[发明专利]水质预测方法和系统

权利要求书

1.一种水质预测方法，其特征在于，包括：

获取一定时间段内的水质参数的观测数据，将所述一定时间段内每一时间单位的水质参数的观测数据按照时间顺序进行排序，获取观测数据序列；

根据预设的滑动窗口，获取观测数据序列末端的子序列作为特征序列；

将所述特征序列输入至预设的反向传播神经网络，根据所述预设的反向传播神经网络的输出，获得水质参数的预测结果；

其中，所述预设的反向传播神经网络是根据样本特征序列进行训练后获得的；每一所述样本特征序列为根据所述预设的滑动窗口获取的所述观测数据序列中的子序列。

2.根据权利要求1所述的水质预测方法，其特征在于，获得所述预设的反向传播神经网络的具体步骤包括：

将所述样本特征序列输入参数为初始值的反向传播神经网络，根据弹性BP算法，对参数为所述初始值的反向传播神经网络进行训练，获得所述预设的反向传播神经网络；

其中，反向传播神经网络的参数的初始值根据粒子群优化方法确定。

3.根据权利要求2所述的水质预测方法，其特征在于，确定反向传播神经网络的参数的初始值的具体步骤包括：

对反向传播神经网络进行初始化，获取反向传播神经网络的参数的原始值；

将反向传播神经网络的参数的原始值作为粒子群中粒子的初始值，迭代更新粒子的值，直至迭代的次数达到预设的最大迭代次数；

将迭代的次数达到预设的最大迭代次数时的粒子的值，确定为反向传播神经网络的参数的初始值。

4.根据权利要求3所述的水质预测方法，其特征在于，所述将反向传播神经网络的参数的原始值作为粒子的初始值之前还包括：

初始化粒子群的粒子维度、最大迭代次数、粒子数、第一加速度常数和第二加速度常数。

5.根据权利要求2所述的水质预测方法，其特征在于，根据各样本特征序列构建训练样本集和验证样本集；

所述训练样本集和验证样本集均包括多个样本特征序列，且所述训练样本集包括的任一样本特征序列与所述验证样本集包括的任一样本特征序列不同；相应地，所述将所述样本特征序列输入参数为初始值的反向传播神经网络，根据弹性BP算法，对参数为所述初始值的反向传播神经网络进行训练，获得所述预设的反向传播神经网络的具体步骤包括：

将所述训练样本集中的样本特征序列分成多个数据组，每个数据组包括多个样本特征序列；

对于所述训练样本集中的每一数据组，将该数据组中的样本特征序列输入参数为初始值的反向传播神经网络，根据弹性BP算法，对参数为所述初始值的反向传播神经网络进行训练，获取待验证的反向传播神经网络，并将所述验证样本集中的样本特征序列输入所述待验证的反向传播神经网络，获取预测误差；

若判断获知连续的预设数量的预测误差呈非下降的趋势，则将所述连续的预设数量的预测误差中，最小的预测误差对应的待验证的反向传播神经网络作为所述预设的反向传播神经网络。

6.根据权利要求1所述的水质预测方法，其特征在于，所述水质参数包括：

pH值、溶解氧、电导率、浊度、氨氮浓度、化学需氧量、高锰酸盐浓度、总磷和总氮中的至少一种。

7.根据权利要求1至6任一所述的水质预测方法，其特征在于，所述根据预设的滑动窗口，获取观测数据序列末端的子序列作为特征序列之前还包括：

对所述观测数据序列观测数据序列进行预处理，删除所述观测数据序列观测数据序列中的空缺数据和异常数据。