[发明专利]一种混合优化BP神经网络的湖泊水质预测模型构建方法

权利要求书

1.一种混合优化BP神经网络时间序列预测模型构建方法，其特征在于：该方法包括如下步骤，

步骤1：从水质检测数据库中导出某市地表水的基本信息与水质监测数据，查询出实验湖泊数据进行时间序列排序以Excel表形式导出并保存；

步骤2：将导出的湖泊水质数据进行预处理，包括异常值检测和空缺值填充，根据水环境知识，选择合适的水质参数，整理出符合实验要求的数据；

步骤3：利用经典的BP神经网络构建水质预测模型，再分别用遗传算法和粒子群算法对BP神经网络进行优化，最后提出基于遗传算法和粒子群算法相结合的混合优化BP神经网络的湖泊水质时间序列预测模型，根据性能指标检验模型预测结果。

2.根据权利要求1所述的一种混合优化BP神经网络时间序列预测模型构建方法，其特征在于：

步骤1所述的构建湖泊水质数据的方法，其步骤具体包括，

步骤1-1：以授权用户身份登录Oracle数据库；

步骤1-2：使用SQL语句从Oracle数据库中水质监测库表和库表结构，然后从数据库中查询并导出某湖泊水质监测数据；

步骤1-3：将导出数据以Excel表格存储。

3.根据权利要求1所述的一种混合优化BP神经网络时间序列预测模型构建方法，其特征在于：

步骤2所述的数据预处理方法，其步骤具体包括，

步骤2-1：使用VBA语言将数据库数据调整为正确的数据格式，并以时间序列排序，导出为Excel格式；

步骤2-2：将Excel数据表导入SPSS，删除缺少数据量较多的行，对缺少少量数据水质指标参数进行维数列时间序列填补空缺值；

步骤2-3：使用3σ准则对填补完的数据进行异常值检测，将数据偏离3倍标准差以上作为异常值，并删除异常值所在的行；

步骤2-4：依据水环境知识挑选水质参数指标，以溶解氧为预测目标和输出参数，以pH、氨氮、生化需氧量、叶绿素和电导率(EC)为模型的输入参数；

步骤2-5：将预处理完的数据导出为Excel表格，导入到MATLAB中作为实验数据。

4.根据权利要求1所述的一种混合优化BP神经网络时间序列预测模型构建方法，其特征在于：

步骤3所述的构建遗传算法和粒子群算法混合优化BP神经网络的湖泊水质预测方法，其步骤具体包括，

步骤3-1：建立传统的BP神经网络时间序列湖泊水质预测模型；

步骤3-2：将传统的BP神经网络分别结合遗传算法和粒子群算法，得到GA-BP神经网络和PSO-GA神经网络两种预测模型；

步骤3-3：进行算法改进，将遗传算法和粒子群算法相结合，混合优化BP神经网络，提出一种混合优化BP神经网络的湖泊水质预测模型；

步骤3-4：根据性能评价指标，评估各个模型预测效果。

5.根据权利要求4所述的一种混合优化BP神经网络时间序列预测模型构建方法，其特征在于：步骤3-4评指标，分别评估各种算法的预测效果利用最大相对误差、平均相对误差、均方根误差、决定系数来评价四种模型的预测结果相比于观测结果的准确性和鲁棒性，计算公式分别如下：

最大相对误差(％)：

平均相对误差(％)：

均方根误差：

决定系数：

式中，为预测值，y为观测值,N为采样点数，n为测试集数目，i为第i个预测结果，t为测试集的第t个值；

最后，选取评估结果最好的一种算法，使其在该湖泊水质预测中的结果最好；应用在水环境领域建立湖泊水质预测模型对重要水质参数溶解氧进行时间序列预测；能够应用于湖泊水质预测及预警。