[發明專利]一種預測水體葉綠素濃度的深層自編碼時間卷積網絡方法

在審

• 申請號: 202310356310.6
• 申請日: 2023-04-06
• 公開（公告）號: CN116362295A
• 公開（公告）日: 2023-06-30
• 發明（設計）人: 陳穎;李梟;宋文揚;許崇軒;張洪波;吳震
• 申請（專利權）人: 燕山大學
• 主分類號: G06N3/0455
• 分類號: G06N3/0455;G06N3/0464;G06N3/049;G06N3/08;G06F18/10
• 代理公司: 石家莊眾志華清知識產權事務所(特殊普通合伙) 13123
• 代理人: 張建

本發明公開一種預測水體葉綠素濃度的深層自編碼時間卷積網絡方法，屬于水質數據分析技術領域，包括數據預處理模塊、特征提取單元、剩余連接和全連接輸出層；數據預處理模塊接收原始數據，依次進行異常值判斷并用空值標記，缺失值填補和特征選擇，傳送給特征提取單元，特征提取單元接收預處理過的數據，首先通過自動編碼器編碼提取空間特征，其次通過因果擴張卷積提取時間特征，得到細尺度的時空特征然后傳送給中間特征提取單元，中間特征提取單元接收細尺度時空特征，中間特征提取單元的擴張因子變大，細尺度時空特征變為粗尺度時空特征，經過所有中間特征提取單元，綜合時空特征傳送到全連接輸出層，全連接輸出層接收綜合時空特征輸出預測結果。

技術領域

本發明屬于水質數據分析技術領域，尤其是一種預測水體葉綠素濃度的深層自編碼時間卷積網絡。

背景技術

早期葉綠素濃度預測使用生態動力學方法，基于對流-擴散方程建立模型。利用該方法預測研究營養鹽和光照強度對葉綠素濃度的影響，從而判斷葉綠素濃度與浮游植物細胞數量的關系，預測浮游植物細胞數量。并判斷是否可能形成赤潮。該類方法考慮了自然界中多種因素間的相互作用，但生態動力學模型眾多參數的設定十分依賴專業人員對于特定問題的經驗，一般難以找到合適的參數，建模并不容易。隨著人工神經網絡的發展，人們開始使用ANN算法進行水庫葉綠素預測。RNN的出現給時間序列建模打開了新大門。隨后相繼出現的LSTM和GRU都是RNN的改進版本，LSTM在一定程度上緩解了RNN的梯度傳遞問題，GRU則是LSTM的精簡版本，更容易訓練和部署。其中LSTM在水體參數預測應用中最為廣泛，其改進網絡層出不窮。

毫無疑問LSTM及其衍生模型能夠記住大量的長期信息，但是他們順序路徑計算的方式沒有改變，在記憶能力上依然受到限制。

訓練具有循環模式的網絡對硬件的要求非常高。即便不需要快速訓練網絡時，仍然會耗費大量資源。每一個LSTM的單元里都意味著有4個全連接層(MLP)，如果LSTM的時間跨度大，網絡又很深，這個計算量會很大很耗時。

通用卷積結構能規避上述循環神經網絡結構的不足。雖然通用卷積可以解決長期記憶的問題，但是其處理不同參數間復雜關系的能力欠缺。最終導致預測準確度不高。

水體葉綠素濃度預測為多元時間序列預測問題。多元時間序列存在復雜的非線性關系。這種復雜的非線性關系既包括序列與序列間的空間影響關系，也包括序列末端對歷史序列的時間依賴關系。如何有效的學習到這種復雜的非線性關系是預測模型的重大挑戰，也是提高模型預測精度的關鍵。

發明內容

本發明需要解決的技術問題是提供一種能夠學習到多元水質數據中復雜非線性時空關系的葉綠素濃度預測模型，提出了一種深層自編碼時間卷積網絡預測模型，通過自動編碼器充分提取空間特征，通過時間卷積層提取多尺度時間特征，充分利用數據信息，預測準確度高。

為解決上述技術問題，本發明所采用的技術方案是：

一種預測水體葉綠素濃度的深層自編碼時間卷積網絡方法，包括數據預處理模塊、特征提取單元，剩余連接和全連接輸出層；數據預處理模塊接收原始數據，依次進行異常值判斷并用空值標記，缺失值填補和特征選擇，然后傳送給特征提取單元，特征提取單元接收預處理過的數據，首先通過自動編碼器編碼提取空間特征，其次通過因果擴張卷積提取時間特征，得到細尺度的時空特征，然后傳送給中間特征提取單元，中間特征提取單元接收細尺度時空特征，中間特征提取單元的擴張因子變大，細尺度時空特征變為粗尺度時空特征，經過所有中間特征提取單元，綜合時空特征傳送到全連接輸出層，全連接輸出層接收綜合時空特征，輸出預測結果。

一種預測水體葉綠素濃度的深層自編碼時間卷積網絡方法，具體步驟如下：

步驟S1：數據清洗：找出異常數據和缺失數據并將其用合理的值替換；

步驟S2：特征選擇：計算水質參數間的相關系數，選出相關系數大于選擇閾值的特征參數；