[发明专利]一种基于时间序列模型的水质预测方法及系统

权利要求书

1.一种基于时间序列模型的水质预测方法，其特征在于，所述方法包括以下步骤：

步骤1：输入水质时间序列数据；

步骤2：通过遗传算法将水质时间序列数据进行切片得到多个数据片段，并选择最优个体作为最佳长时间序列长度；

步骤3：通过深度学习方法对水质时间序列数据进行训练建模，将每个数据片段作为一条训练集放入深度学习模型中进行训练；

步骤4：训练后续阶段加入注意力机制，将最佳长时间序列长度作为滑动窗口，在滑动窗口中进行编码，对所需预测的任务赋予不同权重，引入预设参数并进行解码得到预测数据；

步骤5：输出预测数据。

2.根据权利要求1所述的一种基于时间序列模型的水质预测方法，其特征在于，在步骤1中，水质时间序列数据主要包括在某个时间的溶解氧、化学需氧量、氨氮、总磷、高锰酸钾指数五个水质指标。

3.根据权利要求1所述的一种基于时间序列模型的水质预测方法，其特征在于，在步骤2中，通过遗传算法将水质时间序列中的数据进行切片的方法包括以下步骤：

步骤2.1：初始化定义时间序列长度；

步骤2.2：设定一个时间序列长度区间；

步骤2.3：对于最初定义的时间序列长度，使用二进制将其编码；

步骤2.4：使用伯努利分布随机初始化；

步骤2.5：同时使用有序分频，随机调整突变和轮盘选择三种方法，进行种群进化；

步骤2.6：通过计算，得到进化后的最优长度；

步骤2.7：根据最优长度生成滑动窗口，在时间序列上滑动，每个窗口就是一个时间序列片段切片。

4.根据权利要求1所述的一种基于时间序列模型的水质预测方法，其特征在于，在步骤3中，所述深度学习方法为：LSTM网络,LSTM网络是一种时间循环神经网络，用于解决RNN网络存在的长期依赖问题，所有的RNN都具有一种重复神经网络模块的链式形式。

5.根据权利要求1所述的一种基于时间序列模型的水质预测方法，其特征在于，在步骤4中，训练后续阶段加入注意力机制，将最佳长时间序列长度作为滑动窗口，在滑动窗口中进行编码，对所需预测的任务赋予不同权重的方法为：

步骤4.1：输入水质时间序列数据；

步骤4.2：空间注意力结合水质数据：在编码器的每个单元的输入部分使用空间注意力机制来建模动态空间关联性，空间注意力机制可以学习到周围传感的历史数据对预测站点的动态影响；

步骤4.3：时间注意力结合水质数据：在编码器和解码器之间加入时间注意力机制来建模动态时间相关性，时间注意力机制可以学习到历史时间点和预测时间点之间的动态关系；

步骤4.4：为解决外部因素对地理传感器时间序列的影响，将多源跨域数据分别投影到低维向量中，然后经过对外部因素进行量化，将其数值化融合为向量输出；

步骤4.5：生成水质新特征并计算：在解码阶段生成新特征并进行水质预测；

步骤4.6：输出预测数据。

6.一种基于时间序列模型的水质预测系统，其特征在于，所述系统包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下系统的单元中：

数据输入单元，用于输入水质时间序列数据；

切片优选单元，用于通过遗传算法将水质时间序列数据进行切片得到多个数据片段，并选择最优个体作为最佳长时间序列长度；

训练建模单元，用于通过深度学习方法对水质时间序列数据进行训练建模，将每个数据片段作为一条训练集放入深度学习模型中进行训练；

注意力机制单元，用于训练后续阶段加入注意力机制，将最佳长时间序列长度作为滑动窗口，在滑动窗口中进行编码，对所需预测的任务赋予不同权重，引入预设参数并进行解码得到预测数据；

数据输出单元，用于输出预测数据。