[发明专利]基于门控循环单元网络集成的水质预测方法

权利要求书

1.基于门控循环单元网络集成的水质预测方法，包括以下步骤：

步骤1：数据采集后进行预处理，得到水质指标时序数据，并划分数据集为训练集和测试集；

步骤2：不同结构的GRU网络的搭建；

步骤3：输入训练集，运用反向传播和梯度下降对五个GRU网络进行训练；

步骤4：搭建最终的预测模型，运用均值法集成训练好的五个GRU网络输出结果；

步骤5：将最终模型进行保存，输入测试集进行识别效果测试，最终模型可用于实际水质预测环节。

2.根据权利要求1所述的水质预测中的门控循环单元网络集成方法，其使用范围在天然水系统：河流、湖泊、水库和人工水系统：供水厂和污水厂的水质预测系统的应用，能有效预测水质指标的发展。

3.根据权利要求所述基于门控循环单元网络集成的水质预测方法,其特征是所述步骤1包括以下步骤；

步骤1.1：数据采集：本专利的实现方法所采集的数据为：同一位置的4种典型水质指标的历史时序数据，即pH值、DO、COD_Mn、NH₃-N、TN和TP，但不仅限于这六种指标；

步骤1.2：数据预处理：对指标历史时序数据进行均值法缺失值填补和标准化后得到最终的历史时序数据集。

步骤1.3：数据集划分：将历史时序数据集以8:2的比例划分为训练集和测试集。

4.根据权利要求所述基于门控循环单元网络集成的水质预测方法，其特征是所述步骤2包括以下步骤；

不同结构GRU网络的搭建：GRU-1有L1个隐藏层，每个隐藏层上分别有Na(a＝1,2,...,L1)个神经元个数。GRU-2有L2个隐藏层，每个隐藏层上分别有Nb(b＝1,2,...,L2)个神经元个数。GRU-3有L3个隐藏层，每个隐藏层上分别有Nc(c＝1,2,...,L3)个神经元个数。GRU-4有L4个隐藏层，每个隐藏层上分别有Nd(d＝1,2,...,L4)个神经元个数。GRU-5有L5个隐藏层，每个隐藏层上分别有Ne(b＝1,2,...,L5)个神经元个数。

5.根据权利要求所述基于门控循环单元网络集成的水质预测方法，其特征是所述步骤3包括以下步骤；

步骤3.1：初始化网络内部参数，并将训练集并行输入5个不同的GRU中进行同时训练；

步骤3.2：使用反向传播和梯度下降调节所搭建网络的内部参数；

步骤3.3：进行N轮训练后模型收敛。

步骤3.4：训练结束后保存每个训练好的GRU模型。

6.根据权利要求所述基于门控循环单元网络集成的水质预测方法，其特征是所述步骤4包括以下步骤；

模型的输入数据直接分别输入到每个GRU，得到的每个输出结果进行均值整合后才为最终模型的输出预测结果。

7.根据权利要求所述基于门控循环单元网络集成的水质预测方法，其特征是所述步骤5包括以下步骤；

步骤5.1：将未经过训练的样本数据输入最终训练好的预测模型

步骤5.2：数据通过模型，分别喂5个不同的GRU模型，得到不同的预测结果；

步骤5.3：将所有的预测结果求均值后，与真实值进行对比，得到最终的模型评价指标。

步骤5.4：最终的预测模型可以用于实际水质监测环节。