[發明專利]一種河流水環境質量預測方法

在審

• 申請號: 202110091465.2
• 申請日: 2021-01-23
• 公開（公告）號: CN112966891A
• 公開（公告）日: 2021-06-15
• 發明（設計）人: 王照麗;姜國強;張倩;陳華
• 申請（專利權）人: 成都市環境保護科學研究院（成都市固體廢物管理中心）;中煜生態環境科技（廣州）有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q10/04;G06K9/62;G06N3/04;G06N3/08;G01N33/18
• 代理公司: 廣東省暢欣知識產權代理事務所(普通合伙) 44631
• 代理人: 耿佳

1.一種河流水環境質量預測方法，包括以下步驟：

S1、模型初始化：通過與在線監測設備不同水質指標傳感器建立通信，獲得在線數據；

S2、獲得水質指標歷史監測值：對監測水體、監測斷面、監測水質指標進行One-HotEncoding獨熱編碼；

S3、水質指標特性提取：通過對水質指標歷史監測值進行相關性分析、因子分析、聚物分析：

3-1、相關性分析：對監測斷面、監測水質指標進行水質指標相關性分析，獲得各監測斷面監測水質指標相關關系；

3-2、因子分析：對監測斷面、監測水質指標進行水質指標因子分析，獲得各監測斷面及監測水質指標主要因子；

3-3、聚類分析：通過主要因子數對監測斷面、監測時間進行聚類分析，獲得各監測斷面、監測時間類別；

3-4、選擇分析后的監測斷面、監測時間、監測水質指標；

S4、模型訓練：對通過相關性分析、聚類分析得到的監測斷面、監測水質分別進行SARIMA、ANN、LSTM算法模擬預測，將算法預測得到的數據與相對應的水質指標數據進行對比；

S5、分別統計SARIMA、ANN、LSTM算法模擬精度，判斷SARIMA、ANN、LSTM算法預測模型誤差率是否小于設定閾值的30%；如果預測模型誤差率小于設定閾值的30% ，則歸于優化模型池，直接進行下一步；如果預測模型誤差率大于設定閾值的30% ，則歸于休眠模型池；

S6、根據模擬精度，確定優化模型池中最優模型，判斷SARIMA、ANN、LSTM算法預測模型是否重新優化參數，如果優化模型池中最優模型誤差率大于設定閾值的30%，則返回S4，重新進行SARIMA、ANN、LSTM算法預測模型模型訓練，優化參數；如果優化模型池中最優模型誤差率小于設定閾值的30%，則直接進行下一步；

S7、水質預測實時運用時，采用雙線程法，水質預測采用最優模型進行實時預測預警，同時采用其他算法模擬；

S8、統計水質預測實時運用優化模型池中模型模擬精度，同時動態跟蹤預測精度調整最優預測模型；

S9、重復統計水質預測實時運用優化模型池中模型模擬精度，且同時動態跟蹤預測精度調整最優預測模型，將水質預測進行實時運用。

2.根據權利要求1所述的一種河流水環境質量預測方法，其方法在于，水質特征提取是通過因子分析、聚類分析、相關性分析，將水質變化相似的監測斷面視為一類，分析這類監測斷面對應主要污染指標以及主要污染指標相關聯指標；將主要污染指標與相關性指標一起都作為輸入指標，通過指標之間的聯系以及時間序列前后數據的相關性進行主要污染指標的預測，從而提高預測精度。

3.根據權利要求1所述的一種河流水環境質量預測方法，其方法在于，所述聚類分析采用歐氏距離d，第個對象和第個對象的距離可由下列公式計算，其中對象是水質監測斷面，對各斷面之間相同的水質參數進行對應計算：

；

式中：為第個對象的第個屬性值，其中第個對象為水質斷面或月份；為第個對象的第個屬性值，其中第個對象水質斷面或月份；第個屬性值為水質指標值；d表示鄰近水質監測斷面之間的水質變化程度，值越高表示鄰近水質監測之間水質變化快。

4.根據權利要求1所述的一種河流水環境質量預測方法，其方法在于，所述因子分析由下式表示：

；

式中：為因子荷載，指因子旋轉后各變量對該因子的影響程度；為共同因子；為總樣本數目；為累積誤差余項；為提取出的因子數目。

5.根據權利要求1所述的一種河流水環境質量預測方法，其方法在于，皮爾遜相關系數的計算公式如下：

；

相關系數的顯著性檢驗，用樣本相關系數r作為總體相關系數ρ的估計值，而r僅說明樣本數據的X與Y的相關程度。

6.根據權利要求1所述的一種河流水環境質量預測方法，其方法在于，所述訓練模型是將歷史水質數據隨機拆分為不均等兩份，多的部分數據作為訓練集，少的為測試集；在訓練集中建立的SARIMA、ANN、LSTM算法模型；將模型作用于測試集，實時反饋測試結果并進行不斷的模型優化。

7.根據權利要求1所述的一種河流水環境質量預測方法，其方法在于，選擇最優預測模型通過SARIMA、ANN、LSTM算法模型的訓練及預測，計算三種模型的預測值與實際值的平均誤差率、均方根誤差，且根據預測值n的增加動態更新，模型的預測值與實際值均方根誤差和平均誤差率越小，則模型越好：

平均誤差率=；

均方根誤差=；

其中：

Xi表示模型預測值；

Yi表示實際預測值；

n表示預測值的個數，且隨著動態更新。