[發明專利]水質預測方法及系統

有效

• 申請號: 201710233920.1
• 申請日: 2017-04-11
• 公開（公告）號: CN107153874B
• 公開（公告）日: 2019-12-20
• 發明（設計）人: 李振波;吳靜;李晨;朱玲;岳峻;李道亮
• 申請（專利權）人: 中國農業大學
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06Q50/06
• 代理公司: 11002 北京路浩知識產權代理有限公司
• 代理人: 湯財寶

1.一種水質預測方法，其特征在于，包括：

步驟1，基于待預測水域水質參數歷史時間序列數據，利用ARIMA自回歸積分滑動平均模型，獲取所述待預測水域水質參數第一預測值；基于待預測水域歷史氣象因素時間序列數據和待預測水域水質參數歷史時間序列數據，利用BP神經網絡模型，獲取所述待預測水域水質參數第二預測值；

步驟2，將所述待預測水域水質參數第一預測值和所述待預測水域水質參數第二預測值在待預測各時間點的值進行相加,得到所述待預測水域的水質預測結果；

其中，所述步驟1進一步包括：

基于待預測水域水質參數歷史時間序列數據，利用ARIMA自回歸積分滑動平均模型，訓練得到水質線性數據預測模型；基于待預測水域水質參數的輸入數據，利用所述水質線性數據預測模型，獲取所述待預測水域水質參數第一預測值；

其中，所述步驟1進一步包括：

基于待預測水域水質參數歷史時間序列數據，利用LM-BP神經網絡模型，訓練得到水質非線性數據預測模型；基于待預測水域氣象因素時間序列數據的輸入數據，利用所述水質非線性數據預測模型，獲取所述待預測水域水質參數第二預測值；

其中，所述基于待預測水域水質參數歷史時間序列數據，利用ARIMA自回歸積分滑動平均模型，訓練得到水質線性數據預測模型的步驟進一步包括：

判斷待預測水域水質參數歷史時間序列數據的平穩性：經過d次差分處理，建立ARIMA(p,d,q)自回歸積分滑動平均模型；計算所述ARIMA(p,q)自回歸積分滑動平均模型的系數和階數；計算所述ARIMA自回歸積分滑動平均模型的參數；

其中，p為自回歸項；MA為移動平均，q為移動平均項數，d為時間序列成為平穩時所做的差分次數。

2.如權利要求1所述的方法，其特征在于，所述基于待預測水域歷史氣象因素時間序列數據和待預測水域水質參數歷史時間序列數據，利用BP神經網絡模型，訓練得到水質非線性數據預測模型的步驟進一步包括：

基于待預測水域歷史氣象因素時間序列數據和待預測水域水質參數歷史時間序列數據，利用反向傳播算法對BP神經網絡模型的權值和偏差進行反復的調整訓練，當網絡輸出層的誤差平方和小于閾值時，保存所述BP神經網絡模型的權值和偏差。

3.如權利要求1或2任一所述的方法，其特征在于，所述步驟1前還包括：刪除所述待預測水域歷史氣象因素時間序列數據和待預測水域水質參數歷史時間序列數據中的空缺值。

4.如權利要求1所述的方法，其特征在于，ARIMA自回歸積分滑動平均模型ARIMA自回歸積分滑動平均模型計算所述ARIMA自回歸積分滑動平均模型的參數的步驟后還包括：將建立ARIMA自回歸積分滑動平均模型過程中的出錯數據，結合所述待預測水域歷史氣象因素時間序列數據，利用LM-BP神經網絡模型，獲取所述待預測水域水質參數第二預測值。

5.如權利要求1所述的方法，其特征在于，所述基于待預測水域水質參數歷史時間序列數據，利用ARIMA自回歸積分滑動平均模型，訓練得到水質線性數據預測模型的步驟進一步包括：

S111，采用ADF單位根檢驗來判斷待預測水域水質參數歷史時間序列數據的平穩性：經過d次差分處理，建立ARIMA(p,d,q)自回歸積分滑動平均模型；

S112，利用自相關函數和偏自相關函數計算所述ARIMA(p,q)自回歸積分滑動平均模型的系數和階數；利用最小二乘法計算所述ARIMA自回歸積分滑動平均模型的參數。

6.如權利要求1所述的方法，其特征在于，所述步驟1前還包括：

S0，對待預測水域歷史氣象因素進行數據預處理，得到各氣象因素中主成分的以下值中至少一種：特征值、貢獻率和累計貢獻率。

7.一種水質預測方法系統，其特征在于，包括：

預測模塊，用于基于待預測水域水質參數歷史時間序列數據，利用ARIMA自回歸積分滑動平均模型，獲取所述待預測水域水質參數第一預測值；基于待預測水域歷史氣象因素時間序列數據和待預測水域水質參數歷史時間序列數據，利用BP神經網絡模型，獲取所述待預測水域氣象因素第二預測值；

疊加模塊，用于將所述待預測水域水質參數第一預測值和所述待預測水域水質參數第二預測值在待預測各時間點的值進行相加，得到所述待預測水域的水質預測結果；

其中，所述預測模塊進一步用于基于待預測水域水質參數歷史時間序列數據，利用ARIMA自回歸積分滑動平均模型，訓練得到水質線性數據預測模型；基于待預測水域水質參數的輸入數據，利用所述水質線性數據預測模型，獲取所述待預測水域水質參數第一預測值；

所述預測模塊進一步用于基于待預測水域水質參數歷史時間序列數據，利用LM-BP神經網絡模型，訓練得到水質非線性數據預測模型；基于待預測水域氣象因素時間序列數據的輸入數據，利用所述水質非線性數據預測模型，獲取所述待預測水域水質參數第二預測值；

其中，所述基于待預測水域水質參數歷史時間序列數據，利用ARIMA自回歸積分滑動平均模型，訓練得到水質線性數據預測模型具體包括：

判斷待預測水域水質參數歷史時間序列數據的平穩性：經過d次差分處理，建立ARIMA(p,d,q)自回歸積分滑動平均模型；計算所述ARIMA(p,q)自回歸積分滑動平均模型的系數和階數；計算所述ARIMA自回歸積分滑動平均模型的參數；

其中，p為自回歸項；MA為移動平均，q為移動平均項數，d為時間序列成為平穩時所做的差分次數。