[发明专利]一种分治法与水质周期性结合的水质预测方法

说明书

技术领域

本发明属于水质预测技术领域，涉及一种分治法与水质周期性结合的水质预测方法。

背景技术

水质预测是水资源管理中的重要一环。对水质变化规律的精确预测能够实现对水质恶化及水华爆发等污染性事件进行预警，为相关决策提供参照。目前，水质预测方法主要分为两类。第一类是基于水质机理中水流、物理、化学等因子的模型，如QUASAR及WASP等。基于机理的模型较好地综合考虑了水质所受到的各种环境因素，也在多个流域进行了应用，但其需要较为完备的观测样本及先验知识，在不同流域中所受局限较大。同时，人工智能、机器学习理论的快速发展为我们提供了更多的预测方法，能够在多变的环境下获得较高的预测准确率。灰度模型（GM）能够较好地处理时序数据，即使在数据量较小时也能够保持较好的预测精度。人工神经网络（ANN）通过具有以任意精度逼近任意非线性函数的能力，当训练样本充分多时可获得精确的预测效果。在过去15年中，人工神经网络被广泛使用在水资源及环境工程领域的指数预测中，其中包含了不同构造的人工神经网络，如BP神经网络、RBF神经网络等。支持向量机（SVM）也在水质预测领域中有所应用，由于参数选择对支持向量机的预测效果影响较大，因此在将支持向量机与不同参数寻优方法结合的水质预测研究方面也有许多研究，如基于遗传算法的、基于粒子群的。

除使用单一预测模型的预测方法之外，使用多个预测模型的研究也已开展多年。由于水质数据变化复杂，具有在不同时间、季节呈现不同变化规律的特点，单一预测器较难对水质数据的复杂变化规律进行充分学习，易造成预测精度不佳。而集成预测模型则可将多个预测器联合并增强，以获得更好的学习效果。在水质预测方面，基于多模型集成的研究也是业界的热点。如Partalas等人提出的基于贪婪选择的水质集成预测算法；Faruk将人工神经网络算法同ARIMA算法混合以处理水质预测问题中的线性部分及非线性部分；孙兆兵等也提出了基于概率组合的水质集成预测模型。

如上述所提到的研究，通常在集成模型中，对每个子预测器都需进行一次完全的训练，因此训练时间也显著地增加了。同时，寻找子预测器中的差异并对其确定权重是集成模型中的关键，因为每个子预测器均被训练为解决同一个问题。而采用问题分解的分治法可以将整个问题分为若干个子问题，之后对规模较小的子问题再进行特定的训练，具有较少的训练时间。相对地，寻找合适的问题分解算法是分治法的关键。

对水质预测问题来说，因水质数据复杂多变，分解后的子问题数量难以进行人工指定。而基于数据驱动，通过挖掘数据本身特点对模型进行自调整，可以实现对因此具有自适应问题分解能力的分解算法更适合解决水质预测问题。王国胤等提出了基于NARA模型的并行神经网络结构（PNN），其问题分解算法能够根据训练数据的特点，通过各个网络的拟合情况反应数据的特点，基于数据驱动自行决定问题的划分及问题分解的数量。其在双螺旋识别问题上的良好表现也证明PNN算法具有较好的问题分解能力，适用于特征变化复杂的数据集。但当处理水质数据时，PNN算法仍需进行改进以更好地适应水质数据的特征。

发明内容

有鉴于此，本发明的目的在于提供一种分治法与水质周期性结合的水质预测方法，该方法针对单一预测器较难对水质数据的复杂变化规律进行充分学习，易造成预测精度不佳的问题，提出了基于数据驱动问题分解求解框架，并且通过将预测器效果评价及水质数据周期性进行融合，更好地利用了水质数据在时间尺度上的变化特点，实现了更加准确的问题分解算法。

为达到上述目的，本发明提供如下技术方案：

一种分治法与水质周期性结合的水质预测方法，包括以下步骤：步骤一：对原始水质数据进行预处理；步骤二：DDM-ERM预测模型训练；步骤三：DDM-ERM模型输出，在DDM-ERM模型训练完毕之后，获得对各个样本组的子预测器组及其对应权重，对于待预测的样本，首先根据其所处时间计算出对应样本组，再将其作为对应样本组的预测器组输入，获取其加权输出即为模型的预测结果。

进一步，在步骤一中，DDM-ERM使用固定长度滑动窗口算法从原始水质数据中生成子序列数据并进行一步向前预测，通过将时间序列数据转化为多个短时子序列数据，更好地对水质变化规律进行充分学习；设水质时间序列数据中相邻数据的时间间隔为T_interval，而某时刻的水质情况与之前T_pre时间内的水质情况呈显著相关，则在进行一步向前预测时，取滑动窗口长度为其具体步骤如下：