本發(fā)明涉及一種面向水質(zhì)指標的預(yù)測方法，特別是涉及一種基于patchsavitsky-golay濾波和transformer模型的水質(zhì)指標預(yù)測方法。

背景技術(shù)：

1、水環(huán)境的健康直接關(guān)系到人的身體健康和生態(tài)平衡。在當今時代，隨著科技的迅猛發(fā)展，水質(zhì)監(jiān)測和預(yù)測正逐步實現(xiàn)智能化。通過運用先進的信息技術(shù)，如大數(shù)據(jù)、人工智能、云計算和物聯(lián)網(wǎng)等，我們能夠?qū)λ|(zhì)變化進行更為精確的預(yù)測和分析。這些技術(shù)的應(yīng)用，使得我們能夠?qū)崟r監(jiān)控水質(zhì)指標，預(yù)測潛在的水質(zhì)變化趨勢，從而提前采取預(yù)防措施，減少水環(huán)境污染的風險。在水質(zhì)預(yù)測領(lǐng)域，通過分析歷史數(shù)據(jù)和實時監(jiān)測數(shù)據(jù)，可以構(gòu)建出復(fù)雜的水質(zhì)預(yù)測模型。這些模型能夠識別出影響水質(zhì)的關(guān)鍵因素，如工業(yè)排放、農(nóng)業(yè)污染、氣候變化等，并預(yù)測它們對水質(zhì)的潛在影響。此外，通過模擬不同情景下的水質(zhì)變化，決策者可以制定出更為科學和有效的水資源管理策略。水質(zhì)預(yù)測不僅有助于預(yù)防和減少水污染事件的發(fā)生，還能夠為水資源的合理分配提供數(shù)據(jù)支持，為水資源的可持續(xù)利用和水環(huán)境的保護提供了強有力的技術(shù)支持。

2、現(xiàn)有的水質(zhì)預(yù)測方法主要包括傳統(tǒng)的統(tǒng)計模型、機器學習方法和深度學習技術(shù)。傳統(tǒng)統(tǒng)計模型通過分析歷史數(shù)據(jù)，使用數(shù)學公式和統(tǒng)計學原理來預(yù)測水質(zhì)指標的未來變化。這些模型在處理簡單的線性關(guān)系時效果較好，但在面對復(fù)雜的非線性和非平穩(wěn)時間序列數(shù)據(jù)時，其預(yù)測能力受限。機器學習方法，如支持向量機和隨機森林算法，通過從歷史數(shù)據(jù)中學習水質(zhì)變化規(guī)律從而預(yù)測水質(zhì)，它們在處理中等規(guī)模數(shù)據(jù)集時表現(xiàn)出色。然而，這些方法在處理大規(guī)模數(shù)據(jù)集時會遇到性能瓶頸。深度學習技術(shù)如卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent?neural?network,rnn)，因其強大的非線性擬合能力，能夠更準確地預(yù)測水質(zhì)變化。rnn的變體長短期記憶人工神經(jīng)網(wǎng)絡(luò)通過引入門控機制解決了傳統(tǒng)rnn在處理長序列數(shù)據(jù)時的梯度消失和爆炸問題，從而更好地捕捉時間序列數(shù)據(jù)的長期依賴關(guān)系。近年來，transformer架構(gòu)因其在處理序列數(shù)據(jù)中的卓越性能而受到關(guān)注。transformer通過自注意力機制能夠捕捉序列中的長距離依賴關(guān)系，這在自然語言處理和時間序列分析中表現(xiàn)出色。在水質(zhì)預(yù)測中，transformer架構(gòu)能夠處理大規(guī)模數(shù)據(jù)集，提供更準確的預(yù)測結(jié)果。盡管深度學習方法在水質(zhì)預(yù)測中展現(xiàn)出巨大潛力，但在實際應(yīng)用中仍需解決數(shù)據(jù)質(zhì)量低、模型泛化能力弱和計算資源要求高等挑戰(zhàn)。

技術(shù)實現(xiàn)思路

1、針對以上現(xiàn)有技術(shù)的不足，本發(fā)明提供一種集成了patch?savitsky-golay濾波和transformer模型的水質(zhì)指標預(yù)測方法。該方法包括以下步驟：

2、1)獲取一條河流過去一段時間監(jiān)測的水質(zhì)指標數(shù)據(jù)；

3、2)對該數(shù)據(jù)中缺失數(shù)據(jù)使用線性插值法進行補全操作；

4、3)在2)的基礎(chǔ)上，將補全的數(shù)據(jù)進行歸一化，并劃分訓(xùn)練集、驗證集和測試集。

5、4)在3)的基礎(chǔ)上，將訓(xùn)練集的數(shù)據(jù)輸入到patch?savitsky-golay濾波中。

6、5)在4)的基礎(chǔ)上，將特征序列輸入到transformer模型中，輸出預(yù)測值。

7、6)在5)的基礎(chǔ)上，對這些預(yù)測值進行反歸一化，獲得未來水質(zhì)指標預(yù)測值。

技術(shù)特征：

1.提出了一種基于混合時空特征的水質(zhì)預(yù)測方法，該方法結(jié)合了patch?savitsky-golay濾波和transformer模型，其特征在于，該方法包括如下步驟：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于歷史的水質(zhì)時間序列數(shù)據(jù)，訓(xùn)練所述水質(zhì)預(yù)測模型，包括：

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于水質(zhì)預(yù)測模型預(yù)測未來水質(zhì)，包括：

4.根據(jù)權(quán)利要求2和權(quán)利要求3所述的方法，其特征在于，所述基于patch?savitsky-golay濾波和transformer模型構(gòu)建水質(zhì)預(yù)測模型，包括：

5.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述根據(jù)測試集的歷史數(shù)據(jù)測試并優(yōu)化水質(zhì)預(yù)測模型，包括：

6.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述水質(zhì)預(yù)測模型預(yù)測水質(zhì)之前，還包括：

7.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述基于patch?savitsky-golay濾波和transformer的水質(zhì)預(yù)測模型，包括：

技術(shù)總結(jié)
本發(fā)明提出一種結(jié)合Patch?Savitsky?Golay濾波和Transformer的水質(zhì)指標預(yù)測模型。首先，利用滑動窗口技術(shù)將水質(zhì)時間序列劃分為多個子序列，以捕捉序列內(nèi)在趨勢和語義信息?；诖?，通過Savitsky?Golay濾波器對子序列進行去噪，進而提高信號?噪聲比，以確保水質(zhì)序列數(shù)據(jù)的質(zhì)量。最后，引入Transformer模塊，利用其自注意力機制處理時間序列的非線性特性，從而增強模型對序列長期依賴關(guān)系的捕捉能力。以上策略有效提升水質(zhì)指標預(yù)測的精度和可靠性。

技術(shù)研發(fā)人員：畢敬,袁溟,王梓奇,林永澤
受保護的技術(shù)使用者：北京工業(yè)大學
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6