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

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

一种顾及时空相关性和气象因素的河流水质预测方法

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:

模型输出样本集为:

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：

将t时刻的第i个水质指标x^P,i相对于待预测指标的注意力值记作

注意力权重记作

则：

其中，e_t-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，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为：

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：

将t时刻上游站点待预测指标

对下游站点待预测指标的注意力值记作

注意力权重记作

则：

其中，e_t-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：

利用长短时记忆神经网络更新隐藏层状态e_t，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e_t-1共同作为LSTM的输入；e_t的计算方式如下：

e_t＝f_LSTM(e_t-1,[P_t ^local；P_t ^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s_t，注意力权重记作tem_att_t，S_t为时间注意力模块的输出，计算公式如下：

s_t＝v₃ tanh(u₃ e_t+w₃d_t-1+b₃)

其中，e_t表示编码器t时刻的历史输出，d_t-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，S_t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S_t、待预测指标历史数据Y^P，气象因素

以及解码器上一时刻的隐藏层状态d_t-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:

模型输出样本集为:

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。

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：将t时刻的第i个水质指标x^P,i相对于待预测指标的注意力值记作

注意力权重记作

则：

其中，e_t-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：

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：将t时刻上游站点待预测指标

对下游站点待预测指标的注意力值记作

注意力权重记作

则：

其中，e_t-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e_t，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e_t-1共同作为LSTM的输入。e_t的计算方式如下：

e_t＝f_LSTM(e_t-1,[P_t ^local；P_t ^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s_t，注意力权重记作tem_att_t，S_t为时间注意力模块的输出，计算公式如下：

s_t＝v₃ tanh(u₃ e_t+w₃d_t-1+b₃)

其中，e_t表示编码器t时刻的历史输出，d_t-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，S_t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S_t、待预测指标历史数据Y^P，气象因素

以及解码器上一时刻的隐藏层状态d_t-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：

将t时刻的第i个水质指标x^P,i相对于待预测水质指标数据的注意力值记作

t时刻的第i个水质指标x^P,i相对于待预测水质指标数据的注意力权重记作

则：

其中，e_t-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P_t ^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：

将t时刻上游站点待预测水质指标数据

对下游站点待预测水质指标数据的注意力值记作

t时刻上游站点待预测水质指标数据

对下游站点待预测水质指标数据的注意力权重记作

则：

其中，e_t-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P_t ^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e_t，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e_t-1共同作为长短时记忆神经网络的输入；e_t的计算方式如下：

e_t＝f_LSTM(e_t-1,[P_t ^local；P_t ^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s_t，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_att_t，计算公式如下：

s_t＝v₃tanh(u₃e_t+w₃d_t-1+b₃)

其中，d_t-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，S_t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S_t、待预测水质指标数据的历史数据Y^P，气象因素

以及解码器t-1时刻的隐藏层状态d_t-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。

5.根据权利要求4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，所述滑动窗口大小设置为6，使用前m个时刻的水质指标数据和气象因素预测未来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:

输出样本集为:

Images