一种基于时间序列的水质预测方法及系统技术方案

本发明专利技术提供了一种基于时间序列的水质预测方法及系统，该方法包括获取样品水体的污染参数时间序列，污染参数时间序列包括样品水体在当前时刻及其之前的历史时段内每个采样时刻处的污染参数；基于样品水体的污染参数时间序列建立LSTM时间序列神经网络预测模型；利用LSTM时间序列神经网络预测模型确定样品水样下一时刻的污染参数预测值。本发明专利技术通过光流控能够实现水质的多参数精准检测，并利用LSTM时间序列神经网络预测模型能够对水质多参数的快速精准预测。快速精准预测。快速精准预测。

【技术实现步骤摘要】
一种基于时间序列的水质预测方法及系统


[0001]本专利技术涉及水质监测
，具体涉及一种基于时间序列的水质预测方法及系统。

技术介绍

[0002]随着中国农业的迅速发展，人们的生活水平不断提高，对水质量的要求越来越高。但因水土流失、水源污染等因素的影响，地表水成分逐渐趋于复杂。多年来，水资源质量不断下降，水环境持续恶化。水污染一般是指生活污水、工业废水、农田排水未经处理而大量排入水体所造成的污染。随着工业化、城镇化深入发展，水资源需求将在较长一段时期内持续增长，水资源供需矛盾将更加尖锐，我国水资源面临的形势将更为严峻。
[0003]目前，通常采用化学分析法和电化学分析法对环境水样进行监测，但是上述方法存在无法对水质环境进行有效预测的问题。
[0004]因此，如何对环境水质进行高效预测成为当前
工作人员急需解决的问题。

技术实现思路

[0005]有鉴于此，有必要提供一种基于时间序列的水质预测方法及系统，以解决现有技术中无法对水质环境进行有效预测的问题。
[0006]为了解决上述技术问题，本专利技术提供了一种基于时间序列的水质预测方法及系统，包括：
[0007]获取样品水体的污染参数时间序列，污染参数时间序列包括样品水体在当前时刻及其之前的历史时段内每个采样时刻处的污染参数；
[0008]基于样品水体的污染参数时间序列建立LSTM时间序列神经网络预测模型；
[0009]利用LSTM时间序列神经网络预测模型确定样品水样下一时刻的污染参数预测值。r/>[0010]在一种可能的实现方式中，获取样品水体的污染参数时间序列，包括：获取样品水体在每个采样时刻处的目标污染参数；
[0011]其中，目标污染参数的类型包括化学需氧量、PH值、温度、总磷指数含量和总氮指数含量中的至少一者。
[0012]在一种可能的实现方式中，获取样品水体在每个采样时刻处的目标污染参数，包括：
[0013]对样本水体进行预处理；
[0014]采集经过预处理的样本水体的每个采样时刻处的光谱信号，样本水体的检测光源波长与目标污染参数的所需波长相匹配；
[0015]基于预设检测模型计算样本水体的每个采样时刻的目标污染参数。
[0016]在一种可能的实现方式中，采集经过预处理的样本水体的每个采样时刻处的光谱信号，包括：
[0017]利用发光模组对经过预处理的样本水体进行照射，通过光谱仪获取样本水体的每个采样时刻处的光谱信号；
[0018]其中，基于预设规则设置发光模组的旋转角度和发射波长，使得发光模组的旋转角度和发射波长与目标污染参数的类型相对应。
[0019]在一种可能的实现方式中，对样本水体的预处理包括消解处理和显色处理。
[0020]在一种可能的实现方式中，基于样品水体的污染参数时间序列建立LSTM时间序列神经网络预测模型，包括：
[0021]按照预设规则将每个采样时刻处的污染参数时间序列分化为训练数据集和验证数据集；
[0022]建立LSTM时间序列神经网络初始模型，LSTM时间序列神经网络初始模型的门控单元包括遗忘门、输入门和输出门；
[0023]对LSTM时间序列神经网络初始模型的隐藏状态和细胞状态进行初始化设置；
[0024]基于建训练数据集和验证数据集对LSTM时间序列神经网络初始模型进行训练，得到LSTM时间序列神经网络模型。
[0025]在一种可能的实现方式中，门控单元包括sigmoid激活函数和可训练的权重矩阵。
[0026]在一种可能的实现方式中，构建训练数据集的表达式为：
[0027]IN＝{in1，in2，...in
t
，...，in
N
}；
[0028]验证数据集的表达式为：
[0029]VAL＝{in
N
，in
N+1
，...，in
N+M
}；
[0030]in
t
＝(CO
t
，PH
t
，TM
t
，P
t
，N
t
)；
[0031]其中，CO
t
表示样品水体的化学需氧量在t时刻的模值，PH
t
表示样本水体在t时刻的模值，TM
t
表示样品水体的化学需氧量在t时刻的模值，P
t
表示样品水样的总磷在t时刻的模值，N
t
表示样品水样的总氮在t时刻的模值。
[0032]在一种可能的实现方式中，遗忘门的输出公式为：
[0033]f
t
＝σ(W
f
[h
t
‑1,in
t
]+b
f
)；
[0034]其中，f
t
表示遗忘门，σ表示Sigmoid函数，h
t
‑1表示上一时刻的隐藏状态，in
t
表示当前时刻的输入，W
f
表示可训练的权重矩阵，b
f
是偏置项；
[0035]输入门的输出公式为：
[0036]i
t
＝σ(W
i
[h
t
‑1,in
t
]+b
i
)，C
t
＝tanh(W
C
[h
t
‑1,in
t
]+b
C
)；
[0037]其中，W
i
和W
C
表示可训练的权重矩阵，b
i
和b
C
表示偏置项；
[0038]输出门的输出公式为：
[0039]o
t
＝σ(W
o
[h
t
‑1,in
t
]+b
o
)；
[0040]其中，W
o
表示可训练的权重矩阵，b
o
表示偏置项。
[0041]为了解决上述问题，本专利技术还提供了一种基于时间序列的水质预测系统，包括：
[0042]数据获取模块，用于获取样品水体的污染参数时间序列，污染参数时间序列包括样品水体在当前时刻及其之前的历史时段内每个采样时刻处的污染参数；
[0043]模型搭建模块，用于基于样品水体的污染参数时间序列建立LSTM时间序列神经网络预测模型；
[0044]预测模块，用于利用LSTM时间序列神经网络预测模型确定样品水样下一时刻的污
染参数预测值。
[0045]采用上述实施例的有益效果是：本专利技术首先获取样品水体的污染参数时间序列，污染参数时间序列包括样品水体在当前时刻及其之前的历史时段内每个采样时刻处的污染参数；然后基于样品水体的污染参数时间序列建立LSTM时间序列本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时间序列的水质预测方法，其特征在于，包括：获取样品水体的污染参数时间序列，所述污染参数时间序列包括所述样品水体在当前时刻及其之前的历史时段内每个采样时刻处的污染参数；基于所述样品水体的污染参数时间序列建立LSTM时间序列神经网络预测模型；利用所述LSTM时间序列神经网络预测模型确定所述样品水样下一时刻的污染参数预测值。2.根据权利要求1所述的基于时间序列的水质预测方法，其特征在于，所述获取样品水体的污染参数时间序列，包括：获取样品水体在每个采样时刻处的目标污染参数；其中，所述目标污染参数的类型包括化学需氧量、PH值、温度、总磷指数含量和总氮指数含量中的至少一者。3.根据权利要求2所述的基于时间序列的水质预测方法，其特征在于，所述获取样品水体在每个采样时刻处的目标污染参数，包括：对样本水体进行预处理；采集经过预处理的样本水体的每个采样时刻处的光谱信号，所述样本水体的检测光源波长与目标污染参数的所需波长相匹配；基于预设检测模型计算所述样本水体的每个采样时刻的目标污染参数。4.根据权利要求3所述的基于时间序列的水质预测方法，其特征在于，所述采集经过预处理的样本水体的每个采样时刻处的光谱信号，包括：利用发光模组对经过预处理的样本水体进行照射，通过光谱仪获取所述样本水体的每个采样时刻处的光谱信号；其中，基于预设规则设置所述发光模组的旋转角度和发射波长，使得所述发光模组的旋转角度和发射波长与所述目标污染参数的类型相对应。5.根据权利要求3所述的基于时间序列的水质预测方法，其特征在于，对样本水体的预处理包括消解处理和显色处理。6.根据权利要求1所述的基于时间序列的水质预测方法，其特征在于，所述基于所述样品水体的污染参数时间序列建立LSTM时间序列神经网络预测模型，包括：按照预设规则将每个采样时刻处的污染参数时间序列分化为训练数据集和验证数据集：建立LSTM时间序列神经网络初始模型，所述LSTM时间序列神经网络初始模型的门控单元包括遗忘门、输入门和输出门；对LSTM时间序列神经网络初始模型的隐藏状态和细胞状态进行初始化设置；基于所述建训练数据集和验证数据集对所述LSTM时间序列神经网络初始模型进行训练，得到LSTM时间序列神经网络模型。7.根据权利要求6所述的基于时间序列的水质预测方法，其特征在于，所述门控单元包括sigmoid激活函数和可训练的权重矩阵。8.根据权利要求6所述的基于时间序列的水质预测方法，其特征在于，所述构建训练数据集的表达式为：IN＝{in1，in2，...in
t
，...，in
N
}；所述验证数据集的表达式为：
VAL＝{in
N
，in
N+1
，...，in
N+M
}；in
...

【专利技术属性】
技术研发人员：王宁，赵家功，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：