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

本发明专利技术涉及数据处理技术领域，其具体公开了一种基于时频特征提取的混合深度学习水质预测方法，包括以下步骤：步骤

【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)
模型，可以较为准确地模拟水中污染物传输规律，且模型参数具有严格的物理解释性
。
然而，这些模型都是基于理想状态的物理模型
。
通常建模需要在深入理解物理和化学过程和物理因素的基础上，且参数校准困难
、
模型结构复杂
、
参数众多
、
计算成本高等问题，限制了它们在流域水质预测中的应用
。
传统机器学习方法也被广泛应用于水质预测，主要有时间序列
ARIMA、
支持向量回归
(SVR)、
多重线性回归
(MLR)、
随机森林
(RF)
模型
。
这些机器学习模型虽能从原始特征中学习到高级特征，在一定程度上提高预测精度，但对于时序数据存在无法增强时滞或者长时间的依赖性的局限性
。
作为高效的时序特征信息提取工具，深度学习模型被用于水质污染预测
。
如卷积神经网络
(CNN)、
长短时记忆模型
LSTM、
注意力网络
(Attentionnetwork)、Transformer
等，这些深度学习模型能够比物理模型和机器学习提取到更多的信息，可较大的提升水质污染预测精度
。
然而，水质序列中往往隐含不同时频特性的波动信息，深度学习模型直接从原始数据中提取特征是不够充分的，这会对水质预测精度造成严重影响，且模型预测行为难以解释
。
幸运的是，小波变换
(WT)
能够将时序数据分解为二维时频信息，具有高效的信号处理能力，能够同时提取时域和频域上的局部变换
。
一直以来都有研究学者将小波变换与深度学习模型结合用来探索水质数据规律
。
例如，一种基于小波分解去噪和
LSTM
的双层双向
Seq2Seq
混合模型
(W
‑
Bi2Seq2Seq)
被建立，用于预测烟台市门楼水库的4种水质指标数据
。
为了模拟和预测昆明滇池中的叶绿素
a
浓度
(Chla)
，一种结合小波域阈值去噪
(WDTD)、
小波均值融合
(WMF)
和长短期记忆
(LSTM)
的长期预测混合模型
(WDTDLSTM
‑
WMF)
被开发
。
一种基于同步压缩小波变换
(SWT)
去噪与改进的长短期记忆
(LSTM)
的混合模型被建立，用于预测中国永定河流域的溶解氧
(DO)
等水质参数变化
。
然而，这些混合模型中仅仅利用小波分解得到低频信号，而忽视了高频信号，这对于数据驱动的
水质深度学习预测模型受高频信号波动影响较大
。
因此，它们往往只能在一定程度上提高预测精度
。

技术实现思路

[0003]本专利技术旨在至少解决上述所提及的技术问题之一，提供一种基于时频特征提取的混合深度学习水质预测方法，能够降低成本，提高预测精度
。
[0004]为了实现上述目的，本专利技术采用的技术方案为：一种基于时频特征提取的混合深度学习水质预测方法，包括以下步骤：
[0005]步骤
S1、
对水质污染物
、
水文和气象小时数据进行采集和预处理；
[0006]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；
[0007]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；
[0008]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；
[0009]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；
[0010]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
。
[0011]优选的，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
。
[0012]优选的，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
att本文档来自技高网...

【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：