[发明专利]基于深度学习的地表水质预测方法

说明书

一种基于深度学习的地表水质预测方法，通过采集数据，并进行预处理，制成训练样本后用于训练神经网络模型，当模型经过调优准确率达标之后，再将实时水质监测数据输入训练后的神经网络，得到未来一段时间内的地表水质预测数据。本发明利用深度学习中的LSTM神经网络模型在处理复杂多因子输入方面的优势，及其对数据历史依赖关系的良好记忆性，来对水质时间序列数据进行预测。将水质相关的多个因子作为输入，经过模型训练后，再分别输出各个因子的预测值，这样不仅可以考虑到每个因子各自的历史值的影响，还能够综合考虑到各个因子之间的互相影响。

技术领域

本发明涉及的是一种神经网络应用领域的技术，具体是一种基于深度学习的地表水质预测方法。

背景技术

现有的水质预测方法主要是基于传统的机器学习理论，例如灰色预测方法，回归分析方法等。这类方法的问题在于，一方面，它们往往只考虑单个水质指标数据，将水质相关的数据割裂开来，另一方面，它们对于水质数据在时间序列上的依赖性和关联性处理还不够完善，因此预测精度普遍不高。实际上，水质情况的关联因子很多，不仅受到自身历史值的影响，甚至不同的水质指标数值之间也会互相影响，为了达到较为准确的预测效果，这些因素都需要综合考虑进去。

发明内容

本发明针对现有技术存在的上述不足，提出一种基于深度学习的地表水质预测方法，利用深度学习中的LSTM神经网络模型在处理复杂多因子输入方面的优势，及其对数据历史依赖关系的良好记忆性，来对水质时间序列数据进行预测。将水质相关的多个因子作为输入，经过模型训练后，再分别输出各个因子的预测值，这样不仅可以考虑到每个因子各自的历史值的影响，还能够综合考虑到各个因子之间的互相影响。

本发明是通过以下技术方案实现的：

本发明通过采集数据，并进行预处理，制成训练样本后用于训练神经网络模型，当模型经过调优准确率达标之后，再将实时水质监测数据输入训练后的神经网络，得到未来一段时间内的地表水质预测数据。

所述的采集数据是指：水质相关的数据主要通过地表水质监测站采集而来，每隔4小时采集一次。其中包括水温、pH值、浊度、电导率、总磷、溶解氧、氨氮、高锰酸盐、化学需氧量、汞、铅、铬等水质参数的监测值，对应的监测值以文件的形式记录或者实时传输存储到对应的数据库中，再进行解析处理。

所述的训练样本，通过对采集到的数据进行时序化、降维处理、异常数据剔除和标准化处理后得到。

所述的时序化是指：将数据按照时间顺序进行排列

所述的降维处理是指：筛选出需要考虑的水质参数指标字段，该水质参数指标字段包括：水温、pH值、电导率、总磷、溶解氧、氨氮、高锰酸盐、化学需氧量。

所述的异常数据剔除是指：将无用数据和缺失数据删除，通过人为设定每个水质监测指标的阈值，筛选出原始数据中的异常值，异常值对应的原始数据样本作为异常样本删除。

所述的标准化处理是指：将原始样本数据分为训练集和测试集两部分，70％作为训练集，30％作为测试集，对所有数据进行标准化，采用最大最小标准化进行处理：其中：x_max和x_min分别为同一水质监测指标数据的最大值和最小值，x为原始数据，x’为标准化后的数据。

所述的训练是指：基于LSTM长短期记忆神经网络进行训练，构建多因子的水质预测模型，将水质参数指标字段作为输入参数，同时将水质参数指标字段作为输出参数，不断地对LSTM网络参数进行尝试，该LSTM网络参数包括：对时间序列数据的划分步长time_step、批量大小batch_size、学习率learning rate、激活函数activation、网络的隐藏层数量k等。

优选地，所述的训练采用Adam算法对训练过程进行优化，基于训练数据迭代地更新LSTM网络的权重，直到模型收敛。