一种基于灰色理论及支持向量机的水质预测方法
【专利摘要】本发明公开了一种基于灰色理论及支持向量机的水质预测方法，属于水质预测方法【技术领域】。该方法包括以下步骤：1）对采集的数据集进行小波分解；2）将步骤一中经过分解处理得到的细节子序列进行平移，并进行相空间重构；3）根据步骤二中经过相空间重构的细节子序列建立各细节子序列的预测模型；4）根据步骤一中经过分解处理得到的尺度子序列建立尺度子序列预测模型；5）输入数据进行预测，将得到的细节子序列的预测值进行反向平移，并将尺度序列模型和细节序列模型得到的预测值进行重构，得到最终预测结果。本方法与传统的水质预测方法相比具有更高的预测精度及更广的应用范围。同时，在预测稳定性和精度上，有更好地鲁棒性和复杂非线性映射的能力。
【专利说明】一种基于灰色理论及支持向量机的水质预测方法
【技术领域】
[0001]本发明涉及ー种水质预测方法，特别涉及一种基于灰色理论及支持向量机的水质预测方法。
【背景技术】
[0002]水质预测是水资源管理和水污染控制的重要方法，是进行水质治理和水资源开发利用的基础性工作，对及时掌握水质变化的发展趋势，为水质预测预警和水环境污染防治提供重要的科学依据和技术支持。水质预测方法较多，典型的有基于数理统计、混沌理论和神经网络方法。数理统计法存在对水质多因素预测难度大的问题，混沌理论的应用需要大量的水质信息资料，神经网络预测方法能够刻画出水质时间序列复杂变化的非线性特征，但其本身存在网络收敛速度慢、容易陷入局部极小值等问题，使得模型的泛化能力不强。因此需要一种先进的预测算法，能够进ー步提高水质预测模型的精度和效率。
[0003]灰色理论模型能够利用较少的系统信息，来描述系统的整体行为。GM(1，I)模型是ー种呈指数增长的模型，其预测精度受到原始监测序列光滑程度的限制，对近似服从、或符合指数增长态势的动态序列具有良好的预测效果。支持向量机作为建立在统计学习理论VC维的基础上，同时实现SRM(Structural Risk Minimization)准则的一种新的机器学习方法，在解决小样本、非线性问题、高维模式识别和局部极小等方面具有优势，目前已被广泛的用于时间序列的预测。但目前使用灰色理论和支持向量机对水质时间序列的预测仍然存在一些问题:其一，支持向量机对水质时间序列的拟合预测精度受其參数选择的影响，已有的基于单因素參数寻优的方法，受各因素之间没有交互作用条件的限制，不仅非常耗时，而且常常不能保证得到的參数是最优的；其ニ，水质监测參数的时间序列变化受诸多因素的影响，某些监测值表现出突发跳变等不規律变化的情况，导致在模型训练过程中常常得不到理想的模型；其三，采用小波分解的方法虽然能够获得平稳的子序列，减小瞬变数据对预测模型的影响，但是大量输入的训练数据仍然会影响模型的预测精度。
【发明内容】
[0004]有鉴于此，本发明的目的在于提供一种基于灰色理论及支持向量机的水质预测方法，该方法结合灰色理论模型、支持向量机及小波变换等对水质进行高精度的预测。
[0005]为达到上述目的，本发明提供如下技术方案:
[0006]一种基于灰色理论及支持向量机的水质预测方法，包括以下步骤:步骤ー:对采集的数据集进行小波分解；步骤ニ:将步骤一中经过分解处理得到的细节子序列进行平移，并进行相空间重构；步骤三:根据步骤ニ中经过相空间重构的细节子序列建立各细节子序列的预测模型；步骤四:根据步骤一中经过分解处理得到的尺度子序列建立尺度子序列预测模型；步骤五:输入数据进行预测，将得到的细节子序列的预测值进行反向平移，并将尺度序列模型和细节序列模型得到的预测值进行重构，得到最終预测結果。
[0007]进ー步，在步骤一中，选取DbN小波函数进行小波分解，并根据最小拟合误差确定分解级数；将得到的分解序列进行单支重构，进而得到重构子序列，包括细节子序列和尺度子序列。
[0008]进ー步，在步骤二中，将步骤一中得到的细节子序列分别平移到正数区域；再根据相空间重构理论，将其进行相空间重构，转化成矩阵的形式。
[0009]进ー步，在步骤三中，将经过相空间重构的细节子序列分别输入支持向量机模型，结合遗传算法进行參数优化，建立各细节子序列的预测模型。
[0010]进ー步,在步骤四中，采用窗ロ滑动的形式,将尺度子序列Xt_m, xt_m+1, xt_m+2,…，xt_i输入灰色理论模型训练，预测t时刻的值，其中m为嵌入维数，建立尺度子序列预测模型。[0011 ] 进ー步，在步骤五中，将细节子序列进行反向平移，将尺度序列模型及细节序列模型得到预测的值根据以下公式进行重构，最終得到预测结果；即:
[0012]初始时间序列S(t)可以由尺度子序列An和细节子序列D1, D2,…，Dn表示:
【权利要求】
1.一种基于灰色理论及支持向量机的水质预测方法，其特征在于:包括以下步骤: 步骤ー:对采集的数据集进行小波分解； 步骤二:将步骤一中经过分解处理得到的细节子序列进行平移，并进行相空间重构； 步骤三:根据步骤二中经过相空间重构的细节子序列建立各细节子序列的预测模型； 步骤四:根据步骤一中经过分解处理得到的尺度子序列建立尺度子序列预测模型； 步骤五:输入数据进行预测，将得到的细节子序列的预测值进行反向平移，并将尺度序列模型和细节序列模型得到的预测值进行重构，得到最終预测結果。
2.根据权利要求1所述的基于灰色理论及支持向量机的水质预测方法，其特征在于:在步骤一中，选取DbN小波函数进行小波分解，并根据最小拟合误差确定分解级数；将得到的分解序列进行单支重构，进而得到重构子序列，包括细节子序列和尺度子序列。
3.根据权利要求2所述的基于灰色理论及支持向量机的水质预测方法，其特征在于:在步骤二中，将步骤一中得到的细节子序列分别平移到正数区域；再根据相空间重构理论，将其进行相空间重构，转化成矩阵的形式。
4.根据权利要求3所述的基于灰色理论及支持向量机的水质预测方法，其特征在于:在步骤三中，将经过相空间重构的细节子序列分别输入支持向量机模型，结合遗传算法进行參数优化，建立各细节子序列的预测模型。
5.根据权利要求4所述的基于灰色理论及支持向量机的水质预测方法，其特征在于:在步骤四中，采用窗ロ滑动的形式，将尺度子序列xt-m，Xt_ffl+1, xt_ffl+2,…，xt_i输入灰色理论模型训练，预测t时刻的值，其中m为嵌入维数，建立尺度子序列预测模型。
6.根据权利要求5所述的基于灰色理论及支持向量机的水质预测方法，其特征在于:在步骤五中，将细节子序列进行反向平移，将尺度序列模型及细节序列模型得到预测的值根据以下公式进行重构，最終得到预测结果；即: 初始时间序列S⑴可以由尺度子序列An和细节子序列D1, D2,…，Dn表示:
【文档编号】G06F19/00GK103605909SQ201310658980
【公开日】2014年2月26日 申请日期:2013年12月9日 优先权日:2013年12月9日
【发明者】刘 文, 王国胤, 傅剑宇, 苟光磊, 李鸿, 邹轩 申请人:重庆绿色智能技术研究院