【技术实现步骤摘要】
本专利技术涉及一种重要性衡量方法、系统、设备及存储介质，尤其涉及一种水质影响因素重要性衡量方法、系统、设备及存储介质。
技术介绍
1、河流水质直接关系到周围生态系统的健康与人类的用水安全。为了有效防范水污染并保障水质，需要深入了解和评估影响水质的各种因素。准确衡量地表水质影响因素的重要性，是水资源管理和环境管理的重要规划和决策工具。因此，科学有效地对这些影响因素的重要性进行判断显得尤为关键。
2、目前常用的衡量方法包括有监测站人力监测、环境保护人员的民间调查还有pearson相关性等数学方法，这些方法虽然在衡量水质与其影响因素具有一定响应关系，但在其方法仍然存在较大局限，往往难以满足实际需求。这主要是因为这些方法在处理多维复杂数据和动态变化的环境因素时效果欠佳，导致对水质影响因素的评估不够准确，无法充分支持环境保护和水资源管理工作。
技术实现思路
1、专利技术目的：本专利技术的目的是提供一种能够提高评估的准确性的水质影响因素重要性衡量方法、系统、设备及存储介质。
2、技术方案：本专利技术所述的一种水质影响因素重要性衡量方法，包括：
3、步骤1：采集若干水质监测站点的综合数据，对综合数据进行标准规划操作，随后初步构建动态图；所述综合数据，包括各站点以时间序列形式的历史水质所含的化合物数据，以及各站点附近多源异构数据；
4、步骤2：构建water-gnn模型，所述water-gnn模型包括知识增强型图神经网络gnn模块和门控循环单元gru
5、步骤3：完成water-gnn模型的训练，通过调整参数结合交叉验证以优化模型性能，使用该训练好的模型对水质进行预测；
6、步骤4：衡量各个因素对水质影响的总体重要性、时序重要性和空间重要性。
7、进一步地，步骤1中，所述化合物数据，包括：水温、ph值、溶解氧、电导率、浊度、氨氮、总氮和高锰酸钾数据；
8、所述多源异构数据，包括人口数量、土地利用、植被覆盖、土壤、gdp、气温和降雨量。
9、进一步地，所述步骤1具体方法为：
10、获取若干监测站点的综合数据，对综合数据进行最大最小标准化，以消除不同量纲带来的影响：
11、
12、其中，a为综合数据，anorm为标准化后的综合数据，min(a)代表综合数据的最小值，max(a)代表综合数据的最大值；
13、构建动态图，以水质监测站点为节点，节点属性包含综合数据，边属性中包括由测地距离得出的空间影响及水流流向；所述空间影响，通过以下方法得出：
14、首先使用邻接矩阵过滤出相邻节点间的距离，再计算相邻节点之间的测地距离作为实际距离；
15、
16、其中，r为地球的半径，和分别为相邻两点各自的纬度，为相邻两点的纬度差，δλ为相邻两点的经度差；测地距离d的大小用于判断两个站点的相关性程度。
17、进一步地，步骤2所述water-gnn模型，内部神经网络搭建方法为：
18、将综合数据由序列转化为节点，构建基于水流流向关系的动态地表水质化合物数据网络，该网络表现形式为一系列子图形成的动态图网络g，以动态图网络g作为输入层；具体方法为：设xt∈rn*1表示时刻t时的水质中待测物质总浓度，其中n表示第n个水质监测站点，r表示集合；定义动态图网络g＝(v,e)，其中v代表站点的节点集，e表示站点之间水流流向的边集；设pt∈rn*p和qt∈rn*q分别表示时间步t处的节点和边的属性矩阵，其中p和q是相应的属性编号；
19、将当前时刻t观测到的水质中待测物质浓度xt提供给属性矩阵的接下来t个步骤[pt＋1，...，pt＋t]和[qt＋1，...，qt＋t]，以及动态图网络g结合到模型中，则水质预测问题框架表示为：
20、
21、其中，为t+1时刻待测物质总浓度预测值；
22、以gnn和gru为组件构建water-gnn模型；
23、所述gnn通过迭代聚合图上的邻近信息来学习表示，迭代过程的公式如下式所示：
24、
25、
26、其中ψ和φ是可微函数，在每个时间步，节点的表示通过连接及其当前属性获得；边的表示是通过自定义水流流向并结合其连接节点及其自身属性来计算的；
27、通过gnn提取空间特征后，引入循环神经网络rnn并将其应用于gnn，具体方法为，采用门控循环单元gru作为基本循环单元，在每个时间步，gru单元将节点的表示及其空间相关性的组合作为输入，使gru在对时间扩散进行建模时考虑空间传输；
28、gru通过引入更新门和重置门来调节信息的流动，运算公式如下所示：
29、
30、更新门：
31、
32、重置门：
33、
34、候选隐藏门：
35、
36、最终隐藏门：
37、
38、其中，表示时刻t上一时刻的状态，σ和tanh为激活函数；
39、将经过gru模块处理后的数据传递到一个全连接层，作为输出层，用于整合特征；所述water-gnn模型预测表达式为：
40、
41、其中θ是全连接层fc；
42、所有模块计算结束后，对输出的预测数据进行反归一化处理完成最终预测，公式如下：
43、
44、其中，y为归一化后的待测物质预测值，y′为反归一化后的实际待测物质预测值。
45、进一步地，所述步骤3具体方法为：
46、按照预设比例将综合数据分为遵循时间顺序的训练集、验证集和测试集；
47、设置water-gnn模型的关键超参数，对模型进行训练；所述关键超参数具体包括：输入维度数、输出维度数目、gnn层数和gru层数；
48、所述输入维度数目，与滑动窗口内节点数一致；
49、所述输出维度数目，用于对应预测相同数目时刻的待测物质总含量；
50、设置优化器和损失函数对模型进行训练，完成模型训练后，将验证集输入训练完的water-gnn模型进行预测，根据预测结果调整参数重复验证，确定预测效果拟合最好的参数，代入训练好的water-gnn模型，对水质进行预测。
51、进一步地，所述步骤4具体方法为：
52、将水质的化合物数据和多源异构数据各自包含的各类型数据作为输入因素；
53、进行总体重要性衡量：选取测试集计算总体因素重要性，输入为全部站点的全部因素；在测试集ktest中，每个输入样本si是由一组因素fj组成，其中因素描述在问题定义部分提供；令feaimportance(fj)表示第jth个时刻的总体重要性，公式如下：
54、
55、其中是模型的损失函数，本文档来自技高网...
【技术保护点】
1.一种水质影响因素重要性衡量方法，其特征在于，包括：
2.根据权利要求1所述的水质影响因素重要性衡量方法，其特征在于，步骤1中，所述化合物数据，包括：水温、PH值、溶解氧、电导率、浊度、氨氮、总氮和高锰酸钾数据；
3.根据权利要求1所述的水质影响因素重要性衡量方法，其特征在于，所述步骤1具体方法为：
4.根据权利要求1所述的水质影响因素重要性衡量方法，其特征在于，步骤2所述Water-GNN模型，内部神经网络搭建方法为：
5.根据权利要求1所述的水质影响因素重要性衡量方法，其特征在于，所述步骤3具体方法为：
6.根据权利要求1所述的水质影响因素重要性衡量方法，其特征在于，所述步骤4具体方法为：
7.一种水质影响因素重要性衡量系统，其特征在于，包括：
8.根据权利要求7所述的水质影响因素重要性衡量系统，其特征在于，所述模型构建模块的Water-GNN模型，内部神经网络搭建方法为：
9.一种计算设备，其特征在于，包括：一个或多个处理器、一个或多个存储器以及一个或多个程序，所述程序存储在存
10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行根据权利要求1至6任一项所述的水质影响因素重要性衡量方法的步骤。
...【技术特征摘要】
1.一种水质影响因素重要性衡量方法，其特征在于，包括：
2.根据权利要求1所述的水质影响因素重要性衡量方法，其特征在于，步骤1中，所述化合物数据，包括：水温、ph值、溶解氧、电导率、浊度、氨氮、总氮和高锰酸钾数据；
3.根据权利要求1所述的水质影响因素重要性衡量方法，其特征在于，所述步骤1具体方法为：
4.根据权利要求1所述的水质影响因素重要性衡量方法，其特征在于，步骤2所述water-gnn模型，内部神经网络搭建方法为：
5.根据权利要求1所述的水质影响因素重要性衡量方法，其特征在于，所述步骤3具体方法为：
6.根据权利要求1所述的水质影响因素重要性衡量方法，其特征在于，所述步骤4具体方法为：<...
【专利技术属性】
技术研发人员：金城尧，任珂，周洋，严嘉恒，高尚兵，李翔，俞扬信，
申请(专利权)人：淮阴工学院，
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。