【技术实现步骤摘要】
一种基于时频特征提取的混合深度学习水质预测方法
[0001]本专利技术涉及数据处理
,尤其涉及一种基于时频特征提取的混合深度学习水质预测方法
。
技术介绍
[0002]现有技术中,水污染预测是智能城市水环境保护与污染物监控的研究重点
。
近年来,由于工业化与城市化逐渐增加,许多流域出现生态环境质量的下降,严重影响流域水环境的健康发展
。
水文和气象等多因素是影响水环境质量的重要因素,其可为水质变化的连续预测提供重要依据
。
在中国重点流域建立了众多的水质监测站点,形成了连续的水质
、
水文和气象等时序数据集,已具备了水质预测模拟的基础条件
。
为了减少水质污染带来的危害,研究人员引入了各种不同的模型来预测水质污染的变化,以便能够及时的做出相应决策
。
然而,水质污染的传输过程和机理复杂,导致水质时间序列中混有不同频率的因素,这给传统的模型预测水质污染变化带来了困难
。
因此,有必要开展水质时序数据多变量的不同频域相关性研究,以提高水质预测模型模拟和预测水质变化的准确性
。
目前,常见的流域水质模拟模型,如
SWAP(Water Quality Analysis Simulation Program)、SWAT(Soil and Water Assessment Tool)、HSPF(Hydrological Simulation ProgramFORTRAN)
...
【技术保护点】
【技术特征摘要】
1.
一种基于时频特征提取的混合深度学习水质预测方法,其特征在于,包括以下步骤:步骤
S1、
对水质污染物
、
水文和气象小时数据进行采集;步骤
S2、
使用时离散平稳小波变换将数据分解为具有统一长度不同频域的子信号序列,同时将季节
、
日期这些时间特征融入序列,形成时序深度学习模型输入数据集;步骤
S3、
构建
Informer Encoder
做序列特征增强编码,以发现多变量全局时间相关性;步骤
S4、
通过逐级递减堆叠双向
LSTM
加强减半级联序列的局部特征相关性,以构建适应性强的混合深度学习模型用于预测目标污染物变化;步骤
S5、
将
RMSE、MAE
和
MAPE
作为评估参数,利用
Adam
优化器对深度学习模型进行参数优化,并通过与其他基准模型对比进行效果验证;步骤
S6、
将深度学习模型学习到的相关性矩阵进行分析,得到水质与水文气象变量更深层次的时频规律
。2.
根据权利要求1所述的一种基于时频特征提取的混合深度学习水质预测方法,其特征在于,所述步骤
S2
中,采用离散平稳小波变换构建时频滤波分解器将时序数据分离出季节性趋势的低频分量与短期剧变的高频分量
。3.
根据权利要求1所述的一种基于时频特征提取的混合深度学习水质预测方法,其特征在于,所述
Informer Encoder
包括
multi
‑
headProbsparse self
‑
attention layer
和
distilling layer
,其中
multi
‑
head Probsparseself
‑
attention layer
通过不同的空间维度捕捉不同的信息,每个
attention block
模块之后应用残差连接和归一化层;
distilling layer
在编码器末端,用于输入时序过长导致信息冗余时,缩小输出长度,减少相关冗余特征
。4.
根据权利要求1所述的一种基于时频特征提取的混合深度学习水质预测方法,其特征在于,所述深度学习模型训练过程中,采用
L2
正则化的权值衰减法
、
丢包法和早期停止法相结合的方法来抑制过拟合
【专利技术属性】
技术研发人员:许睿,胡升日,李建,沈世铭,
申请(专利权)人:桂林电子科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。