一种基于非平稳时间序列的污水流量自演化预测方法

本发明涉及污水处理，具体涉及一种基于非平稳时间序列的污水流量自演化预测方法。

背景技术：

1、污水处理和环境保护在全球范围内已经成为一个重大的挑战，而工业化和城镇化正在迅速推进。城市污水的排放对水体质量和生态系统造成严重影响，因此，预测和控制污水流量及其水质成为环境保护的重要任务。

2、随着信息技术、传感器技术、大数据分析和人工智能等技术的飞速发展，污水预测得到了更先进的技术支持和工具。传感器和数据采集设备的普及使得实时监测和数据收集成为可能，而大数据分析和机器学习技术的应用为污水预测提供了更准确和可靠的方法。

3、智慧城市的概念提出了将信息技术和互联网应用于城市管理和服务的新模式。通常以统计模型为基础来预测污水。这种方法使用历史数据来构建统计模型，例如回归模型、时间序列模型等，以预测未来的污水流量。该模型通过分析历史数据的趋势，以达到预测的效果。然而，这种方法的准确性受限于历史数据的质量和可用性，以及模型对未来变化的适应能力。

4、也有以物理模型为基础，模拟污水流动过程，运用物理方程及流体力学原理，并加以预测的。通过建模和模拟污水管网、雨水系统等，可对今后污水流量进行估算。物理模型的优点是，需要输入准确的参数和复杂的计算，但可以考虑雨水、管道特性等多种因素。

5、现有的污水流量预测方法主要依赖于历史数据进行预测，但是这些方法往往忽视了污水流量数据的非平稳性和多变量性，因此预测精度有限。而且，大数据处理时，存在计算效率低下，无法实现实时预测。

技术实现思路

1、本发明的目的在于针对现有技术的不足之处，提供一种基于非平稳时间序列的污水流量自演化预测方法，是一种准确性高、实用性强的预测方法，对于污水处理设备的运行管理。

2、本发明解决上述问题的技术方案为：一种基于非平稳时间序列的污水流量自演化预测方法，包括以下步骤：

3、步骤s1、收集历史污水流量数据；

4、步骤s2、构建多变量模型：基于历史污水流量数据和相关环境因素数据，先构建一个多变量模型；将影响因素纳入模型，影响因素包括降雨量、温度、人口密度；

5、步骤s3、计算时变权重：根据历史污水流量数据具有非平稳的特性，计算每个时间点污水流量的时变权重，以反映自演化过程中的动态变化；

6、步骤s4、训练tv-cnn模型：构建卷积神经网络模型并进行训练，以多变量模型和时变权重为输入；

7、步骤s5、污水流量预测：利用步骤4经过训练的tv-cnn模型预测未来污水流量；

8、步骤s6、预测结果的反馈调整：将实际污水流量和预测污水流量进行对比，分析预测误差；通过反馈调整，根据实际情况对模型进行微调。

9、进一步的，步骤s2具体步骤为：

10、步骤s2.1、数据预处理，将步骤s1收集的历史污水流量数据进行数据预处理，数据预处理包括数据清洗、遗漏值处理、数据标准化；

11、步骤s2.2、特征工程的构建，以时序特征捕捉时间序列数据的趋势和时序的滞后性污水流量值；

12、步骤s2.3、注意力机制模型构建，使用现有的深度学习框架来构建模型，查询、键和值的计算方式需要定义在构建注意力机制模型时；

13、步骤s2.4、模型训练与优化，通过随机梯度下降或它的变种来对模型进行优化；

14、步骤s2.5、模型评估与预测，在模型评估阶段，计算预测值和真实值之间的mse，以评估模型的性能。

15、进一步的，步骤s3具体步骤包括：

16、步骤s3.1、确定衰减系数：根据污水资料不平滑时间序列的特性，综合分析污水资料，确定衰减系数；

17、步骤s3.2、计算每个时间点的未归一化权重：越近期的数据对于预测未来的重要性越大；因此，需要为每个数据点分配一个权重；

18、步骤s3.3、计算未归一化权数在所有时间点上的和：权数为概率分布，即权数为1；通过计算所有时间点的未归一化权重之和，并以其归一的方式进行处理；

19、步骤s3.4、计算每个时间点的时变权重。

20、进一步的，步骤s4具体过程为：

21、步骤s4.1、构建cnn模型输入层，采用多变量模型和时变权重作为输入；

22、步骤s4.2、设置多个污水流量数据提取特征的卷积层、池化层；

23、步骤s4.3、设置一个全连接层，用于输出预测的污水流量。

24、进一步的，所述步骤s4中，训练tv-cnn模型可以使用以下公式表示：

25、

26、其中，表示时间点t的污水流量预测值，fcnn是cnn模型的函数，xt,xt-1,...,xt-p是多变量模型中的历史污水流量数据，wt是时间点t的时变权重。

27、进一步的，步骤6中，微调包括调整模型参数，更新数据集。

28、本发明具有有益效果：

29、本发明提供了一种基于非平稳时间序列的污水流量自演化预测方法，通过构建多变量模型，计算时变权重和训练cnn模型，对污水流量进行了有效预测；由于污水流量是非平稳时间序列，因此，这种预测方法通过时变权重的计算，克服了非平稳性给预测带来的困扰，提高了预测的准确性；此外，这种预测方法还考虑到了污水流量与多种环境因素的关系，使得预测结果更加符合实际情况。而且，这种预测方法还采用了cnn模型，利用了深度学习的优点，使得预测结果更加准确。

技术特征：

1.一种基于非平稳时间序列的污水流量自演化预测方法，其特征在于：包括以下步骤：

2.如权利要求1所述的一种基于非平稳时间序列的污水流量自演化预测方法，其特征在于：步骤s2具体步骤为：

3.如权利要求1所述的一种基于非平稳时间序列的污水流量自演化预测方法，其特征在于：步骤s3具体步骤包括：

4.如权利要求1所述的一种基于非平稳时间序列的污水流量自演化预测方法，其特征在于：步骤s4具体过程为：

5.如权利要求4所述的一种基于非平稳时间序列的污水流量自演化预测方法，其特征在于：所述步骤s4中，训练tv-cnn模型可以使用以下公式表示：

6.如权利要求1所述的一种基于非平稳时间序列的污水流量自演化预测方法，其特征在于：步骤6中，微调包括调整模型参数，更新数据集。

技术总结
本发明公开了一种基于非平稳时间序列的污水流量自演化预测方法，包括以下步骤：步骤S1、收集历史污水流量数据；步骤S2、基于历史污水流量数据和相关环境因素数据，构建一个多变量模型；步骤S3、根据历史污水流量数据具有非平稳的特性，计算每个时间点污水流量的时变权重；步骤S4、构建卷积神经网络模型并进行训练，以多变量模型和时变权重为输入；步骤S5、利用步骤4经过训练的TV‑CNN模型预测未来污水流量；步骤S6、预测结果的反馈调整：将实际污水流量和预测污水流量进行对比，分析预测误差；通过反馈调整，根据实际情况对模型进行微调；通过构建多变量模型，计算时变权重和训练CNN模型，对污水流量进行了有效预测。

技术研发人员：陈继明,崔文浩
受保护的技术使用者：江苏大学
技术研发日：
技术公布日：2024/2/29