【技术实现步骤摘要】
本专利技术涉及水质预测，尤其涉及一种水质浊度预测方法、浊度预测系统及计算机可读存储介质。
技术介绍
1、在水资源管理和环境监测领域，浊度是衡量水质的关键指标之一，对于保护水资源和优化其使用极为关键；浊度预测，作为浊度传感器研究的一个主要方向，致力于结合关键参数，如浊度本身、温度、降雨量、以及风力风向，来实现对未来时刻浊度水平的精确预测；尽管目前已有众多研究致力于提升浊度预测的准确性，但仍面临一系列挑战；由于目标水域环境的复杂多变性，预测模型常常缺乏足够的通用性和实时性难以适应不同地理位置之间的温差变化和其他多变的环境因素，从而限制了模型的泛化能力和应对复杂环境的效果。
2、中国专利公开号为“cn117313040a”，名称为“一种基于svm-lstm模型的水库型浊度预测方法”；该方法首先获取水库自动监测数据并进行数据预处理，提取水质特征、水动力指标特征以及构建风场特征；接着，通过svm模型根据上述特征得到第一浊度预测结果并计算平方损失，lstm模型则根据水质特征、水动力指标特征和平方损失得到第二浊度预测结果；最后，通过加权平均得到svm-lstm融合预测模型的浊度预测结果；然而，该方法依赖于静态数据集且无法自动适应新数据，仅通过一次性训练得到的模型长期使用，不适宜于快速变化的环境条件；因此，如何使模型能够自适应更新以应对环境的快速变化及季节性调整，成为本领域技术人员亟需解决的问题。
技术实现思路
1、本专利技术实施例的主要目的在于提出一种水质浊度预测方法，旨在设计一种对
2、本专利技术解决上述技术问题的技术方案是，提供一种水质浊度预测方法，包括以下步骤：
3、1）获取数据并处理：
4、获取水质中的浊度数据、温度数据、当地历史降雨量数据、当地历史风向数据、当地历史风力数据；
5、对数据进行缺失值和异常值处理；
6、将预处理后的数据划分为训练集、测试集和验证集；
7、2）构建网络模型：
8、网络采用长短时记忆网络，网络层层数和神经元个数经遗传算法优化得到，数据经长短时记忆网络最后输出未来时间步长的浊度预测结果；
9、3）训练并调整网络模型：
10、用训练集对网络进行训练，直至训练次数达到初始设定阈值或损失函数的值达到预设范围，保存网络模型参数；
11、使用验证集对网络模型进行调整，优化网络模型参数。
12、进一步地，所述网络采用长短时记忆网络，网络层层数和神经元个数经遗传算法优化得到，数据经长短时记忆网络最后输出未来时间步长的浊度预测结果的步骤中，所述长短时记忆网络，包括：
13、cnn特征提取，由卷积层和relu激活层组成，用于高效特征提取与降维；
14、lstm浊度预测，由lstm层构成，lstm由输入门、遗忘门和输出门组成，用于处理时间序列数据以及预测浊度变化；
15、注意力机制块，由查询、键、值三部分构成；用于增强模型对长序列的处理能力并提升预测精度。
16、全连接输出块，由全连接层、dropout丢弃层和bn层组成，用于增强模型整体的表达能力，实现精确的浊度预测输出。
17、进一步地，所述网络采用长短时记忆网络，网络层层数和神经元个数经遗传算法优化得到，数据经长短时记忆网络最后输出未来时间步长的浊度预测结果的步骤中，所述遗传算法包括种群、适应度函数、遗传、变异、交叉和终止条件，通过种群初始化、适应度评估、选择、交叉和变异的步骤不断迭代，从初始种群出发，评估个体适应度，选择优秀个体进行遗传组合和变异生成新个体，逐代进化，重复进行，直至满足停止条件。
18、进一步地，所述用训练集对网络进行训练，直至训练次数达到初始设定阈值或损失函数的值达到预设范围，保存网络模型参数的步骤中，所述损失函数采用huber loss，具体数学表达式如下式所示：
19、
20、其中是真实的目标值；是网络模型的输出；设置的一个超参数，用于控制huber loss的平滑程度。
21、为解决上述技术问题，本专利技术还提出一种所述浊度预测系统，应用于如上所述的水质浊度预测方法，包括：
22、数据采集模块，用于采集水体的关键参数，并下载当地降雨量、风向、风力数据；
23、数据显示模块，用于显示所述数据采集模块的关键水质参数；
24、数据预处理模块，用于对数据采集模块的数据进行缺失值和异常值处理；
25、浊度预测模块，用于对数据预处理模块的数据进行深入分析，从而预测未来时刻水域的浊度水平。
26、为解决上述技术问题，本专利技术还提出一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行如上所述的水质浊度预测方法的步骤。
27、与现有技术相比，本专利技术提供了一种水质浊度预测方法、浊度预测系统及计算机可读存储介质，具备以下有益效果：
28、1、本专利技术设计了一种水质浊度预测方法，通过长短时记忆网络对未来时刻的浊度进行预测，通过卷积层、lstm层和注意力层获得更好的特征学习能力和更好的序列建模能力，抗过拟合能力强，拥有更好的泛化能力。
29、2、本专利技术推出的先进浊度预测系统地训练和优化网络模型，在每个季节中旬，电脑端会自动下载阿里云平台数据并对网络进行训练，用最新数据不断扩充数据集，对网络不断优化，本专利技术设计的系统确保了模型能够灵活应对各种复杂环境及季节性的变化，显著提升了系统的实时响应能力和广泛适用性。
30、3、本专利技术采用遗传算法优化神经网络，可以实现对网络结构和参数的智能化调整和优化，不断迭代优化网络结构和参数，提高网络模型的性能和泛化能力，这种智能优化方法能够使网络更加适应复杂的环境和数据特征，使得网络模型不断适应实时采集的数据集，从而更好地完成浊度预测任务。
本文档来自技高网...【技术保护点】
1.一种水质浊度预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的水质浊度预测方法，其特征在于，所述网络采用长短时记忆网络，网络层层数和神经元个数经遗传算法优化得到，数据经长短时记忆网络最后输出未来时间步长的浊度预测结果的步骤中，所述遗传算法包括种群、适应度函数、遗传、变异、交叉和终止条件，通过种群初始化、适应度评估、选择、交叉和变异的步骤不断迭代，从初始种群出发，评估个体适应度，选择优秀个体进行遗传组合和变异生成新个体，逐代进化，重复进行，直至满足停止条件。
3.一种浊度预测系统，应用于如权利要求1至2任一项所述的水质浊度预测方法，其特征在于，包括：
4.一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行如权利要求1至2中任意一项所述的水质浊度预测方法的步骤。
【技术特征摘要】
1.一种水质浊度预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的水质浊度预测方法，其特征在于，所述网络采用长短时记忆网络，网络层层数和神经元个数经遗传算法优化得到，数据经长短时记忆网络最后输出未来时间步长的浊度预测结果的步骤中，所述遗传算法包括种群、适应度函数、遗传、变异、交叉和终止条件，通过种群初始化、适应度评估、选择、交叉和变异的步骤不断迭代，...
【专利技术属性】
技术研发人员：詹伟达，董朋，陈宇，底晓强，葛微，朱德鹏，郝子强，唐雁峰，刘妍妍，
申请(专利权)人：长春理工大学，
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。