[发明专利]一种水质预测方法、装置、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：

获取目标区域内不同地点在各个历史阶段采集的第一历史监测数据集，每个第一历史监测数据集包含来自各个数据源的第一历史监测数据；

将归属于同一数据类型的数据源所对应的第一历史监测数据，划分为一组同质数据，并分别提取各组同质数据各自的类内关联特征，每个类内关联特征表征周边地点采集的同质数据，对相应地点的水质情况的影响程度；

对各个类内关联特征进行深层特征提取，获得相应的水质预测特征，所述水质预测特征表征各个地点在所述各个历史阶段采集的第一历史监测数据集，以及相应周边地点在所述各个历史阶段采集的第一历史监测数据集，对预测相应地点在未来阶段的水质情况的影响程度；

基于获得的水质预测特征，确定所述目标区域内各个地点各自的水质预测结果。

2.如权利要求1所述的方法，其特征在于，所述分别提取各组同质数据各自的类内关联特征，包括：

针对所述各组同质数据，分别执行以下操作：

采用迭代方式，将一组同质数据依次输入所述同质数据卷积网络中的多个卷积层进行特征提取，并将最后一个卷积层输出的融合特征作为相应的类内关联特征；其中，每基于一个卷积层接收上一个卷积层的输出数据后，采用所述一个卷积层包含的多个卷积核，分别对所述输出数据进行卷积处理，并对获得的各卷积特征进行融合，得到相应的融合特征。

3.如权利要求2所述的方法，其特征在于，每个输出数据为所述一组同质数据中的一个第一历史监测数据，或者，所述上一个卷积层输出的融合特征。

4.如权利要求1所述的方法，其特征在于，所述对各个类内关联特征进行深层特征提取，获得相应的水质预测特征，包括：

对所述各个类内关联特征进行特征融合，获得相应的类间关联特征，所述类间关联特征表征所述各个地点各自采集的第一历史监测数据集，以及相应周边地点采集的第一历史监测数据集，对相应地点的水质情况的影响程度；

将所述类间关联特征输入到时间递归神经网络中进行深层特征提取，获得相应的水质预测特征。

5.如权利要求4所述的方法，其特征在于，所述将所述类间关联特征输入到时间递归神经网络中进行深层特征提取，获得相应的水质预测特征，包括：

通过所述时间递归神经网络中的各个处理单元，读取所述类间关联特征中相应的各维类间关联特征，其中，

每读取一维类间关联特征，基于所述一维类间关联特征和所述时间递归神经网络中前一个处理单元输出的一维水质预测特征，对当前处理单元读取的一维类间关联特征进行特征筛选和特征更新，并使所述当前处理单元基于更新后的一维类间关联特征，生成相应的一维水质预测特征。

6.如权利要求2～5任一项所述的方法，其特征在于，目标水质预测模型包括多个同质数据卷积网络、特征融合网络和时间递归神经网络；

其中，所述目标水质预测模型是通过执行以下步骤训练得到的：

获取针对所述目标区域的训练样本集，每个训练样本包含所述目标区域中各个地点在历史阶段采集的第二历史监测数据集；

采用循环迭代的方式，使用针对所述目标区域的训练样本集二次训练通用水质预测模型，直至所述通用水质预测模型满足迭代训练停止条件为止，将最后一轮迭代训练输出的通用水质预测模型，作为训练完毕的目标水质预测模型，其中，所述通用水质预测模型是基于各个区域各自的训练样本集训练得到的。

7.如权利要求6所述的方法，其特征在于，在二次训练所述通用水质预测模型时，其中一轮迭代训练的过程包括：

读取一个目标区域的训练样本，按照数据源的数据类型，将所述一个目标区域的训练样本划分为多组同质数据，并使用相应数据类型的同质数据卷积网络，从各组同质数据中提取相应的类内关联特征；

使用所述特征融合网络融合各个类内关联特征，获得相应的类间关联特征，并使用所述时间递归神经网络对所述类间关联特征进行深度特征提取，获得所述目标区域中各个地点各自的水质预测结果；

基于各个水质预测结果与所述目标区域中各个地点各自的实际水质评估结果，二次调整所述目标水质预测模型中各个网络的网络参数。