[发明专利]基于深度学习算法与混合整数线性规划相结合的水质波动区间预测方法

说明书

本发明公开了一种基于深度学习算法与混合整数线性规划相结合的水质波动区间预测方法，属于水环境保护与监测研究领域。该方法首先将深度学习算法中的适用于时间序列数据预测的LSTM模型架构，引入到水质时间序列点预测的建模中；其次，考虑到尽管LSTM模型具有较强的时间序列预测性能，但其具有确定性预测方法的通病，即无法估计预测的不确定性，因此基于验证集样本LSTM点预测与真实值的偏差，考虑置信度参数，构造基于混合整数线性规划的区间预测通用模型，从而给出一定置信度下的水质波动区间的预测方法。该方法可以为水质预测提供一种新的解决方法，进而为水质预警提供可靠的评价与预警依据。

技术领域

本发明涉及一种基于深度学习算法与混合整数线性规划相结合的水质波动区间预测方法，属于水环境保护与监测研究领域。

背景技术

水是生命之源，人类在生活和生产活动中都离不开水。随着我国经济快速发展、人口的膨胀以及河流湖泊的自净能力下降，我国江河湖泊普遍遭受不同程度污染，全国75％的湖泊出现了不同程度的富营养化。水污染降低了水体的使用功能，加剧了水资源短缺，对我国可持续发展战略的实施带来了负面影响。根据水质监测历史数据，建立水质预测模型，准确地预测水体中污染物浓度随时间发展变化的趋势，不仅可以实现对水质的实时分析评价、预警，而且可以有效控制和减少水质恶化造成的危害，达到对水质恶化的有效认知、控制的目标，使整个水系的安全保障体系进入良性循环。及时有效的水质预测可以为水质预警提供可靠的评价及预警依据，是水环境管理和污染控制的基础工作，也是近年来水环境保护和监测科学领域的研究热点之一。

水环境系统是一个受到生物、化学、物理、人为等多种因素影响的复杂系统，水质随时间非线性地变化，因此以传统方法很难建立一个精确的水质预测模型。然而，在一些局部水环境系统中，长期来看水质的变化是缓慢的、有规律可循的。另外，由于水质变化具有一定的随机不确定性，在实际应用中一定置信度下的区间预测能够提供有关不确定性的重要信息，有助于确定水质预测结果的可信度。

发明内容

本发明的目的在于针对现有技术的不足，提供一种水质波动区间预测方法，基于水质指标的历史时间序列数据，用深度学习和混合整数线性规划相结合的方法，对水质指标进行一定置信度下的精细的区间预测，从准确性和波动性两个角度进行预测。

本发明的目的是通过以下技术方案来实现的：一种基于深度学习算法与混合整数线性规划相结合的水质波动区间预测方法，该方法包括以下步骤：

(1)对水质历史数据进行预处理：修补缺失的历史数据，并进行归一化处理；将预处理后的数据分成相互独立的训练集和验证集；

(2)利用步骤(1)中经过预处理后的训练集的水质数据时间序列，进行基于深度学习LSTM(Long Short-Term Memory)模型的点预测建模，得到点预测模型；

(3)基于步骤(2)的点预测模型，利用步骤(1)中经过预处理后的验证集构造关于置信度c的基于混合整数线性规划的区间预测通用模型，通用模型的目标为最小化区间预测的平均相对区间宽度，目标函数如下：

其中U(valid_p_ij)和L(valid_p_ij)为最优预测区间的上下边界，valid_p_ij为LSTM点预测值，valid_r_ij为真实值，N是验证集中的样本数量；

约束条件如下：

U(valid_p_ij)＝valid_p_ij×α_j

L(valid_p_ij)＝valid_p_ij×β_j，