[发明专利]一种基于气象因子的RF-HW水质指标混合预测方法

说明书

本发明公开了一种基于气象因子的RF‑HW水质指标混合预测方法，包括以下步骤：采集气象因子数据和水质指标数据，并对采集数据进行异常值过滤后，构建包含气象因子时间序列数据和水质指标时间序列数据的样本数据库；构建包含霍尔特‑温特模型、随机森林模型以及随机森林校正模型的水质指标预测模型；应用时，将气象因子时间序列数据和水质指标时间序列数据输入至水质指标预测模型中，经计算得到未来时间的水质指标时间序列数据的混合预测值。采用随机森林算法和霍尔特‑温特模型相结合的形式克服单一模型的固定缺陷，可以提高模型的预测稳定性和精度。

技术领域

本发明属于水环境监测技术领域，具体涉及一种基于气象因子的RF-HW水质指标混合预测方法。

背景技术

饮用水安全是人民生活的必须条件，作为饮用水的发源地及供应源头，饮用水水源是确保饮用水安全的关键所在。通过预测河流、湖泊、水库等水源地原水水质的变化，可以提前针对水质波动状况及时地采取有效的处理措施，确保供水水质。

水质预测模型主要可分为机理模型和非机理模型。机理性模型以水循环中各组成要素在水体中的物理、化学及生物等反应机理为基础，通过数学手段来描述水系统变化。最早的水质模型是Streeter-Phelps模型(S-P模型)，用于研究一维河流中BOD和DO消长变化规律。此后机理性水质模型不断发展完善，出现了EFDC、WASP、MIKE、QUASAR、QUAL系列等模型。模型尺度从一维到三维，水质组分从单组分到多组分，对水质变化机理的研究也不断深化。虽然机理性模型有清晰的物理意义，且以数学理论为基础，但是建模过程复杂，模型参数多且不易获取，在实际应用中常需大量简化，许多参数直接设定为常数甚至被忽略，使得模型本身及求解过程中存在不确定性，模拟结果不一定能真实反映实际情况。

因此，借助系统理论和计算机技术进步的非机理性模型得以发展。非机理性模型对物理、化学和生物等因素对水质的影响机制考虑较少，不关注水环境的内在机理，根据模型建立方法可分为统计预测模型和智能预测模型。常见的统计预测模型包括时间序列模型、回归模型、灰色理论模型、混沌理论模型等。由于水环境中多个因素互相影响、监测数据存在误差等原因，统计模型的预测稳定性和容错能力都会降低。

随着计算机技术发展，智能预测模型逐渐兴起，人工神经网络(ArtificialNeural Network，ANN)、支持向量机(support vector machines，SVM)等已频繁用于水质预测领域。神经网络在水质预测中，存在易形成局部最优等问题，学者们通过不断的引进遗传算法、量子遗传算法、粒子群算法、模拟退火等智能算法来优化BP神经网络，进一步提高模型适用性。SVM学习泛化能力较强，可克服过拟合的缺点，近几年国内外专家们将其引入水质预测中，并且已经取得了很大的成果，但SVM对大规模训练样本难以实施，且模型精度高度依赖于参数的选择。总的来说，现有的非机理性水质模型大部分都需要多个相关水质变量作为输入，难以实现预报的目的，且模型不够稳定。

随机森林算法是在Bagging集成学习理论和随机子空间方法基础上提出的，具有预测精度高、泛化能力好、收敛速度快以及调节参数少等优点，且不容易出现过拟合，已被广泛应用于医学、生物、经济等众多领域，但在水质模型中应用相对较少。

发明内容

鉴于上述，本发明的目的是提供一种基于气象因子的RF-HW水质指标混合预测方法，该方法采用随机森林算法(Random forest，RF)和霍尔特-温特模型(Holt-Winters，HW)相结合的形式克服单一模型的固定缺陷，可以提高模型的预测稳定性和精度。

为实现上述发明目的，本发明提供的技术方案为：

一种基于气象因子的RF-HW水质指标混合预测方法，包括以下步骤：

采集气象因子数据和水质指标数据，并对采集数据进行异常值过滤后，构建包含气象因子时间序列数据和水质指标时间序列数据的样本数据库；