【技术实现步骤摘要】
本专利技术属于水环境监测，具体涉及一种基于组合机器学习模型的河流断面水质预测方法。
技术介绍
1、地表水水质监测是保障城乡供水安全、推进经济社会发展和维系良好生态环境的重要措施，现有水环境监测网络已有成熟的水质指标检测体系，但由于环境介质的复杂性和污染行为的不确定性，河流水质指标的监测一直存在检测频次低、布点成本高、在线设备昂贵、预警能力缺乏等问题。因此，亟需开展低成本、高效率的地表水水质实时预测技术创新研发。目前，常规地表水水质预测模型主是基于统计学模型或者简单机器学习模型进行水质分析预测，但由于河流监测断面水质通常受水文、气象、人类活动以及其他环境因素的多源影响，传统统计模型在不同地区在适应这些快速变化的环境条件方面存在局限，导致预测结果的准确性受限，模型泛化能力较差。同时，实时监测通常要求数据采集具有高频率以便及时捕捉水质的动态变化，但依赖于少量较低监测频率数据的传统机器学习模型在数据处理和分析上可能存在延迟，无法实现实时或近实时的预测更新。另外，传统水质模型缺乏有效的预测更新机制和自学习能力，难以满足长期水质预测任务的准确性和时...
【技术保护点】
1.一种基于组合机器学习模型的河流断面水质预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于组合机器学习模型的河流断面水质预测方法，其特征在于：水质矩阵大数据建立：河流监测断面长时间序列水质大数据通过收集重点河流监测断面长时间序列的水质历史监测数据，以及固定采样周期采集的在线水质监测数据，形成m组水质监测数据，每组监测数据对应n类水质指标，得到Ai,j＝(m，n)水质矩阵大数据。
3.根据权利要求2所述的一种基于组合机器学习模型的河流断面水质预测方法，其特征在于：水质指标数据标准化与补齐：是将收集到的Ai,j水质矩阵大数据进...
【技术特征摘要】
1.一种基于组合机器学习模型的河流断面水质预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于组合机器学习模型的河流断面水质预测方法，其特征在于：水质矩阵大数据建立：河流监测断面长时间序列水质大数据通过收集重点河流监测断面长时间序列的水质历史监测数据，以及固定采样周期采集的在线水质监测数据，形成m组水质监测数据，每组监测数据对应n类水质指标，得到ai,j＝(m，n)水质矩阵大数据。
3.根据权利要求2所述的一种基于组合机器学习模型的河流断面水质预测方法，其特征在于：水质指标数据标准化与补齐：是将收集到的ai,j水质矩阵大数据进行标准化处理，以降低减少不同水质特征之间的量级差异，数据标准化过程如下公式：
4.根据权利要求3所述的一种基于组合机器学习模型的河流断面水质预测方法，其特征在于：水质指标数据集和水质评价数据集准备是将用于训练模型的数据整理为水质指标数据集和水质评价数据集，其中，水质指标数据集为标准化后的水质矩阵大数据ai,j，水质评价数据集bi,j则为水质单因子评价法和综合因子评价法得到的水质评价数据；
5.根据权利要求4所述的一种基于组合机器学习模型的河流断面水质预测方法，其特征在于：水质大数据特征选择与处理是利用相关性分析、主成分分析(pca)方法选择影响河流断面水质矩阵大数据ai,j的重要特征因子，同时，利用标签编码(labelencoding)将水质评价数据集bi,j中的水质评价等级分类值转换为一个整数，以用于水质等级有序分类特征的量化描述。
6.根据权利要求5所述的一种基于组合机器学习模型的河流断面水质预测方法，其特征在于：基于组合机器学习算法的水质预测模型开发是在收集到的长时间序列历史水质监测数据基础上，利用svm、dt、rf三种集成算法，分别开展基于长时间序列的监督式机器学习建模，其中，在水质趋势变化模型训练时，以水质矩阵大数据ai,j中多元历史监测数据中温度、ph、溶解氧...
【专利技术属性】
技术研发人员：段倩囡，杨湘怡，李剑超，翟宝昕，郭忠明，周驰，吴卫东，权旭东，康巍，张海龙，
申请(专利权)人：西北大学，
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。