[發明專利]基于參數遷移的水質預測方法

在審

• 申請號: 202210108885.1
• 申請日: 2022-01-28
• 公開（公告）號: CN114493017A
• 公開（公告）日: 2022-05-13
• 發明（設計）人: 周劍;安浩;李鑫;李群;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;G06F30/27
• 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.基于參數遷移的水質預測方法，其特征在于：所述方法包括如下步驟：

步驟1：根據水域中目標監測站的水質信息與臨近監測站的水質信息，分別建立基于RVFL神經網絡的目標監測站水質預測模型與基于RVFL神經網絡的臨近監測站水質預測模型，使用目標監測站水質訓練集和臨近監測站水質訓練集分別訓練目標監測站和臨近監測站水質預測模型；

步驟2：根據步驟1訓練得到的目標監測站和臨近監測站模型參數，對目標監測站模型和臨近監測站模型之間進行參數遷移，得到遷移后的目標監測站水質預測模型；

步驟3：使用步驟2得到的遷移后的目標監測站水質預測模型分別進行水質預測，并對預測結果進行加權平均，得到最終水質預測結果。

2.根據權利要求1所述的基于參數遷移的水質預測方法，其特征在于：所述步驟1中，建立并訓練水質預測模型的具體步驟如下：

步驟1-1：收集目標監測站水質信息X_p和n個臨近監測站水質信息{X_s1，X_s2，…，X_si，…，X_sn}，其中，X_si為第i個臨近監測站的水質信息；將目標監測站和n個臨近監測站水質信息通過滑動窗口d進行劃分，得到目標監測站前t-d時刻的水質信息T_p(t)＝{x_p(t-1)，x_p(t-2)，…，x_p(t-j)，...，x_p(t-d)}和第i個臨近監測站前t-d時刻的水質信息T_si(t)＝{x_si(t-1)，x_si(t-2)，…，x_si(t-j)，...，x_si(t-d)}，其中，x_p(t-j)為目標監測站t-j時刻的水質信息，x_si(t-j)為第i個臨近監測站t-j時刻的水質信息；構造S_p＝{T_p(t)，y_p(t)}為目標監測站水質樣本集，y_p(t)＝x_p(t)為目標監測站第t時刻的水質信息觀測值；構造S_si＝{T_si(t)，y_si(t)}為第i個臨近監測站的水質樣本集，y_si(t)＝x_si(t)為第i個臨近監測站第t時刻的水質信息觀測值；

步驟1-2：構造目標監測站的基于RVFL的水質預測模型RVFL_p，構造n個臨近監測站的基于RVFL的水質預測模型RVFL_s1，RVFL_s2，...，RVFL_si，...，RVFL_sn；目標監測站和n個臨近監測站的預測模型結構一致，都包括具有d個神經元的輸入層，具有L個神經元的隱藏層和具有1個神經元的輸出層；模型的輸入為前t-d時刻的水質信息，模型輸出為第t時刻的水質信息；使用目標監測站水質樣本集S_p＝{T_p(t)，y_p(t)}對目標監測站模型使用共軛梯度法進行訓練，得到1個目標監測站輸出權值β_p，訓練公式為：

其中，I為單位矩陣，Y_p＝(y_p(t-1)，...y_p(t-j)，...，y_p(t-d))為目標監測站水質信息觀測值向量，y_p(t-j)＝x_p(t-j)為第t-j時刻的目標監測站水質信息觀測值，λ為常數；H_p是目標監測站RVFL_p隱藏層輸出矩陣，表示為：

其中，ω_L和b_L分別為第j個隱藏節點的輸入權值和輸入偏置，x_p(t-d)為目標監測站第t-d時刻的水質信息；

使用n個臨近監測站水質樣本集S_s1，S_s2，...，S_si，...S_sn分別對n個臨近監測站模型訓練得到n個臨近監測站輸出權值β_s＝{β_s1，β_s2...，β_si，...，β_sn}；其中，β_si為第i個臨近監測站模型輸出權值。