[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

说明书

本发明提供了一种基于深度学习的短期水质水量预测方法，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算法更新权重，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中的预测值；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；本发明还提供水质水量预测系统。本发明的优点在于：通过LSTM神经网络和ARMA模型分别对待预测时刻的水质水量和预测误差进行计算，具备更强的通用性和稳定性，使得水质水量预测结果更为稳健。

技术领域

本发明涉及水环境保护与监测技术领域；尤其涉及一种基于深度学习的短期水质水量预测方法及系统。

背景技术

水是人类社会最重要的资源之一，目前我国的黄河、松花江、淮河流域均存在轻度污染，而海河、辽河流域部分地区处于重度污染状态，及时的对水质水量进行预测，能够提前获知水质污染的可能性，以及水流量的异常，有助于及时发现区域内的水环境问题，为管理和维护当地水源地的水环境状况提供重要依据，也是近年来水环境保护和监测领域的研究热点之一。

目前国内对于水质水量预测的方法主要有：时间序列预测法、回归分析预测法、灰色系统预测法、数理统计预测法、人工神经网络预测法等，相对于其他4种方法，人工神经网络预测法凭借其可以摒弃客观因素的影响，只根据样本水质水量自身特点进行分析学习的优点在水质水量预测领域得到了广泛应用，目前常用的人工神经网络预测方法包括：BP神经网络、径向基函数神经网络、广义神经网络等。

河流水质水量变化具有渐变性、非线性、不稳定性以及复杂性等特点，目前运用于水质水量预测的神经网络模型，例如BP神经网络、径向基函数神经网络、广义神经网络在进行复杂时间序列预测时容易陷入局部最优。同时由于水质水量数据序列表现出的强非线性特征和弱线性特征，单一的预测模型对水质水量的弱线性特征难以充分处理，需要结合其他线性算法。

公开号为CN111027776A的发明专利申请公开了一种基于改进型长短期记忆LSTM神经网络的污水处理水质水量预测方法，其通过对污水数据进行处理，构建LSTM神经网络模型从而对待预测数据进行预测处理，得到水质情况，这种方法适用于解决长时间跨度水质时间序列预测，仅能有效表征水质时间序列中的非线性特征，但是自然水环境的水质时间序列同时具有强非线性特征和弱线性特征，且水质水量预测方面要求高时效性与及时性，而短期水质水量预测相较于长期水质水量预测更能及时预警水污染事件的发生。

发明内容

本发明所要解决的技术问题在于提供一种基于长短期记忆神经网络对自然水环境进行短期水质水量预测的方法，以克服水质水量数据序列的强非线性特征和弱线性特征对水质水量预测技术的限制。

本发明是通过以下技术方案解决上述技术问题的：一种基于深度学习的短期水质水量预测方法，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。