[发明专利]一种基于混合神经网络的河流总氮浓度预测方法

权利要求书

1.一种基于混合神经网络的河流总氮浓度预测方法，其特征在于，包括以下步骤：

步骤1：通过物联网设备的采集模块每四小时采集一次滦河断面水质数据，并对待预测河流区域的原始水质数据集进行清洗；

步骤2：将待预测区域河流水质数据划分为训练集和测试集；构建模型，模型主要包括两个模块：特征学习模块和预测生成模块；特征学习模块使用1-DRCNN，预测生成模块采用BiGRU和全连接层；

步骤3：对步骤2构建的模型使用Adam优化算法进行训练，训练结束后得到最优的水质参数预测模型，再在测试集对待预测河流的总氮浓度进行预测；

步骤4：使用模型评价指标，其中包括平均绝对误差、平均绝对百分比误差、均方根误差、决定系数对模型性能进行评价。

2.根据权利要求1所述的一种基于混合神经网络的河流总氮浓度预测方法，其特征在于：步骤1所述的数据清洗方法中的待预测河流水质数据包括9个水质参数，包括温度(T，℃)，PH，溶解氧(COD，mg/L)，生化需氧量(BOD，mg/L)，浊度(NTU)，高锰酸钾(COD-Mn，mg/L)，氨氮(NH3-N，mg/L)，总磷(TP，mg/L)，总氮(TN，mg/L)。

3.根据权利要求1所述的一种基于混合神经网络的河流总氮浓度预测方法，其特征在于：步骤1所述的数据清洗方法中的功能包括检测待预测河流水质数据的异常值和填补空缺值；

其中，使用孤立森立对待预测水质数据进行异常值检测主要分为两步：

第一步，构建孤立森林；不考虑待预测河流水质数据集两个样本的距离或者密度，递归地分割待预测水质数据集，构建孤立树，直到所有的样本点孤立；

第二步，计算异常得分，公式如下：

其中，n表示待预测水质样本数据x的大小，H(n-1)表示一个调和函数，用ln(n-1)+0.5772156649估算；C(n)表示n条样本待预测水质样本数据构建的二叉树的平均路径长度，这里主要用作归一化；E(h(x))表示待预测样本数据x在多棵iTree的路径长度的均值；如果节点得分越接近1，则该样本节点越有可能异常；如果样本节点的得分越接近0，表示该节点正常；

待测水质数据经过异常值检测后，将其置为空值；然后使用基于朗格拉日方法对其进行填补；根据非空缺m个待预测水质数据集样本点找到可以给出一个恰好穿过二维平面上若干个已知点的多项式函数，其恰好在各个观测点取到观测到的值；根据上述多项式函数实现填补的空缺值；由此拉格朗日插值法的多项式函数公式如下所示：

L_m(x)＝y₀l₀(x)+y₁l₁(x)+...+y_ml_m

其中，y_m表示待预测河流水质数据集中样本点对应的真实值，l_i(x)表示待预测河流水质数据集中样本点对应的插值函数：