[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

说明书

本发明公开一种基于混合神经网络的河流总氮浓度预测方法。采用孤立森林和朗格拉日法对待预测河流的水质数据进行清洗；然后，将清洗后的待预测水质数据利用一维卷积残差神经网络提取非线性局部特征；然后，使用双向门控循环单元整合时间序列的前后时刻信息，在顶层使用全连接层获得最终的河流总氮浓度预测结果。最后利用评价指标作为模型优劣的评估参数。本发明根据实施例完成了一组实验，以将所提出的方法与传统的、单一的神经网络水质参数预测方法进行对比。实验结果表明，该水质参数预测模型在稳定性和泛化能力方面均有良好体现，有效地降低了预测误差。本方法首次将特征提取模块和双向循环预测模块实现了有机融合，并运用到水质预测领域。

技术领域

本发明属于计算机科学计算领域，涉及一种基于混合神经网络的河流总氮浓度预测方法。

技术背景

随着我国经济的快速发展和科技的高速进步，人们生产和生活范围越来越广泛，生活污水和化肥、食物等工业废水以及农田排水都含有大量的氮、磷及其他无机盐类使河流的营养物质大幅增加，河流水环境可能产生水体富营养化的现象。水体富营养化其实质是由于营养盐的输入输出失去平衡，从而导致水生态物种分布失衡，单一物种疯涨，破坏了系统的物质和能量流动，使整个生态系统逐渐走向灭亡。河流水质恶化对地表水及其支流的生态健康产生了深远的影响，这无疑增加了人类饮用水可持续性发展的负担。在水环境治理阶段，实时预测水质质量可为水环境的保护和治理提供科学的依据，构建准确有效的水质参数预测模型是改善河流水质至关重要的环节。

多数数据驱动模型在水质参数预测方面效果显著，主要方法有时间序列法、灰色理论预测法、回归预测法(例如支持向量机)和人工神经网络预测法。但是，以上前三种方法存在泛化能力差、预测精度低等缺陷。近年来，深度学习方法在水质建模中受到了越来越多的关注。人工神经网络是由自适应性的简单单元广泛并行互联实现来模拟生物神经系统的机器学习技术，是深度学习的基础，其具有鲁棒性好、能充分拟合复杂非线性关系等优点。因此，本发明实施例提出了一种基于混合神经网络的河流总氮浓度预测方法，旨在提高模型的稳定性和泛化能力，降低总氮浓度的预测误差。

发明内容

本发明要解决的技术问题是，提供一种基于混合神经网络的河流总氮浓度预测方法，进行水质参数总氮的预测。为了解决现有的、传统的单一水质预测算法无法挖掘水质的局部特征的问题以及提高预测精度和效率，整体的网络模型主要包括两个部分：特征学习模块和预测生成模块。利用一维卷积残差神经网络提取水质数据的局部特征，双向门控循环单元作为预测模块不仅能够整合时间序列的前后时刻信息，并获得水质参数最终的预测结果。为了提高数据的完整性，在模型训练之前，对水质数据采用隔离森林和朗格拉日插值法对河流水质数据清洗和校正。模型训练和测试所用的数据集来自于滦河的真实数据集。本方法实现了神经网络的融合，提出了一种全新的深度学习水质预测方法，以提高水质参数的预测精度。

为解决上述问题，本发明采用如下的技术方案：

一种基于混合神经网络的河流总氮浓度预测方法，主要包括：

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，并对待预测水质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。