一种基于变分模态分解和注意力机制的TCN-LSTM水质预测方法技术

本发明专利技术公开一种基于变分模态分解和注意力机制的TCN‑LSTM水质预测方法，属于水质时序数据预测领域。包括以下步骤：(1)对水质数据进行预处理；(2)对处理好的水质数据进行VMD分解；(3)将分解后的数据划分为训练集、验证集和测试集；(4)左侧分支卷积模块中，训练集数据依次经过第一层卷积层、第一层归一化层、第一层Dropout层、第二层卷积层、第二层归一化层、ReLU激活层和第二层Dropout层；(5)在右侧分支，训练集数据进入卷积跳跃层；(6)在加法层，右侧分支的特征与左侧分支的特征相加融合，融合后的特征依次通过LSTM层、自注意力层、全连接层和回归输出层，输出水质数据的预测结果。本发明专利技术能准确预测河流、湖泊等水质数据，为水资源管理提供有力支持。

【技术实现步骤摘要】

本专利技术属于水质时序数据预测领域，具体涉及一种基于变分模态分解和注意力机制的tcn-lstm水质预测方法。

技术介绍

1、随着工业化和城市化的迅速发展，水污染问题日渐加剧。通过准确预测水质变化趋势，以提前采取相应的保护措施，实现前瞻性治理。这不仅提高了治理效率，还降低了事后治理的难度，对水资源保护具有重要意义。针对这一问题，国内外学者都开展了相关的研究，并且提出了许多水质预测模型。这些模型大概可以分为两类，一类是基于物理过程的模型，该模型将水动力学与污染物迁移转化过程相结合，以其出色的可转移性和可解释性而闻名。然而，该模型需要大量与水文因素、水质和污染源相关的监测和数据，这使得利用这种方法预测水质颇具挑战性。另一类是数据驱动模型，即机器学习模型，数据驱动模型的预测结果来自长期观测。这些模型更易于移植，且所需的基础数据集较小，近些年来广泛应用于水质预测工作中。但现今许多水质预测模型都是基于传统或单一神经网络模型的预测，传统神经网络模型在处理复杂、非线性的水质数据上存在天然劣势，尤其是对长时间依赖和多频率成分的捕捉能力不足，导致不能准确捕捉水质参数的变化趋势本文档来自技高网...

【技术保护点】

1.一种基于变分模态分解和注意力机制的TCN-LSTM水质预测方法，其特征在于：包括以下步骤：

2.根据权利要求书1所述的一种基于变分模态分解和注意力机制的TCN-LSTM水质预测方法，其特征在于，步骤(1)具体如下：获取某水域连续时间内的水质各指标数据，包括水温、pH、溶解氧、总磷、总氮、氨氮、浊度、叶绿素、高锰酸盐、藻密度和电导率共11个指标，然后对异常值进行删除、缺失值进行插补的预处理；步骤(3)具体如下：将分解后的数据集按照8：1：1的比例进行划分，即80％训练集，10％验证集，10％测试集。

3.根据权利要求书1所述的一种基于变分模态分解和注意力机制的T...

【技术特征摘要】

1.一种基于变分模态分解和注意力机制的tcn-lstm水质预测方法，其特征在于：包括以下步骤：

2.根据权利要求书1所述的一种基于变分模态分解和注意力机制的tcn-lstm水质预测方法，其特征在于，步骤(1)具体如下：获取某水域连续时间内的水质各指标数据，包括水温、ph、溶解氧、总磷、总氮、氨氮、浊度、叶绿素、高锰酸盐、藻密度和电导率共11个指标，然后对异常值进行删除、缺失值进行插补的预处理；步骤(3)具体如下：将分解后的数据集按照8：1：1的比例进行划分，即80％训练集，10％验证集，10％测试集。

3.根据权利要求书1所述的一种基于变分模态分解和注意力机制的tcn-lstm水质预测方法，其特征在于，步骤(2)具体如下：

4.根据权利要求书1所述一种基于变分模态分解和注意力机制的tcn-lstm水质预测方法，其特征在于，步骤(4)具体如下：

5...

【专利技术属性】
技术研发人员：师金龙，张代青，肖裕锋，朱煜宵，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：