[发明专利]水质预测方法、装置、电子设备及存储介质

权利要求书

1.一种水质预测方法，其特征在于，包括步骤：

基于神经网络模型建立水质预测模型，其中所述神经网络模型为长短时记忆神经网络模型(LSTM)、循环神经网络模型(RNN)、反向传播(BP)神经网络模型、以及卷积神经网络模型(CNN)中的一种或多种的组合；

基于历史水质监测目标数据和潜在特征因子数据，训练所述水质预测模型；

基于所述水质预测模型预测水质。

2.根据权利要求1所述的水质预测方法，其特征在于，所述基于历史水质监测目标数据和潜在特征因子数据，训练所述水质预测模型包括：

获取历史水质监测目标数据和对应的水质相关数据；

对历史水质监测目标数据和所述对应的水质相关数据进行预处理；

对水质相关数据进行组合，并对水质相关数据和水质相关数据组合后数据进行筛选作为所述潜在特征因子数据；

对所述历史水质监测目标数据和所述潜在特征因子数据进行归一化处理和数据重组；

将进行归一化处理和数据重组后获得的数据划分为训练集和测试集；

根据所述训练集的数据训练所述水质预测模型，并优化所述水质预测模型的参数。

3.根据权利要求2所述的水质预测方法，其特征在于，所述获取历史水质监测目标数据和对应的水质相关数据，包括获取目标监测站点所在空间监测断面水质监测目标数据、目标监测站点所在空间位置上游监测断面水质监测目标数据、流量流速监测数据、重点企业排污数据、以及气象降雨数据。

4.根据权利要求2所述的水质预测方法，其特征在于，所述对历史水质监测目标数据和所述对应的水质相关数据进行预处理，包括：

标准化数据格式；

获取数据时间轴长度并按照监测频率为数据添加时间戳；

根据监测仪器参数上下限值、专业人员经验上限值利用正则表达判断异常值并做删除处理；

检索数据缺失并进行插值填充，数据量大于设定数据量阈值时用卷积神经网络模型模拟填充，数据量小于所述设定数据量阈值时采用平均值、近邻值填充。

5.根据权利要求2所述的水质预测方法，其特征在于，所述对水质相关数据进行组合，并对水质相关数据和水质相关数据组合后数据进行筛选作为潜在特征因子数据，包括：

根据水质机理特性对水质相关数据进行组合；

根据水质相关数据、水质相关数据组合后数据与历史水质监测目标数据相关性来筛选有效特征因子数据和无用特征因子数据，并为有效特征因子数据设置权重值。

6.根据权利要求1所述的水质预测方法，其特征在于，所述基于所述水质预测模型预测水质，包括：

水质预测模型输出一个模拟值之后，判断模拟数量是否满足指定输出数量，若不满足指定输出数量则将本次输出的模拟值输入所述水质预测模型作为样本数据进行下一个预测值的模拟，直至满足指定输出数量。

7.根据权利要求1至6中任一项所述的水质预测方法，其特征在于，所述基于所述水质预测模型预测水质，包括：

获取同步监测获得的水质监测目标数据和潜在特征因子数据；

用同步监测获得的水质监测目标数据和潜在特征因子数据替换对应时间的预测值输入到所述水质预测模型从而获得水质预测数据并输出。

8.一种水质预测装置，其特征在于，包括：

构建模块，用于基于神经网络模型建立水质预测模型,其中所述神经网络模型为长短时记忆神经网络模型(LSTM)、循环神经网络模型(RNN)、反向传播(BP)神经网络模型、以及卷积神经网络模型(CNN)中的一种或多种的组合；

训练模块，用于基于历史水质监测目标数据和潜在特征因子数据，训练所述水质预测模型；

预测模块，用于基于所述水质预测模型预测水质。