[發明專利]一種基于混合模型組合算法的多特征水質預測方法

在審

• 申請號: 201910681939.1
• 申請日: 2019-07-26
• 公開（公告）號: CN110619418A
• 公開（公告）日: 2019-12-27
• 發明（設計）人: 熊慶宇;徐瑞;吳超;易華玲;王凱歌;王楷
• 申請（專利權）人: 重慶大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06F17/50;G06N3/04
• 代理公司: 50214 重慶中流知識產權代理事務所(普通合伙)
• 代理人: 胡長生

本發明涉及水質環境測量領域，本發明提出的一種基于混合模型組合算法的多特征水質預測方法，包括：S1、建立水質預測數據集；S2、對數據集進行預處理，包括去噪、缺失值填充和數據歸一化操作；S3、基于SARIMA和LSTM組合多特征預測方法構建水質預測模型；S4、使用上述水質預測模型預測未來一段時間內水質變化趨勢。該方法將序列分為兩部分來處理，其中SARIMA算法處理目標序列線性信息，LSTM算法結合水質和天氣影響因素來處理目標序列復雜多變的非線性部分信息，最后對兩部分信息做融合得到完整預測值。

技術領域

本發明涉及水質環境測量領域，具體涉及一種基于SARIMA和LSTM組合算法的多特征水質預測方法。

背景技術

現代科技的進步發展是以自然資源的不斷消耗為代價的，水質環境保護在當代社會顯得越來越重要。在實際工作中，水質監測主要還是依靠人工判斷，缺乏有效的預警體系，且監察不當容易導致環境的惡性發展，因此，環境保護工作中發展更敏捷、更智能的監測手段也變得越來越有必要。

目前智能檢測方法使用技術主要分為了傳統時間序列預測方法、機器學習方法、深度學習方法及各類組合方法。傳統時間序列預測方法能夠利用數據間的線性關系，很好地捕捉其線性動態發展趨勢，因其簡單、易操作的特性，此類模型在時間序列預測領域應用非常廣泛，但是，對于復雜非線性特征，它無法捕捉到不穩定數據間的規律，因此傳統時序模型還是存在不足。例如，單獨的SARIMA 算法擅長于線性預測，不能很好地處理數據中非線性信息，而LSTM算法雖然具有強大的數據挖掘能力，但模型訓練復雜度高，且因數據量大小限制，容易造成模型過度擬合。

由于水環境生態系統組成成分復雜，水質影響因素通常會表現為某一個特征內具有較強時間依賴性，特征之間又有相互作用、相互反映的特性。但目前的水質預測方法中，包括傳統時間序列預測方法、機器學習方法以及深度學習方法，都只針對水質中某一個因素做預測，而忽略了與其緊密關聯的其他影響因素。

發明內容

本發明的目的是提供一種基于混合模型組合算法的多特征水質預測方法，其避免了LSTM算法需要大量數據樣本的局限性，同時，既可以利用好SARIMA算法的線性部分處理優勢，得到一個可解釋性線性預測結果，又能夠在此基礎上，通過LSTM算法融合目標預測特征的相關天氣、水質影響因素，抓取在SARIMA算法中被忽視的非線性信息，對數據非線性部分做單獨處理，在兩部分信息都被充分挖掘的情況下，得到一個更精確的預測值。

本發明提出的一種基于混合模型組合算法的多特征水質預測方法，包括：

S1、建立水質預測數據集；

S2、對數據集進行預處理，包括去噪、缺失值填充和數據歸一化操作；

S3、基于SARIMA和LSTM組合多特征預測方法構建水質預測模型；

S4、使用上述水質預測模型預測未來一段時間內水質變化趨勢。

本發明一種基于混合模型組合算法的多特征水質預測方法的有益效果：該方法將序列分為兩部分來處理，其中SARIMA算法處理目標序列線性信息，LSTM算法結合水質和天氣影響因素來處理目標序列復雜多變的非線性部分信息，最后對兩部分信息做融合得到完整預測值。這樣選擇是由于SARIMA算法擅長于線性預測，不能很好地處理數據中非線性信息，而LSTM算法雖然具有強大的數據挖掘能力，但模型訓練復雜度高，且因數據量大小限制，容易造成模型過擬合。故選擇引入LSTM算法輔助SARIMA算法提高其預測精度，該混合算法從理論上來說，首先避免了LSTM算法需要大量數據樣本的局限性，同時，既可以利用好SARIMA 算法的線性部分處理優勢，得到一個可解釋性線性預測結果，又能夠在此基礎上，通過LSTM算法抓取在SARIMA算法中被忽視的非線性信息，對數據非線性部分做單獨處理，在兩部分信息都被充分挖掘的情況下，得到一個更精確的預測值。因此，該方法能夠使訓練出的模型具有更優的擬合效果，在實際水質預測過程中取得更好的精度。