[发明专利]一种基于EEMD-LSTNet的水质参数预测方法及系统

说明书

本发明公开了一种基于EEMD‑LSTNet的水质参数预测方法及系统，其中方法包括以下步骤：(1)获取水质数据，对原始数据进行数据清洗，对缺失值进行填补，构建水质数据集；(2)采用灰色关联度法对预测参数进行特征选取，对数据集进行降维操作；(3)采用EEMD法将预测参数序列自适应分解为若干子分量；(4)将若干子分量与筛选出的特征组合为样本，对每一个样本进行归一化操作，并划分数据集；(5)通过LSTNet网络对每个样本进行预测，并将预测结果反归一化累加得到实际预测结果。本发明能够较好的提升水质预测的精度，具有较好的稳定性和泛化能力。

技术领域

本发明属于水质预测技术领域，具体涉及一种基于EEMD-LSTNet的水质参数预测方法及系统。

背景技术

近年来，随着我国城市化和工业化进程的不断加快，由于过去工业废水和生活污水未经处理就排放到水体，导致河流湖泊水体的严重污染的事时有发生。水质预测是通过历史水质数据构建模型来预测未来一段时间的水质变化趋势，有利于提前发现区域内的水环境污染问题，对保护河流水体生态环境有着至关重要的作用。各水质因子之间相互影响和作用，目前对水质多变量的预测效果不太理想，主要由于水质数据的存在高度非线性化、波动性强、数据噪声大等特点，同时水质数据不易获得导致数据体量不足，使得深度学习模型不能挖掘其中的规律，从而导致预测精度不高。

发明内容

发明目的：针对现有技术中存在的问题，本发明提供一种基于EEMD-LSTNet的水质参数预测方法及系统，能够有效降低数据噪声并提升预测精度，实现水质多参数预测。

技术方案：本发明提出一种基于EEMD-LSTNet的水质参数预测方法，具体包括以下步骤：

(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。

进一步地，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。

进一步地，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：