一种基于长短时记忆和径向基函数神经网络的水质时空关联预测方法技术

本发明专利技术是一种基于长短时记忆和径向基函数神经网络的水质时空关联预测方法。考虑水质变化的时空特性和多元相关性，提出了LSTM

【技术实现步骤摘要】
一种基于长短时记忆和径向基函数神经网络的水质时空关联预测方法

：
[0001]本专利技术水质预测方法，具体应用于水环境中重要污染参数的预测，针对水质变化的时间特性，提出了一种基于长短时记忆(Long Short
‑
Term Memory,LSTM)和径向基函数(Radial Basis Function,RBF)神经网络的水质时空关联预测方法。针对水质变化的多元相关性，利用灰色关联分析和深度自编码降维分别进行时间、空间维度特征选择。该方法能够有效提高水质预测模型的精度和泛化能力。

技术介绍
：
[0002]水质预测是水污染治理的重要支撑，是水环境管理的基础。分析水质预测结果，能够更好的了解当地水环境质量的变化趋势，追溯水质恶化的源头，并及时采取相应的治理措施。在京津冀协同发展的大背景下,廊坊市生态环境面临巨大压力。水资源的过度开发,水污染及生态环境恶化成为廊坊市社会经济可持续发展的主要限制因素。
[0003]水环境条件错综复杂，水质预测模型多种多样，其中大多数模型都仅针对特定的研究对象，维度低且对随机成分较高的水体预测能力不佳。尽管对于多维度、多支流河段的动态模式已有初步探索，但在综合考虑各种因素方面尚存不足。涉及到实际应用，单一水质预测模型精度不高，不能充分利用水质变化的时空特性和多元相关性。因此本专利技术提出了一种基于LSTM
‑
RBF的水质时空关联预测方法。

技术实现思路
：
[0004]对传统水质预测方法在预测水质参数时存在的不足，本专利技术提出了一种基于长短时记忆网络和径向基函数神经网络组合的水质时空关联预测方法。首先对数据进行异常值处理、缺失值填充以及归一化；其次，分析得到用于水质空间关联预测的空间数据，分析水质参数与总磷、总氮浓度之间的相关性，分别建立时间、空间维度数据集；接着分别建立时间、空间维度水质预测模型；最后，将时间、空间维度预测结果作为两个新的特征，通过模型树融合，使得水质参数预测准确度提高，模型泛化能力大大增强，更有利于本方法在实际应用中的实现。本专利技术水质预测方法的流程图参见图4。
[0005]一种基于LSTM
‑
RBF的水质时空关联预测方法，依次包括下述步骤：
[0006](1)首先对原始数据集中的相关水质参数进行正态分布检验，水质指标均不服从正态分布，因此采用箱型图法进行异常值识别，取异常值前后相邻两个时刻的平均值代替。采用min
‑
max标准化方法进行归一化处理。
[0007](2)数据集分为两部分：时间维度的时间序列水质数据、空间维度的相关站点水质数据。根据地区各水质自动站的经度、维度、海拔高程、距离等信息，确定用于空间关联分析的数据集。其中空间数据集选择的方法如下所示：
[0008]步骤1：利用经度、纬度数据绘制水质自动站分布图；
[0009]步骤2：以目标水质自动站为中心作圆，圆的半径为监测站点4h水流平均流速数据
乘以监测时间间隔4h。比较落在圆域内的各水质自动站的海拔高程数据；其中海拔高程小的站点位于下游，海拔高程大的站点位于上游；
[0010]步骤3：根据步骤2计算结果，确定具有上下游关系的站点，并将具有上下游关系的水质自动站的水质数据分别保存到不同数据集中，构成空间数据集；
[0011](3)选择区域最终需要预测的水质参数，利用灰色关系分析方法分析其他水质参数与目标参数总磷、总氮浓度之间的相关性。
[0012](4)利用目标站点的历史水质数据构建基于LSTM的水质时间序列预测模型。
[0013](5)利用(2)所获得的空间数据集，建立基于RBF的水质空间相关预测模型。
[0014](6)将(4)(5)获得的预测结果，利用模型树融合生成最终的水质时空融合预测模型。
[0015]本方法旨在利用LSTM
‑
RBF水质时空关联预测方法，提高水质预测模型的精度和泛化能力，并且能够充分利用水质变化的时间特性、空间关联和多元相关性。与现有技术相比，本专利技术具有以下优点：
[0016]①
、提取与目标参数相关性较高的主要水质指标，可以有效滤除其中包含的冗余特征
[0017]和噪声；
[0018]②
空间预测模型的建立能够充分考虑上游水质对下游水质的影响。
[0019]③
LSTM
‑
RBF时空融合模型，可以弥补单一模型泛化能力低、精度不够的缺点。
附图说明：
[0020]图1是空间数据集获取示意图；
[0021]图2是深度自编码网络结构图；
[0022]图3是LSTM网络基本结构图；
[0023]图4是RBF神经网络基本结构图；
[0024]图5是本专利技术所述方法流程图；
具体实施方式：
[0025]参见图1水质自动站空间分布示意图，其中圆心代表目标站点，以目标站点为圆心，圆的半径＝区域水流流速*水质监测间隔时间。落在区域中的水质自动站包括站点2、站点3、站点6，通过比较三个站点与目标站点的距离、给站点的高程，选择位于目标站点5上游且距离较近的水质自动站构建空间数据集。
[0026]本专利技术的方法流程图参见图5。首先确定预测参数，通过分析区域水质数据，发现水质指标为五类水的指标为预测对象。空间数据集的确定需要用到GIS，根据经纬度数据获得空间站点的分布情况，然后确定空间数据集。对于某一站点时间序列数据集，根据相关性分析进行特征提取；对于空间数据集，利用深度自编码网络进行特征提取，深度自编码网络结构见图2。
[0027]为了获得高维非线性网络结构的低维表示，使用了多个非线性函数来执行多层编码和解码，其中第一个隐含层表示如式(1)所示：
[0028][0029]第k层隐含层表示如式(2)所示：
[0030][0031]其中σ是激活函数，常用sigmoid，W
(k)
为第k层的权重矩阵，b
k
为第k层的偏置向量，K为隐含层数量，为经过K个隐含层后，得到的网络的特征表示。为了得到最优化的模型参数，需要将x
i
和的平均重构误差最小化，本文选择用均方误差表示损失函数，如式(3)所示：
[0032][0033]LSTM通过遗忘门决定舍弃哪些不利于后续任务的信息，根据前一时刻的神经元输出和当前时刻的输入h
t
‑1和当前时刻输入x
t
，通过激活函数sigmoid，得到遗忘门的输出f
t
，表示如式(4)：
[0034]f
t
＝sigmoid(W
f
×
C
t
‑1+U
f
×
x
t
+b
f
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0035]其中W
f
是遗忘门的权重矩阵，U
f
是遗忘本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于长短时记忆网络和径向基函数神经网络的水质时空关联预测方法，其特征在于：(1)收集目标流域较长时间内的数据作为历史数据，存入数据库；(2)对历史数据集进行预处理，分别构建时间、空间数据集；对水质参数进行正态分布检验，得到水质参数数据均不服从正态分布；对水质数据采用箱型图法进行异常值识别，取异常值前后相邻两个时刻的平均值代替；采用min
‑
max标准化方法进行归一化处理；(3)特征选择；利用灰色关联分析法分别获得LSTM模型和RBF模型的输入参数；(4)利用时间维度特征选择结果和预测目标总氮构建时间维度数据集，训练基于LSTM的水质时间序列预测模型；(5)将深度自动编码器的中间层输出作为水质预测空间维度RBF模型的输入，建立基于RBF的水质空间相关预测模型；(6)将分别获得的时间、空间维度总磷、总氮预测结果作为两个新的特征，以时间戳为键值进行融合，利用模型树得到总磷、总氮水质时空融合模型参数预测结果。2.根据权利要求1所述的方法，其特征在于，步骤(2)中空间数据集；历史数据集中包含水质自动监测站的经度、纬度、海拔高程、距离数据；空间数据集选择的流程如下所示：步骤1：利用经度、纬度数据绘制水质自动站分布图；步骤2：选择目标预测站点；以目标预测站点为中心作圆，圆的半径为监测站点4h水流平均流速数据乘以监测时间间隔4h；比较落在圆域内的各水质自动站的海拔高程数据；其中海拔高程小的站点位于下游，海拔高程大的站点位于上游；步骤3：根据步骤2的计算结果，确定具有上下游关系的站点，并将具有上下游关系的水质自动站的水质数据分别保存到不同数据集中，构成空间数据集。3.根据权利要求1所述的方法，其特征在于，步骤(3)对时间、空间预测模型进行特征选择；对于时间维度水质预测模型，利用灰色关联分析法分别分析水温、电导率、浊度、酸碱值、总磷、溶解氧、高锰酸钾指数、氨氮、总氮与总磷、总氮的相关性，选择与总磷、总氮正相关的特征作为输入；对于空间维度预测模型，提取出各个站点中与总磷、总氮浓度正相关的参数构建输入特征，再利用深度自编码网络进行特征降维；其中，深度自编码网络中间层的输出作为水质预测空间维度RBF模型的输入；中间层密码获得步骤如下：步骤1：将特征选择后的空间数据集作为编码器的输入，得到中间层输出；步骤2：然后将密码传入解码器得到输出，此时的输出是输入的重构；步骤3：利用均方误差表示损失函数，使输入输出之间的平均重构误差最小化。4.根据权利要求1所述的方法，其特征在于，步骤(4)所述总磷、总氮时间维度预测模型，一种基于LSTM的时间维度水质预测方法流程如下所示：步骤1：利用灰色关联分析法分别分析水温、电导率、浊度、酸碱值、总磷、溶解氧、高锰酸钾指数、氨氮、总氮与总磷、总氮的相关性；选择与总磷、总氮正相关的参数作为时间维度水质预测模型的输入；其中，总磷浓度的变化与水温、氨氮、总氮呈正相关；总氮浓度的变化与pH、溶...

【专利技术属性】
技术研发人员：张会清，金克美，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：