技术特征：
1.一种基于长短时记忆网络和径向基函数神经网络的水质时空关联预测方法，其特征在于：(1)收集目标流域较长时间内的数据作为历史数据，存入数据库；(2)对历史数据集进行预处理，分别构建时间、空间数据集；对水质参数进行正态分布检验，得到水质参数数据均不服从正态分布；对水质数据采用箱型图法进行异常值识别，取异常值前后相邻两个时刻的平均值代替；采用min
‑
max标准化方法进行归一化处理；(3)特征选择；利用灰色关联分析法分别获得lstm模型和rbf模型的输入参数；(4)利用时间维度特征选择结果和预测目标总氮构建时间维度数据集，训练基于lstm的水质时间序列预测模型；(5)将深度自动编码器的中间层输出作为水质预测空间维度rbf模型的输入，建立基于rbf的水质空间相关预测模型；(6)将分别获得的时间、空间维度总磷、总氮预测结果作为两个新的特征，以时间戳为键值进行融合，利用模型树得到总磷、总氮水质时空融合模型参数预测结果。2.根据权利要求1所述的方法，其特征在于，步骤(2)中空间数据集；历史数据集中包含水质自动监测站的经度、纬度、海拔高程、距离数据；空间数据集选择的流程如下所示：步骤1：利用经度、纬度数据绘制水质自动站分布图；步骤2：选择目标预测站点；以目标预测站点为中心作圆，圆的半径为监测站点4h水流平均流速数据乘以监测时间间隔4h；比较落在圆域内的各水质自动站的海拔高程数据；其中海拔高程小的站点位于下游，海拔高程大的站点位于上游；步骤3：根据步骤2的计算结果，确定具有上下游关系的站点，并将具有上下游关系的水质自动站的水质数据分别保存到不同数据集中，构成空间数据集。3.根据权利要求1所述的方法，其特征在于，步骤(3)对时间、空间预测模型进行特征选择；对于时间维度水质预测模型，利用灰色关联分析法分别分析水温、电导率、浊度、酸碱值、总磷、溶解氧、高锰酸钾指数、氨氮、总氮与总磷、总氮的相关性，选择与总磷、总氮正相关的特征作为输入；对于空间维度预测模型，提取出各个站点中与总磷、总氮浓度正相关的参数构建输入特征，再利用深度自编码网络进行特征降维；其中，深度自编码网络中间层的输出作为水质预测空间维度rbf模型的输入；中间层密码获得步骤如下：步骤1：将特征选择后的空间数据集作为编码器的输入，得到中间层输出；步骤2：然后将密码传入解码器得到输出，此时的输出是输入的重构；步骤3：利用均方误差表示损失函数，使输入输出之间的平均重构误差最小化。4.根据权利要求1所述的方法，其特征在于，步骤(4)所述总磷、总氮时间维度预测模型，一种基于lstm的时间维度水质预测方法流程如下所示：步骤1：利用灰色关联分析法分别分析水温、电导率、浊度、酸碱值、总磷、溶解氧、高锰酸钾指数、氨氮、总氮与总磷、总氮的相关性；选择与总磷、总氮正相关的参数作为时间维度水质预测模型的输入；其中，总磷浓度的变化与水温、氨氮、总氮呈正相关；总氮浓度的变化与ph、溶解氧、氨氮、总磷正相关；选取与总磷、总氮正相关的特征构建新的数据集；步骤2：通过灰色关联分析法获得的新数据集，将滑动窗口设置为n天，其中n取值范围为[10，15]，依据滑动窗口大小切分时间序列数据集，构造训练样本；步骤3：构建lstm模型，模型共三层，一层lstm层叠加dropout，加两层全连接层；经过多
次实验，将dropout值设为0.1；初始化模型参数；步骤4：训练预测模型，采用adam算法更新模型参数，优化lstm神经网络；步骤5：预测：得到总磷、总氮浓度预测值，若lstm预测结果r2大于0.7，直接输出总磷、总氮预测值，否则重新调参继续训练lstm模型。5.根据权利要求1所述的方法，其特征在于，步骤(5)所述总磷、总氮空间维度预测模型，一种基于rbf神经网络的水质空间关联预测方法步骤如下所示：步骤1：将深度自编码网络中间层输出密码作为新的空间数据集，依据滑动窗口大小切分数据集，构造训练集；步骤2：构建rbf模型，包含一个隐含层；初始化模型参数；步骤3：训练预测模型，利用k
‑
means聚类方法选择基函数中心向量，采用线性回归法计算rbf神经网络中的隐含层与输出层之间的权重；步骤4：预测；得到目标参数预测结果，若rbf预测结果的预测精度r2大于0.7，直接输出目标参数预测值，否则，调整模型参数进行步骤3。6.根据权利要求1所述的方法，其特征在于，步骤(6)所述的一种基于长短时记忆和径向基函数神经网络的水质时空关联预测方法，利用模型树对时间、空间预测结果进行时空融合的流程：步骤1：将时间、空间维度预测结果作为两个新的特征，构建新的数据集；步骤2：构建模型树模型，将标准差减少值sdr作为节点的分裂属性，表示如式(1)：其中，t表示到达该节点样本集合，|t|表示样本集中的样本总量，t
i
表示第i个子树上的样本集，sd表示标准差；本文采用的模型树为二叉树，i取值为1和2；步骤3：训练模型树模型，将步骤1中所得新数据集依据分裂属性分裂，直至没有更多特征生成，形成叶子节点；对每个子集分别建立线性回归方程，线性回归方程如式(2)所示；y＝w0+w1x1+w2x2+...+w
n
x
n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中，x1，x2，
…
，x
n
指的是属性值，w1，w2，
…
，w
n
表示属性的权重；步骤4：模型树建树完成后，利用后剪枝方法进行剪枝；计算每个子集回归方程预测的均方误差；比较每个节点与其子节点均方误差大小，若子节点均方误差比母节点的均方误差小，则保留该子树，否则将该节点转变成叶子节点；步骤5：输入水质历史前n天的观测值序列，得到总磷、总氮参数第n+1天的预测值。
技术总结
本发明是一种基于长短时记忆和径向基函数神经网络的水质时空关联预测方法。考虑水质变化的时空特性和多元相关性，提出了LSTM
技术研发人员：张会清 金克美
受保护的技术使用者：北京工业大学
技术研发日：2021.06.29
技术公布日：2021/9/24