CN119494031A 一种基于生成对抗网络数据增强的水质预测方法 （南方海洋科学与工程广东省实验室(广州)）

一种基于生成对抗网络数据增强的水质预本发明公开了一种基于生成对抗网络数据BiTimeGAN模块和GRU模块的混合深度学习模测精度。该方法的优越性表现在开发的BiTimeGAN模型，考虑了时序数据的全局和局部特型无法捕捉时间序列数据全局和局部特征信息2步骤1、数据采集与数据处理：对水文气象参数和污染物数据进行数据采集以及预处平均方差、和欧几里得距离5个评估指标来衡量生成的水质数据和真实数据之间分布的相在序列和序列生成器生成的合成序列，序列生成器用于试图生成真实的时间序列潜在向3在时间序列数据下生成近似于目标分布的合成数据，对于G通过主成分分析线性变换方法，将高维原始数据投影到新的低维空通过t-分布式随机邻域嵌入发现数据中的非线性结构，并且能够保留数据中的所有信息，首先定义高维空间中数据点xi和xj之间的相似度Pij，使用t分布来度量低维空间中的相似4其中，欧几里得距离表示真实数据和生成数据之间的欧real概率函数积分用于描述时间序列q(t)的值小于或等于x的概率，分别计算出原始数据5采用均方根误差和平均绝对误差、Nash_Sutcliffe效率系数作为模型预测精度的评价指实际值之间差值的平方根来反映实际值和预测值之间的误差程度，MAE计算实际值与观测6[0001]本发明涉及人工智能神经网络领域,尤其涉及一质预测的准确性。门控循环单元(GRU)由于其复杂的门控网络机制能够降低数据过拟合的[0005]为了克服现有技术存在的缺点与不足,本发明7最大平均方差、和欧几里得距离5个评估指标来衡量生成的水质数据和真实数据之间分布于先前生成的时间特征R-1,生成器生成R,在判别器中，鉴别器接受潜在代码并返回给89[0041]进一步地，所述MMD在再生核希尔伯特空间(RKHS)中测量真实数据和生成数据之[0044]进一步地，所述EDD在欧几里得距空间中测量真实数据Xreal和生成数据Xgenerate的[0046]其中，EDD表示真实数据和生成数据之间的欧几里得距离，衡量它们的相似度。[0054]本发明提出一种基于生成对抗网络数据增强的水质预测方法，该方法通过成对抗网络(Generativeadversarialnetworks,GAN)与时间序列生成模型(Time_seriesGenerativeAdversarialNetworks，TimeGAN)无法捕捉时间序列数据全局和局部特征信[0062]需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相[0065]步骤2、水质数据增强：利用BiTimeGAN(BidirectionalTimeGenerativeBiTimeGAN模型包括自编码器组件和对抗组件组成，自编码器用于在高维特征和低维特征最大平均方差、和欧几里得距离5个评估指标来衡量生成的水质数据和真实数据之间分布Error)和NSE(Nash-SutcliffeEfficiencyCoefficient)作为评估参数评估模型预测性[0071]R=dec(H)成的时间特征生成器生成在判别器网络中，鉴别器接受潜在代码并返回给分类判别器对当前时间步数据的输出概率；Ut是当前时间步的隐藏状态；C是RNN(RecurrentX1:T为真实时间[0086]优选的，利用主成分分析(PCA)、t_分布式随机邻域嵌入(t_SNE)、累积谱密度[0087]通过PCA(PrincipalComponentAnalysis)线性变换方法，将高维原始数据投影的相似度Pij，使用t分布来度量低维空间中的相似度，用KL散度(Kullback_LeiblerDivergence)衡量两个概率分布之间的差异，优化目标即为最小化所有数据点xi的KL散度[0099]优选的，MMD(MaxMeanDiscrepancy)在再生核希尔伯特空间中测量真实数据和[0102]优选的，EDD(EuclideanDistance)在欧几里得距空间中测量真实数据Xreal和生[0104]其中，EDD表示真实数据和生成数据之间的欧几里得距离，衡量它们的相似度，数据和生成数据的概率分布，生成数据的CDF(CumulativeDistributionFunction)曲线[0114]为了验证BiTimeGAN在数据生成方面的有效性，使用了t_SNE(t分布随机邻域嵌成数据的分布特征与原始数据的分布特征基本一致,BiTimeGAN能够有效地捕获原始数据的分布特征使得生成的数据在降维后仍然能够反映原始数据的特征特征,数据的覆盖率高[0115]进一步采用MMD、EDD和CDF曲线分析方法对生成数据与原始数据之间的分布差异进行评估。原始数据和生成数据之间的MMD和EDD结果如表1所示。通过与GAN(GenerativeAdversarialNetworks)、WGAN(WassersteinGenerativeAdversarialNetworks)和TimeGAN(Time_seriesGenerativeAdversarialNetworks)三个基准模型对比，BiTimeGAN生成的水质序列数据与原始数的数据在趋势上与原始数据几乎完全一致，表明BiTimeGAN生成的时序数据与原始数据具[0119]采用构建的BiTimeGAN_GRU(BidirectionalTimeGenerativeAdversarialBiTimeGAN_GRU模型在整个预测范围内表现出良好的预测[0120]采用MLP(Multi_LayerPerceptron)、SVR(SupportVectorRegression)、RNN测DO的RMSE、MAE和NSE结果。BiTimeGAN_GRU模型预测DO得到的RMSE、MAE和NSE分别为[0123