[发明专利]一种基于多层循环神经网络和D-S证据理论的水质参数预测方法

摘要

本发明公开了一种基于多层循环神经网络和D‑S证据理论的水质参数含量预测方法，本发明针对水环境这种具有高维、多峰值、不连续、非凸性等特征的复杂非线性系统，利用水质参数含量的历史数据对深层RNN预测模型进行训练，完成对模型的构造，并对水质参数的未来含量进行初步预测；由于D‑S证据理论能够从数学理论上解决不确定性的问题，因此在RNN模型预测结果的基础上利用D‑S证据理论进行冲突解决和证据融合，提升了单一参数的预测精度，并提高了多参数预警的准确性。

主权项

1.一种基于多层循环神经网络和D‑S证据理论的水质参数预测方法，其特征在于：该方法包括以下步骤：步骤1：对采集的水质参数样本进行预处理：所述水质参数样本为水质参数含量的历史数据，将数据集按照“留出法”划分成训练集和测试集；采用最大最小法分别对训练集和测试集进行归一化处理，转化为[0,1]之间的值；步骤2：初始化LSTM、GRU、SRN三种多层RNN模型的结构：三种多层RNN模型的隐藏层均为两层，最大迭代次数为200，激活函数为tanh函数，每个隐藏层神经元个数相同；步骤3：采用随时间进行反向传播算法利用步骤1预处理后的训练集对LSTM模型、GRU模型和SRN模型中的循环层进行训练，具体如下：1).前向计算每个神经元的输出值；2).反向计算每个神经元的误差项值，它是损失函数对神经元加权输入的偏导数；3).计算每个权重的梯度，再用批量梯度下降算法更新权重，判断损失函数是否收敛或者是否达到最大迭代次数，损失函数未收敛且未达到最大迭代次数则返回第1)步，否则结束训练；步骤4：利用步骤3训练好的LSTM模型、GRU模型和SRN模型对水质参数进行预测，分别得到三种模型在预测时刻的初步预测结果P1，P2，P3；步骤5：对水质参数的历史数据进行自相关分析，获取合适的证据个数，具体如下：1).计算自相关系数rk，计算函数如下：式(1)中c0是时间序列的样本方差，计算如下：式(1)中ck为中间变量，计算如下：式(2)和式(3)中，T是样本总量，y_t是样本在t时刻的实际值，是样本的均值，可由下式计算：2).根据rk的值，得到与预测时刻值相关度较大的时间间隔，即rk>0.8时的k的取值，将此时k的值作为证据理论的证据个数；步骤6：根据D‑S证据理论对步骤4中LSTM模型、GRU模型、SRN模型在预测时刻的预测结果P1，P2，P3进行融合，获取最终预测结果，具体如下：1).以LSTM模型、GRU模型、SRN模型对预测时刻的预测结果(P1，P2，P3)作为D‑S证据理论中的辨识框架Θ＝{P1，P2，P3}，计算三种模型在预测时刻前k个时间单位对应的预测残差：eji＝Pji‑Rj  (5)式(5)中Rj为距离预测时刻前j个时间单位的实际观测值，Pji为第i个模型距离预测时刻为j个时间单位的预测结果，i＝1,2,3，j＝1,2,...,k；2).计算距离预测时刻为j个时间单位时LSTM模型、GRU模型、SRN模型预测结果所占的权重，并将该权重作为证据理论中各个证据中的概率分配函数值m'j(P1),m'j(P2),m'j(P3)，第i种模型距离预测时刻为j个时间单位预测结果所占权重wji的具体计算如下：3).利用冲突解决方案对第2)步得到的分配概率m'j(P1),m'j(P2),m'j(P3)进行重新分配，并得到最终的概率分配：mj(P1),mj(P2),mj(P3),mj(Θ)，其中mj(Θ)表示第j个证据经过冲突解决之后存在的不确定概率；4).利用D‑S证据理论对k个证据的最终概率分配mj(P1),mj(P2),mj(P3),mj(Θ)，进行融合，得到三种模型预测结果最终的概率分布m(P1),m(P2),m(P3),m(Θ)；其中融合公式如下：式(7)中代表证据间的冲突程度；5).利用三种模型预测结果的概率分布m(P1),m(P2),m(P3),m(Θ)计算最终的预测输出P，计算公式如下：P＝m(P1)P1+m(P2)P2+m(P3)P3+m(Θ)PΘ  (8)式(8)中