素，包括但不限于水温、ph、溶解氧、高锰酸钾、氨氮、总磷、总氮、电导率、浊度、降雨量、空气湿度等。
[0031]目标项水质参数包括检测难度高或检测成本高的水质参数，包括：杀虫剂、抗生素、重金属和微塑料等。具体地，杀虫剂包括：吡虫啉、啶虫脒、噻虫嗪、噻虫啉、噻虫胺、呋虫胺、烯啶虫胺；抗生素包括：磺胺嘧啶、磺胺甲恶唑、磺胺噻唑、磺胺间甲氧嘧啶、诺氟沙星、环丙沙星、恩诺沙星、氧氟沙星、四环素、氧四环素、强力霉素、金霉素、红霉素、罗红霉素；重金属包括：铜、铅、铬、镉、锌、镍、钒、钴、钡。
[0032]S2：对所述目标项水质参数和各项所述参考项水质参数进行距离相关性分析，得到各项所述参考项水质参数与所述所述目标项水质参数的相关性数据。
[0033]距离相关性分析是基于距离相关系数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种水质参数预测模型的构建方法，其特征在于，包括：获取待预测水域的多项水质参数的训练数据；所述多项水质参数包括目标项水质参数和若干个参考项水质参数；对所述目标项水质参数和各项所述参考项水质参数进行距离相关性分析，得到各项所述参考项水质参数与所述所述目标项水质参数的相关性数据；将相关性数据大于预设的相关性阈值的参考项水质参数确定为相关项水质参数；对所述相关项水质参数进行标准化处理，得到所述相关项水质参数的标准化参数；根据所述标准化参数的训练数据和所述目标水质参数的训练数据对初始神经网络模型进行训练，得到用于预测目标水质参数的水质参数预测模型。2.根据权利要求1所述的水质参数预测模型的构建方法，其特征在于，所述获取待预测水域的多项水质参数的训练数据的步骤之后，包括：根据预设的异常数据剔除规则，剔除所述训练数据的异常数据，得到缺失了异常数据的训练数据；根据预设的数据填充规则，对缺失了异常数据的训练数据进行数据填充，得到填充后的训练数据。3.根据权利要求1所述的水质参数预测模型的构建方法，其特征在于，所述根据所述标准化参数的训练数据和所述目标水质参数的训练数据对初始神经网络模型进行训练，得到用于预测目标水质参数的水质参数预测模型的步骤之后，还包括：获取所述待预测水域的相关项水质参数测试数据和目标项水质参数测试数据；根据所述相关项水质参数测试数据和所述目标项水质参数测试数据，对所述水质参数预测模型进行评估，以优化所述水质参数预测模型。4.根据权利要求1所述的水质参数预测模型的构建方法，其特征在于，所述对所述目标项水质参数和各项所述参考项水质参数进行距离相关性分析，得到各项所述参考项水质参数与所述所述目标项水质参数的相关性数据的步骤，包括：通过以下公式，得到所述目标项水质参数和各项所述参考项水质参数的相关性数据：其中，为所述目标项水质参数和所述参考项水质参数的相关性数据；为所述目标项水质参数和所述参考项水质参数的距离协方差；为所述目标项水质参数的距离标准差；为所述参考项水质参数的距离标准差。5.根据权利要求1所述的水质参数预测模型的构建方法，其特征在于，所述根据所述标准化参数的训练数据和所述目标水质参数的训练数据对初始神经网络模型进行训练，得到用于预测目标水质参数的水质参数预测模型的步骤...

【专利技术属性】
技术研发人员：黄永凯，陈轶龄，蔡宴鹏，曾海鹏，陈元培，杜宇，詹万新，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：