[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

说明书

本发明公开一种基于长短时记忆神经网络的污染源贡献度计算方法，基于时间动态弯曲及位置信息的污染源和水质间相关性计算；基于长短时记忆神经网络建立污染源‑水质模型；基于Sobol敏感度分析方法的贡献度计算。

技术领域

发明属于水环境管理技术领域，尤其涉及一种面向污染源排放数据和河流水质指标的污染源贡献度计算方法，特别是基于长短时记忆神经网络的污染源贡献度计算方法。

背景技术

在水环境管理中水质指标可以作为判断水污染程度的具体衡量尺度。通过地表水水质自动监测站实时采集获取的水质指标数据,可知水质的变化趋势。而水质指标的变化很容易受到污水排放、降雨和农业灌溉等外界因素的影响，有较强的非线性特征，没有特定的周期性和稳定性。传统的水质机理模型普遍采用线性模型对水质指标进行模拟。一方面线性模型限制了水质模型的精确度，缺乏对水环境非线性特征的分析，另一方面，由于复杂的水体环境，各个河流的水体环境并不相同，运用机理模型需要各个河流的一些详细参数去拟合模型，其中一些参数难易获取，这些问题导致传统模型在水质模拟中存在模型率定困难，模型只适用于特定地区或特定指标的情况。准确掌握污染物的来源并从源头上对污染物实施总量控制是实现污染源有效监管的技术依据，也是流域污染防治工作的重要技术支撑。

目前随着各类传感器、射频识别技术和物联网等技术的发展，数据不仅来源于传统人工监测数据，还包括在线自动监测站采集的污染源、水质和气象等多元时间序列数据。近年来随着时间序列数据量的增多，深度学习越来越成为处理大量数据的主流算法，广泛应用于各种大数据的分析处理中。目前大多数水质指标数据和污染源排放数据间属于长相关时间序列，即序列中可能存在间隔或延迟相对较长，但对下一时刻值影响较大的重要事件，传统的神经网络很难捕捉到这类长时间跨度影响的信息，因此导致模型的精度受到影响。而长短时记忆神经网络中采取的各种门控单元赋予了该神经网络获取时间间隔较大但存在互相影响的信息的能力，能够有力地挖掘时间序列中的长时间相关因素，采取长短时记忆神经网络进行污染源-水质模型的构建会有更加精准的水质模拟能力。

发明内容

针对以上现有技术的不足，本发明提供一种基于长短时记忆神经网络的污染源贡献度计算方法。包括：基于时间动态弯曲及位置信息的污染源和水质间相关性计算；基于长短时记忆神经网络建立污染源-水质模型；基于Sobol敏感度分析方法的贡献度计算。本发明的目的通过以下技术方案来实现。

一种基于长短时记忆神经网络的污染源贡献度计算方法，该方法包括如下的步骤：

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)在2)的基础上采用动态时间弯曲计算排放数据与水质数据的相关性；

4)在3)的基础上结合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)在4)的基础上采用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。

本发明的优点在于：

(1)根据大量的污染源排放时序数据和目标水质时序数据即可构建出对应污染源-水质模型，无需额外大量参数。

(2)该模型可以用于各种水质指标以及不同地区，只需要对应的污染源排放时序数据和目标水质时序数据即可训练相应模型。

附图说明

图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流程示意图；

图2SG滤波器示意图；

图3时间动态弯曲算法示意图；

图4长短时记忆神经网络细胞结构图；

图5神经网络结构图。