一种基于LSTM算法模型的水质指标预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115965149A(43)申请公布日2023.04.14(21)申请号202310012069.5G06N3/0442(2023.01)(22)申请日2023.01.05(71)申请人北京北控悦慧环境科技有限公司地址101200北京市平谷区兴谷经济开发区谷丰东路30号院7号楼3层307(72)发明人刘小梅孙艳赵洁成志轩(74)专利代理机构北京细软智谷知识产权代理有限责任公司11471专利代理师张肖(51)Int.Cl.G06Q10/04(2023.01)G06Q10/0639(2023.01)G06F18/214(2023.01)G06N3/049(2023.01)G06N3/08(2023.01)权利要求书2页说明书5页附图1页(54)发明名称一种基于LSTM算法模型的水质指标预测方法(57)摘要本发明提供了一种基于LSTM算法模型的水质指标预测方法，涉及污水处理技术领域，所述方法包括如下步骤：S1：获取待检测点的历史水质指标数据，并对数据进行预处理；S2：基于预处理后的数据构建LSTM算法模型；S3：通过所建立的LSTM算法模型对水质指标进行预测。本发明在现有在线监测数据的基础上，基于LSTM算法模型，对水质指标进行预测，从而可以预测水质指标在未来的变化趋势，从而为厂‑网‑河一体化运营提供决策支撑。CN115965149ACN115965149A权利要求书1/2页1.一种基于LSTM算法模型的水质指标预测方法，其特征在于，包括如下步骤：S1：获取待检测点的历史水质指标数据，并对数据进行预处理；S2：基于预处理后的数据构建LSTM算法模型；S3：通过所建立的LSTM算法模型对水质指标进行预测。2.根据权利要求1所述的基于LSTM算法模型的水质指标预测方法，其特征在于，所述的获取待检测点的历史水质指标数据，并对数据进行预处理的步骤包括：S11：首先对数据进行现状分析，对数据缺失值、数据总量时间间隔进行基本描述；S12：异常值处理：首先属性值进行描述性的统计，以查看不合理的数据以及数据是否服从正态分布，当样本距离平均值大于3个标准差，则认定该样本为异常值，将该异常值从数据集中进行删除；S13：时间间隔处理：将每条数据根据检测时间进行排序，计算出每条数据与上一条数据的时间间隔，并进行记录，统计数据中所有时间间隔对应数据量并展示给用户，用户选择需要的时间间隔后，将数据处理成只含有用户选择的时间间隔对应的数据，并删除数据中其他时间间隔对应的数据，保证每条数据的时间间隔保持一致，保持数据的连续性；S14：缺失值处理：索引到数据集中含有缺失值的数据，将索引到的缺失值按照其上一个时间点的数据进行填充。3.根据权利要求1所述的基于LSTM算法模型的水质指标预测方法，其特征在于，所述的基于预处理后的数据构建LSTM算法模型的步骤包括：对模型进行设计：根据水质预测时的使用环境，选择LSTM模型进行计算，将不同数据集的水质指标，按照输入时间序列对应的水温、pH、高锰酸盐指数、溶解氧、浑浊度、电导率、氨氮、总磷和总氮指标进行编码作为LSTM循环神经网络的输入，并经LSTM模型输出未来N个时间序列的水质指标。4.根据权利要求3所述的基于LSTM算法模型的水质指标预测方法，其特征在于，所述的基于预处理后的数据构建LSTM算法模型的步骤还包括：算法开发，其中包括：S21：将数据集按照80％、10％、10％的比例分为训练集、验证集和测试集；S22：将训练集和测试集处理为输入和输出变量，将输入和输出变量的维度处理为3维，包括样本量、步长和特征，其中样本量为训练集的数量，步长为滞后期M，特征为输入的水质指标；S23：定义和训练LSTM模型：将LSTM网络的中间层定义为128个神经元，LSTM层是一个具有128个节点的全连接层，最后，输出层经过线性变换直接预测一个包含9个水质指标的向量；S24：以最小化平方差损失的方式将模型进行迭代，使用NSE纳什系数验证模型的预测效果。5.根据权利要求4所述的基于LSTM算法模型的水质指标预测方法，其特征在于，所述的基于预处理后的数据构建LSTM算法模型的步骤还包括：模型参数的设置，包括滞后期M、预测未来时间段N、可迭代次数和批量。6.根据权利要求1所述的基于LSTM算法模型的水质指标预测方法，其特征在于，所述方法还包括对模型验证结果进行分析。7.根据权利要求6所述的基于LSTM算法模型的水质指标预测方法，其特征在于，所述对2CN115965149A权利要求书2/2页模型验证结果进行分析的步骤包括：计算水温、pH、高锰酸盐指数、溶解氧、浑浊度、电导率、氨氮、总磷和总氮指标的NSE系数；绘制模型拟合效果图，已通过可视化效果得到模拟效果。3CN115965149A说明