[发明专利]水质预测方法及系统

说明书

本发明提供一种水质预测方法及系统，所述方法使用ARIMA自回归积分滑动平均模型与BP神经网络相结合的方法对水质时间序列数据的预测。本发明所述方案可以对待预测水域大量水质数据进行预测，具有预测范围大、精度高和速度快的特点，便于多水源监管、水质预警、水污染治理。

技术领域

本发明涉及环境预测技术领域，更具体地，涉及水质预测方法及系统。

背景技术

目前，水质预测是实现水系统的柔性管理、防治水污染的前提工作。复杂水域的水环境涉及的环境影响因素较多，正是因为环境系统的复杂性，环境模拟的数学模型建立就具有不确定性和复杂性的特点，同时局限了预测方法的应用。环境问题复杂多样，环境介质有不同的类型，如天气因素可以决定河流山川的水流速、浊度等。使用历史数据，可通过不同的预测方法推求环境变量与待预测水质指标之间的非线性关系或待预测水质指标本身随时间的变化规律。目前，比较常用的预测方法有水质模拟预测、神经网络模型预测、时间序列预测法和灰色预测模型法和基于混沌理论的水质预测法等5大类。

水域的季节性变化明显，受人类活动和水文气象条件的双重影响，利用上也存在众多难度，这就需要我们及时地监测相应流域的的水量与水质变化状况。流域水质的影响因子为PH、溶解氧(DO)、电导率(EC)、浊度(TU)、氨氮(NH3-N)、化学需氧量(COD)、总磷(TP)、总氮(TN)等8个水质参数，从目前来看这些参数基本能满足水质预测要求。对其中溶解氧、氨氮、总磷、总氮的预测，不论对不同流域的污染治理、水源管理都具有重要意义。利用采集的时间序列水质数据，分析监测数据，利用模型预测等是具有可行性的。

现有技术中，Wedding and Cios提出了一个使用径向基函数网络(RBF)和Box-Jenkins模型相结合的方法；Pelikan等和Ginzburg和Horn提出了结合一些前馈神经网络的方法来改善时间序列预测的准确性；一些混合模型也已经出现，如使用自动回归滑动平均模型(ARIMA)和人工神经网络(ANNs)相结合的方法应用于时间序列预测；Chen and Wang构造了组合模型，合并季节性自回归综合移动平均(SARIMA)和支持向量机，用于季节性时间序列模型预测；Zhou and Hu提出了一种基于灰色和Box-Jenkins自回归移动平均模型的混合建模和预测方法。Tseng等提议使用结合了季节性ARIMA(SARIMA)模型和反向传播神经网络的SARIMABP混合模型来预测季节性时间序列数据。Mehdi Khashei等使用ARIMA与ANN的混合模型来对时间序列数据进行预测。

但上述现有技术并没有对于水质预测上起到明显精准预测的有益效果，其预测结果远远不能达到相应的使用标准。

发明内容

本发明为克服上述问题或者至少部分地解决上述问题，提供水质预测方法及系统，使用将ARIMA自回归积分滑动平均模型与BP神经网络相结合的方法实现对水质预测。

根据本发明的一个方面，提供水质预测方法，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预测值；基于待预测水域历史气象因素时间序列数据，利用BP神经网络模型，获取所述待预测水域气象因素预测值；

步骤2，将所述待预测水域气象因素预测值和所述待预测水域水质参数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。

进一步，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预测值。

进一步，所述步骤1进一步包括：