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CN1121323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：