[发明专利]一种基于深度学习的短期水质水量预测方法及系统

权利要求书

1.一种基于深度学习的短期水质水量预测方法，其特征在于：包括以下步骤：

步骤A：对原始水质水量数据进行预处理，将处理后的数据划分为训练集和测试集；

步骤B：将训练集输入LSTM网络中进行训练，使用adam算法更新遗忘门、输入门和输出门的权重，以损失函数值和迭代次数作为训练终止条件，得到预测模型；

步骤C：基于原始水质水量数据使用预测模型预测测试集对应的预测值，并根据实际值与预测值计算预测误差；

步骤D：将预测误差输入ARMA模型中得到误差序列的误差修正模型；

步骤E：将待预测数据分别输入步骤B得到的预测模型和步骤D得到的误差修正模型，将结算结果几何相加得到预测值。

2.根据权利要求1所述的一种基于深度学习的短期水质水量预测方法，其特征在于：步骤A所述的原始水质水量数据包括物理指标，常规水质指标、金属含量、无机物含量、有机物含量、微生物含量、辐射量、水位、液位、流量、流速，原始水质数据的集合为以时序排列的参数集合。

3.根据权利要求2所述的一种基于深度学习的短期水质水量预测方法，其特征在于：步骤A所述的预处理包括缺失值处理和归一化处理，

所述缺失值处理的方式为使用之前两个时刻的平均值填充缺失值；

所述归一化处理的方法为：

其中，x_t为t时刻的原始参数，x_min为序列中参数的最小值，x_max为序列中参数的最大值，X_t为归一化后t时刻的参数；

预处理完成后按时序排列，以前70％作为训练集，后30％作为测试集。

4.根据权利要求3所述的一种基于深度学习的短期水质水量预测方法，其特征在于：所述LSTM神经网络的计算公式为：

f_t＝σ(W_f·[h_t-1,X_t]+b_f)

i_t＝σ(W_i·[h_t-1,X_t]+b_i)

o_t＝σ(W_o·[h_t-1,X_t]+b_o)

其中，h为LSTM神经网络的输出，训练中以后一时刻的水质水量数据作为前一时刻水质水量数据的输出；f、i、o分别表示遗忘门、输入门和输出门；σ表示sigmoid函数，W和b分别表示权重和偏差矩阵；

损失函数为平均绝对误差，预设训练的最大迭代次数和损失函数值的阈值，通过adam算法更新权重，每次更新权值之后计算损失函数值，如果损失函数值小于等于阈值或训练次数达到最大迭代次数，则训练结束，将权重代入以上公式，计算出偏差矩阵；得到所述预测模型。

5.根据权利要求4所述的一种基于深度学习的短期水质水量预测方法，其特征在于：步骤C中根据原始水质水量数据使用预测模型计算测试集对应的预测数据，计算预测误差的公式为：

其中，y_t为测试集的实际值，为测试集的预测值，σ_t为预测误差。

6.根据权利要求5所述的一种基于深度学习的短期水质水量预测方法，其特征在于：步骤D中将测试集的预测误差σ_t输入ARMA模型，经过训练得到误差修正模型；对于待预测时刻的水质水量，使用步骤B中的预测模型计算预测值使用步骤D得到的误差修正模型计算误差修正值则

其中，z_t为待预测时刻的预测值。

7.一种基于深度学习的短期水质水量预测系统，其特征在于：包括

预处理模块：对原始水质水量数据进行预处理，将处理后的数据划分为训练集和测试集；

预测模型训练模块：将训练集输入LSTM网络中进行训练，使用adam算法更新遗忘门、输入门和输出门的权重，以损失函数值和迭代次数作为训练终止条件，得到预测模型；

预测误差计算模块：基于原始水质水量数据使用预测模型预测测试集对应的预测值，并根据实际值与预测值计算预测误差；

误差修正模型训练模块将预测误差输入ARMA模型中得到误差序列的误差修正模型；

计算模块：将待预测数据分别输入预测模型和误差修正模型，将结算结果几何相加得到预测值。