[发明专利]一种湖泊水质预测方法及系统

说明书

本发明公开一种湖泊水质预测方法及系统。方法包括：获取原始数据集，原始数据集包括训练集和测试集；对原始数据集进行预处理；采用不敏感损失函数和支持向量回归的方法对预处理后的训练集进行分段训练，得到分段训练集；采用主成分分析法对预处理后的训练集进行分析，确定变量权重；根据分段训练集和变量权重对训练集进行优化，得到优化后的训练集；采用反向传播人工神经网络方法，建立湖泊水质预测模型；对预测模型进行调节测试，得到调节后的湖泊水质预测模型；获取预处理后的当月水质数据；将当月水质数据带入到调节后的湖泊水质预测模型，得到未来时间段内的水质数据。采用本发明的方法或系统能够解决现有技术中水质预测精度不高的问题。

技术领域

本发明涉及湖泊水质监测领域，特别是涉及一种湖泊水质预测方法及系统。

背景技术

空气和水是维持生命的基本条件。近30年来，随着我国城镇化和工业化的快速发展，经济增长速度始终维持较高水平，城市人口不断膨胀，速度优先的经济发展模式导致的空气污染和水质恶化成为阻碍我国可持续发展、降低人民生活质量的主要原因。近年来，政府投入了大量人力、物力控制并改善空气和水环境。与局部区域的空气污染问题相比，我国水环境污染更加严峻，呈现出全面污染的局面，江河湖泊出现了不同程度的污染，湖泊自恢复能力下降，富营养化日趋严重。对水质客观、准确的评价，对历史水质变化过程的情景再现及对未来水质变化趋势的预测、模拟是对湖泊水资源合理规划与综合管理的重要依据。

湖泊水质预测是通过一定的模型和算法建立多元监测数据与水质参数间的映射关系，一般可通过显式或隐式的方法建立其映射关系，常用的显式方法有多元线性回归法、概率论法、指数法等，上述方法均是通过建立线性模型实现对水质参数的预测，具有建模与响应速度快等优点，适合解决参数间关系简单、具有较明显的线性特征的问题；常用的隐式方法有神经网络、灰色理论等高维非线性模型，具有较强的非线性映射和学习能力、较高的容错性和较好的泛化能力。单一的水质预测模型在水质预测与评估中已得到了广泛的应用，但单一预测算法存在对现有数据和信息利用不充分的缺点，导致预测精度和效果并不理想。

发明内容

本发明的目的是提供一种湖泊水质预测方法及系统，解决现有技术中水质预测精度不高的技术问题。

为实现上述目的，本发明提供了如下方案：

一种湖泊水质预测方法，包括：

获取原始数据集，所述原始数据集包括训练集和测试集；

对所述原始数据集进行预处理；

采用不敏感损失函数和支持向量回归的方法对预处理后的训练集进行分段训练，得到分段训练集；

采用主成分分析法对所述预处理后的训练集进行分析，确定变量权重；

根据所述分段训练集和所述变量权重对所述训练集进行优化，得到优化后的训练集；

根据所述优化后的训练集采用反向传播人工神经网络方法，建立湖泊水质预测模型；

根据所述测试集对所述预测模型进行调节测试，得到调节后的湖泊水质预测模型；

获取预处理后的当月水质数据；

将所述当月水质数据带入到所述调节后的湖泊水质预测模型，得到未来时间段内的水质数据。

可选的，所述获取原始数据集，所述原始数据集包括训练集和测试集，具体包括：

获取原始数据集，所述原始数据集包括训练集和测试集，所述训练集和所述测试集均包括叶绿素a浓度、水温、pH值水质参数的监测数据。

可选的，所述对所述原始数据集进行预处理，具体包括：