[发明专利]一种基于多图卷积网络的河流水质预测方法

说明书

本发明公开了一种基于多图卷积网络的河流水质预测方法，包括以下步骤：S1、构建距离图、土地利用相似图和排污企业类型相似图；S2、筛选与水质相关性较高的气象数据，将水质指标时间序列数据和筛选出来的气象时间序列数据作为时间特征数据；S3、进行多图融合卷积操作，提取空间特征；S4、将空间特征和时间特征数据输入到时间卷积网络中进行训练，实现监测站点处的水质预测。本发明将多图卷积网络和时间卷积网络应用于河流监测站点水质数据的预测，从空间维度和时间维度出发，充分捕捉河流站点水质的时空特征，时间卷积网络对于时间序列的预测可以很好地抑制网络层增加带来的梯度消失或者爆炸的问题，有利于提高河流水质的预测精度和效率。

技术领域

本发明属于水质预测技术领域，特别涉及一种基于多图卷积网络的河流水质预测方法。

背景技术

水是人类和其它生命体赖以生存的重要资源，，随着经济的高速发展和人类排污活动的增加，水环境的污染和破坏已成为当今世界主要的环境问题之一。在水污染防治工作过程中，水质预测已经成为生态环境修复、绿色发展的重要一环。有效精确的水质预测能够准确地反映出水环境污染现状以及未来水质的变化趋势，能对水资源管理、系统保护提供技术支撑，提前预防水资源污染事件的发生。这对于加强水资源保护利用，改善水污染防治现状，推进生态环境修复具有重要意义。

近些年来，随着深度学习等领域不断深入的研究和发展，基于深度学习神经网络的数据挖掘和预测分析方法为有效的保护水资源提供了新的一种可行思路。目前，很多研究人员利用历史水质数据、气象数据等，使用深度学习神经网络的技术优势来对水质进行预测。但是，绝大多数的研究者，只是在时间维度上对水质时序数据研究分析进行水质的预测，存在河流水质在空间相关性考虑不足的问题。由于，河流的水质情况不仅受到历史水质数据和上游水域的影响，还会受到水域周围的土地利用结构、区域的排污企业等空间因素的影响。同时考虑时间和空间上的关联性，来对河流水质进行预测，是有必要的。

发明内容

本发明的目的在于克服现有技术的不足，提供一种将多图卷积网络和时间卷积网络应用于河流监测站点水质数据的预测的河流水质预测方法，从空间维度和时间维度出发，充分捕捉河流站点水质的时空特征，时间卷积网络对于时间序列的预测可以很好地抑制网络层增加带来的梯度消失或者爆炸的问题，有利于提高河流水质的预测精度和效率。

本发明的目的是通过以下技术方案来实现的：一种基于多图卷积网络的河流水质预测方法，包括以下步骤：

S1、根据研究区域水质监测站点的空间分布、土地利用情况和污染源分布情况，构建距离图、土地利用相似图和排污企业类型相似图；

S2、利用皮尔逊相关系数筛选出与水质相关性较高的气象数据，将各站点的水质指标时间序列数据和筛选出来的气象时间序列数据作为时间特征数据；

S3、对站点间的距离图、土地利用相似图和排污企业类型相似图进行多图融合卷积操作，提取空间特征；

S4、将空间特征和时间特征数据输入到时间卷积网络中进行训练，实现监测站点处的水质预测。

进一步地，所述S1中的距离图、土地利用相似图和排污企业类型相似图均表示为G＝(V,E,A)的形式，其中，顶点V代表监测站点，设监测站点数量为N；E为连接顶点的边，代表监测站点之间的河道；A代表图的邻接矩阵；

距离图具体为：利用站点之间的河网距离d(i,j)来计算距离图的邻接矩阵A_dis的元素，邻接矩阵A_dis的计算公式如下：

其中，i、j表示两个站点，i→j表示站点i到站点j，d(i,j)表示站点i到站点j的河网距离；