基于耦合卡尔曼滤波数据同化的水质预测方法及系统技术方案

本公开提供了基于耦合卡尔曼滤波数据同化的水质预测方法及系统，涉及水质预测技术领域，包括获取水质监测断面的过去日尺度监测数据，并对日尺度监测数据进行预处理；对预处理后的监测数据进行特征重要性计算，提取高相关性的特征参数作为预测指标的驱动因子；将驱动因子按照时间序列排布，确定输入输出的时间步长，将时间序列数据的形式转化为监督性学习，将过去时间的驱动因子作为耦合的水质预测

【技术实现步骤摘要】
基于耦合卡尔曼滤波数据同化的水质预测方法及系统


[0001]本公开涉及水质预测
，具体涉及基于耦合卡尔曼滤波数据同化的水质预测方法及系统
。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术
。
[0003]目前，通过对水资源进行监控和检测，可以随时了解到河流
、
地下水等水资源的具体情况，并结合实际情况，针对地区情况的不同，可及时对被污染水质进行调控
、
整改和预防
。
进行水质检测的主要原因就是有效收集准确可靠的水质环境质量信息，以便快速处理水质问题
。
目前已有的基于
LSTM
（
Long short
‑
term memory
，长短时记忆神经网络）构建的水质预测模型主要是数据驱动方式，输入特征主要是各项水质指标，预测变量往往是单一水质指标，这类模型的预测精度较好
。
[0004]但是目前方案还尚存在一定不足：首先是预测的指标有限，受到数据源和模型的限制，其次是数据驱动方式缺乏可解释性，对模型构建的特征选择不够合理，进而会影响预测精度
。

技术实现思路

[0005]本公开为了解决上述问题，提出了基于耦合卡尔曼滤波数据同化的水质预测方法及系统，根据数据同化方法的原理，选取应用广泛的卡尔曼滤波算法（
Kalman Filter
， 以下简称“KF”）与
LSTMr/>神经网络耦合，构建水质预测
LSTM
‑
KF
（
Long short
‑
term memory
‑
Kalman Filter
，卡尔曼滤波算法与
LSTM
神经网络模型耦合）模型提升预测精度
。
[0006]根据一些实施例，本公开采用如下技术方案：基于耦合卡尔曼滤波数据同化的水质预测方法，包括：获取水质监测断面的过去日尺度监测数据，并对日尺度监测数据进行预处理；对预处理后的监测数据进行特征重要性计算，提取高相关性的特征参数作为预测指标的驱动因子；将驱动因子按照时间序列排布，确定输入输出的时间步长，将时间序列数据的形式转化为监督性学习，将过去时间的驱动因子作为耦合的水质预测
LSTM
‑
KF
模型的输入，将驱动因子对应的未来的水质预测指标作为输出，根据输出的水质指标值实现对未来水质的预测
。
[0007]根据一些实施例，本公开采用如下技术方案：基于耦合卡尔曼滤波数据同化的水质预测系统，包括：数据获取模块，用于获取水质监测断面的过去日尺度监测数据，并对日尺度监测数据进行预处理；特征参数确定模块，用于对预处理后的监测数据进行特征重要性计算，提取高相
关性的特征参数作为预测指标的驱动因子；预测模块，用于将驱动因子按照时间序列排布，确定输入输出的时间步长，将时间序列数据的形式转化为监督性学习，将过去时间的驱动因子作为耦合的水质预测
LSTM
‑
KF
模型的输入，将驱动因子对应的未来的水质预测指标作为输出，根据输出的水质指标值实现对未来水质的预测
。
[0008]与现有技术相比，本公开的有益效果为：本公开提供了一种基于耦合卡尔曼滤波数据同化的水质预测方法，通过将驱动因子按照时间序列排布，确定输入输出的时间步长，将时间序列数据的形式转化为监督性学习，将过去时间的驱动因子作为耦合的水质预测
LSTM
‑
KF
模型的输入，将驱动因子对应的未来的水质预测指标作为输出，可以对每项水质指标的均进行高精度短期预测；
LSTM
模型后接卡尔曼滤波器，将
LSTM
的输出输入至卡尔曼滤波器中，设置状态转移矩阵
、
观测矩阵
、
初始状态均值
、
初始状态协方差矩阵
、
观测噪声的协方差矩阵
、
过程噪声的协方差矩阵的参数并使用
EM
（
Expectation
‑
Maximum
，期望最大化，简称“EM”）算法设置迭代次数优化卡尔曼滤波器参数，对预测水质指标的驱动因子进行预测精度提升，通过与未耦合卡尔曼滤波算法的
LSTM 模型预测性能比较，
R2（
coefficient of determination
，决定系数，简称“R
2”）和
RMSE
（
Root Mearn Square Error
，均方根误差，简称“RMSE”）的结果均有一定幅度的提升（
5%
‑
15%
）
。
附图说明
[0009]构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定
。
[0010]图1为本公开实施例的时间序列数据转化监督性学习示例图；图2为本公开实施例的模型结构预测过程示意图；图3为本公开实施例的水质预测方法流程示意图；图4为本公开实施例的预测某断面总氮的散点图，横坐标为观测值，纵坐标为预测值，圆形表示为
LSTM
模型预测结果散点图，三角形表示为
LSTM
‑
KF
预测结果散点图
。
[0011]图5为本公开实施例的预测某断面水质综合污染指数的散点图，横坐标为观测值，纵坐标为预测值，圆形表示为
LSTM
模型预测结果散点图，三角形表示为
LSTM
‑
KF
预测结果散点图
。
具体实施方式
[0012]下面结合附图与实施例对本公开作进一步说明
。
[0013]应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明
。
除非另有指明，本文使用的所有技术和科学术语具有与本公开所属
的普通技术人员通常理解的相同含义
。
[0014]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式
。
如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和
/
或“包括”时，其指明存在特征
、
步骤
、
操作
、
器件
、
组件和
/
或它们的组合
。
[0015]实施例1本公开的一种实施例中提供了一种基于耦合卡尔曼滤波数据同化的水质预测方法，包括：步骤一：获取水质监测断面的过去日尺度监测数据，并对日尺度监测数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于耦合卡尔曼滤波数据同化的水质预测方法，其特征在于，包括：获取水质监测断面的过去日尺度监测数据，并对日尺度监测数据进行预处理；对预处理后的监测数据进行特征重要性计算，提取高相关性的特征参数作为预测指标的驱动因子；将驱动因子按照时间序列排布，确定输入输出的时间步长，将时间序列数据的形式转化为监督性学习，将过去时间的驱动因子作为耦合的水质预测
LSTM
‑
KF
模型的输入，将驱动因子对应的未来的水质预测指标作为输出，根据输出的水质指标值实现对未来水质的预测
。2.
如权利要求1所述的基于耦合卡尔曼滤波数据同化的水质预测方法，其特征在于，所述日尺度监测数据包括断面所在地区的气象数据
、
土地利用数据
、
人口数据以及断面上游的水文站水文数据，所述预处理的方式包括插值法
、
缺失值填补以及归一化处理
。3.
如权利要求1所述的基于耦合卡尔曼滤波数据同化的水质预测方法，其特征在于，所述对预处理后的监测数据进行特征重要性计算，包括：使用斯皮尔曼相关性分析法以及机器学习特征重要性计算方法分析预测目标指标的高相关性的特征参数，作为预测指标的驱动因子，所述驱动因子中存在自相关高以及性质相似的因子
。4.
如权利要求1所述的基于耦合卡尔曼滤波数据同化的水质预测方法，其特征在于，将时间序列数据的形式转化为监督性学习是指将过去的监测数据与未来的预测数据相应对；水质预测指标指水质指标，包括总氮
、
总磷以及溶解氧数据值
。5.
如权利要求1所述的基于耦合卡尔曼滤波数据同化的水质预测方法，其特征在于，所述耦合的水质预测
LSTM
‑
KF
模型使用
Python
中的
Keras
库进行搭建，设置包括
LSTM
层
、RepeatVector
层
、TimeDistributed
层，激活函数是
ReLU、
优化器为
Adam
以及损失函数为
MSE
，设置模型训练的
epochs
及
batch_size
参数，并绘制损失函数曲线以查看模型训练情况及是否过拟合
。6.
如权利要求5所述的基于耦合卡尔曼滤波数据同化的水质预测方法，其特征在于，所述耦合的水质预测
...

【专利技术属性】
技术研发人员：王国强，房磊，高震宇，张庆竹，
申请(专利权)人：山东大学，
类型：发明
国别省市：