一种基于LSTM算法模型的水质指标预测方法技术

本发明专利技术提供了一种基于LSTM算法模型的水质指标预测方法，涉及污水处理技术领域，所述方法包括如下步骤：S1：获取待检测点的历史水质指标数据，并对数据进行预处理；S2：基于预处理后的数据构建LSTM算法模型；S3：通过所建立的LSTM算法模型对水质指标进行预测。本发明专利技术在现有在线监测数据的基础上，基于LSTM算法模型，对水质指标进行预测，从而可以预测水质指标在未来的变化趋势，从而为厂

【技术实现步骤摘要】
一种基于LSTM算法模型的水质指标预测方法


[0001]本专利技术涉及污水处理
，尤其是涉及一种基于LSTM算法模型的水质指标预测方法。

技术介绍

[0002]随着计算机、AI算法、大数据技术的不断发展，人工智能算法在水务、环保领域有了越来越多的应用场景。厂
‑
网
‑
河一体化运营需要大量数据支撑，连续在线监测设备可以完整呈现现状及历史数据，但无法判断未来变化趋势。水质预测是利用实际历史数据资料，运用水质数学模型计算推断出水环境水体某监测点的水质在未来的变化趋势，在区域水环境规划管理中，水质的预测是预防水污染的有效措施，在水环境保护工作中占了很重要的位置。
[0003]LSTM算法模型是循环神经网络的一种变体，可以很有效的解决简单循环神经网络的梯度爆炸或消失问题。LSTM算法模型能够改善RNN中存在的长期依赖问题；LSTM的表现通常比时间递归神经网络及隐马尔科夫模型更好，作为非线性模型，LSTM可作为复杂的非线性单元用于构造更大型深度神经网络。本专利技术旨在提供一种基于LSTM算法模型的水质指标预测方法，以为厂
‑
网
‑
河一体化运营提供决策支撑。

技术实现思路

[0004]本专利技术的目的在于提供一种基于LSTM算法模型的水质指标预测方法，以解决现有技术中的厂
‑
网
‑
河一体化运营无法预测水质指标的未来变化趋势的技术问题。本专利技术提供的诸多技术方案中的优选技术方案所能产生的诸多技术效果详见下文阐述。
[0005]为实现上述目的，本专利技术提供了以下技术方案：
[0006]本专利技术提供了一种基于LSTM算法模型的水质指标预测方法，其特征在于，包括如下步骤：
[0007]S1：获取待检测点的历史水质指标数据，并对数据进行预处理；
[0008]S2：基于预处理后的数据构建LSTM算法模型；
[0009]S3：通过所建立的LSTM算法模型对水质指标进行预测。
[0010]根据一种优选实施方式，所述的获取待检测点的历史水质指标数据，并对数据进行预处理的步骤包括：
[0011]S11：首先对数据进行现状分析，对数据缺失值、数据总量时间间隔进行基本描述；
[0012]S12：异常值处理：首先属性值进行描述性的统计，以查看不合理的数据以及数据是否服从正态分布，当样本距离平均值大于3个标准差，则认定该样本为异常值，将该异常值从数据集中进行删除；
[0013]S13：时间间隔处理：将每条数据根据检测时间进行排序，计算出每条数据与上一条数据的时间间隔，并进行记录，统计数据中所有时间间隔对应数据量并展示给用户，用户选择需要的时间间隔后，将数据处理成只含有用户选择的时间间隔对应的数据，并删除数
据中其他时间间隔对应的数据，保证每条数据的时间间隔保持一致，保持数据的连续性；
[0014]S14：缺失值处理：索引到数据集中含有缺失值的数据，将索引到的缺失值按照其上一个时间点的数据进行填充。
[0015]根据一种优选实施方式，所述的基于预处理后的数据构建LSTM算法模型的步骤包括：
[0016]对模型进行设计：根据水质预测时的使用环境，选择LSTM模型进行计算，将不同数据集的水质指标，按照输入时间序列对应的水温、pH、高锰酸盐指数、溶解氧、浑浊度、电导率、氨氮、总磷和总氮指标进行编码作为LSTM循环神经网络的输入，并经LSTM模型输出未来N个时间序列的水质指标。
[0017]根据一种优选实施方式，所述的基于预处理后的数据构建LSTM算法模型的步骤还包括：算法开发，其中包括：
[0018]S21：将数据集按照80％、10％、10％的比例分为训练集、验证集和测试集；
[0019]S22：将训练集和测试集处理为输入和输出变量，将输入和输出变量的维度处理为3维，包括样本量、步长和特征，其中样本量为训练集的数量，步长为滞后期M，特征为输入的水质指标；
[0020]S23：定义和训练LSTM模型：将LSTM网络的中间层定义为128个神经元，LSTM层是一个具有128个节点的全连接层，最后，输出层经过线性变换直接预测一个包含9个水质指标的向量；
[0021]S24：以最小化平方差损失的方式将模型进行迭代，使用NSE纳什系数验证模型的预测效果。
[0022]根据一种优选实施方式，所述的基于预处理后的数据构建LSTM算法模型的步骤还包括：模型参数的设置，包括滞后期M、预测未来时间段N、可迭代次数和批量。
[0023]根据一种优选实施方式，所述方法还包括对模型验证结果进行分析。
[0024]根据一种优选实施方式，所述对模型验证结果进行分析的步骤包括：
[0025]计算水温、pH、高锰酸盐指数、溶解氧、浑浊度、电导率、氨氮、总磷和总氮指标的NSE系数；
[0026]绘制模型拟合效果图，已通过可视化效果得到模拟效果。
[0027]基于上述技术方案，本专利技术的基于LSTM算法模型的水质指标预测方法至少具有如下技术效果：
[0028]本专利技术的基于LSTM算法模型的水质指标预测方法通过获取待检测点的历史水质指标数据，并对数据进行预处理；基于预处理后的数据构建LSTM算法模型；通过所建立的LSTM算法模型对水质指标进行预测。本专利技术在现有在线监测数据的基础上，基于LSTM算法模型，对水质指标进行预测，从而可以预测水质指标在未来的变化趋势，从而为厂
‑
网
‑
河一体化运营提供决策支撑。
附图说明
[0029]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以
根据这些附图获得其他的附图。
[0030]图1是本专利技术的基于LSTM算法模型的水质指标预测方法中LSTM算法模型的构建过程；
[0031]图2是本专利技术实施例中模型的拟合效果图。
具体实施方式
[0032]为使本专利技术的目的、技术方案和优点更加清楚，下面将对本专利技术的技术方案进行详细的描述。显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本专利技术所保护的范围。
[0033]下面对本专利技术的技术方案进行详细说明。
[0034]本专利技术提供了一种基于LSTM算法模型的水质指标预测方法，具体包括吐下步骤：
[0035]S1：获取待检测点的历史水质指标数据，并对数据进行预处理。
[0036]具体步骤包括：
[0037]S11：首先对数据进行现状分析，对数据缺失值、数据总量时间间隔进行基本描述。
[0038]本实施案例选择新增水质监测站02(sta本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LSTM算法模型的水质指标预测方法，其特征在于，包括如下步骤：S1：获取待检测点的历史水质指标数据，并对数据进行预处理；S2：基于预处理后的数据构建LSTM算法模型；S3：通过所建立的LSTM算法模型对水质指标进行预测。2.根据权利要求1所述的基于LSTM算法模型的水质指标预测方法，其特征在于，所述的获取待检测点的历史水质指标数据，并对数据进行预处理的步骤包括：S11：首先对数据进行现状分析，对数据缺失值、数据总量时间间隔进行基本描述；S12：异常值处理：首先属性值进行描述性的统计，以查看不合理的数据以及数据是否服从正态分布，当样本距离平均值大于3个标准差，则认定该样本为异常值，将该异常值从数据集中进行删除；S13：时间间隔处理：将每条数据根据检测时间进行排序，计算出每条数据与上一条数据的时间间隔，并进行记录，统计数据中所有时间间隔对应数据量并展示给用户，用户选择需要的时间间隔后，将数据处理成只含有用户选择的时间间隔对应的数据，并删除数据中其他时间间隔对应的数据，保证每条数据的时间间隔保持一致，保持数据的连续性；S14：缺失值处理：索引到数据集中含有缺失值的数据，将索引到的缺失值按照其上一个时间点的数据进行填充。3.根据权利要求1所述的基于LSTM算法模型的水质指标预测方法，其特征在于，所述的基于预处理后的数据构建LSTM算法模型的步骤包括：对模型进行设计：根据水质预测时的使用环境，选择LSTM模型进行计算，将不同数据集的水质指标，按照输入时间序列对应的水温、pH、高锰酸盐指数、溶解氧、浑浊度、电导率、氨氮、总磷和总...

【专利技术属性】
技术研发人员：刘小梅，孙艳，赵洁，成志轩，
申请(专利权)人：北京北控悦慧环境科技有限公司，
类型：发明
国别省市：