[发明专利]一种基于图神经网络的地表水水质指标预测方法和装置

说明书

本发明公开了一种基于图神经网络的地表水水质指标预测方法和装置，包括以下步骤：采集并预处理水质指标监测数据和天气数据；基于地表水水质指标监测站点的地理位置数据和水文数据构建站点图，依据预处理后的水质指标监测数据、天气数据和站点图对图卷积神经网络、基于LSTM构建的序列编解码器以及多层感知机组成的水质指标预测网络进行参数优化，参数优化结束后，参数确定的水质指标预测网络作为水质指标预测模型；利用水质指标预测模型实现基于预处理后的水质指标监测数据和天气数据的水质指标预测。本发明结合图卷积神经网络和序列编解码器架构来预测地表水水质指标，在卫生健康、环境治理等领域具有广阔的应用前景。

技术领域

本发明属于地表水水质指标预测领域，具体涉及一种基于图神经网络的地表水水质指标预测方法和装置。

背景技术

水污染是一个世界性难题，在发展中国家，因污染物的过量排放和监管体系的失能，约有10亿人不能饮用清洁水。饮用污染水会诱发消化道病变，对人类健康造成非常大的危害。水污染还会严重破坏水生生物的生存环境，如引起水污染的大部分化学药品会导致水生生物被毒死，污水中的有机物被微生物分解导致水体缺氧，危及鱼类的生存。地表水水质指标监测站点能实时获取所处水域的水质指标状况。挖掘生态环境大数据中的隐含信息可以实现高精度地表水水质指标预测，带来实际应用意义。

现有水质指标预测方法一般可以分为基于物理模型的方法和基于机器学习的方法两类。基于物理模型的方法以领域内的专业模型为基础，通过模拟污染物从排放到扩散的全过程来预测各地表水水质指标监测站点未来的水质指标情况。该类方法极度依赖数据集的完整性，并且需要根据场景调整模型的参数设置，泛化能力较差。

基于机器学习的方法是一种数据驱动的方法，通过挖掘历史数据中隐含的复杂依赖关系来预测地表水水质指标监测站点未来一段时间的各项指标。此类方法可以自动学习从多源数据输入到实际结果间的复杂映射关系，避免复杂的参数调整过程。基于机器学习的方法进一步可以细分为时间序列分析模型、通用回归模型和深度学习模型。时间序列分析模型通过发现历史序列中的线性规律来预测未来变化趋势，如ARIMA被用来建模历史水质指标监测序列中隐含的线性变化规律。但时间序列分析模型无法接受序列数据以外的特征输入。通用回归模型能支持多源数据输入，如线性回归模型、支持向量机、随机森林等。已经有研究将XGBoost模型用于利用水体中鱼类的运动特征辅助建模水体水质指标。此类方法的缺点是为了达到可观的预测准确率，需要复杂的特征工程，提升了模型的落地应用难度。

深度学习模型通过堆叠多层神经网络来拟合从输入到输出的非线性复杂映射，可实现自动化的特征学习，解决传统回归模型的特征选择问题，如LSTM模型被用来自动构建水质指标相关影响因素的特征，实现端到端的预测，对比传统模型取得了明显优势。但是，现有基于深度学习的水质指标预测方法往往没有考虑水文因素对水质指标的影响，也没有考虑多站点在水网上复杂的依赖关系。

发明内容

本发明的目的是提供一种基于图神经网络的地表水水质指标预测方法和装置，通过同时考虑各个地表水水质指标监测站点间的依赖关系和影响水质指标的天气因素来实现预测地表水水质指标，以提升地表水水质指标的准确性。

第一方面，为了实现上述发明目的，本发明提供了一种基于图神经网络的地表水水质指标预测方法，包括以下步骤：

采集并预处理水质指标监测数据和天气数据；

基于地表水水质指标监测站点的地理位置数据和水文数据构建站点图，依据预处理后的水质指标监测数据、天气数据和站点图对图卷积神经网络、基于LSTM构建的序列编解码器以及多层感知机组成的水质指标预测网络进行参数优化，参数优化结束后，参数确定的水质指标预测网络作为水质指标预测模型；

利用水质指标预测模型实现基于预处理后的水质指标监测数据和天气数据的水质指标预测。