[发明专利]一种基于混合模型组合算法的多特征水质预测方法

说明书

本发明涉及水质环境测量领域，本发明提出的一种基于混合模型组合算法的多特征水质预测方法，包括：S1、建立水质预测数据集；S2、对数据集进行预处理，包括去噪、缺失值填充和数据归一化操作；S3、基于SARIMA和LSTM组合多特征预测方法构建水质预测模型；S4、使用上述水质预测模型预测未来一段时间内水质变化趋势。该方法将序列分为两部分来处理，其中SARIMA算法处理目标序列线性信息，LSTM算法结合水质和天气影响因素来处理目标序列复杂多变的非线性部分信息，最后对两部分信息做融合得到完整预测值。

技术领域

本发明涉及水质环境测量领域，具体涉及一种基于SARIMA和LSTM组合算法的多特征水质预测方法。

背景技术

现代科技的进步发展是以自然资源的不断消耗为代价的，水质环境保护在当代社会显得越来越重要。在实际工作中，水质监测主要还是依靠人工判断，缺乏有效的预警体系，且监察不当容易导致环境的恶性发展，因此，环境保护工作中发展更敏捷、更智能的监测手段也变得越来越有必要。

目前智能检测方法使用技术主要分为了传统时间序列预测方法、机器学习方法、深度学习方法及各类组合方法。传统时间序列预测方法能够利用数据间的线性关系，很好地捕捉其线性动态发展趋势，因其简单、易操作的特性，此类模型在时间序列预测领域应用非常广泛，但是，对于复杂非线性特征，它无法捕捉到不稳定数据间的规律，因此传统时序模型还是存在不足。例如，单独的SARIMA 算法擅长于线性预测，不能很好地处理数据中非线性信息，而LSTM算法虽然具有强大的数据挖掘能力，但模型训练复杂度高，且因数据量大小限制，容易造成模型过度拟合。

由于水环境生态系统组成成分复杂，水质影响因素通常会表现为某一个特征内具有较强时间依赖性，特征之间又有相互作用、相互反映的特性。但目前的水质预测方法中，包括传统时间序列预测方法、机器学习方法以及深度学习方法，都只针对水质中某一个因素做预测，而忽略了与其紧密关联的其他影响因素。

发明内容

本发明的目的是提供一种基于混合模型组合算法的多特征水质预测方法，其避免了LSTM算法需要大量数据样本的局限性，同时，既可以利用好SARIMA算法的线性部分处理优势，得到一个可解释性线性预测结果，又能够在此基础上，通过LSTM算法融合目标预测特征的相关天气、水质影响因素，抓取在SARIMA算法中被忽视的非线性信息，对数据非线性部分做单独处理，在两部分信息都被充分挖掘的情况下，得到一个更精确的预测值。

本发明提出的一种基于混合模型组合算法的多特征水质预测方法，包括：

S1、建立水质预测数据集；

S2、对数据集进行预处理，包括去噪、缺失值填充和数据归一化操作；

S3、基于SARIMA和LSTM组合多特征预测方法构建水质预测模型；

S4、使用上述水质预测模型预测未来一段时间内水质变化趋势。

本发明一种基于混合模型组合算法的多特征水质预测方法的有益效果：该方法将序列分为两部分来处理，其中SARIMA算法处理目标序列线性信息，LSTM算法结合水质和天气影响因素来处理目标序列复杂多变的非线性部分信息，最后对两部分信息做融合得到完整预测值。这样选择是由于SARIMA算法擅长于线性预测，不能很好地处理数据中非线性信息，而LSTM算法虽然具有强大的数据挖掘能力，但模型训练复杂度高，且因数据量大小限制，容易造成模型过拟合。故选择引入LSTM算法辅助SARIMA算法提高其预测精度，该混合算法从理论上来说，首先避免了LSTM算法需要大量数据样本的局限性，同时，既可以利用好SARIMA 算法的线性部分处理优势，得到一个可解释性线性预测结果，又能够在此基础上，通过LSTM算法抓取在SARIMA算法中被忽视的非线性信息，对数据非线性部分做单独处理，在两部分信息都被充分挖掘的情况下，得到一个更精确的预测值。因此，该方法能够使训练出的模型具有更优的拟合效果，在实际水质预测过程中取得更好的精度。