[发明专利]一种智能的城市库区水源水质综合预测方法

权利要求书

1.一种智能的城市库区水源水质综合预测方法，其特征在于：

A、采用了径向基神经网络作为预测方法的基础；

B、通过递推滚动式预测的方法作为预测方法的策略；

C、通过推滚动式径向基神经网络对城市库区水源水质进行综合性预测；

D、通过分析关键因子的系统动力学模型，采用推滚动式径向基神经网络对城市库区水源水质进行关键因子预测；

E、通过分析调整综合性预测得到的关键因子的值和通过关键因子预测得到的关键因子值，从而得到最终的预测值。

2.根据权利要求1所述的一种智能的城市库区水源水质综合预测方法，其特征在于所述步骤C具体包括：

C1、在综合预测过程中，待预测的主要水质因子之中包括温度、酸碱度、溶解氧、氨氮、亚硫酸盐氮和硫化物等六种因子；当选取k+n个时间段作为一个样本的时候，神经网络的输入值变成了k*6项水质因子作为神经网络的输入项，n*6项水质因子作为神经网络的输出项，由此采用递推滚动式方法构造i组数据；

C2、通过构造好的i组数据对径向基神经网络进行训练，输入项为前k段时间温度、酸碱度、溶解氧、氨氮、亚硫酸盐氮和硫化物的值，输出项为后n段时间的温度、酸碱度、溶解氧、氨氮、亚硫酸盐氮和硫化物的值，从而得到训练好的的城市库区水源神经网络，以用来预测将来n个时间段的综合整体水质。

3.根据权利要求1所述的一种智能的城市库区水源水质综合预测方法，其特征在于所述步骤D具体包括：

D1、对关键因子溶解氧进行系统动力学分析，发现与关键因子有着潜在关系的其实水质因子是水温，浮游生物和水生生物的数量，而浮游生物和水生生物的数量又与当前溶解氧值的多少有着微妙的关系；所以为了更好的预测下一时间段溶解氧值，输入项为前段时间的溶解氧值和水温值，目标输出项为后段时间的溶解氧值；

D2、在关键因子溶解氧神经网络预测中，待预测的主要水质因子只有溶解氧一项因子；神经网络的输入值为2项，分别是前段时间的溶解氧值和水温值，输出值为1项，为后段时间的溶解氧值；采用递推滚动式方法构造i组数据，以用来训练关键因子径向基神经网络模型，根据训练好的神经网络，用来预测将来关键因子溶解氧的值；

D3、对关键因子氨氮进行系统动力学分析，发现城市库区水源水质中关键水质因子氨氮的值与酸碱度，溶解氧和亚硝酸盐氮的值有关，并且将来的城市库区水源水质中氨氮的值也与当前氨氮的值相关；所以为了更好的预测下一时间段氨氮的值，输入项为前段时间的水温，溶解氧，氨氮和亚硝酸氨氮值，目标输出项为段时间的氨氮值；

D4、在关键因子氨氮神经网络预测中，待预测的主要水质因子只有氨氮一项因子；神经网络的输入值为4项，分别是前段时间的水温，溶解氧，氨氮和亚硝酸氨氮值，输出值为1项，为后段时间的氨氮值；采用递推滚动式方法构造i组数据，以用来训练关键因子径向基神经网络模型，根据训练好的神经网络，用来预测将来关键因子氨氮的值；

D5、对关键因子亚硝酸盐氮进行系统动力学分析，发现城市库区水源水质中关键水质因子亚硝酸盐氮的值与酸碱度，溶解氧和亚硝酸盐氮的值有关，并且将来的城市库区水源水质中亚硝酸盐氮的值也与当前亚硝酸盐氮的值相关；所以为了更好的预测下一时间段亚硝酸盐氮的值，输入项为前段时间的水温，溶解氧，氨氮和亚硝酸氨氮值，目标输出项为段时间的亚硝酸盐氮值；

D6、在关键因子亚硝酸盐氮神经网络预测中，待预测的主要水质因子只有亚硝酸盐氮一项因子，神经网络的输入值为4项，分别是前段时间的水温，溶解氧，氨氮和亚硝酸氨氮值，输出值为1项，为后段时间的亚硝酸盐氮值；采用递推滚动式方法构造i组数据，以用来训练关键因子径向基神经网络模型，根据训练好的神经网络，用来预测将来关键因子亚硝酸盐氮的值。

4.根据权利要求1所述的一种智能的城市库区水源水质综合预测方法，其特征在于所述步骤E具体包括：针对同一预测时间点下，由综合水质预测得到的值和关键水质因子预测得到的值相对比，进行误差调整，取其之间的平均值，由此得到最终各项水质因子的预测值。