[發明專利]基于集成學習模型的水質預測方法及系統

有效

• 申請號: 202110923923.4
• 申請日: 2021-08-12
• 公開（公告）號: CN113780356B
• 公開（公告）日: 2023-08-08
• 發明（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

本申請提供一種基于集成學習模型的水質預測方法及系統，該方法包括如下步驟：獲取水質指標歷史數據；提取水質指標歷史數據中的訓練數據集，針對訓練數據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，獲取水質指標綜合預測結果數據集；提取水質指標綜合預測結果數據集中的結果訓練集，并將結果訓練集輸入到多層神經網絡模型中，獲取第三模型水質指標預測結果數據集；根據水質指標綜合預測結果數據集和第三模型水質指標預測結果數據集，計算水質指標預測結果。本申請實現了提高水質預測的精準度和水質預測效果，適用于所有站點的水質預測。

技術領域

本申請涉及水質監測技術領域，尤其涉及一種基于集成學習模型的水質預測方法及系統。

背景技術

水質預測對水環境管理具有重要的指導作用。目前有很多方法進行水質的預測，例如利用過去時刻的滑動均值或者過去同一時期的數據作為預測值。除此之外，水質監測數據作為一種具有時間序列屬性的數據，也可利用基于統計的時間序列模型和基于機器學習的模型進行預測。

考慮到影響水環境的因素較多，單一模型無法精準學習到水質監測數據本身的規律，也就無法做到精準的預測。而基于神經網絡的深度學習模型，因為其可以模擬較復雜的數據之間的非線性關系，容易發生過擬合，泛化能力較差，也無法進行精準的預測。再者就是水質站點較多，單一的模型架構并不能很好的在所有站點應用。

發明內容

本申請的目的在于提供一種基于集成學習模型的水質預測方法及系統，實現了提高水質預測的精準度和水質預測效果，適用于所有站點的水質預測。

為達到上述目的，本申請提供一種基于集成學習模型的水質預測方法，該方法包括如下步驟：獲取水質指標歷史數據；提取水質指標歷史數據中的訓練數據集，針對訓練數據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據集；提取水質指標綜合預測結果數據集中的結果訓練集，并將結果訓練集輸入到多層神經網絡模型中，獲取第三模型水質指標預測結果數據集；對水質指標綜合預測結果數據集和第三模型水質指標預測結果數據集進行融合，計算水質指標預測結果。

如上的，其中，獲取兩個模型的水質指標綜合預測結果數據集的方法包括如下子步驟：提取水質指標歷史數據中的訓練數據集；針對訓練數據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據集；針對訓練數據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據集；將第一模型水質指標預測結果數據集和第二模型水質指標預測結果數據集組合成水質指標綜合預測結果數據集。

如上的，其中，第二模型水質指標預測結果數據集包括最大值預測結果數據集P_fm、最小值預測結果數據集P_fn以及預測結果數據集P_f。

如上的，其中，提取水質指標歷史數據中的訓練數據集的方法為：將水質指標歷史數據按照不同比例劃分為訓練數據集，驗證數據集和測試數據集，提取水質指標歷史數據劃分后的訓練數據集。

如上的，其中，提取水質指標綜合預測結果數據集中的結果訓練數據集的方法包括：將水質指標綜合預測結果數據集按照不同比例劃分為結果訓練數據集、結果驗證數據集和結果測試數據集；提取劃分后的結果訓練數據集。

如上的，其中，對水質指標綜合預測結果數據集和第三模型水質指標預測結果數據集進行融合，計算水質指標預測結果的方法包括：根據水質指標綜合預測結果數據集和第三模型水質指標預測結果數據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網絡模型的誤差值；根據計算的模型的誤差值，水質指標綜合預測結果數據集和第三模型水質指標預測結果數據集，計算水質指標預測結果。

如上的，其中，水質指標預測結果的計算公式如下：