【技术实现步骤摘要】
本专利技术涉及水质监测，具体是一种基于水环境监测数据的安全预警方法。
技术介绍
1、当前，社会经济不断发展，工业源、生活源等引发的水环境污染事件频繁发生，严重损害了生态环境，对人类生活健康构成了威胁。水环境监测能够定时、定点判断水环境中污染物的分布情况，基本找到污染物的来源，初步研判污染对人体健康的影响程度，是环境污染与治理的前端工作，对水环境保护具有十分重要的意义。
2、在公开号为cn114217037a的中国专利中，提到了一种基于水环境监测数据的安全预警方法及其系统，该专利技术根据水质监控现状数据信息和水质监控变化数据信息，能够对各个城市的水环境进行监控，具体能够监控哪个城市的水体环境较为良好，或者在指定时间段后监控哪个城市的水环境的变化程度最大，从而得到较为可靠的安全预警结果，该专利技术通过检测水质的溶解氧作为水质指数，并对比历史城市水质指数设定阈值进行预警，但是该专利技术仅为一种等级预警，只要水质指数数值达到阈值后即发出预警，无法分为对预警进行登记划分，从而无法及时对决策者提供预警等级，进一步降低突发水污染应急管理决策的效果，其次该专利技术仅通过将当前水质指数与历史水质指数做对比进行预警，历史数据具有不确定性，造成预警误差大。
技术实现思路
1、本专利技术旨在至少在一定程度上解决上述存在的问题，通过将水质预警划分为四个等级，能够根据预警预测信息获取预警等级并对外进预警，有助于为决策者提供预警等级，从而能够根据预警等级做出相适配的决策，提高突发水污染应急管理决策的
2、为实现以上目的，本专利技术通过以下技术方案予以实现：具体包括以下步骤：
3、s1：历史数据采集：首先通过收集所监测城市的河流断面以及湖库点位过去2年内的水质指标浓度历史数据，建立数据库；
4、s2：监测数据的采集：再通过传感器设备对当前水质指标浓度进行采集获得当前水质指标实际浓度c实际；
5、s3：数据的计算：接着利用ar算法模型对当前水质指标浓度进行预测获得预测水质指标浓度c(预测)；
6、进一步将预测水质指标浓度c(预测)作为输入数值输入至lstm循环神经网络模型得出最终预测水质指标浓度c/(预测)；
7、s4：结果分析：将当前水质指标实际浓度c实际与最终预测水质指标浓度c/(预测)通过利用标准差方法模型获得异常特征值t，通过设置异常特征值t的异常阈值分为k1＝1、k2＝2、k3＝3以及k4＝4四个数值；接着，对异常特征值进行分析，判断预警级别，并发出预警信息；
8、s5：数据存储：预警结束后，将当前水质指标实际浓度c实际存储于存储模块中。
9、优选的，所述s3中的ar模型能够通过对目标城市历史时间的目标城市水质指数进行分析，并预测得到未来水质指数数值，所述ar模型表达式为：
10、c(预测)＝c+φ1x(t-1)+φ2x(t-2)+...+φp*x(t-p)+ε(t)；
11、其中，x(t)表示当前时间点t的观测值；c为常数，常数项通常取零；φ1,φ2,...，φp为自回归系数；ε(t)为误差项；p表示模型的阶数，即考虑的过去两年的历史时间点的数量。
12、优选的，所述s3中将预测水质指标浓度c(预测)作为输入数值输入至lstm循环神经网络模型起到lstm模型能够获取利用2年来历史数据以及ar算法模型预测的未来信息数据。
13、优选的，所述s4中标准差方法模型表达式为：
14、t＝ⅰc实际-c/(预测)ⅰ；
15、其中c实际为当前水质指标实际浓度，c/(预测)为最终预测水质指标浓度。
16、优选的，所述s4中预警级别分为一级预警、二级预警、三级预警和四级预警，分别用红色、橙色、黄色和蓝色标示。
17、优选的，所述s4中k1＝1、k2＝2、k3＝3以及k4＝4分别对应预警级别的一级预警、二级预警、三级预警和四级预警，首先将异常特征值t与阈值k4＝4判断，如果异常特征值t≥4则判定为四级预警，异常特征值t<4则与三级预警阈值k3＝3做比较，如果异常特征值t≥3则判定三级预警，异常特征值t<3则与二级预警阈值k3＝2做比较，异常特征值t≥2则为二级警报，异常特征值t<2则与一级预警阈值k3＝1做比较，异常特征值t≥1则为一级警报，异常特征值t<1则判定为无预警。
18、优选的，所述s5中的数据存储能够作为下一次水质预警的历史数据之一。
19、有益效果
20、本专利技术提供了一种基于水环境监测数据的安全预警方法，与现有技术相比具备以下有益效果：
21、该一种基于水环境监测数据的安全预警方法，通过将水质预警划分为四个等级，能够根据预警预测信息获取预警等级并对外进预警，有助于为决策者提供预警等级，从而能够根据预警等级做出相适配的决策，提高突发水污染应急管理决策的效果。
22、其次通过先利用ar模型线性未来预测值，而ar模型包含了历史数据，将ar结果预测未来结果与历史数据输入至lstm循环神经网络模型，此时参与预测的数据包含了未来预测数据以及历史预测数据，从而能够提高预测结果，并且lstm循环神经网络模型能够综合考虑多种因素对未来的影响，历史数据反映了时间序列的长期模式和趋势，而ar模型则基于当前的观测值进行预测，结合两者可以更全面地考虑时间序列的特征，最后，ar模型主要考虑了时间序列的线性自回归关系，而lstm循环神经网络模型可以更好地处理非线性关系和长期依赖，结合两者可以弥补各自的不足，提高模型的预测能力。
本文档来自技高网...【技术保护点】
1.一种基于水环境监测数据的安全预警方法，其特征在于：具体包括以下步骤：
2.根据权利要求1所述的一种基于水环境监测数据的安全预警方法,其特征在于：所述S3中的AR模型能够通过对目标城市历史时间的目标城市水质指数进行分析，并预测得到未来水质指数数值，所述AR模型表达式为：
3.根据权利要求1所述的一种基于水环境监测数据的安全预警方法,其特征在于：所述S3中将预测水质指标浓度C(预测)作为输入数值输入至LSTM循环神经网络模型起到LSTM模型能够获取利用2年来历史数据以及AR算法模型预测的未来信息数据。
4.根据权利要求1所述的一种基于水环境监测数据的安全预警方法,其特征在于：所述S4中标准差方法模型表达式为：
5.根据权利要求1所述的一种基于水环境监测数据的安全预警方法,其特征在于：所述S4中预警级别分为一级预警、二级预警、三级预警和四级预警，分别用红色、橙色、黄色和蓝色标示。
6.根据权利要求5所述的一种基于水环境监测数据的安全预警方法,其特征在于：所述S4中K1＝1、K2＝2、K3＝3以及K4＝4分别对应预警级别的一
7.根据权利要求1所述的一种基于水环境监测数据的安全预警方法,其特征在于：所述S5中的数据存储能够作为下一次水质预警的历史数据之一。
...【技术特征摘要】
1.一种基于水环境监测数据的安全预警方法，其特征在于：具体包括以下步骤：
2.根据权利要求1所述的一种基于水环境监测数据的安全预警方法,其特征在于：所述s3中的ar模型能够通过对目标城市历史时间的目标城市水质指数进行分析，并预测得到未来水质指数数值，所述ar模型表达式为：
3.根据权利要求1所述的一种基于水环境监测数据的安全预警方法,其特征在于：所述s3中将预测水质指标浓度c(预测)作为输入数值输入至lstm循环神经网络模型起到lstm模型能够获取利用2年来历史数据以及ar算法模型预测的未来信息数据。
4.根据权利要求1所述的一种基于水环境监测数据的安全预警方法,其特征在于：所述s4中标准差方法模型表达式为：
5.根据权利要求1所述的一种基于水环境监测数据的安全预警方法,其特征在于：所述s4中预警级别分为一级预警、二级...
【专利技术属性】
技术研发人员：乔磊，李夏，郭雪瑶，杨柳，张辉，郜会会，
申请(专利权)人：河南省平顶山生态环境监测中心，
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。