一种耦合时空上下文信息的水环境质量深度学习预测方法技术

本发明专利技术涉及水环境保护与监测技术领域，尤其为一种耦合时空上下文信息的水环境质量深度学习预测方法，包括如下步骤：S1.1：采集待预测水环境输入数据；S1.2：对采集的数据集进行预处理；S1.3：构建水环境质量预测模型，并对水环境质量进行预测输出。本发明专利技术通过改进的LSTM——门控循环神经网络对水环境质量数据进行深度学习，结构更加简单，参数更少，运行速度更快，提高了水环境质量预测的效率；并通过权重参数学习后的输出特征值融入自注意力机制，能够及时对特征值进行调整，聚焦关键信息，使最后的输出结果更符合预测需求，从而提高水环境质量数据预测的准确性。环境质量数据预测的准确性。环境质量数据预测的准确性。

【技术实现步骤摘要】
一种耦合时空上下文信息的水环境质量深度学习预测方法


[0001]本专利技术涉及水环境保护与监测
，尤其是一种耦合时空上下文信息的水环境质量深度学习预测方法。

技术介绍

[0002]目前国内对于水质量预测的方法主要有时间序列预测法、回归分析预测法、灰色系统预测法、梳理统计预测法、人工神经网络预测法等，相对于其他四种方法，人工神经网络预测法凭借其可以摒弃可观因素的影响，只根据样本水质水量自身特点进行分析学习的优点在水质水量预测领域得到了广泛应用，目前常人的人工神经网络预测方法包括BP神经网络、径向基函数神经网络、广义神经网络等。
[0003]河流水质水量变化具有渐变性、非线性、不稳定性以及复杂性等特点，目前运用于水质水量预测的神经网络模型，例如BP神经网络、径向基函数神经网络、广义神经网络在进行复杂时间序列预测时容易陷入局部最优，同时由于水质水量序列表现出的强非线性特征和弱线性特征，单一的预测模型对水质水量的弱线性特征难以充分处理，需要结合其他线性算法，步骤冗杂且不利于水环境质量的预测。
[0004]公开号为CN112132333A的专利技术专利申请公开了一种基于长短期记忆神经网络对自然水环境进行短期水质水量预测的方法，其通过构建LSTM神经网络和ARMA模型分别对待预测时刻的水质水量和预测误差进行计算，这种方法仅能适用于时间序列的水环境质量预测，且LSTM神经网络结构较为复杂，参数较为繁杂，运行速度较慢，消耗时间较长，保证了水质量预测的稳定性，但不能保证预测的高效性。

技术实现思路

>[0005]本专利技术的目的是通过提出一种耦合时空上下文信息的水环境质量深度学习预测方法，以解决上述
技术介绍
中提出的缺陷。
[0006]本专利技术采用的技术方案如下：
[0007]提供一种耦合时空上下文信息的水环境质量深度学习预测方法，包括如下步骤：
[0008]S1.1：采集待预测水环境输入数据；
[0009]S1.2：对采集的数据集进行预处理；
[0010]S1.3：构建水环境质量预测模型，并对水环境质量进行预测输出。
[0011]作为本专利技术的一种优选技术方案：所述S1.1中输入数据包括常规水质指标、金属含量、无机物含量、有机物含量、有害物质含量、微生物含量、辐射量、水位、液位、流量、流速。
[0012]作为本专利技术的一种优选技术方案：所述S1.2中预处理包括数据缺失处理、数据集成、数据标准化。
[0013]作为本专利技术的一种优选技术方案：所述S1.3中的水环境质量预测模型通过加入自注意力机制的门控循环神经网路对输入的水环境质量数据进行学习预测。
[0014]作为本专利技术的一种优选技术方案：所述水环境质量预测模型中，设x1,x2,
…
,x
t
表示对于第t时刻输入数据x
t
为采集的水环境质量时间数据，x1,x2,
…
,x
m
表示对于第m立方米输入数据X
m
为采集的水环境质量空间数据，引入查询向量q，经过打分函数计算出模型输入X和查询向量q之间的关联，并输入分数结果；将这组分数结果输入至softmax函数进行归一化映射处理，处理后得到查询向量q在输入数据上向对应的注意力分布a＝[a1,a2,
…
,a
t
]；通过注意力分布对模型的输入进行注意力选择，并进行不断地迭代学习，通过门控循环神经网络进行深度学习，预测水环境质量。
[0015]作为本专利技术的一种优选技术方案：所述打分函数S(x,q)为：
[0016]S(x,q)＝x
T
Wq
[0017]其中，x为输入的水环境质量时间数据或水环境质量空间数据，x
T
为输入的水环境质量数据的转置矩阵，W为学习参数。
[0018]作为本专利技术的一种优选技术方案：所述注意力分布函数a如下：
[0019][0020]其中，q
′
为softmax函数映射的查询向量。
[0021]作为本专利技术的一种优选技术方案：所述迭代学习如下：
[0022][0023]其中，X为迭代输出的水环境质量时间数据或水环境质量空间数据，a
i
为第i个注意力分布，x
i
为输入的第i个水环境质量时间数据或水环境质量空间数据。
[0024]作为本专利技术的一种优选技术方案：所述将加入自注意力分布的水环境质量时间数据与水环境质量空间数据输入至门控循环神经网络，门控循环神经网络对输入的水环境质量数据在时间维度或空间维度上进行学习，对水环境质量时间数据及水环境质量空间数据进行耦合输出预测结果，所述门控循环神经网络如下：
[0025][0026][0027][0028][0029]其中，z
t
为更新门系数，r
t
为重置门系数，σ为激活函数，h
t
‑1为上一时刻的输出，w
z
、w
r
分别表示更新门、重置门对上一时刻输出的权重矩阵，u
z
、u
r
分别表示更新门、重置门输入信息的权重矩阵，为耦合时间、空间信息的水环境质量数据，为t时刻候选的输出，h
t
为t时刻的输出，b
z
、b
r
为偏置向量。
[0030]作为本专利技术的一种优选技术方案：所述迭代训练完成后输出预测结果；
[0031]H
t
＝∫att(h
t
)+h
t
[0032]y
r
＝σ(W0H
t
)
[0033]其中，att为融合时间数据与空间数据的耦合函数，H
t
为耦合加权后的输出，W0为预测输出值权重矩阵，y
t
为预测值输出。
[0034]本专利技术提供的耦合时空上下文信息的水环境质量深度学习预测方法，与现有技术相比，其有益效果有：
[0035]本专利技术通过改进的LSTM——门控循环神经网络对水环境质量数据进行深度学习，结构更加简单，参数更少，运行速度更快，提高了水环境质量预测的效率；并通过权重参数学习后的输出特征值融入自注意力机制，能够及时对特征值进行调整，聚焦关键信息，使最后的输出结果更符合预测需求，从而提高水环境质量数据预测的准确性。
附图说明
[0036]图1为本专利技术优选实施例的方法流程图。
具体实施方式
[0037]需要说明的是，在不冲突的情况下，本实施例中的实施例及实施例中的特征可以相互组合，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，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前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0038]参照图1，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种耦合时空上下文信息的水环境质量深度学习预测方法，其特征在于：包括如下步骤：S1.1：采集待预测水环境输入数据；S1.2：对采集的数据集进行预处理；S1.3：构建水环境质量预测模型，并对水环境质量进行预测输出；所述S1.3中的水环境质量预测模型通过加入自注意力机制的门控循环神经网路对输入的水环境质量数据进行学习预测；所述水环境质量预测模型中，设x1,x2,
…
,x
t
表示对于第t时刻输入数据x
t
为采集的水环境质量时间数据，x1,x2,
…
,x
m
表示对于第m立方米输入数据X
m
为采集的水环境质量空间数据，引入查询向量q，经过打分函数计算出模型输入X和查询向量q之间的关联，并输入分数结果；将这组分数结果输入至softmax函数进行归一化映射处理，处理后得到查询向量q在输入数据上向对应的注意力分布a＝[a1,a2,
…
,a
t
]；通过注意力分布对模型的输入进行注意力选择，并进行不断地迭代学习，通过门控循环神经网络进行深度学习，预测水环境质量；所述打分函数S(x,q)为：S(x,q)＝x
T
Wq其中，x为输入的水环境质量时间数据或水环境质量空间数据，x
T
为输入的水环境质量数据的转置矩阵，W为学习参数；所述注意力分布函数a如下：其中，q
′
为softmax函数映射的查询向量。2.根据权利要求1所述的耦合时空上下文信息的水环境质量深度学习预测方法，其特征在于：所述S1.1中输入数据包括常规水质指标、金属含量、无机物含量、有机物含量、有害物质含量、微生物含量、辐射量、水位、液位、流量、流速。3.根据权利要求1所述的耦合时空上下文信息的水环境质量深度学习预测方法，其...

【专利技术属性】
技术研发人员：魏祖帅，宋巍巍，李泰儒，潘翠红，梁旻轩，李琪，庄子槺，谢冠武，方嘉炜，
申请(专利权)人：广东慧航天唯科技有限公司，
类型：发明
国别省市：