System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 基于频域时域转换和季节性分解的水质指标预测方法技术_技高网

基于频域时域转换和季节性分解的水质指标预测方法技术

技术编号:42362144 阅读:6 留言:0更新日期:2024-08-16 14:45
本发明专利技术涉及一种面向水质指标预测的方法,特别是涉及一种基于SG(Savitzky Golay)滤波、多周期季节性分解(Seasonal‑trend Decomposition using Loess for Multiple Seasonal Components,MSTL)、频域增强块(Frequency‑Enhanced Block,FEB)和频域增强注意力机制(Frequency‑Enhanced Attention,FEA)的水质指标预测方法SMF2。首先,将获取到的水质指标历史数据依照时间序列进行排序,使用插值法调整异常数据,并采用SG滤波平滑预处理,将水质时间序列数据通过MSTL分解算法按照多周期性预设的滑动窗口大小划分为多个周期分量、趋势分量、残差分量。输入基于频域增强块FEB和频域增强注意力机制FEA的预测模型SMF2,通过时域频域相互转换、特征提取和频域低秩性近似变换等算法操作,可实现对水质指标值基于单要素和多要素的短期与长期预测任务,最终获取精准度较高的水质指标预测结果。

【技术实现步骤摘要】

本专利技术涉及一种面向水质指标的预测方法,特别是涉及一种基于频域时域转换和季节性分解水质指标预测方法。


技术介绍

1、随着社会的快速进步,人们对高品质生活方式的追求越来越高,生活用水和饮用水的安全问题也被提上了更高的优先级。水质预测能够准确、及时地反映水质现状和未来发展趋势,已成为水质异常监测的重要目标之一。为水环境管理和污染源控制提供重要的数据依据。是防止水环境受到污染、维持水环境健康的重要前提技术手段。因此,建立一个稳定、高效、准确的水质预测系统至关重要,其核心是水质预测模型。水质预测是历史数据的时间序列预测问题,是指完全根据历史上的水质实测记录,对未来一段时间内水质的变化进行预测。现有的预测方法普遍不能准确捕捉水质时间序列的非线性特征,存在梯度消失和梯度爆炸等问题。

2、通常,水质预测的研究方法有两大类:机理模型和数据驱动模型。数据驱动类的方法包括传统的数学方法和近年来更流行的人工智能深度学习模型。传统的统计水质预测方法提取水质预测数据之间的线性关系。例如,支持向量机(support vector machine,svm)可以灵活地处理低维和高维数据,自回归积分移动平均(autoregressive integratedmoving average,arima)是一种递归序列预测模型。随着深度学习相关技术和设备的出现,设计了更多和额外的数据驱动模型来实现水质时间序列预测。近年来,递归神经网络(recurrent neural networks,rnn)在时间序列预测中取得了较好的效果,开始普遍使用rnn以及rnn的变体来解决序列问题。例如,长短期记忆网络(long short term memory,lstm)它在访问流量预测方面表现出了很好的预测效果,它能够获取时间序列中时间间隔相对较大但是比较重要的信息,能够挖掘时间序列中的长相关因素,利用lstm的思想进行预测能够得到较好的预测精度。但循环神经网络在使用时会占用大量的内存,因为需要将每步的信息都保存下来。且由于循环神经网络在不同时间段上共用相同参数,存在梯度爆炸或者消失的问题,所以需要一种合适的方法来解决上述技术问题。


技术实现思路

1、针对以上现有技术的不足,本专利技术提供一种基于sg(savitzky golay)滤波、多周期季节性分解(seasonal-trend decomposition using loess for multiple seasonalcomponents,mstl)、频域增强块(frequency-enhanced block,feb)和频域增强注意力机制(frequency-enhanced attention,fea)的水质指标预测方法。包括:基于sg滤波的水质时间序列预处理方案;基于mstl多周期季节性分解的时间序列分解方案;基于smf2模型实现的水质指标多步预测。本专利技术的目的通过以下技术方案来实现。

2、一种基于频域时域转换和季节性分解的水质指标预测方法,该方法包括如下的步骤:

3、1)获取一条河流过去一段时间监测到的水质指标组成的时间序列数据;

4、2)对该数据进行线性插值补全数据,sg(savitzky golay)滤波平滑降噪等预处理;

5、3)在2)的基础上,对处理后的数据进行归一化处理,通过多周期季节性分解(seasonal-trend decomposition using loess for multiple seasonal components,mstl)算法按照多周期性预设的窗口大小划分为多个周期分量、趋势分量、残差分量作为特征序列。

6、4)将3)得到的特征序列数据输入融合频域增强块(frequency-enhanced block,feb)和频域增强注意力机制(frequency-enhanced attention,fea)的预测模型smf2,通过时域频域相互转换、特征提取和频域低秩近似变换等算法操作,实现对水质指标值基于单要素和多要素的短期与长期预测任务,获取精准度较高的水质指标预测结果,输出基于归一化数据的模型预测值。

7、5)对4)输出的预测值进行反归一化,从而获得准确的实际水质指标预测值。

本文档来自技高网...

【技术保护点】

1.一种基于频域时域转换和季节性分解的水质指标预测方法,其特征在于,该方法包括如下步骤:

2.根据权利要求1所述的方法,其特征在于,基于历史的水质时间序列数据,训练水质预测模型,包括:

3.根据权利要求1所述方法,其特征在于,基于所述水质预测模型预测水质,包括:

4.根据权利要求2或权利要求3所述的方法,其特征在于,基于SG滤波、多周期季节性分解和基于频域时域转换的编码器-解码器网络来构建水质预测模型,包括:

5.根据权利要求2所述的方法,其特征在于,根据所述测试集的历史数据测试并优化所述水质预测模型,包括:

6.根据权利要求3所述的方法,其特征在于,按预设的滑动窗口宽度划分子序列作为特征序列,包括:

7.根据权利要求4所述方法,其特征在于,基于水质预测模型预测水质之前,包括:

8.根据权利要求4所述方法,其特征在于,基于SMF2模型预测水质,包括:

【技术特征摘要】

1.一种基于频域时域转换和季节性分解的水质指标预测方法,其特征在于,该方法包括如下步骤:

2.根据权利要求1所述的方法,其特征在于,基于历史的水质时间序列数据,训练水质预测模型,包括:

3.根据权利要求1所述方法,其特征在于,基于所述水质预测模型预测水质,包括:

4.根据权利要求2或权利要求3所述的方法,其特征在于,基于sg滤波、多周期季节性分解和基于频域时域转换的编码器-解码器网络...

【专利技术属性】
技术研发人员:毕敬李艺博王梓奇
申请(专利权)人:北京工业大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1