[發明專利]一種基于人工智能的水污染報警等級識別方法

在審

• 申請號: 202010973023.6
• 申請日: 2020-09-16
• 公開（公告）號: CN112101789A
• 公開（公告）日: 2020-12-18
• 發明（設計）人: 程雨涵;梁漫春;錢益武;李梅;李楚;王清泉;曹毅;孔美玲;龔柳;肖鑫鑫;王康林
• 申請（專利權）人: 清華大學合肥公共安全研究院;安徽澤眾安全科技有限公司;北京辰安測控科技有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q10/04;G06Q50/26;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 合肥市浩智運專利代理事務所(普通合伙) 34124
• 代理人: 張祥

1.一種基于人工智能的水污染報警等級識別方法，其特征在于：包括以下步驟：

步驟A：獲取水環境入口節點影響因子的歷史數據，對歷史數據進行異常值剔除和缺失值填充操作；

步驟B：基于時間序列標記各節點影響因子對應的風險等級，結合歷史數據得到風險標簽數據，將風險標簽數據按比例劃分為訓練集和測試集；

步驟C：搭建深度學習模型，配置模型參數，將訓練集數據輸入深度學習模型，通過參數優化，當訓練模型的準確度滿足輸出標準時，輸出訓練后的模型；

步驟D：使用測試集對訓練后的深度學習模型進行測試，如果測試結果不滿足預設標準，則返回步驟C，如果滿足預設標準，則作為水污染報警等級識別模型；

步驟E：將各入口節點的實時數據輸入水污染報警等級識別模型，得到水污染報警等級。

2.根據權利要求1所述的一種基于人工智能的水污染報警等級識別方法，其特征在于：所述影響因子包括水質數據和水量數據，所述水質數據包括物理指標、常規水質指標、金屬含量、無機物含量、有機物含量、微生物含量、輻射量；所述水量數據包括水位、流量、流速。

3.根據權利要求1所述的一種基于人工智能的水污染報警等級識別方法，其特征在于：步驟A中基于箱線圖或三倍標準偏差法檢測異常值，對極端異常值進行剔除；基于缺失值前后多個數據的平均值對缺失值進行填充。

4.根據權利要求1所述的一種基于人工智能的水污染報警等級識別方法，其特征在于：步驟C中基于決策樹搭建深度學習模型，訓練方法包括以下步驟：

步驟i：調用決策樹模型，選擇基尼系數或信息增益作為模型的特征指標計算方法；

步驟ii：設置決策樹各參數的序列值列表，包括最大深度、葉子節點最少樣本數、最大葉子節點數，將風險標簽數據的訓練集輸入決策樹模型，依據序列值列表逐個更新每個參數，并保持其他參數不變，以準確率和召回率最優值對應的數值作為當前參數的最優值，依次確定每個參數的最優值，基于迭代后的最高準確率和召回率評價指標確定決策樹的最佳參數組合；

步驟iii：基于最佳模型參數組合，使用測試集數據對決策樹模型進行測試，并將輸出結果與步驟B中標定的風險等級進行比對；如果正確率≥90％，則將該最佳參數組合對應的決策樹作為水污染報警等級識別模型輸出，否則返回步驟ii。

5.根據權利要求4所述的一種基于人工智能的水污染報警等級識別方法，其特征在于：搜準確率的計算公式為：

召回率計算公式為：

其中，TP表示真實結果為A，預測結果也是A的數量，FN表示真實結果為A，預測結果不是A的數量；TN表示真實結果不是A，預測結果也不是A的數量，FN表示真實結果不是A，預測結果是A的數量。

6.根據權利要求1所述的一種基于人工智能的水污染報警等級識別方法，其特征在于：步驟C中基于隨機森林搭建深度學習模型，訓練方法包括以下步驟：

步驟I：調用隨機森林模型，配置參數n_estimators、max_features、max_depth、max_features、min_samples_leaf、min_samples_split、max_depth的序列值列表；

步驟II：將風險標簽數據的訓練集輸入隨機森林模型，基于序列值列表依次更新參數n_estimators、max_features、max_depth、max_features、min_samples_leaf、min_samples_split、max_depth；基于最高準確率和召回率評價指標確定隨機森林的最佳參數組合；

步驟III：基于最佳模型參數組合，使用測試集數據對隨機森林模型進行測試，并將輸出結果與步驟B中標定的風險等級進行比對；如果正確率≥90％，則將該最佳參數組合對應的決策樹作為水污染報警等級識別模型輸出，否則返回步驟II。