[发明专利]一种分治法与水质周期性结合的水质预测方法

摘要

本发明公开了一种分治法与水质周期性结合的水质预测方法，属于水质预测技术领域。本发明提出的水质预测方法针对单一预测器较难对水质数据的复杂变化规律进行充分学习，易造成预测精度不佳的问题，采用了基于数据驱动问题分解求解框架，该框架在学习过程中能够根据数据特点对问题空间进行自主划分，无需人工指定预测器数量，具有更好的鲁棒性。通过将预测器效果评价及水质数据周期性进行融合，更好地利用了水质数据在时间尺度上的变化特点，实现了更加准确的问题分解算法。根据框架学习内容，将待预测的数据映射至对应具有预测优势的预测器组中，由对应的预测器加权得到预测结果，具有更好的准确性及稳定性。

主权项

一种分治法与水质周期性结合的水质预测方法，其特征在于：包括以下步骤：步骤一：对原始水质数据进行预处理；步骤二：DDM‑ERM预测模型训练；步骤三：DDM‑ERM模型输出，在DDM‑ERM模型训练完毕之后，获得对各个样本组的子预测器组及其对应权重，对于待预测的样本，首先根据其所处时间计算出对应样本组，再将其作为对应样本组的预测器组输入，获取其加权输出即为模型的预测结果；在步骤一中，DDM‑ERM使用固定长度滑动窗口算法从原始水质数据中生成子序列数据并进行一步向前预测，通过将时间序列数据转化为多个短时子序列数据，更好地对水质变化规律进行充分学习；设水质时间序列数据中相邻数据的时间间隔为Tinterval，而某时刻的水质情况与之前Tpre时间内的水质情况呈显著相关，则在进行一步向前预测时，取滑动窗口长度为其具体步骤如下：设r＝[t1 t2 ... tk]为水质时间序列数据，滑动窗口长度为k，子序列集合1)设置滑动窗口位置为1，此时位于滑动窗口内的水质数据集合为c＝{ti|1＜＝i＜＝k}；2)将滑动窗口内的水质数据集合c转化为一个m的子序列向量r，其中[t1 t2 ... tk‑1]作为该子序列r的输入，而tk作为该子序列r的输出；3)将子序列向量r加入到子序列集合C中，将滑动窗口向后滑动一个单位，若滑动窗口位置p＜＝n‑k则跳至第二步；否则输出子序列集合C，算法结束；经过长度为k的滑动窗口算法之后，长度为n的原始水质时间序列数据将会转化为n‑k个子序列数据；子序列数据将作为DDM‑ERM模型的训练及测试数据；在步骤一中，将同阶段水质子序列聚合成组，以组作为问题划分粒度的方案，以减少问题划分的噪点，并对水质数据的周期性知识进行更充分的学习，具体包括：对原始水质时间序列采用离散傅里叶变换，得到其频域能量分布，取其能量峰值时频率f，则其显著周期长度在计算获得数据显著周期长度len之后，对子序列集合C＝{r1,r2,...rn}，将其中子序列分为len组，每组内的子序列集合Gi＝{rm|m＝k×len+i}，其中k为大于等于0的整数，且所述步骤二中的模型训练具体包括以下步骤：给定输入子序列样本集合S＝{Ci|1＜＝i＜＝len}第一步：设置训练集ST＝S，j＝1；第二步：对各个备选的预测器CLRi，使用训练集ST进行训练，得到各备选预测器在各组验证集样本上的均方误差MREi,j；第三步：根据各备选预测器在各组验证机上的均方误差MREi,j，得到当前备选预测器中最优预测器CLRk；第四步：根据最优预测器CLRk的预测结果及当前训练集ST，计算得出未识别样本组Sunrecog：第五步：若则跳转至第六步；否则根据未识别样本组Sunrecog生成新的训练集STnew，并使ST＝STnew，跳至第二步，第六步：训练结束，对各样本组计算各预测器权重，其中，样本组i的预测器RLj权重为：wi,j=e-MSEi,jΣj=1ne-MSEi,j.]]>