CN119477644A 基于多模型处理技术的河流流域水质预测预警方法、设备及介质 （重庆市生态环境大数据应用中心）

基于多模型处理技术的河流流域水质预测于多模型处理技术的河流流域水质预测预警方流域水质预测结果和河流流域各项水质指标动2境监测数据包括历史水环境监测数据和实时水环S2：基于深度学习网络构建水质预测深度学习模型S3：构建水质指标预测机理模型，基于预处S4：基于河流流域水质预测结果和河流流域各项水质指标动态变化结果进行阈值判2.根据权利要求1所述的基于多模型处理技术的河流流域水质预测预警方法，其特征S1_1：对目标河流流域的区域划分成网格状，获取水环境监测数据和实时水环境监测数据中均包括监测站点监测数据和3.根据权利要求2所述的基于多模型处理技术的河流流域水质预测预警方法，其特征S2_4：使用训练集对水质预测深度学习模型S2_5：使用预处理后的实时水环境监测数据输入4.根据权利要求3所述的基于多模型处理技术的河流流域水质预测预警方法，其特征多层注意力机制网络的水质预测深度学习模型以及基于长短时记忆网络的水质预测深度所述基于时空图卷积网络的水质预测深度学习模型用于构建水质监测网络的无向图，从水环境监测数据中时间和空间信息对未来区域内不同监测断面的水质进所述基于多层注意力机制网络的水质预测深度学习模型基于Encoder_Decoder结构和3所述基于长短时记忆网络的水质预测深度学习模型5.根据权利要求4所述的基于多模型处理技术的河流流域水质预测预警方法，其特征S3_1：根据获取的水环境监测数据构建空间数据库和属性S3_2：构建水质模型和水动力模型融合的水质指标预测S3_3：基于训练完成后的融合的水质指标预测6.根据权利要求5所述的基于多模型处理技术的河流流域水质预测预警方法，其特征S4_2：将读取的最近的水环境监测数据输入至水质S4_3：将读取的水环境监测数据输入至封装完成的S4_4：将水质深度学习预测评价数据和水质机理S4_5：并根据选择的水质预测模型的水质预测结果与预设的警级和警限数据进行比7.基于多模型处理技术的河流流域水质预测预警设备，应用于如上权利要求1_6任一数据获取模块：用于获取河流流域的地表水水质监测站点的水环境监测数据包括历史水环境监测数据和实时水环境水质预测模块：基于深度学习网络构建水质预测深度学水质指标预测模块：构建水质指标预测机理模型，基于预处理后4预警模块：基于河流流域水质预测结果和河流流域各项水质指标动所述处理器通过调用所述存储器存储的程序或指令，执行如上权利要求1_6任一项所述的所述程序或指令使计算机执行如上权利要求1_6任一项所述的基于多模型处理技术的河流5[0004]本发明所解决的技术问题在于提供一种基于多模型处理技术的河流流域水质预水环境监测数据包括历史水环境监测数据和实时水环境历史水环境监测数据和实时水环境监测数据中均包括监测站点监测数据6获取的历史水环境监测数据的监测站点的监测数据和气象数据填充质预测深度学习模型进行超参数优化，使用测试机对水质预测深度学习模型进行性能验[0021]所述基于时空图卷积网络的水质预测深度学习模型用于构建水质监测网络的无[0022]所述基于多层注意力机制网络的水质预测深度学习模型基于Encoder_Decoder结[0023]所述基于长短时记忆网络的水质预测深度学习模型基于LSTM水质预测AI模型架7述水环境监测数据包括历史水环境监测数据和实时水环境标预测机理模型进行验证，再将河流流域水质预测结果输入至水质指标预测机理模型中，或指令使计算机执行如上所述的基于多模型处理技术的8[0050]图5为本发明实施例中基于多层注意力机制网络的水质预测深度学习模型的结构际数据采集中出现的许多问题都会带来数据的缺失和异常,其中异常数据经过有效范围的9获取的历史水环境监测数据的监测站点的监测数据和气象数据填充质预测深度学习模型进行超参数优化，使用测试机对水质预测深度学习模型进行性能验水污染物从排放到扩散的全过程,从而预测各监测站点未来的水质情况，该方法对污染源数据的完整性要求非常高,且模型参数需要专业人员根据不同的水域场景作调整适配,泛[0075]基于机器学习的方法是一种数据驱动的赖关系来预测监测站点未来一段时间内的各项指标；基于机器学习的方法,能够自动学习来预测未来变化趋势,但无法接受序列数据以外的特征输入，通用回归模型能够支持多源[0076]而深度学习模型通过堆叠多层神经网络来拟合从输入到输出的非线性复杂映射,络的水质预测模型与基于多层注意力机制网络的水质预测深度学习模型融合能够得到监于长短时记忆网络的水质预测深度学习模型融合能够表征监测数据在时间上的复杂依赖取欧氏空间数据的特征方面取得了巨大的成功，但水环境监测数据是从非欧式空间生成水质数据极高的复杂性和非线性的特点，本申请顾及水质监测断面间的空间和时间依赖[0080]而在空间维度上采用切比雪夫近似与一阶近似后的图卷[0082]所述的基于深度学习网络的水质预测深度学习模型还采用基于多层注意力机制[0083]基于多层注意力机制网络的水质预测深度学习模型是基于Encoder_Decoder结性进行建模，并通过在Decoder阶段融合传感器对应的降雨数据等外部因素提升模型的性外部因素，之后把这个模块的输出作为上文提到的解码器的部分输入进入网络的计算当[0091]基于长短时记忆网络的水质预测深度学习模型具体为基于长短期记忆网络模型中，LSTM网络从输入序列中选择重要的信息，并将其输出到下一个时间步，在输出门中，长度为32,GCN层数为1.采用Adam优化器优化模型参数,学习率设定为0.002,训练epoch设[0095]预设水质预测任务，例如预测任务定义为利用所有站点18个值(Tin＝18,采样周期为4h)的历史水环境监测数据及气象数据预测将来18个值(Tout＝18,采样周期为4h)的水质情况.将一个样本中包含长度为18的水质参数及气象数据作为模型输入，后面长度为[0096]以训练集的样本优化模型参数,以在评估集上的运行结果优化超参数,在测试集上验证该模型的性能，性能评价指标包括平均绝对误差(MAE)和平均相对误实值与预测值之间的绝对值，MRE在MAE的基础上除以真实值得到相对的误差率,结果更加特征空间内寻找最优的超平面,使得特征空间中的所有数据样本到该平面的距离最近；原始版本的SVR只支持单变量输出,作为实验对比基线,本文为每个指标和预测步长建立SVR列,将因变量对它的滞后值以及随机误差项进行回归拟合，是时间序列线性分析中最常见加复杂的门控结构,设定遗忘门和输入门用以控制长期记忆的保留与更新,设定输出门用建模地表水水质监测站点在空间上的复杂依赖关系.使用长短时记忆网络建模历史指标序列在时间上的复杂依赖关系,实现所有地表水水质站点水质指标的多步预测输出.实验结果表明,与传统回归方法相比,利用该模型能够显著提高预测性能,与时间序列分析数据处理后的数据传输至构建的水质模型和水动力模型融合的水质指标预测机理模型中，本实施例中的融合后的水质指标预测机理模型构建[0119]C代表物质输运变量；vt为输运物质的扩散系数，vt=αu*h,α在0.3_1.0取值，SC为输运变量的源项。公式(1)在任意一个三角形控制体上进行积[0127]将平面二维潜水控制方程在任意一个三角形控制体上进行积分得到的公式的线[0133]运用Green公式将面积分化为沿其周界的线积分，并将线积分部分离散化并进行[0135]Qij为通过单元i第j条边的流量；为单元i第j条边外法线方向的输运变量梯[0143]si为单元i中流量流出该单元的边；cmx为与边k相邻单元网格中心的输运变量[0144]在上述构建完成水质预测机理模型后，根据实际河流情况设置模型的初始条件、站点，而水质指标预测机理模型针对的则是每个断面上划分的若干个网格的水质指标结述水环境监测数据包括历史水环境监测数据和实时水环境标预测机理模型进行验证，再将河流流域水质预测结果输入至水质指标预测机理模型中，[0167]处理器401可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力[0168]存储器402可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性本发明任意实施例的基于多模型处理技术的河流流域水质预测预警方法以及/或者其他期通过总线系统和/或其他形式的连接机构(未示出)互连。该输入装置403可以包括例如键[0170]当然，为了简化，图13中仅示出了该电子设备400中与本发明有关的组件中的一施例所提供的基于多模型处理技术的河流流域水质预测预警方[0172]