[发明专利]水质预测方法及系统

权利要求书

1.一种水质预测方法，其特征在于，包括：

步骤1，基于待预测水域水质参数历史时间序列数据，利用ARIMA自回归积分滑动平均模型，获取所述待预测水域水质参数第一预测值；基于待预测水域历史气象因素时间序列数据和待预测水域水质参数历史时间序列数据，利用BP神经网络模型，获取所述待预测水域水质参数第二预测值；

步骤2，将所述待预测水域水质参数第一预测值和所述待预测水域水质参数第二预测值在待预测各时间点的值进行相加,得到所述待预测水域的水质预测结果；

其中，所述步骤1进一步包括：

基于待预测水域水质参数历史时间序列数据，利用ARIMA自回归积分滑动平均模型，训练得到水质线性数据预测模型；基于待预测水域水质参数的输入数据，利用所述水质线性数据预测模型，获取所述待预测水域水质参数第一预测值；

其中，所述步骤1进一步包括：

基于待预测水域水质参数历史时间序列数据，利用LM-BP神经网络模型，训练得到水质非线性数据预测模型；基于待预测水域气象因素时间序列数据的输入数据，利用所述水质非线性数据预测模型，获取所述待预测水域水质参数第二预测值；

其中，所述基于待预测水域水质参数历史时间序列数据，利用ARIMA自回归积分滑动平均模型，训练得到水质线性数据预测模型的步骤进一步包括：

判断待预测水域水质参数历史时间序列数据的平稳性：经过d次差分处理，建立ARIMA(p,d,q)自回归积分滑动平均模型；计算所述ARIMA(p,q)自回归积分滑动平均模型的系数和阶数；计算所述ARIMA自回归积分滑动平均模型的参数；

其中，p为自回归项；MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。

2.如权利要求1所述的方法，其特征在于，所述基于待预测水域历史气象因素时间序列数据和待预测水域水质参数历史时间序列数据，利用BP神经网络模型，训练得到水质非线性数据预测模型的步骤进一步包括：

基于待预测水域历史气象因素时间序列数据和待预测水域水质参数历史时间序列数据，利用反向传播算法对BP神经网络模型的权值和偏差进行反复的调整训练，当网络输出层的误差平方和小于阈值时，保存所述BP神经网络模型的权值和偏差。

3.如权利要求1或2任一所述的方法，其特征在于，所述步骤1前还包括：删除所述待预测水域历史气象因素时间序列数据和待预测水域水质参数历史时间序列数据中的空缺值。

4.如权利要求1所述的方法，其特征在于，ARIMA自回归积分滑动平均模型ARIMA自回归积分滑动平均模型计算所述ARIMA自回归积分滑动平均模型的参数的步骤后还包括：将建立ARIMA自回归积分滑动平均模型过程中的出错数据，结合所述待预测水域历史气象因素时间序列数据，利用LM-BP神经网络模型，获取所述待预测水域水质参数第二预测值。

5.如权利要求1所述的方法，其特征在于，所述基于待预测水域水质参数历史时间序列数据，利用ARIMA自回归积分滑动平均模型，训练得到水质线性数据预测模型的步骤进一步包括：

S111，采用ADF单位根检验来判断待预测水域水质参数历史时间序列数据的平稳性：经过d次差分处理，建立ARIMA(p,d,q)自回归积分滑动平均模型；

S112，利用自相关函数和偏自相关函数计算所述ARIMA(p,q)自回归积分滑动平均模型的系数和阶数；利用最小二乘法计算所述ARIMA自回归积分滑动平均模型的参数。

6.如权利要求1所述的方法，其特征在于，所述步骤1前还包括：

S0，对待预测水域历史气象因素进行数据预处理，得到各气象因素中主成分的以下值中至少一种：特征值、贡献率和累计贡献率。

7.一种水质预测方法系统，其特征在于，包括：

预测模块，用于基于待预测水域水质参数历史时间序列数据，利用ARIMA自回归积分滑动平均模型，获取所述待预测水域水质参数第一预测值；基于待预测水域历史气象因素时间序列数据和待预测水域水质参数历史时间序列数据，利用BP神经网络模型，获取所述待预测水域气象因素第二预测值；

叠加模块，用于将所述待预测水域水质参数第一预测值和所述待预测水域水质参数第二预测值在待预测各时间点的值进行相加，得到所述待预测水域的水质预测结果；

其中，所述预测模块进一步用于基于待预测水域水质参数历史时间序列数据，利用ARIMA自回归积分滑动平均模型，训练得到水质线性数据预测模型；基于待预测水域水质参数的输入数据，利用所述水质线性数据预测模型，获取所述待预测水域水质参数第一预测值；

所述预测模块进一步用于基于待预测水域水质参数历史时间序列数据，利用LM-BP神经网络模型，训练得到水质非线性数据预测模型；基于待预测水域气象因素时间序列数据的输入数据，利用所述水质非线性数据预测模型，获取所述待预测水域水质参数第二预测值；

其中，所述基于待预测水域水质参数历史时间序列数据，利用ARIMA自回归积分滑动平均模型，训练得到水质线性数据预测模型具体包括：

判断待预测水域水质参数历史时间序列数据的平稳性：经过d次差分处理，建立ARIMA(p,d,q)自回归积分滑动平均模型；计算所述ARIMA(p,q)自回归积分滑动平均模型的系数和阶数；计算所述ARIMA自回归积分滑动平均模型的参数；

其中，p为自回归项；MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。