一种基于混合双向长短时记忆神经网络的水质指标预测方法技术

本发明专利技术涉及一种面向水质指标预测的方法，特别是涉及一种基于SG(Savitzky

【技术实现步骤摘要】
一种基于混合双向长短时记忆神经网络的水质指标预测方法


[0001]本专利技术涉及一种面向水质指标的预测方法，特别是涉及一种基于混合双向长短时记忆神经网络的水质指标预测方法。

技术介绍

[0002]随着城市的发展和城市化进程的加快，城市水的健康循环是城市健康发展的重要基础。它是保持良好城市水环境的基本条件，也是保持健康城市生态环境的必要前提。水质好坏关系到人民群众的生命财产安全。长期以来，水环境问题在中国一直受到特别关注。中国水资源的匮乏进一步反映了保护水资源的必要性。因此，建立一个准确的水质预测系统来改善水质是非常必要的。水质预测实际上是一个时间序列预测问题。近年来，随着物联网技术和人工智能的快速发展，出现了性能优良、稳定性好、延时小的水质检测传感器。通过收集各种水质传感器的水质信息，可以实时获取各种水质监测指标。
[0003]目前，时间序列预测方法主要分为传统的统计方法和深度学习方法。传统的统计方法提取数据的线性关系，其中发展出许多优秀的模型。例如，支持向量机(Support Vector Machine,SVM)由于速度快、计算量小而被广泛应用于时间序列预测中。然而，对于大规模的训练样本却很难处理。自回归移动平均模型(AutoRegressive Integrated Moving Average,ARIMI)结合了线性和非线性模型的优点，提取了时间序列中的非线性关系。然而，水质变化受多种因素的影响，其时间序列呈现出既复杂又非线性的特性。因此，仅靠传统的统计方法无法捕捉水质时间序列的细微变化。新兴的深度学习技术被广泛应用于解决时间序列预测问题。循环神经网络(Recurrent Neural Networks,RNN)可以捕获时间序列的长期相关性。长短时记忆(Long Short Term Memory,LSTM)作为一种典型的记忆变体，解决了长序列训练中梯度消失和梯度爆炸的问题。然而，它不能对信息进行反向编码。人工神经网络模型也常被用来预测时间序列，但需要大量的参数和较长的学习时间。

技术实现思路

[0004]针对以上现有技术的不足，本专利技术提供一种基于SG(Savitzky
‑
Golay)滤波、变分模态分解(Variational Mode Decomposition,VMD)、注意力机制、基于遗传模拟退火的粒子群优化算法(Genetic Simulated annealing
‑
based PSO,GSPSO)与编码
‑
解码器的双向长短时记忆(Encoder
‑
Decoder Bidirectional Long Short Term Memory,BiLSTM
‑
ED)神经网络的水质指标预测方法。包括：基于SG滤波的水质时间序列预处理方案；基于VMD的水质时间序列多要素分解；基于注意力机制的水质时间序列关键信息捕获；基于Encoder
‑
Decoder框架BiLSTM
‑
ED模型以及GSPSO优化其超参数实现水质指标单步预测。本专利技术的目的通过以下技术方案来实现。
[0005]一种混合双向长短时记忆神经网络的水质指标预测方法，该方法包括如下的步骤：
[0006]1)获取一条河流过去一段时间的监测的水质指标组成的时间序列数据；
[0007]2)将获取到的数据进行归一化处理，统一到(0,1)范围内；
[0008]3)在2)的基础上，对处理后的数据进行SG滤波平滑降噪处理，并使用VMD分解为多个非线性且稳定的子序列，再按预设的滑动窗口大小划分为多个子序列，将该序列转化为有监督数据，并划分训练集测试集以及验证集；
[0009]4)在3)的基础上，将特征序列数据输入到加入注意力机制的BiLSTM
‑
ED模型中，其中利用注意力机制来提取上述特征序列数据中最具代表性的特征；
[0010]5)在4)的基础上，采用GSPSO对上述模型的超参数进行优化，提高预测精度，从而输出水质指标的未来一段时间的多个预测值，再对这些预测值进行反归一化，从而获得真正的未来的水质指标预测值。
附图说明
[0011]图1一种基于混合双向长短时记忆神经网络的水质指标预测方法组成示意图；
[0012]图2SG滤波流程图；
[0013]图3BiLSTM
‑
ED结构图；
[0014]图4GSPSO流程图。
具体实施方式
[0015]下面将详细描述本专利技术各个方面的特征和示例性实施例。下面的描述涵盖了许多具体细节，以便提供对本专利技术的全面理解。但是，对于本领域技术人员来说显而易见的是，本专利技术可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本专利技术的示例来提供对本专利技术更清楚的理解。本专利技术绝不限于下面所提出的任何具体配置和算法，而是在不脱离本专利技术的精神的前提下覆盖了相关元素、部件和算法的任何修改、替换和改进。
[0016]下面将参照附图1来描述根据本专利技术实施例的一种基于SG滤波、VMD分解、注意力机制、GSPSO与BiLSTM
‑
ED的水质指标预测方法的具体步骤如下：
[0017]第一步，获取一条河过去一段时间内监测的由水质指标组成的时间序列数据。
[0018]由于水质传感器实际的监测频次通常为每隔15到60分钟监测一次，在数据预处理阶段，对水质参数数据筛选，统一调整为60分钟等间隔的数据。
[0019]对缺失值较少的数据利用插值法进行补全，缺失值较多的数据则直接将其删除，并通过对数据间相关性的分析，剔除对预测结果影响较小的特征。
[0020]第二步，归一化处理，并通过滑动窗口划分特征序列数据。
[0021]1)对上一步处理后的数据进行归一化。具体的公式如下：
[0022][0023]其中，x
*
表示归一化后的目标值，x表示需要归一化的数据，x
min
代表数据中的最小值，x
max
代表数据中的最大值。
[0024]2)滑动窗口宽度设定为输入时序长度和预测时序长度之和，使用滑动窗口截取输入值和预测值。
[0025]3)将滑动窗口截取的数据分离输入值和预测值，将其转化为有监督数据。
[0026]第三步，将水质指标时间序列数据用SG滤波预处理。
[0027]由于数据中可能存在噪声点，往往会导致非线性模型的过拟合出现，通过使用SG方法对原始数据进行平滑滤波，降低噪声的干扰，可以有效的抑制非线性模型过拟合的出现。图2为SG滤波的实施方法流程图。SG滤波的原理如下：
[0028]SG滤波器是一种在时域中使用多项式最小二乘拟合的滤波技术，它可以平滑地对时间序列信号进行去噪，同时保留其原始特征。具体来说，它通过卷积过程拟合相邻数据点的连续子集。SG滤波器有两个极其重要的参数：滤波器窗口大小以及多项式拟合阶数，窗口大小的值受卷积运算中卷本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于混合双向长短时记忆神经网络的水质指标预测方法，其特征在于，该方法包括如下步骤：1)获取一条河流过去一段时间监测到的水质指标组成的时间序列数据；2)对该数据进行归一化处理，将全部数据统一在(0,1)范围内；3)对上述归一化后的数据进行SG(Savitzky
–
Golay)滤波平滑降噪预处理；4)将处理后的数据利用变分模态分解(Variational Mode Decomposition,VMD)处理为相对稳定的数据，然后按预设的滑动窗口宽度划分为多个子序列，作为特征序列数据；5)将特征序列数据输入加入注意力机制的编码
‑
解码器的双向长短时记忆(Encoder
‑
Decoder Bidirectional Long Short Term Memory,BiLSTM
‑
ED)神经网络模型中，从而提取水质时间序列中最具代表性的特征；6)利用基于遗传模拟退火的粒子群优化算法(Genetic Simulated annealing
‑
based PSO,GSPSO)对上述模型的超参数进行调整，从而进一步提高模型的预测精度，最后输出对该水质指标的预测值，再对预测值进行反归一化，从而获得未来的水质指标预测值。2.根据权利要求1所述的方法，其特征在于，所述基于历史的水质时间序列数据，训练所述水质预测模型，包括：获取目标区域的水质时间序列数据，作为历史数据；将所述历史数据进行归一化处理、平滑处理之后，对其进行分解；将分解过后的所述数据按照预设比例划分为训练集、测试集以及验证集，根据训练集训练所述水质预测模型，再加入基于遗传模拟退火的粒子群优化算法进一步提高预测精度，以获得所述水质预测模型的参数。3.根据权利要求1所述的方法，其特征在于，所述基于所述水质预测模型预测水质，包括：获取所述目标区域当前和当前时刻之前预设时间段内的水质时间序列数据；归一化处理所述目标区域当前和当前时刻之前预设时间段内的水质时间序列数据，将归一化处理后的数据进行平滑去噪并进行分解，输入到所述水质预测模型，并采...

【专利技术属性】
技术研发人员：张璐瑶，毕敬，乔俊飞，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：