[發明專利]一種基于多層循環神經網絡和D-S證據理論的水質參數預測方法

有效

• 申請號: 201810323080.2
• 申請日: 2018-04-11
• 公開（公告）號: CN108764520B
• 公開（公告）日: 2021-11-16
• 發明（設計）人: 蔣鵬;李雷;許歡;余善恩;林廣
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/08
• 代理公司: 浙江千克知識產權代理有限公司 33246
• 代理人: 周希良

1.一種基于多層循環神經網絡和D-S證據理論的水質參數預測方法，其特征在于：該方法包括以下步驟：

步驟1：對采集的水質參數樣本進行預處理：所述水質參數樣本為水質參數含量的歷史數據，將數據集按照“留出法”劃分成訓練集和測試集；采用最大最小法分別對訓練集和測試集進行歸一化處理，轉化為[0,1]之間的值；

步驟2：初始化LSTM、GRU、SRN三種多層RNN模型的結構：三種多層RNN模型的隱藏層均為兩層，最大迭代次數為200，激活函數為tanh函數，每個隱藏層神經元個數相同；

步驟3：采用隨時間進行反向傳播算法利用步驟1預處理后的訓練集對LSTM模型、GRU模型和SRN模型中的循環層進行訓練，具體如下：

1).前向計算每個神經元的輸出值；

2).反向計算每個神經元的誤差項值，它是損失函數對神經元加權輸入的偏導數；

3).計算每個權重的梯度，再用批量梯度下降算法更新權重，判斷損失函數是否收斂或者是否達到最大迭代次數，損失函數未收斂且未達到最大迭代次數則返回第1)步，否則結束訓練；

步驟4：利用步驟3訓練好的LSTM模型、GRU模型和SRN模型對水質參數進行預測，分別得到三種模型在預測時刻的初步預測結果P₁，P₂，P₃；

步驟5：對水質參數的歷史數據進行自相關分析，獲取合適的證據個數，具體如下：

1).計算自相關系數r_k，計算函數如下：

式(1)中c₀是時間序列的樣本方差，計算如下：

式(1)中c_k為中間變量，計算如下：

式(2)和式(3)中，T是樣本總量，y_t是樣本在t時刻的實際值，是樣本的均值，可由下式計算：

2).根據r_k的值，得到與預測時刻值相關度較大的時間間隔，即r_k0.8時的k的取值，將此時k的值作為證據理論的證據個數；

步驟6：根據D-S證據理論對步驟4中LSTM模型、GRU模型、SRN模型在預測時刻的預測結果P₁，P₂，P₃進行融合，獲取最終預測結果，具體如下：

1).以LSTM模型、GRU模型、SRN模型對預測時刻的預測結果(P₁，P₂，P₃)作為D-S證據理論中的辨識框架Θ＝{P₁，P₂，P₃}，計算三種模型在預測時刻前k個時間單位對應的預測殘差：

e_ji＝P_ji-R_j (5)

式(5)中R_j為距離預測時刻前j個時間單位的實際觀測值，P_ji為第i個模型距離預測時刻為j個時間單位的預測結果，i＝1,2,3，j＝1,2,...,k；

2).計算距離預測時刻為j個時間單位時LSTM模型、GRU模型、SRN模型預測結果所占的權重，并將該權重作為證據理論中各個證據中的概率分配函數值m'_j(P₁),m'_j(P₂),m'_j(P₃)，第i種模型距離預測時刻為j個時間單位預測結果所占權重w_ji的具體計算如下：

3).利用沖突解決方案對第2)步得到的分配概率m'_j(P₁),m'_j(P₂),m'_j(P₃)進行重新分配，并得到最終的概率分配：m_j(P₁),m_j(P₂),m_j(P₃),m_j(Θ)，其中m_j(Θ)表示第j個證據經過沖突解決之后存在的不確定概率；

4).利用D-S證據理論對k個證據的最終概率分配m_j(P₁),m_j(P₂),m_j(P₃),m_j(Θ)，進行融合，得到三種模型預測結果最終的概率分布m(P₁),m(P₂),m(P₃),m(Θ)；其中融合公式如下：

式(7)中代表證據間的沖突程度；

5).利用三種模型預測結果的概率分布m(P₁),m(P₂),m(P₃),m(Θ)計算最終的預測輸出P，計算公式如下：

P＝m(P₁)P₁+m(P₂)P₂+m(P₃)P₃+m(Θ)P_Θ (8)

式(8)中