[發明專利]基于多源遷移學習的水質預測方法

有效

• 申請號: 202110088922.2
• 申請日: 2021-01-22
• 公開（公告）號: CN112785058B
• 公開（公告）日: 2022-07-29
• 發明（設計）人: 周劍;陳陽;李鑫;程春玲;劉林峰;肖甫
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26;G06N3/04;G06N3/08;G06N20/10
• 代理公司: 南京正聯知識產權代理有限公司 32243
• 代理人: 王素琴

1.基于多源遷移學習的水質預測方法，其特征在于：所述方法包括如下步驟：

步驟1：根據水域中待預測監測點水質信息以及臨近監測點水質信息，構造基于多源遷移學習的水質預測框架，其由基于高斯卷積的水質特征提取網絡，基于瓶頸層的水質特征對齊網絡和基于回聲狀態網絡ESN的水質預測模型組成，并得到初步預測結果；

所述步驟1中，構造框架以及得到初步預測結果的具體步驟如下：

步驟1-1：收集水域中待預測監測點水質信息X_o，和n個臨近監測點水質信息({X_s1，X_s2，…，X_sj，…，X_sn})，其中X_sj為第j個臨近監測點水質信息；對n個臨近監測點和待預測監測點的水質信息通過Min-Max算法進行歸一化，得到n個臨近監測點歸一化后的水質信息其中為第j個臨近監測點歸一化后的水質信息，為待預測監測點歸一化后的水質信息；

步驟1-2：將n個臨近監測點和待預測監測點歸一化后的水質信息通過滑動窗口d進行劃分，得到n個臨近監測點劃分后的水質信息T_s＝{T_s1，T_s2，…，T_sj，…，T_sn}，其中為第j個臨近監測點t-1時刻劃分后的水質信息，為T_sj中t-k時刻歸一化后的水質信息；為待預測監測點t-1時刻劃分后的水質信息，其中為T_o中t-k時刻歸一化后的水質信息；

步驟1-3：構造基于高斯卷積的水質特征提取網絡，用于提取n個臨近監測點和待預測監測點的共同水質特征；基于高斯卷積的水質特征提取網絡F由高斯卷積核RBF^F，歸一化函數BatchNorm，線性整流函數Relu，最大池化層MaxPool，高斯卷積核RBF^F，歸一化函數BatchNorm，高斯卷積核RBF^F，歸一化函數BatchNorm，高斯卷積核RBF^F，歸一化函數BatchNorm，高斯卷積核RBF^F，歸一化函數BatchNorm組成；將劃分后的水質信息輸入F中，首先通過RBF^F卷積和BatchNorm歸一化，其次通過Relu激活，然后通過MaxPool池化，最后依次通過RBF^F卷積和BatchNorm歸一化，RBF^F卷積和BatchNorm歸一化，RBF^F卷積和BatchNorm歸一化，RBF^F卷積和BatchNorm歸一化，最終得到提取后的水質特征；輸入步驟1-2得到的n個臨近監測點和待預測監測點t-1時刻劃分后的水質信息至F中，計算n個臨近監測點和待預測監測點t-1時刻提取后的水質特征；具體公式如下：

其中，T_s為步驟1-2中n個臨近監測點t-1時刻劃分后的水質信息，T_o為步驟1-2中待預測監測點t-1時刻劃分后的水質信息，為n個臨近監測點t-1時刻提取后的水質特征，其中為第j個臨近監測點t-1時刻提取后的水質特征，為待預測監測點t-1時刻提取后的水質特征；

步驟1-4：構造第j個臨近監測點基于瓶頸層的水質特征對齊網絡H_j，用于對齊第j個臨近監測點和待預測監測點提取后的水質特征；第j個臨近監測點基于瓶頸層的水質特征對齊網絡H_j由高斯卷積核歸一化函數BatchNorm，高斯卷積核歸一化函數BatchNorm，高斯卷積核歸一化函數BatchNorm，線性整流函數Relu組成；將提取后的水質特征輸入H_j中，首先依次通過卷積和BatchNorm歸一化，卷積和BatchNorm歸一化，卷積和BatchNorm歸一化，然后通過Relu激活，最后得到對齊后的水質特征；在每個臨近監測點都采用同樣的網絡結構對齊提取后的水質特征，輸入步驟1-3中第j個臨近監測點和待預測監測點t-1時刻提取后的水質特征至H_j中，通過H_j計算第j個臨近監測點和待預測監測點t-1時刻對齊后的水質特征；具體公式如下：

其中，為步驟1-3得到的第j個臨近監測點t-1時刻提取后的水質特征，為步驟1-3得到的待預測監測點t-1時刻提取后的水質特征；T′_sj為第j個臨近監測點t-1時刻對齊后的水質特征，T′_oj為待預測監測點t-1時刻對齊后的水質特征；

步驟1-5：根據1-4中第j個臨近監測點和待預測監測點t-1時刻對齊后的水質特征構造樣本對，第j個臨近監測點樣本對U_sj＝{T′_sj，y_sj}，其中T′_sj為步驟1-4中得到的第j個臨近監測點t-1時刻對齊后的水質特征，y_sj為第j個臨近監測點t時刻的水質信息；待預測監測點樣本對U_oj＝{T′_oj，y_o}，其中T′_oj為步驟1-4中得到的待預測監測點t-1時刻對齊后的水質特征，y_o為待預測監測點t時刻的水質信息；將U_sj與Uoj合并，得到的作為第j個臨近監測點的基于ESN的水質預測模型的訓練集，其中為T′_sj和T′_oj合并后的水質特征，為y_sj和y_o合并后的水質信息；

步驟1-6：構造第j個臨近監測點的基于ESN的水質預測模型ESN_j，該模型由具有d個神經元的輸入層，具有r個神經元的儲備池和具有1個神經元的輸出層組成；在每個臨近監測點都采用同樣的預測模型結構對水質信息進行預測；輸入步驟1-5中合并后的水質特征至ESN_j中，根據ESN_j的計算公式得到預測結果；具體公式如下：

其中，為ESN_j中輸入層權重，為ESN_j中輸出層權重，為ESN_j中儲備池權重，Tanh(·)為雙曲正切函數，U_j(t)為ESN_j中儲備池狀態向量，為ESN_j的輸入，是步驟1-5得到的合并后的水質特征，為ESN_j的輸出，是通過ESN_j計算得到的預測結果；

步驟1-7：在每個臨近監測點執行步驟1-4、1-5、1-6，得到n個臨近監測點對齊后的特征和預測結果；

步驟2：根據步驟1得到的初步預測結果，優化基于多源遷移學習的水質預測框架中的預測參數；

步驟3：使用步驟2預測參數優化后的基于多源遷移學習的水質預測框架，得到最終的預測結果。