水质参数预测模型建模方法及水质参数预测方法及装置与流程

本发明涉及水质参数监测领域，具体涉及一种水质参数预测模型建模方法及水质参数预测方法及装置。

背景技术：

1、水是人类赖以生存和发展的基础，水资源在人类的物质生活和社会的各项生产活动扮演着不可替代的角色。水质参数预测能为水品管控和水资源治理提供依据，环境治理人员可以根据水质参数预测结果提前采取行动，提前准备水污染治理行动，预防水体进一步污染，规划用水策略，提高水资源利用效率。水质预测实现了后处理向预防治的转变。

2、水质预测一直是世界各国研究的热点。现有的水质预测算法主要有时间序列分析、回归分析、循环神经网络、决策树、支持向量机等。

3、随着科技的进步，水质参数数据呈现爆炸性增长，传统的算法难以有效挖掘海量数据中的规律，不能充分提取传感器采集的有效信息，使得预测精度较差；且由于水质参数指标越来越完善，以往基于单个传感器采集数据的预测算法难以满足水质参数预测的精度要求。

技术实现思路

1、本发明要解决的问题是针对现有水质预测方法预测精度较差的问题，提供一种水质参数预测模型建模方法及水质参数预测方法及装置。

2、为解决上述技术问题，本发明采用的技术方案是：一种水质参数预测模型建模方法，所述水质参数预测模型建模方法包括如下步骤：

3、步骤1：根据固定采样周期采集n组水质数据，每组水质数据均由与m类水质参数分别对应的m个值构成；

4、步骤2：对采集到的所有数据执行标准化变换，得到n组标准化后的水质数据：

5、步骤3：根据步骤2得到的n组标准化后的水质数据，按照采集时间顺序得到b个训练样本矩阵，且按照采集时间顺序得到b个标签矩阵，其中，每个训练样本矩阵均是由连续的c个采样周期的水质数据构成的行数为c、列数为m的矩阵，每个标签矩阵均是由连续的λc个采样周期的水质数据构成的行数为λc、列数为m的矩阵，第b个训练样本矩阵tb对应的c个采样周期的水质数据、第b个标签矩阵lb对应的λc个采样周期的水质数据构成连续的c+λc个采样周期的水质数据，且第b个标签矩阵lb对应的λc个采样周期位于第b个训练样本矩阵tb对应的c个采样周期之后，λc为整数，比例系数λ≤0.5，c为预设常数值，b＝1,2,……,b；

6、步骤4：对第b个训练样本矩阵tb进行位置编码，得到第b个位置编码后的训练样本矩阵且对第b个标签矩阵lb进行位置编码，得到第b个位置编码后的标签矩阵

7、步骤5：利用各个位置编码后的训练样本矩阵、各个位置编码后的标签矩阵对多头注意力模型进行训练，将训练得到的多头注意力模型作为水质参数预测模型。

8、根据上述技术方案，本发明构建多头注意力模型作为水质参数预测模型，即可以使得水质参数预测模型在预测某一类水质参数时，不仅利用本类水质参数的时序信息，还可以利用气体类水质参数的时序信息，从而使得水质参数预测模型具有较高精度。通过上述模型，每一次训练时均利用c个采样周期的采样数据、紧随c个采样周期的水质数据之后的λc个采样周期的水质数据，从而使得得到的水质参数预测模型可以对连续λc个采集周期的水质数据进行预测，从而提高预测效率。

9、上述技术方案中，所述步骤1中，若采集的某个数据缺失，则利用样条插值算法计算缺失数据的估计值，从而补全数据。

10、上述技术方案中，所述步骤2中，利用如下公式执行标准化变换：

11、

12、其中，xi,j表示第i个采样周期采集的第j类水质参数的值，i的取值范围为[1,n]，j的取值范围为[1,m]；μj和σj分别表示n个第j类水质参数的值的均值和标准差；表示与xi,j对应的标准化后的值，构成第i组标准化后的水质数据。

13、上述技术方案中，所述步骤3中，第b个训练样本矩阵tb与第b+1个训练样本矩阵tb+1之间间隔△c个采样周期，△c的取值范围为△c≥1。即相邻的两个训练样本矩阵的起始采样周期之间可有间隔。

14、上述技术方案中，所述步骤4中，第b个位置编码后的训练样本矩阵第b个位置编码后的标签矩阵的表达式如下：

15、

16、其中：矩阵pet中位于第ma行、第na列的元素pet(ma,na)的表达式如下：

17、

18、矩阵pel中位于第mb行、第nb列的元素pel(mb,nb)的表达式如下：

19、

20、其中，ma的取值范围为[1,c]，na的取值范围为[1,m]，mb的取值范围为[1,λc]，nb的取值范围为[1,m]。

21、上述技术方案中，所述多头注意力模型包括number个编码器、number个解码器、与第number个解码器输出连接的线性映射层，所述线性映射层的输出为所述多头注意力模型的输出，number为预设常数值；

22、第ua个编码器的输出为第ua+1个编码器的输入，其中ua＝1,2,……,number-1；

23、第ub个解码器的输出为第ub+1个解码器的输入，其中ub＝1,2,……,number-1；

24、第number个编码器的输出作为每个解码器的多头注意力机制模块的其中两个输入；

25、所述步骤5中，对多头注意力模型进行训练的步骤具体包括：

26、步骤5-1：将第b个位置编码后的训练样本矩阵作为多头注意力模型第1个编码器的输入矩阵，且将第b个第一输入矩阵作为多头注意力模型第1个解码器的输入矩阵，得到多头注意力模型的第b个输出矩阵；

27、其中，b＝1,2,……,b，各个第一输入矩阵的行数均为λc+1、列数均为m，各个第一输入矩阵第1行的m个元素的值均为set，第b个第一输入矩阵的第la+1行与第b个位置编码后的标签矩阵的第la行相同，la＝1,2,3,……,λc，set为预设常数值。

28、步骤5-2：根据步骤5-1得到的多头注意力模型的b个输出矩阵、各个标签矩阵l计算损失函数的值；

29、若损失函数收敛，则完成多头注意力模型的训练；

30、若损失函数未收敛，则利用误差反向传播算法对损失函数的梯度信息进行反向传播，且利用adam算法，更新所述多头注意力模型中所有被训练参数的值，然后跳转到步骤5-1。

31、根据上述技术方案，从而可利用各个位置编码后的训练样本矩阵、标签矩阵对多头注意力模型进行训练，从而更新多头注意力模型中所有训练参数的值，当损失函数收敛时，即说明训练得到的多头注意力模型符合要求。

32、上述技术方案中，所述步骤5中，对多头注意力模型进行训练时，所采用的损失函数的表达式为：

33、

34、其中，f(xb,pos,j)表示与第b个标签矩阵lb的第pos行第j列元素对应的、水质参数预测模型输出的值，lb,pos,j表示第b个标签矩阵lb中位于第pos行、第j列元素的值，wj代表第j类水质参数的权重，j的取值范围为[1,m]。

35、上述技术方案中，m类水质参数至少包括化学需氧量和总磷，还包括综合污染指数、浊度、溶解氧、氨氮、ph值、电导率、温度中的至少一种。

36、本发明还提供一种水质参数预测方法，所述水质参数预测方法包括：

37、根据上述水质参数预测模型建模方法，得到水质参数预测模型，所述水质参数预测模型为多头注意力模型；

38、所述水质参数预测方法还包括：

39、步骤6-1：将第一矩阵、第二矩阵分别对应作为所述水质参数预测模型的第1个编码器的输入、第1个解码器的输入，根据所述水质参数预测模型得到水质参数预测模型的输出矩阵，其中，第一矩阵由连续c个采样周期、执行标准化变换后的已采集的水质数据构成行数为c、列数为m的矩阵，第二矩阵第1行的m个元素的值均为set，第二矩阵其他λc行的元素均为0，set为预设常数值；

40、步骤6-2：利用步骤6-1得到的水质参数预测模型的输出矩阵第1行的各个元素分别对应更新第二矩阵第2行的各个元素，将第一矩阵、更新后的第二矩阵分别对应作为所述水质参数预测模型的第1个编码器的输入、第1个解码器的输入，根据所述水质参数预测模型得到水质参数预测模型的输出矩阵；

41、步骤6-3：利用步骤6-2得到的水质参数预测模型的输出矩阵第2行的各个元素分别对应更新第二矩阵第3行的各个元素，将第一矩阵、更新后的第二矩阵分别对应作为所述水质参数预测模型的第1个编码器的输入、第1个解码器的输入，根据所述水质参数预测模型得到线性映射层的输出矩阵结果；

42、以此类推，直到第二矩阵第2行、第3行、……、第λc+1行的各个元素均被更新；

43、将得到的更新后的第二矩阵中的各个元素执行标准化变换的逆变换，将得到的矩阵的第2行各个元素的值、第3行各个元素的值、……、第λc+1行各个元素的值分别对应作为步骤6-1中的所述连续c个采样周期之后第1个采样周期、第2个采样周期、……、第λc个采样周期各个水质参数的预测结果。

44、根据上述技术方案，在预测c个采样周期之后第1个采样周期的水质参数时，第二矩阵中对应行的数据均为0，而在预测c个采样周期之后第2个采样周期的水质参数时，即c个采样周期之后第1个采样周期的水质参数已经预测得到，则将第二矩阵的对应的第1行由预测结果更新，以此类推，从而预测得到连续c个采样周期之后第1个采样周期、第2个采样周期、……、第λc个采样周期各个水质参数的预测结果。

45、本发明还提供一种水质参数预测装置，包括处理器、分别用于采集m类水质参数的数据的m种传感器，所述处理器被配置为用于执行上述水质参数预测方法的步骤。

46、本发明具有的优点和积极效果是：相比于单类水质参数预测模型，本发明支持多类水质参数预测，预测某一类水质参数时，模型不仅利用了本类水质参数的时序信息，更重要的是还利用了其他类水质参数的时序信息，理论可取得更高的预测精度。本发明可预测多个时间步的水质参数，弥补了传统水质参数预测模型仅能预测一个时间步水质参数的不足。本发明采用transformer架构级联的编码器、解码器结构，融合多头注意力机制充分挖掘数据时序关联性，相比于传统基于机器学习的预测模型拥有更强的数据处理能力，能够实现多类水质参数在多个时间步的高效预测。