【技术实现步骤摘要】
本专利技术涉及一种面向水质指标预测的方法，特别是涉及一种基于序列分解和自相关的多步水质预测方法sg-autoformer。
技术介绍
1、水是一种宝贵资源，与人类的生产生活息息相关。随着全球城市化和工业化的快速发展，城市生活污水和工业废水的排放量每年都在增加。这就造成了水资源短缺、水环境恶化、水质灾害频发等各种水污染问题。随着物联网技术的兴起，大量水质监测传感器的部署记录了各种水质指标。因此，利用新一代信息技术预测未来水质变化，及时改善水环境具有重要意义。水质预测为解决可能出现的水环境问题提供了及时的管理，具有重要意义。然而，存在以下挑战：1)水质时间序列中噪声的存在会导致非线性模型的过拟合；2)在复杂的时间序列数据中很难捕捉到时间依赖性；3)长期预测难以实现。
2、近年来随着数据量的增多，深度学习逐渐成为时间序列预测的主流算法，广泛应用于水环境中。目前大多数水质指标数据属于长相关时间序列，即序列中可能存在间隔或延迟相对较长。但传统神经网络很难捕捉到这种跨度很长的关键信息，导致预测的精度不足。传统的水质预测方法主要是针对线性水质时间序列的预测。然而，大多数传统方法只能处理简单线性问题，无法处理非线性和多元问题，已经不能满足当前的需求。其中，循环神经网络可以处理序列数据，并使用递归结构进行计算。每个单元的输出与上一层的隐藏状态向量以及当前输入相关。然而，其不适合解决长期序列预测问题。长短期记忆网络通过传递额外的隐藏状态向量，可以更好地实现长期序列预测。seq2seq结构是基于循环神经网络结构提出的，由两个循环神经网络结
3、为了解决训练时的并行化问题，提出了transformer模型。transformer使用自注意机制替换seq2seq模型中的循环结构。自注意机制实现了每个向量都考虑其他向量的信息，并通过让输入向量矩阵计算注意力值来获得全局信息。基于transformer架构的reformer模型也被提出，其具有适用于处理数据序列的优势，利用局部敏感哈希的方式旨在降低自我注意机制的计算复杂度，采用可逆层使其特别适用于时间序列预测任务。
4、然而，时间序列预测仍然面临许多挑战，例如直接从长期时间序列中提取时间依赖的不可靠性和自我注意机制模型在预测时可能会消耗大量计算资源的问题。因此，未来需要进一步开发更加高效和精确的方法来解决这些挑战，以提高水质预测的准确性和可靠性。
技术实现思路
1、针对以上现有技术的不足，本专利技术提出了一种新的方法用于预测水质，名为sg-autoformer，该方法结合了sg滤波器、内序列分解和自相关机制。包括：基于序列分解和自相关的多步水质时间序列预处理；基于encoder-decoder框架的sg-autoformer模型实现了水质指标的多步预测。本专利技术通过以下技术方案来实现。
2、一种基于序列分解和自相关的多步水质预测模型sg-autoformer的水质指标预测方法，该方法包括如下的步骤：
3、1)获取中国某地区的水质监测数据集并采集水质指标；
4、2)采用sg滤波器对原始数据进行平滑处理；
5、3)在2)的基础上，采用分解模块对水质数据进行时间序列分解，突出长期趋势，得到季节性的组件；
6、4)在3)的基础上，采用自相关机制更好地捕获时间依赖性；
7、5)在4)的基础上，采用基于序列分解和自相关的多步水质预测模型sg-autoformer进行水质指标预测。
本文档来自技高网...【技术保护点】
1.一种基于序列分解和自相关的多步水质预测模型SG-Autoformer(Savitzky Golay-Autoformer)的水质指标预测方法，其特征在于，该方法包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，所述基于获取中国某地区的水质监测数据集并采集水质指标，包括：
3.根据权利要求1所述的方法，其特征在于，所述基于时间序列分解和自相关的多步水质预测模型SG-Autoformer，包括：
4.根据权利要求3所述的方法，其特征在于，所述根据测试集的历史数据测试并优化水质预测模型，包括：
5.根据权利要求3所述的方法，其特征在于，所述基于水质预测模型预测水质之前，还包括：
【技术特征摘要】
1.一种基于序列分解和自相关的多步水质预测模型sg-autoformer(savitzky golay-autoformer)的水质指标预测方法，其特征在于，该方法包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，所述基于获取中国某地区的水质监测数据集并采集水质指标，包括：
3.根据权利...
【专利技术属性】
技术研发人员：毕敬，王梓奇，苑海涛，穆天虹，
申请(专利权)人：京上智数科技北京有限公司，
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。