[发明专利]一种河道监测断面水质预测方法

说明书

本发明公开了一种河道监测断面水质预测方法，包括以下步骤：(1)监测记录历史水质数据以及气象数据，构建序列格式数据集；(2)将序列格式数据集以DA‑RNN方法进行预测模型建模，预测目标水质参数的变化趋势；(3)将序列格式数据集中的近期数据，以NeuralProphet方法进行预测模型建模，预测目标水质参数的周期性；(4)将变化趋势与周期性预测结果相结合，预测时序变化；(5)将时序变化的预测值与对应时刻气象指标时序变化的实测值作为自变量，对应时刻时序变化的实测值为因变量，利用XGBoost建立映射关系；(6)再结合气象预报数据，修正时序变化预测结果。本发明能更为准确地预测河道监测断面关键水质指标在未来时段的时序变化。

技术领域

本发明涉及河道水质管理中监测断面的水质预测领域，具体涉及一种河道监测断面水质预测方法。

背景技术

在河道水质管理过程中，由于缺乏对关键水质指标未来变化规律的深入了解，水污染防控缺乏主动性，被动治理易发生蓝藻爆发等突发性水质事故。若能较为准确地预测关键水质指标在未来时段的时序变化，对可能的污染事件进行提前预警，加强主动干预、提前预防，则有助于水环境的保持与提升。

公开号为CN111105061A的专利说明书中公开了一种河流水质的预测方法所述预测方法包括：获取被预测河流的地表径流的入河流量；将所述入河流量与预设的水动力模型进行水动力耦合，并模拟所述被预测河流的水流条件，得到所述被预测河流的水量信息；将所述水量信息与预设的水质模型进行水量水质耦合，并输入所要预测的时间序列，得到所述被预测河流在该时间序列对应的水质分布信息。

公告号为CN108345964B的说明书中公开了一种基于水质模型的水质预测方法。该方法包括：根据格子玻尔兹曼方法对待预测水质区域的河网或河段区域建立一维水质模型；根据格子玻尔兹曼方法对待预测水质区域中的重点预测区域建立二维水质模型；二维水质模型边界处的网格宽度与所述一维水质模型边界处的河道断面宽度相等；根据溶质粒子的质量和动量守恒，将所述一维水质模型和所述二维水质模型的边界耦合，得到耦合后的水质模型；所述耦合后的水质模型为所述一维水质模型和所述二维水质模型耦合后的模型；根据所述耦合后的模型对所述待预测水质区域进行预测，获得所述待预测区域的参数预测结果。

上述两专利的水质预测技术多以水质机理模型为主，无法反映河道复杂的水质变化规律，较为缺乏基于数据驱动的水质预测机器学习技术。

因此，开发基于数据驱动水质预测机器学习方法，以此较为准确地预测河道监测断面水质变化，对改变水质管理策略，从“事后控制”转换为“事前预防”，提升地表水环境具有重要意义。

发明内容

本发明的目的在于提供一种河道监测断面水质预测方法，使用该方法一是依据河道监测断面历史水质数据，预测关键水质指标在未来时段的时序变化，二是将气象预报技术对未来天气情况的预报数据作为已知未来值的外部变量，对关键水质指标的预测结果进行修正以提升准确性。

一种河道监测断面水质预测方法，包括以下步骤：

(1)监测记录历史水质数据以及气象数据，并按时间序列排序，构建序列格式数据集；

(2)将步骤(1)构建的序列格式数据集进行预测模型建模，预测目标水质参数的变化趋势；

(3)将步骤(1)构建的序列格式数据集中的近期数据，以NeuralProphet方法进行预测模型建模，预测目标水质参数的周期性；

(4)将步骤(2)和步骤(3)得到的目标水质参数的变化趋势与周期性预测结果相结合，预测目标水质参数的时序变化；

(5)将步骤(4)中目标水质参数时序变化的预测值与对应时刻气象指标时序变化的实测值作为自变量，对应时刻目标水质参数时序变化的实测值为因变量，建立映射关系；