[发明专利]水质预测方法、装置及服务器

说明书

本发明提供一种水质预测方法、装置及服务器，该方法包括：获取预设时间段内所有预设监测点的水质特征数据，根据所述水质特征数据获得无向图矩阵，根据无向图矩阵确定邻接矩阵，并根据无向图构建输入矩阵；采用基于空间注意力的图卷积模块、结合基于时间注意力的长短期记忆网络模块构建预测模型；将水质数据划分为训练集和测试集，并利用训练集训练上述预测模型；将需要预测的数据作为测试数据输入训练好的预测模型中，获得预测的水质特征数据，提高了水质预测结果的准确性。

技术领域

本发明涉及水环境预测技术领域，尤其涉及一种水质预测方法、装置及服务器。

背景技术

随着社会经济的发展，我国进入工业化时代，我国河流湖泊等不同水系出现了水污染的问题。例如河流湖泊内出现了重金属超标和富营养化的问题，导致水域内出现蓝藻水华问题，蓝藻还会灌入周边城市河道，对城市形象和群众的生活造成不利影响。因此，将水资源污染由事后治理变为事前预防，通过预测水质变化趋势以预防水域出现蓝藻水华现象的发生具有重要意义。

现有的水质变化预测方法主要是通过基于数据驱动建模方法。其中数理统计模型是通过处理状态变量的历史数据，利用回归分析、相关分析等方法分析影响因素对状态变量的作用，发现变量之间的规律。通过对蓝藻水华数据进行分析，建立蓝藻表征因素和影响因素数据之间的非线性关系来完成水质的预测以及蓝藻水华的预警。

然而，现有的利用数据驱动模型进行水质预测的方法中，受测试水域环境的限制，导致提取的数据特征比较片面，使得数据驱动模型的无法准确的表征测试水域中蓝藻水华表征因素与影响因素数据之间的非线性关系，影响水质预测结果的准确性。例如，神经网络时序模型仅能提取出一条河道内隐含的时间依赖特征，而无法很好的提取出河道网格之间隐含的空间依赖特征。而蓝藻水华的爆发与河道之间的空间依赖性息息相关，为了更好的提取出河道水质特征数据的时空特征，提出了一种基于空间注意力的图卷积模块结合基于时间注意力的长短期记忆网络模块的预测模型，并提供装置以及服务器。

发明内容

本发明的目的在于提供一种水质预测方法、装置及服务器，以提高水质预测结果的准确性。

第一方面，本发明提供一种水质预测方法，包括：

获取预设时间段内所有预设监测点的水质特征数据，将水质数据划分为训练集和测试集，根据所述水质特征数据获得无向图矩阵；

根据所述无向图矩阵确定邻接矩阵，并根据无向图构建输入矩阵，采用基于空间注意力的图卷积模块、结合基于时间注意力的长短期记忆网络模块构建预测模型，并根据所述训练集训练所述预测模型；

将所述测试集输入训练好的预测模型中，获得预测的水质特征数据。

在一种可能的设计中，所述采用基于空间注意力的图卷积模块、结合基于时间注意力的长短期记忆网络模块构建预测模型，根据无向图构建输入矩阵，并根据所述训练集训练所述预测模型，包括：

S1：根据空间注意力机制设定空间权重矩阵，并根据输入矩阵以及所述空间权重矩阵获得基于空间注意力的输入矩阵，将所述基于空间注意力的输入矩阵进行图卷积操作，获得空间卷积矩阵；

S2：根据时间注意力机制设定时间权重矩阵，并根据空间卷积矩阵以及所述时间权重矩阵获得基于时空注意力的输入矩阵，将所述基于时空注意力的输入矩阵输入长短期记忆网络模型中，获得时空特征矩阵，并根据所述时空特征矩阵确定新的输入矩阵；

S3：根据所述新的输入矩阵按照预设训练次数重复执行S1至S2的步骤，直至获得预测模型。

在一种可能的设计中，在所述根据所述水质特征数据获得无向图矩阵之后，还包括：

按照预设时间间隔将所述无向图矩阵分为多个不同周期的周期性无向图矩阵；

相应地，所述根据所述无向图矩阵获得邻接矩阵，包括：