【技术实现步骤摘要】
一种基于CEEMDAN
‑
LSTM的水质预测方法
[0001]本专利技术属于水环境质量监测领域,具体说是一种基于
CEEMDAN
‑
LSTM
的水质预测方法
。
技术介绍
[0002]水资源不仅是生命之源同样是战略性资源,因此保护水资源是一项至关重要的工作
。
水质预测是保护水资源的一项重要环节
。
[0003]现有的水质预测方法是将数据分解后,仅将各分量构建的
LSTM
预测网络的预测结果简单求和,导致误差叠加,使得预测值和真实值具有较大差异
。
技术实现思路
[0004]为了更好的进行水质预测,本专利技术提供的一种基于
CEEMDAN
‑
LSTM
的水质预测方法,可快速精确的进行水质预测,从而为保护水资源提供科学支持
。
[0005]本专利技术为实现上述目的所采用的技术方案是:一种基于
CEEMDAN
‑
LSTM
的水质预测方法,包括以下步骤:
[0006]步骤
1、
获取自动监测点位的水质数据信息;
[0007]步骤
2、
根据水质数据信息,基于
CEEMDAN
算法得到多个不同的
imf
分量和一个趋势项
R
m
分量;
[0008]步骤
3、
基于
LSTMr/>神经网络,针对每个分量构建
LSTM
网络预测模型;
[0009]步骤
4、
基于线性回归模型,实现对每个
LSTM
网络预测模型权重的自学习,最终获得训练好的
LSTM
网络预测模型;
[0010]步骤
5、
获取自动监测点位的设定时间段内的水质数据信息,通过步骤2得到多个不同的
imf
分量和一个趋势项
R
m
分量,将所有分量分别输入至对应的 LSTM
网络预测模型,将多个
LSTM
网络预测模型结果加权求和,获取未来时间段内的最终预测值
。
[0011]所述水质数据信息包括:自动监测点位对氨氮
NH3N、
高锰酸盐指数
CODmn、
溶解氧
DO、
总磷
TP
和
PH。
[0012]所述基于
CEEMDAN
算法得到多个不同的
imf
分量和一个趋势项
R
m
分量,包括以下步骤:
[0013]1)
需要处理的信号为
S
i
(t)
,表示第
i
次分解中,加入
j
次白噪声,得到新信号
y
i
(t)
[0014][0015]其中,
q
为1或2,表示信号对白噪声的添加或删除处理;
[0016]2)
对
y
i
(t)
进行
EMD
分解,得到多个本阶段
imf
ij
(t)
分量,对多个
imf
ij
(t)
分量进行平均处理,得到当前阶段最终
IMF
分量
[0017][0018]其中
N
是添加噪声的次数;
[0019]3)
将未添加白噪声的输入信号减去分量形成新的输入信号
[0020][0021]4)
重复步骤
1)
‑
步骤
3)
,直到输入信号为单调函数,分解结束;
S0(t)
经过多次分解后,得到
[0022][0023]其中,
m
表示
imf
分量和趋势项个数总和,
R
m
表示趋势项
。
[0024]所述基于线性回归模型,实现对每个
LSTM
网络预测模型权重的自学习,包括以下步骤:
[0025]1)
对于
m
‑1个
imf
分量和一个趋势项
R
m
分量,每个分量对应一个
LSTM 网络预测模型,
LSTM
网络预测模型预测结果为
lstm
i
,对应权重为
w
i
;
i
=1…
m
;
[0026]2)
根据线性回归模型,将
m
个预测结果
lstm
i
加权求和,获得用于更新权重的预测值
tolpre
,更新权重的真实值
Wtrue
是所有的分量的求和结果;
[0027]3)
计算
tolpre
和
Wtrue
之间均方误差,反向传播更新
w
i
,将更新好的
w
′
i
作为各分量的权重:
w
i
=
w
′
i
;
[0028]4)
对于每个
LSTM
网络预测模型,实际预测值
LstmPre
i
为各
LSTM
网络预测模型预测值
lstm
i
和权重
w
i
的乘积:
LstmPre
i
=
lstm
i
*w
i
;
[0029]5)
分别计算各分量的真实值和预测值
LstmPre
i
之间的损失值并反向传播,更新
LSTM
网络预测模型的权重参数;
[0030]6)
重复更新
w
i
权重值,直到
LSTM
网络预测模型在测试集数据中的损失值不再减少
。
[0031]所述线性回归模型如下:
[0032]tolpre
=
w1*lstm1+
…
+w
m
*lstm
m
[0033]Wtrue
=
imf1+imf2+
…
+imf
m
‑1+R
m
[0034]Wtrue
表示真实值数据,
imf
i
表示第
i
个
imf
分量对应数值,
w
i
为权重,
ls本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.
一种基于
CEEMDAN
‑
LSTM
的水质预测方法,其特征在于,包括以下步骤:步骤
1、
获取自动监测点位的水质数据信息;步骤
2、
根据水质数据信息,基于
CEEMDAN
算法得到多个不同的
imf
分量和一个趋势项
R
m
分量;步骤
3、
基于
LSTM
神经网络,针对每个分量构建
LSTM
网络预测模型;步骤
4、
基于线性回归模型,实现对每个
LSTM
网络预测模型权重的自学习,最终获得训练好的
LSTM
网络预测模型;步骤
5、
获取自动监测点位的设定时间段内的水质数据信息,通过步骤2得到多个不同的
imf
分量和一个趋势项
R
m
分量,将所有分量分别输入至对应的
LSTM
网络预测模型,将多个
LSTM
网络预测模型结果加权求和,获取未来时间段内的最终预测值
。2.
根据权利要求1所述的一种基于
CEEMDAN
‑
LSTM
的水质预测方法,其特征在于,所述水质数据信息包括:自动监测点位对氨氮
NH3N、
高锰酸盐指数
CODmn、
溶解氧
DO、
总磷
TP
和
PH。3.
根据权利要求1所述的一种基于
CEEMDAN
‑
LSTM
的水质预测方法,其特征在于,所述基于
CEEMDAN
算法得到多个不同的
imf
分量和一个趋势项
R
m
分量,包括以下步骤:
1)
需要处理的信号为
S
i
(t)
,表示第
i
次分解中,加入
j
次白噪声,得到新信号
y
i
(t)
其中,
q
为1或2,表示信号对白噪声的添加或删除处理;
2)
对
y
i
(t)
进行
EMD
分解,得到多个本阶段分量,对多个分量进行平均处理,得到当前阶段最终
IMF
分量分量其中
N
是添加噪声的次数;
3)
将未添加白噪声的输入信号减去分量形成新的输入信号
4)
重复步骤
1)
‑
步骤
3)
,直到输入信号为单调函数,分解结束;
S0(t)
经过多次分解后,得到其中,
m
表示
imf
分量和趋势项个数总和,
R
m
表示趋势项
。4.
根据权利要求1所述的一种基于
CEEMDAN
‑
LSTM
的水质预测方法,其特征在于,所述基于线性回归模型,实现对每个
LSTM
网络预测模型权重的自学习,包括以下步骤:
1)
对于
m
‑1个
imf
分量和一个趋势项
R
m
分量,每个分量对应一个
LSTM
网络预测模型,
LSTM
网络预测模型预测结果为
lstm
i
,对应权重为
w
i
;
i
=1…
m
;
2)
根据线性回归模型,将
m
个预测结果
lstm
i
加权求和,获得用于更新权重的预测值
tolpre
,更新权重的真实值
Wtrue
是所有的分量的求和结果;...
【专利技术属性】
技术研发人员:周晓磊,王宁,张朋,刘首正,窦志强,赵思彤,宋春梅,祁柏林,张镝,白雪,
申请(专利权)人:中国科学院沈阳计算技术研究所有限公司,
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。