[发明专利]基于深度学习算法与混合整数线性规划相结合的水质波动区间预测方法

摘要

本发明公开了一种基于深度学习算法与混合整数线性规划相结合的水质波动区间预测方法，属于水环境保护与监测研究领域。该方法首先将深度学习算法中的适用于时间序列数据预测的LSTM模型架构，引入到水质时间序列点预测的建模中；其次，考虑到尽管LSTM模型具有较强的时间序列预测性能，但其具有确定性预测方法的通病，即无法估计预测的不确定性，因此基于验证集样本LSTM点预测与真实值的偏差，考虑置信度参数，构造基于混合整数线性规划的区间预测通用模型，从而给出一定置信度下的水质波动区间的预测方法。该方法可以为水质预测提供一种新的解决方法，进而为水质预警提供可靠的评价与预警依据。

主权项

1.一种基于深度学习算法与混合整数线性规划相结合的水质波动区间预测方法，其特征在于，包括以下步骤：/n(1)对水质历史数据进行预处理：修补缺失的历史数据，并进行归一化处理；将预处理后的数据分成相互独立的训练集和验证集；/n(2)利用步骤(1)中经过预处理后的训练集的水质数据时间序列，进行基于深度学习LSTM模型的点预测建模，得到点预测模型；/n(3)基于步骤(2)的点预测模型，利用步骤(1)中经过预处理后的验证集构造关于置信度c的基于混合整数线性规划的区间预测通用模型，通用模型的目标为最小化区间预测的平均相对区间宽度，目标函数如下：/n /n其中U(valid_p_ij)和L(valid_p_ij)为最优预测区间的上下边界，valid_p_ij为LSTM点预测值，valid_r_ij为真实值，N是验证集中的样本数量；/n约束条件如下：/nU(valid_p_ij)＝valid_p_ij×α_j/nL(valid_p_ij)＝valid_p_ij×β_j，/nL(valid_p_ij)＝valid_r_ij+valid_r_ij×μ_i,1-valid_r_ij×μ_i,2/nU(valid_p_ij)＝valid_r_ij+valid_r_ij×μ_i,3-valid_r_ij×μ_i,4/n /n0≤μ_i,1≤I_i,1/n0≤μ_i,2≤I_i,2/nI_i,1+I_i,2＝1/n0≤μ_i,3≤I_i,3/n0≤μ_i,4≤I_i,4/nI_i,3+I_i,4＝1/n其中α_j和β_j为在当前时刻t后的第j个时刻的最优预测区间的上下边界比例系数，满足α_j>0，β_j>0，α_j>β_j；μ_i,1,μ_i,2,μ_i,3,μ_i,4为连续型变量，I_i,1,I_i,2,I_i,3,I_i,4为Bool型变量；/n求解得到最优预测区间的上下边界比例系数α_j和β_j；/n(4)基于步骤(2)得到的点预测模型和步骤(3)得到的最优预测区间的上下边界比例系数，求得未来时刻的水质波动的区间预测值。/n