一种基于灰色理论及支持向量机的水质预测方法技术

本发明专利技术公开了一种基于灰色理论及支持向量机的水质预测方法，属于水质预测方法技术领域。该方法包括以下步骤：1）对采集的数据集进行小波分解；2）将步骤一中经过分解处理得到的细节子序列进行平移，并进行相空间重构；3）根据步骤二中经过相空间重构的细节子序列建立各细节子序列的预测模型；4）根据步骤一中经过分解处理得到的尺度子序列建立尺度子序列预测模型；5）输入数据进行预测，将得到的细节子序列的预测值进行反向平移，并将尺度序列模型和细节序列模型得到的预测值进行重构，得到最终预测结果。本方法与传统的水质预测方法相比具有更高的预测精度及更广的应用范围。同时，在预测稳定性和精度上，有更好地鲁棒性和复杂非线性映射的能力。

【技术实现步骤摘要】
一种基于灰色理论及支持向量机的水质预测方法
本专利技术涉及一种水质预测方法，特别涉及一种基于灰色理论及支持向量机的水质预测方法。
技术介绍
水质预测是水资源管理和水污染控制的重要方法，是进行水质治理和水资源开发利用的基础性工作，对及时掌握水质变化的发展趋势，为水质预测预警和水环境污染防治提供重要的科学依据和技术支持。水质预测方法较多，典型的有基于数理统计、混沌理论和神经网络方法。数理统计法存在对水质多因素预测难度大的问题，混沌理论的应用需要大量的水质信息资料，神经网络预测方法能够刻画出水质时间序列复杂变化的非线性特征，但其本身存在网络收敛速度慢、容易陷入局部极小值等问题，使得模型的泛化能力不强。因此需要一种先进的预测算法，能够进一步提高水质预测模型的精度和效率。灰色理论模型能够利用较少的系统信息，来描述系统的整体行为。GM(1,1)模型是一种呈指数增长的模型，其预测精度受到原始监测序列光滑程度的限制，对近似服从、或符合指数增长态势的动态序列具有良好的预测效果。支持向量机作为建立在统计学习理论VC维的基础上，同时实现SRM(StructuralRiskMinimization)准则的一种新的机器学习方法，在解决小样本、非线性问题、高维模式识别和局部极小等方面具有优势，目前已被广泛的用于时间序列的预测。但目前使用灰色理论和支持向量机对水质时间序列的预测仍然存在一些问题：其一，支持向量机对水质时间序列的拟合预测精度受其参数选择的影响，已有的基于单因素参数寻优的方法，受各因素之间没有交互作用条件的限制，不仅非常耗时，而且常常不能保证得到的参数是最优的；其二，水质监测参数的时间序列变化受诸多因素的影响，某些监测值表现出突发跳变等不规律变化的情况，导致在模型训练过程中常常得不到理想的模型；其三，采用小波分解的方法虽然能够获得平稳的子序列，减小瞬变数据对预测模型的影响，但是大量输入的训练数据仍然会影响模型的预测精度。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于灰色理论及支持向量机的水质预测方法，该方法结合灰色理论模型、支持向量机及小波变换等对水质进行高精度的预测。为达到上述目的，本专利技术提供如下技术方案：一种基于灰色理论及支持向量机的水质预测方法，包括以下步骤：步骤一：对采集的数据集进行小波分解；步骤二：将步骤一中经过分解处理得到的细节子序列进行平移，并进行相空间重构；步骤三：根据步骤二中经过相空间重构的细节子序列建立各细节子序列的预测模型；步骤四：根据步骤一中经过分解处理得到的尺度子序列建立尺度子序列预测模型；步骤五：输入数据进行预测，将得到的细节子序列的预测值进行反向平移，并将尺度序列模型和细节序列模型得到的预测值进行重构，得到最终预测结果。进一步，在步骤一中，选取DbN小波函数进行小波分解，并根据最小拟合误差确定分解级数；将得到的分解序列进行单支重构，进而得到重构子序列，包括细节子序列和尺度子序列。进一步，在步骤二中，将步骤一中得到的细节子序列分别平移到正数区域；再根据相空间重构理论，将其进行相空间重构，转化成矩阵的形式。进一步，在步骤三中，将经过相空间重构的细节子序列分别输入支持向量机模型，结合遗传算法进行参数优化，建立各细节子序列的预测模型。进一步，在步骤四中，采用窗口滑动的形式，将尺度子序列xt-m,xt-m+1,xt-m+2,…,xt-1输入灰色理论模型训练，预测t时刻的值，其中m为嵌入维数，建立尺度子序列预测模型。进一步，在步骤五中，将细节子序列进行反向平移，将尺度序列模型及细节序列模型得到预测的值根据以下公式进行重构，最终得到预测结果；即：初始时间序列S(t)可以由尺度子序列AN和细节子序列D1,D2,…,DN表示：本专利技术的有益效果在于：本专利技术提出的预测模型与传统的支持向量机预测模型和神经网络预测模型相比，具有更高的预测精度及更广的应用范围。同时，在预测稳定性和精度上，有更好地鲁棒性和复杂非线性映射的能力。附图说明为了使本专利技术的目的、技术方案和有益效果更加清楚，本专利技术提供如下附图进行说明：图1为本专利技术所述方法的流程图；图2为预测模型建立过程示意图。具体实施方式本专利技术提出的水质预测模型，通过使用小波变换等数据处理方法，将水质时间序列变换到多个尺度上，有效的减小了瞬变数据对建模的影响；其次，结合遗传算法对支持向量回归机的参数进行寻优，比传统的基于多次单因素实验寻找最优参数的方法更高效；最后，用对平稳序列具有良好预测效果的灰色模型，对分解后的尺度序列进行预测。通过少量的数据建立灰色预测模型，避免模型受到历史数据变化趋势的影响，从而提高预测精度。下面将结合附图，对本专利技术的优选实施例进行详细的描述。图1为本专利技术所述水质预测方法的流程图，如图所示，本方法包括5个步骤，1）对采集的数据集进行小波分解；2）将步骤一中经过分解处理得到的细节子序列进行平移，并进行相空间重构；3）根据步骤二中经过相空间重构的细节子序列建立各细节子序列的预测模型；4）根据步骤一中经过分解处理得到的尺度子序列建立尺度子序列预测模型；5）输入数据进行预测，将得到的细节子序列的预测值进行反向平移，并将尺度序列模型和细节序列模型得到的预测值进行重构，得到最终预测结果。小波多分辨率分析的主要思想是用不同的分辨率来逐级逼近待分析序列。任意一个初始时间序列为S(t),t＝1,2,…,n。通过高通和低通滤波器对S(t)的一步分解可以将其变换为低频部分cA1和高频部分cD1。可以继续对低频部分cA1进行分解，当进行尺度1,2,…,N步分解后，就得到一个低频部分cAN和N个高频部分cD1,cD2,…,cDN。为使得分解序列与初始时间序列在时间上具有一一对应的关系，根据小波多分辨分析的分解和重构特性，将低频部分cAN和高频部分cD1,cD2,…,cDN进行单支重构，可以得到低频部分的尺度子序列AN和高频部分的细节子序列D1,D2,…,DN。分解后细节系数D1为随机分量，呈现无规律的波动；系数D2,…,DN数量级较小，有较强的规律性，一定程度上表示原始曲线的峰值；尺度系数AN波形平滑，数值较大，表示原始序列的趋势走向。初始时间序列S(t)可以由分解序列AN,D1,D2,…,DN表示：由小波变换对原始的时间序列S(t)进行多分辨分解，得到N阶分解下的尺度子序列AN，细节子序列D1,D2,…,DN。在各子序列分别进行模型训练前，细节子序列D1,D2,…,DN中数据由于存在多位小数，且存在数量级的差别，为减小小数部分的拟合预测误差、降低数量级差，将序列中的数据统一平移到正数区域。若原始序列为Di＝{d1,d2,d3,…,dn},i＝1,2,…,N，对序列做平移处理后的序列为：Di+＝{d1+Q,d2+Q,d3+Q,…,dn+Q}Q∈N+,i＝1,2,…,N式中平移因子Q的值为使得序列Di+中的所有数据为正数的最小正整数。细节子序列{x1,x2,x3,…,xn}进行模型训练前，需根据Takens理论进行相空间重构，转化成矩阵的形式，获得数据之间的关联关系来得到尽可能多的信息量：式中m为重构相空间的嵌入维数。重构相空间的嵌入维数m反映重构矩阵的信息量，不同的m值对模型的预测效果有不同的影响，可以根据预测误差值的大小来优化选取相空间的嵌入维数。设为预测的目标本文档来自技高网...

【技术保护点】
一种基于灰色理论及支持向量机的水质预测方法，其特征在于：包括以下步骤：步骤一：对采集的数据集进行小波分解；步骤二：将步骤一中经过分解处理得到的细节子序列进行平移，并进行相空间重构；步骤三：根据步骤二中经过相空间重构的细节子序列建立各细节子序列的预测模型；步骤四：根据步骤一中经过分解处理得到的尺度子序列建立尺度子序列预测模型；步骤五：输入数据进行预测，将得到的细节子序列的预测值进行反向平移，并将尺度序列模型和细节序列模型得到的预测值进行重构，得到最终预测结果。

【技术特征摘要】
1.一种基于灰色理论及支持向量机的水质预测方法，其特征在于：包括以下步骤：步骤一：对采集的数据集进行小波分解；步骤二：将步骤一中经过分解处理得到的细节子序列进行平移，并进行相空间重构；步骤三：根据步骤二中经过相空间重构的细节子序列建立各细节子序列的预测模型；步骤四：根据步骤一中经过分解处理得到的尺度子序列建立尺度子序列预测模型；步骤五：输入数据进行预测，将得到的细节子序列的预测值进行反向平移，并将尺度子序列预测模型和细节子序列的预测模型得到的预测值进行重构，得到最终预测结果。2.根据权利要求1所述的基于灰色理论及支持向量机的水质预测方法，其特征在于：在步骤一中，选取DbN小波函数进行小波分解，并根据最小拟合误差确定分解级数；将得到的分解序列进行单支重构，进而得到重构子序列，包括细节子序列和尺度子序列。3.根据权利要求2所述的基于灰色理论及支持向量机的水质预测方法，其特征在于：在步骤二中，将步骤一中得到的细节子序列分别平移到正数区域；再根据...

【专利技术属性】
技术研发人员：刘文，王国胤，傅剑宇，苟光磊，李鸿，邹轩，
申请(专利权)人：重庆绿色智能技术研究院，
类型：发明
国别省市：