[发明专利]一种基于EEMD-LSTNet的水质参数预测方法及系统

权利要求书

1.一种基于EEMD-LSTNet的水质参数预测方法，其特征在于，包括以下步骤：

(1)对预先获取的水质数据进行数据清洗，对缺失值进行填补，构建水质数据集；

(2)采用灰色关联度分析法根据预测参数对数据集中剩余水质参数进行特征选取，对水质数据集进行降维操作得到筛选后的数据集；

(3)采用EEMD法将预测参数序列自适应分解为若干IMF分量和Res残差分量；

(4)将每一个子分量与步骤(2)筛选出的特征分别组合为样本，对每一个样本进行归一化操作，并划分为训练集与测试集；

(5)通过LSTNet模型对每个样本进行预测得到对应子分量的预测值，将预测值反归一化并线性累加得到预测实际值。

2.根据权利要求1所述的基于EEMD-LSTNet的水质参数预测方法，其特征在于，所述步骤(1)实现过程如下：

采用线性插值法对缺失值进行填补，根据相邻两侧的最近数据点进行数据值估计来代替原始缺失数据：

其中，y为缺失值，a为缺失值的位置坐标；(a₀,y₀)和(a₁,y₁)分别为缺失值前、后最近数据的坐标和值。

3.根据权利要求1所述的基于EEMD-LSTNet的水质参数预测方法，其特征在于，所述步骤(2)包括以下步骤：

(21)将预测参数序列作为参考序列x₀，其它参数序列作为特征序列x_i(i＝1,2,…,n)；计算特征序列与参考序列在第k点的关联系数ξ(x_i)，其公式为：

其中，|x₀(k)-x_i(k)|为参考序列与特征序列在第k点之差的绝对值；和为所有n个参考序列与特征序列在各自对应点之差的绝对值中的最小值和最大值；ρ为分辨系数，取值范围为(0,1)，一般取0.5；

(22)根据关联系数ξ_i(k)计算出灰色关联度值，选取灰色关联度值较大的水质参数序列作为特征序列输入模型：

其中，r_i为第i个指标对参考序列指标的关联度。

4.根据权利要求1所述的基于EEMD-LSTNet的水质参数预测方法，其特征在于，所述步骤(3)包括以下步骤：

(31)在预测参数序列x(t)中加入一组服从正太分布的白噪声信号w_i(t)，得到一个新的序列：

x_i(t)＝x(t)+w_i(t),

其中，w_i(t)表示第i次添加的白噪声信号；x_i(t)表示第i次添加白噪声信号后的预测参数序列；

(32)对所得含白噪声的水质参数序列x_i(t)进行EMD分解，得到一组IMF分量和RES残差分量：

其中，imf_i,n(t)为第i次加入白噪声后得到的第n个IMF分量，r_i(t)为残差分量；

(33)重复m次(31)和(32)，每次添加不同幅值的白噪声信号，得到m组IMF分量和RES残差分量集合：

(34)将上述m组同阶的IMF分量和RES残差分量进行集合平均运算，得到EEMD分解后最终的IMF分量和RES残差分量：

其中，E_j(t)为EEMD分解后的j个IMF分量和RES残余分量。

5.根据权利要求1所述的基于EEMD-LSTNet的水质参数预测方法，其特征在于，所述步骤(4)所述训练集与测试集的比为8:2。