【技術實現步驟摘要】
本專利技術涉及水質監測和環境科學領域，具體地，涉及一種基于數據分解和深度學習的溶解氧濃度預測方法。
技術介紹
1、溶解氧是水體中氧氣的溶解量，是評估水體自凈能力、生物活性和水質狀況的關鍵指標。在水處理、水產養殖、河流湖泊的生態保護以及水質監測等領域，溶解氧濃度的實時監測和準確預測具有重要意義。
2、隨著信息技術的發展，數據驅動的預測方法開始在水質監測領域得到應用。機器學習技術，尤其是深度學習，因其在處理復雜非線性關系方面的優勢，被廣泛用于水質預測問題。然而，傳統的機器學習模型在處理時間序列數據時存在特征提取難、模型泛化能力弱、計算效率低等問題。
技術實現思路
1、針對現有技術的不足，本專利技術通過結合辛幾何模態分解(sgmd)和深度學習技術，旨在提供一種高效、準確的溶解氧濃度預測方法，本專利技術方法能解決傳統的溶解氧預測方法，存在的預測精度不高、響應速度慢、計算成本高等問題，滿足實時監測和快速響應的需求，同時解決了傳大多數統溶解氧預測方法只考慮時序特征，不考慮周期性、季節性和趨勢性的問題。
2、本專利技術利用辛幾何模態分解(sgmd)方法對溶解氧的歷史數據進行分解，提取出不同時間尺度上的主要變化特征；將分解后的數據輸入到一個由卷積神經網絡(cnn)和時間卷積網絡(tcn)組成的復合深度學習模型中，通過學習歷史數據中的模式，建立溶解氧濃度與各種環境因素之間的復雜關系模型。本專利技術的技術方案具體如下。
3、本專利技術提供一種基于數據分解和深度學習的
4、s1、獲取某區域溶解氧濃度的歷史數據及其他水質參數歷史數據和氣象參數數據，建立特征數據庫，對原始數據進行異常值剔除和缺失值填補，由于不同特征的維度不同，使用z-score方法將所有數據歸一化；
5、s2、利用皮爾遜相關性分析，選取強相關的水質參數和氣象參數；考慮到溶解氧濃度的自相關性，引入溶解氧濃度，構造延時輸入特征；
6、s3、利用辛幾何模態分解sgmd方法處理非線性不平穩序列的優點，將水溫、總氮、總磷、ph、氨氮、高錳酸鹽指數、濁度、電導率、氣溫、濕度、降雨量等和待測位置溶解氧分解為一組相對平穩的子序列，以剔除部分波動性較大的誤差分量，
7、s4、根據分解結果構建更能反映歷史數據時序變化特征的多層模態子序列特征矩陣，將不同輸入特征及溶解氧濃度的對應子序列組成子序列輸入矩陣；
8、s5、采用cnn-tcn神經網絡進行特征提取和溶解氧濃度預測，然后通過反歸一化和子序列重構得到最終的預測結果，并對此進行誤差評估。
9、進一步地，所述步驟1對所述歷史數據進行數據清洗，進行去異常值和數據補全。運用拉依達準則法進行異常值剔除，得到歷史溶解氧濃度數據、水質歷史數據、氣象歷史數據；在剔除異常值的基礎上，再采用雙線性插值法分別對數據集的缺失數據進行填補，得到處理好的完整的溶解氧濃度數據及其他水質參數歷史數據和氣象參數數據。
10、然后再將已經清洗完的數據進行歸一化處理。所述歸一化公式表示為：
11、
12、式中：x是標準化前的數據，x'是對應的歸一化數據，m和s分別表示原始數據的均值和標準差。
13、進一步地，所述步驟2利用pearson相關性系數分析溶解氧濃度與水質數據、氣象數據之間的相關性，從而確定強相關性氣象因子，其計算公式為：
14、
15、式中：pxy為pearson相關系數，x，y為相關因子；分別為兩個因子的均值；
16、考慮到溶解氧濃度在周期內有很強時序連續性，待測時刻t的溶解氧濃度大小與歷史的溶解氧濃度具有很強的關聯性，需要引入歷史溶解氧濃度作為預測的延時輸入特征。而延時步長會直接影響模型的預測效果，如果延時步長太長會導致預測模型過擬合，若延時步長太短又會使得模型不能夠完全學習輸入特征的時間依耐性。根據溶解氧濃度延時步長的選取結果，進行延時輸入特征擴充，引入歷史溶解氧濃度作為輸入特征；
17、進一步地，所述步驟3考慮到溶解氧濃度和ph等是高度振蕩且不穩定的信號，其波動性會使得預測此類信號變得比較困難。本文采用模態分解的方法將時間序列信號分解為多個組成部分，會產生更穩定、波動更小的時間序列。這些時間子序列信號會提高預測精度。
18、設溶解氧濃度數據、水質數據、氣象數據的時間序列數據為x＝[x1,x2,......,xn]，其中n為時間序列信號長度，構建d維軌跡矩陣x，如下式所示：
19、m＝n-(d-1)
20、
21、式中：λ為延時時間。
22、根據矩陣a構造哈密頓矩陣m：
23、a＝xtx
24、
25、則令n＝m2，以此來構造辛正交矩陣q：
26、
27、式中：b為上三角矩陣，計算其特征值為λ1,λ2,......,λd，則矩陣a的特征值為：
28、
29、式中：σi按照矩陣a的辛幾何譜分布，q(i＝1,2...,d)由σi的特征向量組成，則各分量矩陣的重構步驟如下：
30、
31、zi＝qisi
32、式中：i＝1,2,……,d。則初始單分量軌跡矩陣z如下式所示：
33、z＝z1+z2+·+zd
34、式中：z∈rm×d。定義zi中元素zij，1≦i≦d，1≦j≦m，且d*＝min(m,d)，m*＝max(m,d)，n＝m+(d-1)τ，則：
35、
36、則對角平均轉換矩陣可由下式得到：
37、
38、通過對角平均可將矩陣z變換為d×n維的矩陣y，從而將輸入變量信號x分解為d個具有不同中心頻率的辛幾何模態分量：
39、y＝y1+y2+…+yd
40、進一步地，所述步驟4為了更好的挖掘氣象因素、水質因素和溶解氧濃度的周期性，本文采用由卷積神經網絡和時間卷積網絡組成的cnn-tcn作為特征提取和溶解氧濃度預測模型，將溶解氧濃度、其他水質參數數據和氣象數據作為其輸入，使得模型可以深度挖掘輸入特征之間的相關性，以及特征時間序列的變化趨勢，
41、卷積神經網絡模型主要由三層組成，輸入層、隱藏層和輸出層。隱藏層為特征提取層，主要由卷積層和池化層組成。為了提高模型的特征提取能力，設計多層卷積層。其數學表達式如下：
42、fi＝σ(wi*xi+bi)
43、式中：xi為第i個卷積層輸入特征；”*”表示卷積運算；wi和bi和分別表示第i個卷積層卷積核的權重矩陣和偏執向量；fi為第i個卷積層輸出特征；σ表示relu激活函數。
44、溶解氧濃度作為周期性數據，呈現出極大的時序相關性。因此將由cnn模塊提取到的特征向量經過flatten層的扁平化處理后輸入到tcn中，以此來提取輸入特征的時序特性，計算向前傳播特性和反向傳播特性，進一步提高預測精度，本文檔來自技高網...
【技術保護點】
1.一種基于數據分解和深度學習的溶解氧濃度預測方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的基于數據分解和深度學習的溶解氧濃度預測方法，其特征在于，步驟S1中，運用拉依達準則法，給定一個置信概率，并確定一個置信限，認為超出此限的誤差不屬于隨機誤差范圍，將其視為異常值剔除，得到無異常值的數據；
3.根據權利要求1所述的基于數據分解和深度學習的溶解氧濃度預測方法，其特征在于，步驟S1中，使用Z-Score方法將所有數據歸一化。
4.根據權利要求1所述的基于數據分解和深度學習的溶解氧濃度預測方法，其特征在于，步驟S2中，考慮到溶解氧濃度在周期內有很強時序連續性，待測時刻t的溶解氧濃度大小與歷史的溶解氧濃度具有很強的關聯性，根據溶解氧濃度延時步長的選取結果，進行延時輸入特征擴充，引入歷史溶解氧濃度作為輸入特征。
5.根據權利要求1所述的基于數據分解和深度學習的溶解氧濃度預測方法，其特征在于，步驟S3中，設溶解氧濃度、其它水質數據、氣象數據的時間序列數據為x＝[x1,x2,......，,xn]，其中n為時間序列信號長度，構建d維
6.根據權利要求1所述的基于數據分解和深度學習的溶解氧濃度預測方法，其特征在于，步驟S4中，將由CNN網絡提取到的特征向量經過展平Flatten層的扁平化處理后輸入到TCN網絡中，以此來提取輸入特征的時序特性，計算向前傳播特性和反向傳播特性，進一步提高預測精度。
7.根據權利要求1所述的基于數據分解和深度學習的溶解氧濃度預測方法，其特征在于，步驟S4中，訓練CNN-TCN神經網絡使用的損失函數為均方誤差MSE。
8.一種計算機存儲介質，其上存儲有計算機程序，其特征在于，該計算機程序被處理器執行時實現如權利要求1-7中任一項所述的一種基于數據分解和深度學習的溶解氧濃度預測方法。
9.一種計算機設備，包括儲存器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述計算機程序時，實現如權利要求1-7中任一項所述的一種基于數據分解和深度學習的溶解氧濃度預測方法。
...【技術特征摘要】
1.一種基于數據分解和深度學習的溶解氧濃度預測方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的基于數據分解和深度學習的溶解氧濃度預測方法，其特征在于，步驟s1中，運用拉依達準則法，給定一個置信概率，并確定一個置信限，認為超出此限的誤差不屬于隨機誤差范圍，將其視為異常值剔除，得到無異常值的數據；
3.根據權利要求1所述的基于數據分解和深度學習的溶解氧濃度預測方法，其特征在于，步驟s1中，使用z-score方法將所有數據歸一化。
4.根據權利要求1所述的基于數據分解和深度學習的溶解氧濃度預測方法，其特征在于，步驟s2中，考慮到溶解氧濃度在周期內有很強時序連續性，待測時刻t的溶解氧濃度大小與歷史的溶解氧濃度具有很強的關聯性，根據溶解氧濃度延時步長的選取結果，進行延時輸入特征擴充，引入歷史溶解氧濃度作為輸入特征。
5.根據權利要求1所述的基于數據分解和深度學習的溶解氧濃度預測方法，其特征在于，步驟s3中，設溶解氧濃度、其它水質數據、氣象數據的時間序列數據為x＝[x1,x...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。