[發明專利]一種基于時間序列模型的水質預測方法及系統

在審

• 申請號: 201911355541.5
• 申請日: 2019-12-25
• 公開（公告）號: CN113033861A
• 公開（公告）日: 2021-06-25
• 發明（設計）人: 潘敏;余松森;陳遠存;黃文俊;蔡岳城
• 申請（專利權）人: 廣東奧博信息產業股份有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06F30/20;G06N3/12;G06F111/10
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 蔡偉杰

本發明公開了一種基于時間序列模型的水質預測方法及系統，結合遺傳算法對水質時間序列數據進行時間片段進行優化，然后將優化后的時間片段數據作為單條數據送入模型訓練；結合注意力機制在模型的編解碼階段，對水質數據實現多層注意力機制，并引入外部信息實現聯合建模，實現最終的水質數據預測；本發明使用遺傳算法的自動優化方法來解決解決最佳時間序列滑動窗口的問題，提升了最終的預測效果。并且實現了全自動化的時序預測過程，極大的節省了時間成本，提高預測效率。

技術領域

本公開涉及機器學習技術、水質監測技術領域，具體涉及一種基于時間序列模型的水質預測方法及系統。

背景技術

河流水質預測是河流水質管理過程中的一個重要環節，河流水質預測的結果將會直接影響到環境監管部門對河流進行監測預警與污染防范的準確度。當前在大多數河流水質預測方案中主要是通過統計學模型或機器學習模型來對河流水質的時間序列進行分析預測，但是都不能將預測過程中的準確度大幅提升，且在時間序列進行樣本訓練時，不能夠自動選擇最佳的水質時間序列片段長度傳入模型進行訓練，而是需要在人工干預下手動選擇時間序列片段的長度。早期的研究與實驗中發現，在水質時間序列較為完整的情況下，采用單步(每次訓練的時間序列為一個長度，即步長為1)訓練在這方面能夠取得一定的預測效果。但是如果出現時間序列中某些時間點有缺失或時間序列采集的時間跨度不一時，水質預測的準確度會大幅下降?？梢妼τ谒|時間序列數據直接進行單步預測的效果并不理想，關鍵還是要通過滑窗法選取合適的水質時間序列片段進行訓練，才能取得較為準確的預測效果。其次，在河流水質預測的實踐中，絕大多數算法在長時間序列預測方面的效果較差，主要原因是在長時間序列預測時，由于沒有對時間序列數據中的主要預測任務進行權重化，即未對需要進行預測的任務重點關注，這導致在模型訓練中，無法判別哪些信息是模型真正需要的，哪些是不必要的，這就極大地影響了長時間序列預測最終的效果。所以，實現一個能夠自動篩選最佳時間序列片段長度以及在長時間片段進行針對性信息保留訓練的模型是非常有意義的。

現有的河流水質預測模型都是基于統計學中的ARIMA模型或機器學習中的SVR模型對河流水質進行長短期預測，由于河流水源與外界環境交互的多因素性，導致河流水質狀況趨勢呈現非規律性，上述兩種模型在進行水質長時間序列預測時，會導致針對水質指標的信息丟失，同時由于訓練時時間窗口大小的選擇，對后續的預測精度也會帶來一定影響，如ARIMA模型進行水質預測時，只能針對穩定的水質時序數據進行預測，且本質上只能捕捉水質多個特征的線性關系，SVR模型提出的對水質進行預測，會利用滑動窗口方法進行時序長度選擇，但是一般該模型的滑動窗口長度固定，即時序長度是固定的。對于不同河流的時間序列，無法做到自適應獲取最佳的時序長度。然而在實際情況中，絕大多數的水質預測場景都會出現不同的河道以及不同的外界交互因素，因而對于水質時間序列預測任務，這些方法都不能充分解決這樣的實際問題。水質時間序列預測任務需要考慮到在不同河流場景下長時間預測的準確性問題，在對河流中遠期水質進行預測時應該做到預測中有效信息的保留以及預測的準確。因此需要綜合考慮預測模型在水質時間序列上的最佳長度及抑制長時間序列信息丟失問題。本發明旨在通過結合深度學習方法與元啟發式算法(遺傳算法)的混合方法，將水質時間序列的切片長度進行合理選擇，同時在水質模型中加入Attention機制，以自動化的方法選擇最佳切片長度及有效抑制長時間序列信息丟失問題，并且也保證能產生有效的結果。從現有的技術中發現，它們都是基于統計學方法或機器學習方法來實現河流水質時間序列數據預測的，且最終的水質預測效果也不夠理想。另外，對于時間序列片段長度(最佳時間序列滑動窗口大小)的選擇，現有的技術不能很好的解決，只能通過人工干預的方法解決此類問題。

發明內容