CN114723188A - 水质预测方法、装置、计算机设备和存储介质 - Google Patents
水质预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN114723188A CN114723188A CN202210643690.7A CN202210643690A CN114723188A CN 114723188 A CN114723188 A CN 114723188A CN 202210643690 A CN202210643690 A CN 202210643690A CN 114723188 A CN114723188 A CN 114723188A
- Authority
- CN
- China
- Prior art keywords
- water quality
- grid
- sub
- basin
- station
- 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 230
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012544 monitoring process Methods 0.000 claims abstract description 135
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 11
- 230000036961 partial effect Effects 0.000 claims description 11
- 230000014759 maintenance of location Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 239000007789 gas Substances 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 241000135164 Timea Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization 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
- 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
- G06N3/048—Activation functions
-
- 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
- G06Q50/06—Energy or water supply
-
- 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)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及水质预测技术领域,尤其涉及一种水质预测方法、装置、计算机设备和存储介质。所述方法包括:获取预设时间段内目标流域覆盖范围内各个站点在不同时刻的水质监测序列和气象监测序列,根据各个站点在不同时刻的水质监测序列和气象监测序列,预测确定各个站点的水质预测值,但各个站点的水质预测值无法表示目标流域的水质整体情况,因此构建确定目标流域对应的流域网格,流域网格包括多个子网格,其中也包括各个站点所对应的子网格,利用各个站点的水质预测值估计其他非站点对应的子网格相应的水质预测值,从而得到流域网格中各个子网格的水质预测值,根据流域网格中每个子网格的水质预测值可表示目标流域的水质整体情况。
Description
技术领域
本申请涉及水质预测技术领域,尤其涉及一种水质预测方法、装置、计算机设备和存储介质。
背景技术
地表水的水质预测是治理江湖水体环境的重要支撑。通常通过水质监测站点对江河湖泊的水质进行定期测量,从而获得水体的水质数据,根据各个水质监测站点监测得到的水质数据作为水环境治理的依据。但水质监测站点的数量有限,每个水质监测站点仅能预测该站点的水质变化情况,无法反映水域或流域的整体水质情况。
发明内容
为了解决上述技术问题,本申请提供了一种水质预测方法、装置、计算机设备和存储介质。
第一方面,本申请提供了一种水质预测方法,包括:
获取预设时间段内目标流域对应的监测数据集合,其中,所述目标流域内覆盖有多个站点,所述监测数据集合包括各个所述站点在不同时刻的水质监测序列和气象监测序列;
基于各个所述站点在不同时刻的所述水质监测序列和气象监测序列中全部或部分数据,确定各个所述站点的水质预测值;
确定所述目标流域对应的流域网格,其中,所述流域网格包括多个子网格,所述多个子网格中包括所述站点对应的子网格;
根据各个所述站点的水质预测值,确定所述流域网格中各个子网格的水质预测值。
第二方面,本申请提供了一种水质预测装置,包括:
获取模块,用于获取预设时间段内目标流域对应的监测数据集合,其中,所述目标流域内覆盖有多个站点,所述监测数据集合包括各个所述站点在不同时刻的水质监测序列和气象监测序列;
预测模块,用于基于各个所述站点在不同时刻的所述水质监测序列和气象监测序列中全部或部分数据,确定各个所述站点的水质预测值;
确定模块,用于确定所述目标流域对应的流域网格,其中,所述流域网格包括多个子网格,所述多个子网格中包括所述站点对应的子网格;
估计模块,用于根据各个所述站点的水质预测值,确定所述流域网格中各个子网格的水质预测值。
第三方面,本申请提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取预设时间段内目标流域对应的监测数据集合,其中,所述目标流域内覆盖有多个站点,所述监测数据集合包括各个所述站点在不同时刻的水质监测序列和气象监测序列;
基于各个所述站点在不同时刻的所述水质监测序列和气象监测序列中全部或部分数据,确定各个所述站点的水质预测值;
确定所述目标流域对应的流域网格,其中,所述流域网格包括多个子网格,所述多个子网格中包括所述站点对应的子网格;
根据各个所述站点的水质预测值,确定所述流域网格中各个子网格的水质预测值。
第四方面,本申请提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取预设时间段内目标流域对应的监测数据集合,其中,所述目标流域内覆盖有多个站点,所述监测数据集合包括各个所述站点在不同时刻的水质监测序列和气象监测序列;
基于各个所述站点在不同时刻的所述水质监测序列和气象监测序列中全部或部分数据,确定各个所述站点的水质预测值;
确定所述目标流域对应的流域网格,其中,所述流域网格包括多个子网格,所述多个子网格中包括所述站点对应的子网格;
根据各个所述站点的水质预测值,确定所述流域网格中各个子网格的水质预测值。
基于上述水质预测方法,获取预设时间段内目标流域覆盖范围内各个站点在不同时刻的水质监测序列和气象监测序列,根据各个站点在不同时刻的水质监测序列和气象监测序列中全部或部分数据,预测确定各个站点的水质预测值,但各个站点的水质预测值无法表示目标流域的水质整体情况,因此构建确定目标流域对应的流域网格,流域网格包括多个子网格,其中也包括各个站点所对应的子网格,利用各个站点的水质预测值估计其他非站点对应的子网格相应的水质预测值,从而得到流域网格中各个子网格的水质预测值,根据流域网格中每个子网格的水质预测值可表示目标流域的水质整体情况。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为一个实施例中水质预测方法的流程示意图;
图2为一个实施例中初始模型的内部结构示意图;
图3为一个实施例中流域水质预测结果的效果示意图;
图4为一个实施例中水质预测装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
在一个实施例中,图1为一个实施例中一种水质预测方法的流程示意图,参照图1,提供了一种水质预测方法。本实施例主要以该方法应用于服务器来举例说明,该水质预测方法具体包括如下步骤:
步骤S110,获取预设时间段内目标流域对应的监测数据集合。
其中,所述目标流域内覆盖有多个站点,所述监测数据集合包括各个所述站点在不同时刻的水质监测序列和气象监测序列。
具体的,预设时间段相当于时间窗,按照时间窗获取目标流域的前置监测信息,例如预设时间段为0-24点,即时间窗的长度为一天,还可以自定义为一个小时、两天、一周、一月等,具体可以根据预测需求进行自定义,就是利用目标流域的前置监测信息预测目标流域在下一时刻的水质整体情况,目标流域可以为任意一片水域或流域,目标流域内设有多个站点,目标流域的前置监测信息即为上述的监测数据集合,监测数据集合包括各个站点在预设时间段内不同时刻的水质监测序列和气象监测序列,水质监测序列包括多个水质监测数据,水质监测数据具体可以为pH、电导率、溶解氧、浊度或温度等,气象监测序列包括多个气象监测数据,气象监测数据具体可以为PM2.5、PM10、一氧化碳浓度、二氧化硫浓度、二氧化氮浓度、臭氧浓度、空气温度、相对湿度、风速、风向、大气压力以及降雨量等。
步骤S120,基于各个所述站点在不同时刻的所述水质监测序列和气象监测序列中全部或部分数据,确定各个所述站点的水质预测值。
具体的,根据每个站点在时间窗内不同时刻的水质监测序列和气象监测序列中全部数据预测下一时刻该站点的水质预测值,即利用前置监测信息预测估计下一时刻的水质预测值,但考虑节省数据计算量,还可以利用水质监测序列和气象监测序列中的部分数据预测下一时刻的水质预测值,利用水质监测序列和气象监测序列中全部数据预测得到的水质预测值的准确度,高于利用水质监测序列和气象监测序列中的部分数据预测得到的水质预测值,具体可综合准确度要求和计算量要求进行数据选择。
步骤S130,确定所述目标流域对应的流域网格。
其中,所述流域网格包括多个子网格,所述多个子网格中包括所述站点对应的子网格。
具体的,对目标流域的覆盖范围进行网格化处理,用多个子网格来表示目标流域,站点所对应的子网格也对应有该站点相应的水质预测值,但非站点对应的子网格此时并未得知相应的水质预测值,因此为了能够反映目标流域的水质整体情况,需要得知每个子网格所对应的水质预测值。
步骤S140,根据各个所述站点的水质预测值,确定所述流域网格中各个子网格的水质预测值。
具体的,利用已知站点的水质预测值来估计其他非站点相应子网格的水质预测值,从而得知流域网格中每个子网格所对应的水质预测值,利用流域网格中每个子网格对应的水质预测值可反映目标流域整体的水质情况。
在一个实施例中,所述获取预设时间段内目标流域对应的监测数据集合之前,所述方法还包括:获取预设时长内所述目标流域对应的样本数据集合;将目标站点的历史水质序列和所述历史气象序列按照时间分布划分为多个时序序列;根据所述多个时序序列对初始模型进行训练学习,得到所述目标站点对应的水质预测模型。
其中,所述样本数据集合包括多个站点的历史水质序列和历史气象序列,所述目标站点为所述目标流域内任意一个站点,所述历史水质序列为一个按照时间分布的序列,所述历史气象序列为按照时间分布的序列,所述时序序列为所述历史水质序列中的部分序列或所述历史气象序列中的部分序列。
具体的,样本数据集合包括目标流域内各个站点的历史监测数据,利用历史监测数据对初始模型进行深度学习,初始模型可以为任意能够实现时间递归学习的非线性神经网络,具体可以为循环神经网络模型(recurrent neural network,RNN)、隐马尔科夫模型(Hidden Markov Model,HMM)或长短期记忆网络模型(Long-Short Term Memory,LSTM)等,在本实施例中选择长短期记忆网络模型作为初始模型。
将目标站点的历史水质序列和历史气象序列按照时间分布整理为多个时序序列,即也就是将较多的历史监测数据按照时间窗划分为多个片段,即时序序列,将各个时序序列作为输入参数输入至初始模型中,初始模型对每个时序序列进行迭代训练学习,从而得到目标站点对应的水质预测模型。
也就是说每个站点根据自己的历史水质序列和历史气象序列构建一个相应的水质预测模型,该水质预测模型用于预测得到该站点的水质预测值。
但在将时序序列输入至初始模型之前,需要对历史水质序列和历史气象序列进行预处理,即确定序列所对应的参考值,参考值具体可以为序列中所有数据的平均值或中位数值,计算序列中每个数据相应数值与参考值之间的数值差,将数值差大于预设差值的数据相应数值进行剔除,令数据相应数值更新为空值,并对剔除后的空值进行插值补充,即将参考值插值补充至空值处,也就是将参考值赋值给剔除数值后的数据,对序列中所有剔除数值后的空值进行插值补充后从而完成序列的预处理,即上述能够作为初始模型的输入参数的时序序列为经过预处理的历史水质序列和历史气象序列所划分成的。
由于历史气象序列包括多个不同的气象监测数据,但并非每种气象监测数据都会对目标流域的水质产生影响,但将所有的气象监测数据参与初始模型的训练,将会增加较多的无用计算量,因此,为了减少初始模型的学习计算量,确定历史气象序列中各个气象监测数据与历史水质序列中各个水质监测数据之间的相关度,并将相关度按照降序排列,选择排列前N个相关度所对应的气象监测数据参与初始模型的训练,从而确保初始模型的训练过程结合了影响较大的气象监测数据,还减少了部分训练计算量,从而加快初始模型的训练过程,N具体可以为2、3、4等整数,可根据实际需求进行自定义。
确定水质监测数据与气象监测数据之间的相关度,具体包括:将水质监测数据和气象监测数据转换为相应的散点图,每个数据对应散点图中的一个数据点;获取预设网格参数,预设网格参数包括多组数据对,每个数据对包括第一数据X和第二数据Y,用于限制网格尺寸,利用预设网格参数对所述散点图进行网格化处理,得到信息网格,即信息网格包括X行Y列,根据所述水质监测数据和所述气象监测数据在所述信息网格中的分布情况确定该信息网格对应的最大互信息值,对最大互信息值进行归一化处理,得到处理后的最大互信息值,最大互信息记为,其中,a用于指示行,a取值范围为0-X,b用于指示列,b的取值范围为0-Y,B为变量,用于限制XY的取值,,用于指示落在第格子中的数据点的频率,即第格子中数据点的数量与所有数据点数量之间的比值,用于指示落在第a行内数据点的频率,用于指示落在第b列内数据点的频率;不同的数据对可以得到不同的最大互信息值,在不同网格尺寸下并经过归一化处理的最大互信息值中,选择数值最大的最大互信息值作为水质监测数据与气象监测数据之间的相关度。
具体也还可根据水质监测数据与气象监测数据之间的临近距离确定两者之间的相关度。
在一个实施例中,所述根据所述多个时序序列对初始模型进行训练学习,得到所述目标站点对应的水质预测模型,包括:根据初始模型确定第一子序列中的第一保留信息;根据所述第一保留信息预测得到第一预测值;根据所述第一预测值与第二子序列中的第二实测值之间的差值调节所述初始模型中的模型参数,得到调节模型;将所述调节模型作为所述初始模型迭代执行所述根据初始模型确定第一子序列中的第一保留信息至得到调节模型的步骤,并统计迭代次数;将所述第一预测值与第二子序列中的第二实测值之间的差值小于或等于预设值时对应的模型,或所述迭代次数达到预设次数时对应的模型,作为所述水质预测模型。
其中,所述第一子序列为第一时刻对应的所述时序序列,所述第二子序列为第二时刻对应的所述时序序列,所述第二时刻晚于所述第一时刻,所述第一子序列为未经过迭代遍历的所述时序序列。
具体的,如图2所示,初始模型是由至少一个细胞单元构成,细胞单元包括遗忘门、输入门和输出门,在遗忘门确定是否需要从细胞状态中丢弃部分信息,细胞状态包括各个细胞单元之间传递的信息,具体利用Sigmoid函数、第一子序列和上一预测值,计算第一占比,即第一占比为,其中,σ为Sigmoid函数,为初始模型上一预测后所输出的预测值,即上一预测值,为当前输入至初始模型的第一子序列,和分别为遗忘门的权重和偏置项,将第一占比与细胞状态中的信息相乘,从而实现细胞状态中部分信息的丢弃,得到第一更新细胞状态,即第一更新细胞状态为,其中为前一个细胞单元传递至当前细胞单元的细胞状态,在初始模型仅有一个细胞单元时,也可以用于指示前一时刻(t-1时刻)的细胞状态,在第一占比为1时,表示不丢弃细胞状态中的任何信息,在第一占比为0时,表示丢弃细胞状态中的全部信息。
在输入门确定第一子序列中需要保留的部分信息,具体利用Sigmoid函数、第一子序列和上一预测值,计算第二占比,即,其中,和分别为输入门的权重和偏置项,并利用tanh函数、第一子序列和上一预测值确定待加入细胞状态的候选向量,即,其中,和分别为临时细胞状态的权重和偏置项,将候选向量与第二占比相乘,得到待加入细胞状态中的第一保留信息,即。
将第一保留信息与第一更新细胞状态相加,得到第二更新细胞状态,即,第二更新细胞状态指示当前时刻(t时刻)所对应的细胞状态,第二更新细胞状态用于参与下一次的循环计算。在输出门确定输出第二更新细胞状态中的哪些部分信息,具体利用Sigmoid函数、第一子序列和上一预测值,确定第三占比,即,其中,和分别为输出门的权重和偏置项,还将第二更新细胞状态经过tanh函数处理(以将数值规范化到-1至1之间)后与第三占比相乘,得到当前时刻对应的第一预测值,即。
第一预测值用于指示第二子序列所对应的预测值,根据第一预测值与第二子序列中的第二实测值之间的差值,反向调节初始模型中遗忘门、输入门以及输出门所对应的权重和偏置项,以调节初始模型的模型参数,得到相应的调节模型,再利用上述流程对不同的时序序列进行循环迭代的训练学习,每次参与循环的第一子序列和第二子序列均为未经过迭代遍历的时序序列,且第二子序列的时间戳晚于第一子序列的时间戳,在第一预测值与第二子序列中的第二实测值之间的差值小于或等于预设值,或迭代次数达到预设次数时,则终止模型训练,并将此时经过多次迭代训练后的调节模型作为水质预测模型,水质预测模型在使用过程中其模型参数为固定参数。具体可以采用梯度下降法寻找目标函数,即,其中为函数的起点,为函数的微分,α为学习率。对该过程进行多次迭代可以求得函数的局部最优解,当迭代次数满足预设次数或者最小误差时停止迭代,从而完成模型训练,得到最终的水质预测模型。
在一个实施例中,所述基于各个所述站点在不同时刻的所述水质监测序列和气象监测序列中全部或部分数据,确定各个所述站点的水质预测值,包括:基于所述水质预测模型,依次确定所述目标站点在不同时刻的所述水质监测序列和所述气象监测序列中的保留信息并进行迭代融合,得到融合信息;根据所述融合信息预测得到所述目标站点的水质预测值。
具体的,将目标站点的水质监测序列和气象监测序列作为输入参数输入至相应的水质预测模型中,在水质预测模型中,将不同时刻的水质监测序列和气象监测序列分别标记为、、、…、,即表示共有m个序列,按照各个序列的时间戳依次输入至细胞单元中,如图2所示,将第一时刻的序列作为图2中的,遗忘门基于Sigmoid函数和序列计算得到相应的第一占比,进而得到相应的第一更新细胞状态,为在第0时刻细胞单元传递至当前第1时刻细胞单元的细胞状态,通过输入门确定序列中的保留信息,即利用Sigmoid函数、序列和第0时刻细胞单元输出的预测值,计算得到相应的第二占比,再利用tanh函数、序列和第0时刻细胞单元输出的预测值得到第1时刻对应的候选向量,将第1时刻对应的候选向量与相应的第二占比相乘,得到序列中的保留信息,将序列中的保留信息与相应的第一更新细胞状态相加得到第1时刻对应的第二更新细胞状态,即,通过输出门利用Sigmoid函数、序列和第0时刻细胞单元输出的预测值,确定相应的第三占比,将第1时刻的第二更新细胞状态经过tanh函数处理后与相应的第三占比相乘,得到第1时刻对应的第一预测值。
再将第2时刻的序列作为图2中的,将第1时刻对应的第一预测值作为图2中的,将第1时刻对应的第二更新细胞状态作为图2中的,基于上述流程计算第2时刻的序列中的保留信息,进而得到第2时刻对应的第一预测值,以此类推,遗忘门、和输入门按照上述处理过程依次对不同时刻的水质监测序列和气象监测序列中的保留信息进行迭代融合,从而得到融合信息,融合信息相当于停止信息融合后的第二更新细胞状态,即融合了细胞状态中的部分信息以及输入参数中的部分信息,在输出门根据融合信息确定相应的水质预测值,每个站点均按照上述方式根据前置监测信息预测下一时刻的水质预测值。
在一个实施例中,所述确定所述目标流域对应的流域网格,包括:基于所述目标流域的边界坐标构建候选网格;基于所述边界坐标和所述子网格的行列号,确定各个所述子网格的中心点坐标;确定各个所述子网格的中心点射线与所述目标流域相应流域边界之间的交点数量;剔除所述候选网格中所述交点数量为偶数的所述子网格,得到所述流域网格。
其中,所述候选网格包括多个预设尺寸的所述子网格,所述中心点射线为所述子网格的中心点坐标至任意方向的一条射线。
具体的,目标流域的边界坐标即为目标流域相应边界处的地理坐标,而基于目标流域的边界坐标构建的候选网格包含有目标流域,即候选网格的覆盖范围包含目标流域的流域范围,具体可以目标流域的边界坐标构建四边形的候选网格,并按照预设尺寸将候选网格划分为多个子网格,每个子网格对应有相应的行列号,但通常目标流域的覆盖范围为不规则面,因此候选网格中可能存在不属于目标流域的子网格,需要剔除候选网格中不属于目标流域的子网格,才能得到可准确表示目标流域的流域网格。
根据目标流域的边界坐标以及每个子网格的预设尺寸和行列号,可计算确定每个子网格的边角坐标,即左上角坐标、左下角坐标、右上角坐标和右下角坐标,进而根据子网格的边角坐标,可计算确定子网格的中心点坐标。
以每个子网格的中心点坐标为起点向任意方向发射射线,即中心点射线,并判断中心点射线与目标流域的流域边界之间的交点数量是否为奇数,在中心点射线与流域边界的交点数量为奇数时,表示该中心点射线相应的中心点坐标位于目标流域的覆盖范围之内;在中心点射线与流域边界的交点数量为偶数时,表示该中心点射线相应的中心点坐标位于目标流域的覆盖范围之外,则需要剔除候选网格中位于目标流域的覆盖范围之外的子网格,以此实现对候选网格的优化,将不再流域范围内的子网格进行剔除,得到优化后的流域网格,以减少后续预测计算量。
在一个实施例中,所述流域网格中的子网格包括所述站点所在的已知子网格和未包含所述站点的未知子网格,所述根据各个所述站点的水质预测值,确定所述流域网格中各个子网格的水质预测值,包括:根据各个所述已知子网格与目标子网格之间的距离,确定相应的插值权重,其中,所述目标子网格为任意一个所述未知子网格;将各个所述已知子网格的水质预测值按照相应的所述插值权重进行加权求和后求平均,得到所述目标子网格的水质预测值。
具体的,已知子网格用于指示包含有站点的子网格,未知子网格用于指示未包含有站点的子网格,由于站点依据水质预测模型可预测得到该站点相应的水质预测值,因此包含有站点的子网格也得到相应的水质预测值,即为已知预测结果。
利用各个已知子网格与目标子网格之间的距离,确定相应的插值权重,距离越近相应的插值权重越大,因为距离越近表示已知子网格对于目标子网格的影响越大,具体可通过半变异函数计算求得,半变异函数具体可以为球状模型、高斯模型、指数模型等。将各个已知子网格与相应的插值权重相乘求和后再求平均,从而得到目标子网格的水质预测值,以此方式计算每个未知子网格的水质预测值,即,其中是点处的预测值,为目标子网格的中心点坐标,即,这里的是指第j个已知子网格相对于目标子网格的插值权重,j用于指示各个已知子网格的标号,n用于指示已知子网格的数量,用于指示第j个已知子网格的水质预测值,插值权重是指能够满足点处预测值与实测值的差最小的最优系数,即,同时每个未知子网格的水质预测值还需要满足无偏估计的条件,即令,确保未知子网格的水质预测值与其相应的实测值接近,不会与实测值相差巨大,不会产生不必要的噪声点。
由于每个未知子网格与各个已知子网格之间的距离关系不同,导致相应的差值权重也不同,以此方式估计每个未知子网格的水质预测值较为准确,与实际观测值接近,不会产生不必要的噪声点。
在一个实施例中,所述根据各个所述站点的水质预测值,确定所述流域网格中各个子网格的水质预测值之后,所述方法还包括:根据所述流域网格中各个所述子网格的水质预测值,确定相应的颜色标识;按照所述颜色标识对所述流域网格中各个所述子网格进行填色处理,得到流域水质预测结果。
具体的,按照水质监测数据行业标准确定每个水质预测值相应的水质类型以及相应的颜色标识,水质类型分为I类、II类、III类、IV类、V类和劣V类,每一类数据都有对应的颜色标识,对于某两类中间的数值,采用插值颜色方式处理,即细化两类之间的颜色标识以及所对应的数据,令每一个数据对应一个具体的颜色标识,例如III类对应的颜色标识为绿色,IV类对应的颜色标识是黄色,但若仅按照水质类型对相应的子网格进行填色处理,很可能出现严重的颜色突变现象,因此将III类与IV类之间的临近数据相应的颜色标识设定为绿黄色,还可根据临近位置进行更细化的设定,例如对于更靠近III类的数据其颜色标识的绿色更重一点黄色稍淡一点,对于更靠近IV类的数据其相应颜色标识的绿色稍淡一点黄色更重一点,如图3所示,以此使流域网格中各个子网格的填色渲染结果更平滑,从而得到可视化的流域水质预测结果,避免流域水质预测结果中出现颜色突变的情况。
基于上述水质预测方法,考虑了时空变化对水质的影响,并实现了对整个流域水质变化的预测,即预测范围更广,且预测结果更准确,为水质监测管理人员提供可靠的决策支撑。
图1为一个实施例中水质预测方法的流程示意图。应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图4所示,提供了一种水质预测装置,包括:
获取模块210,用于获取预设时间段内目标流域对应的监测数据集合,其中,所述目标流域内覆盖有多个站点,所述监测数据集合包括各个所述站点在不同时刻的水质监测序列和气象监测序列;
预测模块220,用于基于各个所述站点在不同时刻的所述水质监测序列和气象监测序列中全部或部分数据,确定各个所述站点的水质预测值;
确定模块230,用于确定所述目标流域对应的流域网格,其中,所述流域网格包括多个子网格,所述多个子网格中包括所述站点对应的子网格;
估计模块240,用于根据各个所述站点的水质预测值,确定所述流域网格中各个子网格的水质预测值。
在一个实施例中,所述装置还包括训练模块,用于:
获取预设时长内所述目标流域对应的样本数据集合,其中,所述样本数据集合包括多个站点的历史水质序列和历史气象序列;
将目标站点的历史水质序列和所述历史气象序列按照时间分布划分为多个时序序列,其中,所述目标站点为所述目标流域内任意一个站点,所述时序序列为所述历史水质序列中的部分序列或所述历史气象序列中的部分序列;
根据所述多个时序序列对初始模型进行训练学习,得到所述目标站点对应的水质预测模型。
在一个实施例中,所述训练模块还用于:
根据初始模型确定第一子序列中的第一保留信息,其中,所述第一子序列为第一时刻对应的所述时序序列;
根据所述第一保留信息预测得到第一预测值;
根据所述第一预测值与第二子序列中的第二实测值之间的差值调节所述初始模型中的模型参数,得到调节模型,其中,所述第二子序列为第二时刻对应的所述时序序列,所述第二时刻晚于所述第一时刻;
将所述调节模型作为所述初始模型迭代执行所述根据初始模型确定第一子序列中的第一保留信息至得到调节模型的步骤,并统计迭代次数,其中,所述第一子序列为未经过迭代遍历的所述时序序列;
将所述第一预测值与第二子序列中的第二实测值之间的差值小于或等于预设值时对应的模型,或所述迭代次数达到预设次数时对应的模型,作为所述水质预测模型。
在一个实施例中,所述预测模块220还用于:
基于所述水质预测模型,依次确定所述目标站点在不同时刻的所述水质监测序列和所述气象监测序列中的保留信息并进行迭代融合,得到融合信息;
根据所述融合信息预测得到所述目标站点的水质预测值。
在一个实施例中,所述确定模块230还用于:
基于所述目标流域的边界坐标构建候选网格,其中,所述候选网格包括多个预设尺寸的所述子网格;
基于所述边界坐标和所述子网格的行列号,确定各个所述子网格的中心点坐标;
确定各个所述子网格的中心点射线与所述目标流域相应流域边界之间的交点数量,其中,所述中心点射线为所述子网格的中心点坐标至任意方向的一条射线;
剔除所述候选网格中所述交点数量为偶数的所述子网格,得到所述流域网格。
在一个实施例中,所述确定模块230还用于:
根据各个所述已知子网格与目标子网格之间的距离,确定相应的插值权重,其中,所述目标子网格为任意一个所述未知子网格;
将各个所述已知子网格的水质预测值按照相应的所述插值权重进行加权求和后求平均,得到所述目标子网格的水质预测值。
在一个实施例中,所述装置还包括可视化处理模块,用于:
根据所述流域网格中各个所述子网格的水质预测值,确定相应的颜色标识;
按照所述颜色标识对所述流域网格中各个所述子网格进行填色处理,得到流域水质预测结果。
图5示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是服务器。如图5所示,该计算机设备包括该计算机设备包括通过***总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作***,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现水质预测方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行水质预测方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本申请提供的水质预测装置可以实现为一种计算机程序的形式,计算机程序可在如图5所示的计算机设备上运行。计算机设备的存储器中可存储组成该水质预测装置的各个程序模块,比如,图4所示的获取模块210、预测模块220、确定模块230和估计模块240。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的水质预测方法中的步骤。
图5所示的计算机设备可以通过如图4所示的水质预测装置中的获取模块210执行获取预设时间段内目标流域对应的监测数据集合,其中,所述目标流域内覆盖有多个站点,所述监测数据集合包括各个所述站点在不同时刻的水质监测序列和气象监测序列。计算机设备可通过预测模块220执行基于各个所述站点在不同时刻的所述水质监测序列和气象监测序列中全部或部分数据,确定各个所述站点的水质预测值。计算机设备可通过确定模块230执行确定所述目标流域对应的流域网格,其中,所述流域网格包括多个子网格,所述多个子网格中包括所述站点对应的子网格。计算机设备可通过估计模块240执行根据各个所述站点的水质预测值,确定所述流域网格中各个子网格的水质预测值。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述任一项实施例所述的方法。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述任一项实施例所述的方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指示相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双倍速率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种水质预测方法,其特征在于,所述方法包括:
获取预设时间段内目标流域对应的监测数据集合,其中,所述目标流域内覆盖有多个站点,所述监测数据集合包括各个所述站点在不同时刻的水质监测序列和气象监测序列;
基于各个所述站点在不同时刻的所述水质监测序列和气象监测序列中全部或部分数据,确定各个所述站点的水质预测值;
确定所述目标流域对应的流域网格,其中,所述流域网格包括多个子网格,所述多个子网格中包括所述站点对应的子网格;
根据各个所述站点的水质预测值,确定所述流域网格中各个子网格的水质预测值。
2.根据权利要求1所述的方法,其特征在于,所述获取预设时间段内目标流域对应的监测数据集合之前,所述方法还包括:
获取预设时长内所述目标流域对应的样本数据集合,其中,所述样本数据集合包括多个站点的历史水质序列和历史气象序列;
将目标站点的历史水质序列和所述历史气象序列按照时间分布划分为多个时序序列,其中,所述目标站点为所述目标流域内任意一个站点,所述时序序列为所述历史水质序列中的部分序列或所述历史气象序列中的部分序列;
根据所述多个时序序列对初始模型进行训练学习,得到所述目标站点对应的水质预测模型。
3.根据权利要求2所述的方法,其特征在于,所述根据所述多个时序序列对初始模型进行训练学习,得到所述目标站点对应的水质预测模型,包括:
根据初始模型确定第一子序列中的第一保留信息,其中,所述第一子序列为第一时刻对应的所述时序序列;
根据所述第一保留信息预测得到第一预测值;
根据所述第一预测值与第二子序列中的第二实测值之间的差值调节所述初始模型中的模型参数,得到调节模型,其中,所述第二子序列为第二时刻对应的所述时序序列,所述第二时刻晚于所述第一时刻;
将所述调节模型作为所述初始模型迭代执行所述根据初始模型确定第一子序列中的第一保留信息至得到调节模型的步骤,并统计迭代次数,其中,所述第一子序列为未经过迭代遍历的所述时序序列;
将所述第一预测值与第二子序列中的第二实测值之间的差值小于或等于预设值时对应的模型,或所述迭代次数达到预设次数时对应的模型,作为所述水质预测模型。
4.根据权利要求3所述的方法,其特征在于,所述基于各个所述站点在不同时刻的所述水质监测序列和气象监测序列中全部或部分数据,确定各个所述站点的水质预测值,包括:
基于所述水质预测模型,依次确定所述目标站点在不同时刻的所述水质监测序列和所述气象监测序列中的保留信息并进行迭代融合,得到融合信息;
根据所述融合信息预测得到所述目标站点的水质预测值。
5.根据权利要求1所述的方法,其特征在于,所述确定所述目标流域对应的流域网格,包括:
基于所述目标流域的边界坐标构建候选网格,其中,所述候选网格包括多个预设尺寸的所述子网格;
基于所述边界坐标和所述子网格的行列号,确定各个所述子网格的中心点坐标;
确定各个所述子网格的中心点射线与所述目标流域相应流域边界之间的交点数量,其中,所述中心点射线为所述子网格的中心点坐标至任意方向的一条射线;
剔除所述候选网格中所述交点数量为偶数的所述子网格,得到所述流域网格。
6.根据权利要求5所述的方法,其特征在于,所述流域网格中的子网格包括所述站点所在的已知子网格和未包含所述站点的未知子网格,所述根据各个所述站点的水质预测值,确定所述流域网格中各个子网格的水质预测值,包括:
根据各个所述已知子网格与目标子网格之间的距离,确定相应的插值权重,其中,所述目标子网格为任意一个所述未知子网格;
将各个所述已知子网格的水质预测值按照相应的所述插值权重进行加权求和后求平均,得到所述目标子网格的水质预测值。
7.根据权利要求6所述的方法,其特征在于,所述根据各个所述站点的水质预测值,确定所述流域网格中各个子网格的水质预测值之后,所述方法还包括:
根据所述流域网格中各个所述子网格的水质预测值,确定相应的颜色标识;
按照所述颜色标识对所述流域网格中各个所述子网格进行填色处理,得到流域水质预测结果。
8.一种水质预测装置,其特征在于,所述装置包括:
获取模块,用于获取预设时间段内目标流域对应的监测数据集合,其中,所述目标流域内覆盖有多个站点,所述监测数据集合包括各个所述站点在不同时刻的水质监测序列和气象监测序列;
预测模块,用于基于各个所述站点在不同时刻的所述水质监测序列和气象监测序列中全部或部分数据,确定各个所述站点的水质预测值;
确定模块,用于确定所述目标流域对应的流域网格,其中,所述流域网格包括多个子网格,所述多个子网格中包括所述站点对应的子网格;
估计模块,用于根据各个所述站点的水质预测值,确定所述流域网格中各个子网格的水质预测值。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210643690.7A CN114723188A (zh) | 2022-06-09 | 2022-06-09 | 水质预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210643690.7A CN114723188A (zh) | 2022-06-09 | 2022-06-09 | 水质预测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114723188A true CN114723188A (zh) | 2022-07-08 |
Family
ID=82232450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210643690.7A Pending CN114723188A (zh) | 2022-06-09 | 2022-06-09 | 水质预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114723188A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116304913A (zh) * | 2023-04-07 | 2023-06-23 | 中国长江三峡集团有限公司 | 基于贝叶斯模型的水质状态监测方法及装置、电子设备 |
CN116659589A (zh) * | 2023-07-25 | 2023-08-29 | 澳润(山东)药业有限公司 | 基于数据分析的阿胶糕保存环境监测方法 |
CN117350601A (zh) * | 2023-12-06 | 2024-01-05 | 北京英视睿达科技股份有限公司 | 水质预测方法、装置、电子设备及存储介质 |
CN117671507A (zh) * | 2024-01-29 | 2024-03-08 | 南昌大学 | 一种结合气象数据的河流水质预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858699A (zh) * | 2019-01-31 | 2019-06-07 | 北京英视智慧生态科技有限公司 | 水质定量模拟方法、装置、电子设备及存储介质 |
WO2020213614A1 (ja) * | 2019-04-15 | 2020-10-22 | 国立研究開発法人理化学研究所 | 環境因子予測装置、方法、プログラム、学習済モデルおよび記憶媒体 |
CN114386686A (zh) * | 2021-12-30 | 2022-04-22 | 北京师范大学 | 一种基于改进lstm的流域水质短期预测方法 |
-
2022
- 2022-06-09 CN CN202210643690.7A patent/CN114723188A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858699A (zh) * | 2019-01-31 | 2019-06-07 | 北京英视智慧生态科技有限公司 | 水质定量模拟方法、装置、电子设备及存储介质 |
WO2020213614A1 (ja) * | 2019-04-15 | 2020-10-22 | 国立研究開発法人理化学研究所 | 環境因子予測装置、方法、プログラム、学習済モデルおよび記憶媒体 |
CN114386686A (zh) * | 2021-12-30 | 2022-04-22 | 北京师范大学 | 一种基于改进lstm的流域水质短期预测方法 |
Non-Patent Citations (1)
Title |
---|
王和勇: "《面向大数据的高维数据挖掘技术》", 31 March 2018, 西安电子科技大学出版社 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116304913A (zh) * | 2023-04-07 | 2023-06-23 | 中国长江三峡集团有限公司 | 基于贝叶斯模型的水质状态监测方法及装置、电子设备 |
CN116659589A (zh) * | 2023-07-25 | 2023-08-29 | 澳润(山东)药业有限公司 | 基于数据分析的阿胶糕保存环境监测方法 |
CN116659589B (zh) * | 2023-07-25 | 2023-10-27 | 澳润(山东)药业有限公司 | 基于数据分析的阿胶糕保存环境监测方法 |
CN117350601A (zh) * | 2023-12-06 | 2024-01-05 | 北京英视睿达科技股份有限公司 | 水质预测方法、装置、电子设备及存储介质 |
CN117350601B (zh) * | 2023-12-06 | 2024-04-16 | 北京英视睿达科技股份有限公司 | 水质预测方法、装置、电子设备及存储介质 |
CN117671507A (zh) * | 2024-01-29 | 2024-03-08 | 南昌大学 | 一种结合气象数据的河流水质预测方法 |
CN117671507B (zh) * | 2024-01-29 | 2024-05-10 | 南昌大学 | 一种结合气象数据的河流水质预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114723188A (zh) | 水质预测方法、装置、计算机设备和存储介质 | |
CN111310968A (zh) | 一种基于互信息的lstm神经网络循环水文预报方法 | |
CN110232471B (zh) | 一种降水传感网节点布局优化方法及装置 | |
CN109583565B (zh) | 基于注意力模型长短时记忆网络的洪水预测方法 | |
CN111260111B (zh) | 基于气象大数据的径流预报改进方法 | |
CN111639787A (zh) | 一种基于图卷积网络的时空数据预测方法 | |
CN105243435B (zh) | 一种基于深度学习元胞自动机模型的土壤含水量预测方法 | |
Marofi et al. | Predicting spatial distribution of snow water equivalent using multivariate non-linear regression and computational intelligence methods | |
CN112200358B (zh) | 一种滑坡等级预测方法、装置、设备和存储介质 | |
CN111767517B (zh) | 一种应用于洪水预测的BiGRU多步预测方法、***及存储介质 | |
WO2020043029A1 (zh) | 一种通过向量化分析预测大气污染的方法 | |
CN105740991A (zh) | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及*** | |
CN112287294B (zh) | 一种基于深度学习的时空双向土壤含水量插值方法 | |
CN112200362B (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
CN113632101B (zh) | 一种通过向量化分析预测大气污染的方法 | |
Lopez et al. | Effect of direction on wind speed estimation in complex terrain using neural networks | |
CN114881323A (zh) | 基于深度神经网络的基坑降水区地下水位预测与更新方法 | |
CN111915058A (zh) | 基于长短时记忆网络和迁移学习的洪水预测方法与装置 | |
Teegavarapu et al. | Optimal selection of predictor variables in statistical downscaling models of precipitation | |
CN115545334B (zh) | 土地利用类型预测方法、装置、电子设备及存储介质 | |
CN111753461A (zh) | 潮汐水位修正方法、目标余水位获取方法、装置和设备 | |
CN116562414A (zh) | 一种基于多源水文气象数据的陆地水储量变化预测方法 | |
CN112200355B (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
CN113591608A (zh) | 一种基于深度学习的高分辨率遥感影像不透水面提取方法 | |
Secci et al. | Artificial intelligence models to evaluate the impact of climate change on groundwater resources |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220708 |