[发明专利]水质异常检测的方法、装置及终端设备

权利要求书

1.一种水质异常检测的方法，其特征在于，包括：

获取待测水域监测节点第一时长内各个测量时刻的UV254测量数据作为时间序列测量数据，将所述时间序列测量数据输入基于循环神经网络RNN的UV254预测模型，得到所述待测水域监测节点第一时长内各个测量时刻的UV254预测数据；

利用所述UV254测量数据与UV254预测数据计算差分，获得第一时长内各个测量时刻的残差，根据所述残差的分布生成置信区间；

若第一时长内测量时刻的残差在所述置信区间内，则判定该测量时刻为正常点；若第一时长内测量时刻的残差不在所述置信区间内时，则判定所述测量时刻为异常点；

针对第一时长中第二时间窗内所有测量时刻计算表征第二时间窗内发生水质异常概率的累积概率，若所述累积概率大于预设概率阈值，则判定所述第二时间窗内发生了水质异常事件。

2.如权利要求1所述的方法，其特征在于，所述根据所述残差的分布生成置信区间，包括：

获得第一时长内各个测量时刻的残差，将第一时长中第一时间窗内残差的均值作为正态分布的中心μ，第一时间窗内残差的标准差作为正态分布的方差σ，根据所述中心μ和方差σ生成置信区间。

3.如权利要求1或2所述的方法，其特征在于，所述累积概率P(t+1)的计算公式为：

P(t+1)＝ω₀Y_t+1+ω₁Y_t+....+ω_nY_t+1-n，

其中，预设权值ω₀,...,ω_n逐渐减小且当测量时刻t+1-i为异常点时Y_t+1-i取1，当测量时刻t+1-i为正常点时Y_t+1-i取0。

4.如权利要求1或2所述的方法，其特征在于，还包括：使用第二时长内各个测量时刻的UV254数据作为时间序列样本测量数据，通过机器学习训练得到基于循环神经网络RNN的UV254预测模型。

5.如权利要求4所述的方法，其特征在于，所述使用第二时长内各个测量时刻的UV254数据作为时间序列样本测量数据，通过机器学习训练得到基于循环神经网络RNN的UV254预测模型，包括：

获取样本水域监测节点第二时长内各个测量时刻的UV254数据作为时间序列样本测量数据，将所述时间序列样本测量数据分为训练集样本数据与测试集样本数据，其中，训练集样本数据中的UV254数据都为正常水质的数据；

将所述训练集样本数据和所述测试集样本数据输入到RNN进行训练，并通过网格法寻找最优超参数，构建基于RNN的UV254预测模型。

6.如权利要求1,2或5任一项所述的方法，其特征在于，所述基于RNN的UV254预测模型为基于长短期记忆LSTM网络的UV254预测模型。

7.如权利要求6所述的方法，其特征在于，所述RNN的参数包括：输入数据的维度，网络的层数，隐藏层节点个数，激活函数以及学习率。

8.一种水质异常检测的装置，其特征在于，包括：

预测模块，用于获取待测水域监测节点第一时长内各个测量时刻的UV254测量数据作为时间序列测量数据，将所述时间序列测量数据输入基于循环神经网络RNN的UV254预测模型，得到所述待测水域监测节点第一时长内各个测量时刻的UV254预测数据；

差分模块，用于利用所述UV254测量数据与UV254预测数据计算差分，获得第一时长内各个测量时刻的残差，根据所述残差的分布生成置信区间；

第一判定模块，用于若第一时长内测量时刻的残差在所述置信区间内，则判定该测量时刻为正常点；若第一时长内测量时刻的残差不在所述置信区间内时，则判定所述测量时刻为异常点；

第二判定模块，用于针对第一时长中第二时间窗内所有测量时刻计算表征第二时间窗内发生水质异常概率的累积概率，若所述累积概率大于预设概率阈值，则判定所述第二时间窗内发生了水质异常事件。