[发明专利]一种基于长短时记忆神经网络的污染源贡献度计算方法

权利要求书

1.一种基于长短时记忆神经网络的污染源贡献度计算方法，其特征在于，采用数据挖掘技术分析大量数据，包括以下步骤：

1)获取过去一段时间监测到的河流水质数据及各污染源的排放数据；

2)对两类数据进行预处理；

3)采用动态时间弯曲计算排放数据与河流水质数据的相关性；

4)根据相关性以及污染源地理位置选取适合的排放数据输入到长短时记忆神经网络模型中，输出水质数据，以便建立污染源-水质模型；

5)采用Sobol敏感度分析方法计算污染源的贡献度，对污染源进行模拟削减，体现污染源管控效果；

步骤3具体为：

时间动态弯曲算法是一个动态规划算法，假设两个时间序列X，Y：

X＝{x₁，x₂，…，x_m}

Y＝{y₁，y₂，…，y_n}

其中，X含有m个观测样本，Y含有n个观测样本，且每个观测样本x_i，i＝1，2，…，m和y_j，j＝1，2，…，n都是同维度的样本，需要构造一个n*m的矩阵网格D，矩阵元素D(i，j)表示x_i和y_j两个点的距离d(x_i，y_j)，时间动态弯曲算法就是寻找一条从矩阵元素D(1，1)出发到矩阵元素D(m，n)的最短路径，使用动态规划方法来寻找此条通过此矩阵网格中若干格点的路径，路径通过的格点即为两个序列进行计算的对齐的点，对于i从1至m，j从1至n，通过迭代计算：

D(i，j)＝d(x_i，y_j)+min(D(i-1，j)，D(i，j-1)，D(i-1，j-1))

d(x_i，y_j)＝abs(x_i-y_j)

其中，D(i-1，j)表示x_i-1与y_j匹配时的子序列距离，D(i，j-1)表示x_i与y_j-1匹配时的子序列距离，D(i-1，j-1)表示x_i-1与y_j-1匹配时的子序列距离，

最终D(m，n)即为两个时间序列间的距离，距离越小则认为相似程度越高。