CN112381292B - 一种顾及时空相关性和气象因素的河流水质预测方法 - Google Patents
一种顾及时空相关性和气象因素的河流水质预测方法 Download PDFInfo
- Publication number
- CN112381292B CN112381292B CN202011268264.7A CN202011268264A CN112381292B CN 112381292 B CN112381292 B CN 112381292B CN 202011268264 A CN202011268264 A CN 202011268264A CN 112381292 B CN112381292 B CN 112381292B
- Authority
- CN
- China
- Prior art keywords
- water quality
- quality index
- time
- attention
- index data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims description 20
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 230000015654 memory Effects 0.000 claims abstract description 8
- 230000003993 interaction Effects 0.000 claims abstract description 7
- 230000007246 mechanism Effects 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 230000002123 temporal effect Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 4
- 229910052760 oxygen Inorganic materials 0.000 claims description 4
- 239000001301 oxygen Substances 0.000 claims description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 3
- 229910052698 phosphorus Inorganic materials 0.000 claims description 3
- 239000011574 phosphorus Substances 0.000 claims description 3
- 239000012286 potassium permanganate Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 4
- 241000287196 Asthenes Species 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000002352 surface water Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000728173 Sarima Species 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种顾及时空相关性和气象因素的河流水质预测模型。首先,在编码器中嵌入空间注意力模块提取上下游水质间的显著空间相关性以及各水质指标间的相互作用;然后,将气象因素与空间特征输入解码器,在解码器中嵌入时间注意力模块提取重要的时序特征;最后,利用长短时记忆神经网络实现水质指标的多步预测。该模型能挖掘上下游水质间隐含的时空依赖关系、水质指标间的相互作用,能克服传统水质预测模型难以解释的不足等优点。
Description
技术领域
本发明涉及水质预测技术领域,具体涉及一种顾及时空相关性和气象因素的河流水质预测方法。
背景技术
近年来,水生态环境问题严重威胁着我国经济的可持续发展和城镇居民的生活用水安全,构建高精度的水质预测模型,有利于了解河流水质内部变化规律和时空演变趋势,为水质综合管理及预防提供决策依据。
当前众多学者对水质指标预测的方法进行研究,但依然存在以下不足:1,现有的这些预测方法都局限于单站点预测,忽略了上游水质对下游水质变化趋势的影响;2,不同位置的上游站点对下游水质的影响作用也会不同,不同时刻的水质存在基本稳定与突变两种情况,这两种变化模式对未来水质状况同样具有不同的影响。
发明内容
有鉴于此,本发明的目的在于提供一种顾及时空相关性和气象因素的河流水质预测方法,在预测某站点未来的水质指标时,能同时考虑该站点内部水质指标间的相互作用、上下游水质之间的空间依赖性、时间序列的长期依赖性以及气象因素,还能实现重要时空特征的有效挖掘和表达,能提高预测结果精度,使结果更可靠。
为实现上述目的,本发明采用如下技术方案:
一种顾及时空相关性和气象因素的河流水质预测方法,包括以下步骤:
步骤S1:获取河流水质指标数据和该流域区域的气象数据;
步骤S2:对水质指标数据和气象数据进行预处理,得到样本集;
步骤S3:构建水质预测模型,并根据样本集训练,得到最优水质指标预测模型;
步骤S4:将待测数据输入最优水质指标预测模型,得到水质指标预测结果。
进一步的,所述河流水质指标数据包括水温、酸碱度、电导率、浊度、溶解氧、高锰酸钾指数、氨氮以及总磷。
进一步的,所述气象数据包括最高气温、最低气温、天气、风向以及风力。
进一步的,所述步骤S2具体为:
步骤S21:根据预设标准和箱线图剔除错误值、异常值;
步骤S22:并对于水质指标数据缺失的情况,采用中值插补法对缺失值进行插补;
步骤S23:对于气象数据中的分类数据,将它们分别转换为数值类型;
步骤S24:采用滑动窗口划分处理后的数据集,得到样本集。
进一步的,所述滑动窗口大小设置为6,模型使用前m个时刻的水质数据和气象数据预测未来s个时刻的水质指标值,d表示样本集中样本个数;
则局部空间注意力机制的输入样本集可表示为如下的三维矩阵:
全局空间注意力机制的输入样本集为:
气象因素输入样本集为:
进一步的,所述步骤S3具体为;
步骤S31:在编码器中嵌入空间注意力模块提取上下游水质间的显著空间相关性以及各水质指标间的相互作用;
步骤S32:解码器中嵌入时间注意力模块提取重要的时序特征,并融合空间特征和气象因素;
步骤S33:将样本集归一化后作为训练集输入模型进行训练,得到最优的预测模型。
进一步的,所述空间注意力模块包括局部空间注意力机制和全局空间注意力机制两部分。
进一步的,所述局部空间注意力机制用来学习同一站点内其它水质指标对待预测水质指标的影响,计算方式如下:
进一步的,所述全局空间注意力机制用来学习上游站点水质状况对下游站点的影响,计算方式如下:
利用长短时记忆神经网络更新隐藏层状态et,将t时刻的全局空间注意力层输出向量、局部空间注意力层输出向量、以及编码器上一时刻的隐藏层状态et-1共同作为LSTM的输入;et的计算方式如下:
et=fLSTM(et-1,[Pt local;Pt global])。
进一步的,所述步骤S32具体为:
将历史时刻水质相对待预测时刻的注意力值记作st,注意力权重记作tem_attt,St为时间注意力模块的输出,计算公式如下:
st=v3 tanh(u3 et+w3dt-1+b3)
其中,et表示编码器t时刻的历史输出,dt-1表示解码过程上一时刻的隐藏层状态,v3,u3,w3,b3是需要学习的权重矩阵,St为时间注意力模块的输出。解码器的输入由时间注意力机制输出St、待预测指标历史数据YP,气象因素以及解码器上一时刻的隐藏层状态dt-1共同决定;
利用长短时记忆神经网络更新隐藏层状态,由全连接层经过线性变换得到最终预测值,具体计算方式如下:
本发明与现有技术相比具有以下有益效果:
本发明在预测某站点未来的水质指标时,能同时考虑该站点内部水质指标间的相互作用、上下游水质之间的空间依赖性、时间序列的长期依赖性以及气象因素,还能实现重要时空特征的有效挖掘和表达,能提高预测结果精度,使结果更可靠。
附图说明
图1是本发明一实施例中的流程示意图;
图2是本发明一实施例中水质指标预测流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1,本发明提供一种顾及时空相关性和气象因素的河流水质预测方法,包括以下步骤:
步骤S1:获取河流水质指标数据和该流域区域的气象数据;
在本实施例中,所用的水质数据来源于福建省环保厅地表水质监测站点,气象数据来源于天气网统计数据。
获取河流水质指标数据,根据流域的位置,选择分布在流域内的监测站点。各站点每日自00:00开始,每间隔4h获取一条监测数据,每条数据分别记录了水温(T)、酸碱度(PH)、电导率(CON)、浊度(TUB)、溶解氧(DO)、高锰酸钾指数(CODMn)、氨氮(NH3_N)以及总磷(TP)共八项水质指标。
气象数据每间隔1d获取一条统计数据,每条数据分别记录了最高气温、最低气温、天气、风向以及风力共五项气象特征。
步骤S2:对水质指标数据和气象数据进行预处理,得到样本集;
在实施例中,所述步骤S2具体为:
S21:首先依据国家标准GB 3838—2002《地表水环境质量标准》和箱线图剔除错误值、异常值;其次对于一些水质指标数据缺失的情况,采用中值插补法对缺失值进行插补。对于气象数据中天气、风向和风力属性等分类数据,需要将它们分别转换为数值类型。
S22:在S21处理的基础上,进一步对数据划分样本集。采用滑动窗口划分样本集,所述滑动窗口大小设置为6,模型使用前m个时刻的水质数据和气象数据预测未来s个时刻的水质指标值,d表示样本集中样本个数;
则局部空间注意力机制的输入样本集可表示为如下的三维矩阵:
全局空间注意力机制的输入样本集为:
气象因素输入样本集为:
步骤S3:构建水质预测模型,并根据样本集训练,得到最优水质指标预测模型;
参考图2,在本实施例中,在构建顾及时空相关性和气象因素的河流水质预测模型时(见图2),主要基于编码-解码框架,在编码和解码器中融入多层注意力机制,结合长短时记忆(Long Short-Term Memory,LSTM)神经网络,具体包括以下步骤:
S031:首先在编码器中嵌入空间注意力模块提取上下游水质间的显著空间相关性以及各水质指标间的相互作用;
优选的,空间注意力模块包括局部空间注意力机制和全局空间注意力机制两部分。
其中,et-1表示编码过程上一时刻的隐藏层状态,v1,u1,w1,b1是需要学习的权重矩阵,exp(·)为Softmax函数,用来对所有注意力值进行归一化,各注意力权重系数之和为1。则t时刻局部空间注意力层的输出向量为:
其中,et-1为编码过程上一时刻的隐藏层状态,v2,u2,w2,b2是需要学习的权重矩阵。则t时刻全局空间注意力层的输出向量为:然后利用长短时记忆神经网络更新隐藏层状态et,将t时刻的全局空间注意力层输出向量、局部空间注意力层输出向量、以及编码器上一时刻的隐藏层状态et-1共同作为LSTM的输入。et的计算方式如下:
et=fLSTM(et-1,[Pt local;Pt global])
S032:在解码器中嵌入时间注意力模块提取重要的时序特征,并融合空间特征和气象因素。
优选的设计时间注意力机制来学习历史水质数据对未来水质的影响。将历史时刻水质相对待预测时刻的注意力值记作st,注意力权重记作tem_attt,St为时间注意力模块的输出,计算公式如下:
st=v3 tanh(u3 et+w3dt-1+b3)
其中,et表示编码器t时刻的历史输出,dt-1表示解码过程上一时刻的隐藏层状态,v3,u3,w3,b3是需要学习的权重矩阵,St为时间注意力模块的输出。解码器的输入由时间注意力机制输出St、待预测指标历史数据YP,气象因素以及解码器上一时刻的隐藏层状态dt-1共同决定。
利用长短时记忆神经网络更新隐藏层状态,由全连接层经过线性变换得到最终预测值,具体计算方式如下:
S033:最后将样本集归一化并输入模型进行训练,训练迭代次数设为2000,学习率设为0.001,批量大小设为128,Dropout设为0.5,并采用Adam优化算法自适应更新偏置和权重参数。
优选的,在本实施例中采用堆叠的LSTMs(层数为2)作为编码器和解码器的增强单元。损失函数包括均方误差和L2损失函数两部分,训练目标最小误差设为0.001,最终得到最后的预测模型。
步骤S4:将待测数据输入最优水质指标预测模型,得到水质指标预测结果。
实施例1:
本实施例中,为了评估本发明所创建的模型的性能,设置如下对比试验:采用四种模型,具体包括未融合注意力模块的单站点LSTM模型,RBF-SVR,SARIMA模型及本发明创建的TS-Attention-LSTM模型,分别将河流的溶解氧水质指标数据输入模型并得到预测的水质指标的结果,将预测结果与真实结果对比,分别计算各类方法的平均绝对误差(MeanAbsolute Error,MAE)、平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)、均方根误差(Root Mean Square Error,RMSE)、以及可决系数(R-squared,R2)作为模型的精度评价指标,并进行对比分析。精度评价结果如表1所示。
本发明创建的TS-Attention-LSTM模型,能较为准确地预测未来12个时刻的DO浓度值及变化趋势,对未来13-18个时刻的DO波动趋势预测也较为准确,预测值存在一定误差,多步预测效果在MAE、MAPE及RMSE指标上均优于对照模型,表现最优,其中MAE为0.24,MAPE为3.36%,RMSE为0.32,R2为0.5062,可以说明该预测模型精度较好。
表1不同预测模型预测结果对比
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (5)
1.一种顾及时空相关性和气象因素的河流水质预测方法,其特征在于,包括以下步骤:
步骤S1:获取河流水质指标数据和流域区域的气象因素;
步骤S2:对水质指标数据和气象因素进行预处理,得到样本集;
步骤S3:构建水质指标预测模型,并根据样本集训练,得到最优水质指标预测模型;
步骤S4:将待预测水质指标数据输入最优水质指标预测模型,得到水质指标预测结果;
所述步骤S3具体为;
步骤S31:在编码器中嵌入空间注意力模块提取上下游水质间的显著空间相关性以及各水质指标数据间的相互作用,所述空间注意力模块包括局部空间注意力机制和全局空间注意力机制两部分;
步骤S32:解码器中嵌入时间注意力模块提取时序特征,并融合空间特征和气象因素;
步骤S33:将样本集归一化后作为训练集输入水质指标预测模型进行训练,得到最优水质指标预测模型;
所述局部空间注意力机制用来学习同一站点内其它水质指标数据对待预测水质指标数据的影响,计算方式如下:
其中,et-1表示编码器t-1时刻的隐藏层状态,v1,u1,w1,b1是需要学习的权重矩阵,exp(·)为Softmax函数,各注意力权重系数之和为1,t时刻局部空间注意力层的输出向量Pt local为:
所述全局空间注意力机制用来学习上游站点水质状况对下游站点的影响,计算方式如下:
其中,et-1为编码过程上一时刻的隐藏层状态,v2,u2,w2,b2是需要学习的权重矩阵;t时刻全局空间注意力层的输出向量Pt global为:
利用长短时记忆神经网络更新编码器t时刻的隐藏层状态et,将t时刻的全局空间注意力层的输出向量、t时刻局部空间注意力层的输出向量以及编码器t-1时刻的隐藏层状态et-1共同作为长短时记忆神经网络的输入;et的计算方式如下:
et=fLSTM(et-1,[Pt local;Pt global]);
所述步骤S32具体为:
将历史时刻水质指标数据相对待预测时刻水质指标数据的注意力值记作st,历史时刻水质指标数据相对待预测时刻水质指标数据的注意力权重记作tem_attt,计算公式如下:
st=v3tanh(u3et+w3dt-1+b3)
其中,dt-1表示解码器t-1时刻的隐藏层状态,v3,u3,w3,b3是需要学习的权重矩阵,St为时间注意力模块的输出;解码器的输入由时间注意力模块的 输出St、待预测水质指标数据的历史数据YP,气象因素以及解码器t-1时刻的隐藏层状态dt-1共同决定;
利用长短时记忆神经网络更新隐藏层状态,由全连接层经过线性变换得到最终预测值,具体计算方式如下:
2.根据权利要求1所述的一种顾及时空相关性和气象因素的河流水质预测方法,其特征在于,所述河流水质指标数据包括水温、酸碱度、电导率、浊度、溶解氧、高锰酸钾指数、氨氮以及总磷。
3.根据权利要求1所述的一种顾及时空相关性和气象因素的河流水质预测方法,其特征在于,所述气象因素包括最高气温、最低气温、天气、风向以及风力。
4.根据权利要求1所述的一种顾及时空相关性和气象因素的河流水质预测方法,其特征在于,所述步骤S2具体为:
步骤S21:根据预设标准和箱线图剔除错误值、异常值;
步骤S22:对于水质指标数据缺失的情况,采用中值插补法对缺失值进行插补;
步骤S23:对于气象因素中的分类数据,将其分别转换为数值类型;
步骤S24:采用滑动窗口划分处理数据集,得到样本集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011268264.7A CN112381292B (zh) | 2020-11-13 | 2020-11-13 | 一种顾及时空相关性和气象因素的河流水质预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011268264.7A CN112381292B (zh) | 2020-11-13 | 2020-11-13 | 一种顾及时空相关性和气象因素的河流水质预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112381292A CN112381292A (zh) | 2021-02-19 |
CN112381292B true CN112381292B (zh) | 2022-07-15 |
Family
ID=74582104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011268264.7A Active CN112381292B (zh) | 2020-11-13 | 2020-11-13 | 一种顾及时空相关性和气象因素的河流水质预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112381292B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114282724A (zh) * | 2021-12-24 | 2022-04-05 | 中山职业技术学院 | 水产养殖水体水质预测***和方法 |
CN114417740B (zh) * | 2022-03-30 | 2022-06-24 | 青岛杰瑞工控技术有限公司 | 一种深海养殖态势感知方法 |
CN115728463A (zh) * | 2022-12-01 | 2023-03-03 | 哈尔滨工业大学 | 一种基于半嵌入式特征选择的可解释性水质预测方法 |
CN116187210B (zh) * | 2023-05-04 | 2023-07-21 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种lstm耦合机理模型的时空多源近岸海域水质时序预测方法 |
CN117993624B (zh) * | 2024-04-07 | 2024-06-25 | 广东工业大学 | 一种流域水生态环境承载力评估***及方法 |
CN118134061A (zh) * | 2024-05-08 | 2024-06-04 | 河北先河环保科技股份有限公司 | 水华预警方法、装置、电子设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108665100A (zh) * | 2018-05-09 | 2018-10-16 | 中国农业大学 | 一种水体水质预测方法、***及装置 |
CN109242203A (zh) * | 2018-09-30 | 2019-01-18 | 中冶华天南京工程技术有限公司 | 一种河流水质预测及水质影响因素评估方法 |
KR102301629B1 (ko) * | 2018-11-20 | 2021-09-10 | 서울대학교산학협력단 | Lstm을 이용한 순환식 수경재배의 양액 다량이온 추정 장치 및 그 방법 |
CN111652425B (zh) * | 2020-05-29 | 2024-03-22 | 重庆工商大学 | 一种基于粗糙集和长短期记忆网络的河流水质预测方法 |
-
2020
- 2020-11-13 CN CN202011268264.7A patent/CN112381292B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112381292A (zh) | 2021-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112381292B (zh) | 一种顾及时空相关性和气象因素的河流水质预测方法 | |
CN111798051B (zh) | 基于长短期记忆神经网络的空气质量时空预测方法 | |
CN112949945B (zh) | 一种改进双向长短期记忆网络的风电功率超短期预测方法 | |
CN112116080A (zh) | 一种融合了注意力机制的cnn-gru水质预测方法 | |
CN106650767B (zh) | 基于聚类分析和实时校正的洪水预报方法 | |
CN112132333B (zh) | 一种基于深度学习的短期水质水量预测方法及*** | |
CN108921339B (zh) | 基于分位数回归的遗传支持向量机光伏功率区间预测方法 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN112183625A (zh) | 一种基于深度学习的pm2.5高精度时空预测方法 | |
CN112329979A (zh) | 一种基于自适应深度残差网络的超短期风电功率预测方法 | |
CN110969312A (zh) | 基于变分模态分解和极端学习机的短期径流预测耦合方法 | |
CN114862035B (zh) | 一种基于迁移学习的组合式海湾水温预测方法 | |
CN114021836A (zh) | 基于不同角度融合的多变量水库入水量预测***、训练方法及应用 | |
Zhang et al. | Research on water quality prediction method based on AE-LSTM | |
CN113779879B (zh) | 一种基于LSTM-seq2seq-attention模型的中长期用电异常检测方法 | |
CN115423146A (zh) | 一种基于多因子最近邻抽样回归和支持向量机的自适应径流预报方法 | |
CN117332702B (zh) | 基于ilstm的内涝水深预测与多因子时序分析方法 | |
CN111310974A (zh) | 一种基于ga-elm的短期需水预测方法 | |
CN116826737A (zh) | 一种光伏功率的预测方法、装置、存储介质及设备 | |
CN114971005B (zh) | 基于lstm与差分回归模型动态加权的海湾水温组合预测方法 | |
Mawada et al. | Climate change impacts on the extreme rainfall for selected sites in North Western England | |
CN116485015A (zh) | 一种基于Conv-LSTM-RA网络的空气质量指数预测方法 | |
Lyu et al. | Water level prediction model based on GCN and LSTM | |
Zhuang et al. | Application of water quality evaluation model based on gray correlation analysis and artificial neural network algorithm | |
CN114186483B (zh) | 一种融合浮标数据和海洋卫星遥感图像的反演方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |