[发明专利]一种基于时间序列模型的水质预测方法及系统

说明书

本发明公开了一种基于时间序列模型的水质预测方法及系统，结合遗传算法对水质时间序列数据进行时间片段进行优化，然后将优化后的时间片段数据作为单条数据送入模型训练；结合注意力机制在模型的编解码阶段，对水质数据实现多层注意力机制，并引入外部信息实现联合建模，实现最终的水质数据预测；本发明使用遗传算法的自动优化方法来解决解决最佳时间序列滑动窗口的问题，提升了最终的预测效果。并且实现了全自动化的时序预测过程，极大的节省了时间成本，提高预测效率。

技术领域

本公开涉及机器学习技术、水质监测技术领域，具体涉及一种基于时间序列模型的水质预测方法及系统。

背景技术

河流水质预测是河流水质管理过程中的一个重要环节，河流水质预测的结果将会直接影响到环境监管部门对河流进行监测预警与污染防范的准确度。当前在大多数河流水质预测方案中主要是通过统计学模型或机器学习模型来对河流水质的时间序列进行分析预测，但是都不能将预测过程中的准确度大幅提升，且在时间序列进行样本训练时，不能够自动选择最佳的水质时间序列片段长度传入模型进行训练，而是需要在人工干预下手动选择时间序列片段的长度。早期的研究与实验中发现，在水质时间序列较为完整的情况下，采用单步(每次训练的时间序列为一个长度，即步长为1)训练在这方面能够取得一定的预测效果。但是如果出现时间序列中某些时间点有缺失或时间序列采集的时间跨度不一时，水质预测的准确度会大幅下降。可见对于水质时间序列数据直接进行单步预测的效果并不理想，关键还是要通过滑窗法选取合适的水质时间序列片段进行训练，才能取得较为准确的预测效果。其次，在河流水质预测的实践中，绝大多数算法在长时间序列预测方面的效果较差，主要原因是在长时间序列预测时，由于没有对时间序列数据中的主要预测任务进行权重化，即未对需要进行预测的任务重点关注，这导致在模型训练中，无法判别哪些信息是模型真正需要的，哪些是不必要的，这就极大地影响了长时间序列预测最终的效果。所以，实现一个能够自动筛选最佳时间序列片段长度以及在长时间片段进行针对性信息保留训练的模型是非常有意义的。

现有的河流水质预测模型都是基于统计学中的ARIMA模型或机器学习中的SVR模型对河流水质进行长短期预测，由于河流水源与外界环境交互的多因素性，导致河流水质状况趋势呈现非规律性，上述两种模型在进行水质长时间序列预测时，会导致针对水质指标的信息丢失，同时由于训练时时间窗口大小的选择，对后续的预测精度也会带来一定影响，如ARIMA模型进行水质预测时，只能针对稳定的水质时序数据进行预测，且本质上只能捕捉水质多个特征的线性关系，SVR模型提出的对水质进行预测，会利用滑动窗口方法进行时序长度选择，但是一般该模型的滑动窗口长度固定，即时序长度是固定的。对于不同河流的时间序列，无法做到自适应获取最佳的时序长度。然而在实际情况中，绝大多数的水质预测场景都会出现不同的河道以及不同的外界交互因素，因而对于水质时间序列预测任务，这些方法都不能充分解决这样的实际问题。水质时间序列预测任务需要考虑到在不同河流场景下长时间预测的准确性问题，在对河流中远期水质进行预测时应该做到预测中有效信息的保留以及预测的准确。因此需要综合考虑预测模型在水质时间序列上的最佳长度及抑制长时间序列信息丢失问题。本发明旨在通过结合深度学习方法与元启发式算法(遗传算法)的混合方法，将水质时间序列的切片长度进行合理选择，同时在水质模型中加入Attention机制，以自动化的方法选择最佳切片长度及有效抑制长时间序列信息丢失问题，并且也保证能产生有效的结果。从现有的技术中发现，它们都是基于统计学方法或机器学习方法来实现河流水质时间序列数据预测的，且最终的水质预测效果也不够理想。另外，对于时间序列片段长度(最佳时间序列滑动窗口大小)的选择，现有的技术不能很好的解决，只能通过人工干预的方法解决此类问题。

发明内容