[发明专利]水质预测方法、装置、电子设备及存储介质

说明书

本发明公开了一种水质预测方法、装置、电子设备及计算机可读存储介质。水质预测方法包括步骤：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)、反向传播神经网络模型(BP)、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。本发明的技术方案由于充分地考虑了与水质监测目标数据相关的潜在特征因子数据的影响，并灵活的应用这些数据，合理的发现其可以提供的特征，提升了模型模拟精准程度。

技术领域

本发明涉及环境保护技术领域，具体地涉及一种水质预测方法、装置、电子设备及存储介质。

背景技术

现有的河流湖泊水质预测方法大多以单因子的历史数据作为训练样本进行曲线拟合。这种方法在譬如金融等数据比较成熟的行业中具有较高的实用性，但在基于自动监测站的水质预测中，由于监测水质直接间接影响因素众多、现有的数据量不足以找出稳定的规律，单因子预测的方法往往无法满足预测精准度的需求。同时，由于现阶段水质监测的历史数据质量参差不齐、监测仪器宕机时有发生、监测结果异常值较多，所以很容易由于数据问题影响预测结果的精准性。

目前，水质的模拟预测分析主要利用了机理模型、概念模型、黑箱模型三种方式。在机理模型中通过对污染物在水体迁移过程的生物化反应公式化的推解，实现以数字化的形式将其迁移中变化过程可视化的展示；概念模型中也采用了机理参数，但部分或全部参数之间的关系并没有遵守物理公式，而是用统计规律总结出的经验公式；黑箱模型模型则是忽略了污染物扩散传输的机理，仅通过对监测数据在统计层面的分析来总结规律，形成算法模型。上述三种模型在应用于预测时都遵循了构建模型、率定参数、带入边界条件输出的方式。

长短时记忆神经网络模型作为机器学习的一种，起源于统计模型，属于黑箱模型的一种形式。相比于经典的统计模型，其拥有的自动学习机制能够在数据量足够大的情况下通过输入、遗忘、输出的方式来不断选择性优化记忆，能够有效的把握住长期数据中历史数据对于现状的影响。这使得其在于大数据的环境中广泛的应用。

近几年来，随着水质自动监测站的不断铺设，监测频率越来越高，庞大的数据量为网络模型在水质预测中提供了良好的基础。

现有技术中，一项名称为“基于混合长短时记忆神经网络的水质指标预测方法”的中国发明专利申请(公开号CN110852515A)，该专利采用了一套常规的基于监督学习的水质预测方法，以混合长短时记忆神经网络模型为预测算法内核。通过历史数据平滑处理、归一化处理、划分特征序列、输入网络模型进行预测模拟的流程，从历史数据的变化规律中总结归纳出未来多个时间点的水质值，实现水质指标预测(见图1)。该专利申请中以单因子的历史数据作为训练样本进行曲线拟合。这种方法在譬如金融等数据比较成熟的行业中具有较高的实用性，但在基于自动监测站的水质预测中，由于现阶段历史数据质量参差不齐、仪器宕机时有发生、监测结果异常值较多，所以很容易由于数据问题影响预测结果的精准性。该专利申请中，一方面采用了基于仪器参数机理判断的异常数据判断机制，另一方面采用了以多因子作为特征拟合曲线的技术，将单个异常值对模拟的影响有效降低。

一项名称为“一种混合优化BP神经网络的湖泊水质预测模型构建方法”的中国发明专利申请(公开号CN109740286A)，该发明专利申请中通过数据导出、空数据删除、水质指标筛选、多模型构建、模型效果评估的方式得出基于遗传算法GA和粒子群算法PSO混合优化的BP神经网络模型能够提高水质指标参数预测准确率。该发明专利申请指出了监测数据质量问题，但在数据预处理过程中仅将空缺数据进行了删除处理，会导致数据在时间轴上的不连续性，无法很好的反应出数据变化的规律。同时，在水质指标参数的筛选过程中，该专利提出根据水环境经验筛选指标，但并未对指标进行组合处理，并不能很好的发挥出相关指标的作用。

发明内容