水质参数预测模型建模方法及水质参数预测方法及装置制造方法及图纸

本发明专利技术提供一种水质参数预测模型建模方法及水质参数预测方法及装置。水质参数预测模型建模方法包括：步骤1：采集水质数据；步骤2：执行标准化变换：步骤3：得到B个训练样本矩阵和B个标签矩阵；步骤4：对第b个训练样本矩阵、标签矩阵分别进行位置编码，得到第b个位置编码后的训练样本矩阵、标签矩阵；步骤5：利用各个位置编码后的训练样本矩阵、各个位置编码后的标签矩阵对多头注意力模型进行训练，将训练得到的多头注意力模型作为水质参数预测模型。得到的多头注意力模型作为水质参数预测模型。得到的多头注意力模型作为水质参数预测模型。

【技术实现步骤摘要】
水质参数预测模型建模方法及水质参数预测方法及装置


[0001]本专利技术涉及水质参数监测领域，具体涉及一种水质参数预测模型建模方法及水质参数预测方法及装置。

技术介绍

[0002]水是人类赖以生存和发展的基础，水资源在人类的物质生活和社会的各项生产活动扮演着不可替代的角色。水质参数预测能为水品管控和水资源治理提供依据，环境治理人员可以根据水质参数预测结果提前采取行动，提前准备水污染治理行动，预防水体进一步污染，规划用水策略，提高水资源利用效率。水质预测实现了后处理向预防治的转变。
[0003]水质预测一直是世界各国研究的热点。现有的水质预测算法主要有时间序列分析、回归分析、循环神经网络、决策树、支持向量机等。
[0004]随着科技的进步，水质参数数据呈现爆炸性增长，传统的算法难以有效挖掘海量数据中的规律，不能充分提取传感器采集的有效信息，使得预测精度较差；且由于水质参数指标越来越完善，以往基于单个传感器采集数据的预测算法难以满足水质参数预测的精度要求。

技术实现思路

[0005]本专利技术要解决的问题是针对现有水质预测方法预测精度较差的问题，提供一种水质参数预测模型建模方法及水质参数预测方法及装置。
[0006]为解决上述技术问题，本专利技术采用的技术方案是：一种水质参数预测模型建模方法，所述水质参数预测模型建模方法包括如下步骤：
[0007]步骤1：根据固定采样周期采集N组水质数据，每组水质数据均由与M类水质参数分别对应的M个值构成；
[0008]步骤2：对采集到的所有数据执行标准化变换，得到N组标准化后的水质数据：
[0009]步骤3：根据步骤2得到的N组标准化后的水质数据，按照采集时间顺序得到B个训练样本矩阵，且按照采集时间顺序得到B个标签矩阵，其中，每个训练样本矩阵均是由连续的C个采样周期的水质数据构成的行数为C、列数为M的矩阵，每个标签矩阵均是由连续的λC个采样周期的水质数据构成的行数为λC、列数为M的矩阵，第b个训练样本矩阵T
b
对应的C个采样周期的水质数据、第b个标签矩阵L
b
对应的λC个采样周期的水质数据构成连续的C+λC个采样周期的水质数据，且第b个标签矩阵L
b
对应的λC个采样周期位于第b个训练样本矩阵T
b
对应的C个采样周期之后，λC为整数，比例系数λ≤0.5，C为预设常数值，b＝1,2,
……
,B；
[0010]步骤4：对第b个训练样本矩阵T
b
进行位置编码，得到第b个位置编码后的训练样本矩阵且对第b个标签矩阵L
b
进行位置编码，得到第b个位置编码后的标签矩阵
[0011]步骤5：利用各个位置编码后的训练样本矩阵、各个位置编码后的标签矩阵对多头注意力模型进行训练，将训练得到的多头注意力模型作为水质参数预测模型。
[0012]根据上述技术方案，本专利技术构建多头注意力模型作为水质参数预测模型，即可以
使得水质参数预测模型在预测某一类水质参数时，不仅利用本类水质参数的时序信息，还可以利用气体类水质参数的时序信息，从而使得水质参数预测模型具有较高精度。通过上述模型，每一次训练时均利用C个采样周期的采样数据、紧随C个采样周期的水质数据之后的λC个采样周期的水质数据，从而使得得到的水质参数预测模型可以对连续λC个采集周期的水质数据进行预测，从而提高预测效率。
[0013]上述技术方案中，所述步骤1中，若采集的某个数据缺失，则利用样条插值算法计算缺失数据的估计值，从而补全数据。
[0014]上述技术方案中，所述步骤2中，利用如下公式执行标准化变换：
[0015][0016]其中，x
i,j
表示第i个采样周期采集的第j类水质参数的值，i的取值范围为[1,N]，j的取值范围为[1,M]；μ
j
和σ
j
分别表示N个第j类水质参数的值的均值和标准差；表示与x
i,j
对应的标准化后的值，构成第i组标准化后的水质数据。
[0017]上述技术方案中，所述步骤3中，第b个训练样本矩阵T
b
与第b+1个训练样本矩阵T
b+1
之间间隔
△
C个采样周期，
△
C的取值范围为
△
C≥1。即相邻的两个训练样本矩阵的起始采样周期之间可有间隔。
[0018]上述技术方案中，所述步骤4中，第b个位置编码后的训练样本矩阵第b个位置编码后的标签矩阵的表达式如下：
[0019][0020]其中：矩阵PE
T
中位于第ma行、第na列的元素PE
T
(ma,na)的表达式如下：
[0021][0022]矩阵PE
L
中位于第mb行、第nb列的元素PE
L
(mb,nb)的表达式如下：
[0023][0024]其中，ma的取值范围为[1,C]，na的取值范围为[1,M]，mb的取值范围为[1,λC]，nb的取值范围为[1,M]。
[0025]上述技术方案中，所述多头注意力模型包括Number个编码器、Number个解码器、与第Number个解码器输出连接的线性映射层，所述线性映射层的输出为所述多头注意力模型的输出，Number为预设常数值；
[0026]第ua个编码器的输出为第ua+1个编码器的输入，其中ua＝1,2,
……
,Number
‑
1；
[0027]第ub个解码器的输出为第ub+1个解码器的输入，其中ub＝1,2,
……
,Number
‑
1；
[0028]第Number个编码器的输出作为每个解码器的多头注意力机制模块的其中两个输入；
[0029]所述步骤5中，对多头注意力模型进行训练的步骤具体包括：
[0030]步骤5
‑
1：将第b个位置编码后的训练样本矩阵作为多头注意力模型第1个编码器的输入矩阵，且将第b个第一输入矩阵作为多头注意力模型第1个解码器的输入矩阵，得到多头注意力模型的第b个输出矩阵；
[0031]其中，b＝1,2,
……
,B，各个第一输入矩阵的行数均为λC+1、列数均为M，各个第一输入矩阵第1行的M个元素的值均为Set，第b个第一输入矩阵的第La+1行与第b个位置编码后的标签矩阵的第La行相同，La＝1,2,3,
……
,λC，Set为预设常数值。
[0032]步骤5
‑
2：根据步骤5
‑
1得到的多头注意力模型的B个输出矩阵、各个标签矩阵L计算损失函数的值；
[0033]若损失函数收敛，则完成多头注意力模型的训练；
[0034]若损失函数未收敛，则利用误差反向传播算法对损失函数的梯度信息进行反向传播，且利用Adam算法，更新所述多头注本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种水质参数预测模型建模方法，其特征在于：所述水质参数预测模型建模方法包括如下步骤：步骤1：根据固定采样周期采集N组水质数据，每组水质数据均由与M类水质参数分别对应的M个值构成；步骤2：对采集到的所有数据执行标准化变换，得到N组标准化后的水质数据：步骤3：根据步骤2得到的N组标准化后的水质数据，按照采集时间顺序得到B个训练样本矩阵，且按照采集时间顺序得到B个标签矩阵，其中，每个训练样本矩阵均是由连续的C个采样周期的水质数据构成的行数为C、列数为M的矩阵，每个标签矩阵均是由连续的λC个采样周期的水质数据构成的行数为λC、列数为M的矩阵，第b个训练样本矩阵T
b
对应的C个采样周期的水质数据、第b个标签矩阵L
b
对应的λC个采样周期的水质数据构成连续的C+λC个采样周期的水质数据，且第b个标签矩阵L
b
对应的λC个采样周期位于第b个训练样本矩阵T
b
对应的C个采样周期之后，λC为整数，比例系数λ≤0.5，C为预设常数值，b＝1,2,
……
,B；步骤4：对第b个训练样本矩阵T
b
进行位置编码，得到第b个位置编码后的训练样本矩阵且对第b个标签矩阵L
b
进行位置编码，得到第b个位置编码后的标签矩阵步骤5：利用各个位置编码后的训练样本矩阵、各个位置编码后的标签矩阵对多头注意力模型进行训练，将训练得到的多头注意力模型作为水质参数预测模型。2.根据权利要求1所述的水质参数预测模型建模方法，其特征在于：所述步骤1中，若采集的某个数据缺失，则利用样条插值算法计算缺失数据的估计值，从而补全数据。3.根据权利要求1所述的水质参数预测模型建模方法，其特征在于：所述步骤2中，利用如下公式执行标准化变换：其中，x
i,j
表示第i个采样周期采集的第j类水质参数的值，i的取值范围为[1,N]，j的取值范围为[1,M]；μ
j
和σ
j
分别表示N个第j类水质参数的值的均值和标准差；表示与x
i,j
对应的标准化后的值，构成第i组标准化后的水质数据。4.根据权利要求1所述的水质参数预测模型建模方法，其特征在于：所述步骤3中，第b个训练样本矩阵T
b
与第b+1个训练样本矩阵T
b+1
之间间隔
△
C个采样周期，
△
C的取值范围为
△
C≥1。5.根据权利要求1所述的水质参数预测模型建模方法，其特征在于：所述步骤4中，第b个位置编码后的训练样本矩阵第b个位置编码后的标签矩阵的表达式如下：其中：矩阵PE
T
中位于第ma行、第na列的元素PE
T
(ma,na)的表达式如下：
矩阵PE
L
中位于第mb行、第nb列的元素PE
L
(mb,nb)的表达式如下：其中，ma的取值范围为[1,C]，na的取值范围为[1,M]，mb的取值范围为[1,λC]，nb的取值范围为[1,M]。6.根据权利要求1所述的水质参数预测模型建模方法，其特征在于：所述多头注意力模型包括Number个编码器、Number个解码器、与第Number个解码器输出连接的线性映射层，所述线性映射层的输出为所述多头注意力模型的输出，Number为预设常数值；第ua个编码器的输出为第ua+1个编码器的输入，其中ua＝1,2,
……
,Number
‑
1；第ub个解码器的输出为第ub+1个解码器的输入，其中ub＝1,2,
……
,Number
‑
1；第Number个编码器的输出作为每个解码器的多头注意力机制模块的其中两个输入；所述步骤5中，对多头注意力模型进行训练的步骤具体包括：步骤5
‑
1：将第b个位置编码后...

【专利技术属性】
技术研发人员：方波，刘昊，何维，李德鑫，吴必权，
申请(专利权)人：中国电建集团中南勘测设计研究院有限公司，
类型：发明
国别省市：