[发明专利]基于门控循环单元网络集成的水质预测方法

说明书

本发明专利针对水质变化难以预测导致污染事故发生的现状，设计了高精度预测算法。算法创新性地运用集成门控循环单元对历史水质指标的时序数据进行处理，从而进行水质的预测及分析。算法由PYTHON3.6.5的Keras工具搭建，包括集成五个门控循环单元网络，并利用均值法集成上述五个门控循环单元。多个水质指标的时间序列数据作为算法的输入，最终得到高准确率水质效果。该算法为水质预测提供了一种新的解决方案，可为水污染防治提供可靠的评价与预警，进而在水质预测领域进行广泛应用。

【技术领域】

本发明涉及一种基于门控循环单元网络集成的水质预测方法，属于水环境检测领域。

【背景技术】

水是生命的源泉，是生物赖以生存和经济发展的必要条件。目前我国666个城市中就有近一半的城市缺水。更糟糕的是，在水资源如此缺乏的情况下，受我国工业化进程的快速发展及河流自净能力下降的影响，全国七大水系超70％的河段遭到污染，城市水域约90％遭到严重污染。水污染问题已经成为我国经济社会发展的最重要制约因素之一，水污染的防治得到了国家和地方政府高度重视。根据水质监测历史数据，建立水质预测模型，精确预测水体中污染物的成分变化及未来发展趋势，从而为水污染控制和治理提供信息和技术支持、为水环境保护的具体实施措施提供可靠依据。建立有限可靠的水质预测模型可以将事后治理转换为事前预防，是近年来水环境科学领域研究的热点。

由于水质成分的多样性和复杂性，水质指标直接往往存在高度的非线性关系，传统线性方法很难建立精准的水质预测模型。目前典型的水质模拟模型的研究主要运用了MIKE21水力水质模型、EFDC水动力模块、AnnAGNPS流域水文非点源模型和结合一维随机水质降解和二位迁移扩散模型，但这些模型的建立需要充分考虑的自然环境影响，需要专业的人员进行评估，在模型的建立时候需要运用大量的先验知识。门控循环单元作为一种优秀的深度学习时间序列预测方法，可以有效地挖掘和利用动态时间序列的隐藏信息。近年来，集成学习在很多分类和回归任务中体现出了极大的优势，受集成学习巨大性能的启发，本申请人提出了一种基于门控循环单元网络时间序列预测集成方法来解决上述问题，以提高水质的预测精度。

【发明内容】

本发明专利针对上述现有技术存在的缺陷，设计了一种基于门控循环单元网络集成的水质预测方法。本发明专利的技术系统能很好的利用历史水质指标数据实现水质指标的预测，实现水污染的防治。

为实现水质的精准预测，本发明专利提出了基于门控循环单元网络集成的水质预测方法。为了提高单一深度学习方法的泛化能力和鲁棒性，在本专利所提出的方法中，首先用m个具有不同隐藏层数和不同神经元个数的门控循环单元(GRU)，分别预测水质指标的时序数据，以探索和利用时间序列的隐含信息。然后用均值法集成m个GRU的输出结果。要求本发明专利的有益效果：本发明专利由PYTHON3.6.5的Keras工具搭建，再结合正确的数据采集和参数优化，有效提高水质预测精度，从而提高水环境保护的效率。如图1为算法流程图。

整个算法的结构的具体步骤如下：

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：将水质指标时序数据训练数据输入GRU，运用反向传播和梯度下降对m个GRU网络进行训练；