一种水质预测方法、装置、设备及存储介质与流程

所属的技术人员能够理解，本技术的各个方面可以实现为系统、方法或程序产品。因此，本技术的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。与上述方法实施例基于同一发明构思，本技术实施例中还提供了一种计算机设备，参阅图6所示，计算机设备600可以至少包括处理器601、以及存储器602。其中，存储器602存储有程序代码，当程序代码被处理器601执行时，使得处理器601执行上述任意一种水质预测方法的步骤。在一些可能的实施方式中，根据本技术的计算装置可以至少包括至少一个处理器、以及至少一个存储器。其中，存储器存储有程序代码，当程序代码被处理器执行时，使得处理器执行本说明书上述描述的根据本技术各种示例性实施方式的水质预测方法中的步骤。例如，处理器可以执行如图2b中所示的步骤。下面参照图7来描述根据本技术的这种实施方式的计算装置700。图6的计算装置700仅仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。如图7所示，计算装置700以通用计算装置的形式表现。计算装置700的组件可以包括但不限于：上述至少一个处理单元701、上述至少一个存储单元702、连接不同系统组件(包括存储单元702和处理单元701)的总线703。总线703表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。存储单元702可以包括易失性存储器形式的可读介质，例如随机存取存储器(ram)7021和/或高速缓存存储单元7022，还可以进一步包括只读存储器(rom)7023。存储单元702还可以包括具有一组(至少一个)程序模块7024的程序/实用工具7025，这样的程序模块7024包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。计算装置700也可以与一个或多个外部设备704(例如键盘、指向设备等)通信，还可与一个或者多个使得用户能与计算装置700交互的设备通信，和/或与使得该计算装置700能与一个或多个其它计算装置进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口705进行。并且，计算装置700还可以通过网络适配器706与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器706通过总线703与用于计算装置700的其它模块通信。应当理解，尽管图中未示出，可以结合计算装置700使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。与上述方法实施例基于同一发明构思，本技术提供的水质预测方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在计算机设备上运行时，程序代码用于使计算机设备执行本说明书上述描述的根据本技术各种示例性实施方式的水质预测方法中的步骤，例如，计算机设备可以执行如图2b中所示的步骤。程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。尽管已描述了本技术的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术范围的所有变更和修改。显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。

背景技术：

1、地表水是人类生活用水的重要来源之一，因此，地表水环境质量会极大地影响人们的日常生产生活。目前，常使用基于水动力学的水质预测方法和基于机器学习的水质预测方法，预测地表水的水质情况。

2、地表水的自然蒸发、地表水与管道之间的流体反应，都会引起地表水的水质变化，然而，在基于水动力学的水质预测方法中，难以构建出用于模拟地表水的水质变化的数学模型，无法实现精准预测水质情况。

3、在基于机器学习的水质预测方法中，要么只考虑了水质数据，限制了水质预测模型的使用场景，且随着气候、环境等因素的变化，该模型可能会逐渐失效，无法准确评估地表水的水质情况；要么只考虑了单一水质监测站点的历史监测数据，导致水质预测模型难以准确评估该站点所处区域的水质情况。

技术实现思路

1、本技术实施例提供了一种水质预测方法、装置、设备及存储介质，以解决水质预测准确率低的问题。

2、第一方面，本技术实施例提供了一种水质预测方法，包括：

3、获取目标区域内不同地点在各个历史阶段采集的第一历史监测数据集，每个第一历史监测数据集包含来自各个数据源的第一历史监测数据；

4、将归属于同一数据类型的数据源所对应的第一历史监测数据，划分为一组同质数据，并分别提取各组同质数据各自的类内关联特征，每个类内关联特征表征周边地点采集的同质数据，对相应地点的水质情况的影响程度；

5、对各个类内关联特征进行深层特征提取，获得相应的水质预测特征，所述水质预测特征表征各个地点在所述各个历史阶段采集的第一历史监测数据集，以及相应周边地点在所述各个历史阶段采集的第一历史监测数据集，对预测相应地点在未来阶段的水质情况的影响程度；

6、基于获得的水质预测特征，确定所述目标区域内各个地点各自的水质预测结果。

7、第二方面，本技术实施例还提供了一种水质预测装置，包括：

8、采集单元，用于获取目标区域内不同地点在各个历史阶段采集的第一历史监测数据集，每个第一历史监测数据集包含来自各个数据源的第一历史监测数据；

9、浅层特征提取单元，用于将归属于同一数据类型的数据源所对应的第一历史监测数据，划分为一组同质数据，并分别提取各组同质数据各自的类内关联特征，每个类内关联特征表征周边地点采集的同质数据，对相应地点的水质情况的影响程度；

10、深层特征提取单元，用于对各个类内关联特征进行深层特征提取，获得相应的水质预测特征，所述水质预测特征表征各个地点在所述各个历史阶段采集的第一历史监测数据集，以及相应周边地点在所述各个历史阶段采集的第一历史监测数据集，对预测相应地点在未来阶段的水质情况的影响程度；

11、预测单元，用于基于获得的水质预测特征，确定所述目标区域内各个地点各自的水质预测结果。

12、可选的，所述深层特征提取单元用于：

13、通过所述时间递归神经网络中的各个处理单元，读取所述类间关联特征中相应的各维类间关联特征，其中，

14、每读取一维类间关联特征，基于所述一维类间关联特征和所述时间递归神经网络中前一个处理单元输出的一维水质预测特征，对当前处理单元读取的一维类间关联特征进行特征筛选和特征更新，并使所述当前处理单元基于更新后的一维类间关联特征，生成相应的一维水质预测特征。

15、可选的，目标水质预测模型包括多个同质数据卷积网络、特征融合网络和时间递归神经网络；

16、其中，所述水质预测装置还包括模型训练单元，所述模型训练单元通过执行以下步骤训练得到所述目标水质预测模型：

17、获取针对所述目标区域的训练样本集，每个训练样本包含所述目标区域中各个地点在历史阶段采集的第二历史监测数据集；

18、采用循环迭代的方式，使用针对所述目标区域的训练样本集二次训练通用水质预测模型，直至所述通用水质预测模型满足迭代训练停止条件为止，将最后一轮迭代训练输出的通用水质预测模型，作为训练完毕的目标水质预测模型，其中，所述通用水质预测模型是基于各个区域各自的训练样本集训练得到的。

19、可选的，在二次训练所述通用水质预测模型时，所述模型训练单元的一轮迭代训练的过程包括：

20、读取一个目标区域的训练样本，按照数据源的数据类型，将所述一个目标区域的训练样本划分为多组同质数据，并使用相应数据类型的同质数据卷积网络，从各组同质数据中提取相应的类内关联特征；

21、使用所述特征融合网络融合各个类内关联特征，获得相应的类间关联特征，并使用所述时间递归神经网络对所述类间关联特征进行深度特征提取，获得所述目标区域中各个地点各自的水质预测结果；

22、基于各个水质预测结果与所述目标区域中各个地点各自的实际水质评估结果，二次调整所述目标水质预测模型中各个网络的网络参数。

23、可选的，在获取目标区域内不同地点在各个历史阶段采集的历史监测数据集之前，所述采集单元还用于：

24、按照地理的经纬度，将所述目标区域划分为多个地点；

25、在所述各个地点，分别部署了多个传感器设备，以获取相应地点在所述各个历史阶段采集的所述历史监测数据集。

26、第三方面，本技术实施例还提供了一种计算机设备，包括处理器和存储器，其中，所述存储器存储有程序代码，当所述程序代码被所述处理器执行时，使得所述处理器执行上述任意一种水质预测方法的步骤。

27、第四方面，本技术实施例还提供了一种计算机可读存储介质，其包括程序代码，当程序产品在计算机设备上运行时，所述程序代码用于使所述计算机设备执行上述任意一种水质预测方法的步骤。

28、第五方面，本技术实施例还提供了种计算机程序产品，包括计算机指令，所述计算机指令被处理器执行上述任意一种水质预测方法的步骤。

29、本技术有益效果如下：

30、本技术实施例提供了一种水质预测方法、装置、设备及存储介质，该方法包括：

31、获取目标区域内每个地点采集的第一历史监测数据集，每个第一历史监测数据集包含了来自不同数据源的第一历史监测数据，通过浅层特征提取，得到了表征周边地点采集的同一数据类型的第一历史监测数据，对相应地点的水质情况的影响程度的类内关联特征，再通过深层特征提取，从各个类内关联特征中提取到相应的水质预测特征，并基于获得的水质预测特征，得到各地点的水质预测结果。

32、在本技术实施例中，通过浅层特征提取和深层特征提取，不仅考虑到了不同数据源的第一历史监测数据，对预测每个地点水质情况的影响程度，还考虑到了周边地点采集的第一历史监测数据集，对预测相应地点水质情况的影响程度。因此，在充分考虑到数据的空间相关性与时间相关性的情况下，充分利用采集到的多源异质数据，挖掘出表达能力更强的类内关联特征，大大提高了水质预测准确率。

33、本技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术而了解。本技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。