[發(fā)明專利]基于集成學習模型的水質預測方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202110923923.4
• 申請日: 2021-08-12
• 公開（公告）號: CN113780356B
• 公開（公告）日: 2023-08-08
• 發(fā)明（設計）人: 安新國;王正;鄒志強
• 申請（專利權）人: 北京金水永利科技有限公司
• 主分類號: G06N20/20
• 分類號: G06N20/20;G06N3/08;G01N33/18
• 代理公司: 北京卓特專利代理事務所(普通合伙) 11572
• 代理人: 段旺

1.一種基于集成學習模型的水質預測方法，其特征在于，該方法包括如下步驟：

獲取水質指標歷史數(shù)據(jù)；

提取水質指標歷史數(shù)據(jù)中的訓練數(shù)據(jù)集，針對訓練數(shù)據(jù)集分別構建自回歸積分滑動平均模型和時間序列預測模型，獲取兩個模型的水質指標綜合預測結果數(shù)據(jù)集；

提取水質指標綜合預測結果數(shù)據(jù)集中的結果訓練集，并將結果訓練集輸入到多層神經(jīng)網(wǎng)絡模型中，獲取第三模型水質指標預測結果數(shù)據(jù)集；

對水質指標綜合預測結果數(shù)據(jù)集和第三模型水質指標預測結果數(shù)據(jù)集進行融合，計算水質指標預測結果；

其中，對水質指標綜合預測結果數(shù)據(jù)集和第三模型水質指標預測結果數(shù)據(jù)集進行融合，計算水質指標預測結果的方法包括：

根據(jù)水質指標綜合預測結果數(shù)據(jù)集和第三模型水質指標預測結果數(shù)據(jù)集和水質指標真實結果序列，計算自回歸積分滑動平均模型、時間序列預測模型和多層神經(jīng)網(wǎng)絡模型的誤差值；

根據(jù)計算的模型的誤差值，水質指標綜合預測結果數(shù)據(jù)集和第三模型水質指標預測結果數(shù)據(jù)集，計算水質指標預測結果。

2.根據(jù)權利要求1所述的集成學習模型的水質預測方法，其特征在于，獲取兩個模型的水質指標綜合預測結果數(shù)據(jù)集的方法包括如下子步驟：

提取水質指標歷史數(shù)據(jù)中的訓練數(shù)據(jù)集；

針對訓練數(shù)據(jù)集構建自回歸積分滑動平均模型，得到第一模型水質指標預測結果數(shù)據(jù)集；

針對訓練數(shù)據(jù)集構建時間序列預測模型，得到第二模型水質指標預測結果數(shù)據(jù)集；

將第一模型水質指標預測結果數(shù)據(jù)集和第二模型水質指標預測結果數(shù)據(jù)集組合成水質指標綜合預測結果數(shù)據(jù)集。

3.根據(jù)權利要求2所述的集成學習模型的水質預測方法，其特征在于，第二模型水質指標預測結果數(shù)據(jù)集包括最大值預測結果數(shù)據(jù)集、最小值預測結果數(shù)據(jù)集以及預測結果數(shù)據(jù)集。

4.根據(jù)權利要求2所述的集成學習模型的水質預測方法，其特征在于，提取水質指標歷史數(shù)據(jù)中的訓練數(shù)據(jù)集的方法為：將水質指標歷史數(shù)據(jù)按照不同比例劃分為訓練數(shù)據(jù)集，驗證數(shù)據(jù)集和測試數(shù)據(jù)集，提取水質指標歷史數(shù)據(jù)劃分后的訓練數(shù)據(jù)集。

5.根據(jù)權利要求1所述的集成學習模型的水質預測方法，其特征在于，提取水質指標綜合預測結果數(shù)據(jù)集中的結果訓練數(shù)據(jù)集的方法包括：將水質指標綜合預測結果數(shù)據(jù)集按照不同比例劃分為結果訓練數(shù)據(jù)集、結果驗證數(shù)據(jù)集和結果測試數(shù)據(jù)集；提取劃分后的結果訓練數(shù)據(jù)集。

6.根據(jù)權利要求1所述的集成學習模型的水質預測方法，其特征在于，水質指標預測結果的計算公式如下：

其中，R表示水質指標預測結果；F()表示函數(shù)的符號；M_A表示自回歸積分滑動平均模型的輸出預測結果；M_f表示時間序列預測模型的輸出預測結果；M_n表示多層神經(jīng)網(wǎng)絡模型的輸出預測結果；ε_A表示自回歸積分滑動平均模型的誤差值；ε_f表示時間序列預測模型的誤差值；ε_n表示多層神經(jīng)網(wǎng)絡模型的誤差值；w₁表示自回歸積分滑動平均模型的輸出預測結果的權重參數(shù)；w₂表示時間序列預測模型的輸出預測結果的權重參數(shù)；w₃表示多層神經(jīng)網(wǎng)絡模型的輸出預測結果的權重參數(shù)；G表示參數(shù)。

7.根據(jù)權利要求6所述的集成學習模型的水質預測方法，其特征在于，預先根據(jù)最小二乘法，計算自回歸積分滑動平均模型、時間序列預測模型和多層神經(jīng)網(wǎng)絡模型的輸出預測結果的權重參數(shù)。

8.根據(jù)權利要求1所述的集成學習模型的水質預測方法，其特征在于，計算自回歸積分滑動平均模型、時間序列預測模型和多層神經(jīng)網(wǎng)絡模型的誤差值的方法包括：

根據(jù)水質指標綜合預測結果數(shù)據(jù)集，計算自回歸積分滑動平均模型和時間序列預測模型的誤差值；

根據(jù)第三模型水質指標預測結果數(shù)據(jù)集，計算多層神經(jīng)網(wǎng)絡模型的誤差值。

9.一種集成學習模型的水質預測系統(tǒng)，其特征在于，該系統(tǒng)包括:

第一獲取模塊，用于獲取水質指標歷史數(shù)據(jù)；

第二獲取模塊，用于提取水質指標歷史數(shù)據(jù)中的訓練數(shù)據(jù)集，針對訓練數(shù)據(jù)集分別構建自回歸積分滑動平均模型和時間序列預測模型，獲取兩個模型的水質指標綜合預測結果數(shù)據(jù)集；

第三獲取模塊，用于提取水質指標綜合預測結果數(shù)據(jù)集中的結果訓練集，并將結果訓練集輸入到多層神經(jīng)網(wǎng)絡模型中，獲取第三模型水質指標預測結果數(shù)據(jù)集；

水質指標預測模塊，用于對水質指標綜合預測結果數(shù)據(jù)集和第三模型水質指標預測結果數(shù)據(jù)集進行融合，計算水質指標預測結果；

其中，對水質指標綜合預測結果數(shù)據(jù)集和第三模型水質指標預測結果數(shù)據(jù)集進行融合，計算水質指標預測結果的方法包括：

根據(jù)水質指標綜合預測結果數(shù)據(jù)集和第三模型水質指標預測結果數(shù)據(jù)集和水質指標真實結果序列，計算自回歸積分滑動平均模型、時間序列預測模型和多層神經(jīng)網(wǎng)絡模型的誤差值；

根據(jù)計算的模型的誤差值，水質指標綜合預測結果數(shù)據(jù)集和第三模型水質指標預測結果數(shù)據(jù)集，計算水質指標預測結果。